大数据背景下的网络通信系统研究_王兴.pdf

26网络通信与安全Network Communication&Security电子技术与软件工程Electronic Technology&Software Engineering通讯系统的高速发展，使人们不能满足于传统的网络通信技术，更加快速便捷的通讯系统成为人们的追求，大数据技术应运而生，也成为社会发展的必然趋势，大数据技术与网络通信系统的结合成为我国信息化建设的必由之路。网络通信系统的信息化发展是社会发展必然经历的过程，使顺应历史发展的必然要求。大数据技术是网络通信系统的基础，也是网络通信系统必不可少的内容。网络通讯系统的诞生，推动着信息技术的快速发展，网络通讯系统在建设的过程中运用到了大数据技术、物联网技术、云计算等等，将这些技术的优势集中在一起形成了现代化的网络通信系统，因此网络通信系统也被称之为计算机技术与信息技术相结合的产物。为了保证网络通信系统的正常运行，网络通信系统架构必不可少，以此来解决网络通信系统中出现了一系列技术问题。在正常情况下，网络应用由没有限制时间的应用系统时，是不需要网络服务质量控制机制的。但是，等用户对特定的应用进行了时间限制或者其他限制时，就需要网络通信系统架构设置相应的控制机制1。若出现网络信息系统延时、超载、拥塞等状况时，此时网络服务质量控制机制就要发挥作用，能够有效避免因为网络延迟而造成的数据丢失等状况，以更好确保网络通信系统的高效运行。1 大数据技术概述大数据技术是云计算相伴而生的，近几年发展突飞猛进。云计算是一个计算平台，而大数据技术则是对生产生活中的各种数据进行收集和处理，并随着计算机技术和网络通信技术的发展而不断发展的，是经济高速发展的产物2。大数据技术是在计算机发现的基础上而产生的，并且将互联网与传统的产业结合起来，不断更新社会生产要素和业务要素，调整社会业务发展模式，促进社会经济转型，为社会发展提供庞大的数据支持。大数据的发展，将互联网的优势充分激发出来，传统行业与大数据的结合也成为了传统行业发展的内在动力。大数据技术是以云计算为基础的。当前，我们主要是从两个方面理解大数据技术。（1）大数据技术是完全开放的，其面向整个社会的各行各业，尤其是对传统行业3；（2）大数据技术是对数据的整合和分析，并以此得出各种各样的社会供求关系。2 网络通信系统概述网络通信系统的网络服务质量这一概念的出现并非偶然，而是顺应了社会发展和计算机技术进步的必然要求，作为一个新理念的出现，也成为当今社会的热点，在充分融合了计算机技术，通讯技术和网络通信技术等的基础上，还在不断更新换代，适应社会的高速发展。网络通信系统的网络服务质量要不断提高，网络服务不断进步才能适应社会发展4。近些年来，网络通信系统一词已经广泛进入大众视野，随着计算机技术越来越发达，网络通信系统的诞生就成为了必然，并且随着大数据技术、网络技术、通信技术等新兴技术的出现，并且与传统通信产业相结合，网络通信系统更是成为了必不可少的，随之而建立的数据库更是推动相关产业进步5。在现代信息技术基础上设立的网络通信系统，更为现代化管理提供先进的科学技术，尤其是大数据技术更是网络通信系统设计的基础技术。在网络通信系统中，各种网络参数、网络环境都是比较复杂的，网络资源也较为丰富，这也导致网络通信系统在提供网络服务过程时将会面临着各种各样的潜在风险，例如，某项作业正在使用网络服务资源时，可能会出现资源缺失、数据丢失、信息通道阻塞等类似情况，从而导致网络服务应用中断，若在同一时间，出现大量的网络服务缺失情况，就会导致该网络服务系统无法满足用户需求，使用户产生不好的体验感，最终导致国内的网络通信服质量评价较低，是用户不再信任国内网络通信系统，影响通讯工程服务质量6。在面对这一问题时，我们要及时引入服务质量评价体系，以提高我国网络服务质量，获得更多的用户。