王艳芳，穆红涛

(辽阳职业技术学院，辽宁 辽阳 111000)

0 引言

1956年，达特茅斯会议第一次提出人工智能理念。经过60多年的发展，人工智能已成为新一轮科技产业革命的重要驱动力。作为新一代信息技术理念的代表，人工智能大面积提炼、集成了逻辑学、计算机、物理学、数学等学科的理论与方法，在计算机网络技术领域具有极其广阔的应用前景。因此，分析人工智能在计算机网络技术中的应用具有非常重要的现实意义。

1 人工智能的概念

人工智能(Artificial Intelligence，AI)特指研究、开发用于延伸、模拟人的智能的理论、技术科学[1]。从逻辑上来看，人工智能理念由若干个类似单元细胞的六面方体组成，每一个方体均是空白的，方体矩阵无视觉与听觉能力，但可将句子拆分到空白方体内，并以语句的形式建立一个连接。此时，若提前为方体矩阵录入字典(或词典)，方体之间可以词的形式建立一个耳机连接，句子则会建立一个三级连接，形成了基本的神经网络。在神经网络形成后，需要为其创造面对面自然语言形式的主意识、基于周边程序的自我干预辅助意识，满足信息录入时正误逻辑反馈要求。在这个基础上，人为加入对立的词汇以及不确定性问题，形成完整的人工智能[2]。

2 人工智能在计算机网络技术中的应用

2.1 粒子群算法在计算机网络QoS路由优化中的应用

粒子群算法是人工智能理念计算智能的分支，也是一种生物人工智能，可以模拟自然界生物活动、群体智能实现随机搜索。QoS是计算机网络传输数据流时要求满足的系列服务请求，如延迟、带宽、丢失率、延迟抖动等。QoS路由则是根据计算机网络的可用业务流、可用资源QoS要求设置的多参数动态路由协议，可用于解决多项式复杂程度非确定性问题。以往QoS路由因基于节点的周期性局部状态映像，导致信息精确度丧失，无法反映细节网络问题。因此，可以将粒子群算法应用到计算机网络QoS路由中，提高汇聚新信息精确度。从本质上来说，基于粒子群算法的计算机QoS路由优化过程是粒子群初始化后的优化解输出过程。

具体应用过程中，首先需要进行计算机网络节点的初始化，即在确定约束条件中带宽、延时、延时抖动、包丢失率参数的基础上，根据每条边带宽(或延时、延时抖动、包丢失率)中的分量，将不满足分量大于等于约束限度的参数去除。

其次，进行粒子群算法中第i个粒子的位置、速度参数初始化，每一次迭代搜索后具有全局最优和个体最优，以位置参数初始化个体最优，利用种群内适应值最佳的粒子位置初始化全局最优。迭代过程如下：

(1)

再次，更新粒子群算法中的速度和位置，根据公式(2)完成每一个粒子的速度、位置值更新。同时根据公式计算每一个粒子适应度F，在个体最优小于每一个粒子的适应值时，个体最优与全局最优相等。其公式为：

(2)

式(2)中，a、b、c、d分别为延时约束、延时抖动约束、包丢失约束、约束在适应度函数内比重系数；φ表示惩罚函数；ΔD、ΔJ、ΔB、ΔP为网络模型QoS参数，分别为延时、延时抖动、带宽、包丢失率；delay、jitter、loos、bandwidth为QoS路由参数，分别为延时、延时抖动、包丢失率、带宽；Pt(s，u)为运动过程中每条路径t由位置s转移到位置u的概率。

最后，更新全局最优，在全局最优的适应值小于个体最优时，两者相等。此时，可输入一次全局最优结果到tabuk表内，并促使表长度numpk+1。进而返回到“粒子群算法中第i个粒子的位置、速度参数初始化”环节，循环进行，直到迭代步数超出最大步数，或者粒子群搜索的个体最优位置适应度未变换算法次数达到5次。

2.2 专家系统在计算机网络智能诊断中的应用

专家系统是借助研究领域专家知识推理的方法解决专业高难度问题的智能化系统。根据长时间实践经验可知，可以依托大量故障信息知识开发智能计算机网络程序系统，突破以往基于信息模型描述系统故障精确度问题。比如利用失误驱动的计算机网络故障诊断策略自学习，可以及时获取诊断知识、学习诊断策略，拓展知识台阶。部分情况下，可以将人工神经网络(Artificial Neural Networks，ANN)与专家系统相结合，进一步提升计算机网络故障信号分析与识别、推理智能化水平。ANN是一种非线性动力学系统，由大量神经元组成，兼具计算、学习、预测、记忆、识别、智能处理功能。在ANN与专家系统融合下的计算机网络智能诊断中，可以在多层感知器网络、自组织映射、自适应共振理论支持下有效逼近各种映射，完成计算机网络故障的智能诊断。

具体应用过程中，首先可以将计算机网络故障智能诊断划分为域内小范围诊断、域间大范围诊断2种情况，域内小范围诊断结构为主从式，域间大范围诊断结构为对等式。任务分配始点为域内小范围诊断站点，域间大范围诊断则发挥检测请求任务转发功能。此时，各推理优劣评估任务就可以划分到多个节点，可以有效降低管理站点负担，在短时间内完成状态评定以及历史执行记录检测、运行稳定节点优选。参与故障管理的框架结构如图1所示。

图1 基于人工智能的计算机网络故障诊断结构

基于人工智能理念的计算机网络故障诊断单元为Agent，包括AreaAgent、MaAgent(ManagerAgent)、RAgent(ResourceAgent)，其在管理范围、工作重心上均具有一定差异。其中AreaAgent为最高层Agent，负责整个计算机网络环境内部资源协调以及所管辖域内检测方法的评价，可直接将评价结果传递给MaAgent；MaAgent可以接收外界资源请求，结合AreaAgent命令以及RAgent信息，进行计算机网络内资源分配计划的制定。在接收到上层和下层信息后，MaAgent会自动查找内部知识库，若内部知识库满足要求，则向符合条件的节点上RAgent提交请求并进行内部知识库节点信息的更改，进而由RAgent完成结果反馈，反之AreaAgent需要将请求发动到其他子网重新请求。进而将允许结果反馈给MaAgent，由MaAgent将结果报告给RAgent；RAgent位于最底层，负责实时监测计算机网络资源的使用情况并将其报告给上级。

从域内故障管理来看，每一个对外提供计算机网络监测服务的站点RAgent和域内监控节点MaAgent组成了层次化协调管理机构，RAgent负责将故障检测评价工作内容发放给各资源节点，各资源节点上RAgent需要根据现阶段计算机网络状态属性数值评估网络状况并将评估结果上报给MaAgent[6]。RAgent知识库主要用资源表R_RT表示，包括account(检测造成网络资源消耗)、historyrecord(节点检测历史状况)、overload(UDP数据流负载)、networkstate(本地资源节点物理层、网络层、数据链路层与应用层状况)4个部分；MaAgent负责根据RAgent发布网络状态，依托C_RT、L _RT资源表，综合考虑当前服务质量以及常量比重进行域内节点管理，并根据检测请求完成资源分配、任务分配以及域内网络节点负载平衡维护。具体形式为：=[