基于机器学习的网络状态感知分析方法
时间：2023-05-27 15:05:16 来源：雅意学习网 本文已影响 人 
任育峰
（中国电子科技集团公司第二十研究所，陕西 西安 710000）
面向2030 年，6G 时代的通信应用场景将比目前发生根本性变化。在6G 的时代会涌现出人机之间、机器之间、节点之间、多个节点与多个节点等多种连接的混合模式，这些网络场景需要任务驱动的网络。满足多种场景的多样化业务需求，对可靠性、确定性、智能化等提出了更高要求[1]。在6G 时代，通信网络必须实现贯通空天地多域融合，构建为一个整体化的系统，从而基于全领域全要素面向多样化通信网络的状态感知、通信、计算能力的系统构建，增强网络性能的同时，赋予网络自身的自我分析、自我优化、自我维护的新能力。
当使用条件变得复杂与面临业务更加丰富时，以当前通信网络的架构，必须进行很大程度的人工配置和修正，这样会使管理成本大幅增加。随着基于认知驱动和意图驱动的发展，通过在网络中引入知识平面，利用软件定义网络、遥测、仿生智能等技术实现知识定义网络。网络的治理机制方面，采用智能自治的分布式管理机制和数字孪生技术，实现6G 网络的自我组织、自我演进。网络通过自管理属性动态地进行资源管理，并利用自保护属性维持网络的稳态，基于服务要求自适应网络的状态变化。
考虑网络的兼容性和持续演进，端到端网络服务化，功能按需编排，实现高效网络服务。根据业务与应用层提供的用户需求，网络功能层按需地进行部署及参数的配置，同时按需调度与预留资源，由此在业务与应用层实现服务化构建。可以利用区块链等新技术，实现云、网、边之间资源的按需分配和灵活调度，从而在资源层实现服务化构建[2]。基于微服务理念对无线协议功能进行重构，构建功能更细粒度的控制面与用户面网络功能资源池。该网络功能资源池中的每一个网络功能都可以独立迭代演进、弹性扩展，网络功能之间也可以根据用户需求按需组合，为用户提供定制化网络服务。
现有的基于数据的网络分析技术主要反映网络的运行状态，可以判别网络运行是否正常。网络中流量的各种参数主要包括：接收和发送数据报、丢包率、数据报延迟等。SNMP（Simple Network Management Protocol,简单网络管理协议）[3]是基于TCP/IP、应用最广泛的网管协议，能够从管理信息库中获得单个设备的局部信息，包括设备端口状态、流量、错误包数等数据等。RMON（Remote Network Monitoring，远程网络监视，RFC2021）[4]由SNMP MIB 扩展而来，网络监视数据包含了一组统计数据和性能指标，它们在不同的监视器和控制台系统之间相互交换。它可以主动地监测远程设备，对设备端口所连接的网段上的各种流量信息进行跟踪统计，如某段时间内某网段上报文总数等，设备主动地对网络性能进行诊断并记录网络性能状况，在发生故障时可以把信息及时通知管理者，相关信息分为统计量、历史、告警、事件等四个组，可以预置规则。NetFlow[5]最早由Cisco 研发的流量汇总标准，最初用于网络服务计费，通过路由器提供收集IP 网络流量的能力，分析NetFlow 数据（UDP packets）以感知网络流量和拥塞情况。
对于现有的网络分析方法，只能对当前网络状态进行分析。对于6G 网络的通信感知一体化的设想与需求，本文提出一种基于机器学习的网络状态感知方法，以应对6G 网络中日益增长的网络分析、维护和优化需求，从而为通信网络实现贯通空天地多域融合扩充的同时实现网络自身的自我分析、自我优化、自我维护的新能力打下基础。
1.1 信息感知内容
作为6G 时代的潜在能力技术，通信和信息感知融合网络可以实现多维感知，赋能通信。6G 网络融合数字世界和物理世界，通信技术需要进一步发展到支撑感知万物的需求，从而实现万物智联。应用在通信网络中的信息感知融合技术能够在最低程度影响通信状态的前提下，使用通信技术本身的可用以感知探测的能力，实现对目标、环境或者内容的智能自适应的感知，促使网络通信瓶颈的发现或赋予通信系统新的能力。因此，应用在通信网络中的信息感知融合技术使得通信网络变得不再只能为信息提供传输和交互的渠道，更让通信网络本身成为一种能够产出有价值信息的庞大资源。通信网络的信息感知是多维的，主要包括：
