韓志強(qiáng) 馬海香

【摘 要】本文對(duì)計(jì)算機(jī)網(wǎng)絡(luò)存在的故障進(jìn)行了分析，提出了基于改進(jìn)支持向量機(jī)的計(jì)算機(jī)網(wǎng)絡(luò)故障診斷模型，并進(jìn)行了實(shí)例仿真。仿真結(jié)果表明：本文提出的模型可以有效降低訓(xùn)練次數(shù)和訓(xùn)練時(shí)間，提高計(jì)算機(jī)網(wǎng)絡(luò)故障診斷效率。

【關(guān)鍵詞】計(jì)算機(jī)網(wǎng)絡(luò)；故障診斷；支持向量機(jī)

1.概述

網(wǎng)絡(luò)故障診斷的目標(biāo)是最大限度地增加網(wǎng)絡(luò)的可用時(shí)間，提高網(wǎng)絡(luò)設(shè)備的利用率、網(wǎng)絡(luò)性能、服務(wù)質(zhì)量和安全性，簡(jiǎn)化混合網(wǎng)絡(luò)環(huán)境下的管理和減少控制網(wǎng)絡(luò)運(yùn)行成本，以延長(zhǎng)網(wǎng)絡(luò)的使用壽命。故障診斷的實(shí)質(zhì)就是模式識(shí)別，由于網(wǎng)絡(luò)設(shè)備的復(fù)雜性和故障形式的多樣性，使網(wǎng)絡(luò)故障征兆和故障狀態(tài)之間不是簡(jiǎn)單的一一對(duì)應(yīng)關(guān)系，從故障征兆集到故障狀態(tài)集是一個(gè)復(fù)雜的非線性映射。

智能故障診斷技術(shù)包括支持向量機(jī)、灰色理論、模式識(shí)別、故障樹(shù)分析、診斷專(zhuān)家系統(tǒng)等。前四種技術(shù)只是在某種程度上運(yùn)用了邏輯推理知識(shí)，部分解決了診斷過(guò)程中諸如信息模糊、不完全、故障分類(lèi)和定位等問(wèn)題，而診斷專(zhuān)家系統(tǒng)則可以以自身為平臺(tái)，綜合其他診斷技術(shù)，形成混合智能故障診斷系統(tǒng)[1]。狹義的智能診斷技術(shù)一般就指專(zhuān)家系統(tǒng)。

支持向量機(jī)（SVM）是由CorinnaCortes和Vapnik等人在上世紀(jì)80年代初提出來(lái)的樣本學(xué)習(xí)技術(shù)，它的優(yōu)勢(shì)在于基于系統(tǒng)風(fēng)險(xiǎn)最小化的原則，尤其在解決非線性、小樣本以及高維模式識(shí)別等問(wèn)題中表現(xiàn)出色。支持向量機(jī)理論是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論[2]基礎(chǔ)上，根據(jù)有限的樣本空間在對(duì)任意樣本的識(shí)別能力和對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度之間尋求最佳的平衡，以達(dá)到獲取最好的學(xué)習(xí)能力的目的。

2.計(jì)算機(jī)網(wǎng)絡(luò)故障分析

現(xiàn)代計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)日新月異，飛速發(fā)展的時(shí)代里，計(jì)算機(jī)網(wǎng)絡(luò)遍及世界各個(gè)角落，應(yīng)用在各行各業(yè)，普及到千家萬(wàn)戶(hù)，它給人們可謂帶來(lái)了諸多便利，但同時(shí)也帶來(lái)了很多的煩惱，根據(jù)常見(jiàn)的網(wǎng)絡(luò)故障歸類(lèi)為：

2.1線路故障

在日常網(wǎng)絡(luò)維護(hù)中，線路故障的發(fā)生率是相當(dāng)高的，約占發(fā)生故障的70%。線路故障通常包括線路損壞及線路受到嚴(yán)重電磁干擾。

2.2端口故障

端口故障通常包括插頭松動(dòng)和端口本身的物理故障。

2.3集線器或路由器故障

集線器或路由器故障在此是指物理?yè)p壞，無(wú)法工作，導(dǎo)致網(wǎng)絡(luò)不通。

2.4主機(jī)物理故障

網(wǎng)卡故障，也歸為主機(jī)物理故障，因?yàn)榫W(wǎng)卡多裝在主機(jī)內(nèi)，靠主機(jī)完成配置和通信，即可以看作網(wǎng)絡(luò)終端。此類(lèi)故障通常包括網(wǎng)卡松動(dòng)，網(wǎng)卡物理故障，主機(jī)的網(wǎng)卡插槽故障和主機(jī)本身故障。邏輯故障中的最常見(jiàn)情況是配置錯(cuò)誤，也就是指因?yàn)榫W(wǎng)絡(luò)設(shè)備的配置錯(cuò)誤而導(dǎo)致的網(wǎng)絡(luò)異?；蚬收?。

