基于模糊貼近的網(wǎng)絡故障數(shù)據(jù)快速定位方法實現(xiàn)

王鈞玉

摘 要： 傳統(tǒng)的網(wǎng)絡故障數(shù)據(jù)定位方法大都基于固定指標分析告警信息，實現(xiàn)故障信號的定位，一旦指標數(shù)量過高則容易出現(xiàn)故障信號定位誤差過高的問題。提出一種基于模糊貼近算法的網(wǎng)絡故障數(shù)據(jù)快速定位方法，該方法包括塑造針對網(wǎng)絡業(yè)務的網(wǎng)絡故障數(shù)據(jù)告警關聯(lián)性分析模型、采集網(wǎng)絡故障數(shù)據(jù)模糊告警貼近指標，以及實現(xiàn)基于貼近指標推理的網(wǎng)絡故障數(shù)據(jù)定位3個模塊。系統(tǒng)將當前的網(wǎng)絡事實告警項進行模糊化處理轉換成模糊告警，由模糊匹配在貼近指標庫中發(fā)現(xiàn)與之匹配的全部貼近指標，并采集匹配度最高的貼近指標當成推理觸發(fā)指標。從該指標中提取故障數(shù)據(jù)模糊告警關聯(lián)信息，通過模糊合成策略，推理出網(wǎng)絡故障數(shù)據(jù)的模糊告警結論。實驗結果表明，所提方法對網(wǎng)絡故障數(shù)據(jù)進行定位具有較高的定位精度，并且消耗能量較低。

關鍵詞： 模糊貼近； 網(wǎng)絡故障數(shù)據(jù)； 快速定位； 故障數(shù)據(jù)告警

中圖分類號： TN915?34； TK223 文獻標識碼： A 文章編號： 1004?373X（2016）06?0041?04

Implementation of network fault data fast positioning method based on

fuzzy closeness algorithm

WANG Junyu

（Sanmenxia Polytechnic， Sanmenxia 472000， China）

Abstract： A network failure data fast positioning method based on fuzzy closeness algorithm is proposed in this paper. The method includes the establishment of warning correlation analysis model of network fault data， acquisition model of network fault data fuzzy warning closeness index， and network fault data location model based on closeness index reasoning for network business. The current network true warning term was processed in fuzzy mode and converted into fuzzy alarm. All the closeness indexes matching the target is discovered in the closeness index library by fuzzy matching， and the closeness index with highest matching rate is collected as the reasoning trigger index， from which the correlation information of failure data fuzzy alarm is extracted. The conclusion for fuzzy alarm of network fault data is reasoned out through fuzzy synthetic strategies. The experimental results indicate that the proposed method for network fault data position has high positioning accuracy， and low energy consumption.

Keywords： fuzzy closeness； network failure data； fast positioning； failure data warning

0 引 言

隨著網(wǎng)絡信息技術的快速發(fā)展，網(wǎng)絡在社會中具有重要的應用價值。網(wǎng)絡發(fā)生的微小故障將給社會生產(chǎn)和人們的生活帶來巨大的影響。因此，尋求有效的網(wǎng)絡故障數(shù)據(jù)定位方法，協(xié)助管理員及時完成網(wǎng)絡故障的修復，具有重要應用意義[1?3]。傳統(tǒng)的故障數(shù)據(jù)診斷方法，大都基于固定的指標分析告警信息實現(xiàn)故障信號的定位，一旦指標數(shù)量過高，則容易出現(xiàn)故障信號定位偏差過高問題[4?5]。當前存在較多的網(wǎng)絡故障數(shù)據(jù)定位方法，如文獻[6]分析了基于支持向量機的分層決策網(wǎng)絡故障信號定位模型。通過層次判別統(tǒng)計分析方法，塑造故障信息到故障類型的映射關系，實現(xiàn)故障信號的定位，但是該方法存在效率低和耗能高的缺陷。文獻[7]基于BP神經(jīng)網(wǎng)絡實現(xiàn)網(wǎng)絡故障數(shù)據(jù)定位，該方法具有較高的定位效率，但是容易陷入局部最佳解。文獻[8]提出了基于小波神經(jīng)網(wǎng)絡的網(wǎng)絡故障定位方法，該方法具有較高的收斂性，但是存在耗能高的缺陷。

上述分析的相關方法都存在一定的問題；因此，本文提出了一種基于模糊貼近算法的網(wǎng)絡故障數(shù)據(jù)快速定位方法。

1 基于模糊貼近算法的網(wǎng)絡故障數(shù)據(jù)定位方法

的設計與實現(xiàn)

