網(wǎng)絡(luò)可靠性預(yù)測(cè)模型

賈花萍，孫衛(wèi)喜

（渭南師范學(xué)院 網(wǎng)絡(luò)安全與信息化學(xué)院，陜西 渭南 714099）

網(wǎng)絡(luò)可靠性預(yù)測(cè)模型

賈花萍，孫衛(wèi)喜

（渭南師范學(xué)院 網(wǎng)絡(luò)安全與信息化學(xué)院，陜西 渭南 714099）

網(wǎng)絡(luò)可靠性作為系統(tǒng)安全的最基于要求之一，是所有網(wǎng)絡(luò)信息系統(tǒng)的建設(shè)和運(yùn)行目標(biāo)。針對(duì)采用BP神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)可靠性建立預(yù)測(cè)模型，其算法存在收斂速度慢、網(wǎng)絡(luò)泛化能力差，影響預(yù)測(cè)精度等缺點(diǎn)。提出采用量子神經(jīng)網(wǎng)絡(luò)算法進(jìn)行網(wǎng)絡(luò)可靠性預(yù)測(cè)建模。通過(guò)對(duì)測(cè)試數(shù)據(jù)進(jìn)行建模仿真，結(jié)果表明，該預(yù)測(cè)方法較BP神經(jīng)網(wǎng)絡(luò)而言，在誤差精度，訓(xùn)練次數(shù)等方面優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，同時(shí)能避免陷入局部極小的缺點(diǎn)，達(dá)到了很好的預(yù)測(cè)效果。

網(wǎng)絡(luò)；量子計(jì)算；可靠性；預(yù)測(cè)

Benioff[1]和 Feynman[2]于 1982年提出量子計(jì)算概念，Kak[3-4]教授1995年發(fā)表的“On Quantum Neural Computing”文章中將量子理論與神經(jīng)計(jì)算相結(jié)合，提出量子神經(jīng)計(jì)算的概念，使得量子神經(jīng)網(wǎng)絡(luò)受到了廣泛的關(guān)注。同年Chrisley提出了量子學(xué)習(xí)的概念以及非疊加態(tài)的量子神經(jīng)網(wǎng)絡(luò)模型。1998年Menneer在"Quantum Artificial Neural Networks"的博士論文中探討了將量子計(jì)算引入人工神經(jīng)網(wǎng)絡(luò)，并且證實(shí)量子神經(jīng)網(wǎng)絡(luò)在分類(lèi)方面要比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更加有效。而且不存在收斂速度慢、易陷于局部極小的缺點(diǎn)。有專(zhuān)家學(xué)者已經(jīng)將量子神經(jīng)網(wǎng)絡(luò)應(yīng)用到電網(wǎng)故障診斷[5]、心電圖識(shí)別[6]、指紋識(shí)別技術(shù)[7]等領(lǐng)域并取得了很好的研究成果。

1　量子神經(jīng)網(wǎng)絡(luò)

量子神經(jīng)網(wǎng)絡(luò)[8-9]是將人工神經(jīng)網(wǎng)絡(luò)與量子計(jì)算相結(jié)合的一個(gè)新研究領(lǐng)域，被認(rèn)為是神經(jīng)計(jì)算系統(tǒng)演化發(fā)展的方向。由于利用了量子并行計(jì)算、非線性、非局部特性、量子糾纏等特性，從而克服了傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的某些固有缺陷，將很有可能成為未來(lái)信息處理的重要手段和神經(jīng)網(wǎng)絡(luò)的另一分支。

量子神經(jīng)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)相比，主要區(qū)別在于隱含層是用量子疊加原理，采用疊加激勵(lì)函數(shù)來(lái)構(gòu)造隱含層神經(jīng)元，其輸入層和輸出層神經(jīng)元與神經(jīng)網(wǎng)絡(luò)相似，訓(xùn)練算法仍采用梯度下降法。在訓(xùn)練過(guò)程中，對(duì)神經(jīng)元的連接權(quán)值及隱含層神經(jīng)元的量子間隔進(jìn)行更新，如果隱含層神經(jīng)元是由多個(gè)激勵(lì)函數(shù)的疊加構(gòu)造而成，可以提高模式識(shí)別的準(zhǔn)確性。其中，隱含層節(jié)點(diǎn)的輸出函數(shù)為：

n是量子間隔數(shù)目，θi是量子間隔，β為陡度因子。

其量子間隔更新算法為：

隱含層第i個(gè)神經(jīng)元的輸出變量是：

m為模式分類(lèi)數(shù)目，Cm是模式類(lèi)矢量，輸入矢量為Xk時(shí)，隱含層第i個(gè)神經(jīng)元的輸出是Oi，m。oi，k是：

隱含層量子間隔θi，s的更新方法為：設(shè)

