人工智能技術(shù)怎樣應(yīng)用在通信安全領(lǐng)域

隨著大數(shù)據(jù)、機(jī)器學(xué)習(xí)等創(chuàng)新技術(shù)的發(fā)展，人工智能技術(shù)越來(lái)越成熟化，在社會(huì)生活的多個(gè)領(lǐng)域得到了廣泛的應(yīng)用，極大地推動(dòng)了社會(huì)進(jìn)步，同時(shí)也帶來(lái)了安全領(lǐng)域的挑戰(zhàn)。本文對(duì)人工智能技術(shù)的發(fā)展和政策背景進(jìn)行概述，對(duì)標(biāo)準(zhǔn)化現(xiàn)狀進(jìn)行了介紹，在對(duì)應(yīng)用于通信領(lǐng)域的人工智能技術(shù)分析的基礎(chǔ)上，探討了人工智能在通信安全領(lǐng)域的應(yīng)用。

近年來(lái)，云計(jì)算、大數(shù)據(jù)、深度學(xué)習(xí)技術(shù)的發(fā)展推動(dòng)人工智能產(chǎn)業(yè)的進(jìn)步，尤其是2016、2017年AlphaGo橫掃中日韓頂級(jí)圍棋高手在人工智能產(chǎn)業(yè)界引起了極大反響?？梢钥吹?，人工智能正在推動(dòng)工業(yè)進(jìn)入第四次發(fā)展浪潮，并逐步開(kāi)始在農(nóng)業(yè)生產(chǎn)、工業(yè)制造、交通駕駛、醫(yī)療健康、文化傳播、投資金融等各個(gè)領(lǐng)域進(jìn)入商用化階段，推動(dòng)人類生產(chǎn)、生活的革命性變化。不論是政府、企業(yè)還是用戶，都期待人工智能技術(shù)的標(biāo)準(zhǔn)化應(yīng)用。

1.1人工智能概念

人工智能在不同的發(fā)展階段中被賦予了不同的概念。在1956年的達(dá)特茅斯會(huì)議上，麥卡錫首次提出人工智能概念。百度百科中對(duì)人工智能的定義是計(jì)算機(jī)科學(xué)的一個(gè)分支，它企圖了解智能的實(shí)質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機(jī)器。

1.2人工智能政策

人工智能已經(jīng)開(kāi)始在智能制造、智慧醫(yī)療、智能家居等各行各業(yè)的產(chǎn)品中得到了應(yīng)用。我國(guó)發(fā)布的《新一代人工智能發(fā)展規(guī)劃》中提出，要加強(qiáng)人工智能標(biāo)準(zhǔn)框架體系研究，到2020年初步建成人工智能技術(shù)標(biāo)準(zhǔn)體系，包括人工智能基礎(chǔ)共性、互聯(lián)互通、行業(yè)應(yīng)用、網(wǎng)絡(luò)安全、隱私保護(hù)等技術(shù)標(biāo)準(zhǔn)，以及無(wú)人駕駛、服務(wù)機(jī)器人等細(xì)分應(yīng)用領(lǐng)域標(biāo)準(zhǔn)，鼓勵(lì)參與或主導(dǎo)制定國(guó)際標(biāo)準(zhǔn)，以技術(shù)標(biāo)準(zhǔn)“走出去”帶動(dòng)產(chǎn)品和服務(wù)“走出去”。工信部在編寫的通信行業(yè)《“十三五”技術(shù)標(biāo)準(zhǔn)體系建設(shè)方案》中，已經(jīng)提出建立人工智能標(biāo)準(zhǔn)體系，研制網(wǎng)絡(luò)、平臺(tái)、終端、安全、智能化水平等關(guān)鍵標(biāo)準(zhǔn)。

