基于人工智能的網絡運維優化算法研究

楊婉琳

（審計署計算機技術中心，北京 100073）

0 引言

基于人們生活質量不斷提高的趨勢,對計算機網絡的要求也在不斷提高,計算機網絡應用能力的不斷增強,滿足人們的實際需求。 在計算機科學領域,人工智能是未來發展的主要趨勢。 將人工智能引入計算機技術可以迅速實現計算機網絡技術的質的飛躍,使計算機運行更加人工、高端等,從而最大限度地為用戶服務［1］。

信息技術的快速發展加快了人工智能的發展步伐,人工智能屬于計算機科學健康發展的產物。 其真實含義是希望掌握精髓,形成某種聰明的計劃可以模擬人類的思維模式,模仿人類的行為模式甚至高于人類并充分利用技術。 雖然尚未實現機器智能技術,但人工智能可以模擬人類的思維計算作為一個較為合理的推測,需要在具體使用過程中不斷學習,優化自己的行為方式,有效處理有關問題［2］。

1 人工智能在計算機網絡技術中的應用

1.1 基于規則的專家系統

對于規則生成專家系統,它在計算機網絡入侵系統中的重要性是不可低估的。 其原則通常使用計算機管理專家構建相應的數據庫管理經驗,然后抓住指定數據庫的數據、并保持信息的計算機在計算機操作。人工智能的有效應用不僅可以提高入侵檢測數據的可靠性,還可以有效維護計算機的正常運行環境。

1.2 數據挖掘系統

數據挖掘系統的原理通常與計算機程序的科學驗證和數據的相關信息相結,它可以對垃圾數據進行科學判斷,利用數據挖掘系統有效攔截垃圾程序和軟件,促進計算機網絡系統運行水平的全面提高。

1.3 數據融合技術

數據融合在人工智能技術應用于網絡計算技術中起著重要作用。 在信息深化和理解的基礎上,技術可以從數據中提取和合并信息獲得相應的信息,提高系統傳感器的工作水平。 同時,還能正確處理入侵檢測系統的弱點以確保計算機程序和信息的可靠性和完整性。

1.4 人工智能Agent 技術

人工智能Agent 技術的顯著功能是根據用戶的具體情況對信息進行良好的處理,從而幫助用戶更有效地完成信息過濾,確保信息的可靠性和真實性。 根據相關實踐調查,這項技術在網上購物中得到了廣泛的認可。

1.5 數據分析和采集

目前而言,人們進入一個充滿了信息技術在大數據的時代,計算機所存儲的數據越來越多,實際使用過程中應該利用電腦技術的優化來提高數據處理的效率。 在處理信息時,需要完成數據收集,然后對收集到的數據進行深入分析,在充分了解用戶具體需求的基礎上進行過濾以獲得有用的信息。 在人工智能和網絡計算技術的應用方面,需要建立相應的專家知識數據庫,同時進行分析和存儲以下兩點:(1）專家知識的基本原則；(2）經驗的技術專家旨在充分保證信息管理水平,確保其正常運行。

2 粒子群優化與RBF 神經網絡

2.1 粒子群優化算法及原理

在粒子群優化算法中,將最優解視為算法中的一個粒子,對每個粒子進行任意初始化,然后搜索解的范圍。 每個粒子對應一個適應度方程,其解是滿足問題條件的粒子的最優值,問題條件通常由對象方程確定［3］。 當粒子找到解時,比較適應度函數。 如果新值比前一個值更適合目標函數,則新位置為粒子的臨時最優解。 相反,單個最優解保持不變。 一旦個體確定了最優解,全局最優解就最適合比較粒子本身的適應度方程。 然后比較兩個適應度方程的解,選擇最適合條件的一個。

2.2 粒子群算法的數學描述

假設粒子群優化中存在粒子群m,且n為粒子優化問題解的空間維數,每個粒子改變單個粒子位置的規則包括:每個粒子在找到單個最優位置時更新其位置。

2.3 粒子群優化過程的算法流程

在粒子群優化中,通過對粒子群中粒子速度、位置的更換獲得新種群,進一步提高種群多樣性、遍歷性。離子群優化算法流程需經過如圖1 所示的步驟完成。

圖1 粒子群PSO 優化過程

圖1 顯示了 PSO 算法的近似過程,包括以下步驟［4］:

第一步:確定粒子的搜索頻率、位置和更新速度,并逐個初始化這些參數；

第二步:逐個求解所有粒子的適應度值；

第三步:分析粒子本身的最佳個體位置,如果后者更接近問題的最優解,則用這個位置替換第一個位置；

第四步:根據前三步更新的數據,再次確認粒子群的最佳整體位置。 一旦個體確定了最優解,全局最優解就最適合比較粒子本身的適應度方程。 然后比較兩個適應度方程的解,選擇最適合條件的一個；

第五步:確定粒子的位置和速度；

第六步:如果不滿足終止條件,請返回步驟2。

2.4 RBF 神經網絡結構

輸出層屬于線性結構,可為神經網絡輸入產生對應的輸出。 隱含層能夠訓練輸入層的樣本,并對不同數據進行修訂,輸入層能夠識別從外面輸入的樣本來進行訓練［5］。 RBF 神經網絡結構如圖 2 所示。

圖2 RBF 神經網絡結構

3 粒子群優化RBF 神經網絡

RBF 神經網絡擅長模仿學習,而粒子群擅長進行高效迅速地全局搜索,將二者有機結合,能夠大大提高算法的性能。 由于樣本數量不足,使用梯度法及線性最小二乘法時,RBF 神經網絡的權值優化能接近最強性能［6］。

