摘要：随着网络技术的不断发展，现有资源管控技术已无法满足管理需求的不断变化。认知计算作为当前的热门技术，得到了广泛关注和研究。研究认知计算在网络资源自主管理中的应用，提出了基于认知计算的网络资源自主智能管控架构，通过在管理节点中引入认知计算提升了网络管理的自主性和智能性，并对认知计算在网络全生命周期的自主管理过程中的应用进行了分析，对提高网络管理效率和提升用户体验具有重要意义。
0 引 言
目前，信息化建设从网络基础设施建设、业务系统建设，逐步进入了业务和网络融合发展、网络和业务系统复杂度和规模不断扩大、以智能化和业务导向为特点的新时期。相应地，异构网络互通、个性化业务部署、端到端QoS保障、网络资源充分利用等新需求，使得传统的以管理人员为主体的网络管理技术面临着巨大挑战。因此，业界提出了网络自主管理[1-2]，通过增强网络节点和管理系统的智能性，实现对被管资源进行自动感知、自动配置、自我优化和自我恢复，尽量减少管理过程中的人为干预和人工决策，为大量异构网络的运维提供一种高效、低成本的智能化管理手段。
要实现对网络的自主管理，传统网络管理架构存在一定的问题。第一，对网络资源全局掌控能力不足，规划与配置复杂，进行网络规划时难以完成面向上下文的资源自动高效规划调度。管理者的各种操作需要与底层的物理资源直接打交道，导致网络规划控制功能实现复杂，成功率较低，自动化水平不足。第二，网络态势多维综合感知能力弱，采集与分析困难。由于资源受限，采集和分析时信息的全面性和完整性不够，各类资源的运行态势无法有效整合。第三，业务质量管控能力弱，无法差异化保障。采用传统方法无法精确感知业务运行情况，管理系统无法根据用户和业务等级快速调整网络配置完成业务服务质量保障。上述问题的核心是对网络管理各种信息无法全面认知。传统的网络管理主要处理的是结构化数据，而当前的业务发展和管理需求需要管理系统能够有效处理来源广泛、体量庞大、类型多样、即时性要求高、逻辑复杂的各类网管大数据[3-5]。
认知计算是面对大数据时代挑战做出智慧决策的保障，通过对网络状态、资源使用、应用服务、外部环境等进行全方位、多角度和多层次的主动感知，并利用感知信息对网络规划、配置、执行等管理过程提供决策支持，提升了管理的智能性，从而为用户提供了最佳服务体验。
本文将认知计算引入网络自主管理中，通过认知计算高效的信息处理能力、以数据为中心的体系设计以及管理策略的自主学习能力，完成对网络的自主管理。
1 基于认知计算的自主管理框架
本文提出基于认知计算的自主管理框架[6-8]，如图1所示。该架构是一种具有协作、智能、自主特点的管理架构，可针对网络规模和管理任务的可变性和弹性进行自适应调整，提高管理的灵活性和自主性。
该架构中，管理节点之间通过基于语义的管理协议进行协作。节点能力较高（可以采用多种度量标准）的成为图1中的自主管理节点，承担智能化自主管理节点的功能；其他管理节点则作为普通管理节点归属于某个自主管理节点，执行自主管理节点下发的管理操作策略。管理节点根据业务的整体目标和端到端管控目标，通过协作及适当的学习机制，利用感知的环境信息和网络状态信息，实时动态地调整网络配置，智能地适应环境变化并能指导未来的自主决策。
整个管理架构分为区域协作管理层和本地协作管理层。
（1）区域协作管理层
区域协作管理层是整个管理架构的核心，由多个自主管理节点组成。自主管理节点负责一个管理域的信息认知和智能自主管理，通过与其他自主管理节点信息交互，获取全局管理策略信息等。通过自主管理节点之间的协作，区域协作管理层可实现对整个网络的智能自主管理。
（2）本地协作管理层
本地协作管理层由普通管理节点组成。普通管理节点具有一定的智能，采用协作机制，能够根据管理策略主动收集相关的管理信息，同时接收自主管理节点下发的控制信息，完成对被管对象的配置。
本地协作管理层的普通管理节点采用分簇技术。分簇机制通过一定的算法选择，簇头负责收集各成员节点间的感知控制信息进行一定的数据预处理，完成与自主管理节点的通信，减少本地协作管理层与区域协作管理层之间的信息交互。
