摘 要：為了精準(zhǔn)識(shí)別通信網(wǎng)絡(luò)故障，本文提出一種基于優(yōu)化支持向量機(jī)（Support Vector Machine，SVM）的通信網(wǎng)絡(luò)故障診斷方法。采用狼群算法（Wolf Pack Algorithm，WPA）對(duì)SVM的懲罰系數(shù)和核函數(shù)系數(shù)進(jìn)行搜索，構(gòu)建基于WPA-SVM的通信網(wǎng)絡(luò)故障診斷模型。試驗(yàn)結(jié)果表明，WPA-SVM模型診斷精度為98.33%，比SVM模型、神經(jīng)網(wǎng)絡(luò)模型分別提升5.36%、9.26%，使用本文方法效果更好。

關(guān)鍵詞：通信網(wǎng)絡(luò)；故障診斷；狼群算法

中圖分類號(hào)：TN 915 " " " " " " 文獻(xiàn)標(biāo)志碼：A

隨著信息技術(shù)的發(fā)展，網(wǎng)絡(luò)安全問(wèn)題日益增加，傳統(tǒng)網(wǎng)絡(luò)故障診斷方法十分煩瑣，診斷周期較長(zhǎng)，診斷精度較低[1-3]，因此需要研究更加快速、精準(zhǔn)的通信網(wǎng)絡(luò)智能診斷方法。本文采用狼群算法（Wolf Pack Algorithm，WPA）對(duì)支持向量機(jī)（Support Vector Machine，SVM）的懲罰系數(shù)和核函數(shù)系數(shù)進(jìn)行搜索，對(duì)SVM的參數(shù)進(jìn)行尋優(yōu)，在這個(gè)基礎(chǔ)上構(gòu)建基于WPA-SVM的通信網(wǎng)絡(luò)故障診斷模型，利用仿真和對(duì)比對(duì)該模型的有效性和優(yōu)越性進(jìn)行驗(yàn)證。

1 SVM及其優(yōu)化

1.1 SVM分類原理

1963年，VAPINK[4]在統(tǒng)計(jì)學(xué)理論的基礎(chǔ)上提出SVM，滿足VC維（Vapnik-Chervonenkis Dimension）理論，遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，能夠很好地處理一些非線性問(wèn)題。SVM的數(shù)據(jù)處理策略是將維度空間相對(duì)較低的數(shù)據(jù)集提升至維度較高的空間，對(duì)數(shù)據(jù)集類別進(jìn)行劃分，其優(yōu)點(diǎn)是能夠避免在數(shù)據(jù)處理過(guò)程中算法陷入局部最優(yōu)。本文采用SVM對(duì)通信網(wǎng)絡(luò)故障進(jìn)行診斷分類。

在訓(xùn)練樣本數(shù)據(jù)的過(guò)程中，SVM利用映射函數(shù)將有類別標(biāo)簽的數(shù)據(jù)轉(zhuǎn)化至高維空間，根據(jù)數(shù)據(jù)特征完成分類。令數(shù)據(jù)集合為M，M={（x1， y1）， （x2， y2）， …， （xn， yn）}， yi∈[-1，1]，n為數(shù)據(jù)維度特征，構(gòu)造合適的決策函數(shù)f（x），使平面間距達(dá)到最大，如公式（1）所示。

