人工智能技術在大數據監測中的應用

曹春華 唐雅娜 黃德研

（廣州軟件學院,廣東 廣州 510000）

監測信息技術的快速發展催生出了多個數據監測領域。監測相關技術水平的高質量發展使監測領域數據規模成倍增長。在實際監測大數據業務開發中，歷史數據實時性分析工作不能夠滿足實際監測要求，相關監測平臺操作邏輯智能化水平較低，監測機器大多只能實現自動化數據獲取與共享。因此從監測大數據的時間維度和空間維度出發，形成全面的數據監測，能夠實現通過人工智能技術全面提升信息監測大數據的智能化。

1 監測大數據現狀

隨著無線電監測大數據技術與大數據技術的普及，相關監測業務體量不斷擴展。在現階段的監測手段更新優化的同時，傳統的人工監測手段已經不能滿足時代業務的發展需求。機器智能自動化的監測形式代替人工可操作性的自動數據監測工作，從根本上降低了人工監測操作對業務監測大數據信息的浪費[1]。監測領域發展會產生大量實時性的可操作數據，契合業務類型的監測大數據信息不斷被記錄下來。在開展監測大數據操作時，機器數據信息操作智能化水平較低，往往只能夠實現數據提取和處理的監測自動化，對隱藏在數據信息內部的監測業務邏輯不能夠完整挖掘和利用，設備的智能化工作處理水平較低。

1.1 歷史數據應用效率較低

在大數據監測業務開發過程中，隨著監控網絡建設的不斷增強，監測平臺多元化的數據需求會產生體量巨大而煩瑣的歷史監測數據。由于現階段大數據監測過于注重對海量數據信息的存儲、提取和共享分析，著重關注與監測業務相關的數據分析和統計工作，選擇性忽略對大量歷史數據的重復處理利用工作，導致監測工作不能夠滿足信息數據統計的任務需求。專業領域開展相關業務分析時，大多依照現有數據來進行自動化數據處理。盡管這種分析總結體系實現了對監測大數據的非人工處理分析，但是在針對大范圍和時間跨度較大的數據工作時，不能夠有效地提取數據信息中的空間維度和時間維度，導致海量數據利用效率低，嚴重浪費了業務數據的開發成本，業務信息數據不能夠得到有效的挖掘和利用。因此在實際監測大數據中，合理地利用人工智能技術來深層次挖掘監測大數據的實時性和有效性，是現階段建設大數據運用中的重點。

1.2 監測大數據標簽分類不明顯

盡管目前的數據監測技術能夠實現對原始數據信息的完整保留，但在實際大數據業務監測開發中，體量龐大的數據信息極其容易因監測內容多樣呈現出不同類型的數據狀態。在進行數據類型分析時，對不同監測內容，例如圖像、文本和視頻之間信息關聯性的檢查工作不到位，導致大量冗余數據出現，重要監測關聯信息的主體性不夠明顯。由于監測設備和手段表現形式不同，固定時間段集中監測和數據接收執行工作往往不能夠對結構化明顯的數據信息做出合理的監測分析，導致結構化數據與非結構化數據的同化現象嚴重，不同數據信息之間的內容和形式無法得到有效的關聯分析[2]。在開展業務信息數據采集工作時，不同工作類型的多源異構數據分析標準不統一。

1.3 數據測算匯總效率較差

數據融合標簽分類不明顯導致數據融合性較低。數據監測領域過于注重對數據信息的精準提取，跨領域監測的統一標準不能夠符合實際的監測大數據需求。盡管數據監測工作立體化趨勢不斷明顯，建設工作逐漸覆蓋了人們生活、生產、社會、政治、經濟和軍事的各個方面，并逐漸在天空、海洋和陸地領域拓展，以水上監測傳播無人機和監測衛星為設備載體。跨領域的專業性監測呈現出多線程融合發展的趨勢，但是由于不同的業務交叉融合效率降低，實際數據融合監測和整體態勢評估不能夠完整保留數據的多元維度，降低了數據的使用效率。

