基于模糊逻辑的网络故障智能诊断系统x.doc

基于模糊逻辑的网络故障智能诊断研究朱有产 张晓芳zyc_ (华北电力大学信息与网络管理中心 河北保定 071003)摘 要 在网络故障诊断中应用模糊逻辑的思想，采用模糊推理进行故障分析和诊断，通过系统反馈对规则的信任度进行调整，在调整公式中加入增量参数和减量参数实现对调整幅度的控制，从而实现系统的自学习。在初始事件库中，通过加入优先级和类别信息实现对故障排除顺序的控制，并且对不同类型的网络故障分别建立初始事件库，实现对不同故障现象的分别处理。系统将网络知识和专家的经验结合起来，对快速排除网络故障提供帮助，实验证明应用效果较好。在以后的应用过程中，还需要对系统的知识库不断进行补充和完善。关键词：模糊逻辑，故障诊断，自学习文献标识码 A 中图分类号 TP393 A Intelligent Network Fault Diagnosis System Base on Fuzzy LogicAbstract: The intelligent network fault diagnosis system imports fuzzy logic and uses fuzzy illation in network fault analysing and diagnosing. Add PRI and sort onto the original affair table so that control the sequence in fault eliminating. On the basis of system feedback, adjust credit degree of rule and then achieve system self-study. 1 引言网络故障是指网络系统工作不正常的现象，其表现形式是多种多样的。网络故障诊断是以网络原理、网络配置、网络运行的知识为基础，从网络故障现象出发，以网络诊断工具获取需要的信息，分析故障原因，确定故障点，提出解决方案并排除故障，恢复网络运行的过程。网络故障可以大体分为以下几种：1、物理层故障，例如物理连接的失败，硬件设备的失效或者线路故障。2、数据链路层故障，例如端口配置的问题。3、网络层故障，例如网络层协议配置错误，IP路由协议错误等。4、高层故障，传输层以上的故障，一般发生在主机或服务器，也可叫作应用层故障。在进行故障诊断时，一般从物理层开始，逐层向上进行故障检查。在故障诊断过程中需要管理员根据故障现象，结合管理员的知识和经验，分析故障的原因，查找故障点。在这一过程中，管理员的知识水平和经验对网络故障快速、准确地排除起到重要的作用。同时，管理员的知识也可能不准确、不完整或不完善，因此其推断结果也可能存在着不确定性。在人工智能系统中，由于知识的不精确和不完整，经常采用模糊逻辑和模糊推理方法对知识进行表示和推理，模糊逻辑和模糊推理已经发展成为人工智能系统的重要分支。在这类系统中，知识的不精确性如何描述和如何传播是主要问题。本文中将模糊逻辑的思想应用到网络故障智能诊断系统中，在知识库的建立中通过引入信任度来表示知识的准确程度，利用模糊推理技术，模拟管理员排除网络故障的过程，以此实现网络故障的智能诊断。2 系统模型网络故障智能诊断系统分为两大部分：故障分析知识库和故障诊断推理机（图1），其中故障分析知识库是系统的核心。故障诊断推理机根据故障现象在事件库中选取事件，然后在规则库中搜索匹配的规则，通过推理得到故障原因。故障诊断故障诊断推理机故障分析知识库系统自学习图1 网络故障智能诊断系统模型在故障处理结束后，根据实际处理结果进行系统反馈，并对知识库中的事件库和规则库进行补充和修改，使之不断完善，实现故障智能诊断系统的自学习。在本系统中，根据网络故障发生的位置可以将故障分为两类：主干故障和主机故障。主干故障是指网络设备和服务器的故障，这类故障可能引起大量用户的网络系统不正常；主机故障是指用户端主机网络工作不正常，排除主机故障的前提是保证网络不存在主干故障。二者的区别如表1所列。