CN115051930A

CN115051930A - 基于AISecOps结合中台算法的弊端优化方法

Info

Publication number: CN115051930A
Application number: CN202210560064.1A
Authority: CN
Inventors: 王玉梁; 朱文进
Original assignee: China Telecom Digital Intelligence Technology Co Ltd
Current assignee: China Telecom Digital Intelligence Technology Co Ltd
Priority date: 2022-05-23
Filing date: 2022-05-23
Publication date: 2022-09-13
Anticipated expiration: 2042-05-23
Also published as: CN115051930B; WO2023226215A1

Abstract

基于AISecOps结合中台算法的弊端优化方法，包括S1：数据采集模块采集并存储分布式网络中的数据信息，然后将数据信息传输给AIOps算法模块；S2：AIOps算法模块根据数据信息分析运维工作中每个业务所应用的算法模型，进而形成多个算法模型集合，使得运维工作的每个业务都有对应的算法模型集合相匹配；定期通过算法弊端捕捉单元对业务应用的算法模型进行分析，当有算法模型在运作存在弊端情况时，采用算法弊端优化单元进行优化。本申请通过对运维工作的业务中所应用的各种算法进行弊端捕捉，并对业务所应用的算法进行优化，使得在运维工作中所使用的算法模型更加符合业务场景，实现更完全的自动化运维效果。

Description

基于AISecOps结合中台算法的弊端优化方法

技术领域

本发明涉及网络运维技术领域，特别涉及基于AISecOps结合中台算法的弊端优化方法。

背景技术

随着人工智能技术的大规模应用，在传统的自动化运维体系中，重复性运维工作的人力成本和效率问题得到了有效解决。但在复杂场景下的故障处理、变更管理、容量管理、服务资源过程中，仍需要人来掌控决策的过程，这阻碍了运维效率的进一步提升。以运维数据中台为驱动，以AI算法为核心，涵盖基础设施监控、故障精准定位及智能处理、3D数字孪生、管理驾驶舱等专业运维服务模块，产研结合，可满足全行业需求，打造稳定可靠、功能完整、技术先进、自主可控的全栈智能运维平台。从而让实现自动化运维真正意义上成为可能。

当前的智能运维平台广泛应用智能AI算法，但在具体的运维场景中有时候需要多种算法模型进行互补调用，本申请所提出的技术方案，主要是基于AISecOps结合中台算法，对运维工作的业务中所应用的各种算法进行弊端捕捉，并对业务所应用的算法进行优化，使得在运维工作中所使用的算法模型更加符合业务场景，实现更完全的自动化运维效果。

发明内容

本发明针对现有技术中的不足，提供基于AISecOps结合中台算法的弊端优化方法，引入了基于AISecOps的模块链结合中台的智能运维系统(该系统以运维数据中台为驱动，以AI 算法为核心)，通过对运维工作的业务中所应用的各种算法进行弊端捕捉，并对业务所应用的算法进行优化，使得在运维工作中所使用的算法模型更加符合业务场景，实现更完全的自动化运维效果。

为实现上述目的，本发明采用以下技术方案：

基于AISecOps结合中台算法的弊端优化方法，其特征在于，包括以下步骤：

S1：数据采集模块采集并存储分布式网络中的数据信息，然后将数据信息传输给AIOps 算法模块；

S2：AIOps算法模块根据数据信息分析运维工作中每个业务所应用的算法模型，进而形成多个算法模型集合，使得运维工作的每个业务都有对应的算法模型集合相匹配；

定期通过算法弊端捕捉单元对业务应用的算法模型进行分析，当有算法模型在运作存在弊端情况时，采用算法弊端优化单元进行优化。

为优化上述技术方案，采取的具体措施还包括：

进一步地，步骤S1中的数据信息内容包括分布式网络的原始数据，以及分布式网络中的隐私数据，其中隐私数据是通过中台基于模块链数字身份证书验证后的状态合法的数据。

进一步地，步骤S2的具体内容为：

S2.1：AIOps算法模块接收数据采集模块的数据信息，根据数据信息分析运维工作中每个业务所应用的算法模型，将每个业务与对应的算法模型进行匹配组合，得到算法模型集合，使得业务与算法模型集合一一对应；且每个算法模型集合都有所对应的初始算法集合标识；初始算法集合标识的格式为：数据采集模块ID+算法模型ID；

S2.2：算法弊端捕捉单元定期工作，根据业务中所应用的算法模型的真实历史数据，按业务需求有序对算法模型集合中的每个算法模型进行训练，通过对训练结果分析每个算法模型是否存在弊端，若训练结果正常，则该算法模型所在的算法模型集合的算法弊端状态标识＝0，若结果异常，则该算法模型所在的算法模型集合的算法弊端状态标识＝1；