Oi，m，s是輸入矢量為Xk時(shí)第s個(gè)量子間隔，隱含層第i個(gè)神經(jīng)元的輸出。隱含層第i個(gè)神經(jīng)元的s個(gè)量子間隔是：

η是學(xué)習(xí)率，z是輸出神經(jīng)元的數(shù)目，β是陡度因子[10-11]。

2　網(wǎng)絡(luò)可靠性預(yù)測(cè)模型的建立

網(wǎng)絡(luò)可靠性這一概念首先由Boesch[12]歸納提出。網(wǎng)絡(luò)可靠性分析一般是指在給定網(wǎng)絡(luò)部件可靠性參數(shù)的條件下，研究如何計(jì)算網(wǎng)絡(luò)的可靠性；網(wǎng)絡(luò)可靠性評(píng)價(jià)通過(guò)對(duì)網(wǎng)絡(luò)可靠性水平的度量，判斷網(wǎng)絡(luò)在可靠性方面的價(jià)值。西安電子科技大學(xué)馮海林的博士論文主要研究網(wǎng)絡(luò)可靠性界的計(jì)算、網(wǎng)絡(luò)綜合可靠性分析方法、馬爾科夫型可修網(wǎng)絡(luò)系統(tǒng)中聚合問(wèn)題的研究以及網(wǎng)絡(luò)的模糊可靠性分析方法的研究[13]。Barberis提出了基于網(wǎng)絡(luò)吞吐量的有效性參數(shù)，Park提出了基于傳輸時(shí)延的有效性參數(shù)[14]。由于網(wǎng)絡(luò)性能容易受到元件故障、傳輸任務(wù)、路由策略等因素的影響。使用可靠性分析尚未得出理論模型，目前研究得到的結(jié)論往往都是基于仿真[15]或者基于統(tǒng)計(jì)數(shù)據(jù)分析[16]的結(jié)果。

人工智能技術(shù)的迅速發(fā)展為網(wǎng)絡(luò)可靠性的預(yù)測(cè)提供了新的途徑，利用量子神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)了一種新的網(wǎng)絡(luò)可靠性預(yù)測(cè)模型，該模型在誤差精度，訓(xùn)練次數(shù)等方面優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。

2.1測(cè)試數(shù)據(jù)

將數(shù)據(jù)用測(cè)試軟件IxChariot 6.0進(jìn)行測(cè)試。網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1，主控制臺(tái)為IP地址為202.207.214.117的終端。其中鏈路數(shù)、節(jié)點(diǎn)數(shù)、鏈路可靠度、端到端時(shí)延、作為網(wǎng)絡(luò)輸入，網(wǎng)絡(luò)可靠度作為輸出[12-13]，歸一化后數(shù)據(jù)樣本見(jiàn)表1。

圖1　網(wǎng)絡(luò)拓?fù)鋱D

表1　歸一化后的數(shù)據(jù)樣本

2.2網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

分別采用量子神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)建立網(wǎng)絡(luò)可靠性預(yù)測(cè)模型，選用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行預(yù)測(cè)。模型的輸入?yún)?shù)即為影響網(wǎng)絡(luò)可靠性的因素，即鏈路數(shù)、節(jié)點(diǎn)數(shù)、鏈路可靠度、端到端時(shí)延，作為模型的輸入層的4個(gè)神經(jīng)元，以網(wǎng)絡(luò)可靠度作為輸出神經(jīng)元，因此輸出層神經(jīng)元的個(gè)數(shù)為1。輸出層神經(jīng)元的傳遞函數(shù)為可選用logsig函數(shù)。根據(jù)前面分析，隱含層的神經(jīng)元個(gè)數(shù)直接影響著網(wǎng)絡(luò)的非線性預(yù)測(cè)性能，根據(jù)Kolmogorov定理，設(shè)定網(wǎng)絡(luò)的隱含層神經(jīng)元個(gè)數(shù)為9。按照一般的設(shè)計(jì)原則，隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)tansig。

2.3結(jié)果比較

從圖2量子神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果看，經(jīng)過(guò)132次訓(xùn)練網(wǎng)絡(luò)就可以達(dá)到所要求的精度，而傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)需要246次訓(xùn)練才能達(dá)到網(wǎng)絡(luò)誤差要求?？梢?jiàn)，量子神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度更快，訓(xùn)練的精度更加精確。

3　結(jié)束語(yǔ)

目前，在傳統(tǒng)的網(wǎng)絡(luò)可靠性建模中，通常主要依靠硬軟件故障率來(lái)計(jì)算網(wǎng)絡(luò)的預(yù)期可用性，其缺點(diǎn)在于網(wǎng)絡(luò)的網(wǎng)絡(luò)故障很可能由一些外部事件導(dǎo)致?，F(xiàn)在應(yīng)用最廣泛的是BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī) （SVM），但前者預(yù)測(cè)性能對(duì)網(wǎng)絡(luò)權(quán)值、拓?fù)浣Y(jié)構(gòu)、樣本數(shù)目等的依賴性較大，而且它是基于梯度信息來(lái)調(diào)整連接權(quán)值的，因此極易陷入局部極值點(diǎn)。

