涉及知识点

什么是网络管理智能化，基于专家系统的网络管理，基于智能 Agent 的网络管理，基于计算智能的宽带网络管理，深入了解网络管理智能化技术。
原创于：CSDN博主-《拄杖盲学轻声码》，更多内容可去其主页关注下哈，不胜感激

文章目录

涉及知识点
前言
1.基于专家系统的网络管理
- 1）专家系统的分类
- 2）专家系统的能力
- 3）专家系统的应用
2.基于智能 Agent 的网络管理
- 1）智能 Agent 的概念
- 2）智能代理网络管理结构
- 3）基于 IANM 的网络管理模型
3.基于计算智能的宽带网络管理
- 1）计算智能简介
- 2）基于神经网络的 CAC
- 3）基于遗传算法的路由选择
涨薪支持区
总结

前言

更多考试总结可关注CSDN博主-《拄杖盲学轻声码》

1.基于专家系统的网络管理

1）专家系统的分类

专家系统技术是最早被应用于网络管理的智能技术，并且已经取得了很大的成功。专家系统能够利用专家的经验和知识，对问题进行分析，并给出专家级的解决方案。专家系统从功能上可以定义为在特定领域中具有专家水平的分析、综合、判断和决策能力的程序系统。它能够够利用专家的经验和专业知识，像专家一样工作，在短时间内对提交给它的问题给出解答。
在网络管理中运用的专家系统按功能大致分为 3 类：维护类、提供类和管理类。维护类专家系统提供网络监控、故障修复、故障诊断功能，以保证网络的效率和可靠性；提供类专家系统辅助制定和实现灵活的网络发展规划；管理类专家系统辅助管理网络业务，当发生意外情况时辅助制定和执行可行的策略。
在实际应用的系统中，维护类专家系统占绝大多数。这类系统的大量应用，已经在大型网络的日常操作中产生了重要作用；现有的提供类专家系统大多数用于辅助网络设计和配置，最近也出现了用于辅助网络规划的系统；最常见的管理类专家系统是辅助进行路由选择和业务管理的系统，即在公共网络中监视业务数据和加载路由表，以疏导业务解除拥塞。除此之外也开发了一些特殊用途的系统，如逃费监察系统等。
专家系统要处理的问题可分为综合型和分析型两类。综合型问题是如何在给出元素和元素之间的关系的条件下进行元素的组合。这类问题常在网络配置、计费和安全中遇到。分析型问题是从总体出发考察各元素与总体性能之间的关系。这类问题常在网络故障诊断和性能分析中遇到。对分析类问题常采用“预测”和“解释”两种分析方法。预测法根据网络中各网络原色的性能推测网络的总体性能，是网络性能分析的常用方法。解释法则根据观察到的网络元素及其性能推测网络元素的状态，是网络故障诊断的常用方法。
网络管理专家系统有脱机和联机两种类型。脱机型专家系统是简单的类型。当发现网络存在问题以后，利用脱机型专家系统解决问题。专家系统根据询问网络的配置情况和观察到的状态，对得到的信息进行分析，最后给出诊断结果和可能的解决方案。脱机型专家系统的缺点是不能实时地使用，只能用于问题的诊断，而网络是否已经发生问题却要由人来判断。联机型专家系统与网络集成在一起，能够定时监测网络的变化状况，分析是否发生了问题以及应该采取什么行动。

2）专家系统的能力

专家系统一般由知识库、规则解释器（推理机）和数据库 3 个部分组成。知识库中存放“如果：<前提>，于是：<后果>”形式的各种规则。
数据库中存放事实（如系统的状态、资源的数量）和断言（如系统性能是否正常）。当< 前提>与数据库中的事实相匹配时,规则将让系统采取<后果>中指示的行动，通常是改变数据库中的断言，或向用户提问将其回答加到数据库中。
网络管理专家系统在满足网络管理的任务和要求的同时，还应具备下列几种能力：
（1）具有处理不确定性问题的能力。网络管理就是要对网络资源进行监测和控制。为了完成这个任务，网络管理专家系统不仅需要了解网络的局部状态，还要了解网络的全局状态。但是这一点是很难满足的，因为网络的状态时刻都在变化，由于状态信息的获取和传递需要时间，当状态信息提供给专家系统时，有些已经过时了。这就是说，网络管理专家系统只能根据不完全和不确切的信息进行推理。
（2）具有协作能力。由于网络管理任务很重，需要的功能也很多，因此在一个网络管理系统中往往需要有多个网络管理专家系统，每个专家系统面向特定的功能领域。由于在管理中，不同功能领域中的功能相互之间是有关系的，这就需要网络管理专家系统也要有相互协作的能力。
（3）具有适应分布变化的能力。网络是一个不断变化的分布式系统、网络管理专家系统
必须能够适应这一特点。联机的网络管理专家系统要利用现有网络管理模型中的轮询机制及时地获取网络的最新状态，以便及时发现问题和给出解决方案。

