葉朱兵

摘要：隨著我國(guó)互聯(lián)網(wǎng)規(guī)模的不斷擴(kuò)大，網(wǎng)絡(luò)通信模式和網(wǎng)絡(luò)服務(wù)也日益復(fù)雜，數(shù)據(jù)種類的增多和數(shù)據(jù)來(lái)源的多元化都不同程度地提高了網(wǎng)絡(luò)的運(yùn)維工作難度。以往對(duì)于網(wǎng)絡(luò)異常點(diǎn)的檢測(cè)工作多采用被動(dòng)的統(tǒng)計(jì)檢測(cè)技術(shù)，其不足指出較多，迫切需要改進(jìn)。該文提出將網(wǎng)絡(luò)性能指標(biāo)作為監(jiān)測(cè)對(duì)象，從而實(shí)現(xiàn)快速查找和定位異常點(diǎn)的目標(biāo)，構(gòu)建了基于同點(diǎn)時(shí)間序列的網(wǎng)絡(luò)性能模型，并采用SVM技術(shù)完成了對(duì)異常點(diǎn)的分析判斷任務(wù)，顯著提高了網(wǎng)絡(luò)異常點(diǎn)的檢出率和識(shí)別速度，具有較好的應(yīng)用前景。

關(guān)鍵詞：SVM;分類算法;網(wǎng)絡(luò)異常點(diǎn);同點(diǎn)時(shí)間序列;檢測(cè)模型

中圖分類號(hào)：TP393? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）21-0054-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

1 引言

隨著網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大，數(shù)據(jù)種類的不斷增多，以及用戶覆蓋范圍的不斷拓展，對(duì)網(wǎng)絡(luò)異常檢測(cè)的需求日益提高，不僅要求檢測(cè)精度達(dá)標(biāo)，同時(shí)也要求將檢測(cè)耗時(shí)控制在一定范圍之內(nèi)，即對(duì)檢測(cè)系統(tǒng)的實(shí)時(shí)性提出了更高的指標(biāo)。目前最常見(jiàn)的檢測(cè)手段依然是被動(dòng)統(tǒng)計(jì)式的，即根據(jù)某一時(shí)間點(diǎn)上的數(shù)據(jù)流量超過(guò)預(yù)定值來(lái)判別是否出現(xiàn)異常，這種方法存在許多問(wèn)題，如檢測(cè)精度不夠，容易出現(xiàn)誤報(bào)和漏報(bào)等，需要對(duì)其進(jìn)行改進(jìn)。

主動(dòng)性能檢測(cè)技術(shù)則不再針對(duì)流量進(jìn)行統(tǒng)計(jì)，而是針對(duì)可能出現(xiàn)的異常指征進(jìn)行動(dòng)態(tài)的識(shí)別，從而更快的對(duì)故障點(diǎn)進(jìn)行定位;另一方面，也可根據(jù)網(wǎng)絡(luò)監(jiān)控的需求，靈活的設(shè)定性能指標(biāo)的合理范圍，一旦超出該范圍，則可判定異常點(diǎn)的出現(xiàn)，并及時(shí)介入維護(hù)，盡可能減輕了因故障的出現(xiàn)而導(dǎo)致的用戶體驗(yàn)度的下降程度，也避免了因連鎖反應(yīng)而帶來(lái)了嚴(yán)重網(wǎng)絡(luò)故障。在采用此方法進(jìn)行檢測(cè)時(shí)，參數(shù)的合理調(diào)整環(huán)節(jié)至關(guān)重要，其調(diào)整質(zhì)量決定了整個(gè)檢測(cè)算法的運(yùn)行表現(xiàn)。為了提高參數(shù)優(yōu)化水平，本文提出構(gòu)建反映網(wǎng)絡(luò)性能變化特征的同點(diǎn)時(shí)間序列模型，并采用SVM機(jī)制對(duì)該模型進(jìn)行優(yōu)化，從而提高參數(shù)選擇的準(zhǔn)確性和實(shí)時(shí)性。

