康 峰

（寧夏職業(yè)技術學院 寧夏 銀川 750021）

0 引言

我國信息化建設的發(fā)展促進了信息技術在多個工作領域得到了廣泛的應用，并且各個領域在利用大數(shù)據(jù)信息資源時，在一定程度上優(yōu)化了各個領域工作中運行設備的管理工作的方式［1］。 當前運維計算主要采用的是傳統(tǒng)的能力分散化、管理集中化的方式進行構(gòu)建的，這種方式在一定程度上增加傳統(tǒng)運維工作的難度［2］。 大數(shù)據(jù)系統(tǒng)運維的核心技術主要是通過信息系統(tǒng)對數(shù)據(jù)的監(jiān)控的分析來對系統(tǒng)運行風險進行評估，而傳統(tǒng)的神經(jīng)網(wǎng)絡識別分析法、層次分析法以及風險矩陣等風險評估方法，在當前信息系統(tǒng)硬軟件系統(tǒng)增加的背景下，已經(jīng)無法滿足運維的需要［3］。 因此，文章基于大數(shù)據(jù)以及數(shù)據(jù)包絡分析法和最小二乘支持向量機（least squares support vector machine，GA?LSSVM）研究和設計了一種大數(shù)據(jù)系統(tǒng)運維系統(tǒng)，通過提供月內(nèi)風險評估的精度，達到大數(shù)據(jù)資源優(yōu)化管理的目的，保障大數(shù)據(jù)系統(tǒng)平穩(wěn)運行。

1 系統(tǒng)設計思路

在當前大數(shù)據(jù)系統(tǒng)變化復雜的背景下，大數(shù)據(jù)云計算應用的程度越來越高［4］。 也就是說，設計運維系統(tǒng)需要確定信息系統(tǒng)的類型規(guī)劃以及相關資源的管理工作，為大數(shù)據(jù)擴容的管理提供更好的服務器支撐，針對不同類型的數(shù)據(jù)進行多樣性數(shù)據(jù)的保存，將全部數(shù)據(jù)一同寫入Hadoop集群中，更進一步地分析和收集系統(tǒng)中采集到的各類數(shù)據(jù)。 利用數(shù)據(jù)包絡分析法和GA?LSSVM 對其進行綜合風險評估［5］。

2 系統(tǒng)框架

2.1 采集模塊設計

隨著大數(shù)據(jù)時代的硬軟件系統(tǒng)更新升級，原先采用單一性的信息分析系統(tǒng)很難滿足當前存在的大數(shù)據(jù)系統(tǒng)良好運行的信息。 因此在構(gòu)造大數(shù)據(jù)運維系統(tǒng)的過程中，需要采用分布式信息采集方案，提升系統(tǒng)的硬件維護信息采集建設。 根據(jù)采集到的信息，有針對性地對大數(shù)據(jù)系統(tǒng)硬件上設計運行提供良好的運維方案。 同時，大數(shù)據(jù)系統(tǒng)中對相關軟件的運維建設需要針對現(xiàn)實所有信息進行分布式處理。 也就是同時數(shù)據(jù)采集模塊，采集大數(shù)據(jù)系統(tǒng)在運維過程中遭受攻擊的所有信道信息，并且根據(jù)采集的攻擊信息特征，確定大數(shù)據(jù)系統(tǒng)的攻擊類型［6］。

2.2 信息儲存模塊

構(gòu)建大數(shù)據(jù)運維系統(tǒng)，需要構(gòu)建信息儲存模塊，將采集模塊收集到的攻擊類型的數(shù)據(jù)，以及硬件設備運行狀態(tài)和性能數(shù)據(jù)等，實現(xiàn)對各類數(shù)據(jù)良好儲存的效果，建立的數(shù)據(jù)存儲模塊需支持運維系統(tǒng)正常運行過程中調(diào)用各類信息。 在該模塊設計中，通過建立結(jié)構(gòu)化查詢語言（structured query language，SQL）數(shù)據(jù)庫，可以保障數(shù)據(jù)儲存模塊良好的性能［7］。 針對不同類型數(shù)據(jù)以及不同因軟件功能、運行作用和目的以及運作對象方面產(chǎn)生的不同數(shù)據(jù)，有針對性地設計各個模塊的信息存儲模塊［8］。

