人工智能在網(wǎng)絡(luò)運維中的應用及其經(jīng)濟價值的研究

■ 唐傳娣（江西財經(jīng)職業(yè)學院）

隨著網(wǎng)絡(luò)傳輸技術(shù)的不斷發(fā)展，越來越多的網(wǎng)絡(luò)運營商正處在5G轉(zhuǎn)型階段，而使用者也更加重視網(wǎng)絡(luò)傳輸?shù)馁|(zhì)量和體驗感覺。傳統(tǒng)的網(wǎng)絡(luò)運維模式已經(jīng)逐漸的不能滿足日益增長的網(wǎng)絡(luò)傳輸需求，其不能及時的處理網(wǎng)絡(luò)傳輸過程中出現(xiàn)的延時問題，并且只能通過上門維修的方式進行清理故障，因此，現(xiàn)階段5G時代需要引入以人工智能為主的網(wǎng)絡(luò)運維模式，提高信息處理能力。

一、智能運維方案

（一）優(yōu)化網(wǎng)絡(luò)運維數(shù)據(jù)

通過分析以往網(wǎng)絡(luò)運維管理模式，可知其不能滿足5G網(wǎng)絡(luò)發(fā)展的需求，由于在5G網(wǎng)絡(luò)下，能夠進行精確的大數(shù)據(jù)處理和智能化管理，因此會產(chǎn)生海量的網(wǎng)絡(luò)運維數(shù)據(jù)，傳統(tǒng)網(wǎng)絡(luò)運維模式不能良好的處理運維數(shù)據(jù)，降低運維管理效率。目前市場主流網(wǎng)絡(luò)運維管理模式主要以降噪和過濾警告信息為主，其主要是通過正則表達式來完成以上工作，但是在實際應用中，處理工作間缺乏關(guān)聯(lián)性，不能保證數(shù)據(jù)處理的準確性。對于人工智能在網(wǎng)絡(luò)運維中的應用，其能將海量的網(wǎng)絡(luò)運維數(shù)據(jù)進行粒度化管理，結(jié)合聚類和去重算法，能夠有效判斷出其中存在的故障信息，并及時的處理網(wǎng)絡(luò)運維數(shù)據(jù)，起到優(yōu)化網(wǎng)絡(luò)數(shù)據(jù)的作用，提高網(wǎng)絡(luò)運維運行效率[4]。

（二）定位根因問題

傳統(tǒng)網(wǎng)絡(luò)運維在處理網(wǎng)絡(luò)故障問題、警告信息定位和網(wǎng)絡(luò)數(shù)據(jù)處理時，主要采取人工判斷的處理方式。在實際的應用中，由于大量的網(wǎng)絡(luò)運維數(shù)據(jù)，大多數(shù)網(wǎng)絡(luò)運維處理人員需要花費大量的時間去判斷故障定位。故障定位是影響網(wǎng)絡(luò)運維效率的關(guān)鍵因素。本文按照實際情況，制定一套合理的定位網(wǎng)絡(luò)運維根因問題的處理方案，將人工智能和專家學習系統(tǒng)相結(jié)合，綜合兩者的優(yōu)勢，在處理網(wǎng)絡(luò)運維故障定位時，能夠分別處理網(wǎng)絡(luò)運營過中收集的網(wǎng)絡(luò)資源數(shù)據(jù)信息、地理數(shù)據(jù)等信息，然后結(jié)合實際情景情況，去合理的運用網(wǎng)絡(luò)運維數(shù)據(jù)。最后基于人工智能，建立深度進化神經(jīng)網(wǎng)絡(luò)模型，將網(wǎng)絡(luò)運維數(shù)據(jù)導入到模型中，使其直觀的呈現(xiàn)到系統(tǒng)后臺中，利用自身的算法優(yōu)勢，分析網(wǎng)絡(luò)運維數(shù)據(jù)，準確的找出故障定位信息，從而解決定位根因問題，提高人工智能在網(wǎng)絡(luò)運維中的應用效果。[1]

