張華兵， 周英耀， 徐 磊， 石宏宇， 孫 濱

(1. 北京大學(xué) 信息科學(xué)技術(shù)學(xué)院， 北京 100871； 2. 南方電網(wǎng) 數(shù)字電網(wǎng)研究院有限公司， 廣州 510663；3. 鄭州工業(yè)應(yīng)用技術(shù)學(xué)院 信息工程學(xué)院， 鄭州 451150)

近年來，智能網(wǎng)絡(luò)領(lǐng)域的技術(shù)水平發(fā)展迅速，網(wǎng)絡(luò)已經(jīng)走進(jìn)千家萬(wàn)戶[1].隨著網(wǎng)絡(luò)的不斷推廣使用，網(wǎng)絡(luò)故障產(chǎn)生較為頻繁，這就需要網(wǎng)絡(luò)數(shù)據(jù)中的IT設(shè)備對(duì)其進(jìn)行人工智能化的運(yùn)維應(yīng)用，所以要尋找一種更加高效的網(wǎng)絡(luò)運(yùn)維應(yīng)用新方法[2].

曾治安等[3]采用移動(dòng)互聯(lián)網(wǎng)技術(shù)對(duì)繼電保護(hù)設(shè)備運(yùn)維進(jìn)行分析，該運(yùn)維方法主要以智能運(yùn)維平臺(tái)為核心，智能分析實(shí)施檢測(cè)數(shù)據(jù)和全過程業(yè)務(wù)數(shù)據(jù)，實(shí)現(xiàn)設(shè)備的在線監(jiān)測(cè)、缺陷故障告警及核心運(yùn)維業(yè)務(wù)的全過程管控.蒲天驕等[4]指出了人工智能關(guān)鍵技術(shù)框架及各類算法的應(yīng)用特點(diǎn)和范圍，總結(jié)了各類典型運(yùn)維場(chǎng)景中的人工智能應(yīng)用進(jìn)展與困難，并提出了解決思路.郭江博等[5]以通用技術(shù)架構(gòu)模型、視圖和控制器為基礎(chǔ)，結(jié)合微信小程序，用Php語(yǔ)言設(shè)計(jì)開發(fā)了基于云服務(wù)的醫(yī)院IT運(yùn)維平臺(tái)，通過此平臺(tái)可實(shí)現(xiàn)工單報(bào)修、巡檢、監(jiān)控、報(bào)警及知識(shí)管理等功能，縮短維修響應(yīng)時(shí)間，但存在穩(wěn)定性驗(yàn)證不全的問題.為解決并改進(jìn)上述運(yùn)維數(shù)據(jù)應(yīng)用測(cè)試方法中存在的問題，本文進(jìn)行了網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備人工智能化運(yùn)維應(yīng)用測(cè)試研究.

1 異常數(shù)據(jù)定位

本文將VRNN算法以及分層剪枝策略相結(jié)合，對(duì)網(wǎng)絡(luò)中心IT設(shè)備的異常數(shù)據(jù)進(jìn)行定位.

1.1 訓(xùn)練模型

本文以VRNN為基礎(chǔ)模型，將深度生成模型與長(zhǎng)短期記憶網(wǎng)絡(luò)相結(jié)合提出新的模型結(jié)構(gòu)，并對(duì)其進(jìn)行訓(xùn)練.由于該模型是VAE與長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)合的產(chǎn)物，所以在網(wǎng)絡(luò)數(shù)據(jù)中心，每一時(shí)刻t都包含著自編碼網(wǎng)絡(luò)單元，該單元依賴于長(zhǎng)短期記憶網(wǎng)絡(luò)中時(shí)刻狀態(tài)變量[6]，因此在構(gòu)建VRNN模型時(shí)需全面考慮序列數(shù)據(jù)的時(shí)間依賴.

設(shè)定網(wǎng)絡(luò)中心IT設(shè)備的輸入數(shù)據(jù)為x，由于網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備的檢測(cè)指標(biāo)為每一時(shí)刻t的標(biāo)量，所以需要使用滑動(dòng)窗口技術(shù)[7]，將t時(shí)刻的輸入數(shù)據(jù)x轉(zhuǎn)化為長(zhǎng)度W矢量表現(xiàn)形式，即W=(xt-W+1，xt-W，…，xt).

