園區(qū)網(wǎng)的網(wǎng)絡(luò)故障狀態(tài)預(yù)測方法

張維訪，徐　蕾

(沈陽航空航天大學(xué) 計(jì)算機(jī)學(xué)院，沈陽 110136)

?

園區(qū)網(wǎng)的網(wǎng)絡(luò)故障狀態(tài)預(yù)測方法

張維訪，徐蕾

(沈陽航空航天大學(xué) 計(jì)算機(jī)學(xué)院，沈陽 110136)

為及時(shí)處理園區(qū)網(wǎng)可能發(fā)生的網(wǎng)絡(luò)故障，提出了一種網(wǎng)絡(luò)故障狀態(tài)預(yù)測方法。首先利用采集的園區(qū)網(wǎng)網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)樣本做數(shù)據(jù)挖掘，獲得網(wǎng)絡(luò)運(yùn)行參數(shù)的ARMA預(yù)測函數(shù)及網(wǎng)絡(luò)故障預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型；做網(wǎng)絡(luò)故障狀態(tài)實(shí)時(shí)預(yù)測時(shí)，在園區(qū)網(wǎng)的關(guān)鍵監(jiān)測點(diǎn)中利用SNMP協(xié)議采集網(wǎng)絡(luò)運(yùn)行參數(shù)，通過這些參數(shù)預(yù)測下面幾個(gè)時(shí)段的網(wǎng)絡(luò)運(yùn)行參數(shù)，進(jìn)而利用BP網(wǎng)絡(luò)預(yù)測網(wǎng)絡(luò)監(jiān)測點(diǎn)的故障狀態(tài)。實(shí)驗(yàn)結(jié)果表明，網(wǎng)絡(luò)運(yùn)行狀態(tài)預(yù)測的準(zhǔn)確率能夠達(dá)到80%以上，可實(shí)現(xiàn)基本的網(wǎng)絡(luò)故障狀態(tài)預(yù)測。

園區(qū)網(wǎng)絡(luò)故障;神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)預(yù)測;簡單網(wǎng)管協(xié)議

對(duì)于大型園區(qū)，尤其是國防企事業(yè)單位，網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定、可靠運(yùn)行是現(xiàn)代化生產(chǎn)和管理的基本保障，網(wǎng)絡(luò)的崩潰或癱瘓意味著傳輸數(shù)據(jù)的丟失等巨大損失。因此，提前預(yù)測網(wǎng)絡(luò)延遲、擁塞等網(wǎng)絡(luò)故障狀態(tài)，使網(wǎng)絡(luò)運(yùn)維系統(tǒng)能夠及時(shí)響應(yīng)、處理，進(jìn)而保證網(wǎng)絡(luò)的穩(wěn)定運(yùn)行是非常重要的。

現(xiàn)有的網(wǎng)絡(luò)故障預(yù)測方法主要是對(duì)網(wǎng)絡(luò)歷史故障數(shù)據(jù)進(jìn)行分析，利用數(shù)據(jù)挖掘的方法得出故障預(yù)測模型。文獻(xiàn)[1]引入基于狀態(tài)的維修技術(shù),通過監(jiān)測網(wǎng)絡(luò)狀態(tài)，利用構(gòu)建的神經(jīng)網(wǎng)絡(luò)預(yù)測網(wǎng)絡(luò)故障；文獻(xiàn)[2]針對(duì)網(wǎng)絡(luò)一段時(shí)間中的故障率，建立多元線性回歸模型，進(jìn)而預(yù)測網(wǎng)絡(luò)下一個(gè)時(shí)段的故障率；文獻(xiàn)[3]為了實(shí)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)中的故障和資源的自我管理，提出了一種具有自主故障預(yù)測和管理能力的系統(tǒng)。文獻(xiàn)[4-5]在異常行為頻繁項(xiàng)集挖掘的基礎(chǔ)上提出了單個(gè)網(wǎng)絡(luò)參數(shù)的多尺度趨勢分析，利用多維時(shí)間尺度趨勢來計(jì)算節(jié)點(diǎn)的網(wǎng)絡(luò)故障。文獻(xiàn)[6]提出一種針對(duì)多區(qū)域故障的預(yù)測模型，采用風(fēng)險(xiǎn)評(píng)估知識(shí)來描述網(wǎng)路故障模型。以上預(yù)測方法存在不足，回歸分析的因子選擇及因子的數(shù)學(xué)表達(dá)式只是一種推測，如果因子選擇不合理，預(yù)測效果會(huì)降低；利用趨勢分析的網(wǎng)絡(luò)狀態(tài)預(yù)測方法的不足是當(dāng)一種正常趨勢很像異常趨勢的時(shí)候可能會(huì)誤判斷成故障。以上文章主要是對(duì)網(wǎng)絡(luò)狀態(tài)故障管理的研究，對(duì)網(wǎng)絡(luò)狀態(tài)故障預(yù)測的研究很少。

