大数据时代群体智能算法的优越性研究

吴宗卓

摘 要：当前，互联网发展正由“知识需求”向“智能需求”阶段转变，网络数据呈现指数级增长，既然进入了大数据时代，在此支撑下形成了网络交互的“大群体”空间，其协同、可靠性需要群体智能的方法予以解决，而以粒子群、蚁群算法为代表的群体智能算法具有较好的鲁棒性、灵活性，这是化解复杂问题的关键所在。针对此，文章以大数据时代的网络群体智能为研究基点，结合群体智能算的应用原理及特点，阐释其在NP难题中的应用优势性，以为网络信息交互的安全性提供有效支撑。

关键词：大数据时代；群体智能算法；NP难题；网络群体智能

互联网Web2.0深化发展的大背景下，以物理网、无线传感器技术、云计算等多种新型技术为支撑的数据传输、存储呈现海量、高效、多样性的特点，非结构化的数据不断涌现，大数据时代应运而生，并成为影响各领域发展的关键所在。尤其网络信息大融合、多元交互下，大数据的安全保护、可视化、聚集分析和共享，可辅助解决相关问题，这是“群体智慧”的体现。而该种网络群体智慧具有怎样的特点，如何深化对其的认知，是有效利用其的基础和前提。受自然界蚂蚁、蜜蜂等群体生活的生物生活习性的启发，提出的群体智能优化算法，正是基于个体的相互作用来放大群体智慧，以用来解决复杂问题。因其具有较好的鲁棒性、灵活性、分布性等特点，而得以在人工智能、信息科学、交通运输等多领域中应用和发展。而鉴于群体智能算法在解决NP复杂问题时的优势性，目前研究已将其用于构造不可预测性密钥，入侵检测的聚类分析，使其成为解决网络搜索、内容发现、优化等安全问题的关键。特别是大数据时代下，网络空间的信息安全和保护成为最紧迫之需，将该算法引入其中具有重要的现实意义。

1 网络群体智能的概念及特点

1.1 概念

以用户为中心的Web2.0互联网新生时代下，促进了大众基于网络的信息交互、共享、聚集和分析的提升，逐渐建立其大融合的智能交互空间，跨入了大数据时代，而基于海量数据的融合分析，可将各个个体的智能融入网络，形成一个大的“群体智能”。正如古语所说：“众人拾柴火焰高”，基于蜂群、蚁群、鸟群等的智能体集合理念，来发挥“1+1>2”的功效，便是网络群体智能，其能够为大数据时代下复杂问题的解决提供有效支撑。

OReilly曾经将网络界定为：“基于众人参与交互、拥抱群体智能的空间载体，”大数据时代下人与人之间广泛而深度的交互，形成了群体行为，会产生不同的结构模式，并呈现出多层次水平群体智能，此即为网络群体智能。可见，网络群体智能是大众在互联网环境下基于特定目标进行在线协作、问题求解，以群体的智能来构建完成特定任务或解决复杂问题的能力。大数据时代，可将众人参与交互的智能融入网络进行存储，在不同用户通过共享、社会评注等达到共识时，便可根据海量数据资源，挖掘和定量分析大众实际参与和贡献的内容[1]。

1.2 特点

与图灵机智能、传统群体智能比较而言，大数据时代下的网络群体智能存在其自身特点，图灵机智能的数值计算、信息检索存储及逻辑运算等能力较为凸显，网络群体智能可对现实世界中的不同模式进行智能感知和反馈，具有形象思维、柔性检索、知识进化、情感联想感悟、常识经验丰富等优势，实践汇总，可将两者有效融合，发挥各自优势，以提升群体智能在解决负责问题及完成特定任务中的能力。传统群体智能更关注自然环境下生物群体智能的分析，而网络群体智能则是在互联网环境下，强化对于大众广泛深度参与下形成的群体智能研究，其群体智能规模较大，在网络数据驱动下，可通过在线协作信息系统交互形成负载的交互关系，呈现出较强的网络效应，复杂性和非稳定性增大，知识共享和交互成为大众在线协作交互的主要形式。

2 群体智能算法的应用原理

群体智能算法衍生于对生物界的昆虫、蚁群、鸟群及鱼群等群体行为的模拟，这些群体根据既定的协作方式进行觅食，群体中的各个个体通过对自身和其他个体经经验的学习来实时变动搜索的方向，是用单一、有限的个体智能和行为，在相互作用机制下构建群体智能，以形成更为强大的整体能力，从而在解空间内通过基于群体智能的协同搜索，来寻求复杂问题的最优解。该算法用个体的进化或觅食过程来模拟负载问题的搜索和优化过程，以搜索空间中的点模拟自然界的生物个体，将复杂问题求解的目标函数转变为个体对环境的适应能力，將个体觅食及优胜劣汰的过程设定为搜索和优化中可行解到最优解迭代的过程。据此，可将群体智能算法表示为以“生成+体验”为主要特质的迭代搜索算法，是基于复杂问题最优解的自适应求解过程，其涵盖的蚁群优化算法、粒子群优化算法、菌群优化算法等均可归类此，通过问题目标函数的构建和最优解的求解，来揭示其应用原理，从本质上可将复杂问题的求解转变为函数优化问题[2]，具体如下。

