基于人工智能的網絡智能化發展初探

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字化與信息中心，西安 710018）

0 引言

隨著網絡技術不斷發展和網絡用戶逐漸增多，網絡面臨著架構復雜化、業務多樣化、體驗多元化等諸多挑戰。網絡用戶對網絡性能的要求越來越高。依靠專家經驗的傳統網絡發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據時代社會發展和經濟增長的核心力量。人工智能技術正在和網絡行業深度結合。能夠支持資源動態分配、功能靈活部署、自動優化網絡配置等功能的智能化網絡已成為科研院所的研究熱點。

1 網絡智能化概述

根據中興軟件公司的分析，網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］。而我國當前網絡智能化水平介于初級和中級之間。智能化網絡結合各項高新技術，可按需、靈活地支撐全行業應用及其業務場景，滿足當前時代對網絡的需求。這些需求包括但不限于：①支持網絡即服務（Network as a Service，NaaS），實現2G、3G、4G、5G 等通信技術規格的共存和協同發展［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支持在云環境或虛擬化環境中，網絡資源按需、動態、全局性、自動化地調度，以實現網絡的自動優化；④支持各個網絡節點和基站之間協調合作，復雜環境下抗干擾，以提高網絡結構的魯棒性；⑤支持將部分功能下沉至網絡邊緣，即支持邊緣計算能力，以降低網絡延時，提高用戶體驗；⑥支持網絡故障自動識別、自動定位、網絡狀態自動感知，以降低網絡管理和優化的復雜度。

2 人工智能在網絡智能化中的應用

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

2.1 基于人工智能的流量預測

網絡流量是網絡負荷的直接反饋指標。精準可靠的網絡流量預測結果可使相關人員迅速掌握網絡流量的規律和趨勢并及時地進行調控，能夠有效地提升網絡資源利用率。網絡流量不同于其他流量數據，具有很強的非線性、隨機性、自相似性、多分形性和潮汐性［3］。傳統的線性預測模型無法精確地預測網絡流量，預測誤差較高。而人工智能中的神經網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，循環神經網絡（Recurrent Neural Network，RNN）及其衍生網絡在該應用場景中表現最為出色。RNN 以網絡流量序列數據為輸入，其結構具有記憶性，即可在預測時考慮過去時刻數據和未來時刻數據對當前時刻數據的影響，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勢。

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

2.2 基于人工智能的告警關聯

告警關聯是網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聯最常用的是基于Apriori 算法和基于FP-Growth 算法的關聯規則挖掘模型，通過對物理主機內存超載、虛擬主機嚴重負載、網卡端口異常、磁盤可用空間不足等告警信息進行關聯分析，與某一具體故障進行綁定，從而形成告警事件清單。一個小型網絡的入侵檢測系統（Intrusion Detection System，IDS）等網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據挖掘能力是實現自動故障分析、故障自愈等網絡智能化運維手段的必備手段。但現有的告警關聯案例庫仍需繼續豐富，且應研究告警關聯與增量學習技術的結合以賦予關聯規則挖掘模型持續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抓取到的網絡用戶所處環境、上網日志、上網行為等數據智能分析出用戶的個性、特點和預計使用的網絡服務等，為網絡服務優化提供決策依據。自然語言處理（Natural Language Processing，NLP）是人工智能的一個分支，同時也是國內外學者分析網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、流量行為和協議行為，從而可以利用人工智能技術進一步對網絡用戶進行分類。目前，國內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絡切片

網絡切片技術是網絡智能化中實現網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生的獨立虛擬網絡。保證較高的服務等級協議（Service-Level Agreement，SLA）和可接受的頻譜效率可視為智能網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）為代表的智能網絡切片方法實現了支持虛擬網絡的動態資源分配。RL 不需要先驗的網絡環境知識，即在制定切片策略時不需要結合專家知識，可降低網絡運維成本。而在實踐中，執行網絡切片需暫時切斷部分網絡服務，故需額外考慮RL 的效率以增加基于人工智能的智能網絡切片的實用性。

2.5 基于人工智能的虛擬機調度

用戶對云服務質量的要求越來越高，云計算的需求呈指數型增長。為了提升用戶體驗、保證服務質量，虛擬機資源調度技術日益引人關注。虛擬機調度可優化服務器運行，其優化目標包括中央處理器（Central Processing Unit，CPU）、內存、存儲等資源，貪婪算法、啟發式算法等傳統方法難以在可接受的時間內計算出調度策略。目前已研究利用人工智能中的RL 構建虛擬機資源調度學習模型，將服務延遲指標作為獎賞函數來學習優化策略。RL 提供了一個可行的且可不斷更新的虛擬機調度方案，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常基于當前IDS 觀察到的惡意行為，預測某個攻擊發生的概率、正在發生的攻擊的策略、網絡環境中資產面臨的威脅，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的概率，再根據網絡中關鍵資產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模應用場景，故學者提出利用機器學習中的動態貝葉斯網絡（Dynamic Bayesian Network，DBN）和決策樹學習實現攻擊預測。DBN 擁有對攻擊樣本的學習能力，通過計算網絡中各節點的先驗風險概率,從而對攻擊預測概率進行靜態評估，可輔助網絡管理員評估網絡安全風險。機器學習方法具有較好的泛化性和容錯能力，但網絡攻擊的方法和種類日新月異，DBN 這種基于歷史數據的機器學習方法無法有效地預測新型網絡攻擊。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

挑戰和機遇總是并存的。人工智能技術的研究和網絡智能化的發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絡結構提出的霧計算、邊緣計算、聯邦計算等新型計算范式結合，再反哺于網絡智能化研究，打造網絡智能化新生態。