試析智能運維平臺協同過濾信息推薦系統設計

石雅茹

（中車青島四方機車車輛股份有限公司，山東青島 266111）

0 引言

運維管理系統（OMS）是針對電信運營商的網絡設備、數據中心、機房等基礎設施，提供從監測、運維到故障處理的端到端管理平臺。OMS 可以為電信運營商提供一個集中的、面向用戶的自動化管理平臺，從而使其能夠對網絡設備、數據中心、機房等基礎設施進行高效管理。

1 智能運維平臺協同過濾信息推薦系統的優勢

傳統的故障處理是在機房內，由網絡工程師進行故障判斷，由于運維人員和網絡工程師在經驗、技術上存在較大差異，難以保證故障處理的準確性。智能運維平臺協同過濾信息推薦系統利用云計算、大數據技術，將故障處理的流程數字化，使故障處理更具可預測性、可預見性。智能運維平臺協同過濾信息推薦系統通過對各專業運維數據的采集分析，將電信運營商的基礎設施和網絡設備狀態全面、準確、及時地呈現出來。在故障發生后，系統自動將故障告警發送給相關專業人員，由專業人員對問題進行分析，并制定相應的解決方案。此外，系統還可以自動生成相關工單，由人工進行審核和處理。智能運維平臺協同過濾信息推薦系統可幫助電信運營商實現網絡的全面監測和全流程自動化管理，提高故障處理效率和質量，有效降低網絡維護成本。

2 智能運維平臺協同過濾信息推薦系統設計存在的問題

2.1 數據源不夠豐富

傳統的運維管理主要是針對設備的性能、業務系統、安全等方面進行管理，缺少對運維人員的管理和支持。隨著企業信息化建設的推進，企業內部的IT 系統越來越多，導致數據量日益增大。對于傳統運維管理方式而言，IT系統架構復雜、種類繁多，為運維管理帶來了極大的挑戰。因此，企業在構建智能運維平臺時，要建立統一的數據采集、存儲和分析體系，基于不同IT 系統的特點，將采集到的數據進行統一處理和管理。利用智能運維平臺對所有IT 系統進行統一采集和管理，形成統一的數據格式、數據存儲和分析體系。此外，還要建立完善的運維人員管理機制和培訓機制，提升運維人員對系統架構、應用架構、網絡架構等方面的了解。同時，還可以借助數據挖掘技術、機器學習技術等，對數據進行深度分析和挖掘，為信息推薦系統設計提供依據。

2.2 推薦算法不精確

智能運維平臺協同過濾信息推薦系統中的推薦算法主要是利用用戶和項目的歷史評分數據，通過相關系數計算，得出兩者之間的相似度，從而為用戶推薦與其歷史評分相似度較高的項目。然而，由于智能運維平臺中數據量龐大，采用的相似度計算方法并不準確，會導致推薦結果出現較大誤差。例如，在用戶評分數據中，有很多項目都是相同類型的，但是由于不同用戶使用不同類型的設備，導致每個用戶使用的設備類型不一致，就會出現大量相似度較高的項目被推薦出來。此外，智能運維平臺中大量相似度較高的項目也會導致推薦結果過于樂觀，從而影響其他用戶對該項目的評分。因此，為了提高推薦結果的準確性，必須對推薦算法進行改進。

3 智能運維平臺協同過濾信息推薦系統的設計要點

3.1 數據處理

在智能運維平臺中，運維數據分為兩部分，一部分是智能監控系統采集到的基礎數據，包括設備名稱、物理位置、網絡拓撲、IP 地址等；另一部分是系統采集到的運維數據，包括CPU、內存、硬盤等物理設備的配置信息和服務日志信息。這些數據都是通過系統收集和分析得到的，往往具有一定的噪聲和缺失，需要進行初步清洗才能滿足后續推薦算法的要求。

首先，對原始數據進行預處理。對采集到的基礎數據進行清洗，去除噪聲和缺失數據，按照一定標準轉換為標準格式，進行標準化處理，并按照一定的規則對標準化后的基礎數據進行歸一化處理，歸一化后的基礎數據能夠保證不同設備之間具有可比性。其次，對系統采集到的運維數據進行初步清洗。如果采用統一格式的采集方法，會產生大量相同或相似的運維信息，難以滿足推薦算法對于異構信息處理的要求。如果采用不同的處理方法，可能會產生大量冗余信息，降低推薦算法的效率。因此，在系統設計之初就要考慮如何將不同設備上采集到的基礎數據進行整合和規范。