（1）环境和目标感知。新的频段和大规模天线的进一步演进为无线通信感知深度融合提供了可能，利用无线通信信号接收和处理反射实现物理环境的探测、目标定位和跟踪、移动同步成像、测距制图以及光谱分析等。网络架构需要增强以适配多基站协同感知以及感知能力开放。
（2）业务数据和内容感知。网络数据和内容的感知关键在于对数据和内容的识别、评估和筛选，可利用基于数据和内容命名，将内容与位置解耦的信息中心网络技术在网络层上实现对业务数据和内容的识别。网络架构需要增强以支持采用新编码方式的业务和内容的感知以及QoS 控制。
（3）网络状态感知。网络状态感知包括网络设备的运行状态、网络连接的拓扑变化、用户行为和分布状态等信息的获取，是实现自治网络和自愈网络的基础。网络架构需要增强以满足网络状态的智能化感知、预测以及网络自治。
1.2 网络状态感知流程
对于6G 网络状态感知，主要有以下四步，如图1 所示：
图1 网络状态感知步骤
（1）数据采集：通过各种检测工具，对各种影响网络和网内成员状态的要素进行检测采集获取，这一步是网络状态感知的前提。
（2）数据分析：对各种网络和网内成员状态要素数据，采用分类、归并、关联分析等手段进行处理融合，对融合的信息进行综合分析，得出影响网络的整体安全状况，这一步是态势感知基础。
（3）状态评估：定性、定量分析网络状况和网内成员当前的状态和薄弱环节，并给出相应的应对措施，这一步是态势感知的核心。
（4）态势预测：通过对态势评估输出的数据，预测网络状况和网内成员状态的发展趋势，这一步是网络状态感知的目标。
2.1 网络状态感知应用
为实现通信网络贯通空天地多域融合，在网络状态感知和调控的技术方面，6G 网络管理的需求是将传统集中、局部、层次式的网络管理与调度演进至人、机、物融合的三元网络协同管理，支持边缘智能和适配优化，实现全网资源的多级协同调度[6]。为了实现智慧连接，复杂庞大的6G 网络需要智能化网络感知，可以用于以下方面：
（1）全景数据感知、分析和处理；
（2）自适应的资源主动调度；
（3）网络管控能力的自进化；
（4）提升网络管控过程的安全可信。
2.2 6G网络状态感知实现途径
（1）多维信息感知。利用射频感知、蜂窝网作为传感器等无线通信技术资源感知获取物理环境、目标定位跟踪识别、同步成像的信息数据；
利用网络状态感知引擎获取网络设备的运行状态、网络连接的拓扑等网络状态信息；
利用数据和内容感知引擎感知获取目标业务数据和内容信息。
（2）通感协同计算。通感协同计算可以基于人工智能技术，对网络中信息进行不同维度和粒度的计算和决策，以支持多维信息感知。比如，通感协同计算根据当前无线信号频谱特征决定感知精度、分辨率和误差，利用人工智能算法实现多个基站之间的协同计算，满足精度要求的定位、成像等功能；
从多个采集网络状态，利用人工智能算法对网络状态进行故障分析和预测；
可以结合联邦学习等人工智能技术，从网络中多个数据源获取网络目标数据并进行计算，提取满足对应业务需求的价值信息等。
2.3 基于机器学习的网络状态感知分析方法
本文设计了一种基于机器学习的网络状态感知方法，用于针对通信网络中物理环境、目标定位跟踪识别等信息产生的数据，结合机器学习和人工智能方法对多维信息进行综合分析处理，实现网络状态的实时分析和故障诊断或预测。
利用聚类和弱监督学习的方法对网络状态进行关联分析，首先把原始告警数据进行预处理，对来自不同节点的网络配置、资源特性和成员状态进行统一格式，提取出不同事件关键的描述字段，这些属性就可以简单地描述网络状态和网内成员状态。
