淺析面向信息中心網絡的智能感知技術

摘 要：信息中心網絡設計的初衷即是為了實現內容的快速高效獲取。然而當前的信息中心網絡架構設計缺少智能化的管理，其無法很好地根據網絡的實時狀態進行智能的感知和決策，這在一定程度造成了網絡帶寬、緩存等網絡資源的浪費。當前網絡系統中存在的用于網絡狀態監測的軟硬件系統種類越來越豐富，網絡運維人員可以掌握各種各樣的實時網絡監測數據信息。隨著移動設備的普及以及移動設備傳感技術的發展，從移動設備中獲得的流量數據、傳感器數據和用戶操作數據的內容特征信息也越來越多。由于人力成本在不斷增加且人類算力具有一定局限性，不斷增長的網絡需求需要網絡更加智能化。面向未來的網絡架構也必然是具有自調節，自適應能力的智能網絡系統，因此針對以內容獲取為核心的信息中心網絡架構中網絡環境的感知研究及相應的網絡資源智能管理的研究也越來越引起人的注意。

關鍵詞：智能感知；信息中心網絡；數據挖掘；緩存資源管理

隨著移動傳輸技術、傳感技術和操作系統技術的發展，移動設備承載了越來越多基于用戶的監測數據信息。當前越來越多的網絡服務商和內容提供商也在使用用戶的屬性信息和偏好信息來優化其所管理的網絡服務。移動設備上能獲取到的用戶情景信息和用戶的授權信息不論對互聯網服務商還是基礎網絡運營商都非常重要。因為其能被挖掘出用戶的潛在需求，從而獲得巨大的商業價值。例如Foursqure等公司都是通過獲取用戶的地理位置信息，為用戶提供基于位置鄰近的社交服務實現了用戶、商家、服務提供商三方共贏的結果，微信、米聊等軟件則是通過獲取用戶移動電話里的通訊錄數據，從而為用戶搭建起了實現人與人高效連接的社交網絡平臺。在普適計算領域和信息檢索等領域，用戶的情景數據建模分析也對用戶應用使用體驗的提升起到了關鍵的作用。

網絡的請求來自于用戶，對用戶的網絡行為和請求偏好進行分析和建模對于優化網絡系統，特別是優化以信息獲取為中心的信息中心網絡系統有著重要的指導意義。通過分析區域群體用戶的熱點偏好內容信息和用戶群體的聚集和遷移狀態信息，可以實現對無線邊緣網絡節點的緩存資源配置的優化，從而可有有效降低核心網絡的請求壓力，提高網絡服務能力。由于信息中心網絡的轉發節點內置緩存系統且該網絡架構對于無線傳輸具有天然支持性，利用基于用戶信息的分析結果優化信息中心網絡的無線邊緣網絡系統的資源配置具有非常重要的價值和意義。將用戶的偏好信息和情景狀態信息進行聚合和整理，網絡服務商則可以根據一個區域內的用戶集群偏好以及用戶的聚集特性來緩存和部署相關視頻或者其他多媒體資源，從而優化用戶的網絡使用體驗。因此，信息中心網絡實現智能感知目標的一個重要關鍵因素就是對用戶屬性偏好和情景狀態信息進行可靠建模和分析。

構建用戶情景智能感知分析服務系統由于需要涉及從硬件傳感器層到數據挖掘和建模的各類專業領域知識，因此，一個為上層建模分析提供穩定數據接口的軟件中間件系統平臺就非常關鍵。這樣就免去了數據建模和應用業務邏輯的開發調試工作量，同時提高整體系統的穩定性。理想的用戶情景狀態智能感知中間件平臺應當具有四個特點，一是其架構一定是分布式的、面向服務的、可插拔的體系結構設計，能夠使基礎平臺的計算性能、存儲性能和網絡傳輸性能得以快速被擴展。二是有一種通用的、共性化的數據處理機制來處理用戶或者環境的多類別海量情景數據，大大提高基礎架構的復用程度，方便軟件開發者快速地將其定制成應用在不同產業的業務支撐平臺。三是平臺應該有一套通用的情景感知模型，不同應用之間能夠依據此情景感知模型共享情景信息和數據，使得跨平臺的情景融合更加容易。四是系統應該有一個好的應用編程接口模型，使得情景感知應用開發者在不用關心情景狀態是如何識別出來的情況下，方便地獲得實時、準確、沖突糾正過的高層情景狀態信息。

