（计算机应用技术专业论文）计算机网络智能诊断技术研究.pdf

博士沦文 计算射l p x 络智能诊断技术研究 摘要 汁算机网络已逐渐成为2 1 世纪全球最重要的基础设施，随着网络规模不断扩 大，网络应用不断增加，原有的网络故障管理系统由于功能单一、操作复杂、效 率低下，己不能满足发展的需要，如何保证网络快速、安全、稳定地运行已成为 人们关注的焦点。本文将分层分布式智能技术引入故障渗断领域，通过升展关键 技术研究，使故障自动定位和智能诊断成为可能。 本文主要研究工作和取得的成果如下： ( 1 ) 提出一个基于移动a g e n t 的网络故障分布式诊断框架结构d t s m a ，描 述了整个框架中各组成部分的作用和各个模块的工作流程，介绍了域内和域间故 障管理的策略，并通过故障管理的实验验证了d t s m a 策略的有效性。 ( 2 ) 提出- z o o 基于故障关联技术的物理层故障定位方法，把物理层故障诊断 分为两个阶段：故障定位和故障诊断。在故障定位阶段采用了故障关联算法，在 故障诊断阶段用的是基于事例推理的方法，这样有利于提高故障诊断的效率。故 障关联算法依据故障之间的关联关系，运用图论和邻接矩阵的方法求出根故障集。 根据故障之间的相关性由故障关联算法确定故障源，有效地起到故障过滤和定位 的功能。 ( 3 ) 提出一种基于粗糙集神经网络的网络链路故障诊断算法，将知识系统技 术应用于链路层故障诊断中，针对故障诊断问题的需要，构建一个故障诊断知识 库；针对知识库中可能存在的知识规则冗余问题，提出基于粗糙集理论的知识库 规则约简方案，降低知识规则的冗余度；由于诊断问题的实质是一种映射，将神 经网络模型引入故障诊断系统，用一种前馈型网络来逼近这种映射关系，神经网 络的学习样本来自于知识库中的知识规则，实现对网络故障的分类。 ( 4 ) 提出一种基于模糊神经网络的网络拥塞控制方法，通过构建模糊神经网 络，利用模糊神经网络处理不确定性问题和自学习能力，进行网络流量预测。推 理结果鲁棒性高，能准确地捕捉流量随时间变化的特征，较好地解决了网络拥塞 控制问题。 ( 5 ) 提出一种基于支持向量机的应用层故障检测模型，对模型各个组件的功 能、机制、实现进行了深入探讨，对用于检测的网络数据特征，利用异构数据集 上的距离度量函数进行预处理，既避免了因训练数据规模过小而导致的训练结果 太差问题，又减少了训练时间，提高了训练效率。在训练数据的过程中，运用模 糊数学理论，考虑不同的网络数据特征对检测结果的影响程度，提出了一种加权 摘要博二l 论文 处理方法，并通过实验数据说明该方法在检测精度上有所提高。对由于样本的不 均衡性而导致的某一类型的检测率偏低问题，也作了相应研究，提出一种提高其 在训练数据中比例的方法，使检测率得到很大提高。 ( 6 ) 提出一种基于核方法和自组织映射神经网络的网络故障可视化诊断和动 态监测模型，通过网络故障征兆收集智能体，收集并且预处理被诊断该网络的故 障征兆信息，该信息被传送到位于诊断中心的网络故障诊断智能体，用作诊断及 可视化。该方法的优点是网络故障诊断智能体可以以可视化的方式诊断网络的故 障，并且动态监控网络的运行状态。仿真实验结果证明了方法的有效性和鲁棒性。 关键词：网络智能诊断，简单网络管理协议，移动a g e n t ，粗糙集，拥塞控制，模 糊神经网络，支持向量机，可视化，白组织映射 i i 博j 论文 计算机m 络智能诊断技术耐_ _ 究 a b s t r a c t w i t ht h ed e v e l o p m e n to f c o m p u t e rs c i e n c ea n dc o m m u n i c a t i o nn e t w o r k ，t h es c a l e o fn e t w o r ki s g r o w i n gl a r g e r ，t o g e t h e rw i t ht h ee m e r g e n c eo fm o r ea n dm o r en e t w o r k a p p l i c a t i o n s o w i n gt os i m p l ef u n c t i o n ，c o m p l e xo p e r a t i o na n dl o w e re f f i c i e n c y , t h eo l d n e t w o r k t r o u b l e s h o o t i n gs y s t e ma l r e a d y c a n n o tm e e tt h ed e m a n d s o fc a r r i e r d e v e l o p m e n tn o w , t h em o s ti m p o r t a n tp r o b l e mi sh o wt om a n a g en e t w o r ke f f e c t i v e l y ， s e c u r e l y a n dm a k en e t w o r ke x t e n s i b l e i no r d e rt o p e r f o r mh i g he f f i c i e n c y a