2 人工智能監測技術及其應用

2.1 人工智能技術應用合理性

基于人工智能的大數據信息監測工作要從接收精準度、存貯安全和科學的數據分析多方面進行考慮。建設數據信息，通過智能化水準來降低人工使用成本，促進人工思維與機器融合的效率。在現階段的大數據監測領域中，應合理地利用人工智能建設思路來提升數據信息的監測識別匯總質量，通過機器高性能計算提升監測大數據的精準性，將人工智能模擬的方法運用在具體監測圖像識別和模態分析中。在人工智能行業發展過程中，其所蘊含的算法和數據邏輯必須要符合實際的建設場景，而監測大數據環境能夠滿足人工智能算法落地的需求，多元化的數據信息能夠完整提供場景模式，從豐富的數據監測屬性和靜態結構環境入手，以提供單一確定和多源異構的信息為切入點，確保人工智能技術能夠被高效地利用在數據監測工作中。

由于數據監測往往需要面對海量的大數據信息，人工智能技術能夠通過數據邏輯來處理專業問題，實現監測大數據的穩定性，解決監測大數據因為體系龐大造成的數據遺失和邏輯漏洞。由于人工智能技術的基礎算法可操作性較強，因此可以靈活地運用在監測大數據工作中。在政治、經濟、軍事和工程生產過程中，合理利用人工智能技術能促進大數據分析的精準化水平，改善傳統監測大數據預判和總結分析的刻板狀況，提升監測大數據的智能化水準。

2.2 監測大數據算法分析

現階段的監測大數據手段多樣，形成了海量的視頻、圖像、音頻和文本等數據類型。但是在開展信息分析工作時，監測系統不能夠合理針對數據模態發展規律來進行信息提取和處理。使用大數據與人工智能結合的技術體系能夠在極大程度上改善數據模態的提取與后續操作精準性。例如在處理音頻數據時，對音頻能量與時長特征的提取和預測分析，往往可以使用人工智能方法去解決。將音頻特征送入新階段，并以高質量元啟發式智能算法網絡進行訓練，以神經網絡、遺傳算法技術、粒子群算法和模擬退火等相關人工智能算法，訓練數據信息，以實現高質量的音頻特征提取。

2.3 大數據處理手段優勢

（1）傳統的數據處理往往需要值班人員24小時的監控。針對突發情況難以高效進行分析數據處理工作。這種費時費力的監測手段難以精準把握體量龐大的數據信息的變化規律，因此合理地利用人工智能技術能夠節省人力資源損耗，提升數據特征的監控和記錄質量。

（2）由于現階段的數據監測自動化工作，更多的只是完成數據記錄，并依照數據分類導入到相關數據庫中，大體量的監測大數據特征分析的工作質量較低，不同監測大數據模塊之間的耦合性和數據調查性質的處理工作不到位。

（3）人工智能技術開拓了模式識別、智能模擬以及信息感應辯證等相關領域，以代替人類在哲學、數學、心理學等社會學交叉的領域工作，通過高計算效率來實現大數據監測，以精確化機器自主創造性思維來提升監測質量。隨著人工智能關聯性分析和分類技術的不斷發展，在實際的建設應用中，人工智能技術能夠處理海量的監測日志，并依據日志蘊含的數據規律來預測分類，實現對不同領域綜合性的數據內容的自動化智能控制。

