基于人工智能的計(jì)算機(jī)網(wǎng)絡(luò)交換機(jī)決策算法

摘要：傳統(tǒng)的交換機(jī)決策算法主要基于固定的規(guī)則和策略，難以適應(yīng)復(fù)雜多變的網(wǎng)絡(luò)環(huán)境。隨著人工智能技術(shù)的快速發(fā)展，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法成為改進(jìn)交換機(jī)決策的有力工具。這些算法能夠通過(guò)學(xué)習(xí)和訓(xùn)練來(lái)自動(dòng)調(diào)整交換機(jī)的決策策略，提高網(wǎng)絡(luò)的效率和可靠性。主要介紹基于人工智能的計(jì)算機(jī)網(wǎng)絡(luò)交換機(jī)決策算法的理論基礎(chǔ)、應(yīng)用技術(shù)和算法設(shè)計(jì)，以及幾種具體的算法示例。

關(guān)鍵詞：人工智能計(jì)算機(jī)網(wǎng)絡(luò)交換機(jī)決策算法深度學(xué)習(xí)

中圖分類(lèi)號(hào)：TP393

TheDecisionAlgorithmofComputerNetworkSwitchesBasedonArtificialIntelligence

YANZhifeng1SHENYue2LIUJiafan1LIUWei1

1.TaiyuanSatelliteLaunchCenter，Taiyuan，ShanxiProvince，030027China;2.BeijingInstituteofTrackingandTelecommunicationsTechnology，Beijing，100094China

Abstract：Thetraditionaldecisionalgorithmofswitchesismainlybasedonfixedrulesandstrategiesandisdifficulttoadapttothecomplexandchangeablenetworkenvironment.Withtherapiddevelopmentofartificialintelligencetechnology，machinelearninganddeeplearningalgorithmshavebecomepowerfultoolsforimprovingthedecisionofswitches，whichcanautomaticallyadjustthedecisionstrategyofswitchesthroughlearningandtrainingandimprovetheefficiencyandreliabilityofthenetwork.Thisarticlemainlyintroducesthetheoreticalbasis，applicationtechnologyandalgorithmdesignofthedecisionalgorithmofcomputernetworkswitchesbasedonartificialintelligence，aswellasseveralspecificalgorithmexamples.

KeyWords：Artificialintelligence;Computernetworkswitch;Decisionalgorithm;Deeplearning

本文先探討了計(jì)算機(jī)網(wǎng)絡(luò)交換機(jī)的作用和功能，包括數(shù)據(jù)包的轉(zhuǎn)發(fā)和交換。其次，指出了傳統(tǒng)交換機(jī)決策算法的局限性，如固定規(guī)則和策略無(wú)法適應(yīng)復(fù)雜多變的網(wǎng)絡(luò)環(huán)境。為了解決這些問(wèn)題，引入了人工智能技術(shù)。最后，列舉了幾種基于人工智能的交換機(jī)決策算法。這些算法能夠提高交換機(jī)決策的效率和準(zhǔn)確性，進(jìn)一步優(yōu)化網(wǎng)絡(luò)性能。

1理論基礎(chǔ)

1.1計(jì)算機(jī)網(wǎng)絡(luò)交換機(jī)的作用和功能

計(jì)算機(jī)網(wǎng)絡(luò)交換機(jī)的主要功能就是實(shí)現(xiàn)對(duì)數(shù)據(jù)包進(jìn)行接收、存儲(chǔ)以及轉(zhuǎn)發(fā)等功能，并將源設(shè)備中的數(shù)據(jù)包發(fā)送給目標(biāo)設(shè)備。交換機(jī)學(xué)習(xí)并設(shè)置轉(zhuǎn)發(fā)表后，按照數(shù)據(jù)包目的MAC地址向?qū)?yīng)端口轉(zhuǎn)發(fā)數(shù)據(jù)包，實(shí)現(xiàn)網(wǎng)絡(luò)設(shè)備間通信[1]。交換機(jī)也能對(duì)網(wǎng)絡(luò)進(jìn)行分割與隔離，為網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)提供彈性，改善了網(wǎng)絡(luò)性能與可靠性。

1.2傳統(tǒng)交換機(jī)決策算法的局限性

傳統(tǒng)的交換機(jī)決策算法存在著不能適應(yīng)復(fù)雜多樣網(wǎng)絡(luò)環(huán)境等限制。傳統(tǒng)算法一般都是使用靜態(tài)配置及預(yù)先確定的規(guī)則進(jìn)行決策，不能隨著網(wǎng)絡(luò)環(huán)境變化及需求改變而動(dòng)態(tài)地調(diào)整決策策略[1]。此外，傳統(tǒng)算法在大規(guī)模網(wǎng)絡(luò)和高速網(wǎng)絡(luò)中的處理能力受限，無(wú)法滿(mǎn)足現(xiàn)代網(wǎng)絡(luò)高性能的要求。

