與機器學習的融合——利用機器學習推進SDN的發展

　　在如今信息爆炸的時代，有很多企業，團體利用機器學習技術在各個領域都取得了一定的成就。比如Amazon，淘寶這類電商網站使用的基于推薦算法的推薦系統;Google翻譯等機器翻譯系統所用的深度學習，NLP技術等。 SDN出現的一個原因之一，是對靈活性的需求，那么，機器學習又能為SDN帶來什么？

　　機器學習要解決什么？

　　機器學習，是人工智能中與算法緊密相關的一個領域，目的是讓機器不斷地像人類一般學習，對輸入的數據進行判斷，認知乃至預測未來的數據。

　　機器學習，對于諸如金融領域的欺詐偵測，監控領域的機器視覺，經濟領域的市場優化，股票分析中都有重要意義。

　　簡單地舉一個例子：郵政系統中的手寫識別。不同的人，寫同樣的字有無數種寫法。但是郵政系統是不可能100%依靠人力去處理信件，這樣很蠢，效率很低。因此，郵政系統有必要引入基于機器的處理手段，目前的手段就是基于機器學習的手寫識別系統。現在是一個到處都充斥著海量數據的時代，隨著IoT的進一步發展和大量傳感器的使用，必定會產生大量數據，機器學習的首要任務就是從這些海量數據中發掘出有利的部分。

　　機器學習算法有哪些？

　　如果從學習方式來說，機器學習算法可以分為無監督學習、監督學習，半監督學習和強化學習。一般的監督學習算法都必須通過輸入數據進行訓練，訓練是這類算法的使用中的比較重要的過程。使用時，監督學習算法需要構建一個學習過程，將預測結果和訓練數據的結果進行比較，并不斷調整模型，去達到一個預期的準確率。監督學習算法具體代表有剛才說到的k鄰近算法，還有決策樹、神經網絡等。無監督學習更具有挑戰性。無監督學習中，輸入的數據并不像之前的kNN算法中一般已經被標識，無監督學習算法就是要從無標識的數據中推斷出數據中的一些內在結構，簡單地說就是找規律。 無監督學習算法主要用在聚類等方面。具體代表有kmeans算法，PCA等算法。半監督學習是前兩種的結合，它利用少量已經標識的樣本和大量未標識的樣本進行訓練和分類。它會先對未標識的數據進行建模，再在此基礎上對已經標識的數據進行預測。具體代表有圖論算法，半監督支持向量機SVMs等。強化學習主要運用在機器人控制之類的控制系統上。輸入的數據會刺激模型并使模型做出反應，不像監督學習，輸入的數據只用來檢查模型對錯，輸入的數據直接反饋到模型，要求模型必須對此立即做出調整。 具體的代表有Q-Learning和 Temporal difference learning 與機器學習相關的還有個相當有趣的遺傳算法，又稱進化算法。通過借鑒進化論的一種啟發式搜索算法。這個算法就是把要解決的問題模擬成生物進化的過程，通過交叉、變異、復制等產生下一代的解，淘汰適應度底的個體，留下適應度高的個體。遺傳算法可以用在游戲中的AI，比如被玩家射擊時會自動閃避，會根據玩家的行為做出反應，與玩家對抗。

　　與物聯網的融合——SDN助力物聯網往更高更遠邁進物聯網，作為一股技術潮流，擁有非凡的潛力，盡管如今有很多對物聯網的炒作，但仍低估了其經濟影響力。物聯網，看上去和SDN關系不大，但是，在筆者看來，兩者的結合絕對會推動物聯網的進一步發展。