本文提出了一種園區(qū)網(wǎng)的網(wǎng)絡(luò)故障預(yù)測方法，主要針對(duì)網(wǎng)絡(luò)運(yùn)行狀態(tài)進(jìn)行預(yù)測，進(jìn)而能夠及時(shí)發(fā)現(xiàn)網(wǎng)絡(luò)的擁塞情況。網(wǎng)絡(luò)故障預(yù)測方法是在園區(qū)網(wǎng)的關(guān)鍵監(jiān)測點(diǎn)中采集網(wǎng)絡(luò)運(yùn)行參數(shù)，然后利用數(shù)據(jù)挖掘得到的網(wǎng)絡(luò)運(yùn)行參數(shù)預(yù)測模型預(yù)測下一階段的網(wǎng)絡(luò)運(yùn)行參數(shù)，將預(yù)測得到的網(wǎng)絡(luò)運(yùn)行參數(shù)輸入神經(jīng)網(wǎng)絡(luò)模型預(yù)測網(wǎng)絡(luò)的運(yùn)行狀態(tài)。實(shí)驗(yàn)結(jié)果表明，這一方法能夠預(yù)測網(wǎng)絡(luò)的運(yùn)行狀態(tài)，進(jìn)而保證網(wǎng)絡(luò)穩(wěn)定運(yùn)行。

1　網(wǎng)絡(luò)故障狀態(tài)預(yù)測

網(wǎng)絡(luò)故障狀態(tài)預(yù)測是維護(hù)網(wǎng)絡(luò)穩(wěn)定運(yùn)行和保障網(wǎng)絡(luò)健康狀態(tài)的一種技術(shù)手段。方法是利用已知的網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，得到網(wǎng)絡(luò)故障狀態(tài)的預(yù)測模型[7]，進(jìn)而在網(wǎng)絡(luò)監(jiān)測點(diǎn)上利用實(shí)時(shí)采集的數(shù)據(jù)預(yù)測一段時(shí)間之后網(wǎng)絡(luò)故障狀態(tài)，便于網(wǎng)絡(luò)運(yùn)維系統(tǒng)做出及時(shí)的響應(yīng)，其系統(tǒng)模型如圖1所示。

圖1　網(wǎng)絡(luò)故障狀態(tài)預(yù)測系統(tǒng)模型

預(yù)測系統(tǒng)模型主要對(duì)網(wǎng)絡(luò)擁塞的故障狀態(tài)進(jìn)行預(yù)測。利用簡單網(wǎng)管協(xié)議(SNMP)實(shí)現(xiàn)網(wǎng)絡(luò)運(yùn)行狀態(tài)數(shù)據(jù)的采集；首先選擇ARMA模型進(jìn)行網(wǎng)絡(luò)運(yùn)行狀態(tài)參數(shù)的預(yù)測；然后利用學(xué)習(xí)得到的BP神經(jīng)網(wǎng)絡(luò)模型依據(jù)預(yù)測的網(wǎng)絡(luò)運(yùn)行狀態(tài)參數(shù)預(yù)測網(wǎng)絡(luò)故障狀態(tài)。簡單網(wǎng)管協(xié)議可以采集出一組與網(wǎng)絡(luò)運(yùn)行狀態(tài)相關(guān)的屬性數(shù)據(jù)，本文選擇與網(wǎng)絡(luò)擁塞密切相關(guān)的網(wǎng)絡(luò)流量數(shù)據(jù)作為典型參數(shù)進(jìn)行分析。

1.1網(wǎng)絡(luò)運(yùn)行參數(shù)預(yù)測方法

選用ARMA模型根據(jù)已知的網(wǎng)絡(luò)運(yùn)行參數(shù)預(yù)測下一時(shí)段的網(wǎng)絡(luò)運(yùn)行參數(shù)。ARMA(p,q)模型是自回歸模型(AR模型)和滑動(dòng)平均模型(MA模型)的一般形式，ARMA(p,q)模型如式(1)所示[8]：

(1)

