大數據時代群體智能算法的優越性研究

吳宗卓

摘 要：當前，互聯網發展正由“知識需求”向“智能需求”階段轉變，網絡數據呈現指數級增長，既然進入了大數據時代，在此支撐下形成了網絡交互的“大群體”空間，其協同、可靠性需要群體智能的方法予以解決，而以粒子群、蟻群算法為代表的群體智能算法具有較好的魯棒性、靈活性，這是化解復雜問題的關鍵所在。針對此，文章以大數據時代的網絡群體智能為研究基點，結合群體智能算的應用原理及特點，闡釋其在NP難題中的應用優勢性，以為網絡信息交互的安全性提供有效支撐。

關鍵詞：大數據時代；群體智能算法；NP難題；網絡群體智能

互聯網Web2.0深化發展的大背景下，以物理網、無線傳感器技術、云計算等多種新型技術為支撐的數據傳輸、存儲呈現海量、高效、多樣性的特點，非結構化的數據不斷涌現，大數據時代應運而生，并成為影響各領域發展的關鍵所在。尤其網絡信息大融合、多元交互下，大數據的安全保護、可視化、聚集分析和共享，可輔助解決相關問題，這是“群體智慧”的體現。而該種網絡群體智慧具有怎樣的特點，如何深化對其的認知，是有效利用其的基礎和前提。受自然界螞蟻、蜜蜂等群體生活的生物生活習性的啟發，提出的群體智能優化算法，正是基于個體的相互作用來放大群體智慧，以用來解決復雜問題。因其具有較好的魯棒性、靈活性、分布性等特點，而得以在人工智能、信息科學、交通運輸等多領域中應用和發展。而鑒于群體智能算法在解決NP復雜問題時的優勢性，目前研究已將其用于構造不可預測性密鑰，入侵檢測的聚類分析，使其成為解決網絡搜索、內容發現、優化等安全問題的關鍵。特別是大數據時代下，網絡空間的信息安全和保護成為最緊迫之需，將該算法引入其中具有重要的現實意義。

1 網絡群體智能的概念及特點

1.1 概念

以用戶為中心的Web2.0互聯網新生時代下，促進了大眾基于網絡的信息交互、共享、聚集和分析的提升，逐漸建立其大融合的智能交互空間，跨入了大數據時代，而基于海量數據的融合分析，可將各個個體的智能融入網絡，形成一個大的“群體智能”。正如古語所說：“眾人拾柴火焰高”，基于蜂群、蟻群、鳥群等的智能體集合理念，來發揮“1+1>2”的功效，便是網絡群體智能，其能夠為大數據時代下復雜問題的解決提供有效支撐。

OReilly曾經將網絡界定為：“基于眾人參與交互、擁抱群體智能的空間載體，”大數據時代下人與人之間廣泛而深度的交互，形成了群體行為，會產生不同的結構模式，并呈現出多層次水平群體智能，此即為網絡群體智能。可見，網絡群體智能是大眾在互聯網環境下基于特定目標進行在線協作、問題求解，以群體的智能來構建完成特定任務或解決復雜問題的能力。大數據時代，可將眾人參與交互的智能融入網絡進行存儲，在不同用戶通過共享、社會評注等達到共識時，便可根據海量數據資源，挖掘和定量分析大眾實際參與和貢獻的內容[1]。

1.2 特點

與圖靈機智能、傳統群體智能比較而言，大數據時代下的網絡群體智能存在其自身特點，圖靈機智能的數值計算、信息檢索存儲及邏輯運算等能力較為凸顯，網絡群體智能可對現實世界中的不同模式進行智能感知和反饋，具有形象思維、柔性檢索、知識進化、情感聯想感悟、常識經驗豐富等優勢，實踐匯總，可將兩者有效融合，發揮各自優勢，以提升群體智能在解決負責問題及完成特定任務中的能力。傳統群體智能更關注自然環境下生物群體智能的分析，而網絡群體智能則是在互聯網環境下，強化對于大眾廣泛深度參與下形成的群體智能研究，其群體智能規模較大，在網絡數據驅動下，可通過在線協作信息系統交互形成負載的交互關系，呈現出較強的網絡效應，復雜性和非穩定性增大，知識共享和交互成為大眾在線協作交互的主要形式。

2 群體智能算法的應用原理

群體智能算法衍生于對生物界的昆蟲、蟻群、鳥群及魚群等群體行為的模擬，這些群體根據既定的協作方式進行覓食，群體中的各個個體通過對自身和其他個體經經驗的學習來實時變動搜索的方向，是用單一、有限的個體智能和行為，在相互作用機制下構建群體智能，以形成更為強大的整體能力，從而在解空間內通過基于群體智能的協同搜索，來尋求復雜問題的最優解。該算法用個體的進化或覓食過程來模擬負載問題的搜索和優化過程，以搜索空間中的點模擬自然界的生物個體，將復雜問題求解的目標函數轉變為個體對環境的適應能力，將個體覓食及優勝劣汰的過程設定為搜索和優化中可行解到最優解迭代的過程。據此，可將群體智能算法表示為以“生成+體驗”為主要特質的迭代搜索算法，是基于復雜問題最優解的自適應求解過程，其涵蓋的蟻群優化算法、粒子群優化算法、菌群優化算法等均可歸類此，通過問題目標函數的構建和最優解的求解，來揭示其應用原理，從本質上可將復雜問題的求解轉變為函數優化問題[2]，具體如下。

