人工智能辅助的网络运维系统的制作方法

本发明涉及网络运维，尤其涉及人工智能辅助的网络运维系统。

背景技术：

1、在当今快速发展的信息技术时代，网络系统的复杂性和规模不断增加，同时，网络运维的效率和安全性已成为企业和组织面临的重要挑战，传统的网络管理方法依赖于人工干预，不仅效率低下，而且难以应对复杂和动态变化的网络环境，此外，随着网络攻击的增多和技术的进步，传统安全措施往往无法满足高效防护的需求，导致数据和服务容易受到威胁。

2、现有的网络运维解决方案通常涉及多个独立的系统，如故障检测、性能监控和安全管理系统，这些系统往往缺乏有效的数据集成和处理能力，无法提供全面的网络状态视图，也难以实现数据驱动的智能决策和自动化操作，此外，这些系统在新环境下的适应性和学习效率通常较低，需要大量时间和资源进行配置和优化。

3、因此，迫切需要一种集成的解决方案，能够提高网络运维的自动化程度，增强系统的学习能力和自适应性，同时确保网络的高效运行和安全防护，这种解决方案应能够实时监控网络状态，快速诊断和修复故障，有效优化网络性能，以及通过先进的人工智能技术，如迁移学习，提升系统在新环境中的快速适应性和操作效率。

技术实现思路

1、基于上述目的，本发明提供了人工智能辅助的网络运维系统。

2、人工智能辅助的网络运维系统，包括数据采集与预处理模块、异常检测与故障诊断模块、自动化修复与效能提升模块、智能调度与安全防护模块、迁移学习智能优化模块以及自学习与用户界面模块，其中；

3、所述数据采集与预处理模块负责从网络设备和传感器中采集实时数据，并对采集到的实时数据进行预处理；

4、所述异常检测与故障诊断模块对预处理后的实时数据进行异常检测，识别网络运行中的异常情况，并根据异常情况，利用最短路径算法进行故障诊断，快速定位故障原因；

5、所述自动化修复与效能提升模块负责针对诊断出的故障，自动化地执行修复操作，恢复网络正常运行，同时，对网络性能进行提升；

6、所述智能调度与安全防护模块根据网络负载、用户需求进行资源调度，提升网络资源利用率，并对网络进行实时监测和安全防护；

7、所述迁移学习智能优化模块基于迁移学习技术，利用网络环境或历史数据中已有的知识和经验，加速网络运维系统在新环境中的学习和优化过程；

8、所述自学习与用户界面模块具备自学习能力，根据运行情况和反馈数据持续优化自身性能，并提供直观友好的用户界面，支持运维人员对网络运维系统进行监控和管理。

9、进一步的，所述数据采集与预处理模块包括：

10、数据采集：负责实时从网络设备和传感器中采集网络运行的实时数据，实时数据包括流量数据、设备状态信息、环境传感数据；

11、数据预处理：接收采集的实时数据并进行预处理，预处理包括数据清洗、去噪、归一化和数据格式转换。

12、进一步的，所述异常检测与故障诊断模块包括：

13、数据接收：接收来自数据采集与预处理模块的预处理后的实时数据；

14、异常检测：应用自编码器算法对预处理数据进行异常检测；

15、异常数据记录：将检测到的异常数据记录下来，并进行初步分类，为后续故障诊断提供输入；

16、故障诊断：使用最短路径算法对记录的异常数据进行分析，从异常数据中识别出故障原因；

17、故障原因输出：输出诊断结果，包括故障原因和解决方案。

18、进一步的，所述自动化修复与效能提升模块包括：

19、故障检测响应：接收从异常检测与故障诊断模块传来的故障诊断信息，根据诊断出的故障信息，自动执行相应的修复操作，包括配置调整、路由重定向、重启服务或更换故障组件；

20、性能优化：对网络性能进行提升，包括应用负载均衡和资源分配算法，以优化数据流量和网络资源的利用，减少网络延迟和提高带宽效率，同时，定期评估网络的性能指标，并基于性能指标调整优化策略；

21、监控与调整：实时监控网络的运行状态，以评估修复操作和性能优化措施的效果，根据监控结果，动态调整修复和优化策略；

22、自动执行脚本：在确定执行的修复和优化措施后，自动执行相关的脚本和程序。

23、进一步的，所述性能优化包括：

24、应用负载均衡和资源分配算法：采用最小连接数算法和线性编程优化算法，以优化数据流量和网络资源的利用，根据当前连接数分配新的网络请求，计算公式为：

25、服务器选择＝arg mini(ci)；

26、其中，ci表示第i个服务器当前的连接数，资源分配则通过解决以下优化问题实现：

27、

28、subject to:

29、其中，xi表示分配给第i个任务的资源量，ci是单位资源成本，b是总可用资源；

30、监控网络性能指标：定期采集和评估网络的性能指标，包括吞吐量、响应时间和峰值性能；

31、调整优化策略：通过反馈控制逻辑算法根据监控网络性能指标调整负载均衡和资源分配策略，计算公式为：

32、

33、其中，u(t)是调整措施，e(t)是性能误差，kp、ki、kd分别是比例、积分、微分增益。

34、进一步的，所述监控与调整包括：

35、监控运行状态：持续监控网络的运行状态，运行状态包括网络可用性、响应时间、吞吐量、错误率以及资源利用率；

36、评估效果：对收集到的运行状态进行分析，以评估之前实施的修复操作和性能优化措施的效果，包括比较当前的性能数据与预定的性能标准或历史性能数据；

37、策略优化：根据评估结果，动态调整和优化策略，包括调整网络配置，优化资源分配或更新负载均衡规则。

38、进一步的，所述智能调度与安全防护模块包括：

39、资源调度：实施基于负载和用户需求的资源调度算法，优化网络资源的分配和利用率，资源调度算法使用负载预测模型预测即将到来的网络负载，计算公式为：

40、ralloc(t)＝rcurrent+α·(lpredicted(t)-lcurrent)；

41、其中，ralloc(t)是在时间t的资源分配量，rcurrentt是当前资源分配量，α是调整系数，lpredicted(t)是预测的负载，lcurrent是当前实际负载；