网络资源的服务环境在网络通讯系统中是非常复杂的，而网络服务质量的好坏需要采用不同的标准来衡量，重要的衡量指标主要包括：网络服务的可用性、服务质量的安全性大数据背景下的网络通信系统研究王兴（江苏省连云港市灌云县公共资源交易中心 江苏省灌云县 222200）摘要：本文首先介绍了大数据技术概述和网络通信系统概述，而后基于大数据的电力通信网络状态感知分析，包括电力通信网络概述、基于大数据的网络状态感知、基于大数据的网络状态感知模型、电力通信网络状态感知分析。关键词：网络通信系统；电力通讯网络；感知模型27网络通信与安全Network Communication&Security电子技术与软件工程Electronic Technology&Software Engineering和可靠性以及网络服务的利用率等，这些指标都会根据不同用户的需求成为相应的评价体系。3 基于大数据的电力通信网络状态感知分析网络通信系统的用户逐渐增加，这也使得网络通信服务业务要不断完善，以确保网络通信能够正常运转，这也是当前网络通信系统急需解决的一个重要问题。此时若依然采用传统的网络通信系统，在很大程度上是无法满足用户的需求来，同时也会出现数据丢失、网络堵塞和延迟等情况，尤其是对于多媒体这种需要实时更新的业务，更是无法满足7。为了能够保证畅通的网络，使用户有良好的学习和工作网络环境，避免网络延迟、堵塞等现象的发生，必须采取提高网络服务质量的方法，以确保网络服务质量。网络通信系统中，网络资源是非常庞大而复杂的，网络参数环境也非常复杂，这使得网络通信系统在提供网络服务时，存在着各种可能的风险8。例如，资源缺失、通道堵塞、数据丢失的问题可能会频繁发生，同一时间出现大量问题，就会导致网络通信系统无法真正满足客户的需求，造成客户流失等后果，网络通信系统的提供者要在网络通信系统的架构过程中引入大数据技术，以此来解决上述问题。网络通信系统中引入大数据技术是为了能够实现网络通信这一基础目标，但基于现在的发展情况，这一架构还处在发展阶段，需要进一步的完善和发展，才能走向成熟，因此对于大数据技术在网络通信系统架构中如何集成并没有统一的行业标准9。网络通信系统中引入大数据主要体现于数据服务层，用来实现网络通信系统数据的共享，在该层中建立中心数据库，是中心数据库能够实现各种数据的智慧存储以及数据的信息交换，在该层中，具体服务主要有以下几种：数据统计、数据分析和挖掘、数据采集等等，在充分收集各行业信息在基础上对数据进行整合分析。大数据背景下的信息交换融合层，其目的就是实现各种信息的交换，以此来建立更为庞大的数据库。3.1 电力通信网络概述电力系统的基础物理设施是电力通信网，也是电力系统的高层服务对象，两者之间有着非常紧密的联系，其主要功能就是将电力系统的各项业务数据传递出去，与电力系统的发电、输电、变电、配电过程相对应。现阶段，智能化水平的电力通信网络在当前背景下逐步发展，并且引入了多种预测模型，如:基于神经网络的同步数字序列(SDH)、多业务传输平台(MSTP)、光传输网(OTN)和波分复用状态预测模型，是一种后向传播网络10。如图 1 所示。电力通信网络具有非常明显的行业特征，与其他的信息通讯网不同，电力通信网主要用于电力保障供应和电力的安全稳定运行，是包含在网络通信系统内的，根据电力通信网的相关实施方案，可以把电力业务分为实时控制器、非控制生产区、生产管理区和管理信息区这四大区域，也可分别叫做安全 I 工区、安全 II 工区、安全 III 工区、安全 IV 工区11。其中安全 I 工区的业务主要包括广域的测量、潮流控制等数据的传输，这就要求在相对稳定的环境下保证安全；安全 II区主要业务是用于测量和计量，主要功能是对电力系统的安全进行分析，当电力系统出现故障时该区主要用于故障定位；安全 III 工区和安全 IV 区主要是用于视频监控和行政决策管理，这都属于电力系统业务中的辅助功能。3.2 基于大数据的网络状态感知3.2.1 电力系统大数据的特征大数据技术是对数据的综合应用，这集数据采集和数据处理于一体的数据综合处理技术。