人工智能技术在大数据监测中的应用

曹春华 唐雅娜 黄德研

（广州软件学院,广东 广州 510000）

监测信息技术的快速发展催生出了多个数据监测领域。监测相关技术水平的高质量发展使监测领域数据规模成倍增长。在实际监测大数据业务开发中，历史数据实时性分析工作不能够满足实际监测要求，相关监测平台操作逻辑智能化水平较低，监测机器大多只能实现自动化数据获取与共享。因此从监测大数据的时间维度和空间维度出发，形成全面的数据监测，能够实现通过人工智能技术全面提升信息监测大数据的智能化。

1 监测大数据现状

随着无线电监测大数据技术与大数据技术的普及，相关监测业务体量不断扩展。在现阶段的监测手段更新优化的同时，传统的人工监测手段已经不能满足时代业务的发展需求。机器智能自动化的监测形式代替人工可操作性的自动数据监测工作，从根本上降低了人工监测操作对业务监测大数据信息的浪费[1]。监测领域发展会产生大量实时性的可操作数据，契合业务类型的监测大数据信息不断被记录下来。在开展监测大数据操作时，机器数据信息操作智能化水平较低，往往只能够实现数据提取和处理的监测自动化，对隐藏在数据信息内部的监测业务逻辑不能够完整挖掘和利用，设备的智能化工作处理水平较低。

1.1 历史数据应用效率较低

在大数据监测业务开发过程中，随着监控网络建设的不断增强，监测平台多元化的数据需求会产生体量巨大而烦琐的历史监测数据。由于现阶段大数据监测过于注重对海量数据信息的存储、提取和共享分析，着重关注与监测业务相关的数据分析和统计工作，选择性忽略对大量历史数据的重复处理利用工作，导致监测工作不能够满足信息数据统计的任务需求。专业领域开展相关业务分析时，大多依照现有数据来进行自动化数据处理。尽管这种分析总结体系实现了对监测大数据的非人工处理分析，但是在针对大范围和时间跨度较大的数据工作时，不能够有效地提取数据信息中的空间维度和时间维度，导致海量数据利用效率低，严重浪费了业务数据的开发成本，业务信息数据不能够得到有效的挖掘和利用。因此在实际监测大数据中，合理地利用人工智能技术来深层次挖掘监测大数据的实时性和有效性，是现阶段建设大数据运用中的重点。

1.2 监测大数据标签分类不明显

尽管目前的数据监测技术能够实现对原始数据信息的完整保留，但在实际大数据业务监测开发中，体量庞大的数据信息极其容易因监测内容多样呈现出不同类型的数据状态。在进行数据类型分析时，对不同监测内容，例如图像、文本和视频之间信息关联性的检查工作不到位，导致大量冗余数据出现，重要监测关联信息的主体性不够明显。由于监测设备和手段表现形式不同，固定时间段集中监测和数据接收执行工作往往不能够对结构化明显的数据信息做出合理的监测分析，导致结构化数据与非结构化数据的同化现象严重，不同数据信息之间的内容和形式无法得到有效的关联分析[2]。在开展业务信息数据采集工作时，不同工作类型的多源异构数据分析标准不统一。

1.3 数据测算汇总效率较差

数据融合标签分类不明显导致数据融合性较低。数据监测领域过于注重对数据信息的精准提取，跨领域监测的统一标准不能够符合实际的监测大数据需求。尽管数据监测工作立体化趋势不断明显，建设工作逐渐覆盖了人们生活、生产、社会、政治、经济和军事的各个方面，并逐渐在天空、海洋和陆地领域拓展，以水上监测传播无人机和监测卫星为设备载体。跨领域的专业性监测呈现出多线程融合发展的趋势，但是由于不同的业务交叉融合效率降低，实际数据融合监测和整体态势评估不能够完整保留数据的多元维度，降低了数据的使用效率。

2 人工智能监测技术及其应用

2.1 人工智能技术应用合理性

基于人工智能的大数据信息监测工作要从接收精准度、存贮安全和科学的数据分析多方面进行考虑。建设数据信息，通过智能化水准来降低人工使用成本，促进人工思维与机器融合的效率。在现阶段的大数据监测领域中，应合理地利用人工智能建设思路来提升数据信息的监测识别汇总质量，通过机器高性能计算提升监测大数据的精准性，将人工智能模拟的方法运用在具体监测图像识别和模态分析中。在人工智能行业发展过程中，其所蕴含的算法和数据逻辑必须要符合实际的建设场景，而监测大数据环境能够满足人工智能算法落地的需求，多元化的数据信息能够完整提供场景模式，从丰富的数据监测属性和静态结构环境入手，以提供单一确定和多源异构的信息为切入点，确保人工智能技术能够被高效地利用在数据监测工作中。

由于数据监测往往需要面对海量的大数据信息，人工智能技术能够通过数据逻辑来处理专业问题，实现监测大数据的稳定性，解决监测大数据因为体系庞大造成的数据遗失和逻辑漏洞。由于人工智能技术的基础算法可操作性较强，因此可以灵活地运用在监测大数据工作中。在政治、经济、军事和工程生产过程中，合理利用人工智能技术能促进大数据分析的精准化水平，改善传统监测大数据预判和总结分析的刻板状况，提升监测大数据的智能化水准。

2.2 监测大数据算法分析

现阶段的监测大数据手段多样，形成了海量的视频、图像、音频和文本等数据类型。但是在开展信息分析工作时，监测系统不能够合理针对数据模态发展规律来进行信息提取和处理。使用大数据与人工智能结合的技术体系能够在极大程度上改善数据模态的提取与后续操作精准性。例如在处理音频数据时，对音频能量与时长特征的提取和预测分析，往往可以使用人工智能方法去解决。将音频特征送入新阶段，并以高质量元启发式智能算法网络进行训练，以神经网络、遗传算法技术、粒子群算法和模拟退火等相关人工智能算法，训练数据信息，以实现高质量的音频特征提取。

