從慶平，張 莉，劉繼平

（中國石油天然股份有限公司長慶油田分公司數(shù)字化與信息中心，西安 710018）

0 引言

隨著網(wǎng)絡技術不斷發(fā)展和網(wǎng)絡用戶逐漸增多，網(wǎng)絡面臨著架構復雜化、業(yè)務多樣化、體驗多元化等諸多挑戰(zhàn)。網(wǎng)絡用戶對網(wǎng)絡性能的要求越來越高。依靠專家經(jīng)驗的傳統(tǒng)網(wǎng)絡發(fā)展模式已無法適應當前時代的需求。與此同時，云計算、虛擬化技術、5G 通信、人工智能等新興技術逐漸成為大數(shù)據(jù)時代社會發(fā)展和經(jīng)濟增長的核心力量。人工智能技術正在和網(wǎng)絡行業(yè)深度結合。能夠支持資源動態(tài)分配、功能靈活部署、自動優(yōu)化網(wǎng)絡配置等功能的智能化網(wǎng)絡已成為科研院所的研究熱點。

1 網(wǎng)絡智能化概述

根據(jù)中興軟件公司的分析，網(wǎng)絡智能化水平可分為4 級，即初級智能化、中級智能化、高級智能化和完全智能化［1］。而我國當前網(wǎng)絡智能化水平介于初級和中級之間。智能化網(wǎng)絡結合各項高新技術，可按需、靈活地支撐全行業(yè)應用及其業(yè)務場景，滿足當前時代對網(wǎng)絡的需求。這些需求包括但不限于：①支持網(wǎng)絡即服務（Network as a Service，NaaS），實現(xiàn)2G、3G、4G、5G 等通信技術規(guī)格的共存和協(xié)同發(fā)展［2］；②支持云化、虛擬化或在專用硬件中部署，以靈活適應各種應用場景；③支持在云環(huán)境或虛擬化環(huán)境中，網(wǎng)絡資源按需、動態(tài)、全局性、自動化地調(diào)度，以實現(xiàn)網(wǎng)絡的自動優(yōu)化；④支持各個網(wǎng)絡節(jié)點和基站之間協(xié)調(diào)合作，復雜環(huán)境下抗干擾，以提高網(wǎng)絡結構的魯棒性；⑤支持將部分功能下沉至網(wǎng)絡邊緣，即支持邊緣計算能力，以降低網(wǎng)絡延時，提高用戶體驗；⑥支持網(wǎng)絡故障自動識別、自動定位、網(wǎng)絡狀態(tài)自動感知，以降低網(wǎng)絡管理和優(yōu)化的復雜度。

2 人工智能在網(wǎng)絡智能化中的應用

人工智能在網(wǎng)絡智能化中的應用可分為3 個層次：分析層、調(diào)度層和感知層，如圖1 所示。分析層負責從網(wǎng)絡流量包、網(wǎng)絡拓撲信息、用戶行為信息等原始數(shù)據(jù)中挖掘分析出有用信息，調(diào)度層和感知層依據(jù)分析層的輸出結果對網(wǎng)絡進行深層次的調(diào)度與感知。

2.1 基于人工智能的流量預測

網(wǎng)絡流量是網(wǎng)絡負荷的直接反饋指標。精準可靠的網(wǎng)絡流量預測結果可使相關人員迅速掌握網(wǎng)絡流量的規(guī)律和趨勢并及時地進行調(diào)控，能夠有效地提升網(wǎng)絡資源利用率。網(wǎng)絡流量不同于其他流量數(shù)據(jù)，具有很強的非線性、隨機性、自相似性、多分形性和潮汐性［3］。傳統(tǒng)的線性預測模型無法精確地預測網(wǎng)絡流量，預測誤差較高。而人工智能中的神經(jīng)網(wǎng)絡擁有較高的泛化性與預測能力，是目前流量預測的主流方法。其中，循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）及其衍生網(wǎng)絡在該應用場景中表現(xiàn)最為出色。RNN 以網(wǎng)絡流量序列數(shù)據(jù)為輸入，其結構具有記憶性，即可在預測時考慮過去時刻數(shù)據(jù)和未來時刻數(shù)據(jù)對當前時刻數(shù)據(jù)的影響，故在處理流量預測這類時間序列預測問題時具有一定的優(yōu)勢。

門控循環(huán)單元（Gate Recurrent Unit，GRU）、長短期記憶網(wǎng)絡（Long-Short Term Memory，LSTM）、雙向長短時記憶網(wǎng)絡（Bi-directional Long Short-Term Memory，Bi-LSTM）等循環(huán)神經(jīng)網(wǎng)絡在該應用場景中已有諸多成果。但在實際網(wǎng)絡環(huán)境中，網(wǎng)絡流量存在極強的突發(fā)性。目前的RNN 難以學習到數(shù)據(jù)中的突發(fā)性，導致對突發(fā)時刻及該時刻后的網(wǎng)絡流量預測時誤差較大。未來需研究可精確預測突發(fā)網(wǎng)絡流量的方法。

2.2 基于人工智能的告警關聯(lián)

告警關聯(lián)是網(wǎng)絡故障自動定位中的一項重要技術，其基本思想是通過關聯(lián)多個告警信息為某單一告警信息過濾不必要的、不相關的信息，為相關人員提供合理的告警事件清單，以快速地識別故障源?；谌斯ぶ悄艿母婢P聯(lián)最常用的是基于Apriori 算法和基于FP-Growth 算法的關聯(lián)規(guī)則挖掘模型，通過對物理主機內(nèi)存超載、虛擬主機嚴重負載、網(wǎng)卡端口異常、磁盤可用空間不足等告警信息進行關聯(lián)分析，與某一具體故障進行綁定，從而形成告警事件清單。一個小型網(wǎng)絡的入侵檢測系統(tǒng)（Intrusion Detection System，IDS）等網(wǎng)絡安全設備每天可收集GB 甚至TB 級的告警信息，人工智能所帶來的大數(shù)據(jù)挖掘能力是實現(xiàn)自動故障分析、故障自愈等網(wǎng)絡智能化運維手段的必備手段。但現(xiàn)有的告警關聯(lián)案例庫仍需繼續(xù)豐富，且應研究告警關聯(lián)與增量學習技術的結合以賦予關聯(lián)規(guī)則挖掘模型持續(xù)學習新告警信息樣本的能力。

