计算机网络故障诊断的智能化方法

摘　要：摘要：随着计算机网络规模的不断扩大及其在社会生产各领域中的不断渗透，人们对网络的依赖程度越来越大，这使得计算机网络故障带来的后果将越来越严重，网络故障诊断变得更加重要。由于智能化方法具有鲁棒性好、自学习能力和容错能力强等优点，在计算机网络故障诊断领域成为主流方法之一。本文对几种主要的智能诊断方法展开研究和探讨。

关键词：关键词：计算机网络，故障诊断，神经网络，免疫算法，支持向量机

中图分类号：TP393    文献标识码：    文章编号：

1．引言
    计算机网络技术的迅猛发展，极大地推动了人类社会的发展，对人们的日常生活、学习、工作等各个方面都产生了巨大影响，计算机网络的应用已经广泛地渗透于全球的每个角落，为用户提供资源共享、交流、监控、通讯及信息传播等服务。由于人类社会对网络的依赖度越来越大，如果网络在运行中出现故障，可能会带来灾难性后果。网络的快速发展在不断地发挥其优势和潜力的同时，其庞大的体系和错综复杂的结构也给网络的有效管理带来了极大的挑战。随着网络规模的不断扩大，网络逐步向异构性、动态性和智能化的方向发展，这些变化为网络故障诊断带来了巨大挑战。提高网络故障诊断能力，增强网络的可维护性，对于减少网络故障平均恢复时间，降低网络的维护保障费非常重要。纵观当今网络管理的现状，尽管网络故障诊断技术受到了相当的重视，有了一定的发展，但仍不能完全适应复杂网络环境对快速故障诊断的要求。
    智能化方法具有很强的鲁棒性和容错性，可对不确定或未知系统进行自学习，能够同时处理数量化信息和定性信息，对各种动态变化具有自适应能力等优点，在自动控制、图像处理、模式识别、经济预测等各个领域被成功应用。基于上述优点，智能化方法也被用于网络的故障诊断，并取得了较好的效果。
2．网络诊断的智能化方法
    在网络管理中，确保网络具备快速诊断能力，设计一个快速诊断方案，提高网络的故障排除能力和可维护性，降低网络的维护费用，保证关键任务的成功完成，都具有十分重要的意义。智能化网络故障诊断方法正是基于这一要求提出的，智能化方法包括：人工神经网络、模糊推理、专家系统、遗传算法、人工免疫算法、支持向量机等。
    网络故障诊断过程主要包括三个步骤：1）网络状态信息获取。要想进行网络故障诊断，首先必须得到携带故障信息的状态数据，为分析解算故障类别和位置做准备。获取状态信息的方式有两种，一种为报警式，由发生故障的设备向管理系统上报状态信息；另一种为轮询式，由管理系统定时查询网络设备；2）信息约简。由于状态信息中包含着大量的冗余信息，必须从大量的信息数据中挑选出有用的信息，以降低计算量，减少故障诊断的时间；3）故障推理。通过各种故障诊断方法，利用观测到的携带网络故障信息的数据，推理得到可能的故障类型和位置。
    本文对几种常用的智能化方法实现网络故障诊断进行探讨。
（1）人工神经网络故障诊断法
    人工神经网络的特点和优越性，主要表现在三个方面：具有自学习功能；具有联想存储功能；具有高速寻找最优解的能力。
    利用神经网络进行故障诊断[1]，是一种有监督学习方式，网络的输入结点对应着故障特征，输入节点的个数等于故障特征向量的维数，输出结点对应着故障类型，输出结点的个数由故障类型数决定。首先对所得的特征数据进行预处理，剔除不合理数据（外值），并对数据进行约简，消除冗余信息。在文献[1]中，作者利用粗糙集理论，对冗余信息进行了约简。将特征数据分为两组，一组为训练样本集，另一组为测试样本集。然后用训练样本集对神经网络进行训练，通常采用离线式训练，当训练成熟后，神经网络的结构(中间层的传递函数和神经元数目)和参数(神经元之间的连接权值和阀值)被确定。再利用测试样本集对此神经网络进行测试，如果故障诊断的正确率没有达到要求，增加训练样本或训练次数，继续对神经网络进行训练；如果故障诊断的正确率达到要求，即可转入故障诊断阶段，此阶段可以在线进行。
    在文献[1]和[2]中，作者用BP神经网络实现了网络故障诊断，达到了不错的诊断效果。文献[3]提出了利用自组织特征映射（SOM）神经网络和BP神经网络相结合的方法，开发了一套网络故障诊断系统。
（2）基于专家系统和模糊推理的故障诊断法
