Nhóm 15 Quản lý mạng và dịch vụ dựa trên AI

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
KHOA VIỄN THÔNG I
BÁO CÁO TIỂU LUẬN

ĐỀ TÀI: QUẢN LÝ MẠNG VÀ DỊCH VỤ DỰA
TRÊN AI
NHÓM MÔN HỌC: NHÓM 01
Giảng viên: TS. HOÀNG TRỌNG MINH
NHÓM TIỂU LUẬN: 15

Sinh viên:
NGUYỄN CHÍ VŨ B18DCVT446
NGUYỄN PHƯƠNG NAM B18DCVT302
NGUYỄN BÁ LONG B18DCVT254
Hà Nội, 3/2022
Bài tập lớn môn chuyên đề
BẢNG PHÂN CÔNG CÔNG VIỆC
Tìm hiểu làm nội dung chương 1 + chương 2 (

Nguyễn Phương Nam-B18DCVT302
cụ thể nội dung 2.1 đến 2.3) tổng hợp và hoàn
( Thành viên) thiện bài báo cáo
Tìm hiểu làm nội dung chương 2 ( cụ thể nội
Nguyễn Bá Long-B18DCVT254
dung 2.4 đến 2.7) + chương 3( cụ thể nội dung
( Thành viên ) 3.1), hoàn thiện slide PowerPoint
Nguyễn Chí Vũ-B18DCVT446 Tìm hiểu và làm nội dung chương 3 ( cụ thể
( Trưởng nhóm ) nội dung 3.2).
MỤC LỤC
DANH MỤC BẢNG VÀ HÌNH VẼ.....................................................................1
THUẬT NGỮ VIẾT TẮT....................................................................................2
LỜI NÓI ĐẦU.......................................................................................................4
Chương 1: Giới thiệu chung.................................................................................5
1.1 Giới thiệu......................................................................................................5
1.2 Thuật ngữ.....................................................................................................6
Chương 2: Các vấn đề cần được giải quyết trong quản lý mạng và dịch vụ....8
2.1 Các vấn đề quản lý mạng hiện tại...............................................................8
2.2 Tìm hiểu nhu cầu của người dùng và nhà điều hành................................9
2.3 Chuyển nhu cầu kinh doanh sang dịch vụ mạng.....................................11
2.4 Sự cần thiết phải kết hợp tính năng động................................................15
2.5 Phản ứng theo ngữ cảnh............................................................................17
2.6 Kết hợp Nhận thức Tình huống................................................................19
2.7 Tóm tắt các giải pháp vấn đề được đề xuất.............................................19
Chương 3: Nguyên tắc và kiến trúc nhận thức................................................22
3.1 Nguyên tắc nhận thức................................................................................22
3.1.1 Nhận thức.............................................................................................22
3.1.2 Vòng lặp kiểm soát nhận thức và thích ứng......................................24
3.1.3 Biểu diễn tri thức.................................................................................25
3.1.4 Bộ nhớ..................................................................................................25
3.2 Kiến trúc nhận thức...................................................................................26
3.2.1 Tổng quan............................................................................................26
3.2.2 Nhà môi giới API.................................................................................27
3.2.3 Xử lý đầu vào và đầu ra......................................................................28
3.2.4 Chức năng xử lý nhận thức................................................................29
3.2.5 Đạt được Mục tiêu trong Kiến trúc Nhận thức.................................37
KẾT LUẬN.......................................................................................................... 38
DANH MỤC BẢNG VÀ HÌNH VẼ
Bảng 1.1 Thuật ngữ
Bảng 2.1 Tóm tắt giải pháp vấn đề
Hình 2.1 OSS mô hình ống dẫn
Hình 2.2 Sự liên tục của chính sách
Sơ đồ khối chức năng của một trình dịch ngữ nghĩa trên mỗi mức liên
Hình 2.3
tục
Hình 2.4 Sơ đồ khối đơn giản của kiến trúc FOCALE
Hình 2.5 Lập luận dựa trên ngữ cảnh
Hình 3.1 Phiên bản đơn giản hóa của vòng điều khiển FOCALE
Hình 3.2 Một tập hợp các vòng điều khiển thích ứng và nhận thức
Hình 3.3 Sơ đồ khối chức năng được đơn giản hóa của một kiến trúc nhận thức
Hình 3.4 Kiến trúc chức năng cấp cao của mạng nhận thức
Hình 3.5 Khối chức năng nhận thức tình huống
Hình 3.6 Xử lý kiến thức: đối sánh bản thể học liên kết cho một phần tử mô hình
Hình 3.7 Xử lý kiến thức: liên kết các khái niệm bản thể học mới
Hình 3.8 Chế độ xem đơn giản của mô hình chính sách MEF
NHÓM 15 1
THUẬT NGỮ VIẾT TẮT
Chữ viết tắt Nghĩa tiếng anh Nghĩa tiếng việt

AI Artificial Intelligence Trí tuệ nhân tạo
Giao diện lập trình ứng
API Application Programming Interfaces
dụng
Business-Driven Device Quản lý thiết bị theo hướng
BDDM
Management kinh doanh
BUS Business Applications Ứng dụng kinh doanh
Hệ thống hỗ trợ kinh doanh
BSS Business Support Systems
hiện tại
CLI Command line interface Giao diện dòng lệnh
Bus dịch vụ doanh nghiệp
ESB Enterprise Service Buses
tiêu chuẩn
Sự kiện-Điều kiện-Hành
ECA Event-Condition-Action
động
FSM Finite-State Machines Máy trạng thái hữu hạn
Foundation, Observe, Compare, Act,
FOCALE
Learn, rEason
HAS-A
Bảo mật và Tăng tốc
IS-A Internet Security and Acceleration
Internet
LSTM Long Short-Term Memory Mạng bộ nhớ ngắn hạn dài
MDE Model-driven engineering Kỹ thuật hướng mô hình
MCM MEF Core Model Mô hình cốt lõi của MEF
MPM MEF Policy Model Mô hình Chính sách MEF
NLP Neuro Linguistic Programming Ngôn ngữ lập trình tư duy
OPEX OPerational EXpenditure Chi phí Hoạt động
OSS Operational Support Systems Hệ thống hỗ trợ hoạt động
OODA Observe-Orient-Decide-Act
OWL Web Ontology Language Ngôn ngữ Bản thể học Web
Điều phối theo hướng chính
PDO Policy Driven Orchestration
sách
NHÓM 15 2
SLA Service Level Agreement Mức độ thỏa thuận dịch vụ
SLO Service Level Objectives Mục tiêu mức độ dịch vụ
SLV Service Level Values Giá trị mức dịch vụ
SDN Software-Defined Networking Mạng điều khiển bằng phần

mềm
SNMP Simple Network Management Giao thức quả lý mạng đơn
Protocol giản
UML Unified Modeling Language Ngôn ngữ mô hình hóa
đồng nhất
YANG Ngôn ngữ mô hình hóa dữ
liệu
NHÓM 15 3
LỜI NÓI ĐẦU

Trí tuệ nhân tạo AI là loại công nghệ được con người cựu kỳ quan tâm, nhất là khi
chúng ta đã bước sang nền công nghiệp 4.0 như hiện nay thì AI nói lại càng trở nên
bùng nổ hơn. Trong nội dung bài tiểu luận này ta sẽ cùng nhau tìm hiểu về việc quản
lý mạng và dịch vụ dựa trên loại công nghệ này.
Nội dung bài tiểu luận này được chia thành 3 chương.
Chương 1 giới thiệu về những khó khăn và bất cập về việc quản lý mạng và cung
cấp dịch vụ trong thời đại công nghệ bùng nổ như hiện nay, khẳng định sự cần thiết
của mạng lưới thông minh trong việc giải quyết những khó khăn hiện nay.
Chương 2 phân tích các vấn đề mấu chốt mà cần phải giải quyết trong quản lý
mạng và cung cấp dịch vụ như “các vấn đề quản lý mạng hiện tại”, “tìm hiểu nhu cầu
của người dùng và nhà điều hành”…. Nêu qua một số giải pháp vấn đề được đề xuất
Chương 3 ta sẽ tập chung đi sâu vào hai nội dung chính là nguyên tắc nhận thức
và kiến trúc nhận thức.Tập hợp các nguyên tắc chính để thiết kế và hiểu được các kiến
trúc nhận thức, tiếp theo sẽ phân tích một hệ thống nhận thức là như thế nào, cấu tạo
và phương thức hoạt động của nó.
NHÓM 15 4
Chương 1: Giới thiệu chung