移動操作系統，例如iOS，Android的軟件架構設計師已經為開發者提供許多便利的應用編程接口方便開發者調用，以主動獲取或者被動通知的方式獲取這些較為底層的傳感器情景信息。然而底層的傳感器信息無法滿足開發者對于情景感知應用的開發需求。當前業界有諸多產業公司在嘗試推出其情景感知計算平臺，并提供更高層級的用戶行為狀態識別功能給開發者來使用，但是受限于模型性能和數據源的稀缺性，產業中提供的情景識別功能更多的是底層的碎片化的情景信息，很難有高層的能描述連續情景事件的用戶情景信息輸出。大多類型的用戶分析和情景識別公司也都在依據部分商業場景訂制和優化具體的應用服務，其都沒有很好的提供一個普適性的情景狀態感知中間件系統平臺。

構建用戶情景狀態智能感知的服務系統另一個關鍵因素就是如何構建精準性能穩定的情景狀態識別和分析的算法模型。構建分析模型首先要有有效的數據源，地理位置信息數據是最容易獲得的，也是情景數據中最有分析價值的信息。利用位置信息來實現基站帶寬資源和緩存資源的優化調度是非常有價值的。在移動設備上獲取位置數據信息的方式主要有兩種，一種是基于GPS、北斗等全球定位系統獲得，另一種則是通過使用分布式部署的各種類型基站獲得（比如移動基站、藍牙基站等）。移動設備定位數據的獲取有諸多技術環節需要考慮，比如耗電量和定位精度的權衡（GPS耗電量較大，但精度高，基站定位耗電小，但精度低），噪聲去除方法、硬件成本的評估、信號衰減和偏移的調整等。想要實施一個有效的情景感知算法系統，必須要對建立的算法模型進行一些算法漏洞補充。Adams在其提出的系統中做了大量的模型數據填充工作。同時采用了對噪聲數據不敏感且不需要事先確定類別總數的DBSCAN算法，使得整個算法系統性能得到提升。

僅僅依靠位置數據很難完全刻畫出用戶的興趣偏好和行徑意圖，同時，在基站緩存資源調配的場景下，僅僅能分析出用戶群體的聚集和遷移特征，而無法準確分析出用戶群體的偏好特征，智能緩存資源調配的性能效果也會大打折扣。隨著智能手表、智能手環、智能眼鏡的發展，用戶可被監測的傳感器信息增多，準確的用戶的屬性刻畫及偏好分析方案也變得越來越可行。利用移動設備傳感器信息來監測和識別用戶情景狀態信息的方法已經有很多，包括利用單傳感器特征信息和多傳感器的聚合特征信息等。同時，這些傳感器信息的多樣化特征值也被研究人員利用去探索性能更優的算法模型。

參考文獻：

[1]Nham B.Siangliulue K.5 Yeung S.Predicting Mode of Transport from Iphone Accelerometer Data[J].Stanford University Online Journal， 2011

[2] Brush a.，Krumm J.，Scott J.Activity recognitionresearch：The good the bad，and the future [J].Pervasive 2010 Workshop，2010

作者簡介：

劉寧（1987-）男，黑龍江大慶人，碩士研究生，助教，2010年畢業于Pittsburg State University主修計算機、數學雙學士，2014年獲取哈爾濱理工大學碩士學位，研究生期間主要負責凝聚態物理科研工作，現任職大慶職業學院，從事計算機網絡管理、物聯網的教學工作，以及人工智能等方面的研究。