曹春華 唐雅娜 黃德研

（廣州軟件學院,廣東 廣州 510000）

監(jiān)測信息技術的快速發(fā)展催生出了多個數(shù)據(jù)監(jiān)測領域。監(jiān)測相關技術水平的高質量發(fā)展使監(jiān)測領域數(shù)據(jù)規(guī)模成倍增長。在實際監(jiān)測大數(shù)據(jù)業(yè)務開發(fā)中，歷史數(shù)據(jù)實時性分析工作不能夠滿足實際監(jiān)測要求，相關監(jiān)測平臺操作邏輯智能化水平較低，監(jiān)測機器大多只能實現(xiàn)自動化數(shù)據(jù)獲取與共享。因此從監(jiān)測大數(shù)據(jù)的時間維度和空間維度出發(fā)，形成全面的數(shù)據(jù)監(jiān)測，能夠實現(xiàn)通過人工智能技術全面提升信息監(jiān)測大數(shù)據(jù)的智能化。

1 監(jiān)測大數(shù)據(jù)現(xiàn)狀

隨著無線電監(jiān)測大數(shù)據(jù)技術與大數(shù)據(jù)技術的普及，相關監(jiān)測業(yè)務體量不斷擴展。在現(xiàn)階段的監(jiān)測手段更新優(yōu)化的同時，傳統(tǒng)的人工監(jiān)測手段已經(jīng)不能滿足時代業(yè)務的發(fā)展需求。機器智能自動化的監(jiān)測形式代替人工可操作性的自動數(shù)據(jù)監(jiān)測工作，從根本上降低了人工監(jiān)測操作對業(yè)務監(jiān)測大數(shù)據(jù)信息的浪費[1]。監(jiān)測領域發(fā)展會產生大量實時性的可操作數(shù)據(jù)，契合業(yè)務類型的監(jiān)測大數(shù)據(jù)信息不斷被記錄下來。在開展監(jiān)測大數(shù)據(jù)操作時，機器數(shù)據(jù)信息操作智能化水平較低，往往只能夠實現(xiàn)數(shù)據(jù)提取和處理的監(jiān)測自動化，對隱藏在數(shù)據(jù)信息內部的監(jiān)測業(yè)務邏輯不能夠完整挖掘和利用，設備的智能化工作處理水平較低。

1.1 歷史數(shù)據(jù)應用效率較低

在大數(shù)據(jù)監(jiān)測業(yè)務開發(fā)過程中，隨著監(jiān)控網(wǎng)絡建設的不斷增強，監(jiān)測平臺多元化的數(shù)據(jù)需求會產生體量巨大而煩瑣的歷史監(jiān)測數(shù)據(jù)。由于現(xiàn)階段大數(shù)據(jù)監(jiān)測過于注重對海量數(shù)據(jù)信息的存儲、提取和共享分析，著重關注與監(jiān)測業(yè)務相關的數(shù)據(jù)分析和統(tǒng)計工作，選擇性忽略對大量歷史數(shù)據(jù)的重復處理利用工作，導致監(jiān)測工作不能夠滿足信息數(shù)據(jù)統(tǒng)計的任務需求。專業(yè)領域開展相關業(yè)務分析時，大多依照現(xiàn)有數(shù)據(jù)來進行自動化數(shù)據(jù)處理。盡管這種分析總結體系實現(xiàn)了對監(jiān)測大數(shù)據(jù)的非人工處理分析，但是在針對大范圍和時間跨度較大的數(shù)據(jù)工作時，不能夠有效地提取數(shù)據(jù)信息中的空間維度和時間維度，導致海量數(shù)據(jù)利用效率低，嚴重浪費了業(yè)務數(shù)據(jù)的開發(fā)成本，業(yè)務信息數(shù)據(jù)不能夠得到有效的挖掘和利用。因此在實際監(jiān)測大數(shù)據(jù)中，合理地利用人工智能技術來深層次挖掘監(jiān)測大數(shù)據(jù)的實時性和有效性，是現(xiàn)階段建設大數(shù)據(jù)運用中的重點。

