基于人工智能的網(wǎng)絡故障診斷相關問題研究

阿不都艾尼·阿不都肉素力

摘要：網(wǎng)絡技術不斷發(fā)展，網(wǎng)絡給人們提供更多的信息服務，信息傳輸讓人們實現(xiàn)了遠程辦公。但是隨著網(wǎng)路功能增加、網(wǎng)絡結構也越來越復雜。一旦網(wǎng)絡發(fā)生故障就會給人們生活、工作、學習帶來各種各樣的麻煩，人們對于網(wǎng)絡的依賴性越高，對于網(wǎng)絡故障診斷的需求也就越高，對于診斷效率和診斷技術的要求也越來越高。該文重點講述了人工智能在網(wǎng)絡故障診斷中的應用和存在的問題，并提出了幾點建議，供業(yè)內(nèi)人士參考。

關鍵詞：人工智能；網(wǎng)絡故障；診斷；相關問題

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）13-0169-02

本文根據(jù)網(wǎng)絡系統(tǒng)出現(xiàn)故障的各種特點來分析了模糊邏輯、專家診斷系統(tǒng)、神經(jīng)網(wǎng)絡和各種智能體系統(tǒng)的常用網(wǎng)絡故障診斷方法，并闡述了其特點、原理已經(jīng)應用等方面的現(xiàn)狀和問題。

1 人工智能在網(wǎng)絡故障診斷應用中的現(xiàn)狀

人們與網(wǎng)絡的聯(lián)系日漸緊密，一旦網(wǎng)絡出現(xiàn)故障就會嚴重的影響人們工作、生活和學習，這就對我們網(wǎng)絡故障檢修工作提出了高要求，力求花最短的時間，精準的判斷故障發(fā)生原因、位置和類型，及時對故障進行搶修。這種要求對于我們工作人員來說是人力難以完成的，那么我們就需要引進一個套能高效、高速、精準定位故障的檢修判斷系統(tǒng)。如何對網(wǎng)站故障進行排除、定位和修復使我們網(wǎng)絡管理行業(yè)的最艱巨也是最迫切需要解決的問題，但是目前因為沒有一個準確的數(shù)學模型和相應的算法，造成傳統(tǒng)故障沒辦法進行有效的診斷和處理。人工智能技術是我們解決當前問題的一個重要解決方法，雖然目前國內(nèi)還沒有得到廣泛的使用，但是蘋果、微軟等計算機軟件公司都已經(jīng)在重點研究此技術，技術也在逐漸成熟中。本人參閱國內(nèi)外的相關文獻，在分析故障特點的基礎上，對于模糊邏輯、專家系統(tǒng)、智能系統(tǒng)、專家系統(tǒng)等各類計算及系統(tǒng)進行研究，深入了解其特點和缺陷，并研究其診斷方法原理，希望能出盡我國的網(wǎng)絡故障診斷技術的發(fā)展。

2 網(wǎng)絡故障基本特征分析

經(jīng)過本人多年對于大型網(wǎng)絡系統(tǒng)的研究，發(fā)現(xiàn)其故障的特點如下：

2.1 層次性

網(wǎng)絡系統(tǒng)是有結構分層的，包括數(shù)據(jù)鏈路層、物理硬件層、應用層，這些不同分層會出現(xiàn)層次性的故障，其故障征兆是有層次性的。

2.2 傳播性

故障傳播包括橫向傳播和縱向傳播兩種。橫向傳播是在同一層次里，因為某一個元素發(fā)生故障導致同層次的其他元素發(fā)生故障?？v向傳播是因為不同分層的某一層出現(xiàn)故障導致其他層次也出現(xiàn)問題，比如硬件損壞可能導致軟件數(shù)據(jù)丟失，數(shù)據(jù)鏈路層里的數(shù)據(jù)鏈被打斷，造成系統(tǒng)被破壞，應用層的應用自然無法使用。

2.3 相關性

網(wǎng)絡故障的表現(xiàn)征兆和原因很多且非常復雜，一種故障可能會出現(xiàn)不同的表現(xiàn)征兆，一種表現(xiàn)征兆也可能是因為不同的原因造成的。

2.4 隨機性

故障原因可能是隨機出現(xiàn)的，沒有固定的套路，其具有模糊性和隨機性。這也造成網(wǎng)絡系統(tǒng)故障診斷的難度大需要檢測的對象非常復雜且數(shù)量龐大。所以以人工檢測來看，這是一個浩大的工程，所以人力檢測也難以滿足高效檢修的需求。