求解：

式中：Xi为设计变量，f（X）为被优化的目标函数，gj（X）≤0为约束函数，Ω为设计变量的可行域。

3 大数据时代下群体智能算法的应用性分析

大数据时代下，基于互联网的技术滞后或漏洞、安全控制体系的缺失等，造就了多元信息的丢失或泄露，加之以网络边界为基础的安全防护机制已然失效，使得网络安全问题日趋严重，而要解决这一复杂问题，则需要运用群体智能算法，进行密码设计、生成高强随机性的不可预测性的密钥，以为网络安全保驾护航。

3.1 密钥设计与生成

流密码加密是实现网络安全通信的关键所在，其可加密明文字符串、密钥流序列，解密密钥流及密钥。早在1949年，C.D.Shannon便以流密码密钥序列为随机序列，用以生成流密码密钥，并从理论多角度进行了有效验证。但实践中，只能以伪随机序列替代真正的随机序列，序列密码的安全强度对于密钥流产生器产生的密钥无法预测，其受串分布、线性复杂度、自相关值等诸多因素影响，且这些因素并非不可预测性的充分条件，而是必要条件。为此，无法解决高随机性序列的分析和产生问题，但该问题可归类为密钥空间搜索最优序列，而群体智能算法在该方面具有较大优势，可以该算法构造流密码密钥生成器。目前，已经有多项研究予以验证，2008年，Sreelaja.N.K等在文本加密密钥生成中就使用了人工蚁群优化算法，利用二进制明文中的字符分布，并经由一个互字符进表来完成编码，有效提升了网络系统的安全性能，同时，在二进制图像加密中还运用了基于蚁群优化算法构造的密钥生成器。2009年，Sreelaja.N.K等在以往研究的基础上，在文本加密中又引入了粒子群算法。2011年，Ismail K. Ali则运用粒子群算法来对能够满足非相关性及高线性复杂性的适应函数进行搜集，最终经由仿真实验验证了该算法的效用[3]。

3.2 攻击源定位及入侵分类规则制定

大数据时代下，网路安全控制的入侵检测系统应具备较高的攻击检测率、低误报率，且应占用较少的资源，以满足应用需求。为准确定位攻击源，S.Fenet and S.Hassas在2002年利用蚁群优化算法构建了入侵定位的框架，在该系统中，网络遭受攻击时，信息素服务器负责传递预警的蚂蚁信息素，而淋巴细胞则在网络中随机游走若获取该信息素，则将采取相关防护措施。Chang-Lung等则构建了基于基于蜜罐和蚁群的入侵分析模型。同时，群体智能算法可有效区分网络正常及异常攻击引发的网络拥堵，可制定入侵分类规则。2006年，E.Soroush，M. S.Abadeh and J.Habibi等结合蚂蚁算法可实现数据类别划分的目标指引，完成了Ant-Miner分类规则提取算法的设计，据此制定了入侵规则。2008年，C.Ramachandran，S.Misra and M. S.Obaidat等针对其他检测系统，基于智能蚂蚁Ant-Miner算法构建入侵规则分类方法，同时，鉴于网络拓扑结构的随机变动性，以往的入侵检测方法适用受限。F. Barani等引入人工蚁群算法和负选择算法，分别用于入侵规则的训练、父检测子集的生成，设计了一种动态的入侵检测系统，并通过实验分析，该算法可兼顾检测效率和误报率的平衡性[4]。

4 结语

基于个体智慧的相互融合和支撑，来扩大和发挥群体的智慧，完成复杂任务或问题的解决，是群体智能的本质所在，而群体智能算法正是以此为基础发展而来的，其具有较好的并行性和环境适应能力，在非线性复杂问题中具有显著的应用优势。而大數据时代下，要确保海量数据在全生命周期各阶段的安全均可控，则需要引入可模拟群集行为，能够不断改变搜索方向的群体智能算法予以解决，而基于上述该算法原理、特点及应用性的阐释，可为上述问题的解决提供新的思路和方向。

[参考文献]

[1]王华，赵东杰，杨海涛，等.大数据时代下网络群体智能研究方法[J].计算机与现代化，2015（2）：1-6.

[2]徐聂甜子.大数据时代下网络群体智能研究[J].传播力研究，2018（20）：228.

[3]吴虎胜，张凤鸣，吴庐山.一种新的群体智能算法—狼群算法[J].系统工程与电子技术，2013（11）：2430-2438.

[4]杨义先，李丽香，彭海朋，等.群体智能算法及其在信息安全中的应用探索[J].信息安全学报，2016（1）：39-49.