1.1 Giới thiệu
Các chức năng giám sát và cung cấp quản lý mạng và dịch vụ hiện nay đang ngày
càng phức tạp. Sự gia tăng của các công nghệ khác nhau, cũng như các cách triển khai
khác nhau từ các nhà cung cấp khác nhau, đòi hỏi quá trình xử lý theo vòng lặp của
con người, việc này tốn nhiều thời gian và dễ xảy ra lỗi. Ngoài ra, người dùng đang đòi
hỏi các dịch vụ phức tạp hơn (ví dụ: dịch vụ nhận biết ngữ cảnh, dịch vụ cá nhân hóa).
Tuy nhiên, những vấn đề này còn khá nhạt nhòa so với khả năng cung cấp các
dịch vụ mạng được cung cấp theo nhu cầu kinh doanh hiện tại của tổ chức. Vấn đề này
lần đầu tiên được hình thành vào năm 2002, được gọi là quản lý thiết bị theo hướng
kinh doanh (BDDM). Các kiến trúc quản lý mạng gặp phải tình trạng không có khả
năng xác định và sử dụng các quy trình nghiệp vụ để thúc đẩy cấu hình và quản lý tài
nguyên mạng,các dịch vụ mạng. BDDM là một mô hình cho phép các quy tắc nghiệp
vụ quản lý việc xây dựng các hàm và lệnh cấu hình cho một thiết bị cũng như thực thi
cách cấu hình của một thiết bị được tạo, xác minh, phê duyệt và triển khai. BDDM sử
dụng các loại chính sách khác nhau để quản lý các khía cạnh khác nhau của việc cung
cấp dịch vụ mạng. Các chính sách này tạo thành một chuỗi liên tục đại diện cho vòng
đời hoàn chỉnh của các dịch vụ mạng, thu hẹp khoảng cách tự động hóa giữa các lớp
dịch vụ và phần tử, đồng thời kiểm soát dịch vụ mạng và tài nguyên nào được phân bổ
cho người dùng nào. Quan trọng hơn, một chuỗi chính sách liên tục là rất quan trọng
để đại diện cho nhu cầu của các khu vực bầu cử khác nhau.
Vấn đề này càng trở nên trầm trọng hơn khi mức độ trừu tượng hóa kinh doanh
tăng lên. Ví dụ: giả sử một nhà khai thác mạng muốn tối ưu hóa tập hợp các dịch vụ
được cung cấp để tối đa hóa doanh thu trong khi giảm thiểu sự gián đoạn của khách
hàng bằng cách đảm bảo rằng các tính năng như bảo mật và tính khả dụng không dành
cho những khách hàng quan trọng hơn. Đây có thể được hình thành như một bài toán
tối ưu hóa đa mục tiêu, trong đó các quyết định tối ưu cần phải được thực hiện, mặc dù
tất cả các mục tiêu có thể không được tối ưu hóa đồng thời. Nếu có một số điểm không
chắc chắn về việc liệu các thuộc tính của một lựa chọn có được đảm bảo hay không,
thì vấn đề cũng có thể được định nghĩa như một hàm tiện ích đa thuộc tính, trong đó
độ không đảm bảo và rủi ro đối với từng thuộc tính của một mục tiêu được mô hình
hóa; điều này sau đó có thể được tối ưu hóa bằng một số phương pháp, chẳng hạn như
lập trình tuyến tính số nguyên đa hướng. Vấn đề với những cách tiếp cận này không
phải là toán học, mà là cách sử dụng kết quả để xác định và quản lý các dịch vụ mạng
một cách hợp lý.
Một yếu tố khác là tính đến chi phí tiền tệ liên quan đến việc cung cấp quá mức
hoặc cung cấp dưới mức công suất mạng, khả năng tính toán và các khả năng khác.
NHÓM 15 5
Điều này có thể được nắm bắt theo một số cách, chẳng hạn như các hạn chế đối với
việc thực hiện một mục tiêu hoặc các thuộc tính bổ sung của việc lựa chọn một cách
tiếp cận cụ thể.
Do đó, các nhà khai thác lo ngại về sự phức tạp ngày càng tăng của việc tích hợp
các nền tảng khác nhau trong mạng và môi trường hoạt động của họ. Những thách
thức tương tác giữa con người với con người làm tăng thời gian tiếp thị các dịch vụ
tiên tiến và sáng tạo. Hơn nữa, không có cơ chế dựa trên tiêu chuẩn khoa học và có thể
mở rộng để cung cấp các dịch vụ theo ngữ cảnh (ví dụ: các dịch vụ thích ứng với
những thay đổi về nhu cầu của người dùng, mục tiêu kinh doanh hoặc điều kiện môi
trường). Những yếu tố này và các yếu tố khác góp phần vào Chi phí Hoạt động
(OPEX) rất cao cho việc vận hành và quản lý mạng. Người vận hành cần tối ưu hóa
việc sử dụng các tài nguyên được nối mạng (ví dụ: thông qua tự động hóa các quy
trình giám sát và cấu hình mạng của họ để giảm OPEX này). Quan trọng hơn, các nhà
mạng cần cải thiện việc sử dụng và bảo trì hệ thống mạng của mình.
Các ví dụ trên càng trở nên trầm trọng hơn do sự thay đổi thường xuyên của nhu
cầu người dùng, mục tiêu kinh doanh và điều kiện môi trường. Điều này đòi hỏi quá
trình tự động hóa được cải thiện và các vòng điều khiển khép kín theo thời gian thực.
Do đó, mạng thông minh là cần thiết để phát hiện những thay đổi theo ngữ cảnh này,
xác định nhóm thiết bị và dịch vụ nào ảnh hưởng đến nhau và quản lý các dịch vụ kết
quả trong khi duy trì SLA.
1.2 Thuật ngữ
Chương này định nghĩa các thuật ngữ chính như sau (Bảng 1.1):
Bảng 1.1 Thuật ngữ
Thuật ngữ Định nghĩa
Vòng điều khiển có hành động kiểm soát phụ thuộc vào phản hồi từ
Vòng điều
đối tượng hoặc quá trình được kiểm soát để đạt được hành vi mong
khiển kín
muốn
Vòng điều Vòng điều khiển khép kín có chức năng điều khiển thích ứng với đối
khiển khép tượng hoặc quá trình đang được điều khiển bằng cách sử dụng các
kín thích ứng tham số không xác định hoặc thay đổi theo thời gian
Một vòng kiểm soát khép kín chọn lọc dữ liệu và hành vi để giám
Vòng điều
sát có thể giúp đánh giá trạng thái đạt được một bộ mục tiêu và tạo
khiển khép
ra dữ liệu, thông tin và kiến thức mới để tạo điều kiện thuận lợi cho
kín nhận thức
việc đạt được các mục tiêu đó
Quá trình thu thập và hiểu dữ liệu và thông tin cũng như sản xuất dữ
Sự nhận thức
liệu, thông tin và kiến thức mới
Mạng nhận Một mạng sử dụng nhận thức theo ngữ cảnh và tình huống để hiểu
thức dữ liệu và hành vi mới, so sánh các đầu vào mới đó với mục tiêu
hiện tại của nó, sau đó hình thành các hành động để bảo vệ và đạt
NHÓM 15 6
được các mục tiêu đó, đồng thời học hỏi từ hậu quả của các hành
động của nó
Tập hợp các kiến thức được đo lường và suy luận mô tả môi trường
Bối cảnh
mà một thực thể tồn tại hoặc đã tồn tại
Nhận thức Việc thu thập thông tin về bản thân và môi trường của nó để cung
theo ngữ cấp các dịch vụ và tài nguyên được cá nhân hóa và tùy chỉnh tương
cảnh ứng với bối cảnh đó
Học tập thông qua kinh nghiệm (cả từ các hành động được thực hiện
Dựa theo
bởi hệ thống và các hành động được thực hiện bên ngoài hệ thống
kinh nghiệm
có ảnh hưởng đến nó)
Một tập hợp các quy tắc được sử dụng để quản lý và kiểm soát việc
Chính sách thay đổi và duy trì trạng thái của một hoặc nhiều đối tượng được
quản lý
Một điểm khái niệm tại sự kết hợp của hai chức năng không chồng
Điểm tham
chéo có thể được sử dụng để xác định loại thông tin truyền giữa các
chiếu
chức năng này
Điểm tham Một điểm tham chiếu giữa hai hệ thống khác nhau
chiếu, bên
ngoài
Điểm tham Một điểm tham chiếu trong các chức năng khác nhau của hệ thống
chiếu, bên mà hệ thống bên ngoài không nhìn thấy được
trong
Nhận thức về dữ liệu và hành vi liên quan đến các hoàn cảnh và điều
kiện liên quan của một hệ thống hoặc quy trình (“tình huống”), hiểu
Nhận thức ý nghĩa và tầm quan trọng của những dữ liệu và hành vi này cũng
tình huống như cách thức các quá trình, hành động và các tình huống mới suy ra
từ những dữ liệu này và các quy trình có thể sẽ phát triển trong
tương lai gần để cho phép ra quyết định chính xác và hiệu quả hơn
NHÓM 15 7
Chương 2: Các vấn đề cần được giải quyết trong quản lý mạng và
dịch vụ
2.1 Các vấn đề quản lý mạng hiện tại
Hầu hết các hệ thống hỗ trợ kinh doanh hiện tại (BSS) và hệ thống hỗ trợ hoạt
động (OSS) được thiết kế theo kiểu ống dẫn bao gồm các hệ thống tốt nhất để thực
hiện các nhiệm vụ cụ thể . Ví dụ, thông thường có nhiều hệ thống kiểm kê, mỗi hệ
thống được thiết kế để hỗ trợ một tập hợp các thiết bị và hệ thống mạng cụ thể. Tuy
nhiên, điều này cản trở khả năng tương tác, vì mỗi hệ thống như vậy sử dụng chế độ
xem riêng của nó về môi trường được quản lý. Tất nhiên, điều này cản trở việc tổng
hợp thông tin từ các hệ thống khác nhau. Ví dụ về một OSS như vậy được thể hiện
trong Hình 2.1. Điều này tạo ra một số vấn đề, bao gồm những vấn đề sau:
• Hệ thống giống tốt nhất thể hiện khả năng ghép nối cao và tính liên kết thấp.
Điều này có nghĩa là một thành phần có thể phụ thuộc vào nhiều thành phần khác, vì
vậy khi nó được thay đổi, sự thay đổi đó sẽ tác động đến các thành phần khác.
• Không có cách nào dễ dàng để OSS này tương tác với BSS, cũng như với các
thực thể quản lý cấp thấp hơn (ví dụ: bộ điều khiển SDN hoặc bộ quản lý phần tử hoặc
bộ điều phối). Điều này biến OSS thành một đường ống cấp hệ thống.
• Việc thiếu dữ liệu thường được xác định sẽ cấm các thành phần khác nhau chia
sẻ và sử dụng lại dữ liệu chung, cả trong các thành phần của chính nó, mà còn giữa các
hệ thống khác (ví dụ: BSS).
Trong ba vấn đề này, vấn đề phổ biến và bất lợi nhất là thiếu một kiến trúc thông
tin thống nhất. Điều này gây ra một số vấn đề ngăn cản thông tin từ các nguồn khác
nhau được sử dụng cùng nhau để tạo thành một bức tranh toàn cảnh hơn về môi
trường. Ví dụ: giả sử rằng dữ liệu đề cập đến cùng một người có các tên khác nhau (ví
dụ: JohnS vs. Strassner.John vs. jstrassn). Mặc dù con người có thể đánh đồng những
điều này, nhưng máy móc làm như vậy là rất khó. Ví dụ khác, hãy xem xét cùng một
người, khi được đại diện trong ba hệ thống khác nhau, có ba dạng ID khác nhau (ví dụ:
ID của nhân viên 123456, EmpID của “SJ033ab” và ID là “123456”). Ba ID khác
nhau này có tên và kiểu dữ liệu khác nhau, khiến thiết bị gần như không thể nhận ra
rằng các ID này xác định cùng một đối tượng.
Có rất nhiều sự không tương thích về kỹ thuật. Ví dụ: không có thông tin hoặc mô
hình dữ liệu, chưa nói đến tiêu chuẩn, để giúp dịch các lệnh SNMP sang các lệnh giao
diện dòng lệnh hoặc các mô hình mới hơn, chẳng hạn như YANG. Điều này chủ yếu là
do cú pháp và ngữ nghĩa mỗi biến thể của ba cách tiếp cận này được sử dụng bởi mỗi
nhà cung cấp khác nhau. Ngoài ra, có hàng trăm phiên bản hệ điều hành của nhà cung
NHÓM 15 8
cấp. Đối với một số nhà cung cấp, hai thiết bị chạy cùng một phiên bản hệ điều hành,
nhưng có khả năng sử dụng các thẻ dòng khác nhau, có thể hiển thị các phản hồi khác
nhau cho cùng một lệnh. Lưu ý rằng có những điểm không tương thích khác, chẳng
hạn như giao thức và API. Những vấn đề này và những vấn đề tương tự có thể được
giải quyết, thứ nhất, sử dụng khái niệm Điểm tham chiếu và thứ hai, bằng cách thêm
ngữ nghĩa chính thức (ví dụ, bằng cách sử dụng lôgic chính thức hoặc bản thể học) vào
các mô hình.
Hình 2.1 OSS mô hình ống dẫn

2.2 Tìm hiểu nhu cầu của người dùng và nhà điều hành
Những điểm không tương thích về mặt kỹ thuật ở trên ngụ ý sự cần thiết phải có
một ngôn ngữ giống như Esperanto. Tuy nhiên, điều này giả định rằng tất cả người
dùng đều có cùng mục tiêu. Ví dụ: người dùng doanh nghiệp hiếm khi hiểu tất cả các
chi tiết kỹ thuật của một dịch vụ và tương tự, quản trị viên mạng hiếm khi hiểu các
khái niệm như Quản lý quan hệ khách hàng và lý do tại sao một khách hàng cụ thể nên
được đối xử theo một cách cụ thể. Ví dụ: một người dùng doanh nghiệp có thể nghĩ về
các tác động kinh tế của SLA, trong khi quản trị viên mạng có thể nghĩ về cách lập
trình các dịch vụ do SLA chỉ định. Tốt nhất, nên có các ngôn ngữ khác nhau có thể
NHÓM 15 9
được sử dụng bởi mỗi thành phần để thể hiện nhu cầu của họ bằng cách sử dụng các
khái niệm và thuật ngữ quen thuộc với họ.
Đây là ý tưởng đã thúc đẩy khái niệm Chính sách liên tục. Mô tả ban đầu của
Chính sách liên tục được thể hiện trong Hình 2.2. Mỗi một trong năm chế độ xem
được tối ưu hóa cho một kiểu người dùng khác nhau cần hoặc sử dụng thông tin hơi
khác nhau. Ví dụ: người dùng doanh nghiệp muốn thông tin SLA và không quan tâm
đến loại hàng đợi hoặc định tuyến sẽ được sử dụng trong việc triển khai dịch vụ.
Hình 2.2 Sự liên tục của chính sách

