Recherche sur l'application de l'intelligence artificielle dans la technologie des réseaux informatiques à l'ère des grandes données

Résumé Afin d'améliorer la sécurité et la fiabilité des réseaux informatiques, en particulier sur les trois aspects du diagnostic des pannes, du modèle global, de la détection des pannes de lien dans le réseau et de la prédiction de la congestion du réseau, nous proposons un modèle d'identification et de prédiction basé sur un réseau neural flou. De plus, nous utilisons un mélange de réseaux de lien de réseaux neuronaux artificiels rugueux (RANN) pour gérer tous les sous-réseaux dans le réseau pour une allocation à distance unifiée, afin d'améliorer la qualité et la robustesse du réseau. Les résultats montrent que l'algorithme d'apprentissage et de reconnaissance RANN que nous avons introduit atteint la meilleure performance avec une réduction de 85,12 % du temps total et une réduction de 86,82 % du nombre d'étapes. En outre, le taux d'erreur moyen de RANN est réduit de 45,94 % par rapport à l'algorithme de stockage neural lagrangien. Le nombre d'itérations du modèle de prédiction de réseau neural flou (FNN) basé sur l'algorithme d'extraction de règles incrémentales est réduit de 28,93 %, et le taux de perte de paquets du module de lissage de pic du réseau contrôlé par le modèle de prédiction FNN est réduit à 0,272 %, soit 87,69 % de moins que celui de l'algorithme de détection précoce aléatoire. Cela devrait fournir de meilleures performances pour le contrôle ordonné des pannes de réseau, du flux de données et de la transmission de données réseau avec une charge plus élevée à l'avenir, et améliorer encore la sécurité et la fiabilité des réseaux informatiques.