浅析面向信息中心网络的智能感知技术

摘 要：信息中心网络设计的初衷即是为了实现内容的快速高效获取。然而当前的信息中心网络架构设计缺少智能化的管理，其无法很好地根据网络的实时状态进行智能的感知和决策，这在一定程度造成了网络带宽、缓存等网络资源的浪费。当前网络系统中存在的用于网络状态监测的软硬件系统种类越来越丰富，网络运维人员可以掌握各种各样的实时网络监测数据信息。随着移动设备的普及以及移动设备传感技术的发展，从移动设备中获得的流量数据、传感器数据和用户操作数据的内容特征信息也越来越多。由于人力成本在不断增加且人类算力具有一定局限性，不断增长的网络需求需要网络更加智能化。面向未来的网络架构也必然是具有自调节，自适应能力的智能网络系统，因此针对以内容获取为核心的信息中心网络架构中网络环境的感知研究及相应的网络资源智能管理的研究也越来越引起人的注意。

关键词：智能感知；信息中心网络；数据挖掘；缓存资源管理

随着移动传输技术、传感技术和操作系统技术的发展，移动设备承载了越来越多基于用户的监测数据信息。当前越来越多的网络服务商和内容提供商也在使用用户的属性信息和偏好信息来优化其所管理的网络服务。移动设备上能获取到的用户情景信息和用户的授权信息不论对互联网服务商还是基础网络运营商都非常重要。因为其能被挖掘出用户的潜在需求，从而获得巨大的商业价值。例如Foursqure等公司都是通过获取用户的地理位置信息，为用户提供基于位置邻近的社交服务实现了用户、商家、服务提供商三方共赢的结果，微信、米聊等软件则是通过获取用户移动电话里的通讯录数据，从而为用户搭建起了实现人与人高效连接的社交网络平台。在普适计算领域和信息检索等领域，用户的情景数据建模分析也对用户应用使用体验的提升起到了关键的作用。

网络的请求来自于用户，对用户的网络行为和请求偏好进行分析和建模对于优化网络系统，特别是优化以信息获取为中心的信息中心网络系统有着重要的指导意义。通过分析区域群体用户的热点偏好内容信息和用户群体的聚集和迁移状态信息，可以实现对无线边缘网络节点的缓存资源配置的优化，从而可有有效降低核心网络的请求压力，提高网络服务能力。由于信息中心网络的转发节点内置缓存系统且该网络架构对于无线传输具有天然支持性，利用基于用户信息的分析结果优化信息中心网络的无线边缘网络系统的资源配置具有非常重要的价值和意义。将用户的偏好信息和情景状态信息进行聚合和整理，網络服务商则可以根据一个区域内的用户集群偏好以及用户的聚集特性来缓存和部署相关视频或者其他多媒体资源，从而优化用户的网络使用体验。因此，信息中心网络实现智能感知目标的一个重要关键因素就是对用户属性偏好和情景状态信息进行可靠建模和分析。

构建用户情景智能感知分析服务系统由于需要涉及从硬件传感器层到数据挖掘和建模的各类专业领域知识，因此，一个为上层建模分析提供稳定数据接口的软件中间件系统平台就非常关键。这样就免去了数据建模和应用业务逻辑的开发调试工作量，同时提高整体系统的稳定性。理想的用户情景状态智能感知中间件平台应当具有四个特点，一是其架构一定是分布式的、面向服务的、可插拔的体系结构设计，能够使基础平台的计算性能、存储性能和网络传输性能得以快速被扩展。二是有一种通用的、共性化的数据处理机制来处理用户或者环境的多类别海量情景数据，大大提高基础架构的复用程度，方便软件开发者快速地将其定制成应用在不同产业的业务支撑平台。三是平台应该有一套通用的情景感知模型，不同应用之间能够依据此情景感知模型共享情景信息和数据，使得跨平台的情景融合更加容易。四是系统应该有一个好的应用编程接口模型，使得情景感知应用开发者在不用关心情景状态是如何识别出来的情况下，方便地获得实时、准确、冲突纠正过的高层情景状态信息。

移动操作系统，例如iOS，Android的软件架构设计师已经为开发者提供许多便利的应用编程接口方便开发者调用，以主动获取或者被动通知的方式获取这些较为底层的传感器情景信息。然而底层的传感器信息无法满足开发者对于情景感知应用的开发需求。当前业界有诸多产业公司在尝试推出其情景感知计算平台，并提供更高层级的用户行为状态识别功能给开发者来使用，但是受限于模型性能和数据源的稀缺性，产业中提供的情景识别功能更多的是底层的碎片化的情景信息，很难有高层的能描述连续情景事件的用户情景信息输出。大多类型的用户分析和情景识别公司也都在依据部分商业场景订制和优化具体的应用服务，其都没有很好的提供一个普适性的情景状态感知中间件系统平台。

构建用户情景状态智能感知的服务系统另一个关键因素就是如何构建精准性能稳定的情景状态识别和分析的算法模型。构建分析模型首先要有有效的数据源，地理位置信息数据是最容易获得的，也是情景数据中最有分析价值的信息。利用位置信息来实现基站带宽资源和缓存资源的优化调度是非常有价值的。在移动设备上获取位置数据信息的方式主要有两种，一种是基于GPS、北斗等全球定位系统获得，另一种则是通过使用分布式部署的各种类型基站获得（比如移动基站、蓝牙基站等）。移动设备定位数据的获取有诸多技术环节需要考虑，比如耗电量和定位精度的权衡（GPS耗电量较大，但精度高，基站定位耗电小，但精度低），噪声去除方法、硬件成本的评估、信号衰减和偏移的调整等。想要实施一个有效的情景感知算法系统，必须要对建立的算法模型进行一些算法漏洞补充。Adams在其提出的系统中做了大量的模型数据填充工作。同时采用了对噪声数据不敏感且不需要事先确定类别总数的DBSCAN算法，使得整个算法系统性能得到提升。

仅仅依靠位置数据很难完全刻画出用户的兴趣偏好和行径意图，同时，在基站缓存资源调配的场景下，仅仅能分析出用户群体的聚集和迁移特征，而无法准确分析出用户群体的偏好特征，智能缓存资源调配的性能效果也会大打折扣。随着智能手表、智能手环、智能眼镜的发展，用户可被监测的传感器信息增多，准确的用户的属性刻画及偏好分析方案也变得越来越可行。利用移动设备传感器信息来监测和识别用户情景状态信息的方法已经有很多，包括利用单传感器特征信息和多传感器的聚合特征信息等。同时，这些传感器信息的多样化特征值也被研究人员利用去探索性能更优的算法模型。

参考文献：

[1]Nham B.Siangliulue K.5 Yeung S.Predicting Mode of Transport from Iphone Accelerometer Data[J].Stanford University Online Journal， 2011

[2] Brush a.，Krumm J.，Scott J.Activity recognitionresearch：The good the bad，and the future [J].Pervasive 2010 Workshop，2010

作者简介：

刘宁（1987-）男，黑龙江大庆人，硕士研究生，助教，2010年毕业于Pittsburg State University主修计算机、数学双学士，2014年获取哈尔滨理工大学硕士学位，研究生期间主要负责凝聚态物理科研工作，现任职大庆职业学院，从事计算机网络管理、物联网的教学工作，以及人工智能等方面的研究。