算法弊端捕捉单元将算法弊端状态标识发送到算法弊端数据库存储；其中，算法弊端数据库还用于存储各个算法模型名称和ID、以及各个算法模型所对应的关联算法模型名称和ID、各个算法模型和所对应的关联算法模型的优化算法模型名称和ID；

S2.3：针对存在弊端的算法模型，算法弊端优化单元以该算法模型ID、所关联的算法模型ID为检索条件，访问算法弊端数据库获取对应检索条件下的优化算法模型ID；同时，将算法模型集合中其他算法模型ID与优化算法ID进行查询比对；若比对结果不相同，则将优化算法ID放入到该业务的算法模型集合中，若比对结果相同，则不放入；以此完成初始算法集合标识的更新，获得优化后的算法集合标识，达到对应业务的算法模型集合的优化；

其中，优化后算法集合标识的具体格式为：数据采集模块ID+算法模型ID+优化算法模型 ID+算法弊端状态标识；且优化后算法模型集合标识中的算法弊端状态标识由1更新为0。

进一步地，还包括步骤S3：采用SHA-256数字加密方式对优化后的算法集合标识进行加密，并通过验证判断加密数据是否被篡改。

进一步地，步骤S3的具体内容为：

补位：将优化后算法集合标识的二进制数据信息作为源信息，对源信息的最末端进行补位一个1，然后在1的后面补位一串0，使得补位后的源信息再对512取模以后余数为448；

补长度：将源信息所对应的二进制数据长度放到已经进行了补位的数据后面；

分块：若经过补位后的源信息所对应的二进制长度超过512，或经过补长度后源信息所对应的二进制长度超过512的倍数，则按512bits分块；否则就将补长度后的源信息所对应的二进制数据转换为十六进制进行现有长度分块；

形成加密串：将每一分块划分成8个64位二进制，并提取每个二进制32bits，连接起来即256bits长的Hash值数字加密串；

验证：截取数字加密串的前四位放入中台数字加密数据库进行验证，若没有重复相同的则完成数字加密串的强对抗验证并生成有效数字加密串，保存在中台数字加密数据库中。

进一步地，还包括步骤S4：将步骤S1-S3中的处理内容同步至分布式网络中个网络节点中包含应用模块的Docker容器内。

本发明的有益效果是：本发明采用数字加密技术管理【算法集合标识】的同时，引进了运维数据中台的设计理念，将中台的各个层级以模块方式串联，并将业务应用的算法进行了弊端捕捉及分析后再通过算法弊端优化单元生成优化后的【算法集合标识】可以使得运维业务的算法使用更加准确完全。再通过Docker容器解决了算法模型及数据一致性的问题，为数据的进一步挖掘提供了基础，也很好地适应了前台应用的多样性要求。创造性的将智能运维中台与数字加密技术相结合，从而提供了将AISecOps智能安全运营技术渗透到AIOps中台的一种方法。

具体实施方式

现在对本发明作进一步详细的说明。

本申请主要包括：数据中台功能模块、隐私数据模块链数字加密验证、Docker一致性数据同步到应用模块展示、应用模块。

步骤一、数据中台功能模块主要包括：数据采集及分析模块、AIOps算法模块、CI配置库模块。

1-1数据采集及分析模块：

首先，AIOps算法模块从数据采集及分析模块的分布式网络原始数据中提取关键信息并加以利用，隐私数据则通过中台基于模块数字哈希加密后的状态合法的数据抽取出来提供给 AIOps算法模块。

具体描述：存储分布式网络原始数据及各地方需要参与运算的隐私数据。数据源包括：环境监控、网络监控、主机监控、系统监控、安全监控、云资源、应用监控。从以上数据源采集分布式网络原始数据中提取关键信息并加以利用，隐私数据则通过中台基于模块数字哈希加密后的状态合法的数据抽取出来提供给AIOps算法模块，进行模型运算及数据清洗过滤。

1-2AIOps算法模块：

其次，AIOps算法模块接入常见的机器学习算法，并且根据运维工作的特有场景组成 AIOps算法集合。创造性的增加算法弊端捕程序和算法弊端优化程序通过获取当前算法弊端的优化算法进行互补调用，从而弥补当前算法运算失真、不能连续运算等弊端问题。