1.2 監(jiān)測大數(shù)據(jù)標簽分類不明顯

盡管目前的數(shù)據(jù)監(jiān)測技術能夠實現(xiàn)對原始數(shù)據(jù)信息的完整保留，但在實際大數(shù)據(jù)業(yè)務監(jiān)測開發(fā)中，體量龐大的數(shù)據(jù)信息極其容易因監(jiān)測內容多樣呈現(xiàn)出不同類型的數(shù)據(jù)狀態(tài)。在進行數(shù)據(jù)類型分析時，對不同監(jiān)測內容，例如圖像、文本和視頻之間信息關聯(lián)性的檢查工作不到位，導致大量冗余數(shù)據(jù)出現(xiàn)，重要監(jiān)測關聯(lián)信息的主體性不夠明顯。由于監(jiān)測設備和手段表現(xiàn)形式不同，固定時間段集中監(jiān)測和數(shù)據(jù)接收執(zhí)行工作往往不能夠對結構化明顯的數(shù)據(jù)信息做出合理的監(jiān)測分析，導致結構化數(shù)據(jù)與非結構化數(shù)據(jù)的同化現(xiàn)象嚴重，不同數(shù)據(jù)信息之間的內容和形式無法得到有效的關聯(lián)分析[2]。在開展業(yè)務信息數(shù)據(jù)采集工作時，不同工作類型的多源異構數(shù)據(jù)分析標準不統(tǒng)一。

1.3 數(shù)據(jù)測算匯總效率較差

數(shù)據(jù)融合標簽分類不明顯導致數(shù)據(jù)融合性較低。數(shù)據(jù)監(jiān)測領域過于注重對數(shù)據(jù)信息的精準提取，跨領域監(jiān)測的統(tǒng)一標準不能夠符合實際的監(jiān)測大數(shù)據(jù)需求。盡管數(shù)據(jù)監(jiān)測工作立體化趨勢不斷明顯，建設工作逐漸覆蓋了人們生活、生產、社會、政治、經(jīng)濟和軍事的各個方面，并逐漸在天空、海洋和陸地領域拓展，以水上監(jiān)測傳播無人機和監(jiān)測衛(wèi)星為設備載體?？珙I域的專業(yè)性監(jiān)測呈現(xiàn)出多線程融合發(fā)展的趨勢，但是由于不同的業(yè)務交叉融合效率降低，實際數(shù)據(jù)融合監(jiān)測和整體態(tài)勢評估不能夠完整保留數(shù)據(jù)的多元維度，降低了數(shù)據(jù)的使用效率。

2 人工智能監(jiān)測技術及其應用

2.1 人工智能技術應用合理性

基于人工智能的大數(shù)據(jù)信息監(jiān)測工作要從接收精準度、存貯安全和科學的數(shù)據(jù)分析多方面進行考慮。建設數(shù)據(jù)信息，通過智能化水準來降低人工使用成本，促進人工思維與機器融合的效率。在現(xiàn)階段的大數(shù)據(jù)監(jiān)測領域中，應合理地利用人工智能建設思路來提升數(shù)據(jù)信息的監(jiān)測識別匯總質量，通過機器高性能計算提升監(jiān)測大數(shù)據(jù)的精準性，將人工智能模擬的方法運用在具體監(jiān)測圖像識別和模態(tài)分析中。在人工智能行業(yè)發(fā)展過程中，其所蘊含的算法和數(shù)據(jù)邏輯必須要符合實際的建設場景，而監(jiān)測大數(shù)據(jù)環(huán)境能夠滿足人工智能算法落地的需求，多元化的數(shù)據(jù)信息能夠完整提供場景模式，從豐富的數(shù)據(jù)監(jiān)測屬性和靜態(tài)結構環(huán)境入手，以提供單一確定和多源異構的信息為切入點，確保人工智能技術能夠被高效地利用在數(shù)據(jù)監(jiān)測工作中。

由于數(shù)據(jù)監(jiān)測往往需要面對海量的大數(shù)據(jù)信息，人工智能技術能夠通過數(shù)據(jù)邏輯來處理專業(yè)問題，實現(xiàn)監(jiān)測大數(shù)據(jù)的穩(wěn)定性，解決監(jiān)測大數(shù)據(jù)因為體系龐大造成的數(shù)據(jù)遺失和邏輯漏洞。由于人工智能技術的基礎算法可操作性較強，因此可以靈活地運用在監(jiān)測大數(shù)據(jù)工作中。在政治、經(jīng)濟、軍事和工程生產過程中，合理利用人工智能技術能促進大數(shù)據(jù)分析的精準化水平，改善傳統(tǒng)監(jiān)測大數(shù)據(jù)預判和總結分析的刻板狀況，提升監(jiān)測大數(shù)據(jù)的智能化水準。