2.4 運用思路

2.4.1 熱點干擾監測和趨勢閾值監測

特定的大數據監測指標容易陷入特征最優，相關指標極其容易受到其余數據的干擾，監測系統采集到的監測數據冗余度較高，造成后續監測工作的偏差。人工智能技術能夠實現高維數據的可視化分類，通過關聯分析以及距離分類等技術手段實現對監測數據的焦點分析和異常事件分析[3]。通過將人工智能技術應用在離群點監測之中，能夠實現對信息數據的熱點干擾監測和趨勢閾值監測，以人工智能智能化運營思維開展監控領域中的異常事件監測和干擾客觀評估。針對未來發展的監測趨勢，合理地使用人工智能技術來進行預測。而人工智能技術能夠從現有監測體系中的采集流量數據、日志數據著手，通以智能機器學習的手段來挖掘監測特征數據組合邏輯下的聯系，以K均值算法、最鄰近分類、向量機等人工智能監測分析手段來建立起更加突出監測主體性的數據體系，以計算機識別分類的方式深層級挖掘監測數據簇中冗余信息的組合狀態。圖1表示基于機器學習的數據場景，當監測數據個數增加時，監測信息的邏輯聚合性更強。對于不同領域之間的數據交叉分析，先利用機器學習和智能算法來進行數據預處理，而后按照相似度量技術，例如最鄰近分類、貝葉斯分類和人工神經網絡、支持向量機和代價敏感學習來實現在監測體系中的預警評估、數據處理等環節，有效降低監測數據中冗余監測體系的成本，對檢測管理意義巨大。

圖1 基于機器學習的數據場景

2.4.2 城市感知數據監測

解決監測大數據的交叉耦合現象時，利用K均值算法和基于中心密度分配等人工智能算法來合理分析評價指標，并以此構建完整的數據交叉監測評估系統。圖2表示機器學習技術的SVM算法分類，a表示初始數據信息，b和c是在模態分析數據場景后建立起的符合監測邏輯的數據場景。事實證明，人工智能處理數據處理分類性更強，特征性更加明顯。

圖2 機器學習技術的SVM算法分類

解決監測大數據的交叉耦合現象時，利用K均值算法和基于中心密度分配等人工智能算法來合理分析評價指標，并以此構建完整的數據交叉監測評估系統。相比傳統的數據處理方法，人工智能算法能夠實現對候選集合的優質選取，確保分類過程中數據即時選擇的精準性和無遺漏。在針對歷史數據進行選擇時，通過對以往監測數據出現的頻率來實現對現階段數據的分類分析，從而有效地降低歷史數據淘汰頻率，增加數據復用性。在監測大數據分析中，利用人工智能算法來實現業務數據捕捉，以機器自主學習運營來改善數據分類能力。通過人工智能技術實現對監測生態平衡失調和異常應用的驅動，通過人工機器學習算法模擬監測數據流動模式，從而有效剔除占用資源率低的數據監測范圍。

2.4.3 網絡節點的信息監測安全

監測數據具備時間序列周期穩定性，通過大數據與人工智能的結合挖掘信息安全中的時序性監測數據關聯，以大數據技術的多核分布式操作模式實現對海量信息安全數據的模態分析與解剖，并通過類似Devops的深度學習方法實現對處理數據的精準控制，并使其在云端大數據平臺終端中實現可視化。人工智能技術的優化監測學習方法將監測數據集群節點容錯率降低，當網絡節點訪問超出以往訪問模態最大值時，通過實時性大數據監測來報警，實現信息傳輸與處理的安全穩定性。

現有大數據與人工智能技術的結合促進了網絡信息安全的發展。由于現階段的大數據監測技術往往建立在智能分布式計算終端上，因此全面針對監測信息中隱藏的數據關聯性進行智能化分析至關重要。

在網絡異常入侵監測中，通過多元正態分布和離群點監測等人工智能技術，能夠實現對計算機網絡的三級過濾，通過高頻率的數據訪問請求來設置網絡信號危險指標，以替代傳統監測系統的異常行為，從而指向性地提升監測時效性。

3 結語

隨著人工智能技術的不斷普及，相關智能化建設平臺的監測手段逐步向智能化與自動化過渡。由于監測大數據技術不能良好的實現智能分析思考，因此應認清現階段監測大數據工作存在的問題，基于實際人工大數據監測技術來提升監測質量，促進監測智能化水平的可持續發展。