在VRNN模型中，將隱變量z設(shè)定為正態(tài)先驗(yàn)分布，ht-1表示基于長(zhǎng)短期記憶網(wǎng)絡(luò)的隱藏狀態(tài)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行必要的映射變換[8].linear表示線性變換函數(shù)，relu以及softplus表示非線性激活函數(shù).神經(jīng)網(wǎng)絡(luò)的隱藏層狀態(tài)為h′t-1.神經(jīng)網(wǎng)絡(luò)需要使用線性單元對(duì)非線性激活函數(shù)進(jìn)行表示[9]，即

(1)

網(wǎng)絡(luò)序列的上一時(shí)刻隱藏狀態(tài)h′t-1可由非線性的映射獲取，為規(guī)避網(wǎng)絡(luò)中經(jīng)常出現(xiàn)的梯度消失問題，利用relu激活函數(shù)對(duì)其進(jìn)行線性變換[10].通過線性的變換函數(shù)獲取隱變量zt的分布均值μzt，最后通過對(duì)h′t-1的線性變換以及非線性激活函數(shù)映射，獲取隱變量zt的標(biāo)準(zhǔn)差σzt.

過程中隱變量zt的先驗(yàn)分布參數(shù)設(shè)定表達(dá)式為

(2)

式中：φ為神經(jīng)網(wǎng)絡(luò)的神經(jīng)元；N與I為兩個(gè)隱變量之間的中間數(shù)和系數(shù).由于網(wǎng)絡(luò)數(shù)據(jù)中心的局部變化較小，所以經(jīng)過計(jì)算的σZ值可能會(huì)趨近于0，從而導(dǎo)致log2σz值接近負(fù)無(wú)窮，所以在對(duì)高斯變量的似然性進(jìn)行計(jì)算時(shí)，會(huì)產(chǎn)生數(shù)值問題[11]，因此要對(duì)網(wǎng)絡(luò)的后驗(yàn)狀態(tài)以及模型分布進(jìn)行方差計(jì)算.

1.2 獲取參數(shù)分布

在VRNN的重構(gòu)過程中，需要依賴于隱變量zt以及網(wǎng)絡(luò)的隱藏狀態(tài)h′t-1.設(shè)定重建的VRNN模型數(shù)據(jù)為xt，且服從高斯分布.首先要對(duì)隱變量zt的后驗(yàn)分布進(jìn)行數(shù)據(jù)采集，并將采集的數(shù)據(jù)進(jìn)行映射變換處理[12]，從而獲取重建xt的分布參數(shù)，整個(gè)過程計(jì)算表達(dá)式為

(3)

(4)

基于VRNN模塊的隱藏狀態(tài)對(duì)時(shí)刻狀態(tài)變量ht進(jìn)行計(jì)算，計(jì)算表達(dá)式為

(5)

式中，fθ為長(zhǎng)短期記憶網(wǎng)絡(luò)中神經(jīng)元激活函數(shù).在對(duì)VRNN隱藏層狀態(tài)以及ht-1更新過程中，需要利用輸入變量xt以及隱變量zt對(duì)其進(jìn)行計(jì)算.通過編碼網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行映射處理，學(xué)習(xí)網(wǎng)絡(luò)數(shù)據(jù)中心后驗(yàn)分布逼近隱變量zt的真實(shí)分布，并讓其服從高斯分布，過程計(jì)算表達(dá)式為

(6)

1.3 異常數(shù)據(jù)剔除

基于上述VRNN模型訓(xùn)練效果，利用分層剪枝策略對(duì)網(wǎng)絡(luò)中心IT設(shè)備運(yùn)維應(yīng)用中的異常數(shù)據(jù)進(jìn)行定位搜索，實(shí)現(xiàn)異常數(shù)據(jù)的剔除.首先利用數(shù)據(jù)挖掘中的Apriori算法，設(shè)定網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備的數(shù)據(jù)元素為e，中心的層數(shù)為l，l+1層為網(wǎng)絡(luò)中心元素的高潛在層，該網(wǎng)絡(luò)中心的數(shù)據(jù)集為BSet(l).若高潛在層中的元素e分?jǐn)?shù)較高，則可將該元素看作根本原因元素.若獲取的l層元素不存在于BSet(l)中，要利用分層剪枝策略將獲取的子集合進(jìn)行修剪，從而縮減搜索空間，并對(duì)數(shù)據(jù)集中的異常數(shù)據(jù)進(jìn)行定位、剔除，從而形成新的網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備的數(shù)據(jù)集A.異常數(shù)據(jù)定位流程圖如圖1所示.