1.1 邏輯推理結構的設計

基于模糊貼近算法的網(wǎng)絡故障數(shù)據(jù)快速定位的邏輯推理結構如圖1所示。

該方法從網(wǎng)絡數(shù)據(jù)中采集告警信息，按照系統(tǒng)參數(shù)對網(wǎng)絡故障數(shù)據(jù)告警信息進行預操作，過濾其中的噪聲因素，采集可實現(xiàn)挖掘的網(wǎng)絡故障數(shù)據(jù)告警事務項，并對告警信息進行模糊關聯(lián)規(guī)則挖掘，獲取網(wǎng)絡故障數(shù)據(jù)告警信息的模糊貼近指標。并將該模糊貼近指標同貼近指標庫中的全部指標進行對比，通過模糊推理方法獲取存在的故障源，實現(xiàn)網(wǎng)絡故障數(shù)據(jù)快速定位。網(wǎng)絡故障數(shù)據(jù)定位系統(tǒng)主要包括如下幾項分析步驟：

（1） 塑造針對網(wǎng)絡業(yè)務的網(wǎng)絡故障數(shù)據(jù)告警關聯(lián)性分析模型。針對網(wǎng)絡業(yè)務的定位系統(tǒng)，主要關注網(wǎng)絡層和業(yè)務層間的關聯(lián)性。業(yè)務層主要控制網(wǎng)絡服務，并采集網(wǎng)絡層反饋的不同業(yè)務數(shù)據(jù)，通過業(yè)務數(shù)據(jù)分析網(wǎng)絡性能，處理不同業(yè)務故障同網(wǎng)絡性能間的映射關系。

（2） 采集網(wǎng)絡故障數(shù)據(jù)模糊告警貼近指標。按照網(wǎng)絡故障數(shù)據(jù)告警的屬性，通過基于不同維度的網(wǎng)絡故障數(shù)據(jù)貼近指標采集方法，該方法先分析多域分布式網(wǎng)絡結構下的網(wǎng)絡故障數(shù)據(jù)告警關聯(lián)性以及層次化告警關聯(lián)性，為網(wǎng)絡故障數(shù)據(jù)告警設置分層結構信息。通過下層子網(wǎng)將網(wǎng)絡故障數(shù)據(jù)關聯(lián)性分析結果反饋給上層子網(wǎng)，上層子網(wǎng)對結果進行評估，挖掘出層間網(wǎng)絡故障數(shù)據(jù)貼近指標。網(wǎng)絡在動態(tài)調(diào)整情況下，會依據(jù)歷史網(wǎng)絡故障數(shù)據(jù)貼近指標知識庫中的數(shù)據(jù)，基于原始數(shù)據(jù)庫和調(diào)整數(shù)據(jù)庫在時間以及空間上的關聯(lián)性，對新網(wǎng)絡故障數(shù)據(jù)告警關聯(lián)性進行分析，挖掘出網(wǎng)絡故障數(shù)據(jù)模糊貼近指標。

（3） 實現(xiàn)網(wǎng)絡故障數(shù)據(jù)定位。網(wǎng)絡故障數(shù)據(jù)定位采用模糊推理方法，按照塑造的網(wǎng)絡故障數(shù)據(jù)模糊貼近指標知識庫，規(guī)劃故障數(shù)據(jù)定位系統(tǒng)模型，完成網(wǎng)絡故障數(shù)據(jù)的統(tǒng)一控制。

1.2 基于模糊貼近算法的網(wǎng)絡故障數(shù)據(jù)定位方法

根據(jù)邏輯推理單元，引入一種模糊貼近思維實現(xiàn)網(wǎng)絡故障數(shù)據(jù)的準確定位。在網(wǎng)絡故障信號定位系統(tǒng)中，存儲的大量的網(wǎng)絡故障數(shù)據(jù)模糊告警貼近指標知識庫以及動態(tài)事件告警庫，對于模糊告警的匹配、關聯(lián)分析等推理分析，能夠達到較高的精確度。對網(wǎng)絡故障數(shù)據(jù)定位的目標是確定故障存在的位置，通過有事實告警獲取根源告警的正向模糊推理方法，能夠推理出網(wǎng)絡故障信號危險。正向模糊推理流程的電路圖如圖2所示。

基于模糊貼近算法的網(wǎng)絡故障數(shù)據(jù)定位系統(tǒng)的分析過程為：系統(tǒng)輸入當前的網(wǎng)絡故障事實告警項，對告警項進行模糊化操作，變換成網(wǎng)絡故障數(shù)據(jù)模糊告警，通過模糊匹配在貼近指標庫中搜索同網(wǎng)絡故障數(shù)據(jù)模糊告警，相匹配的全部貼近指標，并將匹配度最高的貼近指標當成推理激發(fā)指標。在推理激發(fā)指標中可采集到網(wǎng)絡故障數(shù)據(jù)模糊告警的關聯(lián)信息，基于模糊合成方法，推理出網(wǎng)絡故障數(shù)據(jù)模糊告警結論。并將模糊告警結論反模糊化，獲取激發(fā)告警的根源故障位置，也就是實現(xiàn)推理結論告警的反模糊化，進而能夠形象描述出網(wǎng)絡故障數(shù)據(jù)產(chǎn)生的位置。所設計定位系統(tǒng)采用加權平均方法實現(xiàn)推理結論告警的反模糊化，具體過程為：