其中{yt}是平穩(wěn)的時(shí)間序列，φ1,…,φp是自回歸系數(shù)，θ1,…,θq是滑動(dòng)平均系數(shù)，εt,εt-1,…,ε1是誤差項(xiàng)；根據(jù)時(shí)間序列理論，通常選擇模型ARMA(2n,2n-1)( n是正整數(shù))。本文對(duì)網(wǎng)絡(luò)流量等參數(shù)進(jìn)行預(yù)測，而流量的變化是呈一種趨勢的，不能用少量的數(shù)據(jù)預(yù)測，因此選用了ARMA(6,5)的形式，其表示如式(2)所示：

(2)

圖2　網(wǎng)絡(luò)流量參數(shù)時(shí)間序列與預(yù)處理后的結(jié)果對(duì)比

(3)

(4)

由方程(4)估計(jì)計(jì)算出自回歸系數(shù),φ1,…,φ6。

樣本的自相關(guān)系數(shù)定義如式(5)所示:

(k=1,2,…,6)

(5)

利用一段時(shí)間采集到的網(wǎng)絡(luò)運(yùn)行狀態(tài)參數(shù)的有限時(shí)間序列{xi}(i=1,2,…,n)對(duì)ARMA(6,5)模型進(jìn)行數(shù)據(jù)擬合，計(jì)算得出ifInoctets、ifoutOctets和連接復(fù)位數(shù)三個(gè)參數(shù)的ARMA(6,5)模型分別為線性函數(shù)，如式(6)、(7)和(8)所示。

參數(shù)ifInOctets的預(yù)測函數(shù)為:

yt=1.177yt-1+0.279 2yt-2+1.622yt-3-1.621yt-4-3.271yt-5+2.819yt-6-1.642εt-1+0.288 7εt-3+1.542εt-4-0.808 2εt-5

(6)

參數(shù)ifOutOctets的預(yù)測函數(shù)為:

yt=2.28yt-1-2.864yt-2+0.814 8yt-3+0.698 5yt-4-0.497 8yt-5+0.028 64yt-6+0.971 1εt-1+0.053 1εt-2-0.699 7εt-3-0.005 7εt-4+0.348 6εt-5

(7)

參數(shù)tcpEstabResets的預(yù)測函數(shù)為:

yt=0.527yt-1+0.530yt-2+0.504yt-3+0.317 81yt-4-1.033yt-5+0.154yt-6-0.485εt-1+0.064 4εt-2+0.588 2εt-3+0.922 92εt-4-0.114 3εt-5

(8)

其他參數(shù)的數(shù)據(jù)預(yù)處理及數(shù)據(jù)預(yù)測模型可用類似的方法求解，不在這里一一說明。

1.2網(wǎng)絡(luò)故障預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型

將預(yù)測得到的網(wǎng)絡(luò)運(yùn)行狀態(tài)參數(shù)，輸入BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測網(wǎng)絡(luò)的故障狀態(tài)。利用網(wǎng)絡(luò)運(yùn)行狀態(tài)的樣本數(shù)據(jù)對(duì)三層結(jié)構(gòu)的BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與學(xué)習(xí)。設(shè)BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)是n，輸出層節(jié)點(diǎn)數(shù)是1，隱層是一層結(jié)構(gòu)且節(jié)點(diǎn)數(shù)是m；BP的輸入層節(jié)點(diǎn)對(duì)應(yīng)某時(shí)刻采集的網(wǎng)絡(luò)運(yùn)行狀態(tài)參數(shù)，輸出層節(jié)點(diǎn)表示該時(shí)刻的網(wǎng)絡(luò)狀態(tài)(網(wǎng)絡(luò)的使用率)。本文對(duì)BP網(wǎng)絡(luò)隱層及輸出層的輸出都采用公式(9)的非線性函數(shù)[9-11]做計(jì)算。

(9)

其中的wij是上層第i個(gè)節(jié)點(diǎn)和本層第j個(gè)節(jié)點(diǎn)的聯(lián)接權(quán)值，當(dāng)oj表示隱層輸出時(shí)1≤j≤m、k=n；oj表示輸出層輸出時(shí)j=1、k=m。

本文設(shè)置(-1,1)區(qū)間內(nèi)的隨機(jī)數(shù)作為wij初始值，權(quán)值的學(xué)習(xí)是根據(jù)輸出層節(jié)點(diǎn)輸出值與輸出期望值之間的誤差做出調(diào)整。設(shè)t表示輸出層節(jié)點(diǎn)z的輸出期望值，BP網(wǎng)絡(luò)的邊權(quán)值wij利用公式(10)做調(diào)整。

wij(n+1)=wij(n)+ηoiδj

(10)