3）专家系统的应用

目前，应用最广的是故障管理专家系统。故障管理包含 3 个相关的功能：故障检测、故障诊断和故障修复，这也是专家系统所要提供的功能。故障检测包括通过检测数据进行故障告警和根据性能数据预测故障两个方面。故障检测的基本功能就是识别并忽略那些表面异常但对检测没有参考意义的信息，以减少错误告警。这样的能力普通人是不具备的，而有经验的专家却能做出准确的判断；故障诊断包括故障的确认和定位，为此系统要采取多种措施，包括运行诊断程序、分析性能统计数据、检查日志等，通过历史数据和当前数据进行推理判断，这些工作可以由专家系统进行知道和完成；故障修复中的一个问题是如何使故障产生的损失最小。解决这个问题既要考虑本地的情况，也要考虑全网的情况。为了尽快恢复业务，需要选择业务的恢复路由。这些问题往往难以通过解析的方法获得满意的解决，而专家的经验和知识却十分有效。利用专家系统，可以对不同的方式进行权衡，使故障修复的措施得到优化。
在配置管理中，资源分配的优化是一个非常复杂的问题。即使对于规划设计阶段的“静态”网络，诸如如何分配交换机以及骨干网的容量等问题也要花费大量的研究资金和人力。将专家系统用于网络规划设计中的优化资源分配已经取得了成功。对于运行中的“动态”网络，预先确定的资源分配优化规则往往不能提供理想的网络配置方案。专家系统除了支持预先确定的针对偶然时间的处理策略外，还可采用启发式的方法提供比较理想的网络配置方案。在性能管理中，通过监测到的性能数据对网络的性能状态进行分析是一项复杂的工作。
单纯采用解析的方法是不够的，一般需要有专家的分析和判断。这类专家系统需要着重研究专家系统的数据驱动问题和网络在不同性能指标下的状态变化。性能分析专家系统应能察觉网络在进入低性能甚至故障之间的细微变化，以便及时采取启动故障管理或新能管理的功能，减小和避免损失。为了能够发现这样的细微变化，专家系统需要支持基准状态的和不可接受状态的两种操作。
在安全管理领域，也有许多适合于专家系统发挥作用的场合。通过建立专家级的访问控制规则保护网络资源以及网络管理系统便是典型的应用。普通的防火墙系统通过设定严格的访问控制规则来保护网络资源，但这种做法常常会使一些合法的操作也受到限制。而专家系统的方法便于设定智能的灵活的访问控制规则，既严格有效地阻止非法侵入，又不对合法操作产生限制。
计费管理是目前惟一没有采用专家系统技术的领域。但这并不说明专家系统在这个领域没诶有用武之地。也有人因此批评计费领域保守，有一种观点是现在计费系统的自动化水平已经很高，即使采用专家系统使其继续有所提高，但其安全性令人顾虑。

2.基于智能 Agent 的网络管理

1）智能 Agent 的概念

智能 Agent 不仅仅是一个代理者，而是一个非常宽的概念。它泛指一切通过传感器感知环境，运用所掌握的知识在特定的目标下进行问题求解，然后通过效应器对环境施加作用的实体。这类实体具有下述特性：
（1）自治性。Agent 的行为是主动的、自发的，Agent 有自己的目标或意图。根据目标、环境等的要求，Agent 对自己的短期行为做出计划。
（2）自适应性。Agent 根据环境的变化自动修改自己的目标、计划、策略和行为方式。
（3）交互性。Agent 可以感知其所处的环境，并通过行为改变环境。
（4）协作性。Agent 通常生存在有多个 Agent 的环境中，Agent 之间良好有效的协作可以大大提高整个多 Agent 系统的性能。
（5）交流性。Agent 之间可以采用通信的方式进行信息交流。任务的承接、多 Agent 的协商、协作等都以通信为基础。
由以上对比可以看出，由 Manager 和 Agent 两个角色共同构成的网络管理实体所具有的能力，仅是智能 Agent 能力的一小部分。因此，用智能 Agent 来代替标准网络管理模型中的管理实体 Manager 和 Agent，是在现有的网络管理框架下，实现智能化的一个很好的方案。
分布式人工智能中的智能 Agent 是由知识和知识处理方法两部分组成的。知识是其自身可以改变的部分，而知识处理方法是其自身不可改变的部分。它的显著特征是“知识化”，因而被称为智能 Agent。