对于管理节点自身的智能性，通过引入认知计算模型，形成集采集、感知、计算、决策和执行等自反馈控制功能于一体的认知环结构。模型相关的重要功能包括数据采集、信息感知、融合计算、智能决策和控制执行。
（1）数据采集：通过各种采集方式和手段获取被管对象的基本数据和原始数据。
（2）信息感知：通过将采集的资源数据、运行状态数据、流量数据等各类数据建立统一的信息模型进行集中统一处理，获取对各类信息的感知。
（3）融合计算：基于管理需求和管理功能，完成各类信息的融合分析和学习，如网络行为认知、用户行为认知、服务质量预测、业务趋势分析等。
（4）智能决策：根据融合计算的认知结果，结合智能分析和决策算法，自动形成对故障处置、资源调度、网络规划等各类业务的智能决策，形成具体的控制操作策略和优化调度结果。
（5）控制执行：基于可编程的接口执行智能决策下发的控制策略，完成对被管对象的控制和配置。
2 全生命周期自主智能管理
为了实现对网络的全生命周期管理，结合网络智能自主管理需求，构建出基于生命周期的自主智能管理业务体系，如图2所示。
网络规划阶段，业务需要基于网络当前资源状态进行通信组织、网络资源柔性重组，生成网络规划预案，之后通过网络仿真及评估等手段，找出预案中的缺陷、不足及性能瓶颈，提出建议改进方案，指导网络规划的改进和调整，生成网络规划方案并下发。
网络配置阶段，是根据网络规划方案完成业务、网络资源等网络要素的自动配置，激活特定的实例以便保障特定的业务。此外，网络配置需根据态势实时感知信息，在网络无法完成保障需求时动态生成配置策略，完成网络的重配置。
态势感知阶段，将实时采集各类资源信息，完成综合态势实时监控，及时发现业务保障质量降级。当发现服务质量下降、服务终止或有服务质量下降趋势时，则要发出告警，通过快速分析提出资源管控调整策略（如网络重配置），以便恢复服务质量，保证网络各类业务端到端服务质量满足要求。
效能评估阶段，对网络提供的各类服务、网络运行情况、业务保障情况进行综合评估，以便及时调整优化网络配置。此外，用户感知是业务服务质量的最终评判标准。为此，效能评估时将纳入以用户服务体验为基础的考核指标与评价体系。
为了实现对网络的精确管理，在效能评估后需要对网络规划提出修改意见，甚至通过不断的迭代反馈，动态提高网络的保障能力。
聚焦业务的业务质量保障结束后，保障业务相关的网络资源应恢复原来配置。
在基于生命周期的网络管理业务体系中，全生命周期各阶段可独立发展和演进，根据实际需求进行管理流程的逐级细化。但是，为了实现真正的网络的全生命周期管理，需要重点研究生命周期各阶段之间的协同合作方式及内容。
3 认知计算在自主管理中的融合应用
在网络自主管理过程中，信息认知以认知计算为基础，全面感知网络运行、安全威胁事件、态势数据等海量历史和实时运维数据，统一运维数据标准，以服务的形式提供运维数据存储、挖掘分析和认知决策等服务，实现运维数据的集中整合共享、深度挖掘和运维系统的全面信息认知，为网络全生命周期的管理业务提供决策支持和数据服务，实现“从数据到决策”。整个管理系统在认知计算的支撑下，基于信息模型、本体模型、知识库等，利用机器学习、模式识别、数据挖掘等技术生成各种规则或策略数据，完成网络规划、资源配置、态势感知和效能评估的闭环自主管理，如图3所示。
（1）信息认知与网络规划
信息认知将网络规划的业务需求作为输入，基于业务需求中的资源需求、QoS需求等相关数据，结合知识库中的历史规划方案、历史业务运行信息、优化建议信息以及相关资源当前态势信息等，通过业务数据挖掘、分析、学习以及相关资源的运行趋势、性能状况等，给出初步的业务规划方案或者规划建议。
（2）信息认知与网络配置
网络配置在信息认知的支撑下，将规划方案转化成资源的配置策略，主要是在满足业务需求的前提下，根据资源的实时运行情况，决策如何配置资源才能达到性能最优以及减小对其他业务的影响。资源配置完成后，信息认知需要根据资源的配置实施数据、资源态势感知数据、当前业务执行保障情况、环境变化情况等进行实时分析监控。在业务需求无法满足的情况，需要生成资源动态调整策略或资源重配置策略，完成资源动态调整或资源重配置，实现网络参数自动优化配置。
