與機(jī)器學(xué)習(xí)的融合——利用機(jī)器學(xué)習(xí)推進(jìn)SDN的發(fā)展

　　在如今信息爆炸的時(shí)代，有很多企業(yè)，團(tuán)體利用機(jī)器學(xué)習(xí)技術(shù)在各個(gè)領(lǐng)域都取得了一定的成就。比如Amazon，淘寶這類電商網(wǎng)站使用的基于推薦算法的推薦系統(tǒng);Google翻譯等機(jī)器翻譯系統(tǒng)所用的深度學(xué)習(xí)，NLP技術(shù)等。 SDN出現(xiàn)的一個(gè)原因之一，是對(duì)靈活性的需求，那么，機(jī)器學(xué)習(xí)又能為SDN帶來(lái)什么？

　　機(jī)器學(xué)習(xí)要解決什么？

　　機(jī)器學(xué)習(xí)，是人工智能中與算法緊密相關(guān)的一個(gè)領(lǐng)域，目的是讓機(jī)器不斷地像人類一般學(xué)習(xí)，對(duì)輸入的數(shù)據(jù)進(jìn)行判斷，認(rèn)知乃至預(yù)測(cè)未來(lái)的數(shù)據(jù)。

　　機(jī)器學(xué)習(xí)，對(duì)于諸如金融領(lǐng)域的欺詐偵測(cè)，監(jiān)控領(lǐng)域的機(jī)器視覺(jué)，經(jīng)濟(jì)領(lǐng)域的市場(chǎng)優(yōu)化，股票分析中都有重要意義。

　　簡(jiǎn)單地舉一個(gè)例子：郵政系統(tǒng)中的手寫(xiě)識(shí)別。不同的人，寫(xiě)同樣的字有無(wú)數(shù)種寫(xiě)法。但是郵政系統(tǒng)是不可能100%依靠人力去處理信件，這樣很蠢，效率很低。因此，郵政系統(tǒng)有必要引入基于機(jī)器的處理手段，目前的手段就是基于機(jī)器學(xué)習(xí)的手寫(xiě)識(shí)別系統(tǒng)?，F(xiàn)在是一個(gè)到處都充斥著海量數(shù)據(jù)的時(shí)代，隨著IoT的進(jìn)一步發(fā)展和大量傳感器的使用，必定會(huì)產(chǎn)生大量數(shù)據(jù)，機(jī)器學(xué)習(xí)的首要任務(wù)就是從這些海量數(shù)據(jù)中發(fā)掘出有利的部分。

　　機(jī)器學(xué)習(xí)算法有哪些？

　　如果從學(xué)習(xí)方式來(lái)說(shuō)，機(jī)器學(xué)習(xí)算法可以分為無(wú)監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)，半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。一般的監(jiān)督學(xué)習(xí)算法都必須通過(guò)輸入數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練是這類算法的使用中的比較重要的過(guò)程。使用時(shí)，監(jiān)督學(xué)習(xí)算法需要構(gòu)建一個(gè)學(xué)習(xí)過(guò)程，將預(yù)測(cè)結(jié)果和訓(xùn)練數(shù)據(jù)的結(jié)果進(jìn)行比較，并不斷調(diào)整模型，去達(dá)到一個(gè)預(yù)期的準(zhǔn)確率。監(jiān)督學(xué)習(xí)算法具體代表有剛才說(shuō)到的k鄰近算法，還有決策樹(shù)、神經(jīng)網(wǎng)絡(luò)等。無(wú)監(jiān)督學(xué)習(xí)更具有挑戰(zhàn)性。無(wú)監(jiān)督學(xué)習(xí)中，輸入的數(shù)據(jù)并不像之前的kNN算法中一般已經(jīng)被標(biāo)識(shí)，無(wú)監(jiān)督學(xué)習(xí)算法就是要從無(wú)標(biāo)識(shí)的數(shù)據(jù)中推斷出數(shù)據(jù)中的一些內(nèi)在結(jié)構(gòu)，簡(jiǎn)單地說(shuō)就是找規(guī)律。 無(wú)監(jiān)督學(xué)習(xí)算法主要用在聚類等方面。具體代表有kmeans算法，PCA等算法。半監(jiān)督學(xué)習(xí)是前兩種的結(jié)合，它利用少量已經(jīng)標(biāo)識(shí)的樣本和大量未標(biāo)識(shí)的樣本進(jìn)行訓(xùn)練和分類。它會(huì)先對(duì)未標(biāo)識(shí)的數(shù)據(jù)進(jìn)行建模，再在此基礎(chǔ)上對(duì)已經(jīng)標(biāo)識(shí)的數(shù)據(jù)進(jìn)行預(yù)測(cè)。具體代表有圖論算法，半監(jiān)督支持向量機(jī)SVMs等。強(qiáng)化學(xué)習(xí)主要運(yùn)用在機(jī)器人控制之類的控制系統(tǒng)上。輸入的數(shù)據(jù)會(huì)刺激模型并使模型做出反應(yīng)，不像監(jiān)督學(xué)習(xí)，輸入的數(shù)據(jù)只用來(lái)檢查模型對(duì)錯(cuò)，輸入的數(shù)據(jù)直接反饋到模型，要求模型必須對(duì)此立即做出調(diào)整。 具體的代表有Q-Learning和 Temporal difference learning 與機(jī)器學(xué)習(xí)相關(guān)的還有個(gè)相當(dāng)有趣的遺傳算法，又稱進(jìn)化算法。通過(guò)借鑒進(jìn)化論的一種啟發(fā)式搜索算法。這個(gè)算法就是把要解決的問(wèn)題模擬成生物進(jìn)化的過(guò)程，通過(guò)交叉、變異、復(fù)制等產(chǎn)生下一代的解，淘汰適應(yīng)度底的個(gè)體，留下適應(yīng)度高的個(gè)體。遺傳算法可以用在游戲中的AI，比如被玩家射擊時(shí)會(huì)自動(dòng)閃避，會(huì)根據(jù)玩家的行為做出反應(yīng)，與玩家對(duì)抗。

　　與物聯(lián)網(wǎng)的融合——SDN助力物聯(lián)網(wǎng)往更高更遠(yuǎn)邁進(jìn)物聯(lián)網(wǎng)，作為一股技術(shù)潮流，擁有非凡的潛力，盡管如今有很多對(duì)物聯(lián)網(wǎng)的炒作，但仍低估了其經(jīng)濟(jì)影響力。物聯(lián)網(wǎng)，看上去和SDN關(guān)系不大，但是，在筆者看來(lái)，兩者的結(jié)合絕對(duì)會(huì)推動(dòng)物聯(lián)網(wǎng)的進(jìn)一步發(fā)展。