1.3人工智能標(biāo)準(zhǔn)化

在通信網(wǎng)和人工智能融合這一大趨勢(shì)下，各個(gè)標(biāo)準(zhǔn)化組織已紛紛開(kāi)展行動(dòng)。2017年10月，ISO/IEC JTC1正式成立新的人工智能分技術(shù)委員會(huì)，進(jìn)行人工智能相關(guān)的標(biāo)準(zhǔn)研究工作。目前包括中國(guó)、加拿大、德國(guó)、法國(guó)、俄羅斯、英國(guó)、美國(guó)等18個(gè)全權(quán)成員國(guó)，以及澳大利亞、荷蘭等5個(gè)觀察成員國(guó)。2018年4月18—20日，人工智能分技術(shù)委員會(huì)第一次全會(huì)在北京成功召開(kāi)，會(huì)議討論確定了組織架構(gòu)，下設(shè)基礎(chǔ)工作組、計(jì)算方法與AI系統(tǒng)特征研究組、可信研究組、用例與應(yīng)用研究組，重點(diǎn)在術(shù)語(yǔ)、參考框架、算法模型和計(jì)算方法、安全及可信、用例和應(yīng)用分析等方面開(kāi)展標(biāo)準(zhǔn)化研究。而在此之前ISO/IEC JTC1已經(jīng)發(fā)布了100余項(xiàng)人工智能相關(guān)的標(biāo)準(zhǔn)，基本形成了較為完備的標(biāo)準(zhǔn)體系。

歐洲電信標(biāo)準(zhǔn)協(xié)會(huì)于2017年2月成立了ISG-ENI，期望通過(guò)人工智能提高運(yùn)營(yíng)商在網(wǎng)絡(luò)部署和操作方面的體驗(yàn)，同時(shí)，根據(jù)用戶需求和環(huán)境條件變化等，自適應(yīng)地調(diào)整網(wǎng)絡(luò)服務(wù)。2018年1月，ETSI又建立了ISG-ZSM，囊括了40多個(gè)單位或組織，最初將專注于網(wǎng)絡(luò)切片管理等研究。隨后，ETSI發(fā)布了《自動(dòng)化下一代網(wǎng)絡(luò)中的網(wǎng)絡(luò)和服務(wù)操作的必要性和益處》白皮書，強(qiáng)調(diào)5G網(wǎng)絡(luò)中服務(wù)管理、運(yùn)營(yíng)自動(dòng)化的目標(biāo)。

國(guó)際電信聯(lián)盟-電信標(biāo)準(zhǔn)化部門在2017年11月成立了未來(lái)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)焦點(diǎn)組（FG-ML5G）），具體包括3個(gè)工作組，分別關(guān)注服務(wù)和需求、數(shù)據(jù)格式和機(jī)器學(xué)習(xí)技術(shù)、機(jī)器學(xué)習(xí)感知網(wǎng)絡(luò)架構(gòu)。重點(diǎn)研究機(jī)器學(xué)習(xí)、人工智能在包含5G系統(tǒng)的未來(lái)網(wǎng)絡(luò)中的應(yīng)用。FG-ML5G第一次會(huì)議于2018年1月29日至2月3日在瑞士日內(nèi)瓦舉行，就組織架構(gòu)、工作組設(shè)置、相關(guān)工作內(nèi)容等達(dá)成了一致。會(huì)議決議成立用例與需求工作組、數(shù)據(jù)格式與安全工作組、網(wǎng)絡(luò)架構(gòu)組3個(gè)工作組來(lái)推動(dòng)網(wǎng)絡(luò)智能化的工作。會(huì)議就通信網(wǎng)絡(luò)基礎(chǔ)設(shè)施無(wú)法有效滿足機(jī)器學(xué)習(xí)技術(shù)使用條件現(xiàn)狀、焦點(diǎn)組聚焦研究?jī)?nèi)容范疇、數(shù)據(jù)在機(jī)器學(xué)習(xí)應(yīng)用中的重要性以及標(biāo)準(zhǔn)化缺失阻礙機(jī)器學(xué)習(xí)技術(shù)應(yīng)用等方面的判斷和需求達(dá)成共識(shí)，同時(shí)決定焦點(diǎn)組將致力于解決工業(yè)界使用人工智能技術(shù)遇到的技術(shù)及數(shù)據(jù)障礙進(jìn)行相關(guān)標(biāo)準(zhǔn)制定，并針對(duì)不同案例應(yīng)用輸出技術(shù)報(bào)告以起到規(guī)范行業(yè)、引領(lǐng)發(fā)展的作用。

IEEE在2017年11月下旬，發(fā)布了3項(xiàng)人工智能領(lǐng)域標(biāo)準(zhǔn)。包括“機(jī)器化系統(tǒng)、智能系統(tǒng)和自動(dòng)系統(tǒng)的倫理推動(dòng)標(biāo)準(zhǔn)”、“自動(dòng)和半自動(dòng)系統(tǒng)的故障安全設(shè)計(jì)標(biāo)準(zhǔn)”和“道德化的人工智能和自動(dòng)系統(tǒng)的福祉衡量標(biāo)準(zhǔn)”。

