摘要：傳統(tǒng)的交換機決策算法主要基于固定的規(guī)則和策略，難以適應復雜多變的網(wǎng)絡環(huán)境。隨著人工智能技術的快速發(fā)展，機器學習和深度學習算法成為改進交換機決策的有力工具。這些算法能夠通過學習和訓練來自動調(diào)整交換機的決策策略，提高網(wǎng)絡的效率和可靠性。主要介紹基于人工智能的計算機網(wǎng)絡交換機決策算法的理論基礎、應用技術和算法設計，以及幾種具體的算法示例。

關鍵詞：人工智能計算機網(wǎng)絡交換機決策算法深度學習

中圖分類號：TP393

TheDecisionAlgorithmofComputerNetworkSwitchesBasedonArtificialIntelligence

YANZhifeng1SHENYue2LIUJiafan1LIUWei1

1.TaiyuanSatelliteLaunchCenter，Taiyuan，ShanxiProvince，030027China;2.BeijingInstituteofTrackingandTelecommunicationsTechnology，Beijing，100094China

Abstract：Thetraditionaldecisionalgorithmofswitchesismainlybasedonfixedrulesandstrategiesandisdifficulttoadapttothecomplexandchangeablenetworkenvironment.Withtherapiddevelopmentofartificialintelligencetechnology，machinelearninganddeeplearningalgorithmshavebecomepowerfultoolsforimprovingthedecisionofswitches，whichcanautomaticallyadjustthedecisionstrategyofswitchesthroughlearningandtrainingandimprovetheefficiencyandreliabilityofthenetwork.Thisarticlemainlyintroducesthetheoreticalbasis，applicationtechnologyandalgorithmdesignofthedecisionalgorithmofcomputernetworkswitchesbasedonartificialintelligence，aswellasseveralspecificalgorithmexamples.

KeyWords：Artificialintelligence;Computernetworkswitch;Decisionalgorithm;Deeplearning

本文先探討了計算機網(wǎng)絡交換機的作用和功能，包括數(shù)據(jù)包的轉(zhuǎn)發(fā)和交換。其次，指出了傳統(tǒng)交換機決策算法的局限性，如固定規(guī)則和策略無法適應復雜多變的網(wǎng)絡環(huán)境。為了解決這些問題，引入了人工智能技術。最后，列舉了幾種基于人工智能的交換機決策算法。這些算法能夠提高交換機決策的效率和準確性，進一步優(yōu)化網(wǎng)絡性能。

1理論基礎

1.1計算機網(wǎng)絡交換機的作用和功能

計算機網(wǎng)絡交換機的主要功能就是實現(xiàn)對數(shù)據(jù)包進行接收、存儲以及轉(zhuǎn)發(fā)等功能，并將源設備中的數(shù)據(jù)包發(fā)送給目標設備。交換機學習并設置轉(zhuǎn)發(fā)表后，按照數(shù)據(jù)包目的MAC地址向?qū)丝谵D(zhuǎn)發(fā)數(shù)據(jù)包，實現(xiàn)網(wǎng)絡設備間通信[1]。交換機也能對網(wǎng)絡進行分割與隔離，為網(wǎng)絡拓撲結(jié)構提供彈性，改善了網(wǎng)絡性能與可靠性。

1.2傳統(tǒng)交換機決策算法的局限性

傳統(tǒng)的交換機決策算法存在著不能適應復雜多樣網(wǎng)絡環(huán)境等限制。傳統(tǒng)算法一般都是使用靜態(tài)配置及預先確定的規(guī)則進行決策，不能隨著網(wǎng)絡環(huán)境變化及需求改變而動態(tài)地調(diào)整決策策略[1]。此外，傳統(tǒng)算法在大規(guī)模網(wǎng)絡和高速網(wǎng)絡中的處理能力受限，無法滿足現(xiàn)代網(wǎng)絡高性能的要求。

1.3人工智能的計算機網(wǎng)絡交換機決策算法設計

首先，設計高效的數(shù)據(jù)包分類算法，可以使用機器學習算法，如支持向量機（SupportVectorMachines，SVM）或神經(jīng)網(wǎng)絡（NeuralNetwork，NN）。其次，設計隊列調(diào)度算法，如先到先服務（FirstComeFirstServed，F(xiàn)CFS）、優(yōu)先級調(diào)度（PriorityScheduling，PS）或輪詢調(diào)度（RoundRobin，RR）等，用于分組的排隊和調(diào)度。同時，需要兼顧安全性，可以采用入侵檢測系統(tǒng)（IntrusionDetectionSystem，IDS）或者防火墻來預防網(wǎng)絡攻擊。最后，對網(wǎng)絡管理系統(tǒng)進行了設計，可以使用簡單的網(wǎng)絡管理協(xié)議（SimpleNetworkManagementProtocol，SNMP）等網(wǎng)絡管理協(xié)議對交換機進行監(jiān)控與管理，如圖1所示。