其中的n和n+1表示迭代次數(shù)，η是學(xué)習(xí)因子，設(shè)置為常數(shù)(文中設(shè)為0.9)，oi是上層第i節(jié)點(diǎn)的輸出(若第i層是輸入層，則輸出值即為輸入值)，若j是輸出層節(jié)點(diǎn)，δz=oz(1-oz)(t-oz)；若j是隱層節(jié)，δj=oj(1-oj)δzWjz。

使用5 min間隔采集的網(wǎng)絡(luò)運(yùn)行狀態(tài)樣本數(shù)據(jù)對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，選用對(duì)網(wǎng)絡(luò)運(yùn)行狀態(tài)影響較大的網(wǎng)絡(luò)流量數(shù)據(jù)(接口接收數(shù)據(jù)、接口發(fā)送數(shù)據(jù)、缺乏緩沖丟棄數(shù)據(jù)報(bào)文數(shù)(IpIndiaCards)、接收的ICMP報(bào)文數(shù)(IcmpInMsgs)、接收TCP總段數(shù)(TcpInSegs)和網(wǎng)絡(luò)連接復(fù)位數(shù))作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，選定誤差小的(6，15，1)作為BP網(wǎng)絡(luò)結(jié)構(gòu)模型。

2　結(jié)果與分析

本文利用實(shí)驗(yàn)室環(huán)境下一種二層網(wǎng)絡(luò)結(jié)構(gòu)的局域網(wǎng)做實(shí)驗(yàn)[12-13]，在該二層網(wǎng)絡(luò)中，有2臺(tái)交換機(jī)、每臺(tái)交換機(jī)下有3臺(tái)實(shí)驗(yàn)機(jī)。監(jiān)測局域網(wǎng)內(nèi)交換機(jī)的網(wǎng)絡(luò)運(yùn)行狀態(tài)，網(wǎng)絡(luò)帶寬為10 M。

網(wǎng)絡(luò)運(yùn)行參數(shù)的實(shí)時(shí)采集是利用SNMP協(xié)議中異步walk方式，以5 min的時(shí)間間隔輪詢,數(shù)據(jù)采集產(chǎn)生的網(wǎng)絡(luò)負(fù)載對(duì)網(wǎng)絡(luò)的正常運(yùn)行影響很?。粸槭咕W(wǎng)絡(luò)運(yùn)行狀態(tài)出現(xiàn)一些擁塞現(xiàn)象，實(shí)驗(yàn)時(shí)利用ping of death對(duì)監(jiān)測點(diǎn)做攻擊(主要使網(wǎng)絡(luò)帶寬占用率增高，使網(wǎng)絡(luò)出現(xiàn)擁堵)，進(jìn)而測試網(wǎng)絡(luò)故障預(yù)測模型系統(tǒng)的運(yùn)行效果。

2.1網(wǎng)絡(luò)運(yùn)行參數(shù)預(yù)測實(shí)驗(yàn)

網(wǎng)絡(luò)運(yùn)行參數(shù)預(yù)測是利用已經(jīng)采集的數(shù)據(jù)，利用前面學(xué)習(xí)得到的ARMA參數(shù)預(yù)測函數(shù)預(yù)測未來5、10、15、20 min的對(duì)應(yīng)參數(shù)值，圖3給出了三種網(wǎng)絡(luò)運(yùn)行參數(shù)的部分預(yù)測結(jié)果。

圖3　部分預(yù)測數(shù)據(jù)與真實(shí)數(shù)據(jù)對(duì)比結(jié)果

從參數(shù)預(yù)測和實(shí)際測量值的結(jié)果對(duì)比圖可以看出，預(yù)測的參數(shù)能夠提前得到參數(shù)的變化趨勢，但是預(yù)測值相對(duì)參數(shù)變化值的計(jì)算結(jié)果有些偏大?？梢杂?jì)算參數(shù)預(yù)測的相對(duì)誤差，設(shè)某個(gè)參數(shù)的預(yù)測值為a,實(shí)測值為b，則參數(shù)預(yù)測的相對(duì)誤差為：e=|a-b|/b；表1給出了圖3中三種網(wǎng)絡(luò)運(yùn)行參數(shù)5分鐘、10分鐘、15分鐘及20分鐘預(yù)測值的相對(duì)誤差平均值。