2017年5月3GPP SA2#121會(huì)議上，基于Big Data/AI的FS-eNA立項(xiàng)通過(guò)，2018年6月中國(guó)移動(dòng)牽頭立項(xiàng)3GPP RAN大數(shù)據(jù)應(yīng)用研究。前者主要關(guān)注用于網(wǎng)絡(luò)數(shù)據(jù)分析的必要數(shù)據(jù)以及必要的輸出數(shù)據(jù)，后者則面向無(wú)線大數(shù)據(jù)的采集與應(yīng)用。

目前主流的人工智能中，最主要使用的是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，它們是專門研究計(jì)算機(jī)怎樣模擬人類的學(xué)習(xí)行為獲取新的知識(shí)或技能，從而不斷改善自身的性能。

2.1監(jiān)督學(xué)習(xí)

在監(jiān)督學(xué)習(xí)中，每個(gè)訓(xùn)練數(shù)據(jù)組都是由一個(gè)輸入對(duì)象和一個(gè)期望的輸出值組成的，目標(biāo)是得出輸入和輸出數(shù)據(jù)的函數(shù)關(guān)系，并推斷其他輸入數(shù)據(jù)可能的輸出值。函數(shù)的輸出可以是一個(gè)連續(xù)的值或是預(yù)測(cè)一個(gè)分類標(biāo)簽。監(jiān)督學(xué)習(xí)中常見(jiàn)的算法有K-鄰近、決策樹(shù)、樸素貝葉斯、邏輯回歸、支持向量機(jī)。

2.2半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)是監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)相結(jié)合的一種學(xué)習(xí)方法，輸入數(shù)據(jù)包括有標(biāo)簽樣本數(shù)據(jù)和無(wú)標(biāo)簽樣本數(shù)據(jù)，根據(jù)這些數(shù)據(jù)集訓(xùn)練習(xí)，輸出一個(gè)學(xué)習(xí)機(jī)，對(duì)數(shù)據(jù)集或者外界的無(wú)標(biāo)簽樣本進(jìn)行預(yù)測(cè)，以便大幅度降低標(biāo)記成本。其中包括一些對(duì)常用監(jiān)督式學(xué)習(xí)算法的延伸，如圖論推理算法、拉普拉斯支持向量機(jī)等。使用半監(jiān)督學(xué)習(xí)，減輕了獲取大量樣本標(biāo)簽的代價(jià)，又能夠帶來(lái)比較高的準(zhǔn)確性，因此越來(lái)越受到人們的重視。

2.3無(wú)監(jiān)督學(xué)習(xí)

無(wú)監(jiān)督式學(xué)習(xí)輸入無(wú)標(biāo)簽數(shù)據(jù)，學(xué)習(xí)模型推斷出數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。常見(jiàn)的應(yīng)用場(chǎng)景包括關(guān)聯(lián)規(guī)則的學(xué)習(xí)，聚類和降維等。常見(jiàn)算法包括Apriori算法、K均值聚類、主成分分析降維，以及神經(jīng)網(wǎng)絡(luò)中的自組織映射聚類等。

2.4強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)基于智能實(shí)體與環(huán)境之間的動(dòng)態(tài)交互。當(dāng)智能實(shí)體感知到環(huán)境信息后，依據(jù)自己采取動(dòng)作所可能帶來(lái)的獎(jiǎng)賞或懲罰確定策略，并進(jìn)一步觀察環(huán)境的反應(yīng)，循環(huán)往復(fù)，直至收斂至某一穩(wěn)態(tài)狀態(tài)。強(qiáng)化學(xué)習(xí)的常見(jiàn)應(yīng)用場(chǎng)景包括調(diào)度管理、信息檢索、過(guò)程控制、動(dòng)態(tài)系統(tǒng)以及機(jī)器人控制等。常見(jiàn)算法包括Q學(xué)習(xí)以及時(shí)序差分。