2）智能代理网络管理结构

智能代理网络管理（IANM，Intelligent Agent Network Management）系统由通信接口、智能控制器、MIB 接口和知识库构成。通信接口接收外部环境的管理信息（来自其他 IANM 的请求及通报），由智能控制器根据这些管理信息及其自身的状态，进行分析和推理，产生控制命令，通过 MIB 接口将控制命令变成对被管对象的操作，操作结果通过 MIB 接口返回智能控制器，然后通过通信接口向发来请求的 IANM 报告。上述活动与现有的 Agent 的活动是十分相像的。但是，除此之外更重要的活动是，IANM 可以自治地检测(被管对象及其自身的状态)，经过分析推理后，对环境进行调整和改造，必要时与其他 IANM 通信联络。

3）基于 IANM 的网络管理模型

在基于 IANM 的网络管理模型中，每个网络结点配置一个 IANM，用于管理本地 MIB 和向本地的网络管理应用提供服务。IANM 之间通过通信网络和 Agent 通信协议相互通信，在必要时进行协同工作和远程监控。这个模型与现有的标准网络管理模型的主要区别是大部分网络管理任务依靠 IANM 和本地网络管理应用可以在本地自治完成，而不必将管理信息传递到管理者处进行集中处理。只是在需要多 IANM 协同工作和远程监控时，才通过通信网络传递管理信息。因此这是一个分布式的、自治的、协同工作的网络管理模型。实现这样的模型，可以有效地降低网络中传递管理信息的负荷，提高网络管理的实时性。

3.基于计算智能的宽带网络管理

1）计算智能简介

宽带网络具有业务种类多、容量大、处理速度快等特点。对于网络管理来说，业务种类多的特点显著提高了业务量控制的难度；容量大的特点要求网络要有很高的可靠性和存活性，故障自愈技术成为关键技术；处理速度快的特点要求网络管理的算法要有实时性，否则便无法与网络的数据传输速度相匹配。在功能方面，业务量控制、路由选择和故障自愈是宽带网络管理需要特殊研究和开发的 3 项技术。在研究和开发中，基于传统方法的技术遇到了很大的困难，主要有两个原因：一是业务种类多导致了从和业务特性过于复杂，传统的方法难以处理；二是实时性要求高，不适合采用复杂的解析方法。
在这种背景下，基于计算智能的方法受到了重视。计算智能是人工智能的一个重要分支，与传统的基于符号演算模拟智能的人工智能方法相比，计算智能是以生物进化的观点认识和模拟智能。按照这一观点，智能是在生物的遗传、变异、生长以及外部环境的自然选择中产生的。在用进废退、优胜劣汰的过程中，适应度高的结构被保存下来，智能水平也随之提高。因此说计算智能就是基于结构演化的智能。
计算智能的主要方法有人工神经网络、遗传算法和模糊逻辑等。这些方法具有自学习、自组织、自适应的特征和简单、通用、适于并行处理的优点。由于具有这些特点，计算智能为研究和开发上述宽带网络管理中的关键技术提供了方法。

2）基于神经网络的 CAC

呼叫接纳控制（CAC，Calling Admit Control）要根据对新呼叫和现有连接的 QoS，业务量特性的分析来进行。然而，在大型 ATM 网络中这种分析是非常复杂和耗时的。因为业务种类繁多，QoS 各异，并且因业务的同步关系、比特速率、连接模式、种类（话音、数据、视频、压缩与非压缩、成帧与非成帧）等都不尽相同，混合起来的业务更是十分复杂。解决这类问题，需要具有高速运算机制和对各种复杂情况的自适应能力的方法。人们提出了基于 3 层前馈神经网络和反向传播学习算法（BP，Back Promulgate）的 CAC 模型，为在大型 ATM 网络中实现自适应 CAC 提供了一个较好的侯选方案。
前馈神经网络是相对于反馈网络而言的，即在网络计算中不存在反馈。3 层前馈网络是在输入和输出层之间含有一个隐含层，每层含有多个神经元的前馈网络。BP 学习算法是目前最重要的一种神经网络学习算法，在学习过程中，从任意权值 W 出发，计算实际输出 Y′（t）及其与期望的输出 Y（t）的均方差 E（t）。为使 E（t）达到最小，要对 W 进行调节。调节方法利用最小二乘法获得，即计算 E 相对于所有权重的 Wij 的微分，如果增加一个指定的权值会使 E 增大，那么就减小此权值，否则就增大此权值，在所有权值调节好了以后，再开始新一轮的计算和调节，直到权重和误差固定为止。
基于前馈神经网络实现 CAC 的基本原理是：将用户提供的业务量特性参数、要求的 QoS 参数以及将信元到达速率、信元损失率、信元产生率、干线线路利用率和已接受连接数等交换机复用状态信号作为神经网络的输入，预测的 QoS 作为神经网络的输出。通过对大量历史数据的学习，计算和调整神经网络的连接权重，便可建立输入与输出之间的一个非线性关系。
有了这样的关系，便可根据用户提交的业务量特性、要求的 QoS 以及当前的交换机复用状态
来预测 QoS，如果满足要求便可接受连接请求，否则便拒绝。