2.3 大数据处理手段优势

（1）传统的数据处理往往需要值班人员24小时的监控。针对突发情况难以高效进行分析数据处理工作。这种费时费力的监测手段难以精准把握体量庞大的数据信息的变化规律，因此合理地利用人工智能技术能够节省人力资源损耗，提升数据特征的监控和记录质量。

（2）由于现阶段的数据监测自动化工作，更多的只是完成数据记录，并依照数据分类导入到相关数据库中，大体量的监测大数据特征分析的工作质量较低，不同监测大数据模块之间的耦合性和数据调查性质的处理工作不到位。

（3）人工智能技术开拓了模式识别、智能模拟以及信息感应辩证等相关领域，以代替人类在哲学、数学、心理学等社会学交叉的领域工作，通过高计算效率来实现大数据监测，以精确化机器自主创造性思维来提升监测质量。随着人工智能关联性分析和分类技术的不断发展，在实际的建设应用中，人工智能技术能够处理海量的监测日志，并依据日志蕴含的数据规律来预测分类，实现对不同领域综合性的数据内容的自动化智能控制。

2.4 运用思路

2.4.1 热点干扰监测和趋势阈值监测

特定的大数据监测指标容易陷入特征最优，相关指标极其容易受到其余数据的干扰，监测系统采集到的监测数据冗余度较高，造成后续监测工作的偏差。人工智能技术能够实现高维数据的可视化分类，通过关联分析以及距离分类等技术手段实现对监测数据的焦点分析和异常事件分析[3]。通过将人工智能技术应用在离群点监测之中，能够实现对信息数据的热点干扰监测和趋势阈值监测，以人工智能智能化运营思维开展监控领域中的异常事件监测和干扰客观评估。针对未来发展的监测趋势，合理地使用人工智能技术来进行预测。而人工智能技术能够从现有监测体系中的采集流量数据、日志数据着手，通以智能机器学习的手段来挖掘监测特征数据组合逻辑下的联系，以K均值算法、最邻近分类、向量机等人工智能监测分析手段来建立起更加突出监测主体性的数据体系，以计算机识别分类的方式深层级挖掘监测数据簇中冗余信息的组合状态。图1表示基于机器学习的数据场景，当监测数据个数增加时，监测信息的逻辑聚合性更强。对于不同领域之间的数据交叉分析，先利用机器学习和智能算法来进行数据预处理，而后按照相似度量技术，例如最邻近分类、贝叶斯分类和人工神经网络、支持向量机和代价敏感学习来实现在监测体系中的预警评估、数据处理等环节，有效降低监测数据中冗余监测体系的成本，对检测管理意义巨大。

图1 基于机器学习的数据场景

2.4.2 城市感知数据监测

解决监测大数据的交叉耦合现象时，利用K均值算法和基于中心密度分配等人工智能算法来合理分析评价指标，并以此构建完整的数据交叉监测评估系统。图2表示机器学习技术的SVM算法分类，a表示初始数据信息，b和c是在模态分析数据场景后建立起的符合监测逻辑的数据场景。事实证明，人工智能处理数据处理分类性更强，特征性更加明显。

图2 机器学习技术的SVM算法分类

解决监测大数据的交叉耦合现象时，利用K均值算法和基于中心密度分配等人工智能算法来合理分析评价指标，并以此构建完整的数据交叉监测评估系统。相比传统的数据处理方法，人工智能算法能够实现对候选集合的优质选取，确保分类过程中数据即时选择的精准性和无遗漏。在针对历史数据进行选择时，通过对以往监测数据出现的频率来实现对现阶段数据的分类分析，从而有效地降低历史数据淘汰频率，增加数据复用性。在监测大数据分析中，利用人工智能算法来实现业务数据捕捉，以机器自主学习运营来改善数据分类能力。通过人工智能技术实现对监测生态平衡失调和异常应用的驱动，通过人工机器学习算法模拟监测数据流动模式，从而有效剔除占用资源率低的数据监测范围。

2.4.3 网络节点的信息监测安全

监测数据具备时间序列周期稳定性，通过大数据与人工智能的结合挖掘信息安全中的时序性监测数据关联，以大数据技术的多核分布式操作模式实现对海量信息安全数据的模态分析与解剖，并通过类似Devops的深度学习方法实现对处理数据的精准控制，并使其在云端大数据平台终端中实现可视化。人工智能技术的优化监测学习方法将监测数据集群节点容错率降低，当网络节点访问超出以往访问模态最大值时，通过实时性大数据监测来报警，实现信息传输与处理的安全稳定性。

现有大数据与人工智能技术的结合促进了网络信息安全的发展。由于现阶段的大数据监测技术往往建立在智能分布式计算终端上，因此全面针对监测信息中隐藏的数据关联性进行智能化分析至关重要。

在网络异常入侵监测中，通过多元正态分布和离群点监测等人工智能技术，能够实现对计算机网络的三级过滤，通过高频率的数据访问请求来设置网络信号危险指标，以替代传统监测系统的异常行为，从而指向性地提升监测时效性。

3 结语

随着人工智能技术的不断普及，相关智能化建设平台的监测手段逐步向智能化与自动化过渡。由于监测大数据技术不能良好的实现智能分析思考，因此应认清现阶段监测大数据工作存在的问题，基于实际人工大数据监测技术来提升监测质量，促进监测智能化水平的可持续发展。