2.5神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)也叫人工神經(jīng)網(wǎng)絡(luò)，是受生物神經(jīng)網(wǎng)絡(luò)啟發(fā)而構(gòu)建的算法模型，常用于解決非線性回歸和分類問(wèn)題。一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)的邏輯架構(gòu)包括輸入層、隱藏層和輸出層。輸入層負(fù)責(zé)接收信號(hào)，隱藏層負(fù)責(zé)對(duì)數(shù)據(jù)的分解和處理，輸出層輸出整合結(jié)果。

2.6深度學(xué)習(xí)

早先的神經(jīng)網(wǎng)絡(luò)算法比較容易過(guò)訓(xùn)練，準(zhǔn)確率依賴于龐大的訓(xùn)練集，訓(xùn)練速度受限于計(jì)算機(jī)，分類效果并不優(yōu)于其它方法。深度學(xué)習(xí)算法可通過(guò)多隱層的神經(jīng)網(wǎng)絡(luò)逐層預(yù)訓(xùn)練進(jìn)行特征學(xué)習(xí)，具有自學(xué)習(xí)功能、聯(lián)想存儲(chǔ)功能和高速尋找優(yōu)化解的能力，適用于模式識(shí)別、信號(hào)處理、優(yōu)化組合、異常探測(cè)、文本到語(yǔ)音轉(zhuǎn)錄等數(shù)據(jù)量龐大、參數(shù)之間存在內(nèi)在聯(lián)系的場(chǎng)景。神經(jīng)網(wǎng)絡(luò)也從單純的監(jiān)督學(xué)習(xí)轉(zhuǎn)向半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)領(lǐng)域，并且可以實(shí)現(xiàn)分類器、生成數(shù)據(jù)、降維等多種功能。

3.1基于人工智能的網(wǎng)絡(luò)異常流量檢測(cè)技術(shù)

隨著因特網(wǎng)規(guī)模的不斷擴(kuò)大和迅速發(fā)展，網(wǎng)絡(luò)用戶在得到了極大的便利的同時(shí)也出現(xiàn)了一系列的攻擊事件。近幾年來(lái)大規(guī)模的流量攻擊事件層出不窮，給各國(guó)經(jīng)濟(jì)都帶來(lái)了巨大的損失，網(wǎng)絡(luò)安全已經(jīng)引起了人們的高度重視。當(dāng)用戶在請(qǐng)求網(wǎng)絡(luò)服務(wù)時(shí)，會(huì)產(chǎn)生相應(yīng)的網(wǎng)絡(luò)流量，而流量的監(jiān)測(cè)是網(wǎng)絡(luò)管理的重要組成部分，網(wǎng)絡(luò)流量數(shù)據(jù)為網(wǎng)絡(luò)的運(yùn)行和維護(hù)提供了極其重要的信息，這些數(shù)據(jù)反映出了網(wǎng)絡(luò)的資源分布情況，容量劃分情況，能夠?qū)W(wǎng)絡(luò)服務(wù)質(zhì)量進(jìn)行分析，對(duì)網(wǎng)絡(luò)發(fā)生的錯(cuò)誤和攻擊進(jìn)行監(jiān)測(cè)和隔離，從而為網(wǎng)絡(luò)用戶提供安全可靠的服務(wù)。

針對(duì)異常流量的檢測(cè)主要分為基于特征的檢測(cè)和基于異常的檢測(cè)。目前，各網(wǎng)絡(luò)采取最多的入侵檢測(cè)技術(shù)是特征檢測(cè)技術(shù)。它通過(guò)匹配已經(jīng)建立的規(guī)則和模型來(lái)檢測(cè)已知的攻擊，然而在處理對(duì)未知攻擊的檢測(cè)時(shí)，很難將未知的攻擊與正常行為區(qū)分開(kāi)來(lái)，往往需要不斷更新規(guī)則庫(kù)。新攻擊的海量流量數(shù)據(jù)的不斷增加給網(wǎng)絡(luò)安全帶來(lái)了極大的挑戰(zhàn)，因此，基于特征檢測(cè)的技術(shù)已經(jīng)不適用于當(dāng)前網(wǎng)絡(luò)對(duì)攻擊行為進(jìn)行實(shí)時(shí)檢測(cè)?；诋惓５娜肭謾z測(cè)，不需要建立規(guī)則庫(kù)，但是由于傳統(tǒng)的入侵檢測(cè)系統(tǒng)無(wú)法有效地對(duì)零日攻擊進(jìn)行檢測(cè)，網(wǎng)絡(luò)安全面臨的挑戰(zhàn)依然嚴(yán)峻。