圖1 異常數(shù)據(jù)定位流程Fig.1 Flow chart of abnormal data location

2 網(wǎng)絡(luò)測(cè)試方法設(shè)計(jì)

利用數(shù)據(jù)中心IT設(shè)備獲取數(shù)據(jù)的安全類型指標(biāo)，利用可量化的安全評(píng)估模型[15]對(duì)其進(jìn)行運(yùn)維應(yīng)用測(cè)試.

2.1 安全類型指標(biāo)

首先設(shè)定安全評(píng)估模型為P，且該模型是由各個(gè)安全段組合構(gòu)成的P={P1，P2，…，PN}.Pi包含了不同的安全指標(biāo).安全掃描引擎會(huì)對(duì)網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備中的數(shù)據(jù)集合A={A1，A2，…，AN}中各個(gè)數(shù)據(jù)的安全狀態(tài)進(jìn)行檢測(cè)，掃描引擎的狀態(tài)分析表達(dá)式為

S=[Sij，Lij，Oij]

(7)

式中：Sij為安全數(shù)據(jù)檢測(cè)的分?jǐn)?shù)；Lij為安全的漏洞級(jí)別；Oij為數(shù)據(jù)的固定方式.在Oij中，0為弱點(diǎn)數(shù)據(jù)，1為安全數(shù)據(jù).

2.2 應(yīng)用測(cè)試過程

將網(wǎng)絡(luò)數(shù)據(jù)中心的IT設(shè)備數(shù)據(jù)集作為UP訪問的數(shù)據(jù)集合，Pi對(duì)應(yīng)于UPi，可將設(shè)備中的數(shù)據(jù)資源視圖作為全局的數(shù)據(jù)資源視圖的子集，獲取實(shí)際的安全分?jǐn)?shù)USij.依據(jù)數(shù)據(jù)的安全分?jǐn)?shù)，采用“一票否決”的策略降低數(shù)據(jù)嚴(yán)重漏洞得分.在該項(xiàng)決策中，獲取的關(guān)鍵檢查項(xiàng)分?jǐn)?shù)若低于設(shè)定閾值，則Lij為0，與之相關(guān)的USi也為0.

當(dāng)進(jìn)行網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備漏洞修復(fù)時(shí)[16]，安全修復(fù)引擎會(huì)依據(jù)Oij對(duì)設(shè)備中的漏洞進(jìn)行修復(fù)，從而完成網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備人工智能化的運(yùn)維應(yīng)用.

3 實(shí)驗(yàn)仿真

為了驗(yàn)證上述測(cè)試方法的整體有效性，對(duì)使用本文方法前后的異常數(shù)據(jù)定位時(shí)間進(jìn)行測(cè)試.同時(shí)，將文獻(xiàn)[3]、文獻(xiàn)[4]、文獻(xiàn)[5]方法與本文提出方法進(jìn)行對(duì)比，分別針對(duì)信噪比、測(cè)試精度以及穩(wěn)定性進(jìn)行測(cè)試.本次仿真實(shí)驗(yàn)的操作系統(tǒng)為Windows 10，搭載i7處理器，計(jì)算機(jī)的內(nèi)存為16 GB，硬盤存儲(chǔ)空間為2 T，在MATLAB仿真平臺(tái)進(jìn)行實(shí)驗(yàn).

3.1 異常數(shù)據(jù)定位前后測(cè)試時(shí)間對(duì)比與分析

在網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備中隨機(jī)選取3 000個(gè)數(shù)據(jù)，對(duì)比異常數(shù)據(jù)定位前后測(cè)試時(shí)間，測(cè)試結(jié)果如表1所示.

依據(jù)表1可知，異常數(shù)據(jù)進(jìn)行定位前所需花費(fèi)的檢測(cè)時(shí)間要遠(yuǎn)遠(yuǎn)高于異常數(shù)定位后的測(cè)試時(shí)間，這主要是因?yàn)楸疚姆椒ɡ肰RNN算法對(duì)網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備中的異常數(shù)據(jù)進(jìn)行了定位，并將其剔除數(shù)據(jù)集，在定位后可以縮減運(yùn)維應(yīng)用所需的測(cè)試時(shí)間.

表1 異常數(shù)據(jù)定位前后測(cè)試時(shí)間對(duì)比結(jié)果Tab.1 Comparative results of test time before and after abnormal data location

3.2 信噪比測(cè)試結(jié)果與分析

在進(jìn)行運(yùn)維應(yīng)用測(cè)試時(shí)，容易受到噪聲的影響，因此本文將4種方法在運(yùn)維應(yīng)用測(cè)試時(shí)的信噪比情況進(jìn)行對(duì)比分析.在測(cè)試過程中，將噪聲頻譜擴(kuò)展至100 MHz，選取3 000組的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行測(cè)試，信噪比值越高，說明抗噪聲能力越好；信噪比值越低，說明抗噪聲能力越低.測(cè)試結(jié)果如圖2所示.

