人工智能在网络运维中的应用及其经济价值的研究
唐传娣（江西财经职业学院）
摘要： 随着我国信息化技术的不断发展，5G时代即将来临，将其应用到人工智能方面，能够有效提高网络运维质量。对比于传统网络运维工作，新型网络运维模式具有灵活性高、运行效率高、适应各类应用环境等优势。本文主要对人工智能在网络运维中的应用进行深入研究。根据其中所应有的网络技术和算法信息进行讲解，并结合实际情况，提出针对性的应用措施，从而有效提高人工智能在网络运维中的应用效果，促进网络运营商的可持续发展。
关键词： 人工智能；网络运维；应用研究
随着网络传输技术的不断发展，越来越多的网络运营商正处在5G转型阶段，而使用者也更加重视网络传输的质量和体验感觉。传统的网络运维模式已经逐渐的不能满足日益增长的网络传输需求，其不能及时的处理网络传输过程中出现的延时问题，并且只能通过上门维修的方式进行清理故障，因此，现阶段5G时代需要引入以人工智能为主的网络运维模式，提高信息处理能力。
一、智能运维方案
（一）优化网络运维数据
通过分析以往网络运维管理模式，可知其不能满足5G网络发展的需求，由于在5G网络下，能够进行精确的大数据处理和智能化管理，因此会产生海量的网络运维数据，传统网络运维模式不能良好的处理运维数据，降低运维管理效率。目前市场主流网络运维管理模式主要以降噪和过滤警告信息为主，其主要是通过正则表达式来完成以上工作，但是在实际应用中，处理工作间缺乏关联性，不能保证数据处理的准确性。对于人工智能在网络运维中的应用，其能将海量的网络运维数据进行粒度化管理，结合聚类和去重算法，能够有效判断出其中存在的故障信息，并及时的处理网络运维数据，起到优化网络数据的作用，提高网络运维运行效率[4]。
（二）定位根因问题
传统网络运维在处理网络故障问题、警告信息定位和网络数据处理时，主要采取人工判断的处理方式。在实际的应用中，由于大量的网络运维数据，大多数网络运维处理人员需要花费大量的时间去判断故障定位。故障定位是影响网络运维效率的关键因素。本文按照实际情况，制定一套合理的定位网络运维根因问题的处理方案，将人工智能和专家学习系统相结合，综合两者的优势，在处理网络运维故障定位时，能够分别处理网络运营过中收集的网络资源数据信息、地理数据等信息，然后结合实际情景情况，去合理的运用网络运维数据。最后基于人工智能，建立深度进化神经网络模型，将网络运维数据导入到模型中，使其直观的呈现到系统后台中，利用自身的算法优势，分析网络运维数据，准确的找出故障定位信息，从而解决定位根因问题，提高人工智能在网络运维中的应用效果。[1]
（三）故障预测决策
由于网络传输环境较为复杂，因此在网络运维数据分析过程中，需要建立故障预测决策模型来提高网络运维效率，但是在实际应用中，其具有较大的难度。人工智能在网络运维中的应用，结合syslog信息和网络传输接口等信息，采用自主学习能力，并利用逻辑回归模型引入各类复杂网络传输特征，在网络运维应用中，能够有效的预测网络传输中出现故障的位置和类型，并根据反馈信息，制定合理的处理方式，解决存在的故障问题。基于人工智能下的网络运维模式能够改善传统网络运维的体检式检测模式，建立完善的基因检测式检测模式，能够对存在的传输故障有预知性，从而提高故障预测决策的准确性。[2]
（四）深度调优算法
由于网络运维会产生海量的数据信息，因此在处理数据时需要引入大数据处理技术，并结合处理系统的实际处理能力，需要对所应用的算法进行深度调优，才能确保大数据处理的准确性。现阶段处理网络运维大数据时，主要存在的问题为系统处理速度较低，难以达到精准数据处理的要求。人工智能能够结合NLP语义分析技术，能够将其应用到大数据算法中，通过深入分析上下文数据信息，并结合复杂网络下的情况，利用网络数据的独特性和语法分析等特征，建立网络运维数据库。在后期的网络运维大数据处理中，能够调用其中的信息，判断网络运维中存在的故障问题，从而提高网络运维数据处理效率。[3]
人工智能在网络运维中的应用关键因素为神经网络的建设，其具有良好的数据处理和自我学习能力，能够将数据故障风险降到最低，除此之外，神经网络还具有良好的适应功能和自编制能力，因此被广泛的应用到挖掘深度信息工作中。结合实际应用情况，人工智能化网络运维需要修改网络运营时序数据，而LSTM具有良好的数据映射能力，能够得到准确的时序更改信息，提高网络优化效果。但是在实际的应用中，结合LSTM应用数据，可知其会改变数据信息中的权重和参数，导致网络运维模式中网络传输节点出现问题，针对这类问题，本文主要采用协同进化计算方式优化LSMT的应用模式，来提高数据处理能力。在网络运维模式中应用协同进化计算方式对海量数据分析时，时序数据会出现变化，其会产生良好的数据结果。这种优化模式类似于大自然的进化模式，主要分为交叉、变异和选择三类。协同进化计算方式不会直接得到最优解，其计算能力相较于其他模式较弱，因此在实际网络运维模式下，会引入大量的数据算法来提高数据计算能力。通过对协同进化计算方式应用的分析，可知主要采用的数据算法有串行协同进化计算、并行协同进化计算和混合协同进化计算。
