人工智能大語言模型的運(yùn)行原理

作者：韓松

單位：中國移動智慧家庭運(yùn)營中心

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)應(yīng)用類型日益復(fù)雜，從Web、郵件等傳統(tǒng)應(yīng)用，發(fā)展到各類P2P應(yīng)用、自定義業(yè)務(wù)協(xié)議等。識別網(wǎng)絡(luò)流量中的應(yīng)用協(xié)議類型成為網(wǎng)絡(luò)管理中的一個(gè)重要問題。傳統(tǒng)的模式匹配和特征提取方法在面對復(fù)雜應(yīng)用協(xié)議時(shí)存在局限性。近年來，人工智能領(lǐng)域出現(xiàn)的大語言模型為應(yīng)用協(xié)議識別帶來新的契機(jī)。大語言模型通過預(yù)訓(xùn)練學(xué)習(xí)獲得對語言的深刻理解，可以運(yùn)用到對網(wǎng)絡(luò)流量的語義分析中。

具體來說，大語言模型可以“讀懂”網(wǎng)絡(luò)流量中應(yīng)用層的協(xié)議語義，判斷HTTP、DNS等常見協(xié)議的格式，并可以對不常見協(xié)議進(jìn)行anomaly detection。另外，大語言模型學(xué)習(xí)的知識可以幫助進(jìn)行零樣本和少樣本學(xué)習(xí)，識別全新或樣本稀少的應(yīng)用協(xié)議。業(yè)界一些最新研究已經(jīng)證明了大語言模型在應(yīng)用協(xié)議識別中的效果。例如華為提出的ProtocolMate系統(tǒng)使用RoBERTa模型，實(shí)現(xiàn)了高達(dá)99.7%的準(zhǔn)確率。另外基于BERT等模型的語義模糊方法，也表現(xiàn)出色。這些成果都表明了大語言模型的潛力。

Part 01 ●??應(yīng)用協(xié)議識別是什么?●?

應(yīng)用協(xié)議識別(Application Protocol Identification)指的是識別網(wǎng)絡(luò)流量所使用的應(yīng)用層協(xié)議的方法?；ヂ?lián)網(wǎng)上的應(yīng)用通信需要遵循某種應(yīng)用層協(xié)議，比如HTTP協(xié)議用于網(wǎng)頁瀏覽，DNS協(xié)議用于域名解析等。為了管理網(wǎng)絡(luò)流量，需要能自動識別流量所使用的應(yīng)用協(xié)議。

應(yīng)用協(xié)議識別的主要方法包括:

- 基于端口的識別：通過判斷特定端口號來識別協(xié)議，如80端口通常為HTTP。但有局限性。

- 模式匹配：通過查找協(xié)議特有的字節(jié)模式來匹配協(xié)議。

- 統(tǒng)計(jì)分析：提取流量統(tǒng)計(jì)特征，使用機(jī)器學(xué)習(xí)方法識別。

- 深度學(xué)習(xí)：使用LSTM、CNN等對流量進(jìn)行端到端的深度學(xué)習(xí),自動提取特征。

- 語法分析：解析應(yīng)用層數(shù)據(jù)，判斷遵循的協(xié)議語法。

- 語義分析：利用大語言模型分析應(yīng)用層語義，識別協(xié)議含義。

應(yīng)用協(xié)議識別對于網(wǎng)絡(luò)流量監(jiān)控、安全防護(hù)等都有重要作用。隨著網(wǎng)絡(luò)應(yīng)用日益復(fù)雜，更智能高效的應(yīng)用協(xié)議識別技術(shù)變得尤為重要。

Part 02 ●?大語言模型的特點(diǎn)?●?