f（x）=sgn（w?x+b） " " （1）

式中：w為權(quán)值系數(shù)；x為變量；b為閾值。

不同類別數(shù)據(jù)之間的距離為2/‖w‖，為了取得最大值，目標(biāo)函數(shù)如公式（2）所示。

（2）

式中：C為懲罰系數(shù)；ξi為松弛變量；i為樣本個(gè)數(shù)；yi為訓(xùn)練樣本標(biāo)簽；xi為樣本數(shù)據(jù)。

在公式（2）中引入拉格朗日乘子，可以得到公式（3）。

（3）

式中：αi為第i個(gè)拉格朗日乘子；αj為第j個(gè)拉格朗日乘子。

計(jì)算公式（3）中的權(quán)值系數(shù)w和閾值b，如公式（4）、公式（5）所示。

（4）

（5）

式中：αi*為α的對(duì)偶系數(shù)。

核函數(shù)是SVM進(jìn)行數(shù)據(jù)集空間轉(zhuǎn)換的必要條件，在核函數(shù)的作用下，SVM的訓(xùn)練難度明顯降低，能夠避免數(shù)據(jù)集維度過(guò)多造成計(jì)算量過(guò)大。常用的核函數(shù)類型有多項(xiàng)式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)，其特點(diǎn)各不相同。多項(xiàng)式核函數(shù)多用于線性分類，非線性分類使用多項(xiàng)式核函數(shù)容易出現(xiàn)過(guò)擬合現(xiàn)象；Sigmoid核函數(shù)適用于建立多層感知器模型；徑向基核函數(shù)的泛化能力不受樣本容量的限制，抗干擾能力強(qiáng)，因此本文將徑向基核函數(shù)作為SVM建模的核函數(shù)。

1.2 WPA算法尋優(yōu)原理

2013年，吳虎勝[5]提出了性能優(yōu)越的尋優(yōu)算法，即WPA。WPA的尋優(yōu)原理來(lái)自自然界中狼群的狩獵行為，在狩獵過(guò)程中，狼群中有頭狼、探狼和猛狼3種不同的角色，頭狼是整個(gè)狼群的首領(lǐng)，其作用是指導(dǎo)探狼、猛狼搜索、圍捕獵物；探狼是信息感知者，不斷奔走來(lái)搜索獵物；猛狼是攻擊者，其作用是圍捕獵物，狼群角色劃分如圖1所示。

令狼群中狼個(gè)體數(shù)量為N，搜索空間維度為d，狼個(gè)體為Xi=（xi1，xi2，…，xid），WPA的主要尋優(yōu)過(guò)程如下。

1.2.1 產(chǎn)生頭狼

采用隨機(jī)初始化的方式產(chǎn)生初始狼群，選擇適應(yīng)度最好的狼個(gè)體Ylead作為頭狼，當(dāng)其他個(gè)體的適應(yīng)度值比頭狼更高時(shí)，該個(gè)體便成為頭狼。

1.2.2 探狼游走

令狼群中探狼數(shù)量為M，探狼數(shù)量取決于[N/（α+1），N/α]，α為比例系數(shù)，當(dāng)搜索獵物時(shí)，共有h個(gè)方向，探狼的移動(dòng)步長(zhǎng)為stepa，令探狼初始適應(yīng)度為Yi，假設(shè)探狼向方向p（p=1，2，…，h）移動(dòng)，那么探狼位置的更新過(guò)程如公式（6）所示。

xp id=xid+sin（2π·p/h）·stepd a " " " " " " " " " " " " " " " " "（6）

式中：xp id為p方向探狼位置；xid為狼個(gè)體位置；p為當(dāng)前方向；h為獵物個(gè)數(shù)；stepd a為在d維空間中探狼的移動(dòng)步長(zhǎng)。

探狼每更新一次位置，其對(duì)應(yīng)的新適應(yīng)度值為Yip，如果Yip優(yōu)于Yi，那么用Yip替代Yi，比較Yip與頭狼適應(yīng)度值Ylead，如果Yip優(yōu)于Ylead，那么該探狼個(gè)體更新為頭狼，并向種群中的猛狼發(fā)起召喚，否則探狼繼續(xù)搜索獵物，直至達(dá)到最大迭代次數(shù)Tmax。

1.2.3 猛狼奔襲

在狼群中，猛狼的數(shù)量為N-M，當(dāng)接收頭狼的召喚信息時(shí)，猛狼會(huì)立即向頭狼靠攏，令猛狼運(yùn)動(dòng)步長(zhǎng)為stepb，在奔襲過(guò)程中猛狼位置的更新公式如公式（7）所示。

xidk+1=xidk+stepbd×（gdk-xidk）/|gdk-xidk| " " " " " （7）

式中：xidk+1為狼個(gè)體k+1次迭代；xidk為狼個(gè)體的迭代次數(shù)；k為迭代次數(shù)；stepbd為在d維空間中猛狼的運(yùn)行步長(zhǎng)；gdk為當(dāng)?shù)趉次迭代時(shí)頭狼的位置。