2 SVM機(jī)制概述

支持向量機(jī)SVM是人工智能領(lǐng)域內(nèi)發(fā)展較快的一種機(jī)器學(xué)習(xí)機(jī)制，其良好的自適應(yīng)性可適用于多種檢測(cè)分類場(chǎng)合。該機(jī)制最大的優(yōu)勢(shì)在于可以從高維空間對(duì)復(fù)雜的非線性問(wèn)題進(jìn)行并歸與簡(jiǎn)化，通過(guò)對(duì)解群體的分類與回歸，提高了算法的泛化性，并顯著降低了待求問(wèn)題的空間復(fù)雜度。SVM從根本上來(lái)看依舊屬于二元分類問(wèn)題，即根據(jù)預(yù)設(shè)標(biāo)準(zhǔn)，自適應(yīng)的將待求問(wèn)題的解群體分為兩類，其算法如下：

設(shè)解群體為{[xi]，[yj]}，i，j =1，2，…n;[xi]、[yj]為n維向量，描述的系統(tǒng)的輸入與輸出，同時(shí)要求待求解問(wèn)題采用如下形式描述：

上式中[?（?）]為特征映射函數(shù)，其作用是將解向量映射到高維空間，從而簡(jiǎn)化對(duì)問(wèn)題的描述，降低待求問(wèn)題的空間復(fù)雜度，因此可將上式看作是輸入和輸出之間的回歸函數(shù)，基于這一結(jié)論，可采用SVM算法將其對(duì)應(yīng)轉(zhuǎn)換為：[]

其中[ω2]為復(fù)雜度參數(shù);C為懲罰系數(shù)，用于糾正分類錯(cuò)誤帶來(lái)的偏差，[ε]為不靈敏損失函數(shù)：

取經(jīng)驗(yàn)風(fēng)險(xiǎn)為：

結(jié)合以上兩式，可對(duì)式（2）進(jìn)行轉(zhuǎn)換，得到：

利用拉格朗日乘子法可得其對(duì)偶優(yōu)化問(wèn)題，描述為：

式（6）中的[K（xi，xj）]被稱為SVM機(jī)制中的核函數(shù)，即用以評(píng)價(jià)解群體并對(duì)其進(jìn)行分類的關(guān)鍵函數(shù)，因此，核函數(shù)的適應(yīng)度高低直接決定了SVM機(jī)制的分類質(zhì)量，本文選取目前成熟度最高，適用范圍最廣泛的高斯徑向基函數(shù)為核函數(shù)，其描述如下：

以（[a，a*]）形式的解來(lái)描述以上函數(shù)，則可得到：

而[b]的計(jì)算公式為：

結(jié)合以上公式，可得到SVM的最終分類函數(shù)為：

[f（x）]為+1和-1時(shí)，分別表示兩種類型，本文提出的主動(dòng)預(yù)測(cè)機(jī)制借助了這種分類方法，將網(wǎng)絡(luò)中某節(jié)點(diǎn)性能同樣分為正常與異常兩類，并采用SVM機(jī)制加以實(shí)施判別。

3 網(wǎng)絡(luò)性能異常檢測(cè)方案設(shè)計(jì)

3.1 同點(diǎn)序列數(shù)據(jù)模型

時(shí)間序列模型被使用在多種檢測(cè)場(chǎng)合，通常分為兩種類型，即連續(xù)時(shí)間序列模型與同點(diǎn)時(shí)間序列模型。首先介紹連續(xù)時(shí)間序列模型，即根據(jù)某個(gè)監(jiān)測(cè)對(duì)象在一串連續(xù)的時(shí)間點(diǎn)上某種性能的波動(dòng)情況進(jìn)行采樣和分析，并構(gòu)建如式（11）所描述的數(shù)學(xué)模型作為訓(xùn)練集，其中U為訓(xùn)練集的輸入，V為輸出向量：