n d r e l i a b i l i t y , i ti sv e r yi m p o r t a n tf o ru st os e tu pap e r f e c tn e t w o r kt r o u b l e s h o o t i n gs y s t e m t h i sp a p e rb r i n g sl a y e r i n g d e c e n t r a l i z a t i o ni n t e l l i g e n c ei n t ot h ef i e l di nw h i c hw ec a l l m a k ei t p o s s i b l ef o rt h ef a i l u r ea u t o m a t i cl o c a t i o na n dd i a g n o s i s a c c o r d i n gt o t h i s p a p e r , t h em a i n a c h i e v e m e n t sa r ea sf o l l o w s ： ( 1 ) f i r s t l y , i td e s c r i b e san e wf r a m e w o r kw h i c ht a k e sa d v a n t a g eo ft h em o b i l e a g e n tt ot h em a n a g e m e n to f d i s t r i b u t e dn e t w o r k s e c o n d l y , i td e s c r i b e st h ei n f o r m a t i o n f l o wo fk e ym o d u l e si nt h i sf r a m e w o r ka n da l s oi m p l e m e n t s f i n a l l yi tt e s t st h en e w f r a m e w o r ka n d p r o v e st h ee f f i c i e n c y ( 2 ) g i v ean e wf a u l td i a g n o s i sm o d e l o f p h y s i c sl a y e rb a s e d o ne v e n tc o r r e l a t i o n ， w h i c hs e tf a u l td i a g n o s i si n t ot w op h a s e s ：f a i l u r el o c a t i n ga n df a i l u r ed i a g n o s i n g t h i s p a p e r u s e st h ef a i l u r er e l a t i o na l g o r i t h mi nt h ef i r s tp h a s e ，a n dt h ec a s eb a s e d r e a s o n i n g i nt h eo t h e r ，w h i c hw i l ld e f i n i t e l yi m p r o v et h ee f f i c i e n c yo ff a i l u r ed i a g n o s i s b a s e do n t h ee v e n tc o r r e l a t i o n ，f a u l td i a g n o s i si sa p p l i e dt oe x t r a c tt h er o o tf a i l u r es e t sb yu s i n g g r a p ht h e o r ya n da d j a c e n c ym a t r i x a c c o r d i n gt ot h er e l a t i o n s h i po ff a i l u r e s ，t h i sp a p e r g i v e s am e t h o dt od e t e r m i n et h es o u r c eo ff a i l u r ea n dm a k ef a i l u r ef i l t r a t i o na n d l o c a t i o nf u n c t i o ne f f e c t i v e l y ( 3 ) k n o w l e d g es y s t e m st e c h n o l o g i e sa r ei n t r o d u c e di n t ol i n k e rl a y e rd i a g n o s i s s y s t e m ，a n dak n o w l e d g eb a s er e l a t e dt ot h en e t w o r kf a u l td i a g n o s i si sc o n s t r u c t e d ， w h i c he n a b l et h es y s t e mt ou t i l