Ngược lại, quản trị viên mạng có thể muốn phát triển các lệnh CLI để lập trình
thiết bị và có thể cần phải có một biểu diễn chính sách hoàn toàn khác để phát triển các
lệnh CLI xếp hàng và định tuyến. Quan trọng hơn, hãy xem xét Thỏa thuận mức độ
dịch vụ xác định một số Mục tiêu mức độ dịch vụ. Điều này cần được chuyển thành
một biểu mẫu mà người quản trị mạng có thể sử dụng để lập trình. Đây là một nhiệm
vụ bị đánh giá thấp nghiêm trọng! Ví dụ: một khách hàng có thể đã mua một dịch vụ
áp dụng cho bất kỳ ứng dụng nào họ chạy. Mỗi ứng dụng có thể bao gồm nhiều dịch
vụ. Mỗi dịch vụ cần được lập trình theo nhu cầu riêng để tương tác tốt với các dịch vụ
khác, không chỉ của cùng khách hàng đó mà còn với các khách hàng khác của nhà
cung cấp dịch vụ. Do đó, chính sách kinh doanh đơn lẻ về việc chỉ định cho khách
hàng một dịch vụ cụ thể sẽ được chuyển thành một bộ chính sách ở cấp độ thấp hơn
của Chính sách liên tục; quá trình này sẽ tiếp tục cho đến khi dịch vụ có thể được khởi
tạo đúng cách.
Do đó, yêu cầu đặt ra là chính sách phải được coi là một chuỗi liên tục, trong đó
các chính sách khác nhau có các hình thức khác nhau và giải quyết nhu cầu của những
người dùng khác nhau. Tuy nhiên, trước đây người ta đã lưu ý rằng đây thực sự là một
NHÓM 15 10
đề xuất rất khó hiểu. Không chỉ các thuật ngữ kinh doanh không được chuyển thành
các lệnh mạng, mà bản thân mạng cũng rất không đồng nhất và sử dụng các dữ liệu và
lệnh khác nhau cho các thiết bị của nhà cung cấp khác nhau.
Cách tiếp cận đang được sử dụng trong cả dự án ETSI ENI và MEF Policy Driven
Orchestration (PDO) là tương tự nhau. Cả hai cách tiếp cận này đều sử dụng các mô
hình thông tin khởi đầu giống nhau (Mô hình cốt lõi của MEF và mô hình MEF PDO)
để thể hiện các loại chính sách khác nhau được sử dụng trong hệ thống. Chính sách
liên tục được sử dụng để xác định các khu vực bầu cử khác nhau có thể xây dựng
chính sách. PDO là một mô hình thông tin mới có thể xác định các loại chính sách
khác nhau (ví dụ: mệnh lệnh, tuyên bố và ý định), tạo điều kiện cho sự tương tác của
chúng. Lưu ý rằng chiến lược này là duy nhất trong MEF và ETSI; các cơ quan tiêu
chuẩn khác thường giải quyết các loại chính sách khác nhau theo cách tiếp cận một
lần.
2.3 Chuyển nhu cầu kinh doanh sang dịch vụ mạng
Các thỏa thuận kinh doanh nêu rõ các điều kiện cho các dịch vụ được cung cấp và
bất kỳ hình phạt và khuyến khích liên quan nào đối với việc sử dụng chúng. Một hoặc
nhiều thỏa thuận kinh doanh có thể được kết hợp tạo thành Thỏa thuận mức độ dịch vụ
(SLA). Mỗi SLA xác định tập hợp dịch vụ nào sẽ được cung cấp khi nào và ở đâu,
cùng với chi phí, hiệu suất và các chỉ số khác của nó (ví dụ: độ tin cậy và tính khả
dụng). SLA thường được viết bằng ngôn ngữ kinh doanh và thuật ngữ không thích hợp
để lập trình trực tiếp các mạng lưới. Thỏa thuận mức độ dịch vụ thường là một hợp
đồng kinh doanh nêu rõ hậu quả của việc không đạt được từng SLO trong SLA (ví dụ:
“Nếu 99% yêu cầu của hệ thống khách hàng không được hoàn thành trong 10 mili
giây, khách hàng sẽ nhận được tiền hoàn lại.”).
SLA có thể được viết cho bất kỳ dịch vụ nào và nhiều SLA có thể được sử dụng
để xác định các đặc điểm và hành vi của một dịch vụ duy nhất. Chi tiết về chất lượng
dịch vụ và hiệu suất được xác định bởi một hoặc nhiều Mục tiêu mức độ dịch vụ
(SLO) cho mỗi SLA dựa trên ngữ cảnh (ví dụ: thời gian khứ hồi tối đa 90 ms và 120
ms cho các gói trong nước và quốc tế). Bản thân các dịch vụ rất đa dạng. Các dịch vụ
thường được đặt hàng bằng cách sử dụng một sản phẩm.
Ngoài ra, một sản phẩm cũng có thể được tạo thành từ một hoặc nhiều SLA, trong
đó mỗi SLA được thiết kế để bao gồm một tập hợp tài nguyên hoặc dịch vụ cụ thể
được cung cấp bởi sản phẩm. Ví dụ: một sản phẩm có thể bao gồm hai mục hàng, một
mục hàng cho dịch vụ và một mục hàng riêng biệt cho thông tin về phạm vi và bảo
hành. Một ví dụ khác, một sản phẩm có thể được tạo thành từ một số thành phần, trong
đó các đặc tính và hành vi của mỗi thành phần được xác định bởi SLA riêng của nó (ví
dụ: điện thoại di động có thể được cung cấp bằng các thành phần khác nhau (ví dụ: mã
hoặc máy ảnh) mà mỗi thành phần có SLA giả định).
NHÓM 15 11
SLA có thể có một hoặc nhiều SLO. Một số SLO phụ thuộc vào ngữ cảnh (ví dụ:
vị trí địa lý, thời gian trong ngày và quốc gia so với quốc tế) và có thể bị ràng buộc bởi
các quy tắc kinh doanh của nhà cung cấp (ví dụ: tối đa hóa doanh thu cho một số loại
khách hàng, nhưng tối đa hóa bảo mật cho các đối tượng khác các tầng lớp khách
hàng). Bản thân SLO có thể được tạo thành từ các mức hiệu suất khác nhau và các chỉ
số liên quan. Ví dụ: ba câu lệnh sau có thể được coi là ba phần của cùng một SLO:
• 99,99% yêu cầu hệ thống của khách hàng sẽ hoàn thành trong vòng chưa đầy 15
mili giây.
• 99,9% yêu cầu hệ thống của khách hàng sẽ hoàn thành trong vòng chưa đầy 5
mili giây.
• 90% yêu cầu hệ thống của khách hàng sẽ hoàn thành trong vòng chưa đầy 1 ms.
Mỗi SLO có hai giá trị mức dịch vụ (SLV): phần trăm yêu cầu dịch vụ của khách
hàng (ví dụ: 99,99%, 99,9% và 90%) và thời gian hoàn thành (ví dụ: 15, 5 và 1 mili
giây ). Mỗi SLV có một số liệu tương ứng để cho phép đo lường. Do đó, mối quan hệ
chung giữa SLA, SLO của nó và các SLV liên quan là:
SLA có 1..n SLO và mỗi SLO có 1..n SLV; mỗi SLV được đo bằng một số liệu.
Nói chung, không có tiêu chuẩn nào để dịch các tài liệu kinh doanh, chưa nói đến
SLA và SLO, sang một dạng mà các kỹ sư mạng có thể sử dụng để lập trình các dịch
vụ. Tuy nhiên, hiểu ngôn ngữ kinh doanh này là chìa khóa vì nó xác định theo hợp
đồng dịch vụ là gì, trách nhiệm của nhà cung cấp và khách hàng là gì, cũng như các
đặc điểm và hành vi cụ thể của dịch vụ.
Có hai giải pháp rõ ràng cho tình huống khó xử này. Đầu tiên là điều mà hầu hết
các doanh nghiệp đang làm: nhờ một hoặc nhiều người dịch theo cách thủ công các tài
liệu kinh doanh sang dạng mà các kỹ sư mạng có thể sử dụng.Có 2 vấn đề với cách
tiếp cận này. Đầu tiên, nó là thủ công và do đó làm chậm quá trình thử nghiệm ngoại
tuyến và cung cấp dịch vụ. Loại bản dịch này cần được thực hiện cho từng bộ phận cấu
thành cần hiểu rõ thông tin hợp đồng, chính sách quản lý hoặc quy tắc kinh doanh của
tổ chức hoặc nói chung là bất kỳ điều gì có thể ảnh hưởng đến việc lập trình và quản lý
các dịch vụ được cung cấp.
Giải pháp rõ ràng thứ hai là giới thiệu trình phân tích cú pháp hoặc trình biên dịch
để giúp tự động hóa quy trình. Các vấn đề một lần nữa được nhân đôi. Đầu tiên, phân
tích cú pháp ngôn ngữ tự nhiên là một công việc rất phức tạp và đòi hỏi nhiều tính
toán. Thứ hai, không có tiêu chuẩn nào để xác định các thuật ngữ có thể xuất hiện
trong các tài liệu kinh doanh này cũng như ý nghĩa của chúng. Một giải pháp khả thi là
sử dụng cách tiếp cận kỹ thuật theo hướng mô hình để hạn chế ngôn ngữ tự nhiên.
Theo cách tiếp cận như vậy, một mô hình được sử dụng để chứa tất cả các thuật ngữ
chính được mong đợi sẽ xuất hiện trong một tài liệu. Sơ đồ khối chức năng cấp cao
NHÓM 15 12
được thể hiện trong Hình 2.3. Lưu ý rằng các bản dịch được thực hiện trên cơ sở liên
tục từng cặp.
Trong cách tiếp cận này, Từ điển dữ liệu dựa trên mô hình tạo thành nửa phía
trước của hệ thống suy luận, trong đó các mô hình xác định “sự kiện” và bản thể luận
tăng cường những sự kiện này với ngữ nghĩa chính thức được định nghĩa bằng cách sử
dụng hệ thống logic (ví dụ: một loại lôgic mô tả). Điều này cho phép các dữ kiện có
liên quan đến các đối tượng khác trong hệ thống; quan trọng hơn, nó cho phép hệ
thống lập luận về các sự kiện bằng cách sử dụng logic hình thức, đưa ra các giả thuyết,
và quan trọng nhất là chứng minh tính đúng đắn của giả thuyết về mặt toán học. (Lưu
ý rằng tiêu chuẩn UML không cung cấp ngữ nghĩa chính thức cho các mô hình của nó;
đó là lý do tại sao cách tiếp cận này kết hợp các mô hình và bản thể học để làm như
vậy.)
Hình 2.3 Sơ đồ khối chức năng của một trình dịch ngữ nghĩa trên mỗi mức liên
tục
Như ta thấy, đây là thành phần chính của biểu diễn tri thức được sử dụng trong
kiến trúc nhận thức tổng thể (xem Phần 3.1.3 để biết thêm thông tin).
Từ điển Dữ liệu dựa trên Mô hình cung cấp một trình biên dịch ngữ nghĩa, được
hiển thị trong Hình 2.3. Trong khi trình biên dịch sử dụng phân tích ngữ nghĩa để thu
thập thông tin không thể dễ dàng kiểm tra bằng cách phân tích cú pháp (ví dụ: kiểm tra
kiểu, đảm bảo rằng một biến được khai báo trước khi sử dụng và sử dụng sai các từ
dành riêng), hầu hết trình biên dịch không biên dịch dựa trên ý nghĩa của các từ và
cụm từ được nhận dạng . Đây là thành phần chính của phương pháp trên, vì cả từ khóa
và nghĩa vụ hợp đồng đều phải được công nhận. Đây cũng là lý do tại sao bản thể luận
được sử dụng ngoài các mô hình.
NHÓM 15 13
Việc sử dụng các bản thể luận cho phép các dữ kiện được xác định trong các mô
hình được tăng thêm ý nghĩa. Về mặt khái niệm, cả mô hình và bản thể luận đều có thể
được xem như đồ thị. Do đó, điều cần thiết là xây dựng các mối quan hệ ngữ nghĩa kết
nối một hoặc nhiều khái niệm bản thể học với một hoặc nhiều phần tử trong mô hình.
Điều này tạo thành một bản nhiều đồ thị. Logic nghiệp vụ trong Từ điển dữ liệu dựa
trên mô hình chịu trách nhiệm xây dựng, lưu trữ, tái sử dụng và bổ sung các đồ thị đa
dạng này. Ví dụ: một mô hình có thể xác định một khách hàng, khách hàng này có một
số thuộc tính và mối quan hệ được xác định trước. Đối tượng khách hàng, cùng với
mỗi thuộc tính của nó, chứa một nguồn ý nghĩa bổ sung tiềm năng có thể được tìm
kiếm bởi tập hợp các bản thể luận để tìm các khái niệm khác trong các bản thể luận có
liên quan đến đối tượng được mô hình hóa. Lưu ý rằng thông tin đó có thể xuất hiện và
biến mất động, vì bản thể luận sẽ truy vấn, sử dụng logic chính thức, cho dù sự kết hợp
thông tin từ các mô hình và bản thể luận hiện đang tồn tại. Ví dụ, ngữ cảnh có thể
được sử dụng để bật hoặc tắt tất cả hoặc một phần của tập hợp các đối tượng được mô
hình hóa để hiện diện thông qua, ví dụ, mẫu trang trí.
Trình biên dịch ngữ nghĩa phân tích cú pháp một tập hợp các thỏa thuận kinh
doanh nhất định (ví dụ: SLA hoặc quy tắc kinh doanh) và tự động xác định khách
hàng, dịch vụ và tập hợp các SLA và SLO mà tập hợp các thỏa thuận kinh doanh này
đề cập đến. Điều này được thực hiện bằng cách sử dụng nhận dạng thực thể được đặt
tên và các chức năng ngữ nghĩa khác (ví dụ: phân tích và viết lại mối quan hệ). Nhận
dạng thực thể được đặt tên là một nhiệm vụ phụ của xử lý ngôn ngữ tự nhiên. Nó cần
một câu hoặc một đoạn văn bản và phân tích cú pháp nó để xác định các thực thể thuộc
các danh mục được xác định trước. Các danh mục có thể bao gồm từ các phần đơn
giản của bài phát biểu (ví dụ: danh từ riêng) đến các khái niệm quan trọng chứa nhiều
mục từ cây phân tích cú pháp, chẳng hạn như SLV, SLO hoặc thậm chí SLA. Thông
tin này được gửi đến các nhà bản thể học, có thể sử dụng các mối quan hệ này để tìm
kiếm các ý nghĩa tương tự. Tính năng nhận dạng thực thể được đặt tên hoạt động cùng
với thông tin theo ngữ cảnh từ Từ điển dữ liệu dựa trên mô hình để xây dựng một tập
hợp các ý nghĩa thay thế (ví dụ: dựa trên ngữ cảnh) cho mỗi đồ thị (hoặc các đối tượng
có trong đa đồ thị).
Các ý nghĩa thay thế tương ứng với các nhãn hoặc thẻ thay thế. Dữ liệu ghi nhãn
có thể rất tốn kém. Một cách tiếp cận để giảm thiểu chi phí này là sử dụng học tập tích
cực, giúp giảm chi phí ghi nhãn bằng cách truy vấn chọn lọc thông tin có giá trị nhất từ
trình chú thích. Cách tiếp cận này tự động cung cấp thông tin có giá trị nhất qua đa đồ
thị. Trong khi các phương pháp tiếp cận học tập tích cực đa nhãn hiện có tập trung vào
việc chọn các cá thể đối tượng được truy vấn, thì phương pháp này sử dụng các phần
tử của đa đồ thị để xác định thông tin nào nên được truy vấn.
Ví dụ: một khách hàng có thể có các SLA khác nhau tùy thuộc vào ngữ cảnh (ví
dụ: làm việc so với giờ không làm việc hoặc loại giao thức truy cập được sử dụng).
NHÓM 15 14
Loại thông tin này là một ví dụ về thông tin theo ngữ cảnh và đóng vai trò như những
ràng buộc đối với (các) SLA và SLO liên quan của chúng. Những ràng buộc này sau
đó chọn thông tin nào nên được sử dụng cho phân tích hiện tại.
Tập hợp các đồ thị được tạo ra sau đó được phân tích để dịch thông tin quan trọng,
chẳng hạn như SLA, SLO và SLV. Mỗi thuật ngữ đã biết này có định nghĩa và mối
quan hệ riêng. Mỗi tài liệu kinh doanh sau đó được phân tích đệ quy để khám phá các
mối quan hệ mà mỗi điều khoản này có. Điều này cũng cho phép các thuật ngữ mới
được phát hiện bằng cách hình thành các giả thuyết dựa trên ý nghĩa của từng thuật
ngữ. Đây là nơi mà logic hình thức là cần thiết. Ví dụ, nếu gặp một từ không xác định,
thì giả thuyết có thể được hình thành về nghĩa của từ đó. Việc sử dụng các bản thể luận
để chọn nghĩa tốt nhất cho từ mới được xác định trong số một tập hợp các nghĩa thay
thế làm tăng tính chính xác và hiệu quả của phương pháp này. Do đó, mỗi tài liệu kinh
doanh được chuyển đổi thành một tài liệu có chứa các thuật ngữ được xác định rõ
ràng, do đó dễ dàng dịch sang các dạng khác của liên tục.
Điều này có thể được mở rộng hơn nữa bằng cách sử dụng các vai trò thay vì
người dùng, thiết bị hoặc đối tượng ứng dụng thực tế. Bằng cách đó, các hoạt động áp
dụng cho tất cả các đối tượng có vai trò cụ thể, chẳng hạn như xác thực, có thể được áp
dụng một cách thống nhất và nhất quán bằng cách sử dụng các chính sách.
2.4 Sự cần thiết phải kết hợp tính năng động
Kỹ thuật hướng mô hình (MDE) là một cách tiếp cận kỹ thuật phần mềm lấy mô
hình làm trung tâm để xây dựng các hệ thống phần mềm có thể được sửa đổi động
trong thời gian chạy. Nó coi các mô hình như những thành phần lạ loại nhất và thực
hiện thiết kế và phân tích các mô hình thay cho mã. Biến thể riêng biệt nhấn mạnh việc
sử dụng các mô hình nhiều hơn bằng cách tối đa hóa việc sử dụng các mẫu thiết kế
phần mềm. Mặc dù MDE đã được sử dụng trong nhiều lĩnh vực khác nhau (ví dụ: ô tô
và sản xuất) trong hơn hai thập kỷ, việc sử dụng nó trong viễn thông đã bị hạn chế.
FOCALE là một kiến trúc mạng tự trị, được đề xuất lần đầu tiên vào năm 2006 và
được hoàn thiện trong nhiều năm. FOCALE là viết tắt của Foundation, Observe,
Compare, Act, Learn, rEason, mô tả các vòng điều khiển mới của nó. Hướng mô hình
nghĩa là có thể tự động tạo mã để kết nối lại các thực thể được quản lý từ các mô hình
của nó, bằng cách sử dụng MDE. Nó được thể hiện trong Hình 2.4.
Mỗi khối chức năng trong Hình 2.4 được kết nối bằng cách sử dụng bus ngữ nghĩa
hỗ trợ các truy vấn đơn giản cũng như ngữ nghĩa. Bus ngữ nghĩa là một mạch ngắt tìm
kiếm và thông báo dựa trên nội dung phân bố theo hướng sự kiện; sự khác biệt giữa nó
và các bus dịch vụ doanh nghiệp tiêu chuẩn (ESB) là nó có thể được sử dụng để sắp
xếp nội dung (và do đó, định tuyến theo ý nghĩa của một thông báo), trong khi các
ESB tiêu chuẩn được giới hạn trong việc sắp xếp các thông điệp. Ngữ nghĩa và khả
năng làm sáng tỏ của nó tập trung vào việc sử dụng các bản thể luận bắt nguồn từ mô
NHÓM 15 15
hình thông tin DEN-ng. Thông báo được cấu trúc bằng cách sử dụng OWL, tạo điều
kiện thuận lợi cho việc kiểm tra tính nhất quán dựa trên bản thể học và chỉnh sửa ngữ
nghĩa. Nó cũng cho phép đặt các đăng ký dựa trên bất kỳ phần nào của cấu trúc tin
nhắn
Hình 2.4: Sơ đồ khối đơn giản của kiến trúc FOCALE

