智能運維平臺協同過濾信息推薦系統設計

張 耀，王丹丹，梁志遠，崔曉萌

（1.國網天津市電力公司，天津 300010；2.天津三源電力信息技術股份有限公司，天津 300010）

隨著政府和企業面向云端服務發展，混合云在政府和企業用戶中越來越流行。在需求驅動下行業進一步發展和更替，出現了華為云Stack8.0平臺[1]。隨著網絡普及，信息化服務不斷升級，信息服務系統為用戶提供越來越多的選擇，然而其結構也變得更加復雜化[2]。用戶往往在大量信息中檢索出不符合實際需求的信息，無法順利確定信息來源[3]。使用推薦系統能夠依據用戶在瀏覽器中搜索的記錄對目標用戶感興趣信息進行推薦，保證用戶能夠快速找到所需信息[4]。現有的個性化推薦系統可分為兩類：內容過濾推薦系統和數據挖掘技術推薦系統。其中基于內容過濾的推薦系統簡單有效，可離線完成項目間的建模和相似度測量，推薦響應速度快[5]，其缺點是難以區分信息屬性，無法找到用戶感興趣的信息；基于數據挖掘技術的推薦系統服務器能夠收集大量相關信息，存儲用戶訪問系統所需的日志數據，其中包含豐富的用戶和市場信息[6]。但是，協同過濾推薦需要用戶明確輸入對象的主觀價值評分，使用起來極為不便，在用戶評分數據相對較少的情況下，推薦質量難以得到保證。

為此，提出了智能運維平臺協同過濾信息推薦系統。基于華為云Stack8.0 平臺，基于智能化運營和自動化運營，利用機器學習技術，從歷史數據中提取規則，生成相關分析方法，為運營提供實時數據分析能力，改進和完善現有運營方法。

1 系統硬件結構設計

提出的智能運維平臺協同過濾信息推薦系統硬件結構如圖l所示。

由圖1 可知，系統硬件結構包括數據處理子系統、聚類子系統、關聯規則子系統、推薦子系統[7]。由于用戶訪問網站時，信息大多以不同內存大小及屬性存儲到后臺數據庫中，無法滿足數據精準篩選需求。為此，需要預處理用戶信息。在用戶聚類系統之中，利用混沌遺傳算法根據預處理后的數據尋找相似用戶集。通過推薦子系統可以判斷用戶所屬類別，使用協同過濾技術能夠為用戶提供感興趣信息[8]。該硬件結構中，只有協同過濾推薦子系統在線，而預處理、聚類、關聯規則子系統均屬于脫離主機、獨立運行模式[9-10]。

圖1 推薦系統硬件結構

用戶在訪問網站時，信息需通過服務器傳遞到數據庫中，預處理子系統定期從數據庫中提取相關數據，并提交分類處理結果[11]。基于數據定期聚類算法，可在聚類子系統中保存聚類結果[12]。通過關聯子系統，可快速挖掘關聯數據，并依據當前用戶信息，選擇用戶偏好數據，并將選擇結果推薦給反饋服務器。

1.1 超文本服務器

超文本服務器屬于網絡文本服務器，通過超鏈接使不同版本信息均存儲到同一空間中。

1.2 索引器

索引器的選擇是搜索引擎中較為核心的問題，通過網絡蜘蛛搜索網頁中的鏈接，它從網站的一個頁面開始，閱讀該頁面的內容，尋找其他鏈接，然后用這些鏈接找到下一個頁面，不斷重復，直到該站點的所有頁面都被訪問[13-14]。

利用詞之間的共現信息自動生成詞語，該詞語在形式上是單詞的組合[15]。所以，在同一上下文中，相鄰詞同時出現的次數越多，其形成一個詞的可能性越大。詞與詞結合的頻率和可能性更能反映出構詞的可靠性，此方法將K組的索引與來自相同索引項的數據組合在一起，從而生成以索引項作為主鍵的倒排文件索引——倒排索引[16]。索引包括正向索引和反向索引，如圖2 所示。

圖2 由正向索引建立反向索引

如圖2 所示，在分析頁面之后，將得到一個以頁碼作為主鍵的前向索引表。利用反演方法產生k組的反演指標。這種方法把k組的索引和相同索引項的數據組合在一起，最后得到一個倒排文件索引。

1.3 數據庫服務

一個或多個在局域網上運行的計算機和數據庫管理系統組成一個數據庫服務器，為客戶提供諸如查詢、更新、管理、索引、緩存和用戶訪問控制等服務，無需對數據進行重新分配。以服務器為基礎的存儲器非常重要，作為服務器主要存儲器設備的硬盤技術含量高、制作精良，服務器硬盤已達10 000 轉/分，普通SATA 硬盤非常接近這個速度。實際上一個小問題就可以導致服務器硬盤故障，所以一般的服務器租用都是用RAID 磁盤陣列存儲，可以增加服務器硬盤故障容量。