上式中，[l]為訓(xùn)練集中元素個(gè)數(shù);m為嵌入維數(shù);t為連續(xù)采樣點(diǎn)。該模型針對(duì)被測(cè)對(duì)象在某一時(shí)期內(nèi)的連續(xù)波動(dòng)情況具有較為精確的回歸模式，但其缺點(diǎn)是滯后性較為明顯，即系統(tǒng)檢測(cè)實(shí)時(shí)性能較差，且對(duì)于網(wǎng)絡(luò)性能監(jiān)測(cè)而言，其后果實(shí)往往會(huì)將異常點(diǎn)當(dāng)作正常情況代入分析過(guò)程，從而導(dǎo)致誤檢率明顯上升。另一方面，通過(guò)大量的觀察發(fā)現(xiàn)，網(wǎng)絡(luò)性能的變化在一段連續(xù)時(shí)間內(nèi)往往呈現(xiàn)出無(wú)規(guī)律的特征，而在多日同一時(shí)刻卻表現(xiàn)出了類似的波動(dòng)特征，這也同網(wǎng)絡(luò)突發(fā)性強(qiáng)的特點(diǎn)相吻合?；谶@一結(jié)論，本文提出采用如下式所描述的同點(diǎn)時(shí)間序列模型作為構(gòu)建訓(xùn)練集的設(shè)計(jì)思路。

上式中的n為在1d周期中的采樣次數(shù);由于該模型在采樣環(huán)節(jié)采取了分散檢測(cè)的方法，因此也顯著的降低了異常點(diǎn)集中出現(xiàn)而帶來(lái)的某個(gè)樣本優(yōu)先級(jí)過(guò)高，最終干擾了整個(gè)訓(xùn)練集的分析結(jié)果這一常見(jiàn)的問(wèn)題，從而確保了檢測(cè)工作的穩(wěn)定性和可靠性。

3.2 核函數(shù)的選擇及參數(shù)優(yōu)化

如前文所述，在經(jīng)過(guò)了多次對(duì)比分析后，本文選取了目前應(yīng)用范圍最廣泛的高斯徑向基函數(shù)為SVM算法的核函數(shù)，并對(duì)其關(guān)鍵參數(shù)進(jìn)行了優(yōu)化。為了在檢測(cè)實(shí)時(shí)性與精確性之間獲取最佳的平衡點(diǎn)，參數(shù)優(yōu)化環(huán)節(jié)選取了兩步優(yōu)化策略，即首先采用粗略法確定參數(shù)的大致取值區(qū)間，以壓縮檢測(cè)方法的準(zhǔn)備耗時(shí)，隨后采取精細(xì)尋優(yōu)法確定最佳的參數(shù)值。本次優(yōu)化工作的對(duì)象設(shè)定為SVM當(dāng)中最關(guān)鍵的兩個(gè)參數(shù)，即懲罰參數(shù)[c]和核函數(shù)參數(shù)[γ]，兩步尋優(yōu)的過(guò)程如圖1和圖2所示。

（1）粗略尋優(yōu)環(huán)節(jié)

尋優(yōu)結(jié)果如圖1所示：

如上圖所示，在空間坐標(biāo)系中，[x]、[y]軸分別表示[c]、[γ]取以2為底的對(duì)數(shù)后的值;[z]軸則為（[c]，[γ]）的對(duì)應(yīng)的SVM分析結(jié)果的準(zhǔn)確度。采用SVMcgForClass函數(shù)進(jìn)行分析計(jì)算，得到[c]的粗略優(yōu)化區(qū)間為[（2-2，24）]，[γ]的粗略優(yōu)化區(qū)間為[（2-4，24）]，在此參數(shù)組合下，[SVM]機(jī)制對(duì)異常點(diǎn)的檢出準(zhǔn)確率達(dá)到了93%以上，效果良好。

（2）精細(xì)尋優(yōu)環(huán)節(jié)