1.3人工智能的計(jì)算機(jī)網(wǎng)絡(luò)交換機(jī)決策算法設(shè)計(jì)

首先，設(shè)計(jì)高效的數(shù)據(jù)包分類(lèi)算法，可以使用機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（SupportVectorMachines，SVM）或神經(jīng)網(wǎng)絡(luò)（NeuralNetwork，NN）。其次，設(shè)計(jì)隊(duì)列調(diào)度算法，如先到先服務(wù)（FirstComeFirstServed，F(xiàn)CFS）、優(yōu)先級(jí)調(diào)度（PriorityScheduling，PS）或輪詢(xún)調(diào)度（RoundRobin，RR）等，用于分組的排隊(duì)和調(diào)度。同時(shí)，需要兼顧安全性，可以采用入侵檢測(cè)系統(tǒng)（IntrusionDetectionSystem，IDS）或者防火墻來(lái)預(yù)防網(wǎng)絡(luò)攻擊。最后，對(duì)網(wǎng)絡(luò)管理系統(tǒng)進(jìn)行了設(shè)計(jì)，可以使用簡(jiǎn)單的網(wǎng)絡(luò)管理協(xié)議（SimpleNetworkManagementProtocol，SNMP）等網(wǎng)絡(luò)管理協(xié)議對(duì)交換機(jī)進(jìn)行監(jiān)控與管理，如圖1所示。

2深度學(xué)習(xí)在智能交換機(jī)決策中的應(yīng)用

2.1背景介紹

近幾年，互聯(lián)網(wǎng)技術(shù)快速發(fā)展，網(wǎng)絡(luò)規(guī)模越來(lái)越大，數(shù)據(jù)流量也隨之劇增。傳統(tǒng)交換機(jī)決策方法具有缺乏學(xué)習(xí)能力，不能適應(yīng)不斷變化的網(wǎng)絡(luò)環(huán)境的局限性。為了改善交換機(jī)的決策性能及靈活性，必須引進(jìn)新技術(shù)。深度學(xué)習(xí)技術(shù)被廣泛地應(yīng)用于人工智能領(lǐng)域，其特征學(xué)習(xí)與泛化能力強(qiáng)。

2.2深度學(xué)習(xí)基礎(chǔ)

深度學(xué)習(xí)是一種使用神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)，有很強(qiáng)的特征學(xué)習(xí)與泛化能力。卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）是兩種主要的模型，分別用于圖像和序列數(shù)據(jù)的處理。利用人工智能交換機(jī)上的深度學(xué)習(xí)可以對(duì)網(wǎng)絡(luò)流量特征進(jìn)行學(xué)習(xí)以增強(qiáng)路由決策的效果[2]。CNN作為前饋神經(jīng)網(wǎng)絡(luò)中的一種變體，它具有優(yōu)良的空間特征提取能力以及無(wú)監(jiān)督學(xué)習(xí)能力。RNN擅長(zhǎng)序列數(shù)據(jù)的處理，可以利用上下文信息提高預(yù)測(cè)精度。

2.3基于深度學(xué)習(xí)的交換機(jī)決策模型

本研究提出了基于深度學(xué)習(xí)的交換機(jī)決策模型，分為離線(xiàn)學(xué)習(xí)和在線(xiàn)決策兩階段。離線(xiàn)學(xué)習(xí)利用網(wǎng)絡(luò)流量數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，用于特征學(xué)習(xí)。包括數(shù)據(jù)預(yù)處理（清洗和特征提取）、卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建和訓(xùn)練。在線(xiàn)決策采用訓(xùn)練好的模型預(yù)測(cè)輸入流量數(shù)據(jù)得到最優(yōu)路由決策。

2.4實(shí)驗(yàn)與評(píng)估

實(shí)驗(yàn)結(jié)果顯示：基于深度學(xué)習(xí)的交換機(jī)決策模型在多個(gè)方面表現(xiàn)出優(yōu)異性能。首先，其提高了數(shù)據(jù)轉(zhuǎn)發(fā)效率。其次，在網(wǎng)絡(luò)環(huán)境變化時(shí)表現(xiàn)出顯著的自適應(yīng)能力，相比傳統(tǒng)方法更穩(wěn)定。最后，模型在處理實(shí)時(shí)數(shù)據(jù)時(shí)表現(xiàn)出較高的準(zhǔn)確性和可靠性[3]。通過(guò)真實(shí)網(wǎng)絡(luò)環(huán)境測(cè)試，與傳統(tǒng)路由決策方法相比，深度學(xué)習(xí)模型更好地適應(yīng)網(wǎng)絡(luò)變化并提高數(shù)據(jù)轉(zhuǎn)發(fā)效率。