（三）故障預測決策

由于網(wǎng)絡(luò)傳輸環(huán)境較為復雜，因此在網(wǎng)絡(luò)運維數(shù)據(jù)分析過程中，需要建立故障預測決策模型來提高網(wǎng)絡(luò)運維效率，但是在實際應用中，其具有較大的難度。人工智能在網(wǎng)絡(luò)運維中的應用，結(jié)合syslog信息和網(wǎng)絡(luò)傳輸接口等信息，采用自主學習能力，并利用邏輯回歸模型引入各類復雜網(wǎng)絡(luò)傳輸特征，在網(wǎng)絡(luò)運維應用中，能夠有效的預測網(wǎng)絡(luò)傳輸中出現(xiàn)故障的位置和類型，并根據(jù)反饋信息，制定合理的處理方式，解決存在的故障問題?；谌斯ぶ悄芟碌木W(wǎng)絡(luò)運維模式能夠改善傳統(tǒng)網(wǎng)絡(luò)運維的體檢式檢測模式，建立完善的基因檢測式檢測模式，能夠?qū)Υ嬖诘膫鬏敼收嫌蓄A知性，從而提高故障預測決策的準確性。[2]

（四）深度調(diào)優(yōu)算法

由于網(wǎng)絡(luò)運維會產(chǎn)生海量的數(shù)據(jù)信息，因此在處理數(shù)據(jù)時需要引入大數(shù)據(jù)處理技術(shù)，并結(jié)合處理系統(tǒng)的實際處理能力，需要對所應用的算法進行深度調(diào)優(yōu)，才能確保大數(shù)據(jù)處理的準確性。現(xiàn)階段處理網(wǎng)絡(luò)運維大數(shù)據(jù)時，主要存在的問題為系統(tǒng)處理速度較低，難以達到精準數(shù)據(jù)處理的要求。人工智能能夠結(jié)合NLP語義分析技術(shù)，能夠?qū)⑵鋺玫酱髷?shù)據(jù)算法中，通過深入分析上下文數(shù)據(jù)信息，并結(jié)合復雜網(wǎng)絡(luò)下的情況，利用網(wǎng)絡(luò)數(shù)據(jù)的獨特性和語法分析等特征，建立網(wǎng)絡(luò)運維數(shù)據(jù)庫。在后期的網(wǎng)絡(luò)運維大數(shù)據(jù)處理中，能夠調(diào)用其中的信息，判斷網(wǎng)絡(luò)運維中存在的故障問題，從而提高網(wǎng)絡(luò)運維數(shù)據(jù)處理效率。[3]

二、人工智能在網(wǎng)絡(luò)運維中的關(guān)鍵技術(shù)研究

（一）系統(tǒng)工作過程

基于人工智能下的網(wǎng)絡(luò)運維工作要具有完善的工作能力，其主要由遠程技術(shù)判斷、智能化研究、網(wǎng)絡(luò)業(yè)務(wù)計劃、構(gòu)建數(shù)據(jù)模型和數(shù)據(jù)任務(wù)管理構(gòu)成，本文結(jié)合以往大量的實踐信息和工程，深入分析系統(tǒng)工作過程中神經(jīng)網(wǎng)絡(luò)技術(shù)對網(wǎng)絡(luò)運維大數(shù)據(jù)處理情況。根據(jù)實際情況，為了提高網(wǎng)絡(luò)運維數(shù)據(jù)處理能力，將多個前饋神經(jīng)網(wǎng)絡(luò)進行綜合處理，并將其按照功能分類為不同信息處理板塊，使其能夠針對性的分析特定的網(wǎng)絡(luò)運維數(shù)據(jù)。在控制網(wǎng)絡(luò)運維系統(tǒng)過程中，需要綜合運用專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)，例如，在對神經(jīng)網(wǎng)絡(luò)工作過程中，現(xiàn)階段主要處理模式為依據(jù)網(wǎng)絡(luò)運維技術(shù)人員的經(jīng)驗和診斷推理方法，能夠有效提高網(wǎng)絡(luò)運維數(shù)據(jù)處理效率[5]。

