Page 136 - 大数据背景下网络安全问题研究

大数据背景下网络安全问题研究
Research on Network Security Issues under the Background of Big Data

领域的需求，布局机器学习在农业上的应用。
1.高质量的数据资源建设
农业的主要场景是大田农业，其特点就是场景变化大，单位面积产出的价值低，
基础设施建设落后。因此，这样的场景就决定了农业数据成本很高，会极大地限制机
器学习在这样场景中的应用的广度和深度。

在这样的场景下，就要突破大数据价值低的思维限制，利用大数据思维方法和小
数据建设的技术手段，构建高质量的农业数据资源，形成农业大数据建设的标准、规
范和技术体系。

2.提高机器学习算法在农业应用的能力
目前机器学习的发展主要得益于神经网络的3次巨大进步，从单层神经网络向多
层神经网络的成功，开拓了众多的商业应用场景。机器学习发展依靠数据、特征和算
力三要素，数据是机器学习的材料，特征是数据的说明，算力是处理数据的能力。当

数据量极大时，特征描述和计算能力都呈几何级数增长，限制了目前模式下机器学习
的发展。基于不完全数据的机器学习是贝叶斯派的优势，农业要解决不完全数据和数
据缺乏场景下的机器学习的应用，应该加强基于贝叶斯理论的机器学习模型的研究。

3.推动可解释性机器学习在农业中的应用研究
机器学习正由数据驱动向知识驱动发展。数据驱动的机器学习，模型训练的参数
需要机器自动优化，但是一般是难以解释的；基于知识驱动的机器学习，模型的训练
是基于知识推理的，其过程是可解释的。从知识生产的角度看，目前的机器学习缺乏
可解释性，基本上是基于黑箱理论的，因此对于知识系统的构建也没有特别深远的意

义可谈。
农业是基于知识和经验的学科，依据神经网络的机器学习，很难形成或产生农业
科学知识，也难以将知识转化为常识，实现农业科学知识的推广和普及，因此必须加

强基于符号学派的知识推理模型构建的相关研究。
（四）机器学习在故障检测与诊断领域应用
1.故障检测和诊断技术
随着生产制造技术的快速发展，许多设备和系统的结构已变得越来越复杂，由于

各种复杂性和运行因素（自身磨损、外部环境）的影响，设备的性能和系统的状态会
随着使用时间增加而逐渐退化，若不及时进行状态监测和故障诊断，必将发生故障，
而一旦出现故障，最终可能会导致严重的安全事故。为提高设备或系统的安全性和可
靠性，故障检测与诊断技术（FDD）应运而生。故障检测与诊断技术包括故障检测、

故障分离和故障识别、故障决策，能够判断设备或系统状态是否正常、故障发生的时
间和位置，确定故障的类型，并在分离出故障后确定故障大小和特性，给出发生故障

• 124 •