針對(duì)網(wǎng)絡(luò)安全以上問(wèn)題，在工業(yè)界和學(xué)術(shù)界都引起了廣泛的重視，各國(guó)政府機(jī)構(gòu)相應(yīng)出臺(tái)了一系列政策，大力改善網(wǎng)絡(luò)安全問(wèn)題。入侵檢測(cè)概念最早于1980年提出，并提出利用審計(jì)信息跟蹤用戶可疑行為的入侵檢測(cè)方法。接下來(lái)的20年間，又陸續(xù)提出了了各種入侵檢測(cè)模型。近2年我國(guó)政府將“維護(hù)網(wǎng)絡(luò)安全”寫進(jìn)政府工作報(bào)告，將這一計(jì)劃上升到國(guó)家戰(zhàn)略，根據(jù)360公司在2016年底的中國(guó)互聯(lián)網(wǎng)政企安全報(bào)告顯示：全球化的網(wǎng)絡(luò)安全領(lǐng)域各項(xiàng)技術(shù)正在全面加速推進(jìn)，在安全防御方面以開(kāi)放數(shù)據(jù)挖掘?yàn)榇淼耐{新動(dòng)向是未來(lái)安全研究的新趨勢(shì)。進(jìn)入21世紀(jì)以來(lái)，隨著人工智能的快速發(fā)展和大數(shù)據(jù)分析的優(yōu)勢(shì)，國(guó)內(nèi)外應(yīng)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法對(duì)入侵檢測(cè)的研究開(kāi)辟了新的研究道路。

目前網(wǎng)絡(luò)異常流量檢測(cè)所面臨的主要問(wèn)題包括：

a）高速網(wǎng)絡(luò)環(huán)境的性能改善問(wèn)題。高速網(wǎng)絡(luò)環(huán)境下，網(wǎng)絡(luò)的吞吐量非常大，需要從大量的流量數(shù)據(jù)中檢測(cè)出網(wǎng)絡(luò)入侵的具體類別，同時(shí)提高檢測(cè)速度和準(zhǔn)確率，降低網(wǎng)絡(luò)的誤報(bào)率和漏報(bào)率，把入侵造成的損失控制在最小限度內(nèi)。

b）入侵檢測(cè)系統(tǒng)主動(dòng)防御能力不足。大部分入侵檢測(cè)系統(tǒng)是以檢測(cè)漏洞為主，依靠漏洞庫(kù)實(shí)現(xiàn)，對(duì)于漏洞庫(kù)中不存在的攻擊，很難實(shí)現(xiàn)檢測(cè)，一般只有在攻擊發(fā)生后，才添加到庫(kù)，這樣無(wú)法做到提前防御未知攻擊，只能依賴漏洞庫(kù)的更新。

c）入侵檢測(cè)系統(tǒng)體系結(jié)構(gòu)問(wèn)題。集中式的入侵檢測(cè)無(wú)法適應(yīng)分布式攻擊的檢測(cè)，需要采用中央代理一級(jí)大量分布在各處的本地代理組成分布式入侵檢測(cè)系統(tǒng)進(jìn)行檢測(cè)。

根據(jù)以上異常流量檢測(cè)所面臨的問(wèn)題以及人工智能和大數(shù)據(jù)分析的優(yōu)勢(shì)，有必要研究基于人工智能和大數(shù)據(jù)的互聯(lián)網(wǎng)異常流量檢測(cè)技術(shù)。在大量流量數(shù)據(jù)條件下利用網(wǎng)絡(luò)產(chǎn)生的流量數(shù)據(jù)進(jìn)行分析，及時(shí)發(fā)現(xiàn)檢測(cè)可疑的用戶和攻擊行為，維護(hù)網(wǎng)絡(luò)安全，為用戶提供安全可靠的服務(wù)。