表1　網(wǎng)絡(luò)運(yùn)行參數(shù)不同預(yù)測時(shí)間的相對(duì)誤差均值

由表1的誤差結(jié)果可以看出預(yù)測的時(shí)間越長，預(yù)測的誤差也就越大，這是合理的。

2.3網(wǎng)絡(luò)運(yùn)行狀態(tài)預(yù)測實(shí)驗(yàn)

實(shí)驗(yàn)檢測了BP神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)運(yùn)行狀態(tài)的預(yù)測結(jié)果。實(shí)驗(yàn)中為保持網(wǎng)絡(luò)的工作狀態(tài)，在通過網(wǎng)絡(luò)監(jiān)測點(diǎn)的兩個(gè)節(jié)點(diǎn)之間運(yùn)行數(shù)據(jù)傳輸程序，使網(wǎng)絡(luò)使用率在10%左右，在此過程中，利用突發(fā)的、大量的數(shù)據(jù)傳輸對(duì)網(wǎng)絡(luò)傳輸流量進(jìn)行擾動(dòng)；在網(wǎng)絡(luò)監(jiān)測點(diǎn)中采集網(wǎng)絡(luò)運(yùn)行參數(shù)，然后進(jìn)行網(wǎng)絡(luò)運(yùn)行參數(shù)的5 min后數(shù)值預(yù)測，將預(yù)測的數(shù)值輸入訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，得出網(wǎng)絡(luò)運(yùn)行狀態(tài)5 min之后的結(jié)果，實(shí)驗(yàn)結(jié)果如圖4所示。

由于網(wǎng)絡(luò)運(yùn)行參數(shù)預(yù)測模型對(duì)網(wǎng)絡(luò)運(yùn)行參數(shù)的變化預(yù)測比較敏感，而網(wǎng)絡(luò)運(yùn)行狀態(tài)預(yù)測是根據(jù)預(yù)測的網(wǎng)絡(luò)運(yùn)行參數(shù)得出的，因而表現(xiàn)出網(wǎng)絡(luò)運(yùn)行狀態(tài)預(yù)測能夠及時(shí)預(yù)測出網(wǎng)絡(luò)運(yùn)行的變化，但是預(yù)測的變化幅度比真實(shí)的變化幅度要大一些。

假定預(yù)測的網(wǎng)絡(luò)使用率與實(shí)際的網(wǎng)絡(luò)使用率之差的絕對(duì)值小于2%就認(rèn)為預(yù)測是基本準(zhǔn)確的，圖4實(shí)驗(yàn)中預(yù)測準(zhǔn)確率大于85%，基本上能夠達(dá)到預(yù)測的目標(biāo)。

圖4　網(wǎng)絡(luò)使用率的預(yù)測與實(shí)際結(jié)果的對(duì)比

3　結(jié)論

不斷擴(kuò)大的網(wǎng)絡(luò)規(guī)模和不斷上升的網(wǎng)絡(luò)速度使網(wǎng)絡(luò)故障預(yù)測和管理變得十分困難，若能利用網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)提前做出漸變性故障的預(yù)測，將有助于網(wǎng)絡(luò)故障的及時(shí)處理。

本文首先采集各種不同網(wǎng)絡(luò)運(yùn)行狀態(tài)下的網(wǎng)絡(luò)運(yùn)行參數(shù)，基于這一樣本數(shù)據(jù)采用數(shù)據(jù)挖掘的方法獲得網(wǎng)絡(luò)運(yùn)行參數(shù)的ARMA預(yù)測模型及網(wǎng)絡(luò)運(yùn)行狀態(tài)的BP神經(jīng)網(wǎng)絡(luò)模型，利用ARMA模型對(duì)網(wǎng)絡(luò)運(yùn)行的主要數(shù)據(jù)屬性進(jìn)行預(yù)測，然后將這些預(yù)測數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)預(yù)測網(wǎng)絡(luò)的運(yùn)行狀態(tài)。實(shí)驗(yàn)證明了這一方法的有效性。

文本探討了一種新的網(wǎng)絡(luò)故障預(yù)測方法，但是在實(shí)驗(yàn)中，僅僅選擇了網(wǎng)絡(luò)流量等少量網(wǎng)絡(luò)運(yùn)行相關(guān)參數(shù)進(jìn)行預(yù)測，這些參數(shù)不能充分反應(yīng)完整的網(wǎng)絡(luò)運(yùn)行狀態(tài)，因此實(shí)驗(yàn)預(yù)測結(jié)果誤差在20%左右，進(jìn)一步的工作應(yīng)增加網(wǎng)絡(luò)運(yùn)行狀態(tài)的相關(guān)參數(shù)分析，從而使網(wǎng)絡(luò)故障預(yù)測模型更加完善。

[1]侯曉凱,李師謙,王杰瓊,等.一種基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)設(shè)備故障預(yù)測系統(tǒng)[J].山東理工大學(xué)學(xué)報(bào)：自然科學(xué)版,2014(6):29-34.