1.2.4 圍攻獵物

當(dāng)猛狼到達(dá)攻擊位置后，狼群開始攻擊獵物，獵物位置就是頭狼所在位置，令頭狼位置為Gdk，攻擊步長(zhǎng)為stepc，那么圍攻獵物過(guò)程中狼群位置更新如公式（8）所示。

xidk+1=xidk+λ×stepcd×|Gdk-xidk| " " " " " " " " " " " " " （8）

式中：λ為頭狼位置系數(shù)；stepcd為在d維空間中狼群的攻擊步長(zhǎng)。

探狼移動(dòng)步長(zhǎng)stepa、猛狼運(yùn)行步長(zhǎng)stepb和狼群攻擊步長(zhǎng)stepc之間的關(guān)系如公式（9）所示。

stepad=stepbd/2=stepcd×2=|maxd-mind|/S （9）

式中：S為步長(zhǎng)因子。

1.2.5 狼群更新

在狩獵過(guò)程中，適應(yīng)值低的狼會(huì)被淘汰，設(shè)其數(shù)量為R。為了保持狼群數(shù)量不變，會(huì)隨機(jī)產(chǎn)生同樣數(shù)量的狼進(jìn)行補(bǔ)充，R的取值范圍為[N/2×β，N/λ]，β為更新比例系數(shù)。

2 基于WPA-SVM的通信網(wǎng)絡(luò)故障診斷模型

為了提升SVM的分類性能，本文采用WPA尋找懲罰系數(shù)C和核函數(shù)系數(shù)σ的最優(yōu)值，構(gòu)建基于WPA-SVM的通信網(wǎng)絡(luò)故障診斷模型，WPA-SVM模型的建模步驟如下。1）輸入通信網(wǎng)絡(luò)故障樣本數(shù)據(jù)，劃分樣本集，并利用最大最小化法進(jìn)行歸一化處理。2）初始化SVM，設(shè)置C和σ的初值以及尋優(yōu)范圍。3）初始化狼群，設(shè)置相關(guān)參數(shù)，包括N、步長(zhǎng)因子S、最大迭代次數(shù)kmax、距離判定因子ω、最大游走次數(shù)Tmax以及比例系數(shù)α、β等。4）設(shè)置適應(yīng)度函數(shù)，計(jì)算狼個(gè)體的初始適應(yīng)度值，確定頭狼位置及其適應(yīng)度Ylead，適應(yīng)度函數(shù)計(jì)算過(guò)程如公式（10）所示。

（10）

式中：χ為準(zhǔn)確率；Q為數(shù)據(jù)總量；q為診斷結(jié)果錯(cuò)誤的數(shù)據(jù)量。5）更新探狼位置并計(jì)算其適應(yīng)度Yi，比較Yi與Ylead優(yōu)劣，如果Yi優(yōu)于Ylead，那么更新頭狼位置，程序進(jìn)入下一步，否則探狼繼續(xù)游走，游走次數(shù)為Tmax時(shí)，程序進(jìn)行下一步。6）更新猛狼位置并計(jì)算猛狼適應(yīng)度值，比較Yi與Ylead優(yōu)劣，如果Yi優(yōu)于Ylead，那么更新頭狼位置，否則當(dāng)猛狼奔襲至攻擊位置時(shí)，程序進(jìn)入下一步。7）狼群對(duì)獵物進(jìn)行圍攻，并更新狼群位置。8）判斷程序是否迭代至kmax，如果是，那么輸出C和σ的最優(yōu)值，否則返回步驟（5）。9）利用WPA-SVM模型進(jìn)行故障診斷，輸出通信網(wǎng)絡(luò)故障診斷結(jié)果。

3 算例分析

通信網(wǎng)絡(luò)典型故障類型通常包括雙工模式不匹配、接口速率不匹配、以太網(wǎng)未連接、接口負(fù)載過(guò)大、接口信號(hào)丟失以及鏈路寬帶不足。利用網(wǎng)絡(luò)測(cè)試系統(tǒng)獲得上述6種故障類型數(shù)據(jù)，樣本數(shù)據(jù)劃分以及故障編碼情況見表1。