二、人工智能在网络运维中的关键技术研究
（一）系统工作过程
基于人工智能下的网络运维工作要具有完善的工作能力，其主要由远程技术判断、智能化研究、网络业务计划、构建数据模型和数据任务管理构成，本文结合以往大量的实践信息和工程，深入分析系统工作过程中神经网络技术对网络运维大数据处理情况。根据实际情况，为了提高网络运维数据处理能力，将多个前馈神经网络进行综合处理，并将其按照功能分类为不同信息处理板块，使其能够针对性的分析特定的网络运维数据。在控制网络运维系统过程中，需要综合运用专家系统和神经网络系统，例如，在对神经网络工作过程中，现阶段主要处理模式为依据网络运维技术人员的经验和诊断推理方法，能够有效提高网络运维数据处理效率[5]。
（二）协同进化计算
当两个相跳闸过早时，会对所测量的电压波形产生更高的频率失真。因此，为了避免这些瞬变对重合闸继电器造成的不利影响，文献[11]建议对于所考虑的750 kV输电系统，在初次灭弧后启动两个相断路器跳闸时间在10～15个周期，则次级电弧的大小（在故障相的初始跳闸之后产生）将显著地减小且在360 ms内发生完成灭弧。
串行协同进化计算主要指的是在数据处理过程中，其能够将计算迭代次数分为不同的数段，然后按照次序进行求解其中的问题。在这其中也可以应用数据处理并行混合算法，其能将网络运维数据进行针对性的区分，然后按照区分的标准应用特定的算法来得到最优解。在串行协同优化计算应用过程中，其所应用的算法数量可以为特定区域的总数，每个区域得到算是指在处理网络运维数据中，并行所应用的各算法的区域数之和为总体的个数，单个算法得到的迭代次数为迭代总次数相同。在实际的应用中，每次迭代所产生的最优值都能将其作为总网络运维数据处理的最优解。混合协同进化计算方法是在网络运维数据过程中，将上述两者进行综合应用，在计算网络运维数据过程中，由于数据处理初期基数大、随机性强、区域收敛性较弱，因此需要算法具有良好的收敛性。在数据处理中期，各个处理数据初期都能得到优化后的数据值，并且没有较强的区域收敛性，因此需要引入数据处理能力较强的算法来得到此时的最优解。在数据处理后期，当数据区域收敛于当前的优化值后，需要在区域收敛性外进行分析优化值，从而得到网络运维数据处理的最优解[6]。
“重写文学史”虽然在文学史上有着重要意义，但是在一定历史条件之下不可避免带有局限性。有学者重新评价了十七年文学的代表作之一——柳青的《创业史》，然而这篇文章主要缺点便在于把历史过于简单化。它试图从创业史的整体结构和小说内容出发，对人物的设置以阶级分析的眼光看待，从而得出了《创业史》是以狭隘的阶级分析理论配置各式人物，作品的情节展开与人物之间的矛盾线索便被安排在阶级、阶层等矛盾基础上，使得一切都好似精心安排。
三、结论
随着我国科技化实力的不断加强，对于网络传输质量提出更高的要求。而随着5G网络的迅速发展，其能够满足现阶段高速数据传输和带宽的需求，因此能够推动我国通信运营商的快速发展。在当前网络环境下，传统网络运维模式不能满足运维数据的处理需求，需要引进人工智能化运维管理模式。本文主要分析人工智能在网络运维中应用技术，并根据其数据算法提供参考性意见，提高数据处理的准确性，从而提高人工智能在网络运维中的应用效果，促进网络运营商的可持续发展。
渗透型地表水水源有两种形式，一是河道涵箱式，就是利用天然河道筑低坝，抬高水位，坝上游建集水涵箱，涵箱多以干砌石或孔网结构混凝土为主，周围设置滤料，反滤层厚度一般小于1 m，由2～20 mm颗粒组成合理级配；二是岸边大口井，就是在河岸边建渗水大口井，大口井多以干砌石为主，直径一般小于3 m，井深一般小于12 m，井深5 m以下壁厚0.5 m，井深5 m以上壁厚0.3 m，周围可填筑滤料，取水采用自流式进水管，经岸上加压泵站或直接由潜水泵加压，送往净水厂或高位水池。
参考文献
[1]彭玉林.网络运维流程管理与故障管理流程的关系[J].电子技术与软件工程 ，2019(10)：15.
[2]翁天信.基于神经网络的机器学习方法[J].通讯世界 ，2019，26(2)：61-62.
[3]吴珍珍，程渊源，何宇.网络运维管理常见安全问题及防范对策探讨 [J].数字技术与应用 ，2018，36(11)：184+186.
[4]王西点，王磊，龙泉，薛阳.人工智能及其在网络优化运维中的应用[J].电信工程技术与标准化，2018，31(7)：81-86.
[5]刘涛.网络运维管理常见安全问题及防范对策分析[J].计算机产品与流通 ，2018(2)：59.
[6]赵晶.针对运营商的大数据建设方案研究[J].电信工程技术与标准化 ，2015(3)：17-21.
标签：人工智能论文; 网络运维论文; 应用研究论文; 江西财经职业学院论文;