文/孙红燕，王少华，王芳

以数字信息系统为研究对象，本文首先简要阐述了数据融合的概念；其次深入分析了多源异构监测数据融合方式；再次围绕多源数据融合在线监测方法展开讨论，如构建在线监测平台、细化在线监测流程等；最后对系统运行效果进行了说明，旨在为相关人员提供参考。

作为评估数字信息系统安全性能的重要工具之一，多源异构数据融合在线监测的重要性不言而喻。近年来，这种监测方式在数字信息系统监测中的应用较为广泛。实践证明，该检测方式在实时获取并融合多源异构数据、提升数字信息系统结构安全性等方面均表现出显著的积极作用。

一、数据融合概述

数据融合是指将具有相同结构的数据资源融合成实用、准确的表现形式，确保单一数据和监测点的准确性。在一般情况下，多源异构信息融合可依据数据融合形式分为数据层、特征层以及决策融合层。其中，数据层通常作为数据融合的最底层，其主要借助传感器监测的方式完成初步分析和集成，并通过提取相关融合数据，明确数字信息系统的时程特性。当前，这种方式主要用于融合原始信息、处理海量信息数据等方面。特征层是数据融合的中间层，其不仅需要提取不同类型的监测值以及观测指标的特征向量，还需要将获得的特征向量进行充分融合，进而得到所需信息数据。特征层简单灵活，因而被广泛应用于融合应用中。决策层是数据融合的最高层，在实际应用中，技术人员需要做好专家决策系统分析和数据库推导等工作。相较于特征层，决策层在处理观测指标特征向量时，需要利用模式识别的方式，做好不同类型传感器的监测工作，并通过多源异构监测对数字信息系统的运行状态做出进一步评估，以确保其兼具数据层、特征层的特性。[1]

二、多源异构监测数据融合方式

多源异构监测数据融合方式的运行原理是，将不同量纲作为监测指标，以达到数据融合的目的。当前，技术人员在采用多源异构监测数据时应按照以下三个步骤进行：（1）利用小波分析方式，监测不同监测点原始时间序列产生的误差，避免干扰因素的产生；（2）将不同监测点的类型和去噪时间序列融合为同一个综合序列；（3）将监测指标综合序列有机地融合为综合监测信息序列，且该综合监测信息序列除包含位移、应力信息外，还应包括倾斜度监测数据信息。

此外，在数字信息系统监测过程中，监测数据主要为低频信号和平稳信号。考虑到小波阈值去噪法主要是依据原始监测数据进行后续去噪处理的，因此，在对小波阈值进行去噪处理时，技术人员首先需要合理选择小波基函数与分解层数，并将其分解为不同的尺度层；其次，技术人员应依据阈值的计算和函数处理方式，完成对小波系数的限制；最后，技术人员应对阈值进行重新架构，同时做好高频系数和低频系数的处理，从而获得去噪后的监测序列。

三、多源数据融合在线监测方法探究

（一）构建在线监测平台

在构建在线监测平台过程中，考虑到数字信息系统内部数据监测工作较为复杂，且具有监测时间较长、监测内容相对较多等特点，如果继续使用传统的人工实时监测技术，可能会因监测工作量过多而降低监测工作质量。为了切实解决上述问题，技术人员应放弃常规做法，并引入多源异构数据融合技术，将其与监控内容相关的数据进行有效整合，以此提升监测工作的质量与效率。具体来说，在实际应用过程中，面向服务架构模型作为一种组件模型，可以通过对分布式粗粒度进行有效组合等方式，实现对不同信息的灵活调用，并将对应信息用于多源异构数据的整合分析工作中，进而在解决信息孤岛问题的同时，为监测及后续工作的顺利推进提供有力支持。需要注意的是，该在线监测平台的通信接口应使用Web Service进行搭建，并及时建立通信协议，以确保构建数据的格式符合标准。