大語言模型具有以下幾個(gè)主要特點(diǎn)：（1）卓越的語義理解能力；（2）強(qiáng)大的遷移學(xué)習(xí)能力；（3）多樣化的應(yīng)用形式。

（1）卓越的語義理解能力

大語言模型通過預(yù)訓(xùn)練，可以深度理解語言的上下文和語義關(guān)系，對詞匯、語法、常識都有很強(qiáng)的理解能力。這使其可以進(jìn)行復(fù)雜的語義分析、文本生成等高難度語言處理任務(wù)。

（2）強(qiáng)大的遷移學(xué)習(xí)能力

大語言模型學(xué)到的語言知識具有很好的普適性，可以遷移至下游的不同任務(wù)中。即使下游任務(wù)數(shù)據(jù)不足，也可以取得不錯(cuò)的效果。這使大語言模型可以擴(kuò)展到更多不同的應(yīng)用領(lǐng)域。

（3）多樣化的應(yīng)用形式

大語言模型可以以不同的形式集成到實(shí)際應(yīng)用中，如通過微調(diào)進(jìn)行文本分類、句子匹配；用作Encoder來提取語義特征；生成回復(fù)文本等。這使其能夠靈活地服務(wù)于不同的NLP應(yīng)用。

Part 03

●??大語言模型的數(shù)據(jù)結(jié)構(gòu)?●?

大語言模型通過組合使用各種特殊的數(shù)據(jù)結(jié)構(gòu)，模擬并實(shí)現(xiàn)了人類語言的關(guān)鍵能力。它使用詞向量把詞轉(zhuǎn)換成數(shù)字編碼，類似詞典定義。注意力機(jī)制讓詞語之間進(jìn)行交流，理解上下文，就像人類的語言交流。深層網(wǎng)絡(luò)提取語義特征，殘差連接傳遞信息，位置編碼理解順序，都增強(qiáng)了模型的語言理解能力。遮蔽語言模型進(jìn)行自主學(xué)習(xí)，像人類通過閱讀學(xué)習(xí)語言。數(shù)以億計(jì)的參數(shù)幫助記憶知識。通過集成這些數(shù)據(jù)結(jié)構(gòu)，大語言模型建立了一個(gè)像人腦一樣的語言理解和生成系統(tǒng)。它不僅能學(xué)習(xí)語言知識，理解語義，還能應(yīng)用語言進(jìn)行創(chuàng)造性的生成。大語言模型的數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)了它對語言的深刻理解，使其達(dá)到了接近人類的語言處理能力。

　　數(shù)據(jù)結(jié)構(gòu)作用

　　嵌入層（Embedding Layer）將詞符號表示轉(zhuǎn)換為稠密向量表示

　　多頭注意力機(jī)制（Multi-Head Attention）允許模型同時(shí)關(guān)注文本不同位置信息

　　前饋全連接網(wǎng)絡(luò)（Feed Forward Fully Connected Network）在多頭注意力后進(jìn)行語義特征提取

　　殘差連接（Residual Connection）將前一層輸出同當(dāng)前層輸出相加，緩解梯度消失

　　Layer Normalization加速深層網(wǎng)絡(luò)訓(xùn)練，穩(wěn)定訓(xùn)練過程

　　位置編碼（Positional Encoding）為模型提供單詞順序信息

　　Mask機(jī)制在預(yù)訓(xùn)練中屏蔽部分輸入，實(shí)現(xiàn)自監(jiān)督

　　權(quán)重參數(shù)矩陣（Weight Matrices）計(jì)算注意力分?jǐn)?shù)、變換等，占用大量存儲和計(jì)算

大語言模型的運(yùn)行原理簡要概括如下:

首先，大語言模型會將輸入的文本序列轉(zhuǎn)化為數(shù)字表示的詞向量，就像一個(gè)詞典將詞語映射為向量。然后這些詞向量被輸入到由多層Transformer模塊組成的編碼器結(jié)構(gòu)中。在每個(gè)Transformer模塊內(nèi)，通過多頭注意力機(jī)制使詞向量之間進(jìn)行交互，計(jì)算出詞與詞之間的相關(guān)性，以此來學(xué)習(xí)文本的上下文語義信息。

接著，經(jīng)過一個(gè)前饋全連接網(wǎng)絡(luò)進(jìn)行特征提取和表示變換。為了訓(xùn)練更深層的模型，還使用了殘差連接、層規(guī)范化等技術(shù)。位置編碼為模型加入了順序信息。大量的參數(shù)支持復(fù)雜的語義計(jì)算。在預(yù)訓(xùn)練階段,大語言模型通過自監(jiān)督任務(wù)如遮蔽語言模型學(xué)到通用的語言知識。在微調(diào)階段，加入監(jiān)督學(xué)習(xí)特定下游任務(wù)。這樣，大語言模型通過先獲得泛化語言表示能力，再遷移到具體任務(wù)中，實(shí)現(xiàn)了對人類語言的建模和強(qiáng)大的語義理解與生成。它模擬人類獲取語言知識然后應(yīng)用的過程。