3.2 算法設計

協同過濾推薦算法是目前應用最廣泛的一種信息推薦算法，根據用戶之間的歷史交互記錄，分析用戶對某一類或多類物品的偏好，從而為用戶推薦類似的物品。協同過濾算法可以分為兩大類，即基于物品協同過濾算法和用戶協同過濾算法。首先輸入用戶對某一類或多類物品的偏好信息，然后利用該用戶對該類或多類物品的歷史交互信息計算用戶對該類或多類物品的偏好信息，最終根據用戶與該類或多類物品之間的相似度，為其推薦類似商品?；谟脩魠f同過濾推薦系統是一種針對用戶特征進行個性化推薦的系統。利用用戶對某一類或多類物品的偏好信息計算用戶對該類或多類物品的偏好信息，根據這些偏好信息對目標用戶進行個性化推薦。與物品協同過濾相比，用戶協同過濾不需要考慮如何提取歷史交互記錄中的特征信息，因為這些特征信息在歷史交互記錄中已經存在[1]，可以直接使用。與物品協同過濾不同的是，用戶協同過濾需要考慮如何將目標用戶和目標產品之間進行匹配，具體實現過程中涉及多個關鍵算法，如相似性度量算法、推薦算法、排序算法等。

3.3 推薦策略設計

協同過濾信息推薦系統主要解決的是用戶之間的協同問題，而不是給用戶推薦商品。在推薦策略中，通常需要根據用戶的歷史行為數據預測用戶對商品的偏好，這種方法在一定程度上能滿足用戶需求，但在實際使用中往往存在一定的問題。

首先，用戶歷史行為數據的獲取比較困難。用戶在使用智能運維平臺時，會產生大量數據，這些數據對于協同過濾信息推薦系統來說是一種潛在的“冷啟動”資源。由于這些數據都是由運維人員手動記錄下來的，其中包含大量的無效或不完整數據，因此在處理這些數據時，需要投入大量的人力和時間成本。其次，用戶歷史行為數據可能并不能真正地反映用戶真正喜歡的商品。雖然推薦系統應該盡量貼近真實情況，但由于智能運維平臺上存在著大量相似或者相同的商品，可能會出現“推薦不準確”或“推薦與實際情況不符”等情況。最后，推薦系統中推薦算法和模型太多。例如，常見的協同過濾算法主要包括基于內容、基于項目、基于內容與協同過濾相結合、基于內容與項目相結合4 種方法。其中，基于項目算法是最基本，也是最常用的一種方法，可以直接應用于各種推薦系統，而基于內容與協同過濾相結合則是近年來研究較多的一種算法，因為其他算法具有一定的局限性，所以很少單獨使用。用戶歷史行為數據不足導致的數據稀疏性問題，可以考慮使用基于內容與協同過濾相結合的算法，但是這種方法存在冷啟動問題。在該方法中，由于用戶歷史行為數據不足導致用戶無法找到自己喜歡或感興趣的商品，因此很難確定用戶到底喜歡什么商品。針對這一問題，可以考慮在該算法中引入協同過濾推薦模塊或混合推薦模塊。

根據上述分析可知，協同過濾推薦系統在設計時，要充分考慮智能運維平臺上存在的大量相同、相似商品或服務。在具體設計時，需要根據實際情況進行適當調整。例如，在推薦策略中引入協同過濾算法，并不意味著可以完全不考慮其他推薦算法。具體來說，可根據實際情況對推薦系統進行相應的調整，以滿足用戶需求。一些特別小眾或者個性化較強的商品或服務不適合直接引入協同過濾算法，這類商品或服務可以考慮采用混合推薦策略提高推薦效率[2]。為達到更好推薦效果，可以針對不同情況對推薦系統進行適當調整，以滿足不同用戶的需求。