2深度學習在智能交換機決策中的應用

2.1背景介紹

近幾年，互聯(lián)網(wǎng)技術快速發(fā)展，網(wǎng)絡規(guī)模越來越大，數(shù)據(jù)流量也隨之劇增。傳統(tǒng)交換機決策方法具有缺乏學習能力，不能適應不斷變化的網(wǎng)絡環(huán)境的局限性。為了改善交換機的決策性能及靈活性，必須引進新技術。深度學習技術被廣泛地應用于人工智能領域，其特征學習與泛化能力強。

2.2深度學習基礎

深度學習是一種使用神經(jīng)網(wǎng)絡的機器學習，有很強的特征學習與泛化能力。卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetworks，CNN）和循環(huán)神經(jīng)網(wǎng)絡（RecurrentNeuralNetwork，RNN）是兩種主要的模型，分別用于圖像和序列數(shù)據(jù)的處理。利用人工智能交換機上的深度學習可以對網(wǎng)絡流量特征進行學習以增強路由決策的效果[2]。CNN作為前饋神經(jīng)網(wǎng)絡中的一種變體，它具有優(yōu)良的空間特征提取能力以及無監(jiān)督學習能力。RNN擅長序列數(shù)據(jù)的處理，可以利用上下文信息提高預測精度。

2.3基于深度學習的交換機決策模型

本研究提出了基于深度學習的交換機決策模型，分為離線學習和在線決策兩階段。離線學習利用網(wǎng)絡流量數(shù)據(jù)訓練卷積神經(jīng)網(wǎng)絡模型，用于特征學習。包括數(shù)據(jù)預處理（清洗和特征提取）、卷積神經(jīng)網(wǎng)絡模型的構建和訓練。在線決策采用訓練好的模型預測輸入流量數(shù)據(jù)得到最優(yōu)路由決策。

2.4實驗與評估

實驗結(jié)果顯示：基于深度學習的交換機決策模型在多個方面表現(xiàn)出優(yōu)異性能。首先，其提高了數(shù)據(jù)轉(zhuǎn)發(fā)效率。其次，在網(wǎng)絡環(huán)境變化時表現(xiàn)出顯著的自適應能力，相比傳統(tǒng)方法更穩(wěn)定。最后，模型在處理實時數(shù)據(jù)時表現(xiàn)出較高的準確性和可靠性[3]。通過真實網(wǎng)絡環(huán)境測試，與傳統(tǒng)路由決策方法相比，深度學習模型更好地適應網(wǎng)絡變化并提高數(shù)據(jù)轉(zhuǎn)發(fā)效率。

2.5結(jié)論與展望

本研究提出了一種基于深度學習的交換機決策模型，該模型能夠?qū)W習網(wǎng)絡流量的特征，自適應地進行路由決策。實驗結(jié)果表明，所提出模型具有較高的性能和有效性。未來研究方向包括：（1）研究更復雜的深度學習模型，以提高決策性能；（2）考慮其他因素（如能耗、延遲等），以實現(xiàn)多目標優(yōu)化。

3計算機網(wǎng)絡交換機決策算法設計

3.1數(shù)據(jù)預處理

如表1所示，數(shù)據(jù)預處理的目的是對原始數(shù)據(jù)進行清洗與歸一化處理，從而改善數(shù)據(jù)的質(zhì)量與可用性。在清洗時，需要對噪聲、異常值以及缺失值進行辨識與處理，才能保證數(shù)據(jù)的準確性與完整性。常見的清洗方法包括箱形圖分析、Z-score標準化以及基于統(tǒng)計方法檢測離群點等。數(shù)據(jù)歸一化把具有不同特征的數(shù)據(jù)變換到統(tǒng)一尺度范圍內(nèi)，消除了特征之間的差異，增強了模型泛化能力[4]。常用的歸一化方法主要有最小-極大歸一化、Z-score標準化，以及基于統(tǒng)計方法進行數(shù)據(jù)轉(zhuǎn)換等。

3.2特征選擇

特征選擇的方法很多，主成分分析法和隨機森林是常用的方法。主成分分析利用線性變換把原始特征變換成一組無關主成分，在降低數(shù)據(jù)維度的前提下保留了大部分信息，增強了模型泛化能力。隨機森林構建多棵決策樹和評估特征的重要性對主要特征進行篩選，從而避免了過擬合的問題，提高了模型的泛化能力。特征選擇減少模型的復雜度，提高效率和精度。