在本次研究中，在线检测平台主要由数据层、交换层、集成层与用户层四部分构成。其中，数据层主要负责接收、存储系统数据信息；交换层的主要任务是确保数据信息完成异构数据与XML（可扩展标记语言）格式数据的双向转换；集成层又可细分为平台管理中心、数据交换服务中心、数据中心三个部分，在具体应用过程中，其主要负责系统维护管理、数据转换、数据存储备份等工作；用户层则是面向用户的人机交互系统，其主要负责用户登录、权限管理等工作。[2]

（二）细化监测流程

技术人员对多源异构数据进行在线监测的主要流程如下。第一步，采集数字信息系统性能数据。第二步，融合采集来的多源异构数据，并通过评价模型对融合数据进行分析，以明确异常数据及产生异常的原因。第三步，预测指标数据变化趋势，并以此判断系统实时性能态势。第四步，将异常数据导入预警平台，由平台对其进行格式化处理；与此同时，平台将基于关联挖掘策略捕获同类信息，并将捕获的信息合并成压缩包发送给对应的工作人员，进而为其后续工作的顺利开展提供理论依据。

此外，上文提及的性能数据主要涉及应用性能、基础资源和网络性能三个方面。其中，应用性能又可细分为服务端重置率、并发连接数；基础资源主要是指内存占比和CPU 占比；网络性能则以网络延时、吞吐量等为主要内容。

（三）明确监测要点

1.数据融合

数据融合的步骤具体如下：首先，将数据格式化，并确保数据标识、存储格式完全一致；其次，检测异常值、缺失值，并视情况对相关数据进行处理或者填充；最后，对数据进行脱敏，再按照所属类别进行分类存储。

2.异常检测

在通常情况下，“明确监测要点”步骤所使用的评价模型应内置异常检测、异常定位等功能模块。其中，异常检测模块主要用于自动检测数据，并将异常数据上传至异常定位模块；异常定位模块则负责以事件、指标数据之间存在关联为依据，通过因果推导的方式对根因事件所处位置加以明确。

（1）异常检测模块。该模块可通过检测动态阈值及固定阈值的方式，确定数据异常情况。其中，动态阈值法多用于对周期性、趋势性明显的数据进行检测，它可先行依托指数平滑法确定数据趋势，再将其分段处理，并对动态时间窗口进行设定，进而将各周期内相同时间窗口所对应的数据划入正态分布阵营，并在此基础上根据数据特点确定动态阈值。固定阈值法则多用于对波动相对平稳的数据进行检测。通常，技术人员需要先借助服务器端对恒定阈值进行设定，再对比数据值、阈值大小。如果数据值不在标准阈值范围内，那么该数据可视为异常数据，反之则属于正常数据。

（2）异常定位模块。该模块主要由异常诊断树、关联分析两部分组成。其中，异常诊断树主要以历史经验为依据，对异常数据根因进行挖掘；关联分析的核心功能是对异常数据相关事件或指标进行挖掘，进而为后续问题定位提供理论依据。[3]

3.预测数据

对数据、系统性能态势进行预测的具体步骤如下：首先，针对序列数据进行建模，并对线性成分进行预测；其次，基于LSTM（长短记忆网络）模型预测非线性成分；最后，将线性、非线性成分对应的预测值相加，即可得出最终结果。

四、多源数据融合在线监测效果讨论

实践证明，本文所设计的多源数据融合在线监测体系可以依托数据采集平台对信息系统相关数据进行采集，进而达到实时监测的目的。简单来说，该系统所搭载的功能模块能够对所采集数据进行融合，在降低后续数据处理难度的前提下，为提高结果的精度提供有力保障。完成融合处理后，评价模型将对数据异常情况进行检测，并在确定疑似根因后，自动将相关信息上传至预警平台，从而确保工作人员及时、准确地了解系统的运行状态。

五、结语

综上所述，数字信息系统状态监测主要依据监测指标对监测点进行分析，并基于产生不同量纲的监测数据得出所需数据信息。在实际应用中，技术人员需要对原始数据进行充分、全面的评估，以确保系统的整体安全。事实证明，采用多源异构监测分析的方式，能够对数据进行综合性分析和实时监测，且数据监测结果科学、准确，能够为数字信息系统的稳定、高效运行奠定良好基础。