2.3 風險評估模塊

根據(jù)前期采集并儲存的數(shù)據(jù)信息，構(gòu)建大數(shù)據(jù)運維系統(tǒng)中的風險評估分析模塊。 在該數(shù)據(jù)風險評估模塊中，利用數(shù)據(jù)包絡分析法以及GA?LSSVM 設計并構(gòu)建風險評估模型［9］。 通過模型評估測試的風險評估平均值絕對誤差以及均方根誤差來檢測該數(shù)據(jù)風險評估模塊的可靠性，具體的風險評估模塊設計流程如圖1 所示。

圖1 數(shù)據(jù)運維風險評估模塊流程

通過數(shù)據(jù)采集模塊對大數(shù)據(jù)系統(tǒng)硬軟件系統(tǒng)運行的相關數(shù)據(jù)，分析并確定風險評估系統(tǒng)的相關指標。 基于數(shù)據(jù)包絡分析法來分析大數(shù)據(jù)系統(tǒng)運行過程中存在的數(shù)據(jù)權(quán)重指標，將其作為GA?LSSVM 分析的樣本，如式（1）所示。

根據(jù)遺傳算法對相關數(shù)據(jù)進行優(yōu)化，對其參數(shù)和核函數(shù)參數(shù)進行優(yōu)化設計，將徑向基函數(shù)作為GA?LSSVM 計算的核函數(shù)，通過GA?LSSVM 算法構(gòu)建其最優(yōu)化的決策函數(shù)。 最后，在決策函數(shù)的優(yōu)化基礎上對大數(shù)據(jù)系統(tǒng)運行性能、狀態(tài)、作為評價，并且輸出相應的評價值。 根據(jù)輸出的風險評價值來進行風險的等級評定，根據(jù)風險等級確定大數(shù)據(jù)系統(tǒng)運行是否存在風險，從而提升運維系統(tǒng)的有效性。

2.3.1 模型構(gòu)建基本流程

風險等級的評定模塊需要確定運維風險的等級，以及風險指標的權(quán)重進行計算，將大數(shù)據(jù)系統(tǒng)運行過程中存在的風險等級劃分為Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ共5 個等級風險等級，數(shù)字風險意味著風險等級越高，具體的風險權(quán)重值區(qū)間如表1 所示。

表1 大數(shù)據(jù)系統(tǒng)風險等級劃分

根據(jù)表1 提供的風險等級權(quán)重值分布評估表，對采集的數(shù)據(jù)進行計算分析計算后對其風險等級進行評估。

根據(jù)數(shù)據(jù)包絡分析法結(jié)合層次分析法（analytic hierarchy process，AHP）對大數(shù)據(jù)系統(tǒng)運維的風險指標權(quán)重進行評估根據(jù)公式（2）來判斷該矩陣中的指標是否為最優(yōu)值。

式（2）中，pij，qkj分別表示的是第j 個決策單元的第i種輸入量以及第j 個決策單元的第k 種輸出量。 而pij0，qkj0則表示兩者中間的最優(yōu)化的權(quán)重值，n 表示評價數(shù)據(jù)的數(shù)量，其中包含的input 以及output 指標為s，o。 根據(jù)式（2）優(yōu)化處理后得到公式（3）。

根據(jù)式（3）輸入決策最優(yōu)化目標后，計算出input 以及output 的風險權(quán)重指標，輸入的指標進行優(yōu)化后，利用1 來代替輸入指標，由此構(gòu)建出新的數(shù)據(jù)包絡分析模型，如式（4）所示。

式（4）中，θα及βα分別表示的第α個指標的權(quán)重值，將評價矩陣決策單元的輸出值代入式（4）即可以得出大數(shù)據(jù)系統(tǒng)的風險評估指標權(quán)重。

2.3.2 風險評估模型參數(shù)優(yōu)化

計算出的風險評估權(quán)重指標作為輸出數(shù)據(jù)集對其進行風險評估，利用GA?LSSVM 將不等式約束轉(zhuǎn)換為等式約束實現(xiàn)風險評估目標。 將GA?LSSVM 作為正則化參數(shù)c以及核函數(shù)參數(shù)σ 作為風險評估模型的決定性參數(shù)，來提升大數(shù)據(jù)運維系統(tǒng)風險評估的可靠性。 具體的參數(shù)優(yōu)化流程如圖2 所示。

圖2 基于遺傳算法的LSSVM 參數(shù)優(yōu)化流程

由圖2 可知，對兩個參數(shù)實施編碼處理，獲得初始種群，預設遺傳算法進行代數(shù)上限值、交叉處理和變異的概率來確定函數(shù)的適應度，得出最終個體的適應度。 并且根據(jù)結(jié)果判斷算法是否符合終止條件，對于不符合終止條件的部分重復迭代進行選擇、交叉、變異等操作，直到最終輸出的權(quán)重值符合終止條件為止。