圖2 不同方法的信噪比測(cè)試結(jié)果Fig.2 Test results of signal to noise ratio with different methods

由圖2可以看出，4種方法的信噪比隨著測(cè)試數(shù)據(jù)的增加呈逐漸下降趨勢(shì).本文方法的信噪比值整體來看較為平穩(wěn)，并且隨著數(shù)據(jù)量的增加，可將信噪比穩(wěn)定在110 dB以上.文獻(xiàn)[3]方法在測(cè)試初期信噪比能略低于本文方法，但隨著數(shù)據(jù)量的增加，信噪比呈快速下降趨勢(shì).文獻(xiàn)[5]方法的信噪比是最差的，低于前3種方法，最后只能將信噪比值能控制在60 dB.

3.3 精度測(cè)試結(jié)果與分析

選取3 000組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行測(cè)試，在進(jìn)行測(cè)試時(shí)有可能會(huì)受信號(hào)通道的影響，在設(shè)備數(shù)據(jù)中添加隨機(jī)信號(hào)干擾源對(duì)4種方法的平均測(cè)試精度進(jìn)行測(cè)試，測(cè)試結(jié)果如圖3所示.

由圖3可知，4種測(cè)試方法的平均測(cè)試精度均在80%以上，文獻(xiàn)[5]和文獻(xiàn)[4]方法在測(cè)試初期的平均測(cè)試精度不相上下，但是隨著測(cè)試時(shí)間的增加，文獻(xiàn)[4]的測(cè)試精度逐漸低于文獻(xiàn)[5]的精度.本文方法在測(cè)試初期的測(cè)試平均精度浮動(dòng)較大，但是隨著測(cè)試時(shí)間的增加，所檢測(cè)的平均測(cè)試精度也隨之增加，波動(dòng)逐漸趨向平穩(wěn)，精度最高可達(dá)92%以上.

圖3 不同方法的平均測(cè)試精度檢測(cè)結(jié)果Fig.3 Test results of average test accuracy with different methods

3.4 穩(wěn)定性測(cè)試結(jié)果與分析

運(yùn)維應(yīng)用測(cè)試過程的穩(wěn)定性受到μzt值的影響，μzt值越高，穩(wěn)定性越好，說明測(cè)試的安全性越好.因此本文對(duì)4種方法在運(yùn)維應(yīng)用測(cè)試時(shí)的μzt值進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖4所示.

圖4 不同方法運(yùn)維應(yīng)用測(cè)試時(shí)μzt值Fig.4 Test results of μzt value for operation and maintenance application with different methods

由圖4可知，μzt值隨著測(cè)試次數(shù)的增加呈下降的趨勢(shì).本文方法雖也處于下降趨勢(shì)，但是其μzt值最低也未低于0.30，最高可達(dá)到0.39，相對(duì)來講測(cè)試過程最穩(wěn)定，安全性最好.文獻(xiàn)[3]在測(cè)試初期的μzt值與本文方法的相接近，但隨著測(cè)試次數(shù)的增加，文獻(xiàn)[3]的μzt值呈急速下降的趨勢(shì).文獻(xiàn)[5]的μzt值始終低于其他方法，說明該方法穩(wěn)定性能最差.綜上所述，本文方法的μzt值要高于其他方法，可達(dá)到0.39，證明本文方法的測(cè)試過程最穩(wěn)定，安全性最好.

4 結(jié) 論

為了解決傳統(tǒng)測(cè)試方法中存在的問題，本文提出網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備人工智能化運(yùn)維策略.首先利用VRNN算法對(duì)網(wǎng)絡(luò)數(shù)據(jù)中心IT設(shè)備中的異常數(shù)據(jù)進(jìn)行定位；再利用可量化的安全評(píng)估模型對(duì)其進(jìn)行運(yùn)維應(yīng)用測(cè)試.對(duì)比實(shí)驗(yàn)證明，本文提出方法抗噪聲性能較好，檢測(cè)精度最高可達(dá)92%以上，μzt值能夠達(dá)到0.39，穩(wěn)定性較好，具有較高的實(shí)用性能.但所提方法對(duì)異常數(shù)據(jù)定位因素的研究不夠充分，今后會(huì)針對(duì)這一問題繼續(xù)對(duì)該方法進(jìn)行優(yōu)化處理.