表1算法弊端数据库优化结构介绍：

其中，马尔可夫链ID＝1蚁群算法ID＝2贝叶斯算法ID＝3帕累托分析法ID＝4。

1-3CI配置库模块：

然后，CI配置库模块作为智能运维系统的初始基准，针对运维工作中的特有场景，对智能运维系统中的所有组件做统一的标准化管理。也就是当需要创建一个场景的时候通过CI 配置库配置，负责将数据采集及分析模块、AIOps算法模块、应用模块三个模块进行串联、统一管理。

具体描述：CI配置库模块作为智能运维系统的初始基准，针对运维工作中的特有场景，对智能运维系统中的所有组件做统一的标准化管理。子模块包括：CI配置项管理、CI关系管理、业务模型拓扑、字典及规则管理。

步骤二、中台【算法集合标识】采用SHA-256数字加密验证。通过验证防止数据在AIOps 算法模块传递过程中被篡改。

初始【算法集合标识】格式：数据采集模块ID+算法模块ID含(算法模型1+...+算法模型 N)。

优化后【算法集合标识】格式：数据采集模块ID+算法模块ID+(算法模型1+优化算法模型2+...+算法模型N)+算法弊端状态标识(Model ID)。

步骤三、Docker一致性数据同步到应用模块展示

通过数据库或者API接口将将运算结果及数据传递给组网内各网络节点上包含应用模块的Docker容器内，从而保持应用模块展示的一致性。

下面以具体实施例进行说明(马尔可夫链模型、蚁群算法模型的弊端优化)。

1-1数据采集模块：

首先，AIOps算法模块从数据采集及分析模块的分布式网络原始数据中提取关键信息并加以利用，隐私数据则通过中台基于模块链数字身份证书验证后的状态合法的数据抽取出来提供给AIOps算法模块。

具体描述：存储分布式网络原始数据及各地方需要参与运算的隐私数据。数据源包括：环境监控、网络监控、主机监控、系统监控、安全监控、云资源、应用监控。从以上数据源采集分布式网络原始数据中提取关键信息并加以利用，隐私数据则通过中台基于模块链数字身份证书验证后的状态合法的数据抽取出来提供给AIOps算法模块，进行模型运算及数据清洗过滤。

1-2AIOps算法模块：

其次，AIOps算法模块接入常见的机器学习算法，并且根据运维工作的特有场景组成 AIOps算法集合。创造性的增加算法弊端捕程序和算法弊端优化程序通过获取当前算法弊端的优化算法进行互补调用，从而弥补当前算法运算失真、及由于学习数据问题导致算法学习结果循环重复出现相同结果从而造成不能连续学习及计算的数据异常等弊端问题。

1-2-S1、首先，接收到合法状态数据后选择业务所需要的算法模型进行组合。同时生成初始【算法集合标识】格式：数据采集模块ID+算法模块ID含(算法模型1+...+算法模型N)。

1-2-S2、其次，执行算法弊端捕程序，捕捉器属于预置脚本，按时间段执行脚本，通过模拟真实业务收集每个算法模型训练的真实历史数据按业务需求有序放入模型进行训练，对训练结果分析得到算法弊端状态标识(Model ID)。状态＝0正常，1＝异常。将算法弊端状态标识和该算法模型名称存储到算法弊端数据库。算法弊端状态标识(Model ID)＝1的，并发送给【算法弊端优化程序】。

算法弊端具体描述1：第N次时段【马尔可夫链模型】运算节点故障与非故障发生概率随着持续最后会转变成平稳分布【0.51 0.49】，无论计算多少次最终都会得到同样的概率，这个时候该模型的参数就需要变更，但是针对稳定业务的客户参数不需要变更，我们通过执行算法弊端捕程序来对该模型进行持续运算知道出现的概率为相同概率后，更新算法弊端数据库中【马尔可夫链模型】的弊端状态标识(Model ID)设置为1。

【马尔可夫链模型】运算的弊端结果描述：

对运算结果进行算法互补模型：贝叶斯+马尔可夫链可以弥补马尔可夫链不能持续运算的问题。及对概率分析结果进行优化。

马尔可夫链算法运算弊端流程公式：X(k+1)＝X(k)×P

公式中：X(k)表示趋势分析与预测对象在t＝k时刻的状态向量，P表示一步转移概率矩阵， X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量。采用二步转移矩阵生成数据集合。

举例：(马尔可夫链模型需要的三组数据)