3.4 協同過濾算法的選擇和優化

協同過濾算法的選擇主要有3 個方面，分別是計算成本、數據稀疏性、算法復雜度。計算成本是指算法的計算開銷，通常推薦系統的推薦策略分為在線和離線兩種，在線推薦需要保證算法的可擴展性，所以算法的選擇也是系統設計中需要考慮的因素之一。離線情況下，協同過濾算法一般是基于項目本身的信息進行推薦，計算量較小，且易于實現。在選擇協同過濾算法時，需要充分考慮其可擴展性。數據稀疏性是指系統中存在大量未標記的數據，由于數據稀疏性問題，傳統協同過濾算法中使用的矩陣分解技術很難達到預期效果。近年來，深度學習技術在推薦領域得到了廣泛應用，使基于深度學習的推薦技術成為一種重要的選擇。因此，在智能運維平臺中設計協同過濾信息推薦系統時，應充分考慮自身實際情況和應用場景的特點和需求。協同過濾算法是一種基于用戶/項目評分數據進行預測推薦的方法[3]。對于傳統協同過濾算法而言，由于用戶/項目評分數據較少且維度較低，其推薦效果往往不能滿足實際需要，所以在進行協同過濾算法選擇時應充分考慮這一因素。

3.5 系統架構

協同過濾信息推薦系統主要由3 部分組成，分別是用戶畫像、信息推薦引擎以及基于內容的推薦引擎。用戶畫像部分用于描述用戶的基本信息，例如姓名、性別、年齡、工作崗位等；信息推薦引擎主要用于推薦系統中使用的各種故障信息，包括應用服務的異常報警、應用系統告警、應用服務性能指標等。用戶畫像部分是整個系統的核心部分，為整個系統提供了豐富的數據來源。例如，可以根據用戶以往的故障報告、日志等數據生成用戶畫像，根據用戶在使用應用服務過程中產生的行為數據，如日志記錄中產生的網絡連接數、CPU 使用率等，生成用戶畫像；還可以根據用戶使用應用服務的行為特征，如網絡請求頻率、網絡流量大小等，生成用戶畫像。協同過濾信息推薦引擎是整個系統的核心部分，可以根據系統中存在的數據和算法模型，生成推薦結果，推薦結果可以分為3 類。第一，由系統推薦給用戶的結果，即推薦給用戶的推薦信息。第二，由系統推薦給其他相關人員（運維人員、開發人員）的結果，即協同過濾算法生成的推薦信息。第三，由其他運維人員（系統運維人員）直接生成的結果?；趦热莸耐扑]引擎可以提供更加豐富的數據來源，在協同過濾算法生成的推薦信息中還可以添加一些額外特征和屬性[4]。例如，根據應用服務的網絡連接數、CPU 使用率等描述應用服務發生的異常情況；根據應用服務時間描述應用服務發生的異常情況；根據應用服務負載描述應用服務發生的異常情況等。

3.6 功能設計

系統主要由數據管理、協同過濾、信息推薦和用戶管理模塊構成。數據管理模塊提供了用戶基本信息管理、性能信息管理等功能，為用戶提供基礎的運維數據支持，協同過濾模塊提供了故障信息推薦功能，通過建立用戶－故障關系，為用戶推薦可能感興趣的故障信息，信息推薦模塊提供了用戶偏好信息的推薦，包括對故障處理結果和處理時間的推薦、對故障處理結果的排序推薦，用戶管理模塊主要實現了系統管理員對系統的配置、修改、刪除、監控等功能。協同過濾是基于用戶歷史行為數據的個性化推薦。數據預處理是通過數據清洗模塊對用戶歷史行為數據進行清洗和過濾，去除噪聲[5]。此外，系統還支持將清洗后的數據進行聚類處理，以提高算法精度。改進的協同過濾算法是將經典協同過濾算法和新的改進算法相結合。

4 結語

在當前時代背景下，合理設計智能運維平臺協同過濾信息推薦系統有重要的意義。因此，需要結合當前實際情況，了解智能運維平臺協同過濾信息推薦系統的優勢和問題，并掌握系統架構、功能設計、算法設計等一系列設計要點，保證智能運維平臺協同過濾信息推薦系統設計的有效進行，推動系統的可持續發展和進步。