这两类故障在故障诊断时处理的方法也不尽相同，在知识库的建立当中也做了相应的处理。表1 主干故障和主机故障对照表主干故障主机故障故障位置网络设备和主要服务器用户端主机发现方法网管系统轮询和SNMP Traps用户上报影响范围大量用户网络工作不正常单一用户网络工作不正常所需信息通过SNMP获取系统信息用户提供基本信息，客户端软件提供系统信息诊断顺序先网络设备后服务器，先低层后高层先主干后主机，先低层后高层故障实例楼节点设备故障，DNS故障用户IP地址配置错误3 系统的模糊表示故障分析知识库的知识表示采用产生式表示法，如AB。产生式知识库一般由两部分组成，事件库和规则库，事件库是事实事件的集合，规则库是产生式规则的集合。由于故障分析知识具有不确定性，反映到知识库中，表现为两个方面：事件的不确定性和规则的不确定性。在系统中采用不确定性度量信任度来表示知识的不确定性，用CF表示。1、事件的信任度事件A的可信度，记为CF(A)，规定 -1CF(A) 1，其中几个特殊值规定为：CF(A)1，表示A肯定为真。CF(A)-1，表示A肯定为假。CF(A)0，表示对A一无所知。CF(A)0，表示A以CF(A)程度为真。CF(A)0，表示A以CF(A)程度为假。2、规则的信任度对规则AB的信任度记为CF(B,A)，-1CF(B,A)1，几个特殊值为：CF(B,A)1，表示前提A为真，结论B必为真。CF(B,A)-1，表示前提A为真，结论B必为假。CF(B,A)0，表示前提A与结论B无关。CF(B,A)0，表示前提A为真支持B为真。CF(B,A)0，表示前提A为真支持B为假。规则的CF值由专家给出的。3、模糊推理计算规定CF(A)CF(A)。CF(AB)min CF(A), CF(B) 。CF(AB)maxCF(A) , CF(B) 。已知CF(A)，AB，CF(B,A)，求CF(B)。规定CF(B)CF(B,A) *max0, CF(A)。即当前提A以CF(A)程度为假时，命题对结论一无所知。已知CF()，CF()，B，CF(B,)，B，CF(B,)，来求合成的CF(B)。按照可计算出(B)和(B)，并规定CF(B)(B)(B)(B)* (B) 当(B)0，(B)0CF(B)(B)(B)(B)* (B) 当(B)0，(B)0CF(B)(B)(B) 当(B)0且(B)0或(B)0且(B)03故障分析知识库的建立故障分析知识库分为事件库和规则库两部分。事件库是将网络中可能发生的情况加以总结，并进行细分，变成标准的、无法继续细分的单一事件。每个事件都具有唯一的编号。在系统中又将事件库分为两种；初始事件库和中间事件库。3.1初始事件库初始事件库是故障现象初始信息的事件库，它是故障诊断的起始事件库。故障初始信息一般通过观察或一些测试手段获取，例如观察设备的指示灯、ping命令和测试仪等，可以获取诸如网卡端口是否处于连通状态，能否ping通网关等信息，因此初始事件的信任度一般只有三种情况：CF1：事件为真；CF-1：事件为假；CF=0：对该事件一无所知。在对网络故障进行诊断时，一般是从物理层开始按照从低到高的顺序逐步排除故障。在建立初始事件库时，对每个初始事件赋予优先级的属性，在进行诊断推理时按照优先级的高低顺序选取初始事件，依次进行推理。通过调整优先级的大小，可以实现对故障诊断顺序的控制。同时，优先级的设置不应过于紧密，应该为事件库的扩展和调整留有余地。在故障诊断推理过程中，一次只选取一个初始事件显然会影响推理的速度，而且在实际排除故障时经常是将多个事件综合在一起进行分析。因此，我们将初始事件按照一定的标准分为不同的类，并为初始事件库加入类别属性，例如，属于物理层的初始事件属于同一类，属于IP协议的初始事件属于同一类。在故障诊断时可以一次选取同一类的多个初始事件，提高了推理的效率。由于主干故障和主机故障处理的方法和步骤是不同的，因此系统针对这两类故障分别建立了初始事件库，使故障诊断更加准确高效。3.2 中间事件库中间事件库是故障原因的事件库，是由其它事件推理而得的事件库，每一个中间事件由专家给出推荐的解决办法。