Trình quản lý tự động FOCALE sử dụng bus ngữ nghĩa để điều chỉnh hành vi. Nó
có thể hỗ trợ các loại thu thập và phân phối kiến thức khác nhau (ví dụ: đẩy, kéo và lập
lịch) và thực hiện xử lý chung (ví dụ: chú thích ngữ nghĩa, chỉnh sửa và lưu trữ) trước
khi nội dung được chuyển đến các thành phần. Điều này cho phép các thành phần đưa
vào thanh ghi theo cách chính xác hơn, do đó giảm chi phí nhắn tin.
Các vòng điều khiển FOCALE hoạt động như sau. Dữ liệu được tìm kiếm từ tài
nguyên được quản lý (ví dụ: bộ định tuyến) và được cung cấp cho quá trình dịch dựa
trên mô hình, quá trình này sẽ dịch dữ liệu của nhà cung cấp và thiết bị-cụ thể sang
dạng chuẩn hóa bằng cách sử dụng mô hình thông tin DEN-ng và các bản thể luận làm
dữ liệu tham chiếu. Điều này sau đó được phân tích để xác định trạng thái hiện tại của
thực thể được quản lý. Trạng thái hiện tại được so sánh với trạng thái mong muốn từ
các máy trạng thái hữu hạn (FSM) thích hợp. Nếu không có sự cố nào được phát hiện,
hệ thống tiếp tục sử dụng vòng lặp bảo trì; nếu không, vòng lặp cấu hình được sử dụng
để các dịch vụ và tài nguyên được cung cấp có thể thích ứng với những nhu cầu mới
này.
Các nút trong FSM FOCALE đại diện cho một trạng thái cấu hình; mỗi trạng thái
có một tập hợp liên kết của một hoặc nhiều hoạt động cấu hình xác định cấu hình của
một thực thể. Các cạnh thể hiện sự chuyển đổi trạng thái và cho phép thay đổi cấu hình
của tài nguyên được quản lý. Do đó, hành vi tĩnh được “lập trình” thành FOCALE
bằng cách thiết kế một tập hợp các FSM; hành vi động được xác định bằng cách thay
đổi một hoặc nhiều FSM. Quản lý chính sách theo ngữ cảnh điều chỉnh cả hai vòng
điều khiển tự trị. Điều này cho phép ngữ cảnh chọn bộ chính sách có thể áp dụng; các
NHÓM 15 16
chính sách được sử dụng để xác định chức năng được phép. Khi ngữ cảnh thay đổi,
chính sách thay đổi và chức năng hệ thống được điều chỉnh cho phù hợp
Trình quản lý tự trị sử dụng tập hợp các chính sách nhận biết ngữ cảnh hiện tại để
chi phối từng thành phần kiến trúc của vòng điều khiển, cho phép từng thành phần
vòng điều khiển khác nhau thay đổi cách nó hoạt động như một chức năng của ngữ
cảnh. FOCALE phát triển và sử dụng các thư viện gồm các mảnh mô hình và bản thể
luận và các hành vi được mã hóa, giống như một thư viện các hàm xử lý chuỗi được sử
dụng bởi một ngôn ngữ lập trình. Thư viện này có thể tái sử dụng bằng cách hiện thực
hóa nó dưới dạng các đối tượng, được hỗ trợ bởi cả mô hình và bản thể học. Các hành
vi của thư viện được liên kết với việc áp dụng các hành động chính sách, đến lượt nó
lại được lựa chọn theo ngữ cảnh cụ thể như đã mô tả trước đây.
Chìa khóa của FOCALE là trả lời câu hỏi: “Trạng thái hiện tại có bằng trạng thái
mong muốn không?” Ở đây, "bằng" khớp với bất kỳ trạng thái nào trong không gian
trạng thái được phân loại là đáp ứng các mục tiêu hệ thống. Điều này tương tự như leo
đồi, trong đó thay vì cố gắng khớp với điểm cao nhất của ngọn đồi, một dải ngang
được cắt ngang qua đồi và bất kỳ trạng thái nào rơi trong dải đó đều là một nút. Lưu ý
rằng điều này không ngăn thuật toán tối ưu hóa đến trạng thái tốt hơn, điều này xảy ra
trong các phiên bản FOCALE sau này.
Quá trình đối chiếu lại sử dụng tạo mã động. Mô hình thông tin và dữ liệu được sử
dụng để đưa vào các máy trạng thái mà lần lượt chỉ định hoạt động của từng thực thể
mà hệ thống tự trị đang quản lý. Thông tin quản lý mà hệ thống tự trị đang theo dõi
bao gồm dữ liệu cảm biến đã thu thập được. Điều này được phân tích để lấy ra trạng
thái hiện tại của tài nguyên được quản lý, cũng như để cảnh báo cho trình quản lý tự trị
về bất kỳ thay đổi thuộc tính nào trong hoặc liên quan đến tài nguyên được quản lý.
Trình quản lý tự trị sau đó so sánh trạng thái hiện tại của các thực thể đang được quản
lý với trạng thái mong muốn của chúng; nếu các trạng thái bằng nhau, thì việc giám sát
vẫn tiếp tục. Tuy nhiên, nếu các trạng thái không bằng nhau, trình quản lý tự trị sẽ tính
toán tập hợp các chuyển đổi trạng thái tối ưu cần thiết để thay đổi trạng thái của các
thực thể đang được quản lý sang trạng thái mong muốn tương ứng của chúng. Trong
quá trình này, hệ thống có thể gặp phải sự thay đổi ngoài kế hoạch trong thuộc tính (ví
dụ: nếu quy tắc chính sách đã thực thi tạo ra các tác dụng phụ không mong muốn). Do
đó, hệ thống sẽ kiểm tra, như một phần của cả vòng điều khiển giám sát và điều khiển
cấu hình, xem thuộc tính có thay đổi hay không. Nếu thuộc tính không thay đổi, quá
trình tiếp tục. Tuy nhiên, nếu thuộc tính đã thay đổi, thì trước tiên hệ thống sẽ điều
chỉnh tập hợp các chính sách đang được sử dụng để chi phối hệ thống theo bản chất
của các thay đổi thuộc tính, do đó cung cấp thông tin mới cho các máy trạng thái. Mục
tiêu của quá trình cấu hình lại được xác định bởi các máy trạng thái; do đó, các lệnh
cấu hình mới được xây dựng động từ các máy trạng thái này
NHÓM 15 17
2.5 Phản ứng theo ngữ cảnh

Mạng có thể chứa hàng trăm nghìn quy tắc chính sách thuộc nhiều loại khác nhau
(ví dụ: quy tắc chính sách kinh doanh cấp cao để xác định dịch vụ và tài nguyên được
cung cấp cho người dùng, quy tắc chính sách cấp thấp để kiểm soát cách cấu hình của
thiết bị được thay đổi). Một trong những mục đích của việc nhận biết ngữ cảnh của các
quy tắc chính sách này là sử dụng ngữ cảnh để chỉ chọn những quy tắc chính sách có
thể áp dụng cho nhiệm vụ quản lý hiện tại đang được thực hiện.
Bối cảnh của một thực thể là một tập hợp các kiến thức được đo lường và suy ra
mô tả trạng thái và hoàn cảnh mà một thực thể tồn tại hoặc đã tồn tại. Đặc biệt, định
nghĩa này nhấn mạnh đến hai loại kiến thức - sự kiện (có thể đo lường được) và dữ
liệu suy luận, là kết quả của quá trình học máy và lý luận được áp dụng cho ngữ cảnh
trong quá khứ và hiện tại. Nó cũng bao gồm lịch sử bối cảnh, để các quyết định hiện
tại dựa trên bối cảnh có thể được hưởng lợi từ các quyết định trong quá khứ, cũng như
quan sát xem hoàn cảnh đã thay đổi như thế nào.
Nhận thức về ngữ cảnh cho phép một hệ thống thu thập thông tin về chính nó và
hoàn cảnh của nó. Điều này cho phép hệ thống cung cấp các dịch vụ và tài nguyên
được cá nhân hóa và tùy chỉnh tương ứng với bối cảnh đó. Quan trọng hơn, nó cho
phép hệ thống điều chỉnh hành vi của mình theo những thay đổi trong ngữ cảnh.
Nhận thức về ngữ cảnh cho phép dữ liệu và thông tin đa dạng có thể dễ dàng
tương quan hơn và do đó, được tích hợp, vì ngữ cảnh hoạt động như một yếu tố phù
hợp nhất. Do đó, việc xác định thông tin theo ngữ cảnh là rất quan trọng để hiểu cả dữ
liệu và thông tin được nhập vào cũng như cách làm dữ liệu và thông tin, cũng như kiến
thức và trí tuệ hiện có, có thể bị ảnh hưởng.
Lịch sử theo ngữ cảnh của người dùng, ứng dụng của người dùng hoặc thiết bị
cũng như các tương tác trước đó của nó với hệ thống quản lý (bao gồm, ví dụ: trạng
thái phiên), có thể hữu ích cho việc đưa ra các quyết định chính sách liên quan đến
tương tác hiện tại và tương lai giữa ban quản lý hệ thống và đơn vị đó, bao gồm các
quyết định của hệ thống quản lý có ảnh hưởng đến đơn vị đó. Ví dụ, hành vi trong quá
khứ có thể được sử dụng để đi đến quyết định nhanh chóng hơn. Ngoài ra, thông tin
lịch sử có thể được sử dụng để ngụy tạo những điều bất thường cần hành động thêm để
giải quyết.
NHÓM 15 18
Hình 2.5: Lập luận dựa trên ngữ cảnh

Hình 2.5 cho thấy các thao tác chính cần thiết để lập luận dựa trên ngữ cảnh.
Bối cảnh có thể được mô hình hóa dưới dạng Dữ liệu lớn, vì yếu tố quan trọng là
trích xuất giá trị từ Dữ liệu lớn. Ba hoạt động trên Dữ liệu lớn mô tả một tập hợp các
hoạt động ngày càng cụ thể có thể được sử dụng để chú thích thông tin về mặt ngữ
nghĩa.
“Feature” được định nghĩa là một đặc điểm hoặc hành vi quan trọng giúp mô tả và
hỗ trợ hiểu biết về một thực thể. Ví dụ, các cạnh và góc là các điểm cần quan tâm
trong một hình ảnh. Giảm số lượng tính năng rất quan trọng trong phân tích và lập
luận, vì nếu có quá nhiều tính năng, nó có thể gây ra tình trạng quá tải trong đào tạo.
Phân tích ngữ nghĩa phân tích thông tin cho các khái niệm ngữ nghĩa cụ thể, tìm
kiếm các khái niệm đó, sau đó thêm các mối quan hệ ngữ nghĩa bổ sung để làm phong
phú thông tin và cung cấp thêm ý nghĩa cụ thể. Từ góc độ ngôn ngữ, điều này phân
tích văn bản và liên kết các tập hợp cấu trúc cú pháp có liên quan với nhau. Điều này
có thể được biểu diễn dưới dạng đồ thị hoặc mạng lưới các từ, cụm từ có liên quan và
các thành phần khác của câu. Từ góc độ học máy, tính toán các số liệu như sự tương
đồng về ngữ nghĩa (nghĩa là ý nghĩa của một đối tượng so với ý nghĩa của các đối
tượng khác, trong đó việc so sánh được thực hiện bằng cách sử dụng từ đồng nghĩa,
trái nghĩa, từ trái nghĩa, siêu đồng nghĩa và các loại quan hệ khác). Đây là một cách
tiếp cận thực tế và dễ tính toán hơn so với “sự hiểu biết tuyệt đối”, vì cách tiếp cận này
đòi hỏi một mô hình nhiều sự nghiêm ngặt, hoàn chỉnh.
2.6 Kết hợp Nhận thức Tình huống
Như đã giải thích trước đây, ngữ cảnh nắm bắt các dữ liệu và thông tin bên ngoài
được hệ thống quản lý nhập vào. Nhận thức về tình huống sử dụng thông tin theo ngữ
cảnh để xác định tình huống đang ảnh hưởng như thế nào đến các mục tiêu của hệ
thống.
Trong bài báo này, định nghĩa về nhận thức tình huống là:
Nhận thức về dữ liệu và hành vi liên quan đến các hoàn cảnh and/or điều kiện liên
quan của một hệ thống hoặc quy trình (“tình huống”), sự hiểu biết về ý nghĩa và tầm
NHÓM 15 19
quan trọng của những dữ liệu và hành vi này, cũng như cách thức các quá trình, hành
động và các tình huống mới suy ra từ những dữ liệu này và các quy trình có thể sẽ phát
triển trong tương lai gần để cho phép ra quyết định chính xác và hiệu quả hơn.
Nhận thức về tình huống cho phép hệ thống hiểu điều gì vừa xảy ra, điều gì có khả
năng xảy ra và cả hai điều này có thể ảnh hưởng như thế nào đến các mục tiêu mà hệ
thống đang cố gắng đạt được. Điều này ngụ ý khả năng hiểu được tình hình hiện tại
diễn biến như thế nào và tại sao. Tóm lại, phân tích tình huống bao gồm việc hiểu
được ý nghĩa và mức độ quan trọng của dữ liệu và cách xử lý cũng như cách các quy
trình, hành động và tình huống mới suy ra từ những dữ liệu và quy trình này có khả
năng phát triển trong tương lai gần đối với các mục tiêu hệ thống hiện tại. Đây là bản
chất của nhận thức và là khối chức năng chi phối hoạt động của cấu trúc nhận thức.
2.7 Tóm tắt các giải pháp vấn đề được đề xuất
Bảng 2.1 cung cấp tóm tắt về các vấn đề trên và các giải pháp được khuyến nghị
của chúng.
Bảng 2.1 Tóm tắt giải pháp vấn đề