求解：

式中：Xi為設計變量，f（X）為被優化的目標函數，gj（X）≤0為約束函數，Ω為設計變量的可行域。

3 大數據時代下群體智能算法的應用性分析

大數據時代下，基于互聯網的技術滯后或漏洞、安全控制體系的缺失等，造就了多元信息的丟失或泄露，加之以網絡邊界為基礎的安全防護機制已然失效，使得網絡安全問題日趨嚴重，而要解決這一復雜問題，則需要運用群體智能算法，進行密碼設計、生成高強隨機性的不可預測性的密鑰，以為網絡安全保駕護航。

3.1 密鑰設計與生成

流密碼加密是實現網絡安全通信的關鍵所在，其可加密明文字符串、密鑰流序列，解密密鑰流及密鑰。早在1949年，C.D.Shannon便以流密碼密鑰序列為隨機序列，用以生成流密碼密鑰，并從理論多角度進行了有效驗證。但實踐中，只能以偽隨機序列替代真正的隨機序列，序列密碼的安全強度對于密鑰流產生器產生的密鑰無法預測，其受串分布、線性復雜度、自相關值等諸多因素影響，且這些因素并非不可預測性的充分條件，而是必要條件。為此，無法解決高隨機性序列的分析和產生問題，但該問題可歸類為密鑰空間搜索最優序列，而群體智能算法在該方面具有較大優勢，可以該算法構造流密碼密鑰生成器。目前，已經有多項研究予以驗證，2008年，Sreelaja.N.K等在文本加密密鑰生成中就使用了人工蟻群優化算法，利用二進制明文中的字符分布，并經由一個互字符進表來完成編碼，有效提升了網絡系統的安全性能，同時，在二進制圖像加密中還運用了基于蟻群優化算法構造的密鑰生成器。2009年，Sreelaja.N.K等在以往研究的基礎上，在文本加密中又引入了粒子群算法。2011年，Ismail K. Ali則運用粒子群算法來對能夠滿足非相關性及高線性復雜性的適應函數進行搜集，最終經由仿真實驗驗證了該算法的效用[3]。

3.2 攻擊源定位及入侵分類規則制定

大數據時代下，網路安全控制的入侵檢測系統應具備較高的攻擊檢測率、低誤報率，且應占用較少的資源，以滿足應用需求。為準確定位攻擊源，S.Fenet and S.Hassas在2002年利用蟻群優化算法構建了入侵定位的框架，在該系統中，網絡遭受攻擊時，信息素服務器負責傳遞預警的螞蟻信息素，而淋巴細胞則在網絡中隨機游走若獲取該信息素，則將采取相關防護措施。Chang-Lung等則構建了基于基于蜜罐和蟻群的入侵分析模型。同時，群體智能算法可有效區分網絡正常及異常攻擊引發的網絡擁堵，可制定入侵分類規則。2006年，E.Soroush，M. S.Abadeh and J.Habibi等結合螞蟻算法可實現數據類別劃分的目標指引，完成了Ant-Miner分類規則提取算法的設計，據此制定了入侵規則。2008年，C.Ramachandran，S.Misra and M. S.Obaidat等針對其他檢測系統，基于智能螞蟻Ant-Miner算法構建入侵規則分類方法，同時，鑒于網絡拓撲結構的隨機變動性，以往的入侵檢測方法適用受限。F. Barani等引入人工蟻群算法和負選擇算法，分別用于入侵規則的訓練、父檢測子集的生成，設計了一種動態的入侵檢測系統，并通過實驗分析，該算法可兼顧檢測效率和誤報率的平衡性[4]。

4 結語

基于個體智慧的相互融合和支撐，來擴大和發揮群體的智慧，完成復雜任務或問題的解決，是群體智能的本質所在，而群體智能算法正是以此為基礎發展而來的，其具有較好的并行性和環境適應能力，在非線性復雜問題中具有顯著的應用優勢。而大數據時代下，要確保海量數據在全生命周期各階段的安全均可控，則需要引入可模擬群集行為，能夠不斷改變搜索方向的群體智能算法予以解決，而基于上述該算法原理、特點及應用性的闡釋，可為上述問題的解決提供新的思路和方向。

[參考文獻]

[1]王華，趙東杰，楊海濤，等.大數據時代下網絡群體智能研究方法[J].計算機與現代化，2015（2）：1-6.

[2]徐聶甜子.大數據時代下網絡群體智能研究[J].傳播力研究，2018（20）：228.

[3]吳虎勝，張鳳鳴，吳廬山.一種新的群體智能算法—狼群算法[J].系統工程與電子技術，2013（11）：2430-2438.

[4]楊義先，李麗香，彭海朋，等.群體智能算法及其在信息安全中的應用探索[J].信息安全學報，2016（1）：39-49.