圖2 大語言模型核心模塊運(yùn)行機(jī)制

各種數(shù)據(jù)源通過Kafka接入到數(shù)據(jù)平臺層，數(shù)據(jù)平臺講明細(xì)數(shù)據(jù)存入數(shù)據(jù)存儲層的ClickHouse中，明細(xì)數(shù)據(jù)的存活時(shí)間可以根據(jù)業(yè)務(wù)需求設(shè)置。同時(shí)可以根據(jù)業(yè)務(wù)報(bào)表查詢的不同維度，利用ClickHouse的物化視圖形成預(yù)聚合數(shù)據(jù)，提高數(shù)據(jù)查詢效率。由數(shù)據(jù)服務(wù)層的定時(shí)任務(wù)周期性地從ClickHouse的預(yù)聚合數(shù)據(jù)中查詢業(yè)務(wù)所需的展示數(shù)據(jù)，把展示數(shù)據(jù)存入MySQL。由數(shù)據(jù)服務(wù)層的報(bào)表服務(wù)向數(shù)據(jù)展示層提供查詢服務(wù)，報(bào)表服務(wù)直接查詢MySQL中的結(jié)果數(shù)據(jù)，保證了查詢效率和并發(fā)性。

Part 04

●??大語言模型在應(yīng)用協(xié)議識別中的應(yīng)用?●?

大語言模型具有強(qiáng)大的語言理解和建模能力，在應(yīng)用協(xié)議識別等領(lǐng)域中展現(xiàn)出巨大的應(yīng)用潛力。

下面將具體闡述大語言模型在應(yīng)用協(xié)議識別任務(wù)中的運(yùn)作機(jī)制和應(yīng)用流程：

應(yīng)用協(xié)議識別針對網(wǎng)絡(luò)流量中的應(yīng)用層協(xié)議報(bào)文，判斷其所屬的協(xié)議類別，是網(wǎng)絡(luò)流量分析的關(guān)鍵環(huán)節(jié)。針對不同協(xié)議類型，可以進(jìn)行定制化分析。相比基于規(guī)則的方法，基于大語言模型的協(xié)議識別具有更強(qiáng)的適應(yīng)性和拓展性。

大語言模型在協(xié)議識別任務(wù)中的應(yīng)用流程可以分成以下幾個(gè)步驟：

（1）數(shù)據(jù)預(yù)處理，需要收集大規(guī)模的應(yīng)用協(xié)議報(bào)文數(shù)據(jù)，如HTTP、DNS等，對報(bào)文數(shù)據(jù)進(jìn)行清洗,提取純凈的協(xié)議語料。

（2）構(gòu)建協(xié)議詞表，將報(bào)文通過詞表轉(zhuǎn)換為數(shù)字id序列，方便模型處理。在獲取處理后的數(shù)據(jù)集后,需要預(yù)訓(xùn)練語言模型以學(xué)習(xí)通用的協(xié)議語義特征。這里常用的預(yù)訓(xùn)練模型是BERT等變種。通過使用大量協(xié)議報(bào)文數(shù)據(jù)Fine-tune預(yù)訓(xùn)練模型，使其適應(yīng)協(xié)議語言的模式，獲得協(xié)議方面的先驗(yàn)知識。預(yù)訓(xùn)練時(shí)也會使用Mask等技巧增強(qiáng)模型對協(xié)議語義的建模能力。

（3）微調(diào)模型以適應(yīng)具體的協(xié)議識別任務(wù)。這里將建立一個(gè)協(xié)議類別分類模型，使用協(xié)議報(bào)文及其類別標(biāo)簽進(jìn)行監(jiān)督訓(xùn)練。通過反向傳播等技術(shù)迭代優(yōu)化模型參數(shù)，使其逐步適應(yīng)協(xié)議識別任務(wù)，輸出精確的類別判斷。

（4）部署微調(diào)模型。經(jīng)過預(yù)訓(xùn)練和微調(diào)后，可以導(dǎo)出獲得的協(xié)議識別模型，并集成到在線網(wǎng)絡(luò)流量分析系統(tǒng)中。在線部署后，對實(shí)時(shí)網(wǎng)絡(luò)流量進(jìn)行抓取，提取協(xié)議報(bào)文，輸入到導(dǎo)出的協(xié)議識別模型中，完成在線流量的智能協(xié)議分析。