2.5結(jié)論與展望

本研究提出了一種基于深度學(xué)習(xí)的交換機(jī)決策模型，該模型能夠?qū)W習(xí)網(wǎng)絡(luò)流量的特征，自適應(yīng)地進(jìn)行路由決策。實(shí)驗(yàn)結(jié)果表明，所提出模型具有較高的性能和有效性。未來(lái)研究方向包括：（1）研究更復(fù)雜的深度學(xué)習(xí)模型，以提高決策性能；（2）考慮其他因素（如能耗、延遲等），以實(shí)現(xiàn)多目標(biāo)優(yōu)化。

3計(jì)算機(jī)網(wǎng)絡(luò)交換機(jī)決策算法設(shè)計(jì)

3.1數(shù)據(jù)預(yù)處理

如表1所示，數(shù)據(jù)預(yù)處理的目的是對(duì)原始數(shù)據(jù)進(jìn)行清洗與歸一化處理，從而改善數(shù)據(jù)的質(zhì)量與可用性。在清洗時(shí)，需要對(duì)噪聲、異常值以及缺失值進(jìn)行辨識(shí)與處理，才能保證數(shù)據(jù)的準(zhǔn)確性與完整性。常見(jiàn)的清洗方法包括箱形圖分析、Z-score標(biāo)準(zhǔn)化以及基于統(tǒng)計(jì)方法檢測(cè)離群點(diǎn)等。數(shù)據(jù)歸一化把具有不同特征的數(shù)據(jù)變換到統(tǒng)一尺度范圍內(nèi)，消除了特征之間的差異，增強(qiáng)了模型泛化能力[4]。常用的歸一化方法主要有最小-極大歸一化、Z-score標(biāo)準(zhǔn)化，以及基于統(tǒng)計(jì)方法進(jìn)行數(shù)據(jù)轉(zhuǎn)換等。

3.2特征選擇

特征選擇的方法很多，主成分分析法和隨機(jī)森林是常用的方法。主成分分析利用線(xiàn)性變換把原始特征變換成一組無(wú)關(guān)主成分，在降低數(shù)據(jù)維度的前提下保留了大部分信息，增強(qiáng)了模型泛化能力。隨機(jī)森林構(gòu)建多棵決策樹(shù)和評(píng)估特征的重要性對(duì)主要特征進(jìn)行篩選，從而避免了過(guò)擬合的問(wèn)題，提高了模型的泛化能力。特征選擇減少模型的復(fù)雜度，提高效率和精度。

3.3模型訓(xùn)練

模型訓(xùn)練時(shí)優(yōu)化參數(shù)提高泛化能力是關(guān)鍵。網(wǎng)格搜索窮盡可能參數(shù)組合尋找最優(yōu)解，但計(jì)算復(fù)雜度較高；相比較而言，隨機(jī)搜索以更低的計(jì)算復(fù)雜度尋找最優(yōu)參數(shù)，但是全局最優(yōu)解出現(xiàn)的可能性更小。訓(xùn)練完成之后，需要對(duì)模型的泛化能力進(jìn)行驗(yàn)證，通常采用的有交叉驗(yàn)證、留出法等[5]。交叉驗(yàn)證分步對(duì)數(shù)據(jù)集進(jìn)行子集合分割，并將其中一部分子集合作為測(cè)試集，其余子集合作為訓(xùn)練集對(duì)模型的泛化能力進(jìn)行評(píng)估；留出法則把數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集，用于模型的訓(xùn)練和驗(yàn)證。

3.4模型評(píng)估

訓(xùn)練模型性能評(píng)估中，模型評(píng)估非常關(guān)鍵，主要是選擇合適的評(píng)估指標(biāo)如準(zhǔn)確率、召回率和F1分?jǐn)?shù)。準(zhǔn)確率度量了模型預(yù)測(cè)中正確樣本數(shù)占總樣本數(shù)比重，體現(xiàn)了預(yù)測(cè)結(jié)果質(zhì)量。召回率表示模型正確預(yù)測(cè)的正樣本數(shù)與全部正樣本數(shù)之比，評(píng)價(jià)模型識(shí)別正樣本的能力。以F1分?jǐn)?shù)為準(zhǔn)確率與召回率調(diào)和平均值綜合考慮了模型性能與預(yù)測(cè)能力。

4基于人工智能的計(jì)算機(jī)網(wǎng)絡(luò)交換機(jī)決策算法

4.1流量控制算法

流量控制算法在AI基礎(chǔ)上使用監(jiān)督學(xué)習(xí)對(duì)歷史流量數(shù)據(jù)進(jìn)行分析來(lái)預(yù)測(cè)網(wǎng)絡(luò)擁塞情況。該算法通過(guò)對(duì)數(shù)據(jù)特征的辨識(shí)及標(biāo)簽的解讀可以精確地判斷流量的變化趨勢(shì)。當(dāng)檢測(cè)到潛在的擁塞時(shí)，交換機(jī)會(huì)對(duì)帶寬分配，排隊(duì)策略或者路由選擇進(jìn)行調(diào)整，以保證網(wǎng)絡(luò)資源的合理配置，避免擁塞的發(fā)生。