將[c]在粗略區(qū)間內(nèi)離散化，得到[{2-2，2-1.5，2-1，…24}]，同理[γ]離散為[{2-4，2-3.5，2-3，…24}]，再次調(diào)用SVMcgForClass函數(shù)，得到的兩個(gè)參數(shù)尋優(yōu)結(jié)果以及對(duì)應(yīng)的SVM檢出準(zhǔn)確率如圖2所示。

通過(guò)精細(xì)尋優(yōu)，[c]和[γ]的最佳組合值分別為[c]=1.3272，[γ]=1，在此參數(shù)組合下，[SVM]對(duì)網(wǎng)絡(luò)異常點(diǎn)的檢出率達(dá)到了95.58%，相較于粗略尋優(yōu)結(jié)果有了明顯的改善，從而論證了本方法的有效性。通過(guò)大量的對(duì)比實(shí)驗(yàn)證明，本文提出的采用SVM機(jī)制對(duì)同點(diǎn)時(shí)間序列模型進(jìn)行網(wǎng)絡(luò)性能異常點(diǎn)的檢測(cè)方法明顯提高了網(wǎng)絡(luò)異常的檢出率，尤其在網(wǎng)絡(luò)性能不穩(wěn)定，出現(xiàn)大量集中錯(cuò)誤的關(guān)鍵時(shí)期，該機(jī)制對(duì)異常點(diǎn)的識(shí)別率較高，運(yùn)行質(zhì)量較為穩(wěn)定，持續(xù)監(jiān)測(cè)性能良好。

4 結(jié)束語(yǔ)

隨著網(wǎng)絡(luò)規(guī)模的不斷拓展，基于網(wǎng)絡(luò)平臺(tái)的信息化服務(wù)種類日益增多，廣大用戶對(duì)網(wǎng)絡(luò)性能與服務(wù)質(zhì)量的期望值也在不斷提高，網(wǎng)絡(luò)異常點(diǎn)的及時(shí)檢出與故障排查時(shí)確保網(wǎng)絡(luò)通信質(zhì)量的前提。網(wǎng)絡(luò)運(yùn)維工作必須要不斷引入新技術(shù)，借鑒新理念，不斷在原有的技術(shù)基礎(chǔ)上突破創(chuàng)新，才能可靠的完成網(wǎng)絡(luò)維護(hù)目標(biāo)。本文將成熟的SVM機(jī)制與同點(diǎn)時(shí)間序列模型相結(jié)合，并構(gòu)建出了一種新的網(wǎng)絡(luò)異常檢測(cè)方案，并采用兩步交叉驗(yàn)證法提高了參數(shù)尋優(yōu)環(huán)節(jié)的質(zhì)量，顯著的提高了網(wǎng)絡(luò)性能異常點(diǎn)的檢測(cè)水平。相信隨著人工智能領(lǐng)域的不斷突破，以及隨著芯片計(jì)算能力的飛速提升，未來(lái)網(wǎng)絡(luò)異常檢測(cè)工作的可靠性、實(shí)時(shí)性與準(zhǔn)確性都將獲得大幅提升，實(shí)現(xiàn)從量變到質(zhì)變的過(guò)渡，最終為用戶提供更高質(zhì)量的網(wǎng)絡(luò)通信服務(wù)。

參考文獻(xiàn)：

[1] 于艷華，宋俊德.一種基于異常點(diǎn)檢測(cè)的電信網(wǎng)絡(luò)性能監(jiān)控策略[J].電子與信息學(xué)報(bào)，2009，31（9）：2220-2224.

[2] 武優(yōu)西，郭磊，柴欣，等.基于優(yōu)化算法的核函數(shù)參數(shù)選擇的研究[J].計(jì)算機(jī)應(yīng)用與軟件，2014，27（1）： 137-140.

[3] 吳景龍，楊淑霞，劉承水.基于遺傳算法優(yōu)化參數(shù)的支持向量機(jī)短期負(fù)荷預(yù)測(cè)方法[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2009，40（1）：180-184.

【通聯(lián)編輯：代影】