2.2 監(jiān)測大數(shù)據(jù)算法分析

現(xiàn)階段的監(jiān)測大數(shù)據(jù)手段多樣，形成了海量的視頻、圖像、音頻和文本等數(shù)據(jù)類型。但是在開展信息分析工作時，監(jiān)測系統(tǒng)不能夠合理針對數(shù)據(jù)模態(tài)發(fā)展規(guī)律來進行信息提取和處理。使用大數(shù)據(jù)與人工智能結合的技術體系能夠在極大程度上改善數(shù)據(jù)模態(tài)的提取與后續(xù)操作精準性。例如在處理音頻數(shù)據(jù)時，對音頻能量與時長特征的提取和預測分析，往往可以使用人工智能方法去解決。將音頻特征送入新階段，并以高質量元啟發(fā)式智能算法網(wǎng)絡進行訓練，以神經(jīng)網(wǎng)絡、遺傳算法技術、粒子群算法和模擬退火等相關人工智能算法，訓練數(shù)據(jù)信息，以實現(xiàn)高質量的音頻特征提取。

2.3 大數(shù)據(jù)處理手段優(yōu)勢

（1）傳統(tǒng)的數(shù)據(jù)處理往往需要值班人員24小時的監(jiān)控。針對突發(fā)情況難以高效進行分析數(shù)據(jù)處理工作。這種費時費力的監(jiān)測手段難以精準把握體量龐大的數(shù)據(jù)信息的變化規(guī)律，因此合理地利用人工智能技術能夠節(jié)省人力資源損耗，提升數(shù)據(jù)特征的監(jiān)控和記錄質量。

（2）由于現(xiàn)階段的數(shù)據(jù)監(jiān)測自動化工作，更多的只是完成數(shù)據(jù)記錄，并依照數(shù)據(jù)分類導入到相關數(shù)據(jù)庫中，大體量的監(jiān)測大數(shù)據(jù)特征分析的工作質量較低，不同監(jiān)測大數(shù)據(jù)模塊之間的耦合性和數(shù)據(jù)調查性質的處理工作不到位。

（3）人工智能技術開拓了模式識別、智能模擬以及信息感應辯證等相關領域，以代替人類在哲學、數(shù)學、心理學等社會學交叉的領域工作，通過高計算效率來實現(xiàn)大數(shù)據(jù)監(jiān)測，以精確化機器自主創(chuàng)造性思維來提升監(jiān)測質量。隨著人工智能關聯(lián)性分析和分類技術的不斷發(fā)展，在實際的建設應用中，人工智能技術能夠處理海量的監(jiān)測日志，并依據(jù)日志蘊含的數(shù)據(jù)規(guī)律來預測分類，實現(xiàn)對不同領域綜合性的數(shù)據(jù)內容的自動化智能控制。

2.4 運用思路

2.4.1 熱點干擾監(jiān)測和趨勢閾值監(jiān)測

特定的大數(shù)據(jù)監(jiān)測指標容易陷入特征最優(yōu)，相關指標極其容易受到其余數(shù)據(jù)的干擾，監(jiān)測系統(tǒng)采集到的監(jiān)測數(shù)據(jù)冗余度較高，造成后續(xù)監(jiān)測工作的偏差。人工智能技術能夠實現(xiàn)高維數(shù)據(jù)的可視化分類，通過關聯(lián)分析以及距離分類等技術手段實現(xiàn)對監(jiān)測數(shù)據(jù)的焦點分析和異常事件分析[3]。通過將人工智能技術應用在離群點監(jiān)測之中，能夠實現(xiàn)對信息數(shù)據(jù)的熱點干擾監(jiān)測和趨勢閾值監(jiān)測，以人工智能智能化運營思維開展監(jiān)控領域中的異常事件監(jiān)測和干擾客觀評估。針對未來發(fā)展的監(jiān)測趨勢，合理地使用人工智能技術來進行預測。而人工智能技術能夠從現(xiàn)有監(jiān)測體系中的采集流量數(shù)據(jù)、日志數(shù)據(jù)著手，通以智能機器學習的手段來挖掘監(jiān)測特征數(shù)據(jù)組合邏輯下的聯(lián)系，以K均值算法、最鄰近分類、向量機等人工智能監(jiān)測分析手段來建立起更加突出監(jiān)測主體性的數(shù)據(jù)體系，以計算機識別分類的方式深層級挖掘監(jiān)測數(shù)據(jù)簇中冗余信息的組合狀態(tài)。圖1表示基于機器學習的數(shù)據(jù)場景，當監(jiān)測數(shù)據(jù)個數(shù)增加時，監(jiān)測信息的邏輯聚合性更強。對于不同領域之間的數(shù)據(jù)交叉分析，先利用機器學習和智能算法來進行數(shù)據(jù)預處理，而后按照相似度量技術，例如最鄰近分類、貝葉斯分類和人工神經(jīng)網(wǎng)絡、支持向量機和代價敏感學習來實現(xiàn)在監(jiān)測體系中的預警評估、數(shù)據(jù)處理等環(huán)節(jié)，有效降低監(jiān)測數(shù)據(jù)中冗余監(jiān)測體系的成本，對檢測管理意義巨大。