i z et h ee x p e r i e n c ea n dk n o w l e d g eo fe x p e r t sn e t w o r k s t a t u sf e a t u r e sa r ec a p t u r e dt h r o u g hf e a t u r ee x t r a c t i o nf r 0 1 t ir u n n i n gs t a t u si n f o r m a t i o n o ft h en e t w o r ke l e m e n t s s i n c et h ee s s e n c eo ff a u l td i a g n o s i si sak i n do fm a p p i n g ，a n a r t i f i c i a ln e u r a ln e t w o r k ( a n n ) m o d e li s a d o p t e dt o d e a lw i t ht h em a p p i n gr e l a t i o n ， c a t e g o r i z i n gt h en e t w o r kf a u l t s t h ek n o w l e d g eb a s ep r o v i d e sd i s c i p l i n es a m p l e s f o rt h e a r t i f i c i a ln e u r a ln e t w o r km o d e l i no r d e rt oe l i m i n a t er e d u n d a n c yo ft h ek n o w l e d g er u l e s i nt h ek n o w l e d g eb a s e ，m e a n sb a s e do nr o u g hs e t st h e o r i e si su n d e g a k e nf o rr e d u c t i o n i i i 英文摘要博十论文 o f k n o w l e d g e ，w h i c hr e s u l t si ne f f i c i e n tt r a i n i n go ft h ea n n m o d e la n dm o r e p r e c i s i o n o f t h ef a u l td i a g n o s i s ( 4 ) ak i n do fl o a d p r e d i c t i o na n dc o n g e s t i o nc o n t r o lp o l i c yb a s e d o nf n n ( f u z z y n e u r a ln e t w o r k s li sp r o p o s e dn o wm e t w o r k so fw o r k s t a t i o n ) l o a db a l a n c i n gi so n e o ft h e k e yp r o b l e m s i nn o w t h en o r m a l t e c h n o l o g y o fl o a db a l a n c i n g ，s u c ha s m a s t e r - s l a v es c h e d u l e ra n dt h r e s h o l ds c h e d u l e r ，a l w a y sa s s i g nt h et a s kb a s e do nt h e p r e s e n tl o a do fw o r k s t a t i o n s o ，t h er e s o u r c eu t i l i t yi sl o wa n dc o n t r o lo f l o a db a l a n c i n g i sl a g g e d i nt h ep a p e r ，af u z z yn e u r a ln e t w o r ks c h e m e ，w h i c h p r o c e s s e sg o o dc a p a b i l i t y o f p r o c e s s i n gi n a c c u r a t ei n f o r m a t i o na n dl e a r n i n g ，i sp r o v i d e dt os o l v et h e s el i m i t a t i o n s t h er e s u l t so fs i m u l a t i o n ss h o wt h a tt h ef n ns c h e m ei se f f e c t i v e ( 5 ) af r a m e w o r ko fs v mb a s e dn e t w o r kf a u l td e t e c t i o ns y s t e mo f a p p l i c a t i o n l a y e ri sp r o p o