42、网络监测：实施网络的实时监测，并使用异常检测算法识别网络中的异常行为或威胁，计算公式为：

43、

44、其中，x是网络流量数据点，n是样本总数，e(h(x))是在隔离森林中x的路径长度的期望值，c(n)是归一化因子；

45、安全防护：基于网络监测的结果，采用基于策略的响应算法，当异常分数超过预设阈值时，自动执行安全策略，包括自动隔离可疑流量、启动防火墙规则更新和实施入侵检测系统响应，响应算法的计算公式为：

46、if s(x,n)>θthen execute security measures；

47、其中，θ是设定的安全响应阈值。

48、进一步的，所述迁移学习智能优化模块包括：

49、知识和经验的识别与提取：从原始的网络环境中识别并提取知识和经验；

50、迁移学习模型的训练与迁移：利用从原始网络环境中提取的知识和经验训练迁移学习模型，通过迁移学习技术，适应预训练的迁移学习模型到新的网络环境中，包括调整迁移学习模型参数或进行迁移学习模型的重新微调；

51、优化策略的实施：在新环境中实施调整过的迁移学习模型，加速学习和优化过程，迁移学习模型将根据新环境的实时数据继续学习和优化，用于生成网络配置优化、自动化故障诊断、预防性维护措施和增强网络安全的策略；

52、性能评估与反馈：定期评估迁移学习模型在新环境中的表现，监控迁移学习模型对网络性能、稳定性和安全性的影响，并根据评估结果进行迁移学习模型调整。

53、进一步的，所述知识和经验的识别与提取包括：

54、数据收集：从原始的网络环境中收集网络运维数据，包括网络配置文件、故障处理记录、性能优化报告和安全事件日志；

55、数据预处理：对收集到的网络运维数据进行清洗和格式化；

56、特征提取：使用关联规则学习算法从预处理后的网络运维数据中提取特征，分析网络配置和故障记录之间的关系，计算公式为：

57、

58、

59、其中，x和y是数据集中的项目集；

60、知识合成：通过决策树分析器将提取的特征转化为操作模式和解决方案，计算公式为：

61、decision tree rule:if(x condition is met)then(y action isrecommended)；

62、知识存储：将识别和合成的知识存储于知识库中，以支持迁移学习和网络优化过程。

63、进一步的，所述迁移学习模型采用胶囊网络模型，所述胶囊网络模型包括：

64、输入层调整：调整输入层以接收网络监测数据，包括流量统计、日志文件和状态信息，计算公式为：

65、x＝f(e)；

66、其中，x是处理后的输入矩阵，e是原始网络监测数据，f是预处理函数；

67、动态路由机制优化：优化胶囊网络中的动态路由机制，计算公式为：

68、

69、

70、其中，bij是初步的对数先验概率，用于计算胶囊i到胶衰j的连接强度，cij是软分配系数，是预测向量，vj是胶囊j的输出向量；

71、胶囊层结构调整：根据网络运维的需求，增加多个胶囊层以提升模型的表征能力，计算公式为：

72、

73、

74、其中，ui是来自前一层的输入向量，wij是从胶囊i到胶囊j的转换矩阵，sj是胶囊j的总输入，vj是通过非线性挤压激活函数计算的胶囊输出；

75、异常检测与输出：增加一个输出层来处理从胶囊层输出的数据，用于识别网络异常和预测潜在的网络问题，计算公式为：

76、y＝softmax(wov+bo)；

77、其中，y是模型的最终输出，wo是输出层权重，bo是偏置，v是来自最后一个胶囊层的向量，softmax是激活函数。

78、本发明的有益效果：

79、本发明，通过整合多个模块，实现了对网络故障的快速响应和有效处理，系统自动化地执行修复操作，不仅恢复了网络的正常运行，还通过智能调度和优化技术提升了网络的整体性能和运行效率，这些措施显著减少了网络停机时间，提高了网络服务的可靠性和用户满意度。

80、本发明，通过人工智能技术对网络进行实时监控和安全防护，基于网络负载和用户需求动态调整资源，有效提升了网络资源的利用率，此外，系统通过实时监测和异常检测算法主动识别潜在的安全威胁，快速采取防护措施，大大增强了网络的安全性和防御能力，确保了数据和服务的安全。

81、本发明，通过利用原始的网络环境或历史数据中的知识和经验，加速了网络运维系统在新环境中的学习和适应过程，这种利用迁移学习技术优化模型初始化和参数调整的方法，显著提高了系统在面对新情况时的反应速度和处理能力，同时，自学习与用户界面模块的自适应学习功能使系统能持续优化其性能，为运维人员提供了高效、直观的管理工具，进一步提升了运维效率和系统的整体性能。