历史网络节点故障初始概率【0.3、0.7】

当前时段网络节点故障转移到非故障概率【0.6、0.4】

当前时段网络节点正常转移到故障概率【0.3、0.7】

第一次运算得出组网内网络节点未来发生故障比例

下时段节点故障发生概率0.3x0.6+0.3x0.7＝0.39

下时段节点正常发生概率0.3x0.4+0.7x0.7＝0.61

下时段节点故障与非故障发生概率【0.39 0.61】

第二次将初始概率【0.3、0.7】换成【0.39 0.61】

下时段节点故障发生概率0.39x0.6+0.61x0.3＝0.417

下时段节点正常发生概率0.39x0.4+0.61x0.7＝0.583

下时段节点故障与非故障发生概率【0.417 0.583】

第N次运算结果平稳分布【0.49 0.51】

第N+1次运算结果平稳分布【0.49 0.51】

执行算法弊端捕程序来对该模型进行持续运算知道出现的概率为相同概率后，更新算法弊端数据库中马尔可夫链算法模型的弊端状态标识(Model ID)设置为1。

马尔可夫链算法模型智能运维应用场景：故障预警、网络安全、异地灾备、孪生网络、自动发现、根因分析、预警基线等。

算法弊端具体描述2：

【蚁群算法模型】核心公式及说明：

第t代蚂蚁中第k只蚂蚁选择闯关东呢，还是走西口的概率，即蚂蚁k选择从 i-j的概率；i：蚂蚁k当前所处的城市；j：蚂蚁k下一站到达的城市；a：信息素的重要程度； β：启发因子的相对重要程度；n_ij：启发因子；J_k(i)：蚂蚁k当期可以选择的城市(注∶ 每个城市只能走一次)。式中的

d_ij：表示城市i到j的距离。

执行算法弊端捕程序来对【蚁群算法模型】进行运算如果获得结果是非唯一，而组网内需要提供一条A到B点最快路径时，则运算结果给出多条线路则表示我们的算法有弊端访问算法弊端数据库中【蚁群算法模型】的弊端状态标识(Model ID)设置为1。

1-2-S3、构建算法弊端优化程序：

算法弊端优化程序具体描述：

首先，根据传递过来的算法模型名称、关联的算法ID为检索条件访问算法弊端数据库获取对应当前算法模型算法弊端最佳优化算法ID简称：最佳优化算法ID。多个用逗号间隔。

其次，再将传递过来的算法集合中其他组合的算法ID与最佳优化算法ID进行比对，如果比对结果不相同的则将最佳优化算法ID放入法集合中，如果相同则不放入。完成算法弊端优化模型的运算。获得优化后的算法集合，从而弥补算法运算失真、不能连续运算等弊端问题。

例子一：马尔可夫链模型的弊端的最佳优化方案之一

当第N次运算结果出现【0.49 0.51】

第N+1次运算结果依然出现【0.49 0.51】

代表该模型出现平稳分布状态这个时候则需要调整该模型的三组矩形数据中：

当前时段网络节点故障转移到非故障概率【0.6、0.4】

当前时段网络节点正常转移到故障概率【0.3、0.7】

根据异常值和马尔可夫转移矩阵，利用贝叶斯先验概率和【贝叶斯模型】对异常值进行修正，得到修正后的识别概率。使得【马尔可夫链模型】可以持续运算，解决了平稳分布对模型运算的影响，同时更新算法弊端数据库中的最佳弊端优化模型ID设置为贝叶斯模型的ID。从而完成对马尔可夫链模型算法弊端优化。

例子二：蚁群算法的弊端的最佳优化方案之一

蚁群算法得出多条路线中最短路线的一种网络选路算法，其弊端运算结果会有多条，无法更加优化得出唯一结果。因此，采用Pareto Analysis即为帕累托分析法又称为ABC分类法，也叫主次因素分析法。在获得非唯一最优结果时，激活帕累托分析法，对相同最优结果进行再次优化，得出在不影响其中一个结果的效率的同时得出另外一个最优结果的过程。

当蚁群结果出现非唯一结果同时业务需求只需要唯一运算结果的时候，我们通常采用多种智能模型算法来对运算结果进行优化取唯一操作。我们采用了帕累托分析法对蚁群算法运算结果进行优化。

帕累托分析法公式：XA+XB＝X1；YA+YB＝Y1

将蚁群算法非唯一运算结果的数据分别放入帕累托分析法公式得出每个结果的最优概率，从高到低，概率越高结果越接近最优。同时更新算法弊端数据库中的最佳弊端优化模型ID设置为帕累托分析法模型的ID。从而完成对蚁群算法模型算法弊端优化。蚁群算法模型智能运维应用场景：故障自愈、流量智能调度、故障朔源、智能网络攻防演练等。

1-2-S4、然后，获得优化后的算法集合，更新算法弊端状态标识(Model ID)＝1更新为 0，并将算法模型名称、模块ID、关联的算法ID等必要参数重新生成优化后【算法集合标识】。