s e d t h ef u n c t i o n ，m e c h a n i s ma n dr e a l i z a t i o no ft h ec o m p o n e n t so ft h i s f r a m e w o r ka r ed i s c u s s e di nt h ep a p e r b ym e a n so fd i s t a n c em e t r i co fh e t e r o g e n e o u s d a t a s e t s ，t h ef e a t u r ed a t ao f n e t w o r ka r ep r e p r o c e s s e db a s e do ng u a r a n t e e de s t i m a t o r s ， w ee s t i m a t et h es i z eo ft e s ts e t t h u sw en o to n l ya v o i db a dt r a i nr e s u l t f o rl a c ko f e x a m p l e s ，b u ta l s o r e d u c et h et r a i n i n gt i m ea n di m p r o v et h ee f f i c i e n c yo ft r a i n i n g d u r i n gt h et r a i n i n g ，b ym e a n so ff u z z ym a t h e m a t i c s ，c o n s i d e r i n gt h ee f f e c to f d i f f e r e n t n e t w o r kd a t af e a t u r e st ot h e c l a s s i f i c a t i o n ，aw e i g h tm e t h o di s b r o u g h t f o r w a r di t i m p r o v e st h ea c c u r a c y o fn e t w o r kf a u l td e t e c t i o n t h e p r o b l e mo fl o w d e t e c t i o n a c c u r a c yo fs o m et y p e so ff a u l t sf o rt h ei m b a l a n c eo ft r a i n i n ge x a m p l e si sr e s e a r c h e d a m e t h o di s p r e s e n t e dt oi m p r o v et h e d e t e c t i o n a c c u r a c y o ft h e s et y p e so ff a u l t s b y i n c r e a s i n gt h ep r o p o r t i o no f t h ee x a m p l e so ft h e s et y p e s ( 6 ) an e t w o r kf a u l td i a g n o s i sa n dv i s u a l i z a t i o ns y s t e mb a s e do nk e r n e lm e t h o d a n ds o mi s p r o p o s e d e a c hn e t w o r kh a san e t w o r kf a u l ts y m p t o m c o l l e c t i o na g e n t ， w h i c hc o l l e c t sa n d p r e p r o c e s s e st h en e t w o r kf a u l ts y m p t o mi n f o r m a t i o n t h ec o l l e c t e d a n dp r e p r o c e s s e dn e t w o r kf a u l ts y m p t o mi n f o r m a t i o nw i l lt h e nb es e n tt ot h en e t w o r k f a u l td i a g n o s i sa g e n tf o rd i a g n o s i sa n dv i s u a l i z a t i o n t h ea d v a n t a g eo ft h ep r o p o s e d s y s t e mi s t h a tt h en e t w o r kf a u l td i a g n o s i sa g e n tc a ns i m u l t a n e o u s l yd i a g n o s i st h e n e t w o r kf a u l ta n d d y n a m i c a l l y m o n i t o rt h en e t w o r k s t h e