根据网络状态和网内成员状态分析处理的规则，将当前时间、网络规划、网内成员数量、网络带宽、时延、抖动、丢包率、成员通信状态、成员位置等属性作为通信网络状态聚类时的匹配格式：a网络状态=(时间，网络规划，成员数量，带宽，时延，抖动，丢包率，成员通信状态，成员位置)。
贝叶斯网络[7]是一种表示和处理随机变量之间复杂关系的工具，它是通过在随机变量之间加箭头而得到的有向无圈图。箭头表示直接概率依赖关系，具体依赖情况由条件概率分布所定量刻画。出于对计算复杂度的考虑，人们会对贝叶斯网络进行一些限制，在实际中使用一些特殊的网络结构。隐树模型（LTM,Latent Tree Model）[8]是一类特殊的贝叶斯网，也称为多层隐类模型（HLCM,Hierarchical Latent Class Model），是一种树状贝叶斯网，模型结构如图2 所示，其中叶节点代表观察到的变量，也称为显变量，其他节点代表数据中没有观察到的变量，也称为隐变量。模型中的其它箭头代表其他变量之间的直接依赖关系，每个箭头都有相应的条件概率分布。
图2 隐树模型结构
根据隐数模型，本文给出了通信网络状态感知隐树模型的结构。其中，网络状态中的“时间”、“网络配置”、“资源特性”和“成员状态”是显变量，而“网络规划”、“网内成员数量”、“网络带宽”、“时延”、“抖动”、“丢包率”、“成员通信状态”、“成员位置”则是隐变量。从“网络带宽”到“网络资源特性”有一个箭头，表示“资源特性”直接依赖“网络带宽”等属性，具体依赖情况由图3 中的条件概率表定量刻画：
图3 通信网络状态感知隐树模型
在隐树模型中，一个隐变量对应一种数据聚类的方法。隐树模型允许模型中有多个隐变量，所以自然地可以多维同时聚类。在例子模型中，可以按照分析能力或者语言能力对网络状态分析，也可以按照成员状态对成员聚类。在隐树模型中，聚类分析可以通过计算给定网络状态的后验概率进行判断。所以，利用隐树模型进行多维聚类分析的技术重点就在于如何通过观测数据学习一个最优的模型。抽象地说，就是找到一个能够最好解释数据的生成隐树模型。
隐树模型的学习是一个对模型逐步优化的过程，优化的目标函数是一个称为贝叶斯信息准则（BIC,Bayes Information Criterion）[9]的函数：
BIC 准则要求模型与数据尽量紧密地拟合，但其复杂度不能过高，所以式中第一项表示拟合程度，而第二项是对于模型复杂度的一个惩罚项。优化过程是一个基于搜索的爬山算法（Hill-Climbing），以只包含一个隐变量的简单的隐树模型作为搜索的起始模型，在搜索的过程中，逐步引入新的隐变量、增加隐变量的取值个数，或者调整变量之间的连接。这是一个逐步修改模型的过程，在这个过程中，模型与数据的拟合程度不断改进，从而BIC 分逐步增加。当模型变得太复杂时，BIC 会不升反降，于是搜索过程停止。
基于这一隐树模型，通过对采集数据的学习和更新参数，可以得到基于当前通信网络状态的量化感知分析。结合模型中各种参数的依赖关系，根据当前输入的数据，可以分别得到网络配置、资源特性和成员状态的整体感知，再结合当前时间和历史数据，可以对当前通信网络的整体状态给出评估。在一定条件下，对于整体状态不佳的网络状态，例如网内成员过多、网络负载过大、网络资源紧张等情况，可以给出状态预警和异常状态原因。
3.1 实验数据
通信网络状态仿真模拟生成系统由想定生成模块、节点状态模拟模块、通信状态模拟模块、系统状态感知模块组成，通过系统状态感知模块对系统状态进行量化感知，并存入数据库。本文实验数据为数据库中真实网络系统运行过程中生成的历史数据，既保证了数据量，也一定程度上满足真实性要求。实验数据产生的流程为：（1）想定生成模块通过预设或随机的方式生成一个特定的通信网络物理状态；
（2）节点状态模拟模块对想定生成的物理网络进行仿真模拟，模拟各个节点的物理状态和状态参数；
（3）通过各个节点的物理状态和状态参数对网络通信状态进行模拟，并实时采集网络通信状态数据；
（4）更新想定或节点状态，重新模拟通信网络状态，并采集下一条数据。数据格式如表1 所示。
表1 数据格式
3.2 隐树模型的参数学习