如果模糊集中的語言變量對象為數(shù)值型，同時不同模糊區(qū)間取值具有離散性，則將輸出量模糊集[Fx]內(nèi)不同元素[xi]同相應隸屬度[μFx（xi）]相乘，并運算該乘積累加以及對于不同隸屬度和的平均值，也就是對語言變量集中的數(shù)據(jù)求加權平均后的模糊區(qū)間值，如下式所示：

[x0=i=1kxiμFx（xi）i=1kμFx（xi）]

式中：平均值[x0]是通過加權平均法獲取的模糊區(qū)間判決結果。

1.3 定位功能的設計與實現(xiàn)

基于模糊貼近算法的網(wǎng)絡故障定位是由網(wǎng)絡參數(shù)監(jiān)測及處理模塊、知識采集模塊、故障定位知識庫、故障定位模塊、解釋模塊以及用戶界面構成。其功能模塊圖如圖3所示。

（1） 網(wǎng)絡參數(shù)監(jiān)測及處理模塊。該模塊通過采集網(wǎng)絡運行參數(shù)，把采集到的參數(shù)存放在數(shù)據(jù)庫里；采集參數(shù)征兆，融合模糊貼近算法和數(shù)據(jù)庫，基于網(wǎng)絡故障數(shù)據(jù)定位數(shù)據(jù)庫里的設定條件檢測出不正常數(shù)據(jù)，把它變成易懂的知識，供網(wǎng)絡管理人員查看，并把網(wǎng)絡參數(shù)變更為網(wǎng)絡數(shù)據(jù)定位系統(tǒng)能辨認的數(shù)值；將定位到的故障數(shù)據(jù)和報警，通過圖像界面呈現(xiàn)給用戶，使操作員迅速得知網(wǎng)絡故障數(shù)據(jù)的發(fā)生。

（2） 知識采集模塊。該模塊依據(jù)對網(wǎng)絡故障樣本的認知，進行知識的采集，把采集的知識存入網(wǎng)絡的連接權中，塑造成故障定位模型。知識采集模塊可實現(xiàn)網(wǎng)絡故障定位系統(tǒng)對故障類別定位方法的信息獲取，為下一步定位鋪墊。

（3） 故障定位。該模塊利用模糊貼近算法得到網(wǎng)絡故障數(shù)據(jù)定位數(shù)據(jù)庫里的運行參數(shù)，剖析提取的網(wǎng)絡參數(shù)征兆，基于模糊貼近模型完成定位，并體現(xiàn)出定位的參數(shù)。

（4） 解釋模塊。該模塊是對網(wǎng)絡故障數(shù)據(jù)定位模塊計算結果的一個解釋，也就是對目前定位計算流程的一個詮釋。它的詮釋體系是基于故障定位知識庫里已存在的知識，對應任意節(jié)點的動作完成詮釋，假如知識庫里不存在該知識，網(wǎng)絡故障定位系統(tǒng)將顯示無相符內(nèi)容，操作員根據(jù)知識庫對定位結論的正確性進行判定，并考慮是否可將這個征兆存儲到知識庫里。

（5） 故障定位知識庫。該模塊中存在通過模糊貼近模型導出的知識和訓練模型需要的知識等。故障定位知識庫可完成已得到知識的一個保護和更新，繼而便于后續(xù)推理。

（6） 人機交互界面。該模塊為用戶、管控人員以及網(wǎng)絡定位模型，提供信息溝通交流的窗口。人機交互界面重點是負責設定參數(shù)和數(shù)據(jù)的導入、導出等，它在人機交互與網(wǎng)絡故障定位系統(tǒng)里起到溝通協(xié)調(diào)的作用。

2 關鍵代碼設計與實現(xiàn)

基于模糊貼近算法的網(wǎng)絡故障數(shù)據(jù)定位方法，處理數(shù)據(jù)的第一步是將數(shù)據(jù)完成初始化，也就是把選擇的模擬數(shù)據(jù)存入系統(tǒng)，為下一步處理提供數(shù)據(jù)。完成數(shù)據(jù)初始化代碼如下：