4.2路由選擇算法

以人工智能路由選擇算法為基礎(chǔ)，通過(guò)深度學(xué)習(xí)分析網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及特點(diǎn)，從而達(dá)到最優(yōu)路徑選擇并確保數(shù)據(jù)的快速傳輸。算法通過(guò)對(duì)節(jié)點(diǎn)關(guān)系及流量狀況的挖掘來(lái)對(duì)最優(yōu)的路由路徑進(jìn)行學(xué)習(xí)預(yù)測(cè)[6]。通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，交換機(jī)能夠根據(jù)當(dāng)前網(wǎng)絡(luò)狀態(tài)及需求自動(dòng)地選擇最優(yōu)的路由路徑以改善網(wǎng)絡(luò)的性能及效率，以適應(yīng)不同應(yīng)用場(chǎng)景的要求，充分展示了人工智能在路由選擇中的潛能與應(yīng)用。

4.3安全性算法

采用機(jī)器學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)流量特征及行為進(jìn)行分析，對(duì)DDoS攻擊、入侵行為等多種網(wǎng)絡(luò)攻擊進(jìn)行識(shí)別。當(dāng)檢測(cè)到潛在威脅時(shí)，交換機(jī)可以依據(jù)算法的預(yù)測(cè)結(jié)果采取封鎖惡意IP地址、限制異常流量、保障網(wǎng)絡(luò)安全等安全防護(hù)措施。機(jī)器學(xué)習(xí)算法通過(guò)不斷地學(xué)習(xí)來(lái)不斷地分析網(wǎng)絡(luò)流量的特性與行為，并不斷更新優(yōu)化模型以適應(yīng)網(wǎng)絡(luò)攻擊手段發(fā)生改變。

4.4可靠性算法

采用人工智能技術(shù)、可靠性算法采用強(qiáng)化學(xué)習(xí)方法對(duì)傳輸協(xié)議進(jìn)行優(yōu)化，顯著提高了數(shù)據(jù)傳輸可靠性。強(qiáng)化學(xué)習(xí)算法是通過(guò)和環(huán)境進(jìn)行交互來(lái)學(xué)習(xí)最優(yōu)的決策策略以最大化長(zhǎng)期獎(jiǎng)勵(lì)。以人工智能為核心的交換機(jī)可以根據(jù)網(wǎng)絡(luò)狀態(tài)與傳輸需求通過(guò)加強(qiáng)學(xué)習(xí)算法對(duì)傳輸協(xié)議進(jìn)行學(xué)習(xí)與優(yōu)化，從而靈活地適應(yīng)多種網(wǎng)絡(luò)環(huán)境與傳輸需求，從而顯著提升了數(shù)據(jù)傳輸可靠性與效率，顯示了智能化數(shù)據(jù)傳輸管理能力。

5結(jié)語(yǔ)

通過(guò)引入機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，可以實(shí)現(xiàn)交換機(jī)決策的智能化和自適應(yīng)性。未來(lái)的研究方向包括進(jìn)一步優(yōu)化算法性能、提高算法的實(shí)時(shí)性和可擴(kuò)展性，以及探索更多的應(yīng)用場(chǎng)景。

參考文獻(xiàn)

[1]韓莉，佟志勇，林靖.互聯(lián)網(wǎng)+人工智能對(duì)高等教育影響初探[J].中國(guó)軟科學(xué)，2021（S1）：127-130，139.

[2]朱敏.基于人工智能技術(shù)的物聯(lián)網(wǎng)大數(shù)據(jù)挖掘算法[J].黑龍江工業(yè)學(xué)院學(xué)報(bào)（綜合版），2021，21（12）：54-59.

[3]沈揚(yáng).人工智能在計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)中的應(yīng)用[J].技術(shù)與市場(chǎng)，2021，28（12）：94-95.

[4]張道路.基于深度學(xué)習(xí)和集成學(xué)習(xí)的配電網(wǎng)中期負(fù)荷預(yù)測(cè)研究[D].廣州：華南理工大學(xué)，2022.

[5]邰煜.基于LSTM的社交網(wǎng)絡(luò)特定領(lǐng)域評(píng)論生成技術(shù)[D].秦皇島：燕山大學(xué)，2019.

[6]扈曉君，郭一銘.基于深度學(xué)習(xí)模型的圖像分析算法綜述[J].軟件，2021，42（8）：138-140.