实验通过对通信网络状态数据进行隐树模型建模，来分析各参数、状态之间的潜在关系。模型采用最大期望算法[10]对数据与参数的最大似然估计进行交替迭代求解，以获得隐树模型参数的最大似然估计，主要包括：在E步（Expectation-step）中，利用已有参数估计，通过计算部分观测变量的期望充分统计量来进行计算；
在M 步（Maximization-step）中，利用E 步中计算得到的期望统计量来估计模型参数，确保最后模型参数收敛于局部最大值。最大期望算法是一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。最大期望算法的基本思想的是：若参数θ已知，则可根据训练数据推断出最优隐变量Z的值（E 步）；
反之，若Z的值已知，则可以方便地对参数θ做极大似然估计（M步）。于是，以初始值θ0为起点，可迭代执行以下步骤直至收敛：（1）基于θt推断隐变量Z的期望，记为Zt；
（2）基于已观测变量X和Zt对参数θ做极大似然估计，记为θt+1。
模型参数学习结果通过模型的似然度以及贝叶斯信息准则得分进行评价。对数似然度是参数恢复过程中得到的，较大的对数似然度表示得到的模型能更好地逼近潜在模型。BIC 得分则在评价模型恢复效果的同时对模型复杂程度进行惩罚，防止过拟合。模型整体性能通过预测准确率进行评价。
3.3 实验与分析
本文模型对通信网络状态感知任务中的表现如表2所示。
表2 通信网络状态感知隐树模型性能
通过表2 可以得到，本文设计的通信网络状态感知隐树模型相比于一般贝叶斯网络在通信网络状态感知任务中能够获得更好的性能，可以对当前相对复杂的通信网络状态进行量化感知，并可结合当前网络状态对后续网络状态和成员状态进行初步预测。通过多层隐树模型，在整体输出节点可以获得网络整体状态的感知和故障诊断预测，在各个一级子节点可以得到网络当前状态、成员状态、网络资源状态等信息。
在未来6G 网络设计中，节点都将是一个个智能体，每个智能体不仅能提供服务、存储数据、节点路由和感知计算等，而且多智能体之间可以进行信息的无缝流动和计算的分布式协作，以满足日益增长的通信需求[11]。为实现这一愿景，通信网络状态感知分析是关键的一步，本文设计的基于机器学习的网络状态感知分析方法，可以在仿真环境中初步满足这一需求，同时能够分析和预测通信网络态势，为实现通信网络的自分析、自优化、自部署和自维护打下基础。本文模型具有扩展性和兼容性，对于日后增长的网络状态参数、网络规模、其他感知分析等目前未涉及参数和分析需求，能够通过简单的调整，快速适应各类任务需求。同时，可以通过采用内生业务部署的方式，把模型视作一种应用程序，把模型的部署与更新视为应用程序的下载和安装过程，降低模型维护难度以便于迭代更新。
猜你喜欢 变量成员节点 主编及编委会成员简介城市建设理论研究（电子版）(2022年27期)2022-09-30主编及编委会成员简介城市建设理论研究（电子版）(2022年10期)2022-06-08主编及编委会成员简介城市建设理论研究（电子版）(2022年4期)2022-06-08主编及编委会成员简介城市建设理论研究（电子版）(2022年9期)2022-06-07抓住不变量解题小学生学习指导(高年级)(2021年4期)2021-04-29概念格的一种并行构造算法河南科技学院学报(自然科学版)(2020年2期)2020-05-22结合概率路由的机会网络自私节点检测算法小型微型计算机系统(2020年5期)2020-05-14采用贪婪启发式的异构WSNs 部分覆盖算法*火力与指挥控制(2020年1期)2020-03-27Crosstalk between gut microbiota and antidiabetic drug actionWorld Journal of Diabetes(2019年3期)2019-04-16分离变量法：常见的通性通法新高考·高二数学(2014年7期)2014-09-18
