基于云计算技术的网络通信智能监控方法设计

徐昊　麦著文

摘要：网络通信过程中会产生大量的通信数据，在面对规模庞大的通信數据量时，传统网络通信监控方法的监控效率较低，监控数据缺乏互通性，监控水平参差不齐，无法准确地监控到网络通信中潜在的安全隐患问题。为改善传统监控方法的不足，可引入云计算技术，使用智能监控方法。首先，根据网络通信流量的时间序列变化提取通信传输信号；然后利用云计算技术建立网络通信智能监控模型；最后，通过分层分级的监控方式，全方位、全过程地监控网络通信异常流量。实验分析结果表明，新的监控方法在数据集数量不断增多的情况下，监控结果准确率较为稳定，均在95%以上，可行性较高。

关键词：云计算；监控；网络；智能；通信；技术

一、引言

在互联网技术与计算机技术协同发展的趋势下，网络通信速度逐渐加快，各个行业领域对网络通信的需求越来越大[1]。现阶段，我国网络通信技术在实际应用中仍然存在一定的问题与不足，主要体现在网络通信互联与网络传输数据互通方面[2]。一旦网络通信中出现这两种问题，对网络配置与操控会产生较大的影响，降低网络通信数据传输的质量与效率，在网络通信后续运维过程中，需要消耗大量的人力与物力资源，对企业的运行造成严重经济损失[3]。因此，科学合理的网络通信智能监控方法至关重要，能够有效地解决上述问题，对网络通信协议进行实时监控，提高网络结构体系的安全性[4]。然而，当前发展趋势下，我国传统的网络通信监控方法在监控过程中由于通信数据量规模较庞大，监控数据之间缺乏互通性，且数据采集效率较低。对于不同的通信体系结构，监控能力与监控水平参差不齐，无法快速准确地监控到网络通信中潜在的安全风险与隐患[5]。云计算技术通过将海量通信数据资源集中到数据中心，经过虚拟化组织功能，对数据进行动态计算与调配，使其具有较高的逻辑性与智能性，从而实现网络通信数据资源的统一管理[6]。

基于此，本文在传统网络通信监控方法的基础上，引入云计算技术，设计了一种新的网络通信智能监控方法，为提高网络通信安全提供保障。

二、网络通信智能监控方法设计

（一）提取网络通信时间序列传输信号

本文设计的网络通信智能监控方法中，首先根据网络通信流量的时间序列变化提取通信传输信号，为后续的网络通信智能监控提供传输信号特征，然后分析网络通信压缩频域感知网络的运行结构，并基于认知用户的通信操作，设置网络通信流量的数据结构为，R={A1，A2，…，Ak}再根据网络通信节点增加信号传输的无线功率，构建网络通信信道访问的二元表达式为：

其中，x （r）表示通信用户在网络传输中接收到的信号；t （r）表示网络授权用户传输的通信流量数据信号；ts （r）表示网络通信异常频谱感知传输信号；E0表示网络通信授权用户不存在；E1表示网络通信授权用户存在。通过该表达式，获取到网络通信信道访问信号传输的实际情况。

在此基础上，计算网络通信时间序列传输信号的自适应迭代步长，公式为：

其中，λ （r）表示网络通信时间序列传输信号的自适应迭代步长；α表示网络通信信道时间序列信号传输的均衡指数；表示网络通信信号传输第r次迭代时产生的方差。将计算获取到的网络通信时间序列传输信号的自适应迭代步长进行均衡转换，过滤信号重复传输的增益数据，获取均衡优化后的网络通信相邻节点之间的多种间距[7]。在网络通信信道中部署智能传感器，设定传感器节点的密度，实时采集网络通信异常传输信号的主频特征[8]。采用网络节点智能化探测技术，深入分析时间序列传输信号的联合特征变化，并基于通信信道信号传输的交互规律，结合用户网络通信的实际需求，获取网络通信流量传输中各个链路层路径的信号衰减损耗，计算公式为：

其中，E （x）表示网络通信流量传输中各个链路层路径的信号衰减损耗；v表示网络通信链路层监测帧数据；T H （x）表示网络通信链路分配参数；q表示网络通信节点之间信号传输速率。综合上述内容，完成网络通信时间序列传输信号的提取能够为后续的智能监控提供基础保障。

（二）基于云计算技术建立网络通信智能监控模型

在上述网络通信时间序列传输信号提取结束后，获取到网络通信信道各个链路层路径的信号衰减损耗。接下来，基于云计算技术建立网络通信智能监控模型，对网络通信异常信号与流量的变化结构进行深入分析。首先，在网络通信信道建立对端连接，设定通信传输与共享的数据包数量为N，采用云计算技术，计算网络通信信道中流量变化特征，公式为：

其中，ε表示网络通信信道中流量变化特征；u表示网络通信数据包占用网络通信信道传输流量；m表示流量变化特征提取行为次数。将网络通信信道中流量变化特征计算结果输入到智能监控模型中，设定模型运行的特征置信区间，根据网络通信特征置信区间内的信息数据变化，获取区间的边界值[9]。在此基础上，设计网络通信智能监控模型的流量特征格式，为后续的网络通信异常流量分级监控提供支持，如表1所示。

表1为本文建立的网络通信智能监控模型的流量特征格式，作为网络通信智能监控的参照依据。

（三）分级监控网络通信异常流量

在上述基于云计算技术的网络通信智能监控模型建立结束后，采用分级分层监控的方式，对网络通信异常流量进行全方位地监控。本次网络通信智能监控包括3个等级：通信异常特征匹配、通信流量指数平滑监控、通信信道流量曲线比对。