整個(gè)流程充分利用了大語言模型支持的遷移學(xué)習(xí)范式。先通過自監(jiān)督在大規(guī)模語料上學(xué)習(xí)通用語言表示,然后快速適應(yīng)下游任務(wù)。相比獨(dú)立訓(xùn)練，這種方法顯著減少了人工特征工程，降低了對任務(wù)特定樣本量的依賴。同時(shí)也增強(qiáng)了模型的泛化能力。

綜上所述，依托預(yù)訓(xùn)練-微調(diào)框架，大語言模型可以高效適應(yīng)協(xié)議識別等專業(yè)領(lǐng)域任務(wù)。它模擬人類語言學(xué)習(xí)過程，在大規(guī)模非標(biāo)注語料上學(xué)習(xí)語義知識,然后遷移應(yīng)用。這為解決更多特定領(lǐng)域的語言理解問題，提供了一個(gè)可靠的通用框架和技術(shù)路線。下圖給出了采用AI大語言模型的協(xié)議識別方法相對于傳統(tǒng)的基于域名規(guī)則的協(xié)議識別方法在準(zhǔn)確率，識別精度和召回率上的效果提升。

各種數(shù)據(jù)源通過Kafka接入到數(shù)據(jù)平臺層，數(shù)據(jù)平臺講明細(xì)數(shù)據(jù)存入數(shù)據(jù)存儲層的ClickHouse中，明細(xì)數(shù)據(jù)的存活時(shí)間可以根據(jù)業(yè)務(wù)需求設(shè)置。同時(shí)可以根據(jù)業(yè)務(wù)報(bào)表查詢的不同維度，利用ClickHouse的物化視圖形成預(yù)聚合數(shù)據(jù)，提高數(shù)據(jù)查詢效率。由數(shù)據(jù)服務(wù)層的定時(shí)任務(wù)周期性地從ClickHouse的預(yù)聚合數(shù)據(jù)中查詢業(yè)務(wù)所需的展示數(shù)據(jù)，把展示數(shù)據(jù)存入MySQL。由數(shù)據(jù)服務(wù)層的報(bào)表服務(wù)向數(shù)據(jù)展示層提供查詢服務(wù)，報(bào)表服務(wù)直接查詢MySQL中的結(jié)果數(shù)據(jù)，保證了查詢效率和并發(fā)性。

Part 05

●??總結(jié)展望?●?

總結(jié)來說，大語言模型通過預(yù)訓(xùn)練-微調(diào)的框架，先在大規(guī)模協(xié)議語料上學(xué)習(xí)通用語義表示，然后遷移應(yīng)用到具體的協(xié)議識別任務(wù)，實(shí)現(xiàn)了對網(wǎng)絡(luò)流量的智能解析。相比規(guī)則方法，這種方式顯著提高了模型的適應(yīng)性和拓展性。

展望未來，大語言模型在應(yīng)用協(xié)議識別領(lǐng)域還有多個(gè)方向的探索價(jià)值：(1) 構(gòu)建更大規(guī)模的跨協(xié)議預(yù)訓(xùn)練語料庫，增強(qiáng)模型對協(xié)議語言的理解能力。(2)嘗試不同模型架構(gòu)，如基于編碼器-解碼器的BART等，進(jìn)一步提升建模效果。(3) 多任務(wù)學(xué)習(xí)框架，同時(shí)適配相關(guān)任務(wù)如協(xié)議語義解析，共享語義知識。(4) 在線增量學(xué)習(xí)機(jī)制，使deployed模型能隨新協(xié)議更新迭代。(5) 模型壓縮技術(shù)，部署輕量高效的協(xié)議識別引擎。(6) 可解釋性和安全性等考量，增加模型判斷的透明度和可控性。隨著模型和數(shù)據(jù)規(guī)模的提升，大語言模型必將持續(xù)改進(jìn)應(yīng)用協(xié)議理解，在更廣泛的網(wǎng)絡(luò)分析任務(wù)中發(fā)揮關(guān)鍵作用。

參考：

【1】自然語言大模型介紹，2023年04月01日，

編輯：黃飛

?