2.4 信息展示模塊

將采集的數(shù)據(jù)信息、分析和更新評估過程中收集的信息利用信息傳遞方式將其展現(xiàn)出來。 利用可視化技術向外傳輸所有數(shù)據(jù)采集、分析、風險評估過程中出現(xiàn)的數(shù)據(jù)，以人機交互裝置將收集到的數(shù)據(jù)信息展示出來。 通過該模型選取的各類專業(yè)化信息，來了解大數(shù)據(jù)系統(tǒng)在運行過程中硬軟件系統(tǒng)內(nèi)部或是外部存在的故障預警情況。

3 運維系統(tǒng)應用實驗

因為運維系統(tǒng)的重點是風險評估模塊，因此將重點對文章的風險評估模塊進行風險識別仿真實驗。 利用MATLAB 仿真平臺作為仿真實驗載體，以某企業(yè)大數(shù)據(jù)運行系統(tǒng)中產(chǎn)生的數(shù)據(jù)作為樣本，采用2022 年1—3 月的數(shù)據(jù)作為樣本a，4—6 月的數(shù)據(jù)作為樣本b，7—9 月的數(shù)據(jù)作為樣本c，以及10—12 月的數(shù)據(jù)作為樣本d，以傳統(tǒng)的PSO?LSSVM 風險評估系統(tǒng)以及GA?LSAVM 系統(tǒng)進行對比實驗。

3.1 結(jié)果分析

根據(jù)仿真實驗得出實驗結(jié)果，如表2 所示。 通過數(shù)據(jù)統(tǒng)計結(jié)果可以看出樣本1 的風險評估值低，不存在風險，與企業(yè)的運維的實際情況相符，由此可見，文章設計的運維系統(tǒng)風險評估模塊的提供的評估數(shù)據(jù)準確度夠高。

表2 風險評估結(jié)果

3.2 風險評估誤差分析

利用平均絕對誤差、均方根誤差評價系統(tǒng)作為該系統(tǒng)風險評估性能的評價標準，對3 種評估系統(tǒng)進行對比，得出三個系統(tǒng)的風險評估誤差結(jié)果，如圖3 所示。

圖3 三個系統(tǒng)風險評估誤差對比

由圖3 可以看出文章構(gòu)建的大數(shù)據(jù)運維分析評估模塊的評估計算出的風險評估誤差值小，評估結(jié)果的可靠性和精度較高，與其他兩個系統(tǒng)的風險評估結(jié)果相比效果較好。

3.3 大數(shù)據(jù)運維系統(tǒng)應用

該運維系統(tǒng)對大數(shù)據(jù)系統(tǒng)在運行過程中產(chǎn)生的初始數(shù)據(jù)進行采集、分析和完成隱蔽信道的發(fā)掘，對于攻擊方的攻擊行為形成攻擊特征日志。 通過提供的攻擊日志信息以及其他相關的硬軟件系統(tǒng)的故障預警信息進行專業(yè)化的分析，通過信息展示模塊，把采集的數(shù)據(jù)和各個系統(tǒng)和硬軟件的數(shù)據(jù)利用人機交互技術展示出來，讓運維人員充分了解大數(shù)據(jù)系統(tǒng)的運行情況。 有針對性地開展運維工作。

4 結(jié)語

綜上所述，文章構(gòu)建的大數(shù)據(jù)運維系統(tǒng)主要由信息的采集、數(shù)據(jù)的存儲、風險評估以及信息可視化等多個模塊構(gòu)成。 對于這幾個模塊的設計和裝配都需要以大數(shù)據(jù)云計算的技術作為支持，才能有效提升數(shù)據(jù)運用的能力，持續(xù)保障大數(shù)據(jù)運維系統(tǒng)運行的平穩(wěn)性，使運維系統(tǒng)在運行過程中保持較高的性能。 系統(tǒng)中的風險評估模塊是該系統(tǒng)的關鍵，是運維系統(tǒng)工作的重要支持，基于數(shù)據(jù)包絡分析法以及GA?LSSVM 技術保障了運維系統(tǒng)風險評估的準確性。 將數(shù)據(jù)包絡分析法引入風險指標權(quán)重計算，降低了層次分析法的主觀性，以此獲得的風險評估權(quán)重計算指標更加完整、精確，在一定程度上提升了運維系統(tǒng)提供數(shù)據(jù)的精準度，為后運維工作提供良好的參考。