2.3 基于人工智能的用戶行為分析

用戶行為分析的目標是根據(jù)抓取到的網(wǎng)絡用戶所處環(huán)境、上網(wǎng)日志、上網(wǎng)行為等數(shù)據(jù)智能分析出用戶的個性、特點和預計使用的網(wǎng)絡服務等，為網(wǎng)絡服務優(yōu)化提供決策依據(jù)。自然語言處理（Natural Language Processing，NLP）是人工智能的一個分支，同時也是國內(nèi)外學者分析網(wǎng)絡用戶行為的常用方法。通過NLP 中的文本分類、文本聚類、信息抽取、文本相似度計算等技術，用戶行為可分為有意識行為、無意識行為、正常行為、異常行為、流量行為和協(xié)議行為，從而可以利用人工智能技術進一步對網(wǎng)絡用戶進行分類。目前，國內(nèi)外學者們已提出了不少用于分類、聚類用戶行為文本的模型，其準確率仍有提高空間。進一步提高用戶行為分析模型的性能是該應用場景下一步的研究方向。

2.4 基于人工智能的智能網(wǎng)絡切片

網(wǎng)絡切片技術是網(wǎng)絡智能化中實現(xiàn)網(wǎng)絡功能和硬件設備的解耦。其結果可看作是針對不同的應用需求而產(chǎn)生的獨立虛擬網(wǎng)絡。保證較高的服務等級協(xié)議（Service-Level Agreement，SLA）和可接受的頻譜效率可視為智能網(wǎng)絡切片的兩個約束條件。針對以上兩個約束，以人工智能領域中的強化學習（Reinforcement Learning，RL）為代表的智能網(wǎng)絡切片方法實現(xiàn)了支持虛擬網(wǎng)絡的動態(tài)資源分配。RL 不需要先驗的網(wǎng)絡環(huán)境知識，即在制定切片策略時不需要結合專家知識，可降低網(wǎng)絡運維成本。而在實踐中，執(zhí)行網(wǎng)絡切片需暫時切斷部分網(wǎng)絡服務，故需額外考慮RL 的效率以增加基于人工智能的智能網(wǎng)絡切片的實用性。

2.5 基于人工智能的虛擬機調(diào)度

用戶對云服務質量的要求越來越高，云計算的需求呈指數(shù)型增長。為了提升用戶體驗、保證服務質量，虛擬機資源調(diào)度技術日益引人關注。虛擬機調(diào)度可優(yōu)化服務器運行，其優(yōu)化目標包括中央處理器（Central Processing Unit，CPU）、內(nèi)存、存儲等資源，貪婪算法、啟發(fā)式算法等傳統(tǒng)方法難以在可接受的時間內(nèi)計算出調(diào)度策略。目前已研究利用人工智能中的RL 構建虛擬機資源調(diào)度學習模型，將服務延遲指標作為獎賞函數(shù)來學習優(yōu)化策略。RL 提供了一個可行的且可不斷更新的虛擬機調(diào)度方案，但還需要進一步研究如何提高RL 的學習效率，并縮小RL 所需的狀態(tài)存儲空間。

2.6 基于人工智能的攻擊預測和攻擊意圖判斷

基于人工智能的攻擊預測通?；诋斍癐DS 觀察到的惡意行為，預測某個攻擊發(fā)生的概率、正在發(fā)生的攻擊的策略、網(wǎng)絡環(huán)境中資產(chǎn)面臨的威脅，并對預測到的攻擊進行攻擊意圖判斷，以制定防御方案。傳統(tǒng)方法基于馬爾可夫模型和攻擊圖推斷某個攻擊轉換成某種狀態(tài)的概率，再根據(jù)網(wǎng)絡中關鍵資產(chǎn)的價值和攻擊成本推斷攻擊意圖。但這種方法難以擴展到實時的大規(guī)模應用場景，故學者提出利用機器學習中的動態(tài)貝葉斯網(wǎng)絡（Dynamic Bayesian Network，DBN）和決策樹學習實現(xiàn)攻擊預測。DBN 擁有對攻擊樣本的學習能力，通過計算網(wǎng)絡中各節(jié)點的先驗風險概率,從而對攻擊預測概率進行靜態(tài)評估，可輔助網(wǎng)絡管理員評估網(wǎng)絡安全風險。機器學習方法具有較好的泛化性和容錯能力，但網(wǎng)絡攻擊的方法和種類日新月異，DBN 這種基于歷史數(shù)據(jù)的機器學習方法無法有效地預測新型網(wǎng)絡攻擊。需研究能夠做到快速響應新攻擊、及時學習新的攻擊活動樣本和及時更新功能的人工智能模型。

3 結語

挑戰(zhàn)和機遇總是并存的。人工智能技術的研究和網(wǎng)絡智能化的發(fā)展都是一個長期過程。在未來，人們應研究二者進一步融合的方法，將人工智能技術與基于網(wǎng)絡結構提出的霧計算、邊緣計算、聯(lián)邦計算等新型計算范式結合，再反哺于網(wǎng)絡智能化研究，打造網(wǎng)絡智能化新生態(tài)。