在线咨询
摘要：随着大数据时代来临，科学技术不断进步，计算机网络技术在各个领域占有举足轻重的地位。然而，由于各个领域对计算机网络的要求不断增高，其局限性逐渐暴露，因此，将人工智能技术引入到计算机网络中成为一种必然的趋势。基于此，本文根据智能故障溯源、K-means算法、NaiveBayes算法等方面对人工智能于计算机网络运维中的应用策略进行了详细剖析与研究，以此为用户带来更优质的服务。
关键词：人工智能；K-means算法；NaiveBayes算法；应用策略
伴随着网络上产生的数据量激增，人工智能正逐步应用到各个领域，其可以提取出海量大数据中有效的信息，提升非线性问题处理时效。现阶段于大数据背景下的人工智能应用在计算机网络中的优势还未被完全发掘，因此，我们需要采取更进一步的深入研究。
1研究背景
1.1人员工作量繁重
传统含义上的计算机网络管理依靠管理人员使用管理软件对网络系统状况实行调控，来确保网络顺利运作。由于网络管理工作量巨大，任务繁重，工作人员负荷较大，因此，应用人工智能技术可以省去许多琐碎的人工操作，普遍含义上提高了人们的生活标准以及网络管理时效。
1.2网络监督与控制困难
由于人们工作生活中产生的数据量不断攀升，且数据来源复杂，因此，就传统计算机网络技术而言，其网络监督效果较差、控制能力不足。人工智能面向较为复杂的计算机网络结构能够进行实时监控，分析和评估，有效解决传统计算机无法解决的难点，保障计算机网络平稳运行。
2大数据背景下人工智能的应用优势
2.1处理问题高效
计算机网络存有大量未知、烦琐以及模糊的数据，覆盖着许多领域的内容，以传统计算机网络处理这些数据将会十分困难[1]。而人工智能分析过程中使用的数据并不需要完全准确，通过对人类思维模式的模拟，它能够灵活分析和处理模糊问题。
2.2计算成本低
如今为了满足各领域日益增长的需求，数据中心运营中产生的成本越来越大。人工智能采用的主要算法是控制算法，它的运算速度较高，消耗资源较少，可以有效降低运营时产生的成本。另外，人工智能的自动化过程大大降低了人为操作的需求以及处理数据所耗时间和资源，企业节省成本的同时可以优化企业资源管理，获得更高的效益。
3大数据时代下人工智能在计算机网络运维中的应用策略
3.1计算机网络维护
传统计算机网络维护处理数据效率低，周期长，质量也难以保障，跟不上用户的需求，我们可以把人工智能技术应用至计算机网络维护中。以人工智能为载体的计算机维护应用领域十分广泛，其中智能故障溯源技术[2]可以过滤筛选分类告警信息，提取故障特征，并根据KPI指标，故障处理经验等进行AI学习，形成故障诊断资料库，根据每个告警信息间的关系进行故障溯源。具体流程如图1所示。人工智能通过海量数据的支持，可以作为信息分配的载体，建立智能数据库，收集用户行为信息进行学习和反馈，然后针对不同环境进行预期分析，为用户提供智能决策规范。
3.2计算机网络管理
鉴于智能化、信息化的普及，企业与各种机构乃至人们的生活都愈发仰仗计算机技术，计算机网络与人工智能技术高度融合可以提高数据库的运行效率，极大提高了网络管理的效率，降低管理难度，为企业工作提供决策方向。基于此，可以利用K-means算法在短时间内处理海量数据，获取用户行为信息，分析人们的需求以提供合理的优化方案，提高计算机网络管理水平。K-means算法在机器学习、数据挖掘等方向被广泛地应用。它是一种典型的无监督学习算法，根据数据样本间的相似性，将样本分成许多不同的类别[3]。K-means算法流程如图2所示。一般情况下，我们用元素间的相对距离来表示不同类型变量的相异度，下面介绍几种常用的距离计算方法。