圖1 基于機器學習的數(shù)據(jù)場景

2.4.2 城市感知數(shù)據(jù)監(jiān)測

解決監(jiān)測大數(shù)據(jù)的交叉耦合現(xiàn)象時，利用K均值算法和基于中心密度分配等人工智能算法來合理分析評價指標，并以此構建完整的數(shù)據(jù)交叉監(jiān)測評估系統(tǒng)。圖2表示機器學習技術的SVM算法分類，a表示初始數(shù)據(jù)信息，b和c是在模態(tài)分析數(shù)據(jù)場景后建立起的符合監(jiān)測邏輯的數(shù)據(jù)場景。事實證明，人工智能處理數(shù)據(jù)處理分類性更強，特征性更加明顯。

圖2 機器學習技術的SVM算法分類

解決監(jiān)測大數(shù)據(jù)的交叉耦合現(xiàn)象時，利用K均值算法和基于中心密度分配等人工智能算法來合理分析評價指標，并以此構建完整的數(shù)據(jù)交叉監(jiān)測評估系統(tǒng)。相比傳統(tǒng)的數(shù)據(jù)處理方法，人工智能算法能夠實現(xiàn)對候選集合的優(yōu)質選取，確保分類過程中數(shù)據(jù)即時選擇的精準性和無遺漏。在針對歷史數(shù)據(jù)進行選擇時，通過對以往監(jiān)測數(shù)據(jù)出現(xiàn)的頻率來實現(xiàn)對現(xiàn)階段數(shù)據(jù)的分類分析，從而有效地降低歷史數(shù)據(jù)淘汰頻率，增加數(shù)據(jù)復用性。在監(jiān)測大數(shù)據(jù)分析中，利用人工智能算法來實現(xiàn)業(yè)務數(shù)據(jù)捕捉，以機器自主學習運營來改善數(shù)據(jù)分類能力。通過人工智能技術實現(xiàn)對監(jiān)測生態(tài)平衡失調和異常應用的驅動，通過人工機器學習算法模擬監(jiān)測數(shù)據(jù)流動模式，從而有效剔除占用資源率低的數(shù)據(jù)監(jiān)測范圍。

2.4.3 網(wǎng)絡節(jié)點的信息監(jiān)測安全

監(jiān)測數(shù)據(jù)具備時間序列周期穩(wěn)定性，通過大數(shù)據(jù)與人工智能的結合挖掘信息安全中的時序性監(jiān)測數(shù)據(jù)關聯(lián)，以大數(shù)據(jù)技術的多核分布式操作模式實現(xiàn)對海量信息安全數(shù)據(jù)的模態(tài)分析與解剖，并通過類似Devops的深度學習方法實現(xiàn)對處理數(shù)據(jù)的精準控制，并使其在云端大數(shù)據(jù)平臺終端中實現(xiàn)可視化。人工智能技術的優(yōu)化監(jiān)測學習方法將監(jiān)測數(shù)據(jù)集群節(jié)點容錯率降低，當網(wǎng)絡節(jié)點訪問超出以往訪問模態(tài)最大值時，通過實時性大數(shù)據(jù)監(jiān)測來報警，實現(xiàn)信息傳輸與處理的安全穩(wěn)定性。

現(xiàn)有大數(shù)據(jù)與人工智能技術的結合促進了網(wǎng)絡信息安全的發(fā)展。由于現(xiàn)階段的大數(shù)據(jù)監(jiān)測技術往往建立在智能分布式計算終端上，因此全面針對監(jiān)測信息中隱藏的數(shù)據(jù)關聯(lián)性進行智能化分析至關重要。

在網(wǎng)絡異常入侵監(jiān)測中，通過多元正態(tài)分布和離群點監(jiān)測等人工智能技術，能夠實現(xiàn)對計算機網(wǎng)絡的三級過濾，通過高頻率的數(shù)據(jù)訪問請求來設置網(wǎng)絡信號危險指標，以替代傳統(tǒng)監(jiān)測系統(tǒng)的異常行為，從而指向性地提升監(jiān)測時效性。

3 結語

隨著人工智能技術的不斷普及，相關智能化建設平臺的監(jiān)測手段逐步向智能化與自動化過渡。由于監(jiān)測大數(shù)據(jù)技術不能良好的實現(xiàn)智能分析思考，因此應認清現(xiàn)階段監(jiān)測大數(shù)據(jù)工作存在的問題，基于實際人工大數(shù)據(jù)監(jiān)測技術來提升監(jiān)測質量，促進監(jiān)測智能化水平的可持續(xù)發(fā)展。