人工智能系統(tǒng)對網(wǎng)絡故障進行診斷的方法是目前最有希望解決此問題的方法，下文對人工智能故障診斷方法及其在網(wǎng)絡故障診斷當中的應用進行闡述。

3 人工智能技術在網(wǎng)絡故障診斷中的應用

障診斷主要方法包括模糊邏輯、專家系統(tǒng)、多智能體系統(tǒng) （Multi-agent system， MAS）和神經(jīng)網(wǎng)絡等方法。

3.1 基于模糊邏輯的網(wǎng)絡故障診斷法

網(wǎng)絡故障與征兆表現(xiàn)都有隨機性，這就造成兩者之間的關系是模糊的，很難將征兆表現(xiàn)與故障原因通過準確的數(shù)學模型來確定其關系，這也就是我們常說的不確定性故障。模糊邏輯的診斷方法是處理這種不確定卻模糊狀態(tài)故障用的一種機制，其能夠?qū)⑦@些不確定性模糊故障信息進行搜集，集中整合，并通過函數(shù)等數(shù)學邏輯將其整合成一個模糊關系矩形陣，這個數(shù)學模型能將不確定性故障與征兆表現(xiàn)限制在一定范圍內(nèi)，能夠為診斷提供一定的參考。此診斷原理主要先收集故障與征兆表現(xiàn)的數(shù)據(jù)，建立一個隸屬度函數(shù)，隨后將故障原因和征兆表現(xiàn)集合成一個模糊關系矩陣，使用模糊關系方程來縮小故障原因范圍。這種診斷方法無法做到精準的診斷出故障原因，但是能縮小范圍給檢修人員一定的參考和啟發(fā)，這就類似人類的思維方法，所以這個方法需要建立一個龐大的模糊關系數(shù)據(jù)庫，智能升級學習能力比較差。

3.2 專家系統(tǒng)在網(wǎng)絡故障診斷

這個診斷系統(tǒng)是模仿人類專家解決問題的方法過程的一種程序系統(tǒng)，此系統(tǒng)運用已有的相關理論和解決方法對故障原因進行分析和決策，這個系統(tǒng)的模擬功能非常的強大，是針對有規(guī)律規(guī)則但是牽扯原因多涉及范圍廣的復雜問題而設計出來的，將已有的人類知識、概念、模式、方案綜合歸納出規(guī)律規(guī)則，給人力檢測提供經(jīng)驗啟發(fā)參考。這種強調(diào)規(guī)則性的專家系統(tǒng)對于知識選取，知識呈現(xiàn)的功能很強大，且結果顯示非常直觀，因為規(guī)則型強所以形式高度統(tǒng)一，對于檢修人員來說比較容易理解。

但是鑒于我們網(wǎng)絡系統(tǒng)故障的原因和征兆之間的關系非常復雜卻隨機性強，僅僅通過專家系統(tǒng)很難完成故障定位、原因分析的目標。專家系統(tǒng)強調(diào)歸納出規(guī)則，也導致知識只能是建立在數(shù)據(jù)庫基礎上，其靈活性很弱，因為系統(tǒng)故障隨意性強，就會導致歸納出的規(guī)則之間發(fā)生沖突，造成規(guī)則組合爆炸，無法得出準確的結果。目前有一種設置了自然語言接口的網(wǎng)絡故障診斷系統(tǒng)，主要采用了專家系統(tǒng)的設計原理和模型，將專家系統(tǒng)歸納出的規(guī)則與概念圖進行組合，延伸出了生產(chǎn)型的規(guī)則知識表（即EPR技術），將網(wǎng)絡上有關故障表述的語言轉(zhuǎn)成了一幅幅概念圖，利用專家系統(tǒng)的推理分析制定出一些規(guī)則，并將這些推理結果和推理規(guī)則轉(zhuǎn)換成自然語言輸出，直觀的讓檢修人員看到分析報告和結果。此種方法一定程度上能幫助檢修人員對故障進行預判。

3.3 基于神經(jīng)網(wǎng)絡故障診斷法

故障診斷模式識別是神經(jīng)網(wǎng)絡故障診斷的核心診斷方法，人工神經(jīng)網(wǎng)絡能夠模擬出人類大腦組織結構，并建立一個類似人類大腦認知的過程，對故障進行分類處理。運行原理是將故障征兆通過神經(jīng)網(wǎng)絡輸入到系統(tǒng)中，使用識別模式來將故障進行分類最終出具診斷結果。這種診斷系統(tǒng)可以通過對故障診斷實例數(shù)據(jù)收集，并對其進行一定的學習和訓練，將分布于神經(jīng)網(wǎng)絡當中的那些表示連接權值數(shù)據(jù)經(jīng)過計算翻譯后表達故障診斷，最后將故障診斷的結果輸出。