    模糊推理是采用模糊逻辑由给定的输入到输出的映射过程。模糊推理作为近似推理的一个分支，是模糊控制的理论基础。在实际应用中，它以数值计算而不是以符号推演为特征，它并不注重基于公理形式的推演或基于赋值语义的运算，而是通过模糊推理的算法，由推理的前提计算出结论。
    首先，利用专家的知识和经验构建知识库，对故障与故障现象、现象与现象以及故障与故障之间的关系进行描述。然后通过专家定制、确定性规则转化、数据挖掘或神经网络技术确定模糊规则。最后通过模糊推理机，得到故障的类型和位置信息。
（3）基于支持向量机（SVM）的故障诊断法
    支持向量机作为一种机器学习算法，具有非凡的泛化能力，与其它智能化方法相比，在解决小样本、非线性和高维模式识别中表现出明显的优势，被应用于图像处理、模式识别和数据分析等领域。从本质上来说，网络故障诊断实际上是一个模式识别问题，可以利用支持向量进行网络故障诊断，具体步骤如下：
    1）网络状态信息获取并约简，并将特征数据分为两部分：训练样本集和测试样本集；
    2）选择支持向量机的初始化参数，包括核函数的参数和惩罚参数等；
    3）利用训练样本集对支持向量机进行训练，得到最优分类超平面；
    4）利用测试集检验诊断效果，如果诊断的正确率没有达到要求，增加训练集中的样本，对支持向量机重新进行训练；
    5）如果诊断的正确率达到要求，则转到正式工作阶段，进行在线故障诊断。
    网络故障诊断属于典型的小样本问题，支持向量机是目前解决小样本问题最好的算法。因此，利用支持向量机进行网络故障诊断可以取得不错的效果[4]。
（4）基于人工免疫算法的诊断法[5]
    在遗传算法的基础上，将免疫概念及其理论应用于遗传算法，在保留原算法优良特性的前提下，力图有选择、有目的地利用待求问题中的一些特征信息或知识来抑制其优化过程中出现的退化现象，这种算法称为免疫算法。人工免疫算法是智能化方法的后起之秀，是目前人工智能领域的理论和应用研究热点，已在数据分 析、函数优化、故障诊断中成功应用。
    基于人工免疫的计算机网络故障诊断应用生物免疫系统中的否定选择、克隆选择、高频变异、免疫学习和免疫记忆等多种机制，构建一个基于免疫原理的网络故障诊断模型，模型主要包括学习和故障诊断两个过程。其诊断步骤如下：
    1）将选定的表征网络故障特征的数据进行处理，并组成特征向量，作为样本数据集。
    2）完成对系统相关参数的设置，包括未成熟检测器的耐受期、成熟检测器的生命周期和成熟检测器的激活阈值等参数的设置；
    3）离线学习，在此阶段经过训练生成相应的成熟检测器集合，以实现对计算机网络故障的有效检测；
    4）故障诊断，得到满足条件的成熟检测器；
    5）连续学习，未成熟检测器学习进化，亲和力逐渐成熟，经由成熟检测器，最终保存于记忆库中。
    基于人工免疫算法的计算机网络故障诊断法，不仅可以对已知的故障进行识别，而且能发现未知的、新出现的网络故障，这是其它检测方法所没有的优势。
3．总结和展望
    随着计算机网络规模的不断扩大，其复杂性越来越大，给网络故障诊断带来了难以想象的困难。为了提高故障诊断的效果，智能化方法被应用于这一领域。本文针对几种常用的智能化诊断方法进行了探讨，并研究了各种方法的执行过程。计算机网络故障诊断技术正在向高度智能化的方向发展，随着数据挖掘、模式识别和机器学习技术的不断发展，新的智能化方法必将被引入该领域。

参考文献
[1] 郭江平. RS-BPNN在网络故障诊断的仿真研究. 计算机仿真. 2011, 28(3):186-189.
[2] 戚勇, 李千目, 刘凤玉. 基于BP神经网络的故障诊断. 微电子学与计算机. 2004, 21(10):10-18.
[3] 赵颖远. 基于神经网络的计算机网络故障诊断. 重庆大学硕士学位论文. 2008年5月.
[4] 朱长成. 支持向量机在网络故障诊断中的应用. 计算机仿真. 2011, 28(10):103-106.
[5] 李辉. 人工免疫在网络故障诊断中的应用研究. 计算机与数字工程. 2012, 40(5):84-86.
[5] 雷军程. 基于模糊推理的网络故障诊断研究. 计算机时代. 2011, 12:11-12,15.