Vấn đề Giải pháp
Sử dụng thiết kế khối chức năng và các điểm tham chiếu để khuyến
Giải quyết các khích khớp nối thấp và tính liên kết cao. Lấy ra nhiều mô hình dữ
vấn đề hệ thống liệu miền cụ thể từ một mô hình thông tin duy nhất. Thêm ngữ
kế thừa nghĩa, dưới dạng logic and/or bản thể luận, vào dữ liệu được mô
hình hóa
Phát triển một từ điển dữ liệu nhất quán từ một tập hợp các mô
hình dữ liệu và các bản thể luận liên quan để đại diện cho các
Tìm hiểu nhu
khái niệm được sử dụng bởi các khách hàng khác nhau.
cầu của các
Sử dụng Chính sách liên tục để chia sẻ các chính sách được ủy
khách hàng khác
quyền bởi một khách hàng với các khách hàng khác để cho phép
nhau
nhu cầu kinh doanh được chuyển đổi thành một hình thức mà tất
cả các khách hàng khác có thể hiểu được
Xây dựng trình phân tích cú pháp hoặc trình biên dịch có thể dịch
các tài liệu nghề nghiệp, chẳng hạn như SLA và SLO, sang một
Biến đổi nhu
dạng mà những người không phải nghề nghiệp này có thể hiểu
cầu nghề nghiệp
được. Liên kết các hình thức đó với các chính sách. Sử dụng các
vai trò thay vì các đối tượng riêng lẻ để có thể mở rộng hơn
Kết hợp tính Áp dụng các nguyên tắc MDE để cho phép các đối tượng được
năng động thay đổi động trong thời gian chạy bằng cách sử dụng một tập
NHÓM 15 20
hợp các mẫu phần mềm tiêu chuẩn. Sử dụng một hoặc nhiều máy
tốt nhất, được điền bởi MDE, để đảm bảo rằng trạng thái hiện tại
của thực thể đang được quản lý là có thể chấp nhận được (hoặc
nếu không, hãy lập kế hoạch một loạt các thay đổi trạng thái để
đưa trạng thái đó sang trạng thái có thể chấp nhận được)
Sử dụng nhận thức ngữ cảnh để chính thức hóa trạng thái và môi
trường mà một đối tượng tồn tại. Điều này rất quan trọng để cho
Kết hợp nhận phép việc quản lý của thực thể đó, cùng với các dịch vụ mà đơn vị
thức theo ngữ đó nhận được and/or cung cấp, được điều chỉnh do những thay đổi
cảnh về nhu cầu của người dùng, quy tắc nghề nghiệp và điều kiện môi
trường. Bối cảnh phải được kết hợp vào biểu diễn kiến thức được sử
dụng bởi hệ thống
Sử dụng nhận thức tình huống để đánh giá khả năng đạt được các
mục tiêu của hệ thống, hiện tại và trong tương lai. Điều này được
thực hiện bằng cách phân tích dữ liệu theo ngữ cảnh, cùng với
các thông tin khác có thể áp dụng (ví dụ: quy tắc kinh doanh, dữ
liệu lịch sử, mục tiêu hệ thống và giả thuyết hiện tại), để chiếu
Kết hợp nhận trạng thái hiện tại và tương lai của hệ thống đang được quản lý
thức tình huống vào một không gian trạng thái mà phân loại nêu ra là đáp ứng,
vượt quá hoặc vi phạm các mục tiêu hệ thống. Nó chịu trách
nhiệm dự đoán các mối đe dọa để đạt được mục tiêu cũng như
mô tả cách bản thân hệ thống, cũng như các mối đe dọa, có khả
năng sẽ phát triển như thế nào. Nhận thức về tình huống cần được
đưa vào biểu diễn kiến thức được sử dụng bởi hệ thống
NHÓM 15 21
Chương 3: Nguyên tắc và kiến trúc nhận thức