2.5路由器邏輯故障

路由器邏輯故障通常包括路由器端口參數(shù)設(shè)定有誤，路由器路由配置錯(cuò)誤、路由器CPU利用率過(guò)高和路由器內(nèi)存余量太小等。

2.6一些重要進(jìn)程或端口關(guān)閉

一些有關(guān)網(wǎng)絡(luò)連接數(shù)據(jù)參數(shù)得重要進(jìn)程或端口受系統(tǒng)或病毒影響而導(dǎo)致意外關(guān)閉。

2.7主機(jī)邏輯故障

主機(jī)邏輯故障所造成網(wǎng)絡(luò)故障率是較高的，通常包括網(wǎng)卡的驅(qū)動(dòng)程序安裝不當(dāng)、網(wǎng)卡設(shè)備有沖突、主機(jī)的網(wǎng)絡(luò)地址參數(shù)設(shè)置不當(dāng)、主機(jī)網(wǎng)絡(luò)協(xié)議或服務(wù)安裝不當(dāng)和主機(jī)安全性故障等。

3.改進(jìn)支持向量機(jī)算法

本文提出一種新的支持向量機(jī)等量學(xué)習(xí)算法，該算法的思想是：首先對(duì)原始樣本求解中心距離比值參數(shù)來(lái)對(duì)樣本向量集進(jìn)行排序，訓(xùn)練此集合得到初始分類(lèi)器，記此時(shí)得到的支持向量集為Sv，然后在新增樣本中求出此樣本集對(duì)應(yīng)的中心距離參數(shù)值。將新增的中心樣本參數(shù)值與原參數(shù)值一同進(jìn)行排序，根據(jù)參數(shù)大小取排序前n位的樣本進(jìn)行訓(xùn)練，得到加入重新選取樣本后的新訓(xùn)練集中SV，這些樣本在下次訓(xùn)練時(shí)有成為參與訓(xùn)練的樣本向量，訓(xùn)練此集合得到新的分類(lèi)器。

算法過(guò)程描述如下：

前提：假設(shè)Sv為初始樣本集，T為新增樣本集；

算法目標(biāo)：尋找基于的SVM分類(lèi)器，其中TV的樣本集容量固定為n。

Step1：對(duì)Sv中每個(gè)樣本點(diǎn)計(jì)算其中心距離比值參數(shù)，并據(jù)此對(duì)求出的中心距離比值參數(shù)排序表；

Step2：對(duì)Sv進(jìn)行SVM訓(xùn)練，得到分類(lèi)器S；

Step3：檢查增量過(guò)程是否繼續(xù)，如果沒(méi)有，算法結(jié)束，S為最終分類(lèi)器；

Step4：求出新增樣本集T的中心距離比值參數(shù)值，將其與B進(jìn)行排序，取前n個(gè)作為新的參數(shù)排序表Bv；

Step5：把新參數(shù)排序表Bv對(duì)應(yīng)的樣本向量集TV進(jìn)行訓(xùn)練得到新的分類(lèi)器S；

Step6：保存新的參數(shù)排序表Bv，轉(zhuǎn)至step1。

該算法處理新增樣本集時(shí)用參數(shù)窗口代替時(shí)間樣本進(jìn)行訓(xùn)練學(xué)習(xí)，在不影響訓(xùn)練速度的情況下，可以提高分類(lèi)精度。對(duì)于新增樣本，利用中心距離比值參數(shù)來(lái)判斷是否需要加入訓(xùn)練學(xué)習(xí)。如果需要重新學(xué)習(xí)，則將原參數(shù)值排序表進(jìn)行更新，并訓(xùn)練新排序表對(duì)應(yīng)的新的待訓(xùn)練樣本集，獲得新的分類(lèi)器。這樣可以舍棄更多的無(wú)用信息，保留有用信息，減少訓(xùn)練時(shí)間的同時(shí)，提高了分類(lèi)精度。

4.基于SVM方法的計(jì)算機(jī)網(wǎng)絡(luò)故障診斷實(shí)例

4.1免疫agent故障管理模型

免疫Agent網(wǎng)絡(luò)模型的工作原理是，當(dāng)網(wǎng)絡(luò)發(fā)生故障的時(shí)候，搜集故障信息，然后經(jīng)過(guò)一定的處理后，以抗原的形式提交到本地agent，本地agent首先在本地知識(shí)庫(kù)進(jìn)行搜索，看是否存在與抗原相匹配的故障類(lèi)型，如果存在，那么輸出故障信息，同時(shí)發(fā)送匹配成功的激勵(lì)信號(hào)；否則發(fā)送協(xié)助信號(hào)，請(qǐng)求其他agent協(xié)助解決，其他agent接收到幫助信號(hào)以后，到自己agent中的知識(shí)庫(kù)就行搜索，看是否存在相匹配的信息，如果存在，則將匹配到的故障類(lèi)型發(fā)送給本地agent，否則將故障信息交由人工解決。