3.3模型訓練

模型訓練時優(yōu)化參數(shù)提高泛化能力是關鍵。網(wǎng)格搜索窮盡可能參數(shù)組合尋找最優(yōu)解，但計算復雜度較高；相比較而言，隨機搜索以更低的計算復雜度尋找最優(yōu)參數(shù)，但是全局最優(yōu)解出現(xiàn)的可能性更小。訓練完成之后，需要對模型的泛化能力進行驗證，通常采用的有交叉驗證、留出法等[5]。交叉驗證分步對數(shù)據(jù)集進行子集合分割，并將其中一部分子集合作為測試集，其余子集合作為訓練集對模型的泛化能力進行評估；留出法則把數(shù)據(jù)集分成訓練集和測試集，用于模型的訓練和驗證。

3.4模型評估

訓練模型性能評估中，模型評估非常關鍵，主要是選擇合適的評估指標如準確率、召回率和F1分數(shù)。準確率度量了模型預測中正確樣本數(shù)占總樣本數(shù)比重，體現(xiàn)了預測結(jié)果質(zhì)量。召回率表示模型正確預測的正樣本數(shù)與全部正樣本數(shù)之比，評價模型識別正樣本的能力。以F1分數(shù)為準確率與召回率調(diào)和平均值綜合考慮了模型性能與預測能力。

4基于人工智能的計算機網(wǎng)絡交換機決策算法

4.1流量控制算法

流量控制算法在AI基礎上使用監(jiān)督學習對歷史流量數(shù)據(jù)進行分析來預測網(wǎng)絡擁塞情況。該算法通過對數(shù)據(jù)特征的辨識及標簽的解讀可以精確地判斷流量的變化趨勢。當檢測到潛在的擁塞時，交換機會對帶寬分配，排隊策略或者路由選擇進行調(diào)整，以保證網(wǎng)絡資源的合理配置，避免擁塞的發(fā)生。

4.2路由選擇算法

以人工智能路由選擇算法為基礎，通過深度學習分析網(wǎng)絡拓撲結(jié)構及特點，從而達到最優(yōu)路徑選擇并確保數(shù)據(jù)的快速傳輸。算法通過對節(jié)點關系及流量狀況的挖掘來對最優(yōu)的路由路徑進行學習預測[6]。通過對神經(jīng)網(wǎng)絡模型的訓練，交換機能夠根據(jù)當前網(wǎng)絡狀態(tài)及需求自動地選擇最優(yōu)的路由路徑以改善網(wǎng)絡的性能及效率，以適應不同應用場景的要求，充分展示了人工智能在路由選擇中的潛能與應用。

4.3安全性算法

采用機器學習算法對網(wǎng)絡流量特征及行為進行分析，對DDoS攻擊、入侵行為等多種網(wǎng)絡攻擊進行識別。當檢測到潛在威脅時，交換機可以依據(jù)算法的預測結(jié)果采取封鎖惡意IP地址、限制異常流量、保障網(wǎng)絡安全等安全防護措施。機器學習算法通過不斷地學習來不斷地分析網(wǎng)絡流量的特性與行為，并不斷更新優(yōu)化模型以適應網(wǎng)絡攻擊手段發(fā)生改變。

4.4可靠性算法

采用人工智能技術、可靠性算法采用強化學習方法對傳輸協(xié)議進行優(yōu)化，顯著提高了數(shù)據(jù)傳輸可靠性。強化學習算法是通過和環(huán)境進行交互來學習最優(yōu)的決策策略以最大化長期獎勵。以人工智能為核心的交換機可以根據(jù)網(wǎng)絡狀態(tài)與傳輸需求通過加強學習算法對傳輸協(xié)議進行學習與優(yōu)化，從而靈活地適應多種網(wǎng)絡環(huán)境與傳輸需求，從而顯著提升了數(shù)據(jù)傳輸可靠性與效率，顯示了智能化數(shù)據(jù)傳輸管理能力。

5結(jié)語

通過引入機器學習和深度學習算法，可以實現(xiàn)交換機決策的智能化和自適應性。未來的研究方向包括進一步優(yōu)化算法性能、提高算法的實時性和可擴展性，以及探索更多的應用場景。

參考文獻

[1]韓莉，佟志勇，林靖.互聯(lián)網(wǎng)+人工智能對高等教育影響初探[J].中國軟科學，2021（S1）：127-130，139.

[2]朱敏.基于人工智能技術的物聯(lián)網(wǎng)大數(shù)據(jù)挖掘算法[J].黑龍江工業(yè)學院學報（綜合版），2021，21（12）：54-59.

[3]沈揚.人工智能在計算機網(wǎng)絡技術中的應用[J].技術與市場，2021，28（12）：94-95.

[4]張道路.基于深度學習和集成學習的配電網(wǎng)中期負荷預測研究[D].廣州：華南理工大學，2022.

[5]邰煜.基于LSTM的社交網(wǎng)絡特定領域評論生成技術[D].秦皇島：燕山大學，2019.

[6]扈曉君，郭一銘.基于深度學習模型的圖像分析算法綜述[J].軟件，2021，42（8）：138-140.