r u n n i n g s t a t u si n 2 - d i m e n s i o n a l v i s u a l i z a t i o n e x p e r i m e n t a l r e s u l t sd e m o n s t r a t et h e f e a s i b i l i t y a n d r o b u s t n e s so ft h ep r o p o s e ds y s t e m k e yw o r d s ：n e t w o r ki n t e l l i g e n td i a g n o s i s ，s n m p , m o b i l ea g e n t ，r o u g hs e t ，t r a m c c o n t r o l ，f u z z yn e u r a ln e t w o r k ，s v m ，v i s u a l i z a t i o n ，s o m i v 声明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学 历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均 己在论文中作了明确的说明。 十、彳 研究生签名：l 麴2 垒d 啦绎，月，夕日 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的全部或部分内容，可以向有关部门或机构送 交并授权其保存、借阅或上网公布本学位论文的全部或部分内容。对 于保密论文，按保密的有关规定和程序处理。 研究生槐威：主加仵朋伪 博】论史计算机网络智能诊断技术研究 1绪论 1 1 引言 计算机网络己逐渐成为2 l 世纪全球最重要的基础设施，网络将众多的计算机 和智能化设备联接起来，共享丰富的数据库信息和计算机资源，完成异地之间的 数据交换与通信，减轻了日常繁杂的重复劳动，提高了生产率，创造了可观的经 济效益。然而，由于网络具有联结形式多样性、终端分布不均匀性、网络的开放 性和互连性等特征，致使网络系统越来越复杂，网络中的软硬件数量越来越多， 网络管理维护的工作越来越复杂，网络故障诊断( n e t w o r k sf a u l td i a g n o s i s ，n f g ) 问题已成为人们关注的焦点。 计算机网络要求通信介质、连接器、集线器、交换机、中继器、网卡、操作 系统、数据协议、驱动程序以及应用软件在任何情况下( 包括网络负载、连接的节 点数量以及发送的数据包的大小等) 都要保持稳定的运行。高效的网络离不丌好的 网络管理，任何故障的发生，即使是短时间的故障都有可能会给经济、社会和国 防建设带来巨大的损失。即使网络系统有相对稳定的运行环境，但其稳定性仍然 要受许多不定因素的影响，如操作错误、管理错误、配置变动以及软硬件故障等。 总之，网络系统越复杂，影响其稳定性的因素就越多，也就越难预测其行为。 图1 1 1 受两个控制参数影响的突变曲线 绪论 博。i 一论文 图1l1 是应用突变理论 2 】进行网络预测的模型，它可阻预测复杂的计算机网 络的行为，定性描述系统的行为，特别是非线性运行状态的系统行为( 如常常伴 随着的网络故障) 。突变理论的创始人是法国数学家雷勒托姆( r e n et h o r n ) ，突变理 论中有7 种基本突变，这些突变的行为均基于影响系统的控制参数的数量而不是 控制参数的类型。决定于两个参数的突变模型称为尖点突变( c u s pg r a p h ) ，尖点突 变模型是一个三维曲面，其上表面代表平衡运行状态，下表面代表非稳定运行状 态的最大值。突变理沦可以用于以太网，例如能够显示以太网的两个控制参数f 时 隙和网络负载) 对网络吞吐量的影响，其中，时隙( 定义为信号在一个以太网段中相 距最远的两个节点之间往返传输的时问) 与导致信号传输延迟或延时的网络组件 ( 如电缆、中继器、集线器) 有关。图1 1 1 中给出了其他因变量( 如网络负载、平均 数据包大小、节点数量) 均为定值的情况下，网络吞吐量随时隙变化的行为模型。 图1 1 2以太网中的一个非线性运行状态( 网络失效) 在给定时隙a 的情况下，网络运行状态会随着网络流量的增加而沿三维曲面 的上表面移动，其中，沿时隙轴的正方向移动表示吞吐量增加。但是给定的时隙 较大时( 为b ) ，网络流量的增大会导致网络效率的严重降低。此时所有过程都沿三 维曲面的表面变化，并且是线形的。如果网的初始运行状态为a ，随着网络负载增 大，到达状态c ，随后时隙也开始增大( 如图1 1 2 所示) ，运行状态会从d 点突然离 丌平衡状态直接到达e 点( e 点表示稳定运行状态) ，此时的吞吐量最小。由d 点到 e 点的突然转移就构成了一个突变。 ， 博 论义 计算机网络智能诊断拙术研究 从突变理论给出的预测模型中，我们可以清楚地看到网络行为的复杂性与不 可预测性。由于呈现网络问题的故障现象常常是由一系列差错引起的，一个事件 触发另一个事件、一个差错引发另一个差错，反馈可能会放大也可能会减少错误 事件的影响，因而最终检测到的故障现象的位置可能早远离最初的故障源，而且 故障现象看起来也似乎是由其他差错事件引发的。 