（1）欧式距离欧式距离即样本和质心在欧式空间中的几何距离，它具有直观和可解释性强的特点，因此，欧式距离在日常生活中的应用较为广泛。欧式距离的计算公式如下：d(X,Y)=(xi−yi)2ni=1=(x1−y1)2+(x2−y2)2+···+(xn−yn)2其中，X,Y为两个元素项集，X={x1,x2,x3,···,xn}，Y={y1,y2,y3,···,yn}，n为可度量特征属性个数。（2）曼哈顿距离曼哈顿距离即直角坐标系里，两点连线于坐标轴上的投影长度，其距离计算公式为：d(X,Y)=|x1−y1|+|x2−y2|+···+|xn−yn|传统K-means算法步骤及过程烦琐，可对K-means算法实行优化。首先，从数据集中随机选择出一个样本当作初始质心μ1，采取欧式距离公式求得全部样本点qi到初始质心μ1的间距d(qi,μ1)，选择距离最远的样本点作为另一个质心μ2。接着计算两个质心μ1，μ2间的距离d(μ1,μ2)，根据空间立体几何性质，选取样本点qj，若2dqj,μ1≤d(μ1,μ2)，则dqj,μ1≤dqj,μ2，即样本点qj离质心μ1更近，否则距离质心μ2更近，不需再计算dqj,μ2，这样就可以把各个样本分配至间隔最近的类中。然后再一次求出每个类的新质心并分配样本点，持续进行上述流程直至质心不再改变。
3.3计算机网络安全管理
在大数据普及范围逐渐扩大的背景下，计算机网络中储存着各种重要的信息，为了有效保障用户个人信息的私密性，提升数据的安全性，可以将人工智能引入到计算机网络中，强化计算机安全管理能力。基于NaiveBayes算法可以对垃圾邮件实现过滤[4]。具体流程如图3所示。NaiveBayes算法是一种基于概率统计对样本数据分类的机器学习方法，其假定前提条件为样本间相互独立，设类别集合为(a1,a2,a3,⋯,an)，邮件文档为bi，则样本bi属于类别aj的概率计算公式为Pajbi=PajPbiajP(bi)P(bi)=PajPbiajkj=1其中，Paj为aj类的先验概率，Pajbi为后验概率，Pbiaj为似然概率。计算k个Pajbi的值，若Pajbi是这k个值中的最大值，则邮件bi归入aj类。为了提高运算时效，可通过NaiveBayes算法与增量学习融合的方式对传统的NaiveBayes算法进行优化，提高了垃圾邮件的筛查力度及正确率。由于垃圾邮件分类是一个实时更新的过程，新的网络语言层出不穷，先验样本的训练集不够全面，若待检样本中出现训练集未收录的词汇，那么系统将无法准确判断这个词汇。因此，改进后若系统检测出先验样本训练集中不存在的词语，则将这个词语增添到特征词库中，再重新计算有关概率。
4结语
在大数据时代下，人工智能技术同计算机网络技术相融合可以显著提升运维时效，增强信息安全性。随着时代的进步，计算机网络飞速发展的同时也面临着挑战，人工智能在计算机网络运维中的运作策略还需不断挖掘与探索，以提升网络智能化水准。
参考文献：
[1]尹汉雄.大数据视角下的人工智能技术应用探讨[J].科技资讯，2019，17（14）：26-27.
[2]孙景.关于人工智能在通信网络故障溯源的应用研究[J].中国新通信，2019，21（12）：115.
[3]郑舒方.K-means聚类算法在通信运营商精准营销中的应用研究[D].吉林大学，2019.
[4]王鹿，李志伟，朱成德，李永久.基于朴素贝叶斯算法的垃圾邮件过滤研究[J].传感器与微系统，2020，39（09）：46-48+52.
作者:高盛轩 周传生 单位:沈阳师范大学
