人工智能在網絡運維中的應用及其經濟價值的研究

■ 唐傳娣（江西財經職業學院）

隨著網絡傳輸技術的不斷發展，越來越多的網絡運營商正處在5G轉型階段，而使用者也更加重視網絡傳輸的質量和體驗感覺。傳統的網絡運維模式已經逐漸的不能滿足日益增長的網絡傳輸需求，其不能及時的處理網絡傳輸過程中出現的延時問題，并且只能通過上門維修的方式進行清理故障，因此，現階段5G時代需要引入以人工智能為主的網絡運維模式，提高信息處理能力。

一、智能運維方案

（一）優化網絡運維數據

通過分析以往網絡運維管理模式，可知其不能滿足5G網絡發展的需求，由于在5G網絡下，能夠進行精確的大數據處理和智能化管理，因此會產生海量的網絡運維數據，傳統網絡運維模式不能良好的處理運維數據，降低運維管理效率。目前市場主流網絡運維管理模式主要以降噪和過濾警告信息為主，其主要是通過正則表達式來完成以上工作，但是在實際應用中，處理工作間缺乏關聯性，不能保證數據處理的準確性。對于人工智能在網絡運維中的應用，其能將海量的網絡運維數據進行粒度化管理，結合聚類和去重算法，能夠有效判斷出其中存在的故障信息，并及時的處理網絡運維數據，起到優化網絡數據的作用，提高網絡運維運行效率[4]。

（二）定位根因問題

傳統網絡運維在處理網絡故障問題、警告信息定位和網絡數據處理時，主要采取人工判斷的處理方式。在實際的應用中，由于大量的網絡運維數據，大多數網絡運維處理人員需要花費大量的時間去判斷故障定位。故障定位是影響網絡運維效率的關鍵因素。本文按照實際情況，制定一套合理的定位網絡運維根因問題的處理方案，將人工智能和專家學習系統相結合，綜合兩者的優勢，在處理網絡運維故障定位時，能夠分別處理網絡運營過中收集的網絡資源數據信息、地理數據等信息，然后結合實際情景情況，去合理的運用網絡運維數據。最后基于人工智能，建立深度進化神經網絡模型，將網絡運維數據導入到模型中，使其直觀的呈現到系統后臺中，利用自身的算法優勢，分析網絡運維數據，準確的找出故障定位信息，從而解決定位根因問題，提高人工智能在網絡運維中的應用效果。[1]

（三）故障預測決策

由于網絡傳輸環境較為復雜，因此在網絡運維數據分析過程中，需要建立故障預測決策模型來提高網絡運維效率，但是在實際應用中，其具有較大的難度。人工智能在網絡運維中的應用，結合syslog信息和網絡傳輸接口等信息，采用自主學習能力，并利用邏輯回歸模型引入各類復雜網絡傳輸特征，在網絡運維應用中，能夠有效的預測網絡傳輸中出現故障的位置和類型，并根據反饋信息，制定合理的處理方式，解決存在的故障問題。基于人工智能下的網絡運維模式能夠改善傳統網絡運維的體檢式檢測模式，建立完善的基因檢測式檢測模式，能夠對存在的傳輸故障有預知性，從而提高故障預測決策的準確性。[2]

（四）深度調優算法

由于網絡運維會產生海量的數據信息，因此在處理數據時需要引入大數據處理技術，并結合處理系統的實際處理能力，需要對所應用的算法進行深度調優，才能確保大數據處理的準確性。現階段處理網絡運維大數據時，主要存在的問題為系統處理速度較低，難以達到精準數據處理的要求。人工智能能夠結合NLP語義分析技術，能夠將其應用到大數據算法中，通過深入分析上下文數據信息，并結合復雜網絡下的情況，利用網絡數據的獨特性和語法分析等特征，建立網絡運維數據庫。在后期的網絡運維大數據處理中，能夠調用其中的信息，判斷網絡運維中存在的故障問題，從而提高網絡運維數據處理效率。[3]