图1 1 3 局域和广域网中网络故障的分布情况 计算机网络故障除了人为和攻击等原因外，由网络自身问题 | 起的故障失效 可以占到故障原因的4 0 以上。按照o s i 的分层结构来划分这些网络差错( 如图 1 ，13 所示) ：( 1 ) 物理层中物理设备的相互连接失败或者硬件及线路本身的问题， 如线缆、连接器或网卡损坏，集线器、网桥或路由器的模块出现故障：( 2 ) 数据 链路层的网络设备的接口配置问题，如以太网中发生冲突；令牌环网中的环路严 重告警进程；校验和出错以及包大小不正确等。( 3 ) 网络层网络协议配置或操作 错误；( 4 ) 传输层的设备性能或通信搁塞问题；( 5 ) 上三层或网络应用程序错误。 对发生于o s i 高层上的差错要靠严格控制高层软件的质量来减小故障发生的几率， 网络的操作系统、应用软件以及协议栈越稳定，网段中出现故障的次数就越少。 i 绪论 博上论文 总的说柬，在l a n 中由网络自身的问题引起的系统失效的原因在o s i 所有7 层上的分布大致相同。在w a n 中，由于物理层差错引起的系统失效所占的比例更 高，对永久w a n 链路( 租用线) 来说，几乎有8 0 的差错都是由网络组件失效、 调制解调器损坏以及线缆和连接器有问题引起的，对i s d n 来说，这 比例更是高 达9 0 以上。 1 2 论文的背景和意义 随着网络技术的高速发展，网络故障诊断的重要性越来越突出，主要体现在 下面三个方面： ( 1 ) 网络设备的复杂化使网络管理变得复杂。网络设备复杂有两个含义，一 是功能复杂，二是生产厂商多，产品规格不统一。这种复杂性使得网络故障诊断 无法用传统的手工方式完成，必须采用先进有效的手段。 ( 2 ) 网络的经济效益越来越依赖网络的有效管理。现代网络的运营、管理和 维护已经成为一一个极其庞大而复杂的体系。没有一个有力的网络诊断系统作为支 撑，就难以在网络运营中有效地疏通业务量，提高接通率。同时，现代网络在业 务能力等方面具有很大的潜力，这种潜力也要靠有效的刚络诊断来挖掘。 ( 3 ) 先进可靠的网络故障诊断也是用户所要求的。当今时代，人们对网络的 依赖越来越强，普通人通过网络打电话、发传真、发e - m a i l ，企业通过网络发布 产品信息，获取商业情报，甚至组建企业专用网。在这种情况下，用户不能容忍 网络的故障，同时也要求网络有很高的安全性，使得通话内容不被泄露、数据不 被破坏、专用网不被侵入、电子商务能够安全可靠地进行。 因此，开展网络故障诊断技术的研究，特别是进行网络的智能诊断技术研究 已成为目前一个重要的研究领域。 1 3 国内外研究现状 1 3 1 故障诊断方法 所谓故障诊断，就是识别机器、设备的技术状态是否正常，包括确定故障的 性质、发现故障的部位、寻找故障的起因以及提出排除故障的相应措施。目前常 用的故障诊断方法有： ( 1 ) 基于解析模型的方法。如故障树的方法、参数估计方法、状态估计方法 和等价空间方法等； ( 2 ) 基于信号处理的方法。如相关分析、频谱分析、小波分析等； ( 3 ) 基于知识的智能诊断方法。如基于事例的推理、模糊推理、粗糙集的方 博【j 论文 汁箅机恻络智能诊断技术研究 法、人工神经网络、支持向量机算法以及信息融合故障珍断方法等。 故障诊断方法一般分为三个步骤：第一步是检测系统状态的特征信号；第二 步是从所检测到的特征信号中提取征兆；第三步是根据征兆和其他诊断信息来识 别检测设备的状态，从而完成故障诊断。 故障诊断技术的发展经历了三个阶段： 第一阶段：由于机器设备比较简单，故障诊断主要依靠领域专家或维修人员 的感觉器官、个人经验及简单仪表，对诊断信息只作简单的数据处理，就能胜任 故障的诊断与排除工作； 第二阶段：以传感器技术和动态测试技术为手段，以信号处理和建模处理为 基础的现代诊断技术，在维修工程和可靠性工程中得到了广泛的应用； 第三阶段：近年来，随着计算机技术、数据挖掘、机器学习和人工智能技术 以及专家系统的发展，故障诊断技术进入以知识处理为核心的智能诊断技术阶段。 随着科学技术的迅速发展，故障诊断的理论和方法发生了很大的变化，它具 有以下特点： ( 1 ) 交叉性。故障诊断技术与计算机技术、信息技术、非线性技术、系统科 学、控制理论、管理科学的相互结合、渗透越来越明显、具体； ( 2 ) 综合性。由传统的单参数诊断向多参数综合珍断发展，涉及到了不同域， 不同类的信息的集成和融合； ( 3 ) 智能化。随着神经网络、模糊逻辑、专家系统技术在故障诊断中的应用， 诊断系统逐步朝着智能化方向发展，体现为它的学习功能、适应功能和组织功能 的不断增强。数学工具也逐步由传统的数值计算方法( 如微积分，各种变换等) 向与传统数值计算方法和符号处理、谓词逻辑、离散事件理论相结合的方向发展。 1 3 2 智能诊断技术 本节对专家系统、人工神经网络、粗糙集以及支持向量机等智能诊断理论和 方法结合本文的研究内容进行介绍： ( 1 ) 专家系统。专家系统是利用研究领域专家知识进行推理，解决专业的高 难度问题的智能系统。故障诊断专家系统作为专家系统中的一个分支，是人们根 据长期的实践经验和大量的故障信息知识，设计出一种智能计算机程序系统，以 解决难以用数学模型来精确描述的系统故障诊断问题。