优化后【算法集合标识】格式：数据采集模块ID+算法模块ID+(算法模型1+优化算法模型2+...+算法模型N)+算法弊端状态标识(Model ID)。同时更新算法弊端数据库数据采集模块ID、算法模块ID含(算法模型1+优化算法模型2+...+关联算法模型N)、算法弊端状态标识，最后，提交给步骤二隐私数据模块链数字加密验证。

1-3CI配置库模块：

步骤二、中台【算法集合标识】采用SHA-256数字加密。通过验证防止数据在AIOps算法模块传递过程中被篡改。

具体描述：对【算法集合标识】明文进行先补位再补长度。

首先，SHA-256必须对源数据进行补位。目的是使得其长度在对512取模以后得余数是 448。进行补位第一步先在末位补一个1。第二步在后面补足一串0，使得补位后的数据满足长度在对512取模以后得到余数是448的必要条件完成补位。

其次，补长度并分块操作：将原始数据对应的二进制数据的长度放到已经进行了补位的数据后面。并转为十六进制。如果原始数据二进制长度超过512，补长度后数据超过512的倍数，则按512bits分块操。没超过512按现有长度分块。

然后，将每一个512bits分成8个64位二进制并提取每个二进制32bits，连接起来即， 256bits长的Hash值数字加密串。截取数字加密串的前四位放入中台数字加密数据库进行验证，如果没有重复则完成数字加密串的强对抗验证并生成有效数字加密串，保存在中台数字加密数据库。

步骤三、Docker一致性数据同步到应用模块展示

3-1应用模块：

具体描述：应用层主要优点是对中台数据的进一步挖掘提供了更好的支持，也满足前台应用的多样性要求。子模块包括：大屏实时监控、管理驾驶舱、故障精准定位、故障自动处理、故障预测、数字孪生、告警智能分析、智能派单、智能报表、移动办公。

需补充的是：本申请创造性的将智能运维中台与哈希数字加密技术相结合，从而将 AISecOps智能安全运营技术渗透到AIOps中台的一种方法。首先，当需要创建一个业务场景时通过CI配置库配置，负责将数据采集及分析模块、AIOps算法模块、应用模块三个模块进行串联、统一管理。其次，AIOps算法模块存储常见的机器学习算法及模型，并且根据运维工作的特有场景组成AIOps算法集合。再次，AIOps算法模块从数据采集及分析模块的分布式网络原始数据集合中提取关键信息并加以利用，并生成【初始算法集合标识】并采用哈希数字加密，防止数据在模块传递过程中被篡改。然后，再将数据抽取出来提供给AIOps算法模块。AIOps算法模块创造性的增加算法弊端捕程序和算法弊端优化程序。算法弊端捕程序通过模拟真实业务将真实历史数据放入模型进行训练，将训练结果生成算法弊端状态标识(Model ID)异常＝1，正常＝0存储到算法弊端数据库。同时，执行【算法弊端优化程序】获得最佳优化算法ID追加到当前算法集合中并更新(Model ID)正常＝0，从而弥补当前算法运算失真、不能连续运算等弊端问题。最后，将优化后【算法集合标识】通过Docker容器传递给组网内各网络节点，保持应用模块展示的一致性。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims

1.基于AISecOps结合中台算法的弊端优化方法，其特征在于，包括以下步骤：

S1：数据采集模块采集并存储分布式网络中的数据信息，然后将数据信息传输给AIOps算法模块；

2.根据权利要求1所述的基于AISecOps结合中台算法的弊端优化方法，其特征在于，步骤S1中的数据信息内容包括分布式网络的原始数据，以及分布式网络中的隐私数据，其中隐私数据是通过中台基于模块链数字身份证书验证后的状态合法的数据。

3.根据权利要求1所述的基于AISecOps结合中台算法的弊端优化方法，其特征在于，步骤S2的具体内容为：

其中，优化后算法集合标识的具体格式为：数据采集模块ID+算法模型ID+优化算法模型ID+算法弊端状态标识；且优化后算法模型集合标识中的算法弊端状态标识由1更新为0。

4.根据权利要求3所述的基于AISecOps结合中台算法的弊端优化方法，其特征在于，还包括步骤S3：采用SHA-256数字加密方式对优化后的算法集合标识进行加密，并通过验证判断加密数据是否被篡改。

5.根据权利要求4所述的基于AISecOps结合中台算法的弊端优化方法，其特征在于，步骤S3的具体内容为：

6.根据权利要求4所述的基于AISecOps结合中台算法的弊端优化方法，其特征在于，还包括步骤S4：将步骤S1-S3中的处理内容同步至分布式网络中个网络节点中包含应用模块的Docker容器内。