3.2智能運(yùn)維

機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘處理，用于運(yùn)維中的隱患預(yù)測(cè)和動(dòng)態(tài)巡檢。通過(guò)同步運(yùn)維數(shù)據(jù)，集中優(yōu)化平臺(tái)數(shù)據(jù)，實(shí)現(xiàn)動(dòng)態(tài)監(jiān)控，從多個(gè)維度對(duì)現(xiàn)場(chǎng)操作和維護(hù)指標(biāo)進(jìn)行特征畫像，使用人工智能技術(shù)實(shí)時(shí)預(yù)測(cè)重要警報(bào)，找到關(guān)鍵監(jiān)測(cè)點(diǎn)并制定動(dòng)態(tài)檢查計(jì)劃。通過(guò)關(guān)聯(lián)工單系統(tǒng)，自動(dòng)輸出診斷計(jì)劃，提高工單派單準(zhǔn)確性，實(shí)現(xiàn)智能化的運(yùn)維。利用數(shù)據(jù)挖掘技術(shù)，早期發(fā)現(xiàn)問(wèn)題，從被動(dòng)處理問(wèn)題到主動(dòng)預(yù)防問(wèn)題，提升運(yùn)維效率。

3.3故障溯源

隨著創(chuàng)新型技術(shù)的迅速發(fā)展，電信網(wǎng)絡(luò)設(shè)備日趨虛擬化、自動(dòng)化和智能化。電信網(wǎng)絡(luò)系統(tǒng)的規(guī)模和復(fù)雜度的不斷增加，維護(hù)變得越來(lái)越繁雜，運(yùn)維人員還必須面對(duì)各種高度集成的設(shè)備產(chǎn)生的大量實(shí)時(shí)信息。當(dāng)異常情況發(fā)生時(shí)，現(xiàn)有系統(tǒng)無(wú)法為運(yùn)維人員提供足夠支持，導(dǎo)致許多問(wèn)題無(wú)法及時(shí)發(fā)現(xiàn)，且不斷傳播和升級(jí)，進(jìn)而影響所有業(yè)務(wù)。如果在發(fā)生異常警報(bào)時(shí)查找問(wèn)題的根源和分析得出解決方案需要花費(fèi)大量時(shí)間，小問(wèn)題也會(huì)被升級(jí)。

基于人工智能技術(shù)，可實(shí)現(xiàn)通信網(wǎng)絡(luò)中的告警全局監(jiān)控和處理，實(shí)時(shí)采集告警數(shù)據(jù)，實(shí)現(xiàn)靈活的過(guò)濾和可追溯性，主要原因是適當(dāng)?shù)姆治龊吞幚懋?dāng)前警報(bào)中的關(guān)鍵信息。通過(guò)對(duì)告警信息進(jìn)行過(guò)濾、匹配，確定并分類告警信息，同時(shí)關(guān)聯(lián)告警信息，實(shí)現(xiàn)溯源，從而屏蔽低級(jí)別告警，實(shí)現(xiàn)網(wǎng)絡(luò)故障的快速診斷，并協(xié)調(diào)相應(yīng)的通信業(yè)務(wù)模型和網(wǎng)絡(luò)拓?fù)?，?shí)現(xiàn)準(zhǔn)確的故障定位。為了實(shí)現(xiàn)可追溯性，需要建立故障分析模型，實(shí)現(xiàn)智能識(shí)別。關(guān)聯(lián)規(guī)則算法定義為從從一個(gè)數(shù)據(jù)集中發(fā)現(xiàn)項(xiàng)之間的隱藏關(guān)系。在大量的告警數(shù)據(jù)中，需要識(shí)別出告警間關(guān)聯(lián)關(guān)系根故障分析模型，通過(guò)從多個(gè)不同的維度來(lái)進(jìn)行識(shí)別，如發(fā)生模式或規(guī)律，這些固有發(fā)生模式或規(guī)律就是根故障分析模型。

因此，基于人工智能的故障診斷和可追溯性，在分析大數(shù)據(jù)關(guān)聯(lián)規(guī)則和人工智能技術(shù)的基礎(chǔ)上，在綜合網(wǎng)絡(luò)和業(yè)務(wù)數(shù)據(jù)基礎(chǔ)上，對(duì)所有報(bào)警和性能監(jiān)控?cái)?shù)據(jù)以及日志進(jìn)行綜合分析，從而發(fā)現(xiàn)故障特征和故障原因的規(guī)則。在實(shí)際的網(wǎng)絡(luò)運(yùn)行和維護(hù)中，根據(jù)發(fā)現(xiàn)的故障特征自動(dòng)匹配診斷規(guī)則，從而智能化的發(fā)現(xiàn)故障點(diǎn)，并且得到處理建議。