3.1 Nguyên tắc nhận thức
Chương này mô tả một tập hợp các nguyên tắc chính để thiết kế và hiểu các kiến
trúc nhận thức.
3.1.1 Nhận thức
Nhận thức là quá trình thu nhận dữ liệu và thông tin mới, phân tích những dữ liệu
và thông tin đó để hiểu được ý nghĩa và tầm quan trọng của chúng, đồng thời tạo ra dữ
liệu, thông tin và kiến thức mới bổ sung cho sự hiểu biết về hoạt động của hệ thống và
môi trường của nó.
Hình 3.1: Phiên bản đơn giản hóa của vòng điều khiển FOCALE
Nhận thức máy móc là một tập hợp các quá trình bắt chước cách bộ não con người
thu nhận và hiểu dữ liệu và thông tin cũng như tạo ra dữ liệu, thông tin và kiến thức
mới. Máy móc thực hiện quá trình này bằng cách sử dụng nhiều loại vòng điều khiển
khép kín khác nhau. Vòng kiểm soát kín nhận thức là vòng kiểm soát chọn lọc dữ liệu
và hành vi để theo dõi có thể giúp đánh giá trạng thái đạt được một bộ mục tiêu và tạo
ra dữ liệu, thông tin và kiến thức mới để tạo điều kiện thuận lợi cho việc đạt được các
mục tiêu đó. Vòng điều khiển Observe-Orient-Decide-Act (OODA), được tăng cường
với khả năng học tập và suy luận, đã được khuyến nghị làm cơ sở để xây dựng các
vòng điều khiển nhận thức. Tài liệu tham khảo xác định một vòng điều khiển nhận
thức được xây dựng dựa trên điều này và bổ sung quản lý chính sách được trình bày
trong Hình 3.1. Trong cách tiếp cận này, hai chức năng mới, được gọi là “plan” và
“learn”, được đưa vào khung OODA cơ bản. Trong khi vòng lặp dường như là tuần tự,
điều này chỉ đơn thuần là để thuận tiện cho việc biểu diễn. Việc quan sát, định hướng,
NHÓM 15 22
quyết định và hành động diễn ra liên tục. Bước định hướng rất quan trọng, vì nó xác
định cách thực hiện các quan sát, quyết định và hành động. Như Boyd đã quan sát, mọi
người hành động theo cách họ nhận thức thế giới, trái ngược với cách thế giới thực sự
là như thế nào. Điều này cũng áp dụng cho máy móc.
Khối chức năng Quan sát chấp nhận đầu vào từ hệ thống đang được quản lý; điều
này được thể hiện bằng dữ liệu hoạt động, quản trị và quản lý. Những dữ liệu này cũng
được gửi đến Trình quản lý ngữ cảnh, trình quản lý ngữ cảnh sẽ diễn giải những dữ
liệu này theo các mục tiêu kinh doanh hiện tại. Kết quả được chuyển đến Trình quản lý
chính sách, sau đó sẽ đưa ra các chính sách chi phối hoạt động của tất cả sáu khối chức
năng của vòng điều khiển FOCALE (được hiển thị trong hình chữ nhật màu vàng).
Khối chức năng Định hướng lấy dữ liệu đầu vào đã nhập và chuẩn hóa chúng bằng
cách sử dụng một tập hợp các mô hình và bản thể học. Về mặt khái niệm, các mô hình
cung cấp các dữ kiện và các bản thể luận bổ sung thêm ý nghĩa cho các dữ kiện đó.
Chức năng này rất quan trọng, vì nó cho phép tổng hợp dữ liệu và thông tin từ nhiều
nguồn khác nhau để có được bức tranh toàn cảnh hơn về tình hình.
Phần Kế hoạch cung cấp quá trình xử lý phản ứng, cân nhắc và phản xạ đồng thời
mô phỏng cách bộ não con người xử lý thông tin để nhận thức, lĩnh hội và dự đoán
hành vi của Dịch vụ sẽ phát triển như thế nào so với (các) SLO của nó. Các quá trình
phản ứng thực hiện các phản ứng ngay lập tức dựa trên việc tiếp nhận một kích thích
bên ngoài thích hợp. Các quá trình như vậy không có ý nghĩa gì đối với các sự kiện
bên ngoài “có nghĩa là gì”; thay vào đó, chúng chỉ đơn giản đáp lại bằng một số phản
ứng kết hợp giữa bản năng và học được. Điều này cho phép hệ thống nhận thức nhận
ra một tình huống đã gặp trước đó. Khi điều này được thực hiện, hệ thống có thể bỏ
qua nhiều phần tính toán chuyên sâu của vòng điều khiển và thay vào đó đi theo "các
phím tắt" qua vòng điều khiển thẳng đến chức năng đưa ra các hành động để thay đổi
trạng thái hiện tại thành trạng thái mong muốn. Các quy trình cố ý nhận dữ liệu từ và
có thể gửi "lệnh" đến các quy trình phản ứng; tuy nhiên, chúng không tương tác trực
tiếp với thế giới bên ngoài. Quá trình này giải quyết các mục tiêu phức tạp hơn bằng
cách sử dụng bộ nhớ để tạo và thực hiện các kế hoạch phức tạp hơn. Kiến thức này
được tích lũy và khái quát hóa. Cuối cùng, các quá trình từ chối giám sát sự tương tác
giữa các quá trình phản ứng và cân nhắc. Các quy trình này định dạng lại và điều chỉnh
lại cách giải thích tình huống theo cách có thể dẫn đến các chiến lược sáng tạo và hiệu
quả hơn. Nó xem xét những dự đoán nào trở nên sai, cùng với những trở ngại và khó
khăn nào đã gặp phải, để ngăn hiệu suất dưới mức tối ưu tái diễn. Nó cũng bao gồm
việc tự đánh giá lại bản thân, phân tích mức độ hiệu quả của các hành động đã được
thực hiện để giải quyết vấn đề hiện tại.
Mô hình nhận thức được tạo dựa trên ba kiểu xử lý này, tạo ra một hoặc nhiều
đường dẫn. Một số đường dẫn này có thể là phím tắt, bỏ qua một hoặc nhiều chức
NHÓM 15 23
năng khi đầu vào được nhận dạng và đầu ra được biết hoặc có xác suất xuất hiện đủ
cao. Trong FOCALE, điều này được thực hiện bởi một tập hợp một hoặc nhiều máy
trạng thái, trong đó mỗi trạng thái tương ứng với một dịch vụ and / or cấu hình mạng
cụ thể. Siêu dữ liệu được thêm vào các trạng thái thích hợp để bao gồm thông tin tình
huống chính.
Phần Hành động quyết định con đường phù hợp nhất để bảo vệ các mục tiêu kinh
doanh trong tình hình hiện tại. Sau đó, nó sử dụng các cơ chế MDE để dịch tập hợp
các nút đã chọn trong máy trạng thái thành một loạt lệnh để điều chỉnh lại các tài
nguyên và dịch vụ bị ảnh hưởng, cũng như giám sát thông tin tài nguyên và dịch vụ
thích hợp.
Phần Tìm hiểu / Lý do sử dụng nhận thức về ngữ cảnh và tình huống để hiểu dữ
liệu và hành vi mới, so sánh các đầu vào mới đó với mục tiêu hiện tại, sau đó hình
thành các hành động để bảo vệ và đạt được các mục tiêu đó, đồng thời học hỏi từ hậu
quả của các hành động của nó. Nó kiểm tra sự thành công hay thất bại của việc tổng
hợp các nguồn lực và dịch vụ để có thể liên kết hiệu quả của từng trạng thái với hệ
thống thực tế đang được quản lý.
3.1.2 Vòng lặp kiểm soát nhận thức và thích ứng
Quản lý nhận thức liên quan từng khối chức năng khác của hệ thống với tập hợp
các mục tiêu đầu cuối mà hệ thống đang sử dụng tại một thời điểm cụ thể. Nó cố gắng
duy trì một tập hợp các mục tiêu end-to-end (chẳng hạn như tối ưu hóa định tuyến, kết
nối, hiệu quả, bảo mật và quản lý tin cậy) bằng cách sửa đổi các chỉ thị của các khối
chức năng khác. Điều này điều chỉnh kiến trúc FOCALE, được hiển thị trong Hình
2.4, như sau.
Hình 3.2: Một tập hợp các vòng điều khiển thích ứng và nhận thức
Vòng điều khiển hiển thị trong Hình 3.2 được gọi là vòng điều khiển kín thích
ứng, vì chức năng điều khiển của nó thích ứng với đối tượng hoặc quá trình đang được
điều khiển bằng cách sử dụng tham số không xác định and/or thay đổi theo thời gian.
Các tham số này hoàn thiện cả bối cảnh và tình huống đang thay đổi. Việc triển khai
NHÓM 15 24
ưu tiên xác định các tham số bằng cách sử dụng một mô hình xác định hiệu suất vòng
kín mong muốn; điều này có thể được tăng cường với phân tích thống kê để xây dựng
một mô hình toán học từ dữ liệu đo được. Vòng điều khiển thể hiện trong Hình 3.2 còn
được gọi là vòng điều khiển kín nhận thức, vì nó có thể chọn dữ liệu và hành vi để
giám sát có thể giúp đánh giá trạng thái đạt được một bộ mục tiêu và tạo ra dữ liệu,
thông tin và kiến thức mới để tạo điều kiện cho đạt được các mục tiêu đó.
3.1.3 Biểu diễn tri thức
Có rất nhiều ví dụ về các hình thức biểu diễn tri thức, có mức độ phức tạp khác
nhau, từ mô hình và bản thể luận đến mạng ngữ nghĩa và hệ thống con suy luận tự
động. Về cơ bản, biểu diễn tri thức là biểu hiện cho phép các niềm tin, ý định và đánh
giá của một thực thể phần mềm được thể hiện một cách phù hợp để lập luận tự động.
Điều này cũng bao gồm việc lập mô hình hành vi thông minh cho một thực thể phần
mềm. Nói một cách khác, biểu diễn tri thức mô tả cách tri thức được định nghĩa và vận
dụng trong trí thông minh nhân tạo. Quan trọng nhất, biểu diễn tri thức không giả định
rằng dữ liệu là tĩnh! Thay vào đó, dữ liệu luôn có thể được sửa đổi hoặc tăng cường
nếu có bằng chứng đầy đủ để làm như vậy.
Có một số loại kiến thức khác nhau. Kiến thức về thủ tục mô tả cách thực hiện
một nhiệm vụ hoặc hoạt động và bao gồm các quy tắc, chiến lược và thủ tục. Kiến
thức khai báo bao gồm các khái niệm, sự kiện và đối tượng và được diễn đạt bằng một
hoặc nhiều câu khai báo. Điều này tương tự với kiến thức lôgic, nó diễn đạt các khái
niệm, sự kiện và đối tượng theo một lôgic hình thức. Kiến thức cấu trúc mô tả thành
phần và mối quan hệ giữa các khái niệm và đối tượng. Nhìn chung, tất cả các dạng
kiến thức đều có thể được sử dụng để tạo thành một biểu diễn tri thức cho một hệ
thống.
Biểu diễn lôgic là một ngôn ngữ hình thức có thể xác định các tiên đề, lý thuyết,
giả thuyết và mệnh đề mà không có bất kỳ sự mơ hồ nào trong cách biểu diễn của
chúng. Nó sử dụng cú pháp và ngữ nghĩa được xác định chính xác hỗ trợ các kiểu suy
luận và lập luận khác nhau. Ưu điểm chính của nó là nó tạo điều kiện thuận lợi cho các
giả thuyết chứng minh về mặt toán học và có thể sử dụng tính năng tham khảo để xác
định các đối tượng mới khỏi các đối tượng hiện có của nó. Nhược điểm chính của nó
là nhiều người dùng không thành thạo trong việc sử dụng logic hình thức.
FOCALE cũng đã sử dụng một mạng ngữ nghĩa, là một loại biểu đồ tri thức. Các
nút đại diện cho các đối tượng và khái niệm, và các cạnh mô tả mối quan hệ giữa các
đối tượng đó. Các phiên bản sau của FOCALE đã sử dụng các mối quan hệ ngôn ngữ
(ví dụ: từ đồng nghĩa, từ trái nghĩa, từ đồng nghĩa, v.v.) ngoài các mối quan hệ IS-A và
HAS-A điển hình. Ưu điểm chính của nó là sự thể hiện kiến thức một cách tự nhiên và
dễ hiểu. Nhược điểm chính của nó là có thể khó biểu thị các kiểu quan hệ khác nhau.
NHÓM 15 25
3.1.4 Bộ nhớ
Hệ thống nhận thức có nhiều loại bản ghi khác nhau và sử dụng chúng theo cách
tương tự như con người. Các loại bản ghi chính được sử dụng trong hệ thống kỹ thuật
số có thể được phân loại là bộ nhớ ngắn hạn, bộ nhớ làm việc và bộ nhớ dài hạn.
Bộ nhớ ngắn hạn là khả năng lưu trữ, nhưng không thao tác, một lượng nhỏ thông
tin trong một kho lưu trữ sẵn có, đang hoạt động trong một khoảng thời gian ngắn.
Bộ nhớ làm việc là việc lưu giữ và thao tác một lượng nhỏ thông tin ở dạng dễ tiếp
cận. Nó tạo điều kiện thuận lợi cho việc lập kế hoạch, hiểu, lập luận và giải quyết vấn
đề. Do đó, thông tin được lưu trữ trong bộ nhớ ngắn hạn và được xử lý trong bộ nhớ
làm việc.
Bộ nhớ dài hạn là một kho lưu trữ, nhưng không thao tác dữ liệu và thông tin
trong thời gian cần thiết.
Hệ thống nhận thức thường sử dụng các kho lưu trữ hoạt động. Kho lưu trữ hoạt
động là một cơ chế lưu trữ có khả năng xử lý thông tin trước and/or sau xử lý được lưu
trữ hoặc truy xuất để đáp ứng tốt hơn nhu cầu của người yêu cầu.
3.2 Kiến trúc nhận thức
Kiến trúc nhận thức là một hệ thống học hỏi, lập luận và đưa ra quyết định theo
cách tương tự như cách thức của bộ óc con người. Nói một cách cụ thể, việc học, lập
luận và ra quyết định được thực hiện bằng cách sử dụng phần mềm đưa ra các giả
thuyết và chứng minh hoặc bác bỏ chúng bằng cách sử dụng các cơ chế không bắt
buộc thường liên quan đến việc xây dựng kiến thức mới một cách năng động trong quá
trình ra quyết định.
3.2.1 Tổng quan
Hệ thống nhận thức là hệ thống có thể suy luận về những hành động cần thực
hiện, ngay cả khi một tình huống mà nó gặp phải không được dự đoán trước. Nó có thể
học hỏi kinh nghiệm của mình để tự cải thiện hiệu suất. Nó cũng có thể kiểm tra các
khả năng của chính nó và ưu tiên sử dụng các dịch vụ và tài nguyên của nó nếu cần,
giải thích những gì nó đã làm và chấp nhận các lệnh bên ngoài để thực hiện các hành
động cần thiết. Cơ bản của nhận thức là khả năng hiểu được mức độ liên quan của dữ
liệu quan sát. Điều này thường được thực hiện bằng cách phân loại dữ liệu thành các
đại diện được xác định trước để hiểu và phù hợp với tình hình hiện tại. Trí nhớ được
sử dụng để tăng khả năng hiểu tình huống. Cuối cùng, các hành động được đánh giá
bằng mức độ hiệu quả mà chúng thực hiện để hỗ trợ tình hình.
Bảng 2.1 trong chương 2 đã liệt kê các chức năng chính cần được kết hợp để giải
quyết các vấn đề về chi phí thuê trong quản lý mạng và dịch vụ. Điều này dẫn đến sơ
đồ khối chức năng được đơn giản hóa bên dưới.
NHÓM 15 26
Kiến trúc nhận thức được thể hiện trong Hình 3.3 được chia thành ba phần: Nhà
môi giới API, Phần xử lý đầu vào, đầu ra và Phần chức năng xử lý nhận thức. Có hai
vòng điều khiển khác nhau. Vòng ngoài lấy dữ liệu từ hệ thống được quản lý, phân
tích nó và thay đổi hành vi của hệ thống được quản lý khi cần thiết để duy trì các mục
tiêu của hệ thống. Vòng lặp bên trong tối ưu hóa trạng thái của hệ thống đang được
quản lý và do đó, các dịch vụ được sẽ được cung cấp tại bất kỳ thời điểm nào.
Hình 3.3 Sơ đồ khối chức năng được đơn giản hóa của một kiến trúc nhận thức
3.2.2 Nhà môi giới API
Việc sử dụng Nhà môi giới API sẽ có 3 lợi thế sau :
 Việc sử dụng Nhà môi giới API cho phép sự phát triển liên tục của kiến trúc
nhận thức để tiến hành độc lập với bất kỳ yêu cầu cụ thể nào của việc tương tác với
các thực thể bên ngoài.
 Việc sử dụng Nhà môi giới API cung cấp giải pháp có thể mở rộng và dễ mở
rộng hơn, vì nó tạo điều kiện thuận lợi cho việc sử dụng các công nghệ chung (ví dụ:
RESTful) cũng như các trình cắm thêm tùy chỉnh để đáp ứng nhu cầu giao tiếp với các
thực thể bên ngoài khác nhau.
 Việc sử dụng Nhà môi giới API cho phép sử dụng các giải pháp nâng cao,
chẳng hạn như thành phần API, được sử dụng.
Nhà môi giới API có hai chức năng chính. Đầu tiên là phục vụ như một cổng API
(tức là một thực thể có thể dịch giữa các API khác nhau). Thứ hai là cung cấp quản lý
NHÓM 15 27
API. Quản lý API bao gồm xác thực, ủy quyền, kế toán, kiểm toán và chức năng liên
quan.
Các chức năng của API Gateway bao gồm:
 Chấp nhận các API đến được truyền qua một điểm tham chiếu bên ngoài thích
hợp và định tuyến chúng đến các khối chức năng thích hợp của kiến trúc nhận thức
 Chấp nhận các API gửi đi được truyền qua một điểm tham chiếu bên ngoài
thích hợp và định tuyến chúng đến thực thể bên ngoài thích hợp
 Chuyển đổi các giao thức được sử dụng bởi các thực thể bên ngoài thành các
giao thức được sử dụng bởi kiến trúc nhận thức và ngược lại
 Quản lý các phiên bản khác nhau của cùng một API
Điểm tham chiếu bên ngoài Eapi-sysin chấp nhận các yêu cầu API từ các thực thể
bên ngoài và thực thi chúng.
Điểm tham chiếu bên ngoài Eapi-sysout chấp nhận các yêu cầu API từ kiến trúc
nhận thức và gửi chúng.
3.2.3 Xử lý đầu vào và đầu ra
Kiến trúc nhận thức phải được chuẩn bị để chấp nhận nhiều loại dữ liệu đầu vào
sử dụng các ngôn ngữ khác nhau. Điều này đòi hỏi phải chuyển đổi các dữ liệu đầu
vào này thành một dạng chung duy nhất để xử lý đồng nhất và hiệu quả hơn. Nếu
không, mỗi khối chức năng của kiến trúc nhận thức sẽ phải hiểu từng loại đầu vào cú
pháp và ngữ nghĩa của nó. Tương tự, định dạng duy nhất bên trong của kiến trúc nhận
thức sau đó phải được chuyển đổi thành một dạng mà các thực thể bên ngoài có thể sử
dụng.
Trong hai quá trình này, một tập hợp các tác vụ chung được thực hiện trên tất cả
dữ liệu đã nhập trước khi những dữ liệu đó đạt đến chức năng xử lý nhận thức. Tương
tự, một tập hợp các nhiệm vụ chung được thực hiện khi các lệnh đầu ra và thông tin
được gửi từ Chức năng Xử lý Nhận thức đến bất kỳ thực thể bên ngoài nào. Đây là
động lực để có các chức năng xử lý đầu vào và xử lý đầu ra.
Nói chung, xử lý đầu vào có thể bao gồm học tập và tham khảo từ dữ liệu thô có
sẵn của một hoặc nhiều miền; khi những dữ liệu này được phân tích, quá trình xử lý sẽ
quyết định xem kiến thức nào được chuyển tiếp đến các khối chức năng khác. Trong
một số trường hợp nhất định, quá trình xử lý có thể lưu ở dạng thô của dữ liệu đã nhập
để sử dụng thêm. Ví dụ, nhiều kiểu xử lý xu hướng yêu cầu quyền truy cập vào dữ liệu
thô. Trong hầu hết các trường hợp, hàm xử lý có thể lưu dạng dữ liệu đã xử lý; điều
này vừa nhanh hơn vừa hiệu quả hơn. Việc lựa chọn lưu ở dạng thô hay đã xử lý của
dữ liệu đã nhập phụ thuộc vào ngữ cảnh hiện tại and/or các tình huống hiện tại và dự
đoán.
NHÓM 15 28
Quá trình xử lý có thể bao gồm các hàm tổng hợp và tương quan cũng như học
máy. Trong trường hợp như vậy, dữ liệu kết quả hoặc dữ liệu không chuẩn hóa cũng
có thể chứa kiến thức về một miền cụ thể hoặc nhiều miền. Quá trình xử lý đầu vào có
thể bao gồm những việc sau:
 Lọc dữ liệu là việc loại bỏ thông tin không cần thiết hoặc không mong muốn.
Điều này được thực hiện để đơn giản hóa và có thể tăng tốc độ phân tích đang được
thực hiện và tương tự như loại bỏ nhiễu trong tín hiệu. Việc lọc yêu cầu xác định các
quy tắc and/or logic nghiệp vụ để xác định dữ liệu sẽ được đưa vào phân tích. Các ví
dụ bao gồm loại bỏ ngoại lệ, chỉnh sửa chuỗi thời gian, tổng hợp (ví dụ: xây dựng một
luồng dữ liệu từ các phần của các luồng dữ liệu khác, chẳng hạn như hợp nhất tên, địa
chỉ IP và dữ liệu ứng dụng), xác thực và loại bỏ trùng lặp.
 Tương quan dữ liệu thể hiện một tập hợp dữ liệu về mối quan hệ của nó với các
tập dữ liệu khác. Ví dụ: số lượng bán thêm cho một loại dịch vụ cao hơn có thể tăng do
quảng cáo được nhắm mục tiêu, có thể tăng nhiều hơn khi cung cấp các bản dùng thử
miễn phí có giới hạn thời gian. Những dữ liệu này thường được thu thập bằng các cơ
chế khác nhau và do đó, bị phân tán giữa các điểm thu thập khác nhau. Tương quan dữ
liệu có thể sử dụng các quy tắc and/or logic nghiệp vụ để thu thập dữ liệu phân tán và
kết hợp nó để cải thiện phân tích. Tương quan dữ liệu là bước đầu tiên để tăng cường
hiểu biết về mối quan hệ giữa dữ liệu và các đối tượng cơ bản của chúng.
 Làm sạch dữ liệu là một tập hợp các quy trình phát hiện và sau đó sửa hoặc loại
bỏ dữ liệu bị lỗi, không đầy đủ, không chính xác and/or không liên quan. Các giải
pháp làm sạch dữ liệu cũng có thể nâng cao dữ liệu, bằng cách làm cho dữ liệu trở nên
hoàn thiện hơn bằng cách thêm thông tin liên quan hoặc bằng cách thêm siêu dữ liệu.
Cuối cùng, việc làm sạch dữ liệu cũng có thể liên quan đến việc tiêu chuẩn hóa dữ
liệu. Ví dụ: các chữ viết tắt có thể được thay thế bằng chữ viết tắt của chúng và dữ liệu
như số điện thoại có thể được điều chỉnh lại thành định dạng chuẩn.
 Ẩn danh dữ liệu là quá trình xóa hoặc mã hóa thông tin có thể được sử dụng để
xác định các thực thể được đặt tên từ một tập dữ liệu. Quy trình ẩn danh được định
nghĩa là dữ liệu cắt đứt không thể đảo ngược có thể được sử dụng để xác định một
thực thể được đặt tên từ tập dữ liệu. Mọi xác định lại trong tương lai đều không còn
khả thi.
 Bút danh dữ liệu là quá trình thay thế thông tin có thể được sử dụng để xác định
một thực thể được đặt tên bằng một hoặc nhiều mã nhận dạng nghệ thuật (tức là mã
giả). Lưu ý rằng quá trình tạo biệt danh có thể hoàn nguyên bởi một số thực thể đáng
tin cậy, vì dữ liệu nhận dạng không bị xóa mà được thay thế bằng dữ liệu khác.
Quá trình không chuẩn hóa là ngược lại với quá trình chuẩn hóa; nó sắp xếp, định
dạng dữ liệu và thông tin được xuất ra để nó có thể được dịch dễ dàng và hiệu quả hơn
sang một dạng dễ hiểu hơn bởi tập hợp các thực thể bên ngoài sẽ sử dụng nó. Điều này
NHÓM 15 29
có thể thực hiện được nhờ siêu dữ liệu được gắn với dữ liệu được nhập mô tả cách dữ
liệu đang được sử dụng trong kiến trúc nhận thức và bất kỳ thông tin chi tiết hoặc giả
thuyết nào mà kiến trúc nhận thức đã xác định rằng dữ liệu được nhập là một phần của
nó.
Một khi dữ liệu, thông tin hoặc lệnh không được chuẩn hóa, các kết quả đầu ra có
thể bị biến dạng. Các kỹ thuật MDE có thể được sử dụng để tạo điều kiện thuận lợi
cho việc chuyển đổi này, vì mô hình cung cấp ý nghĩa thích hợp của dữ liệu, thông tin
và lệnh cần dịch.
3.2.4 Chức năng xử lý nhận thức
Hình 3.4 cho thấy một sơ đồ khối chức năng của các khối chức năng khác nhau
tạo nên phần xử lý nhận thức của kiến trúc nhận thức. Có sáu chức năng mới được yêu
cầu.
Hình 3.4 Kiến trúc chức năng cấp cao của mạng nhận thức
Khối chức năng Nhận thức tình huống nhận đầu vào chuẩn hóa và liên hệ đầu vào
đó với tình huống hiện tại. Sự hiểu biết dựa trên việc tổng hợp thông tin từ các yếu tố
khác nhau được tìm thấy trong tình huống. Đặc biệt, việc hợp nhất được thực hiện đối
với cả tình hình hiện tại và các mục tiêu của hệ thống áp dụng cho tình huống đó. Dự
báo tình trạng trong tương lai dựa trên kiến thức về các đặc điểm và hành vi của các
yếu tố trong tình huống hiện tại. Sau đó, khối chức năng Quản lý nhận thức hướng sự
tương tác của khối chức năng Nhận thức tình huống với khối chức năng Học tập và
Lập luận để xác định xem đầu vào hiện tại đã ảnh hưởng như thế nào đến bản cập nhật
tình hình gần đây nhất. Nó cũng có thể xem xét các bức ảnh chụp nhanh lịch sử về tình
hình để tìm hiểu tình hình đã phát triển như thế nào.
Khối chức năng Nhận thức tình huống được thể hiện trong Hình 3.5.
NHÓM 15 30
Hình 3.5 Khối chức năng nhận thức tình huống