专家系统由于其广泛的应 用范围而得到了迅猛的发展，故障诊断专家系统的研究也得到了各国的高度重视， 并相继在各行业中得到了应用。贝尔实验室开发了用于电话电缆故障诊断与维护 的专家系统，e g g 公司开发了一个用于核反应故障诊断与处理的r e a c t r o r 系 统，美国通用电气公司研制出用于内燃一电气机车故障排除的专家系统。 绪论 博士论文 由于传统的专家系统存在知识获取困难、知识台阶窄、智能水平低等缺点， 其发展受到了限制。针对传统专家系统中知识获取难的缺点，文献1 3 1 提出了一种由 失误驱动的故障诊断策略的自学习方法，较好地解决了专家系统知识难于获取的 问题。如何解决诊断专家系统中的诊断知识的获取、诊断知识的学习、规则爆炸 等问题，是专家系统故障诊断方法研究中的重点。 ( 2 ) 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，a n n ) 。人工神经网络是用大 量的神经元组成的非线性动力学系统，它具有学习、记忆、计算、t 别、预测和 智能处理功能。人工神经网络理论的应用己渗透到各个领域，人工神经网络同现 有的动态信号处理、专家系统、模糊逻辑等诊断技术相结合，为故障信号分析与 处理、故障模式识别、故障领域专家知识的组织和推理等方面提供了一种新的途 径，并推动了故障诊断的智能化。 在故障诊断中，诊断推理可以理解为根据特定的映射关系由故障征兆域到故 障原因域的计算求解问题。这种映射关系般为非线性的，由于神经网络可以对 各种映引进行有效的逼近，各种神经网络及其相应算法在诊断推理中得到了应用。 如多层感知器( m l p ) 网络、自适应共振理论( a r t ) 、自组织映射f s o m ) 和双向联想 记。t l ( b a m ) 等。目前，人工神经网络法在故障诊断领域的应用主要集中在两个方 面：( 1 ) 神经网络作为分类器进行故障模式识别；( 2 ) 神经网络作为动态预测模型进 行故障预测。在故障诊断方面应用最多的网络类型仍然是多层前馈神经网络，如 b p 网络、r b f 网络。模式识别的神经网络故障诊断过程，主要包括学习( 训练) 与 诊断( 匹配) 两个过程，其中每个过程都包括预处理和特征提取两部分。 ( 3 ) 粗糙集( r o u g hs e t ，a s ) 。粗糙集理论是一种刻画不完整性和不确定性的 数学工具，能有效地分析和处理不精确、不致、不完整的各种信息，并从中发 现隐含的知识，揭示潜在的规律。 在故障诊断过程中，由于故障产生的机理不清楚，故障的表现形式不唯一， 在提取故障特征时常带有盲目性，导致了实际描述的状态之间是不分明的，而这 种状态f 是孝日糙集理论研究的对象。同时，在诊断过程中，描述状态的特征很多， 有些特征是相关的，有些是独立的。独立的特征能提供互补信息，应加以保留； 相关性特征产生冗余信息，同时会增加计算工作量，需要加以消除，基于粗糙集 的属性约简_ f 好为去除这种冗余性特征提供了方便。另外，故障诊断中需要解决 的问题之一是如何在保证状态评价一致的情况下选择最少的特征集，也就是说， 如何在保证诊断精度大致不变的情况下减少特征维数，降低计算工作量和减少不 确定性因素的影响。应用粗糙集理论对神经网络的输入数据进行预处理，提取其 中的关键成分作为网络的输入，可以简化结构，缩短训练时间，提高泛化能力， 从而降低诊断成本。 6 博l + 论义 计算机删络智能诊断技术研究 ( 4 ) 支持向量机。支持向量机方法通过用内积函数定义的非线性变换：肾输入 空问变换到一个高维空间，在这个空间中求广义最优分类面。s v m 分类函数形式 上类似于一个神经网络，输出是中间节点的线性组合，每卜中间节点对应一个支 持向量。s v m 中不同的内积核函数将形成不同的算法，目前研究最多的核函数有 三类：一是多项式核函数；二是r b f 函数( r a d i a lb a s i cf u n c t i o n ，径向基函数) ； 三是s i g m o i d 函数。 支持向量机是适用于小样本情况的基于统计学习理论的机器学习方法，在故 障模式数据难以大量获取的情况下，具有较强的推广能力，对网络故障的智能诊 断有非常重要的意义，能够很好地解决有限样本情况下的网络故障分析问题。支 持向量机诊断方法分为两个阶段：首先通过己知的正常和各种故障状态下的特征 样本对s v m 进行训练，找到样本中的支持向量，掘此确定最优分类超平面。然后， 测试集样本根据最优分类面进行分类决策。 支持向量机算法是针对二类模式识别问题提出的。s v m 的多类分类策略采用 分级的形式，把一个复杂的多类分类问题转化为多个简单的二类分类问题，使分 类问题逐步得到解决。通常多类分类的方法有一对多组合模式和一对一组合模式 两种。国外也有一些研究人员提出了全局优化进行多类分类，以及使用决策树进 行多类分类。s v m 方法在理论上具有突出的优势，但与其理论研究相比，应用研 究尚相对比较滞后，目前只有较有限的实验研究报道，且多属仿真和对比实验。 1 3 3 网络故障诊断 计算机网络是一个复杂的综合系统，发生故障是不可避免的，网络故障分为 硬故障和软故障两类。硬故障有连接设备故障、共享设备故障、其它设备故障等。 软故障指系统软件运行出错或性能出现衰退。