在电力系统中，大数据的应用必不可少，主要是由于电力系统业务数据种类繁多，而且数据的多元化和差异化分析项目较多，这都需要大数据进行支持12。系统数据数量多、体量大，利用大数据进行分析能够充分发掘电力系统数据的特点，并且能够分析出电力系统中可能出现的异常现象。并且，大数据以其实时信息更新的特点感知网络状态，对电力系统的安全性实时监控。3.2.2 网络状态实时感知网络状态实时感知是数据应用中最为重要的内容之一，即将特定的概念置于特定的时间和空间之内进行解释，并且预测可能发生的相关事项，从而实现提前感知状态的目的13。图 1：电力通信网络结构28网络通信与安全Network Communication&Security电子技术与软件工程Electronic Technology&Software Engineering因此，对网络安全性能认识学习的过程中状态感知是首要的前提。网络状态实时感知通常被分为三个部分，网络安全性能检测、网络态势发展理解、网络状态预测分析。无论是在拓扑结构还是在数量层级上电力系统的维度都是非常庞大的，对这样如此庞大的系统进行状态感知，即可靠性和预测准确率都相对较低，这就需要大数据技术以及云计算这些先进的计算机技术作为支撑，从而实现数据的可视化。多重迭代集成分类器是当前学者研究的重要大数据基础，是大数据网络安全性能分析的重要工具14。多重迭代集成分类器是级别较高的分类系统，在数据处理上主要针对安全问题，在模块融合上，也是充分利用大数据的不同算法进行模块融合。在大数据的网络状态实时感知模型中，都是按照数据的分类进行执行的。因此，在多种模型的组合下，其安全性是非常可靠的，并且在此基础上，还原了预制规则相对应的数据集合进行分析，为网络安全状态预测的准确性提供了可能。充分提高网络状态实时感知的准确性，而且每个模型在平台中分布在状态都得到了实验的证明。模块一是数据收集和分析系统。通过构建数据模型对数据进行分析和处理，从而完善模型。网络安全数据体量庞大、数据维度高，因此在构建数据模型时需要对数据进行规划，最主要是也要进行降维处理。对于庞大的数据系统，降维处理后得到的数据依然非常庞大，对于这些数据需要进行再次降维处理，以此来减少数据量，从而得到更加直观的数据分析结果15。从当前模型构建的方式来看，经验法和先验论为主，并与此通过聚类算法减少数据并以此来分析，从而获得相对较为有针对性的数据模型。模块二是对网络活动的语义进行分析，并就语义的关联性能进行解释，对网络系统中存在的可能性威胁进行预测。通常情况下，使用关联规则对语义进行挖掘，并对此进行数据的整合与分析，以找到数据中存在的潜在风险。当数据量不断增加，数据维度持续增长，分析这些数据所需要时间也就越长，电力系统中庞大的数据量进行分析时所需要的时间很长，在整合、分析、挖掘电力系统数据进行全方位扫描，在扫描结果的基础上，对每个节点的性能进行分析，并对数据的结合特征进行总结。模块三是以综合评估为主。将网络中已经发生的安全事件进行综合梳理与分析，并对这些事件可能产生的后果进行预测评估，并得出相关的处理意见和建议。3.3 大数据基础上的网络状态感知模型当前大数据的网络状态感知模型主要有三种，神经网络基础上的网络安全状态感知、随机森林基础上的网络状态感知，星形结构基础上的网络安全状态感知。这些模型在数据分析上都有自身特点，在接收到需要分析的数据时，优先运用原有知识理论进行分析预测16。并且得出属于自身分析的数据结果，然后再将这些结果进行整合处理，并做出相应调整，本文主要通过安全性能分析对三类模型进行介绍。3.3.1 神经网络基础上的状态感知模型在图 2 中示意神经网络基础上的状态感知模型，这一模型包括三层前馈神经网络，每一层又包括两个模块，输入层中的两个模块主要功能是感知状态；隐藏层则是充分融合各项数据的基础上分析的安全状态结果，并将其传递至输出层，并且对误差进行校准最终得出预测状态。在数据传播的过程中，不仅有隐藏层的传播，也有输出层的传播，两者都是对信息的反馈和传播。在这样的模型结构下，其自学