Khối chức năng Quản lý tri thức chuyển đổi dữ liệu và thông tin thành một dạng
tri thức nhất quán mà tất cả các khối chức năng khác có thể hiểu được. Quản lý tri thức
chứa nhiều kho khác nhau để lưu trữ và xử lý tri thức. Chúng bao gồm các kho lưu trữ
mô hình, bản thể học, dữ liệu và tính toán, ví dụ, kho lưu trữ sau có thể có dạng bảng
đen. Hệ thống bảng đen sử dụng không gian làm việc chung mà một tập hợp các tác
nhân độc lập đóng góp vào, chứa dữ liệu đầu vào cùng với các giải pháp từng phần,
thay thế và hoàn chỉnh. Cả bảng đen và các tác nhân đóng góp đều nằm dưới sự kiểm
soát của một thực thể quản lý chuyên dụng. Mỗi đại lý chuyên trách về chức năng và
hoạt động của mình và thường hoàn toàn độc lập với các đại lý khác đang sử dụng
bảng đen. Bộ điều khiển giám sát trạng thái của nội dung trên bảng đen và đồng bộ
hóa các tác nhân đang làm việc với bảng đen. Quản lý tri thức tạo ra, sửa đổi, duy trì
và nâng cao việc lưu trữ, đánh giá, sử dụng, chia sẻ và tái cập nhật các tài sản tri thức
bằng cách sử dụng đại diện tri thức nhất trí.
Khối chức năng Quản lý nhận thức đóng vai trò như “bộ não” của Kiến trúc Nhận
thức. Nó chịu trách nhiệm triển khai một mô hình nhận thức (tức là một mô hình máy
tính về cách các quá trình nhận thức, chẳng hạn như hiểu, hành động và dự đoán, được
thực hiện và các quyết định liên quan) nhằm hướng dẫn hành động của các khối chức
năng khác. Nhận thức tập trung vào việc tái phản hồi kiến thức chưa được chuẩn hóa
và chuẩn hóa. Mô hình nhận thức của nó được cập nhật liên tục bởi khối chức năng
Học tập và Lập luận. Kiến thức được phát triển bằng cách sử dụng nhiều đồ thị (hoặc
một tập hợp nhiều đồ thị), như trong Hình 3.6. Trong cách tiếp cận này, cả mô hình và
bản thể luận đều được biểu diễn dưới dạng đồ thị; Các cạnh ngữ nghĩa (tức là các mối
quan hệ có bản chất ngữ nghĩa, chẳng hạn như synon-ymy và meronymy) sau đó được
tạo giữa các biểu đồ để xác định cách một tập hợp khái niệm có liên quan như thế nào
với tập hợp các khái niệm khác. Kết quả đa đồ thị bao gồm các mối quan hệ ngữ nghĩa
NHÓM 15 31
tham gia mô hình ở bên trái với tập hợp các bản thể luận ở bên phải; chúng được biểu
diễn bằng mũi tên hai đầu trong Hình 3.7 kết nối chúng cho đơn giản. Biểu diễn ngữ
nghĩa này được xây dựng lặp đi lặp lại và được tóm tắt dưới đây.
Quá trình trong Hình 3.6 có thể được đảo ngược, nhưng thông thường, một sự
kiện có nhiều ý nghĩa hơn một ý nghĩa có sự kiện.
Hình 3.6 Xử lý kiến thức: đối sánh bản thể học liên kết cho một phần tử mô hình
Mỗi mô hình thông tin (hoặc một tập hợp các mô hình dữ liệu, nhưng sử dụng mô
hình thông tin thì tổng quát hơn) cũng như tập các bản thể luận được biểu diễn dưới
dạng một đồ thị xoay chiều có hướng. Từ vựng là một tập hợp tất cả các từ, cụm từ và
ký hiệu được sử dụng trong một ngôn ngữ được sắp xếp theo cách cho phép mỗi từ,
cụm từ hoặc ký hiệu có một tập hợp các nghĩa. Điều này cho phép chọn nghĩa phù hợp
nhất của từng từ, cụm từ hoặc ký hiệu với ngữ cảnh chính xác. Từ vựng đóng vai trò
như một ánh xạ giữa các đồ thị mô hình và các đồ thị bản thể học là cần thiết vì bản
chất của kiến thức trong mỗi đồ thị là khác nhau đáng kể. Về bản chất, từ vựng đóng
vai trò như một cơ chế phân định ngữ nghĩa cho phép ý nghĩa tốt nhất từ tập hợp các
khái niệm bản thể học được liên kết với tập hợp các phần tử mô hình đã cho. Sau đó,
nó được sử dụng để tìm kiếm các khái niệm tương đương về mặt ngữ nghĩa trong một
tập hợp các bản thể luận.
Hình 3.6 bắt đầu với việc xác định một hoặc nhiều phần tử mô hình trong mô hình
thông tin. Sau đó, một hoặc nhiều công cụ khác nhau, bao gồm ngôn ngữ học tổng
hợp, tương đương ngữ nghĩa, đối sánh mẫu và cấu trúc, được sử dụng để liên hệ tập
hợp các phần tử mô hình với tập hợp các thuật ngữ trong từ điển. Nói chung, một tập
hợp các phần tử mô hình có thể liên quan đến một thuật ngữ trong từ điển, sau đó liên
quan đến nhiều khái niệm bản thể học. Mỗi mối quan hệ thường là ngôn ngữ hoặc
logic, nhưng cũng có thể bao gồm các mối quan hệ khác. Hình 3.6 cho thấy rằng việc
tìm kiếm đã liên hệ tập hợp các phần tử mô hình với một khái niệm biệt lập cộng với
một hệ thống phân cấp bao gồm bốn khái niệm, với tổng số fve con-cepts, trong bản
thể học. Điều này dẫn đến việc xây dựng một đa đồ thị mới, chứa các đồ thị con ban
đầu từ mô hình được kết nối với tập hợp các khái niệm trong bản thể luận bằng cách
sử dụng tập hợp các mối quan hệ ngữ nghĩa được phát hiện trong các quá trình trên.
Về cơ bản, quá trình phân giải ngữ nghĩa so sánh ý nghĩa (tức là, không chỉ định nghĩa
NHÓM 15 32
mà còn cả các mối quan hệ cấu trúc, thuộc tính, v.v.) của mỗi thành phần trong đồ thị
con thứ nhất với tất cả các thành phần trong đồ thị con thứ hai, cố gắng liên kết thành
phần ngôn ngữ gần nhất hoặc các phần tử phù hợp với ngữ nghĩa của các phần tử trong
đồ thị con thứ nhất. Thông thường, một kết hợp chính xác là không thể; do đó, quá
trình phân giải ngữ nghĩa cung cấp một kết quả theo tỷ lệ, cho phép xếp hạng từng đối
sánh theo thứ tự gần đúng nhất với ý nghĩa chung của đồ thị con thứ nhất. Bước tiếp
theo được phân tích trong Hình 3.7.
Hình 3.7 Xử lý kiến thức: liên kết các khái niệm bản thể học mới
Trong bước này, mỗi khái niệm bản thể học đã được xác định trong quá trình đối
sánh ngữ nghĩa giờ đây sẽ được kiểm tra để xem liệu nó có liên quan đến các khái
niệm khác trong bản thể luận này hay bản thể luận khác hay không. Khi mỗi khái niệm
mới được tìm thấy, nó được đánh dấu để có thể bổ sung vào các khái niệm hiện có đã
được so khớp với Universal Lexicon. Sau đó, khái niệm mới được thêm vào sẽ được
kiểm tra xem nó có liên quan đến bất kỳ thuật ngữ nào được xác định trong Universal
Lexicon hay không. Nếu đúng, khái niệm mới được thêm vào; điều này được thể hiện
trong đa giác đứt nét trong Hình 3.7. Việc bổ sung các mã khóa mới này phục vụ hai
mục đích: để cung cấp một nhóm ý nghĩa tốt hơn của nhóm các yếu tố mô hình và để
xác minh rằng mỗi khái niệm mới củng cố hoặc bổ sung hỗ trợ cho khái niệm đã được
chọn.
Những liên kết ngữ nghĩa mới này, cùng với các khái niệm mới được phát hiện
trong bản thể học, giờ đây có thể được sử dụng để tạo ra các phần tử mô hình mới.
Bước này tương tự như trên, chỉ khác là nó được đảo ngược. Có nghĩa là, mỗi khái
niệm bản thể học mới lần đầu tiên được ánh xạ tới một hoặc nhiều thuật ngữ trong
Universal Lexicon, và sau đó mỗi thuật ngữ đó được ánh xạ tới các phần tử mô hình.
Như trước đây, thuật toán cố gắng so khớp các nhóm khái niệm liên quan với nhóm
các phần tử mô hình có liên quan. Điều này có tác dụng gia tăng sự giống nhau về ngữ
NHÓM 15 33
nghĩa giữa hai khái niệm; khi các nhóm khái niệm lớn hơn được so khớp với các nhóm
phần tử mô hình lớn hơn, mối tương quan chặt chẽ hơn giữa ý nghĩa của khái niệm
được nhóm và nhóm dữ kiện được thiết lập. Trên thực tế, đây là sự tự kiểm tra tính
đúng đắn của ánh xạ và được sử dụng để loại bỏ các phần tử liên kết và mô hình phù
hợp với nhau, nhưng không liên quan đến thực thể được quản lý đang được lập mô
hình.
Khối chức năng Học tập và Lập luận cung cấp các kiểu học tập khác nhau để cho
phép sử dụng các thuật toán học tập khác nhau được tùy chỉnh cho các nhiệm vụ cụ
thể:
 Học tập qua trải nghiệm, là một tập hợp các quá trình cho phép kiến thức được
tạo ra thông qua trải nghiệm.
 Học có giám sát, xác định một chức năng ánh xạ đầu vào đến đầu ra dựa trên
các cặp ví dụ về đầu vào và đầu ra được gắn nhãn.
 Học tích cực là một thuật toán học có giám sát lặp đi lặp lại trong đó thuật toán
có thể chủ động truy vấn một nhà tiên tri (ví dụ: chú thích của con người) để có được
nhãn chính xác.
 Học không giám sát, xác định một chức năng ánh xạ một đầu vào đến một đầu
ra mà không có lợi ích của dữ liệu được phân loại hoặc gắn nhãn.
 Học tăng cường sử dụng các tác nhân phần mềm để thực hiện các hành động
trong môi trường nhằm tối đa hóa phần thưởng tích lũy.
 Tính năng học phân tích dữ liệu đầu vào thô để tìm hiểu các đặc điểm quan
trọng nhất và biểu diễn hành vi của những dữ liệu đó, giúp dễ dàng khám phá thông tin
từ dữ liệu thô khi xây dựng các loại dự báo khác nhau (ví dụ: phân loại).
 Học ngữ nghĩa, là khả năng học bằng cách hiểu ý nghĩa của dữ liệu.
 Nhiều loại thuật toán khác nhau để xử lý ngôn ngữ tự nhiên.
Học có giám sát nên được sử dụng khi một hoặc nhiều bộ dữ liệu có gắn nhãn giá
trị đầu vào và đầu ra. Các thuật toán học tập có giám sát là lý tưởng cho các nhiệm vụ
phân loại và hồi quy. Các thuật toán phân loại được sử dụng để dự đoán danh mục mà
một dữ liệu mới thuộc về dựa trên một hoặc nhiều biến độc lập. Ngược lại, các thuật
toán hồi quy dự đoán một giá trị số liên quan cho dữ liệu đầu vào dựa trên dữ liệu đã
quan sát trước đó.
Học không giám sát nên được sử dụng khi có một lượng lớn dữ liệu không có
nhãn, và nhiệm vụ là xác định cấu trúc của dữ liệu. Phân cụm là một thủ tục thống kê
đa biến thu thập dữ liệu có chứa thông tin về một mẫu đối tượng và sau đó sắp xếp các
đối tượng thành các nhóm, trong đó các đối tượng trong cùng một nhóm giống nhau
hơn so với các đối tượng trong các nhóm khác. Phân cụm xác định các điểm chung
NHÓM 15 34
trong các đối tượng trong mỗi nhóm, cũng có thể được sử dụng để phát hiện dữ liệu
bất thường không thuộc bất kỳ nhóm nào.
Học tích cực là một thuật toán học có giám sát lặp đi lặp lại trong đó thuật toán có
thể chủ động truy vấn một tiên để có được nhãn chính xác. Cách tiếp cận này cho phép
thuật toán học tập tương tác chọn dữ liệu mà nó sẽ học được từ đó. Học tập tích cực
chọn lặp đi lặp lại các ví dụ thông tin nhất để lấy nhãn của chúng và đào tạo một người
phân loại từ bộ đào tạo cập nhật, được bổ sung với các ví dụ mới được chọn. Không
giống như học tập có giám sát thông thường, nó cho phép một mô hình học tập phát
triển và thích ứng với dữ liệu mới. Học tập tích cực liên quan đến việc học các phân
loại chính xác bằng cách chọn các ví dụ sẽ được gắn nhãn, giảm nỗ lực gắn nhãn và
chi phí đào tạo một mô hình chính xác. Học tích cực thích hợp cho các ứng dụng học
máy nơi
dữ liệu được gắn nhãn rất tốn kém để lấy nhưng dữ liệu không được gắn nhãn lại dồi
dào. Học tích cực đặc biệt quan trọng khi các đối tượng có thể có nhiều nhãn thuộc
nhiều danh mục khác nhau (ví dụ: thiết bị mạng có nhiều vai trò hoặc một hình ảnh có
thể được gắn nhãn là chứa cả núi, bãi biển và đại dương). Thách thức chính là xác định
bộ nhãn nào phù hợp với bối cảnh hoặc tình huống nhất định.
Học tăng cường nên được sử dụng khi không có dữ liệu hoặc tập dữ liệu không đủ
và nhiệm vụ là tìm hiểu hành động cần thực hiện trong một tình huống cụ thể khi
tương tác với một thực thể mới. Loại học tập này cũng nên được sử dụng khi cách duy
nhất để thu thập thông tin về thực thể là tương tác với nó. Cụ thể hơn, học tăng cường
tương tác với thực thể, đầu tiên, thương lượng các mối quan hệ capabili của nó và sau
đó khám phá cách trao đổi dữ liệu và lệnh thông qua học cách phản ứng với thực thể.
Học ngữ nghĩa sử dụng logic chính thức and/or bản thể học để học dựa trên ý
nghĩa của dữ liệu được nhập vào so với tình hình hiện tại. Ví dụ: học ngữ nghĩa có thể
được sử dụng để xác định rằng xu hướng tổng thể của dữ liệu hiệu suất đang giảm,
điều này có thể chỉ ra rằng vi phạm SLA có thể xảy ra trong tương lai.
Một kiến trúc nhận thức sẽ bao gồm một hoặc nhiều thuật toán để xử lý ngôn ngữ
natural. Một số dữ liệu theo ngữ cảnh và tình huống có thể được nhập dưới dạng
language tự nhiên, tùy thuộc vào nguồn đầu vào. Các quy tắc kinh doanh, quy định
chính sách và mục tiêu hệ thống cũng có thể được diễn đạt bằng ngôn ngữ tự nhiên.
Nhúng văn bản là biểu diễn vectơ có giá trị thực của chuỗi, trong đó vectơ dày đặc
được xây dựng cho mỗi từ, được chọn sao cho nó tương tự với vectơ của các từ xuất
hiện trong các ngữ cảnh tương tự. Điều này cho phép học sâu có hiệu quả trên các tập
dữ liệu nhỏ hơn, vì chúng thường là yếu tố đầu vào đầu tiên cho kiến trúc học sâu và là
cách học chuyển tiếp phổ biến nhất trong NLP. Mạng bộ nhớ ngắn hạn dài (LSTM)
giới thiệu các cổng và một ô nhớ được định nghĩa rõ ràng. Mỗi nơ-ron có một ô nhớ và
ba cổng: đầu vào, đầu ra và quên. Chức năng của các cổng này là bảo vệ thông tin
NHÓM 15 35
bằng cách ngăn chặn hoặc cho phép truy cập thông tin. Cổng đầu vào xác định lượng
thông tin từ lớp trước được lưu trữ trong ô, trong khi lớp đầu ra xác định mức độ mà
lớp tiếp theo biết về trạng thái của ô này. Cổng quên xác định những ký tự nào bị quên
cho lớp tiếp theo của quá trình nhập. LSTM hiện là mô hình mặc định cho hầu hết các
tác vụ ghi nhãn trình tự. Transformer là một mô hình học sâu sử dụng sự chú ý, cân
nhắc thông tin của các phần khác nhau của dữ liệu đầu vào. Transformer là mô hình
chuyển đổi đầu tiên dựa hoàn toàn vào khả năng tự suy giảm để tính toán các biểu diễn
của đầu vào và đầu ra của nó mà không sử dụng mạng nơ-ron đệ quy căn chỉnh theo
trình tự hoặc tích chập. Máy biến áp được thiết kế để xử lý dữ liệu đầu vào tuần tự,
chẳng hạn như ngôn ngữ tự nhiên, nhưng không yêu cầu dữ liệu tuần tự phải được xử
lý theo thứ tự. Thay vào đó, hoạt động chú ý xác định văn bản liên quan cho bất kỳ vị
trí nào trong chuỗi đầu vào. Điều này cho phép việc triển khai nó diễn ra song song.
Khối chức năng Quản lý chính sách là một tập hợp các quy tắc được sử dụng để
quản lý và kiểm soát việc thay đổi and/or duy trì trạng thái của một hoặc nhiều đối
tượng được quản lý. Nó cung cấp một cơ chế nhất quán và chuẩn hóa để giao tiếp dữ
liệu và lệnh trong hệ thống và giữa các hệ thống. Tham chiếu xác định một mô hình
thông tin hướng đối tượng UML mới để đại diện cho các loại chính sách khác nhau.
Sơ đồ lớp được thể hiện trong Hình 3.8.
Hình 3.8 Chế độ xem đơn giản của mô hình chính sách MEF
Lớp cao nhất, MPMPolicyObject, được kế thừa từ MEF Core Model (MCM), định
nghĩa một mô hình thông tin hướng đối tượng tổng thể bao gồm một lớp gốc duy nhất
với ba lớp con. Các lớp con này tạo thành cấu trúc phân cấp mô-đun để đại diện cho
các thực thể được quản lý và không có tuổi và siêu dữ liệu (trong số các khái niệm
khác).
Mô hình Chính sách MEF (MPM) được tạo thành từ bốn loại đối tượng. Hai trong
số đó, MPMPolicyStructure và MPMPolicyComponentStructure, xác định phân cấp
tương ứng để đại diện cho các chính sách và thành phần của chính sách.
MPMPolicySource đại diện cho một tập hợp các đối tượng tạo ra chính sách và
NHÓM 15 36
MPMPolicyTarget đại diện cho một tập hợp các đối tượng có thể bị ảnh hưởng bởi
một chính sách.
Có ba loại mô hình chính sách chính được sử dụng trong MPM: chính sách không
khai báo, chính sách khai báo và mục đích. Các mô hình chính sách bổ sung hiện đang
được thiết kế.
Chính sách mệnh lệnh kiểm soát rõ ràng việc chuyển đổi trạng thái này sang trạng
thái khác. Trong cách tiếp cận này, chỉ một trạng thái đích được phép chọn. Một ví dụ
về chính sách mệnh lệnh là chính sách ECA (Sự kiện-Điều kiện-Hành động). Trong
mô hình này, một chính sách được tạo thành từ ba mệnh đề Boolean (sự kiện, điều
kiện và hành động). Ngữ nghĩa của chính sách này là:
IF the event clause is TRUE
THEN IF the condition clause is TRUE
Execution of actions in the action clause may occur
ENDIF
ENDIF
Chính sách mệnh lệnh có thể bao gồm siêu dữ liệu kiểm soát cách cắt bỏ các hành
động (ví dụ: thực hiện hành động đầu tiên, thực hiện hành động cuối cùng, thực hiện
tất cả các hành động) và điều gì sẽ xảy ra nếu xảy ra lỗi (ví dụ: dừng thực thi, ngừng
thực thi và khôi phục hành động đó , dừng thực thi và khôi phục tất cả các hành động).
Chính sách khai báo mô tả tập hợp các tính toán cần được thực hiện mà không mô
tả cách thực thi các tính toán đó. Trong MPM, Chính sách khai báo được viết bằng
ngôn ngữ logic chính thức, chẳng hạn như Logic bậc nhất, và là một chương trình thực
thi theo một lý thuyết được định nghĩa theo logic chính thức. Do đó, Chính sách so
sánh có thể chọn bất kỳ trạng thái nào thỏa mãn lý thuyết.
Chính sách ý định là một loại chính sách tuyên bố sử dụng các tuyên bố để thể
hiện các mục tiêu của chính sách, nhưng không sử dụng cách thực hiện các mục tiêu
đó. Mỗi tuyên bố trong Chính sách ý định có thể yêu cầu dịch một hoặc nhiều điều
khoản của nó sang một dạng mà một thực thể chức năng được quản lý khác có thể hiểu
được. Cụ thể, một chính sách Intent là một chính sách không thực thi như một lý
thuyết về logic hình thức. Chính sách ý định được thể hiện bằng ngôn ngữ tự nhiên
hạn chế và yêu cầu ánh xạ tới một biểu mẫu mà các thực thể chức năng được quản lý
khác có thể hiểu được. Ưu điểm của Chính sách có ý định là khả năng thể hiện chính
sách bằng cách sử dụng các khái niệm và thuật ngữ quen thuộc với một khu vực bầu
cử cụ thể. Về mặt khái niệm, tập hợp các mô hình và bản thể học được sử dụng để xác
định các yếu tố của ngữ pháp mà Chính sách ý định được viết trong đó, cho phép các
Chính sách ý định khác nhau được viết bởi các bộ phận khác nhau được dịch sang một
dạng chung.
NHÓM 15 37
3.2.5 Đạt được Mục tiêu trong Kiến trúc Nhận thức
Như thể hiện trong Hình 3.4 và 3.5, nhận thức bắt nguồn từ sự nhận biết, hiểu và
thực hiện hành động để đạt được hoặc duy trì một loạt các mục tiêu của hệ thống. Điều
này ngụ ý rằng kiến thức về các tình huống khác với kiến thức về các hoạt động thay
đổi vị trí và tạo điều kiện cho việc học tập kinh nghiệm từ những thay đổi khác nhau
trong hệ thống and/or môi trường ảnh hưởng đến mục tiêu của hệ thống. Ba loại cấu
trúc memory khác nhau đóng một vai trò quan trọng trong việc củng cố điều này. Về
mặt cụ thể, các vị từ logic được sử dụng để liên hệ các phần tử bộ nhớ ngắn hạn với tư
cách là các trường hợp của phần tử bộ nhớ dài hạn. Điều này cho phép mỗi yếu tố
ngắn hạn được dựa trên một mục tiêu hoặc niềm tin cơ bản. Điều này được tạo điều
kiện thuận lợi bằng cách cho phép các phần tử dài hạn phức tạp hơn được tạo thành từ
một tập hợp các phần tử dài hạn đơn giản hơn, cung cấp một cơ sở kiến thức vốn dĩ có
thể mở rộng. Đây là điều cơ bản để tạo ra một tập hợp các mục tiêu phụ có thứ tự
nhằm đạt được một mục tiêu cấp cao hơn cụ thể. Điều này yêu cầu các phần mở rộng
nhỏ đối với các máy trạng thái được sử dụng, trong đó một trạng thái nhất định có thể
cần phải hoàn thiện mối quan hệ giữa các thể hiện bộ nhớ ngắn hạn và dài hạn cũng
như bản chất tổng hợp của một thể hiện bộ nhớ dài hạn nhất định.
KẾT LUẬN
Nhìn chung bài tiểu luận đã cung cấp cho người đọc về một kiến trúc nhận thức
mới hiện đang được xác định và tạo mẫu. Các vấn đề hiện tại gây khó khăn cho việc
quản lý mạng và dịch vụ đã được mô tả, cùng với các giải pháp được phát triển từ kinh
nghiệm với kiến trúc tự trị FOCALE. Nó là một kiến trúc theo hướng mô hình kết hợp
các loại trí tuệ nghệ thuật khác nhau trong các vòng điều khiển khép kín của nó để
quản lý hành vi của hệ thống đang được quản lý. Phương pháp tiếp cận theo hướng mô
hình cơ bản sử dụng sự kết hợp của các mô hình và bản thể học để cho phép xác định
các mối quan hệ ngữ nghĩa giữa sự kiện và ý nghĩa với nhau.
Do thời gian còn hạn chế cũng như còn thiếu sót nhiều về mặt kiến thức nên bài
tiểu luận nhóm em khó tránh khỏi nhiều thiết sót và sai lầm, rất mong nhận được sự
góp ý của thầy và các bạn để bài tiểu luận nhóm em được hoàn thiện hơn.
Nhóm 15 chúng em xin chân thành cảm ơn thầy TS. Hoàng Trọng Minh đã tạo
điều kiện để chúng em có thể hoàn thành bài tiểu luận cũng như có thêm hiểu biết về
những kiến thức mới mẻ này.
NHÓM 15 38
NHÓM 15 39