网络的故障珍断是个典型的多层 多类分类问题，通常采用分层的方法，沿着o s i 七层模型从物理层开始向上进行 诊断。首先检查物理层，然后检查数据链路层，以此类推，设法确定网络的故障 点，直到网络恢复正常工作为止。 网络故障诊断以网络原理、网络配嚣和网络运行的知识为基础，从网络的故 障现象出发，通过专门的网络分析仪和网络操作系统( 如w i n d o w sn t ，u n i x 等) 中的故障诊断工具以及网络代理的轮循与告警等方法获取故障信息。网络故障诊 断包括三方面内容：确定网络的故障点，查找问题的根源，排除故障，恢复网络 的正常运行：发现网络规划和配置中欠佳之处，改善和优化网络的性能；观察网 络的运行状况，及时预测网络通信质量。 网络故障诊断技术研究的四个难点： ( 1 ) 故障定位问题。网络故障发生的不确定性和网络软硬件构架的动态变化， 绪论 博。t - 论文 使得包括专家在内的知识受到了局限。同时，由于网络信息的海量性，使得从海 量的信息中提取出有用的知识，较为困难。 ( 2 ) 故障关联问题。一个设备产生故障会影响很多和它相连的设备或子系统， 甚至会导致网络的瘫痪，这种现象就叫做故障关联。这一点在网络物理层尤为显 著。物理层是由各个设备、线缆和予系统组成的，不同的设备和予系统是互相关 联，紧密耦合。物理层故障的关联性使故障诊断变得很困难。网络管理员很难从 成千上万的告警中很快确定故障源，也就很难快速排除故障。 ( 3 ) 故障检测问题。常规的故障检测方法需要建立数学模型，而数学模型的 复杂性和精确性难以满足高速网络的实时需求；简化的数学模型又导致实际控制 效果不能令人满意。同时，常规方法需要首先了解一组表征( 如峰值比特率、平均 比特率、突发长度等) ，然而这些表征不能完全描述网络不同层次的相关性和突发 性，从而难以实施有效的控制，导致网络性能的严重下降。 ( 4 ) 故障表示问题。由于网络应用的多样性与不断更新，现在还不能找到一 个明确的函数能表示所有的应用层故障。 我国计算机网络故障诊断水平相对落后，虽然在故障诊断专家系统方面开展 了一定的研究，但专门针对网络故障智能诊断技术的研究还刚刚开始。从国际上 看，网络故障诊断经历了从无到有的过程，正从初级向高级、从不完善向完善、 从分散向集中的目标发展。一个由国际科学应用公司( s a i c ) 领导的小组获得美国 陆军的通信电子司令部两笔总金额为7 5 8 0 万美元的合同，为美国国防部设计、开 发和装备“联合网络管理系统”( m s ) 提供先进的故障诊断技术和保障，预计在 2 0 0 8 年1 0 月前该系统正式运行。2 0 0 0 年3 月，i d c 公司发布“2 0 0 0 - - 2 0 0 4 年间 网络故障管理预测和分析”的报告预测，网络故障管理市场规模到2 0 0 4 年将扩大 至15 亿美元。 全球网络故障珍断技术的发展目标： ( 1 ) 标准化。符合国际标准化组织的相关标准，以利于网络系统的可持续性 建设和发展。 ( 2 ) 集中化。随着计算机网络的日趋成熟，故障渗断方面的研究将会朝着尽 量集中的方式发展，集中监视、集中控制、集中配置、集中调度，加快响应速度， 提高效率。 ( 3 ) 智能化。随着人工智能、专家系统的发展，网络故障的智能诊断成为研 究的重点方向。 ( 4 ) 可扩展。计算机网络的管理内容、管理方式是变化发展的，因此，故障 诊断建设是持续、长期的，应该注意可扩展性。 随着计算机技术、人工智能技术特别是数据挖掘、机器学习、专家系统和人 8 博i 论文 计算机恻络智能诊断技术耐 究 工神经网络在故障诊断领域中的广泛应用，网络的智能珍断已成为研究热点。 1 4 课题来源 本课题来源于总装备部“十五”武器装备预先研究重点项目“野战指挥自动 化网的故障诊断及动态重构技术”( 编号：4 2 0 0 1 0 7 0 1 ) 。 1 5 论文的内容安排和主要工作 1 5 1 论文的内容安排 本文基于计算机网络的物理层、数据链路层、网络层和应用层等o s i 七层结 构，从呵用性角度深入研究了计算机网络智能诊断的框架结构及若干关键技术和 方法，全文分为9 章： 第1 章，论述网络故障智能诊断的必要性，并介绍故障诊断技术的研究现状、 论文的内容安排和主要工作。 第2 章，分析网络管理协议原理和机制，介绍了网络远程监控标准和系统的 信息轮询方法。 第3 章，针对现有网络故障诊断系统存在的不足，提出了基于移动a g e n t 技 术的分布式诊断框架结构d t s m a 。 第4 章，提出一种基于故障关联算法的物理层故障定位方法，在故障定位阶 段采用了故障关联算法，在故障诊断阶段用的是基于事例推理的方法。 第5 章，对网络链路层的故障特征进行深入细致的研究，对链路故障进行形 式化分析，提出基于r a n n 的网络链路故障诊断算法。 第6 章，提出一种基于模糊神经网络的网络拥塞控制方法，通过构建模糊神 经网络，进行网络流量预测。 第7 章，给出了基于s v m 的应用层故障检测模型，对其各个组件的功能、机 制、实现做了阐述。 第8 章，提出一种基于核方法和自组织映射神经网络的网络故障诊断模型， 实现了诊断结果的二维可视化和网络故障的动态监测。 第9 章，对论文的研究工作和创新之处进行总结，并提出下一步的研究方向。 1 5 2