3.1 粒子群優化RBF 神經網絡權值

假定1 臺服務器主機可能遭受的攻擊有以下幾個方面:CSRF 漏洞、CGI 漏洞、XSS 漏洞、應用漏洞、SQL注入。 在權值優化上,神經網絡沒有求得一個適應所有情況的最優解,所以對其權值優化進行研究至關重要。 文章將RBF 神經網絡權值進行轉換,形成粒子群中粒子,在解空間中,讓粒子進行全局最優權值的尋找。 RBF 神經網絡的網絡模型如圖3 所示。

圖3 RBF 神經網絡的網絡模型

圖3 顯示了最優解問題解的空間維度必須在五個維度中進行優化,通常有兩種編碼方法:一種是對向量進行編碼,另一種是對矩陣進行編碼。 第一個是將所有粒子一個一個地轉換成矢量。

3.2 粒子群優化RBF 神經網絡

利用基于粒子群優化的神經網絡RBF 來預測網絡的安全狀況。 在小樣本數據處理方面,粒子群優化算法具有速度快、精度高的特點。 利用RBF 神經網絡優化粒子群的過程如圖4 所示。 優化過程的具體步驟如下:

圖4 RBF 神經網絡進行粒子群優化過程

第一步:對其重量進行編碼,并對每個粒子進行編碼；

第二步:確定粒子的搜索頻率、位置和更新速度,并逐個初始化這些參數；

第三步:對RBF 神經網絡的中心和半徑使用K -means 分組計算算法；

第四步:重新求解粒子群的適應度值,更新相關數據參數；

第五步:再次確認不同粒子的位置和速度；

第六步:從以下兩個方面確定終止條件是否滿足:第一,確定全局最優解是否在指定的誤差范圍內；第二,確定粒子群更新時間是否達到上限。 如果是,則完成整個優化過程。 如果沒有,請返回步驟4 并繼續上述過程,直到符合要求。

4 網絡安全態勢的評估

在網絡安全態勢評估對象為6 臺服務器主機。 根據熵權理論風險評估模型、多維云模型將其他5 臺服務器主機風險值計算出來,分別為0.682 0,0.653 1,0.650 2,0.680 1,0.541 5。 因網絡系統主機全部為服務器主機,服務器上架設不同網站具有同等重要作用。重要性權值均相等且6 個權值之和為1,每個服務器主機重要性權值等于1/6,進行加權計算后風險值為0.648 2,表明本系統網絡安全態勢屬于較高風險。

4.1 網絡安全態勢的預測

在預測時,選用粒子群優化RBF 神經網絡模型,利用其對訓練樣本進行處理,最終通過訓練獲得有效預測模型。 預測模型的流程如圖5 所示。

圖5 網絡安全態勢預測流程

4.2 粒子群優化RBF 神經網絡預測

預測研究網絡安全方面的狀況可以兩方面入手:一是每次攻擊視為一個獨立事件并進行單一的全面評估,同時價值進行評估,評估不同強度的攻擊和相應的不同時期的情況。 缺點是評價不同強度的攻擊通常受到評價者的主觀認知；其次,確立一個時間序列的非線性模型是為了估算,認真總結和分析歷史數據的內部關系和共同的影響因素,以便估計網發展的未來方向。文章利用粒子群優化(Particle Swarm Optimization,PSO）神經網絡RBF 對國家網絡中心的大數據進行預測和預處理。 選擇以下影響因素作為評估網絡安全狀況的規范指標:(1）新生人數在信息安全方面的脆弱性；(2）數家網站植入后門；(3）新的高危漏洞信息安全；(4）網絡病毒感染主機數量；(5）仿冒網站頁面數目；(6）數家網站在網絡篡改。 網絡安全狀況分為危險、壞、中、好、優5 個級別。 6 個指標的統計和數據分析以及5 個風險級別的定量如表1 所示。

表1 安全等級表

通過文章方法對RBF 神經網絡進行優化,從而高效迅速地預測網絡安全態勢。 通過對比RBF 神經網絡優化前后預測的數值與實際值的差異,表明粒子群優化RBF 神經網絡具有準確、快速的優點,具體如圖6 所示。

圖6 算法對應的預測誤差

該方法預測網絡安全狀況的收斂速度比RBF 神經網絡快。 預測結果的誤差圖曲線表明,當進化次數小于10 時,預測誤差迅速下降,然后在一個小誤差附近波動。 RBF 神經網絡預測誤差曲線表明,抽樣訓練的預測誤差較大,這通常是由于練習或樣本數量不足造成的。 與RBF 神經網絡相比,兩種方法預測誤差的波動較小。 由于網絡安全狀況數據具有復雜性、隨機性和模糊性3 個特點,該方法可以更好地建立相應的預測模型,并在較小程度上控制誤差波動。 即使樣本量不足,這種方法也能在全球范圍內快速有效地鎖定最優解。 采用這種權重優化方法可以使神經網絡的權重快速收斂,形成的網絡安全態勢預測模型更加有效。算法相應的預測輸出如圖7 所示。

圖7 算法對應的預測輸出

由圖7 可看出,在訓練次數較少的情況下,文章算法的預測結果快速且與實際網絡安全態勢值接近,比RBF神經網絡預測模型預測的網絡安全態勢更有效、更快速。表明文章算法預測結果更加擬合實際網絡態勢值。

5 結語

基于人工智能的網絡運維優化算法利用優化權重,神經網絡的權重可以快速收斂,形成的網絡安全態勢預測模型更有效。 對比算法優化RBF 神經網絡的預測結果蜂群微粒,實際價值網絡的狀況和RBF 神經網絡的預測,結果表明優化RBF 神經網絡算法的粒子蜂群都快接近真實價值和網絡的安全局勢,這比RBF 神經網絡預測模型預測的網絡安全情況更有效、更快。