1.4 華為云Stack8.0平臺端信息查詢電路

華為云Stack8.0 平臺采用中央處理器，通過遠程終端可向移動客戶端發送查詢結果。使用者可通過用戶端掃描相關信息，并查詢相關二維碼，獲得所需信息。

華為云Stack8.0 平臺端信息查詢電路設計如圖3 所示。

圖3 華為云Stack8.0平臺端信息查詢電路

由圖3 可知，以微RF007 型鍵斷接收器芯片為核心，采用SOP (M)-8 封裝模式，0 模式的芯片內部電路包括轉換器、解調器和基準控制器。該控制系統包括兩個外部電容、晶體振蕩器和電源去耦電容。采用MicroRF007 芯片自帶窄射頻內調諧實現無線數據輸入輸出。Query I/O 模式也是條件傳輸模式。在中央處理機和外圍輸入輸出接口中，除了數據端口外，還需要一個狀態端口，用于查詢輸入輸出信息。

2 系統軟件部分設計

2.1 基于機器學習信息過濾

機器學習作為模式推理統計模型，在沒有明確指令的情況下，能高效地完成特定的任務。由于缺乏明確的任務執行計劃，機器學習算法建立在樣本學習基礎上，用于信息過濾。

基于機器學習的信息過濾流程如圖4 所示。

圖4 基于機器學習的信息過濾流程

由圖4 可知，該信息中包含噪聲信息，為此還需過濾噪聲信息，具體步驟如下：

步驟1：讀入機器學習數據和測試數據；

步驟2：對學習數據進行分詞、去除停用詞預處理；

步驟3：從步驟2 中獲取處理后的數據，并提取詞特征；

步驟4：從步驟2 中獲取得到處理后的數據，并提取語義特征；

步驟5：串行融合步驟3和4，提取文本特征，并獲取最終文本特征；

步驟6：將步驟5 中獲取的文本特征傳遞給不同分類器，并獲取分類模型；

步驟7：基于步驟6 中得到的模型，根據測試集參數調整模型，最終獲取過濾噪聲信息后的信息。

2.2 協同過濾信息推薦

用戶所需信息是從云Stack8.0 平臺中的信息端口獲取的，除了基本云平臺通信信息外，在智能運維平臺中也能獲取用戶訪問信息。將智能運維平臺的訪問信息作為關聯規則挖掘輸入信息，因此，提出了關聯規則信息挖掘方法，獲取用戶所需信息。

設X和Y為推薦內容項目集，Z為關聯規則集合，X和Y采用相同的基礎關聯規則，在用戶訪問X項目集時，用戶也以最大概率訪問Y項目集。基礎內容關聯規則是基于華為云Stack8.0 平臺信息提取的，內容關聯規則是信息推薦的基礎，具有以下約束條件：

①信息種類實際計算中，若支持度大于閾值，則屬于最高支持度項集，其計算公式為：

式（1）中，XZ、YZ分別表示信息種類實際表中的項目集合，n表示信息總數。

②每個項集F中，都存在非空子集F′，其置信度計算公式為：

如果置信度大于用戶指定的閾值置信度最小值，則生成關聯規則。

信息推薦是依據上述規則實現的，通過展示渠道將推薦結果展示給用戶。

3 實 驗

3.1 實驗環境設置

針對華為云Stack8.0 平臺安全運行的實驗條件，設置了復雜網絡環境，網絡拓撲結構如圖5 所示。

圖5 網絡拓撲結構

由圖5 可知，要想盜取網絡信息，黑客必須得到允許才能進行攻擊。但是由于防火墻的限制，服務器只能通過主機不能通過內部網絡進行訪問。所以要獲得主機訪問資格，首先要獲得內部訪問權限，黑客只能進行一次攻擊，沒有多次同時攻擊的現象。

3.2 實驗結果與分析

在噪聲信息干擾情況下，對比內容過濾推薦系統、數據挖掘推薦系統和智能運維平臺協同過濾信息推薦系統的噪聲干擾影響程度，如圖6 所示。

圖6 3種系統噪聲干擾影響程度

由圖6 可知，使用內容過濾的推薦系統受到影響，隨著噪聲變化，最終影響程度為35%；使用基于數據挖掘技術的推薦系統受到影響，隨著噪聲變化，最終影響程度為65%；使用智能運維平臺協同過濾信息推薦系統受到影響程度較小，最終不受影響。

對比3 種系統推薦精準度，如圖7 所示。

圖7 3種系統推薦精準度對比分析

由圖7 可知，使用內容過濾的推薦系統最高推薦精準度為68%，最低為42%；使用數據挖掘技術推薦系統最高推薦精準度為62%，最低為33%；使用智能運維平臺協同過濾信息推薦系統最高推薦精準度為95%，最低為88%。由此可知，使用該系統推薦效果較高。

4 結束語

通過對文本信息過濾，為用戶推薦感興趣信息，設計了智能運維平臺協同過濾信息推薦系統，經過實驗驗證，推薦精準度高。

雖然使用該系統具有精準推薦效果，但還存在一定問題。華為云Stack8.0 平臺用戶評論與推薦系統之間具有交互作用和相關性，充分考慮用戶評論相關性，通過機器學習技術，改善傳統運維模式，為平臺提供實時運維能力。