3 實驗分析

通過實驗驗證本文提出的基于模糊貼近算法的網(wǎng)絡故障數(shù)據(jù)快速定位方法的性能。實驗分別采用本文方法和小波神經(jīng)網(wǎng)絡方法對某服裝公司的銷售網(wǎng)絡故障數(shù)據(jù)進行定位分析，獲取10組樣本數(shù)據(jù)的定位值域?qū)嶋H值的誤差結果，如表1所示。

分析表1可以看出，本文方法對于網(wǎng)絡故障數(shù)據(jù)定位的誤差高于小波神經(jīng)網(wǎng)絡方法，并且本文方法的誤差始終低于0.45，具有較高的可靠性，說明本文方法能夠?qū)嶒灳W(wǎng)絡故障數(shù)據(jù)進行實時監(jiān)控定位。

如圖4所示，網(wǎng)絡事務數(shù)據(jù)庫大小對不同方法運行時間的干擾，對比分析兩種方法的可擴展性。通過圖4可以看出，本文方法的運行時間始終低于小波神經(jīng)網(wǎng)絡方法，并且具有較高的平穩(wěn)度。而小波神經(jīng)網(wǎng)絡方法的運行時間隨著事務數(shù)據(jù)庫大小出現(xiàn)顯著的波動，并且增長迅速。主要是因為本文方法先采集網(wǎng)絡的告警信息，再對告警信息進行模糊關聯(lián)規(guī)則挖掘，獲取告警信息的模糊貼近指標，通過模糊推理方法實現(xiàn)網(wǎng)絡故障數(shù)據(jù)快速定位。避免了掃描信息量龐大的全局事務庫，極大地降低了網(wǎng)絡故障數(shù)據(jù)定位時間。

如圖5所示為網(wǎng)絡事務數(shù)據(jù)庫不斷增長時，本文方法和小波神經(jīng)網(wǎng)絡方法的內(nèi)存占用情況。分析圖5可得，隨著網(wǎng)絡事務庫數(shù)量的增加，本文方法和小波神經(jīng)網(wǎng)絡的內(nèi)存占用率都不斷增加，而本文方法的占用空間增加幅度較低，說明本文方法針對大規(guī)模網(wǎng)絡數(shù)據(jù)的故障定位方法具有較高的優(yōu)勢。

4 結 語

本文提出一種基于模糊貼近算法的網(wǎng)絡故障數(shù)據(jù)快速定位方法。系統(tǒng)將當前的網(wǎng)絡事實告警項，進行模糊化處理轉換成模糊告警，由模糊匹配在貼近指標庫中發(fā)現(xiàn)與之匹配的全部貼近指標，并采集匹配度最高的貼近指標當成推理觸發(fā)指標。從該指標中提取故障數(shù)據(jù)模糊告警關聯(lián)信息，通過模糊合成策略，推理出網(wǎng)絡故障數(shù)據(jù)的模糊告警結論，實現(xiàn)網(wǎng)絡故障數(shù)據(jù)的快速定位。實驗結果表明，所提方法對網(wǎng)絡故障數(shù)據(jù)進行定位，具有較高的定位精度，并且消耗能量較低。

參考文獻

[1] 周孝信，陳樹勇，魯宗相.電網(wǎng)和電網(wǎng)技術發(fā)展的回顧與展望：試論三代電網(wǎng)[J].中國電機工程學報，2013，33（22）：2?11.

[2] KAUER M， STEINHORST S， GOSWAMI D， et al. Formal verification of distributed controllers usingtime?stamped event count automata [C]// Proceedings of 2013 ASP?DAC. Yokohama Japan： [s.n.]， 2013： 411?416.

[3] 鄭濤，潘玉美，郭昆亞，等.基于免疫算法的配電網(wǎng)故障定位方法研究[J].電力系統(tǒng)保護與控制，2014，42（1）：77?83.

[4] 劉健，張小慶，同向前，等.含分布式電源配電網(wǎng)的故障定位[J].電力系統(tǒng)自動化，2013，37（2）：36?42.

[5] 周湶，鄭柏林，廖瑞金，等.基于粒子群和差分進化算法的含分布式電源配電網(wǎng)故障區(qū)段定位[J].電力系統(tǒng)保護與控制，2013，41（4）：33?37.

[6] 林濟鏗，潘光，李云鵬，等.基于基本樹的網(wǎng)絡拓撲放射性快速判斷方法及配網(wǎng)重構[J].中國電機工程學報，2013，33（25）：156?166.

[7] DAIGLE M J， GOEBEL K. Model?based prognostics with concurrent damage progression processes [J]. IEEE transaction on systems， man， and cybernetics， 2013， 43（3）： 535?546.

[8] 吳浩，羅毅，蔡亮.基于RBF神經(jīng)網(wǎng)絡的輸電線路故障類型識別新方法[J].重慶郵電大學學報（自然科學版），2013，25（3）：418?426.