設(shè)置WPA算法的參數(shù)如下：狼群容量N=100、步長(zhǎng)因子S=800、探狼比例因子α=4、最大迭代次數(shù)kmax=200、游走方向h=4、最大游走次數(shù)Tmax=20以及更新比例系數(shù)β=5。利用訓(xùn)練集中的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，采用WPA算法搜索SVM的懲罰系數(shù)C和核函數(shù)系數(shù)σ的最優(yōu)值，獲得的尋優(yōu)結(jié)果為C=43.78，σ=10.14。將C和σ最優(yōu)值賦予SVM后，使用WPA-SVM模型對(duì)測(cè)試集樣本數(shù)據(jù)進(jìn)行診斷，WPA-SVM模型的診斷結(jié)果如圖2所示，由圖2可知，WPA-SVM模型輸出結(jié)果出現(xiàn)1個(gè)錯(cuò)誤，誤將接口速率不匹配診斷為接口負(fù)載過(guò)大。

為了驗(yàn)證WPA-SVM模型的效果，利用SVM和BPNN分別構(gòu)建SVM模型和BPNN模型，使用相同的樣本數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，SVM模型和BPNN模型的診斷結(jié)果分別如圖3、圖4所示。由圖3、圖4可知，SVM模型和BPNN模型的輸出結(jié)果分別出現(xiàn)了4次、6次錯(cuò)誤，與WPA-SVM模型相比，診斷效果較差。

計(jì)算WPA-SVM模型、SVM模型和BPNN模型的診斷精度，各模型診斷精度見表2。由表2可知，WPA-SVM模型、SVM模型和BPNN模型的診斷精度分別為98.33%、93.33%和90%，與SVM模型和BPNN模型相比，WPA-SVM模型精度分別提升5.36%和9.26%，說(shuō)明WPA-SVM模型在網(wǎng)絡(luò)故障診斷方面效果更好[6]。

4 結(jié)論

本文采用WPA算法確定了SVM懲罰系數(shù)和核函數(shù)系數(shù)的最優(yōu)值，提升了SVM的非線性分類性能。在這個(gè)基礎(chǔ)上構(gòu)建了基于WPA-SVM的通信網(wǎng)絡(luò)故障診斷模型，利用網(wǎng)絡(luò)測(cè)試系統(tǒng)獲取通信網(wǎng)絡(luò)典型故障類型數(shù)據(jù)進(jìn)行仿真。將WPA-SVM模型的診斷結(jié)果與SVM模型和BPNN模型進(jìn)行對(duì)比，結(jié)果表明，WPA-SVM模型、SVM模型和BPNN模型的診斷精度分別為98.33%、93.33%和90%，驗(yàn)證了WPA-SVM模型在網(wǎng)絡(luò)故障診斷方面效果更好。

參考文獻(xiàn)

[1]徐延海.基于GAN的通信網(wǎng)絡(luò)故障檢測(cè)與診斷方法[J].自動(dòng)化技術(shù)與應(yīng)用，2024，43（4）： 67-70，146.

[2]羅鵬，李景文.面向大數(shù)據(jù)平臺(tái)調(diào)度優(yōu)化的通信網(wǎng)絡(luò)故障診斷 [J].微型電腦應(yīng)用，2024，40（3）198-201，213.

[3]齊放，姚渭箐，張成，等.基于卷積神經(jīng)網(wǎng)絡(luò)的電力通信網(wǎng)絡(luò)故障診斷[J].信息技術(shù)，2023（6）：119-123，128.

[4]VAPNIK V N. An overview of statistical learning theory[J].IEEE transactions on neural networks，1999，10（5）：988-999.

[5]吳虎勝，張鳳鳴，吳廬山.一種新的群體智能算法一狼群算法[J].系統(tǒng)工程與電子技術(shù)，2013，35（11）：2430-2438.

[6]印云剛，劉闖，何其新，等.基于改進(jìn)狼群算法的含風(fēng)電配電網(wǎng)無(wú)功優(yōu)化[J].內(nèi)蒙古電力技術(shù)，2023，41（3）：1-7.

通信作者：詹小鋒（1980—），男，廣東湛江人，本科，工程師，研究方向?yàn)榫W(wǎng)絡(luò)工程。

電子郵箱：26147883@qq.com。