基于BP神經(jīng)網(wǎng)絡的網(wǎng)絡故障預測實驗

孫騫　張進　胡建龍

【摘要】 神經(jīng)網(wǎng)絡具有能夠逼近任意非線性函數(shù)關系的能力和比較方便的學習手段，因此，它可以用來作為一種復雜工業(yè)過程建模的新型方法。本文針對常用BP算法進行了深入的分析和仿真，并利用BP網(wǎng)絡對基于大規(guī)模網(wǎng)絡的故障管理進行針對性實驗。

【關鍵詞】 基本算法 模糊神經(jīng)網(wǎng)絡 數(shù)據(jù)挖據(jù)

一、故障管理模塊

隨著計算機網(wǎng)絡的迅速發(fā)展，網(wǎng)絡規(guī)模越來越大，網(wǎng)絡節(jié)點分布的范圍越來越廣泛，網(wǎng)絡的特點趨向于異構性與復雜性，網(wǎng)絡管理的難度也不斷增加。為了提高大規(guī)模網(wǎng)絡故障管理的靈活性、智能性和高效性，克服傳統(tǒng)的集中式網(wǎng)絡故障管理的缺點，本文提出了基于大規(guī)模網(wǎng)絡的故障管理與健康預測，對網(wǎng)絡實施更加高效、實時和準確的管理，在大規(guī)模網(wǎng)絡的管理方面有針對性的優(yōu)勢。故障因素主要有：CPU、物理內(nèi)存、流量、負載、環(huán)境因子、設備溫度。

（1）數(shù)據(jù)處理模塊，主要完成采集到的數(shù)據(jù)的融合，提取和轉(zhuǎn)換。數(shù)據(jù)處理模塊主要是采用數(shù)據(jù)挖掘技術的分類算法來完成，這里不做詳細說明。

（2）狀態(tài)監(jiān)測模塊，完成征兆信息的識別和狀態(tài)的評估任務。

（3）診斷預測模塊，包括故障診斷和故障趨勢預測功能。該模塊選用了模糊集理論下的模糊綜合評判模型并利用分布式的神經(jīng)網(wǎng)絡算法來對網(wǎng)絡的安全狀況做出預測與健康管理。

該模型的工作流程為：首先數(shù)據(jù)采集和傳輸，只有及時準確地采集監(jiān)測數(shù)據(jù)，才能為故障的預測與健康管理提供可靠的依據(jù)，本文采用北斗衛(wèi)星來實時的采集和傳輸數(shù)據(jù)。通過數(shù)據(jù)處理模塊的融合、特征提取和數(shù)據(jù)轉(zhuǎn)換傳輸?shù)礁鱾€區(qū)域的控制中心進行診斷預測。診斷預測模塊使用基于模糊神經(jīng)網(wǎng)絡的算法對故障進行診斷與管理。

二、模糊神經(jīng)網(wǎng)絡系統(tǒng)構造

通過對輸入特征向量分析，大規(guī)模網(wǎng)絡的安全狀況評價的模糊神經(jīng)網(wǎng)絡有前件網(wǎng)絡和后件網(wǎng)絡組成，共分為5層，分別為輸入層、模糊化層、模糊推理層、去模糊化層以及輸出層。每一層的具體工作見圖1：

前件網(wǎng)絡由前四層構成，用來匹配模糊規(guī)則，后件網(wǎng)絡作為最后一層，用來產(chǎn)生模糊規(guī)則的輸出。

（1）輸入層。第一層為網(wǎng)絡的模式輸入層，每個節(jié)點與輸入向量的各分量直接連接，該層將輸入向量x=（x1，x2，…，xn）T傳送到第二層，第一層節(jié)點數(shù)N1=n。第一層需對輸入量進行歸一化處理，得到輸入特征向量。

（2）模糊化層。第二層為網(wǎng)絡的隱含層，該層中每一個輸入分量對應一組節(jié)點，這些節(jié)點的個數(shù)等于xi進行模糊分級的個數(shù)，其中每個節(jié)點都代表一個對應的模糊變量。其功能就是計算每個輸入分量屬于變量值模糊集的隸屬度函數(shù)，網(wǎng)絡綜合評價隸屬度采用高斯函數(shù)表示：

式中：n為輸入向量的維數(shù)；mi為xi的模糊分割數(shù)，i=1，2，…，n；cij和σij分別表示隸屬度函數(shù)的中心以及寬度，j=1，2，…，m。

（3）模糊推理層。第三層為模糊規(guī)則計算層，該層每個節(jié)點代表一條模糊規(guī)則，用來匹配模糊規(guī)則的前件，從而計算出每條規(guī)則的相關適用度。

（4）去模糊化層。該層對每條規(guī)則的適應度進行歸一化計算。

（5）輸出層。第五層是后件網(wǎng)絡，也叫反模糊化層，用于計算每條規(guī)則的后件，在第5層中前件網(wǎng)絡的輸出作為后件網(wǎng)絡的連接權值，此時模糊神經(jīng)網(wǎng)絡的輸出值為：

三、仿真實驗及分析

首先需要根據(jù)cacti采集到的原始的實時監(jiān)測的物理內(nèi)存使用情況的數(shù)據(jù)如下，其他故障因素的數(shù)據(jù)檢測與之類似，不在一一列舉，數(shù)據(jù)監(jiān)測如圖2所示。

本文以項目組安全監(jiān)控系統(tǒng)在一段時間內(nèi)所檢測的數(shù)據(jù)為實驗基礎數(shù)據(jù)，如表1所示，表1中為時間段內(nèi)的部分數(shù)據(jù)，其中故障編號見下節(jié)。

本文模糊神經(jīng)網(wǎng)絡訓練用單項指標和系統(tǒng)給出的狀態(tài)作為訓練樣本訓練模糊神經(jīng)網(wǎng)絡，通過matlab對其進行建模仿真，獲得模糊神經(jīng)網(wǎng)絡訓練的誤差下降曲線如圖3所示。

通過誤差下降曲線可以看出，前段時間下降趨勢比較明顯，說明神經(jīng)網(wǎng)絡的調(diào)節(jié)比較快，后面的時間段相對平緩，說明其實調(diào)節(jié)細微，整個模型趨于穩(wěn)定，此時說明神經(jīng)網(wǎng)絡訓練過程中針對權值等調(diào)整基本上趨于合理。 通過訓練好的神經(jīng)網(wǎng)絡來進行故障診斷，基于模糊神經(jīng)網(wǎng)絡模型的大規(guī)模網(wǎng)絡安全評價的誤差很小，對于評價網(wǎng)絡的安全狀況影響很小。

四、結(jié)論

在仿真方面，本文對標準學習算法進行了分析，并將模糊神經(jīng)網(wǎng)絡應用于網(wǎng)絡故障預測進行了實驗。從以上研究結(jié)果可以看出，BP神經(jīng)網(wǎng)絡是一種性能優(yōu)良，具有巨大應用潛力的神經(jīng)網(wǎng)絡。由于學識有限，該仿真部分還需進一步完善。