這種診斷方法適應性強，且能自動進行記憶聯(lián)想，能將故障數(shù)據(jù)分類處理。這與以上2種診斷系統(tǒng)相比，其學習能力強，能自主收集資料，能很好地對知識數(shù)據(jù)庫數(shù)據(jù)進行更新維護。但是其不足之處也很明顯，那就是有學習能力但是學習速度還是較慢，需要長時間訓練，且解釋能力不如專家診斷系統(tǒng)。這些技術水平的原因也導致神經(jīng)網(wǎng)絡故障診斷系統(tǒng)目前沒有推廣使用。

3.4 多智能體技術在網(wǎng)絡系統(tǒng)故障診斷中的應用

經(jīng)過國外的廣泛實踐應用結果發(fā)現(xiàn)，僅僅依靠模糊邏輯、專家系統(tǒng)或神經(jīng)網(wǎng)絡等單一方法只能對一些簡單的網(wǎng)絡故障進行診斷，無法滿足大型網(wǎng)絡系統(tǒng)的故障診斷要求，所以單一的方法是滿足不了人們對于解決復雜故障的需求。那么就出現(xiàn)了采用多種診斷系統(tǒng)共同合作的新診斷技術——多智能體技術。多智能體技術是人工智能領域內(nèi)的新寵，站在了技術的最前端，且備受關注。由多種診斷方法的系統(tǒng)組合而成，利用不同的系統(tǒng)的特性將復雜的網(wǎng)絡故障因素分解成單一、獨立的小因素。各個子系統(tǒng)共同運作。目前多智能體系統(tǒng)的研究不斷深入，對于如何協(xié)調(diào)各子系統(tǒng)有了一點的研究成果，其特性是自主性強，協(xié)調(diào)性強，組成形式為分布式，有一定的組織能力和學習能力，能將復雜的問題自主的分解成小問題，分發(fā)到子系統(tǒng)進行分析。

4 結束語

對于如何對網(wǎng)絡系統(tǒng)進行精準定位找出故障原因，出具診斷結果，提出修護方案，仍然是我們業(yè)內(nèi)人士要重點研究的，我們要因地制宜，針對不對的實際情況來進行研究，需要滿足我們的用戶需求，制定合適的診斷的方案，引進先進的診斷技術，力求能夠快速、精準的判定故障原因，人工智能在網(wǎng)絡故障診斷中已經(jīng)大放光彩，我們要抓住技術的潮流走向，融合多種智能診斷方法，對各種智能診斷系統(tǒng)進行深入的分析和了解。通過引進并其學習現(xiàn)代數(shù)據(jù)挖掘技術，從而改進目前我國的智能診斷系統(tǒng)的推理能力和知識獲取。讓網(wǎng)絡故障診斷能更快速、更精準。將網(wǎng)絡故障導致人們生活、學習、工作的損失降到最低。

參考文獻：

[1] 雷亞國. 混合智能技術及其在故障診斷中的應用研究[D]. 西安： 西安交通大學， 2007.

[2] 劉觀良， 趙萬能， 仝麥智. 基于人工智能的網(wǎng)絡故障診斷研究綜述[J]. 電腦編程技巧與維護， 2013（10）.

[3] 邊莉， 邊晨源. 電網(wǎng)故障診斷的智能方法綜述[J]. 電力系統(tǒng)保護與控制， 2014（3）.

[4] 馬驊， 張洪星， 宋海軍. 人工智能在計算機網(wǎng)絡系統(tǒng)故障診斷中的應用[J]. 邢臺職業(yè)技術學院學報， 2004（1）.

[3] Francisco Javier Cantu-Ortiz.Advancing artificial intelligence research and dissemination through conference series： Benchmark， scientific impact and the MICAI experience[J]. Expert Systems with Application， 2014， 41（3）.

[4] Kunwar P Singh，Shikha Gupta，Premanjali Rai， et al. Predicting acute aquatic toxicity of structurally diverse chemicals in fish using artificial intelligence approaches[J]. Ecotoxicology and Environmental Safety， 2013， 95（1）.