模型的運(yùn)行是不斷進(jìn)行迭代的協(xié)同進(jìn)化過(guò)程。每進(jìn)行一次故障數(shù)據(jù)信息的診斷，模型就完成一次迭代過(guò)程。每一次迭代中，Agent之間會(huì)進(jìn)行信息的交互，在迭代過(guò)程中每一個(gè)agent的知識(shí)庫(kù)（也就是抗體集）會(huì)不斷的進(jìn)行更新，因而故障診斷能力會(huì)不斷的增強(qiáng)，整個(gè)過(guò)程是始終是處于動(dòng)態(tài)變化。

4.2Agent各功能模塊介紹

移動(dòng)agent由六種不同功能的agent組成。下面對(duì)每種agent功能進(jìn)行詳細(xì)介紹。

（1）信息采集agent

信息采集是進(jìn)行故障診斷的前提。信息采集agent主要是對(duì)網(wǎng)絡(luò)主機(jī)及所屬子網(wǎng)絡(luò)上的原始數(shù)據(jù)進(jìn)行收集，然后將收集到的原始數(shù)據(jù)保存，然后進(jìn)行一些預(yù)處理（如分析數(shù)據(jù)傳輸采用的協(xié)議、丟包率等），為故障診斷準(zhǔn)備好數(shù)據(jù)信息。

（2）故障診斷agent

故障診斷agent是整個(gè)系統(tǒng)的核心。一個(gè)故障診斷agent通常只包含相對(duì)有限、獨(dú)立的故障檢測(cè)方法，提供對(duì)某一具體類(lèi)型的數(shù)據(jù)分析服務(wù)，因此它的檢測(cè)能力是非常有限的。故障診斷agent根據(jù)本身的責(zé)任，它會(huì)主動(dòng)發(fā)送請(qǐng)求給相關(guān)的信息采集agent，然后對(duì)返回的信息進(jìn)行分析，得出診斷結(jié)論。如果存在無(wú)法識(shí)別的異常，故障診斷agent會(huì)將數(shù)據(jù)源信息、實(shí)際診斷方法、故障參數(shù)等信息作為本地存儲(chǔ)，發(fā)送給決策agent做下一步處理。

（3）通信agent

所謂的通信agent就是負(fù)責(zé)網(wǎng)絡(luò)agent之間的相互通信。每個(gè)局域網(wǎng)都有一個(gè)通信agent而且是唯一，局域網(wǎng)內(nèi)的agent之間必須通過(guò)通信agent才能進(jìn)行交互，否則不能直接通信。通信agent本身并不具備執(zhí)行診斷任務(wù)的能力，是為其他agent服務(wù)的。

（4）決策agent

系統(tǒng)在故障診斷過(guò)程中可能遇到各種問(wèn)題，如數(shù)據(jù)采集不完整、領(lǐng)域知識(shí)不完備等，這些因素增加了檢測(cè)結(jié)果的不確定性。對(duì)于比較簡(jiǎn)單的任務(wù)而言，決策agent也許不是必需的，但是如果任務(wù)比較復(fù)雜，根據(jù)單一故障特征并不能確定問(wèn)題的所在，此時(shí)決策agent就發(fā)揮作用了。如果無(wú)法得出明確的診斷結(jié)論，這個(gè)時(shí)候決策agent會(huì)將診斷信息發(fā)送給系統(tǒng)管理agent，請(qǐng)求人工處理，處理完成后，將處理信息添加到知識(shí)庫(kù)中，以備將來(lái)使用，這也就是學(xué)習(xí)過(guò)程。

5.結(jié)語(yǔ)

本文對(duì)計(jì)算機(jī)網(wǎng)絡(luò)故障進(jìn)行了分析，提出了改進(jìn)的支持向量機(jī)算法，建立了改進(jìn)支持向量機(jī)網(wǎng)絡(luò)訓(xùn)練和仿真模型。針對(duì)計(jì)算機(jī)網(wǎng)絡(luò)故障這一診斷實(shí)例，對(duì)其進(jìn)行了實(shí)例仿真，實(shí)驗(yàn)結(jié)果表明了該方法的優(yōu)越性。

參考文獻(xiàn)：

[1] 江芳澤，黃曉東.基于辯識(shí)神經(jīng)網(wǎng)絡(luò)魯棒性研究協(xié)[J].電子技術(shù)應(yīng)用，2002，44（16）：93-101.

[2] 錢(qián)藝，李占才.一種神經(jīng)網(wǎng)絡(luò)并行處理器的體系結(jié)構(gòu)[J].小型微型計(jì)算機(jī)系統(tǒng)，2007，28（10）：1902-1905.

[3] 李玲玲，劉希玉.基于粒子群優(yōu)化算法的并行學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)集成構(gòu)造方法[J].山東科學(xué)，2007，20（4）：16-20.

（作者單位：長(zhǎng)城汽車(chē)股份有限公司）