（二）協(xié)同進化計算

人工智能在網(wǎng)絡(luò)運維中的應用關(guān)鍵因素為神經(jīng)網(wǎng)絡(luò)的建設(shè)，其具有良好的數(shù)據(jù)處理和自我學習能力，能夠?qū)?shù)據(jù)故障風險降到最低，除此之外，神經(jīng)網(wǎng)絡(luò)還具有良好的適應功能和自編制能力，因此被廣泛的應用到挖掘深度信息工作中。結(jié)合實際應用情況，人工智能化網(wǎng)絡(luò)運維需要修改網(wǎng)絡(luò)運營時序數(shù)據(jù)，而LSTM具有良好的數(shù)據(jù)映射能力，能夠得到準確的時序更改信息，提高網(wǎng)絡(luò)優(yōu)化效果。但是在實際的應用中，結(jié)合LSTM應用數(shù)據(jù)，可知其會改變數(shù)據(jù)信息中的權(quán)重和參數(shù)，導致網(wǎng)絡(luò)運維模式中網(wǎng)絡(luò)傳輸節(jié)點出現(xiàn)問題，針對這類問題，本文主要采用協(xié)同進化計算方式優(yōu)化LSMT的應用模式，來提高數(shù)據(jù)處理能力。在網(wǎng)絡(luò)運維模式中應用協(xié)同進化計算方式對海量數(shù)據(jù)分析時，時序數(shù)據(jù)會出現(xiàn)變化，其會產(chǎn)生良好的數(shù)據(jù)結(jié)果。這種優(yōu)化模式類似于大自然的進化模式，主要分為交叉、變異和選擇三類。協(xié)同進化計算方式不會直接得到最優(yōu)解，其計算能力相較于其他模式較弱，因此在實際網(wǎng)絡(luò)運維模式下，會引入大量的數(shù)據(jù)算法來提高數(shù)據(jù)計算能力。通過對協(xié)同進化計算方式應用的分析，可知主要采用的數(shù)據(jù)算法有串行協(xié)同進化計算、并行協(xié)同進化計算和混合協(xié)同進化計算。

串行協(xié)同進化計算主要指的是在數(shù)據(jù)處理過程中，其能夠?qū)⒂嬎愕螖?shù)分為不同的數(shù)段，然后按照次序進行求解其中的問題。在這其中也可以應用數(shù)據(jù)處理并行混合算法，其能將網(wǎng)絡(luò)運維數(shù)據(jù)進行針對性的區(qū)分，然后按照區(qū)分的標準應用特定的算法來得到最優(yōu)解。在串行協(xié)同優(yōu)化計算應用過程中，其所應用的算法數(shù)量可以為特定區(qū)域的總數(shù)，每個區(qū)域得到算是指在處理網(wǎng)絡(luò)運維數(shù)據(jù)中，并行所應用的各算法的區(qū)域數(shù)之和為總體的個數(shù)，單個算法得到的迭代次數(shù)為迭代總次數(shù)相同。在實際的應用中，每次迭代所產(chǎn)生的最優(yōu)值都能將其作為總網(wǎng)絡(luò)運維數(shù)據(jù)處理的最優(yōu)解?；旌蠀f(xié)同進化計算方法是在網(wǎng)絡(luò)運維數(shù)據(jù)過程中，將上述兩者進行綜合應用，在計算網(wǎng)絡(luò)運維數(shù)據(jù)過程中，由于數(shù)據(jù)處理初期基數(shù)大、隨機性強、區(qū)域收斂性較弱，因此需要算法具有良好的收斂性。在數(shù)據(jù)處理中期，各個處理數(shù)據(jù)初期都能得到優(yōu)化后的數(shù)據(jù)值，并且沒有較強的區(qū)域收斂性，因此需要引入數(shù)據(jù)處理能力較強的算法來得到此時的最優(yōu)解。在數(shù)據(jù)處理后期，當數(shù)據(jù)區(qū)域收斂于當前的優(yōu)化值后，需要在區(qū)域收斂性外進行分析優(yōu)化值，從而得到網(wǎng)絡(luò)運維數(shù)據(jù)處理的最優(yōu)解[6]。

三、結(jié)論

隨著我國科技化實力的不斷加強，對于網(wǎng)絡(luò)傳輸質(zhì)量提出更高的要求。而隨著5G網(wǎng)絡(luò)的迅速發(fā)展，其能夠滿足現(xiàn)階段高速數(shù)據(jù)傳輸和帶寬的需求，因此能夠推動我國通信運營商的快速發(fā)展。在當前網(wǎng)絡(luò)環(huán)境下，傳統(tǒng)網(wǎng)絡(luò)運維模式不能滿足運維數(shù)據(jù)的處理需求，需要引進人工智能化運維管理模式。本文主要分析人工智能在網(wǎng)絡(luò)運維中應用技術(shù)，并根據(jù)其數(shù)據(jù)算法提供參考性意見，提高數(shù)據(jù)處理的準確性，從而提高人工智能在網(wǎng)絡(luò)運維中的應用效果，促進網(wǎng)絡(luò)運營商的可持續(xù)發(fā)展。