用量子神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)可靠性進(jìn)行建模，比單純用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，在收斂精度、收斂速度及誤差等方面都有明顯提高，而且同時(shí)能夠避免BP神經(jīng)網(wǎng)絡(luò)陷入局部極小的缺點(diǎn)。仿真結(jié)果表明：采用量子神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，其性能遠(yuǎn)優(yōu)于BP預(yù)測(cè)模型，該方法可以作為一種新的預(yù)測(cè)方法應(yīng)用于網(wǎng)絡(luò)可靠性的預(yù)測(cè)。

圖2　量子神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖3　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

[1]Benioff P A，Quantum Mechanical Hamiltonian Model of Turing Machine[J].Journal of Statistical Physics.1982，29（3）:515-546.

[2]Feynman R P，Simulating physics with computers[J]. International Journal of Theoretical Physics，1982，21:6-7.

[3]Kak S.，On Quantum Neural Computing[J].Information Science，1995，（83）:143-160.

[4]Kak S.，Quantum Neural Computing[J].Advances in Imaging and Electron Physics，1995，（94）:259-313.

[5]劉超.基于粗糙集理論和量子神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法研究[D].成都：西南交通大學(xué)，2008.

[6]柳丹.量子神經(jīng)網(wǎng)絡(luò)模型及其在心電圖分類(lèi)識(shí)別中的應(yīng)用研究[D].南京：南京郵電大學(xué)，2012.

[7]李茶茶.基于量子神經(jīng)網(wǎng)絡(luò)的指紋識(shí)別技術(shù)研究[D].南京：南京郵電大學(xué)，2011.

[8]Ezhov A，Venture D，Quantum Neural Network，In:Kasabov N.ed.Future Directions for Intelligent System Informa-tion Sciences[C].Springer-Verlag，Heidelberg，2000，213-234.

[9]Altaisky M.V.Quantum Neural Network[J].International Journal of Theoretical Physics，2001，36（12）:2855-2875.

[10]Narayanan A，Menneer T.Quantum Artifical neural networks Architectures and compents[J].Information Sciences，2000，128（3-4）:231-255.

[11]朱大奇，陳爾奎.旋轉(zhuǎn)機(jī)械故障診斷的量子神經(jīng)網(wǎng)絡(luò)算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2006，26（1）:132-136.

[12]Boesch，F(xiàn).；Thomas，R.Synthesis of Reliable Networks:A Survey[J].IEEE Transactions on Reliability，1986，35（3）: 240-246.

[13]馮海林.網(wǎng)絡(luò)系統(tǒng)中可靠性問(wèn)題的研究[D].西安：電子科技大學(xué)，2004.

[14]梁雄健，孫青華.通信網(wǎng)可靠性管理[M].北京：北京郵電大學(xué)出版社，2004.

[15]Jereb L，Kiss A.Performance index based network reliability analysis with stratified sampling[J].IEEE International Computer Performance and Dependability Symposium，2000: 123-130.

[16]WU Xiang-ping.Reliability for Future Networks[R].Beijing: Beihang，2008.

[17]WANG Li，WANG Xiao-kai.Reliability appraisal and forecastresearchofLAN/WLANintegrationnetwork[J]. Computer Engineering and Applications，2009.

[18]王麗.改進(jìn)神經(jīng)網(wǎng)絡(luò)模型對(duì)通信網(wǎng)可靠性的預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（22）：80-82.

Network reliability prediction model

JIA Hua-ping，SUN Wei-xi
（College of Network Security and Information Technology，Weinan Normal University，Weinan 714099，China）

Network reliability is one of the most basic requirements of system security，and it is the goal of the construction and operation of all network information systems.In view of the BP neural network to establish the network reliability prediction model，the algorithm has the shortcomings of slow convergence speed，poor network generalization ability，and impact prediction accuracy.The quantum neural network algorithm is proposed to model the network reliability prediction. Through the modeling and Simulation of the test data.The results show that the prediction method is compared with that of BP neural network，the error precision，the training times and is superior to the traditional neural network，also can avoid falling into local minimum points，to reach a good prediction effect.

Network；quantum computing；reliability；prediction

TN91

A

1674－6236（2016）21-0021-03

2016-03-21稿件編號(hào)：201603277

陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃項(xiàng)目（2014JM1026）；渭南師范學(xué)院重點(diǎn)教改項(xiàng)目（JG201511）；渭南師范學(xué)院校級(jí)特色學(xué)科建設(shè)項(xiàng)目（14TSXK02）。

賈花萍（1979—），女，陜西富平人，碩士，副教授。研究方向：神經(jīng)網(wǎng)絡(luò)，腦信息處理。