[2]鄧力,范庚,劉治學(xué).基于回歸分析方法的網(wǎng)絡(luò)故障預(yù)測[J].計(jì)算機(jī)工程,2012(20):251-255.

[3]ZHANG Z,FU S.Failure prediction for autonomic management of networked computer systems with availability assurance[C].2013 IEEE International Symposium on Parallel & Distributed Processing,Workshops and Phd Forum IEEE,Cambridge,2013:1-8.

[4]ABED H J,AL-FUQAHA A,GUIZANI M,et al.Failure prediction based on multi-scale frequent anomalous behavior identification in support of autonomic networks[C].Global Telecommunications Conference(GLOBECOM 2010),2010 IEEEIEEE,2010:1-5.

[5]ABED H J,AL-FUQAHA A,KHAN B,et al.Efficient failure prediction in autonomic networks based on trend and frequency analysis of anomalous patterns[J].International Journal of Network Management,2013,23(3):186-213.

[6]LIU XIAO,WANG YING,XIAO AILING,et al.Disaster-prediction based virtual network mapping against multiple regional failures[C].Integrated Network Management(IM),2015 IFIP/IEEE International Symposium on IEEE,Ottawa,2015.

[7]唐斌,曾啟杰,章云.網(wǎng)絡(luò)化最優(yōu)優(yōu)預(yù)預(yù)測狀態(tài)估計(jì)[J].控制理論與應(yīng)用,2011(05):727-734.

[8]鄒柏賢,劉強(qiáng).基于ARMA模型的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)研究與發(fā)展,2002,39(12):1645-1652.

[9]李瑞瑩,康銳.基于神經(jīng)網(wǎng)絡(luò)的故障率預(yù)測方法[J].航空學(xué)報(bào),2008,29(2):357-363.

[10]薛宇.基于模糊數(shù)據(jù)挖掘的主機(jī)故障預(yù)測研究[D].沈陽：沈陽航空航天大學(xué),2015.

[11]杜超,徐蕾.結(jié)構(gòu)化P2P網(wǎng)絡(luò)訪問熱點(diǎn)預(yù)測與負(fù)載均衡機(jī)制研究[J].沈陽航空航天大學(xué)學(xué)報(bào),2013,30(6):38-43.

[12]胡海峰,伍慶潤,張文淵,等.基于局域網(wǎng)的網(wǎng)絡(luò)狀態(tài)預(yù)測[J].華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版,2003(S1):233-237.

[13]林耀進(jìn),胡學(xué)鋼.多數(shù)據(jù)源中局部模式挖掘研究[J].合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版,2013,36(1):53-58.

(責(zé)任編輯：劉劃英文審校：趙亮)

Networkfaultspredictionmethodforparknetwork

ZHANGWei-fang,XULei

(CollegeofComputerScience,ShenyangAerospaceUniversity,Shenyang110136,China)

Todealwiththepossiblenetworkfailuresintheparknetworkinstantly,anewmethodofnetworkfaultspredictionwasproposed.Firstly,theARMApredictionfunctiontomakedataminingonthedatasamplewasused.Thenthepredictfunctionofnetworkoperationparameters,andBPneuralnetworkmodelfornetworkfailurepredictionwasobtained.ThecollectionnetworkoperatingparametersofSNMPprotocolonthecriticalmonitoringpointofthecampusnetworkwasappliedwhilethereal-timenetworkfaultswaspredicted.Thereforeseveralhoursinadvancebytheaboveparameterswaspredictedwheneverthenetworkwasrunning.FurthermoretheBackPropagationtopredictthenetfailureswasused.Theexperimentalresultsshowthattheoperationaccuracyratereachesatmorethan80%ofthenetworkstatepredictionbyusingtheproposedthemethod.

parknetworkfault;neuralnetwork;dataforecast;SNMP

2015-12-16

張維訪(1990-)，男，遼寧省朝陽人，碩士研究生，主要研究方向：信息安全，E-mail:18040036125@163.com;徐蕾(1959-)，女，上海人，教授，主要研究方向：信息安全，E-mail:xulei@sau.com。

2095-1248(2016)04-0073-05

TP274

A

10.3969/j.issn.2095-1248.2016.04.013