首先，实时监测网络通信信道中数据、流量或信息的变化情况，提取异常数据，将其导入到上述建立的网络通信智能监控模型中进行匹配，并获取相应的匹配项，输出特征匹配结果，以此作为网络通信异常监控初级结果。在此基础上，采用网络通信流量指数平滑监测的方法，划分通信监控区域，对网络通信信道微观短期内的异常进行全方位监控，获取监控区域局部通信流量异常现象[10]。最后，利用通信信道流量曲线对比的方式，对区域遗漏的监控信息数据进行深入分析，以宏观长期监控为主，将监控到的异常信息数据与前一天相同时段内的异常信息数据进行对比，以此判断网络通信异常流量的变化情况，并实时上传通信异常监控结果，进而完成分级监控网络通信异常流量的目标。在分级监控过程中，需要注意保障终端用户的网络通信需求，避免监控中出现异常情况，降低用户通信的质量与体验水平。

三、实验分析

为了进一步客觀分析此监控方法的可行性，进行了如下文所示的实验。

本次实验选取某实验室真实可用的互联网网络通信ISOT数据集作为研究目标，随机抽取数据集中2021年3月1日0：00至24：00与2021年3月2日0：00至24：00的网络通信数据，作为本次实验的两个背景数据集，将2021年6月8日19：00-22：00的异常网络通信数据，分别注入两个背景数据集中，构建生成异常数据集。此数据集中包括网络恶意软件的异常活动、垃圾邮件以及基于IRC协议的僵尸恶意行为等，对两个异常数据集进行标号处理，分别标号为YCSJ-05与YCSJ-06，再将上述本文设计的基于云计算技术的网络通信智能监控方法应用到上述数据集中。

首先，捕获YCSJ-05与YCSJ-06异常数据集的时间长度与IP地址数量，对数据集的网络异常数据包与网络流量进行标注，生成异常数据标签。然后基于云计算技术，计算出YCSJ-05与YCSJ-06两个异常数据集中异常网络数据包比值，获取网络通信异常数据比例，若比例大于0.001，则将样本数据集标注为通信异常，相反则标注为通信正常。标注结束后，通过智能化的监控方式，实时监控YCSJ-05与YCSJ-06两个数据集的动态变化，并针对异常变化发出预警。

为了更加直观地验证本文设计的智能监控方法的有效性，本次实验采用对比分析的实验方法，将本文设计的基于云计算技术的网络通信智能监控方法，与传统的网络通信安全态势监控方法进行对比。首先，结合层次化分析的原理，设定本次对比中所使用的网络通信特征量指标，如表2所示。

在此基础上，利用有限元分析方法，计算各项特征量指标的准确率，计算公式为：

其中，P表示网络通信监控特征量指标的准确率；Ma表示测试集中网络通信异常数据被正确监控为异常的数据数量；Ta表示测试集中网络通信正常数据被正确监控为正常的数据数量；Ra表示测试集中网络通信异常数据被错误监控为正常的数据数量；Ca表示测试集中网络通信正常数据被错误监控为异常的数据数量。通过计算，可以获得两种监控方法监控结果的准确率，并比较在不断增加测试集数量的情况下监控结果准确率的变化趋势。

根据对比结果可知，在测试集数量不断增多的情况下，基于云计算技术的智能监控方法的准确率呈现上升趋势，且准确率均在95%以上；而传统监控方法在测试集数量为200和400时，监控结果准确率降低，表现较不稳定。基于此，可得出结论，本文设计的智能监控方法更加具有优势。

四、结束语

由于网络通信中会产生大量的数据，在计算与处理中具有较高的复杂性与难度，传统的网络通信监控方法在面对这一情况时，监控能力有限，无法准确地监控到网络通信潜在的风险与隐患。为此，本文设计了基于云计算技术的智能监控方法，此方法能够有效地提高对海量网络通信数据资源的调配与管理，显著提升通信数据的计算能力与处理能力，这对保障各个行业领域的网络通信安全具有重要的研究意义。

参  考  文  献

[1]周妃，周静.基于图谱特征提取的宽带城域光纤网络异常识别方法[J].激光杂志，2022，43（05）：116-120.

[2]李杰，杨黎霞，许磊，等.基于Socket的网络通信流量异常监测方法[J].信息与电脑（理论版）， 2022，34（02）：176-179.

[3]张亮，屈刚，李慧星，等.智能电网电力监控系统网络安全态势感知平台关键技术研究及应用[J].上海交通大学学报，2021，55（S2）： 103-109.

[4]郭东明.基于CAN总线的无人值守变电所过程层设备运行状态智能监控方法[J].能源与环保， 2021，43（10）：288-293.

[5]张皓瑜，王梅，芶小珊.基于物联网与云计算的塑料成型生产智能监控系统研究[J].塑料科技， 2021，49（07）：110-112.

[6]祝唯微，李万阳，张世军，等.基于CCHP耦合的电力网络监控仪表流量监控分析[J].自动化与仪器仪表， 2021（04）：186-189.

[7]曾婷，黄东军.智能视频监控系统异常行为检测算法研究综述[J].计算机测量与控制，2021，29（07）：1-6，20.

[8]徐志杰，朱凌云，金鑫.一种测量工业控制系统网络健康与安全性的方法[J].石油化工自动化， 2021，57（02）：59-64.

[9]于振中，洪辉武，徐斌，等.基于多粒度联合孤立森林的机器人实时异常监控方法[J].计算机应用研究， 2021，38（06）：1785-1789.

[10]石兆军，周晓俊，李可，等.基于多源信息融合的网络安全监控技术[J].计算机工程与设计， 2020，41（12）：3361-3367.

徐昊（1980.08-），男，汉族，研究生，高级工程师，研究方向：企业数字化转型、公共大数据、云计算技术。