二、人工智能在網絡運維中的關鍵技術研究

（一）系統工作過程

基于人工智能下的網絡運維工作要具有完善的工作能力，其主要由遠程技術判斷、智能化研究、網絡業務計劃、構建數據模型和數據任務管理構成，本文結合以往大量的實踐信息和工程，深入分析系統工作過程中神經網絡技術對網絡運維大數據處理情況。根據實際情況，為了提高網絡運維數據處理能力，將多個前饋神經網絡進行綜合處理，并將其按照功能分類為不同信息處理板塊，使其能夠針對性的分析特定的網絡運維數據。在控制網絡運維系統過程中，需要綜合運用專家系統和神經網絡系統，例如，在對神經網絡工作過程中，現階段主要處理模式為依據網絡運維技術人員的經驗和診斷推理方法，能夠有效提高網絡運維數據處理效率[5]。

（二）協同進化計算

人工智能在網絡運維中的應用關鍵因素為神經網絡的建設，其具有良好的數據處理和自我學習能力，能夠將數據故障風險降到最低，除此之外，神經網絡還具有良好的適應功能和自編制能力，因此被廣泛的應用到挖掘深度信息工作中。結合實際應用情況，人工智能化網絡運維需要修改網絡運營時序數據，而LSTM具有良好的數據映射能力，能夠得到準確的時序更改信息，提高網絡優化效果。但是在實際的應用中，結合LSTM應用數據，可知其會改變數據信息中的權重和參數，導致網絡運維模式中網絡傳輸節點出現問題，針對這類問題，本文主要采用協同進化計算方式優化LSMT的應用模式，來提高數據處理能力。在網絡運維模式中應用協同進化計算方式對海量數據分析時，時序數據會出現變化，其會產生良好的數據結果。這種優化模式類似于大自然的進化模式，主要分為交叉、變異和選擇三類。協同進化計算方式不會直接得到最優解，其計算能力相較于其他模式較弱，因此在實際網絡運維模式下，會引入大量的數據算法來提高數據計算能力。通過對協同進化計算方式應用的分析，可知主要采用的數據算法有串行協同進化計算、并行協同進化計算和混合協同進化計算。

串行協同進化計算主要指的是在數據處理過程中，其能夠將計算迭代次數分為不同的數段，然后按照次序進行求解其中的問題。在這其中也可以應用數據處理并行混合算法，其能將網絡運維數據進行針對性的區分，然后按照區分的標準應用特定的算法來得到最優解。在串行協同優化計算應用過程中，其所應用的算法數量可以為特定區域的總數，每個區域得到算是指在處理網絡運維數據中，并行所應用的各算法的區域數之和為總體的個數，單個算法得到的迭代次數為迭代總次數相同。在實際的應用中，每次迭代所產生的最優值都能將其作為總網絡運維數據處理的最優解。混合協同進化計算方法是在網絡運維數據過程中，將上述兩者進行綜合應用，在計算網絡運維數據過程中，由于數據處理初期基數大、隨機性強、區域收斂性較弱，因此需要算法具有良好的收斂性。在數據處理中期，各個處理數據初期都能得到優化后的數據值，并且沒有較強的區域收斂性，因此需要引入數據處理能力較強的算法來得到此時的最優解。在數據處理后期，當數據區域收斂于當前的優化值后，需要在區域收斂性外進行分析優化值，從而得到網絡運維數據處理的最優解[6]。

三、結論

隨著我國科技化實力的不斷加強，對于網絡傳輸質量提出更高的要求。而隨著5G網絡的迅速發展，其能夠滿足現階段高速數據傳輸和帶寬的需求，因此能夠推動我國通信運營商的快速發展。在當前網絡環境下，傳統網絡運維模式不能滿足運維數據的處理需求，需要引進人工智能化運維管理模式。本文主要分析人工智能在網絡運維中應用技術，并根據其數據算法提供參考性意見，提高數據處理的準確性，從而提高人工智能在網絡運維中的應用效果，促進網絡運營商的可持續發展。