人工智能驱动的电子信息通信网络优化研究

初元鸽，陈燕芹，张 芳

（青岛民航凯亚系统集成有限公司，山东 青岛 266108）

0 引 言

随着信息技术的飞速发展，电子信息通信网络已成为现代社会的基础设施之一[1-2]。网络的性能和可靠性对于各种业务与服务的发展至关重要。然而，随着用户数量的增加和数据流量的爆发式增长，网络面临的压力越来越大，如何优化网络性能和提升用户体验成为急待解决的问题。传统的网络优化方法主要依赖于经验和规则，在处理复杂性和动态性方面存在局限性。因此，文章提出了一种基于人工智能的电子信息通信网络优化方法。首先，研究数据采集与预处理的方法，通过人工智能技术对大量网络数据进行高效采集和预处理，为后续优化提供可靠的数据基础。其次，研究特征工程的方法，通过人工智能算法提取关键特征，以提高优化准确性和效率。最后，重点探讨网络架构优化方法，包括网络部署功能和网络拓扑结构的优化。通过应用人工智能技术，能够为电子信息通信网络优化提供一种高效、智能以及可持续的方法，进一步推动网络技术的发展和应用。

1 基于人工智能的电子信息通信网络优化方法

1.1 数据采集与预处理

基于人工智能的电子信息通信网络优化方法中，数据采集与预处理是一个关键的步骤，为后续的分析和优化提供了可靠的数据基础，具体流程如图1所示[3]。

图1 数据采集与预处理流程

由图1 可知，在进行数据采集与处理之前，首先需要明确数据采集的目标和需求，如网络设备日志、用户行为数据及网络性能指标等，进而选择合适的数据源。其次，通过应用程序接口（Application Programming Interface，API）将这些数据源接入到数据采集系统中。但采集到的原始数据常包含噪声、异常值及无关信息，因此需要进行数据清洗，去除重复数据、错误数据及无关字段，以确保数据的质量和准确性。再次，完成数据清洗后，则需要检查所有数据是否完全清洗成功，如若存在重复数据，则需重新进行数据清洗，直至数据清洗完全彻底。最后，不同数据源的数据具有不同的格式和结构，因此需要进行数据集成，将这些数据转换为统一的格式和结构，以便于后续进行处理和分析。数据集成包括数据转换、数据合并以及数据整合等操作，为使人工智能算法更好地处理这些数据，需要对数据进行规范化处理，包括将分类数据转换为数值数据、将数值数据归一化或标准化、将文本数据转换为向量等。通过这些步骤，可以得到高质量、规范化、适合机器学习处理的数据，为人工智能算法提供良好的输入。

1.2 提取特征工程

基于预处理的数据，可初步选择对网络优化有潜在帮助的特征，并采用相关性分析法来计算特征之间的相关系数[4]。因此，需要找出高度相关的特征，具体计算公式为

式中：di2为两个变量的等级差；n为样本数量；p为数据的特征关系系数。筛选出最有价值的特征后，对于初步选择的特征，进一步采用降维技术主成分分析（Principal Components Analysis，PCA）法进行特征提取，以减少特征维度，具体计算为

式中：x为原始特征向量；c为特征值向量；x'为转换后的特征向量。在筛选出最有价值的特征后，继续采用PCA 法进行特征提取，将原始特征向量转换为特征值向量，再得到转换后的特征向量。在简化模型的同时，保持数据的关键信息。通过PCA 技术，原始的特征向量被转换成新的特征向量。这些新的特征向量是原始特征的线性组合，能够解释原始数据的方差。

2 电子信息通信网络架构优化

2.1 网络部署功能

在网络架构优化中，网络部署功能是关键的一环，决定着网络的性能、效率及可靠性[5-6]。

第一步，需求分析与规划。评估网络所需支持的业务类型、数据量、用户密度以及服务质量（Quality of Service，QoS）要求。基于需求分析结果，规划网络的覆盖范围、容量、设备类型以及配置。

第二步，站点选址与评估，使用地理信息系统（Geographic Information System，GIS）分析潜在站点的地理位置、环境因素、交通便利性等，使用自由空间传播模型预测不同站点位置的信号覆盖、干扰情况及网络容量。

第三步，网络仿真。构建网络仿真模型，模拟不同站点部署方案下的网络性能。仿真过程中，需跟踪信号强度、数据传输速率、延迟等关键性能指标，使用遗传算法寻找最优的网络部署方案[7]。具体遗传算法为

式中：F(x)为适应度函数；f(x)为个体的适应度值；x'为种群中其他个体的基因编码；x为个体的基因编码；xmax为权重系数，可以根据网络设计的需求和优先级来调整。在实际应用中，遗传算法的具体实现会根据问题的复杂性和要求进行调整。种群大小、交叉率、突变率等参数都需要根据实际情况来设定，以获得最佳的优化效果。

第四步，实时监控网络性能。使用简单网络管理协议（Simple Network Management Protocol，SNMP）来收集网络设备和服务的性能数据，将传感器部署在网络的关键节点上，实时收集流量、延迟、丢包等信息。具体数据包在传输过程中丢失的频率计算为

式中：PLR为丢包率，是丢失数据包数量与总发送数据包数量的比率；L为在网络连接中丢失的数据包数量；N为在网络连接中发送的总数据包数量。同时，数据延迟的变化率反映了网络的稳定性，具体计算为

式中：Yi为每次网络传输中的延迟时间；Vi为所有测量延迟的平均值；N为进行延迟测量的次数。

通过收集网络的实时数据，可定义目标函数和约束条件，并应用线性规划算法来找到最优的网络资源分配方案。

2.2 网络拓扑结构

网络拓扑结构是指网络中节点（如服务器、路由器、交换机等）和连接这些节点的链路之间的排列方式。优化网络拓扑结构可以提高网络的性能、可靠性以及可扩展性。具体流程如图2 所示。

图2 网络拓扑结构流程

如图2 可知，在优化网络拓扑结构时，可通过SNMP 从网络设备中提取重要的性能指标，为网络的运行状况提供量化数据。此外，收集网络流量数据有助于分析流量模式和趋势，这对于预测网络需求和优化网络性能至关重要。在构建网络的数学模型时，使用图形表示法描述网络节点与链路之间的连接关系，为网络的深入分析提供了基础。通过这些模型，网络管理员可以对现有的网络拓扑结构进行分析，识别出可能的性能瓶颈和故障点，进一步提升网络性能，最小化网络性能指标。同时，可以在给定的网络拓扑中找到最优配置，以实现网络性能的最大化。

拓扑结构的调整是基于机器学习算法和优化算法的输出进行的，通过添加或移除节点、调整链路容量、改变节点之间的连接方式等操作，动态地适应网络变化，确保网络始终保持高性能和稳定性。由于网络环境是动态变化的，因此需要不断收集新的数据，重新训练模型，并调整优化策略，使得网络架构优化成为一个持续的过程。在这个过程中，网络管理员可以不断地学习和调整，以适应网络环境的变化，确保网络的长期发展和优化。

3 结 论

通过人工智能技术，实现了电子信息通信网络的全面优化。数据采集与预处理确保了高质量数据输入，特征工程提取了关键信息，提升了模型效率。网络架构得到显著改善，包括部署功能和拓扑结构，增强了网络的性能和适应性。这些进展标志着电子信息通信网络向智能化方向的迈进，为未来技术发展奠定了坚实基础。