3）基于遗传算法的路由选择

大多数生物体通过自然选择和有性生殖实现进化。自然选择的原则是适者生存，它决定了群体中哪些个体能够生存和继续繁殖，有性生殖保证了后代基因中的混合和重组。
遗传算法（GA，Genetic Algorithm）是基于自然进化原理的学习算法。在这种算法中，以繁殖许多候选策略，优胜劣汰为基础，进行策略的不断改良和优化。
对环境的自适应过程，可以看作是在许多结构中搜索最佳结构的过程。遗传算法通常将结构用二进制位串表示，每个位串被称为一个个体。然后对一组位串（被称为一个群体）进行循环操作。每次循环包括一个保存较优位串的过程和一个位串间交换信息的过程，每完成一次循环被称为进化一代。遗传算法将位串视为染色体，将单个位视为基因，通过改变染色体上的基因来寻找好的染色体。个体位串的初始种群随机产生，然后根据评价标准为每个个体的适应度打分。舍弃低适应度的个体，选择高适应度的个体继续进行复制、杂交、变异和反转等遗传操作。
就这样，遗传算法利用简单的编码技术和繁殖机制来表现复杂的现象，解决困难的问题。它不受搜索空间的限制性假设的约束，不要求连续性、单峰等假设，并且它具有并行性，适合于大规模并行计算。
遗传算法在宽带网络的路由选择中得到了应用。一个重要的例子是计算最优组播路由。组播是信息网络中一种传递信息的形式。随着因特网络上各种新业务的普及，这种传递信息的形式变得越来越重要。例如，在发 E-mail 的时候，常常会把一封 E-mail 发向若干个接收者。最优组播路由选择问题可归结为寻找图上最小 Steiner 树问题。将发送者和所有接收者所在的结点称为必须连接的结点，其他结点称为未确定结点，而最终在最小 Steiner 树上的未确定结点称为 Steiner 结点，显然，如果确定了最小 Steiner 树上所有 Steiner 结点，就可以用最小生成树算法（MST，Minimum Steiner Tree）求出最小 Steiner 树，亦即得到了组播的最佳路由。
研究结果表明，MST 的问题可以采用遗传算法来求解。算法的基本步骤是：
（1）求整个图中的所有结点集合与必须连接结点集合的差集，求得未确定结点集合。对此未确定结点集合用 0 和 1 进行编码，被定为 Steiner 结点的取 1，否则取 0，由此得到 0 和 1 的位串。不同的 Steiner 结点的选择方法对应不同的位串。
（2）对于一个位串，值为 1 的位所对应的结点构成一个 Steiner 结点集合，将这个Steiner结点集合与必须连接结点集合合并形成一个新的结点集合 V′，对 V′用最小树算法求出 Steiner 树长度。若 V′为非连通图，则将此情况下的 Steiner 树长度给予一个最大值。然后根据返回的 Steiner 树长度值，通过适应度函数计算位串（方案）的适应度。如果适应度达到要求，则结束。
（3）利用适应度高的位串，通过复制、杂交、变异等遗传操作生成新的位串，转到第 2
步。
此外，遗传算法也被用于求解网络的路由选择方案。通常，在网络级确定路由选择方法
时应该考虑网络中各条线路上流量的动态均衡和最小时延。这是一个复杂度很高、动态性很强的问题。采用通常的解析方法虽然也能找到最优解的范围或可行解，但算法复杂，实时性难以得到保证。研究表明，遗传算法是解决这一问题的有效方法。