由于网络故障存在共性，所以对于主干故障和主机故障建立一个统一的中间事件库，使系统更加精简。3.3规则库规则库是“现象原因”的因果关系库，其中“现象”可以是初始事件或中间事件，也可以是多个事件的合取或析取，原因是某个中间事件。规则库中的每条规则具有一个规则信任度，标志这条规则的准确程度，初始的规则信任度由专家指定。3.4 知识库实例知识库是人工智能系统的核心。下面以主机故障为例，简要说明知识库的建立。表2 初始事件库序号编号事件内容优先级类别110001计算机的网线已插好101210002计算机端口处于连通状态151310003IP地址配置正确202410004能ping通网关252510005DNS配置正确303610006DNS能解析域名363每个初始事件的信任度有三个可能的值：1、-1或者0，例如：事件10003的信任度为1表示用户能ping通网关，信任度为-1表示不能ping通网关，信任度为0表示不知道能不能ping通网关。表3 中间事件库序号编号故障原因解决办法130001网线没有插好网线插牢230002网线故障测试网线330003交换机端口故障联系网络管理员检查端口430004网关故障联系网络管理员530005IP地址配置错误改正IP地址配置630006DNS解析故障联系网络管理员730010用户机器系统故障检查计算机系统表4 规则库序号规则信任度11000130001-0.99210001300010.931000230002-0.741000230003-0.6510002300020.7610002300030.871000330005-0.8810003300050.9591000430004-0.951010004300040.8111000430005300040.95121000630006-0.961310006300060.85141000630004300060.95对于主干故障的处理要复杂一些，首先要根据网络拓扑信息确定故障节点，然后再获取故障节点相关信息，进行故障判断。4故障诊断推理机的设计故障诊断推理机应用模糊推理技术，它首先获取故障的初始信息，然后在规则库搜索进行规则匹配，逐步推导出故障原因。推理机在获取故障初始事件后，按照优先级和类别信息将初始事件分为不同的优先级组，然后按优先级的高低顺序依次选取优先级组进行推理。每一步推理得到的结果事件和其信任度存于临时表中，供下一步推理时使用。推理结束后，信任度为正的事件表示该事件可能是故障原因，信任度为负表示该事件可能不是故障原因，并且信任度的绝对值越大说明这种可能性越大。将结果事件按信任度的大小依次排序，排除故障时原则上应该按照这个顺序进行。初始事件库的优先级和类别信息是控制推理顺序和速度的重要信息，它们的设置直接影响到推理机的效率，需要在实践中不断完善。5系统自学习在故障排除后，要根据实际的故障原因进行系统反馈，对相应规则的信任度进行调整，使系统和实际情况更加贴近。规则的信任度调整分为两种情况：结论正确的规则信任度应该增大，结论不正确的规则信任度应该减小。公式1是信任度增大调整函数。(x0) (x0) (1)x原有信任度，y调整后的信任度，a是增量参数，并且0a1，函数图如图2所示。图2 信任度增大调整函数图 当a0时，信任度不调整；当a1时， (x0) (x0)信任度增加幅度最大。公式2是信任度减小调整函数。 (x0) (x0) (2)b是减量参数，并且0b1图3信任度减小调整函数图 当b0时，信任度不调整；当b1时， (x0) (x0)信任度减小幅度最大。增量参数和减量参数的变化可以影响信任度的调整幅度，实际系统中应该根据实际情况进行调整。6 结论本文中将模糊逻辑的思想应用到网络故障诊断中，采用模糊推理进行故障分析和诊断，并通过对信任度的调整实现系统的自学习。在初始事件库中，通过加入优先级和类别信息实现对故障诊断顺序的控制，并且对不同类型的网络故障分别建立初始事件库，实现对不同故障现象的分别处理。在系统自学习过程中，通过在调整公式中加入