Nhóm 15 Quản lý mạng và dịch vụ dựa trên AI

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Nhóm 15 Quản lý mạng và dịch vụ dựa trên AI

Uploaded by

Copyright:

Available Formats

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

KHOA VIỄN THÔNG I

BÁO CÁO TIỂU LUẬN

Giảng viên: TS. HOÀNG TRỌNG MINH

NHÓM TIỂU LUẬN: 15

BẢNG PHÂN CÔNG CÔNG VIỆC

Tìm hiểu làm nội dung chương 1 + chương 2 (

DANH MỤC BẢNG VÀ HÌNH VẼ

Bảng 1.1 Thuật ngữ

Bảng 2.1 Tóm tắt giải pháp vấn đề

Hình 2.1 OSS mô hình ống dẫn

Hình 2.2 Sự liên tục của chính sách

Hình 2.4 Sơ đồ khối đơn giản của kiến trúc FOCALE

Hình 2.5 Lập luận dựa trên ngữ cảnh

Hình 3.5 Khối chức năng nhận thức tình huống

THUẬT NGỮ VIẾT TẮT

Chữ viết tắt Nghĩa tiếng anh Nghĩa tiếng việt

MDE Model-driven engineering Kỹ thuật hướng mô hình

MCM MEF Core Model Mô hình cốt lõi của MEF

MPM MEF Policy Model Mô hình Chính sách MEF

NLP Neuro Linguistic Programming Ngôn ngữ lập trình tư duy

OPEX OPerational EXpenditure Chi phí Hoạt động

OSS Operational Support Systems Hệ thống hỗ trợ hoạt động

SLA Service Level Agreement Mức độ thỏa thuận dịch vụ

SLO Service Level Objectives Mục tiêu mức độ dịch vụ

SLV Service Level Values Giá trị mức dịch vụ

SDN Software-Defined Networking Mạng điều khiển bằng phần

LỜI NÓI ĐẦU

Chương 1: Giới thiệu chung

Hình 2.1 OSS mô hình ống dẫn

Hình 2.2 Sự liên tục của chính sách

Hình 2.4: Sơ đồ khối đơn giản của kiến trúc FOCALE

2.5 Phản ứng theo ngữ cảnh

Hình 2.5: Lập luận dựa trên ngữ cảnh

Bảng 2.1 Tóm tắt giải pháp vấn đề

Chương 3: Nguyên tắc và kiến trúc nhận thức

Hình 3.5 Khối chức năng nhận thức tình huống

You might also like