（3）信息认知与态势感知
态势感知需要提供资源数据、运行状态数据、流量数据、拓扑数据、环境数据、上下文数据等，供信息认知进行态势数据的分析、预测、故障诊断等。其中，态势感知需要通过快速拓扑发现，完成拓扑结构的快速重构，及时适应环境变化，展现节点的加入或退出。信息认知需要根据业务需求和当前实际情况给出态势感知策略，调整数据采集的时长、频度、数据种类等，以及是否需要增加或删除新的感知点等。
此外，信息认知需要根据当前的态势信息和学习推理得出的资源关联关系信息，给出业务的运行趋势、网络行为特征、用户服务质量保障情况。当网络或服务出现故障时，需要能够及时预测故障对相关资源或用户的影响，给出故障恢复策略，并能够通过与资源配置结合，完成资源的动态调度和重配置，完成故障自恢复。
（4）信息认知与效能评估
信息认知在整个运行过程中需要及时根据业务执行情况、当前态势数据、历史数据等信息，对业务的保障情况进行评估，包括整个业务保障期间是否都满足业务需求，故障时间、故障原因、恢复策略等信息，并且给出针对当前的业务规划方案的优化调整建议，触发网络规划的调整，使系统进入下一轮的闭环反馈，实现系统自优化。
4 结 语
网络资源智能自主管理技术可以在无监管的模式下实现网络的自感知、自配置、自恢复、自优化等功能，能够动态调整网络行为，以适应用户需求和环境条件的变化，提高网络运行的效率和可靠性，是网络管理技术的发展趋势。
本文将认知计算引入网络自主管理中，全面感知网络管理相关信息，并充分学习和挖掘蕴含在大量数据中的有用信息来提高网络规划、态势感知、网络重配置的决策能力，从而提升用户体验。随着两者结合的不断深入，相信它必将为未来网络管理的发展带来更多突破。
参考文献：
[1] Kephart J O,Chess D M.The Vision of Autonomic Computing[J].Computer, 2003, 36(01):41-50.
[2] Agoulmine N,Balasubramaniam S,Botvitch D,et al.Challenges for Autonomic Network Management[C].First Conference on Modelling Autonomic Communication. Dublin,2006:1-20.
[3] TMF.GB979,V2.0.1,Big Data Analytics Guidebook Unleashing-Business Value in Big Data[S].America:TM Forum,2014.
[4] TMF.GB979 Addendum A,V2.0.1,Big Data Analytics Guidebook-Use Cases[S].America:TM Forum,2014.
[5] TMF.GB979 Addendum B,V1.0.2,Big Data Analytics Guidebook-Big Data Analytics Building Blocks[S].America:TM Forum,2014.
[6] 王慧强,徐俊波.认知网络体系结构研究新进展[J].计算机科学,2011,38(08):9-16.
[7] 梅芳.基于策略的移动网络自主管理机制研究[D].长春:吉林大学,2010.
[8] 芮兰兰,邱雪松.面向移动自组织网络的自主管理架构及应用[J].北京邮电大学学报,2011,34(S1):63-67.
作者简介：
牛作元，中国电子科技集团公司第三十研究所，硕士，高级工程师，主要研究方向为网络管理、软件工程、人工智能；
张锋军，中国电子科技集团公司第三十研究所，学士，研究员级高级工程师，主要研究方向为网络管理、软件工程、人工智能。
来源：信息安全与通信保密杂志社
