1、基于改进支持向量机的计算机网络故障诊断摘 要本文对计算机网络存在的故障进行了分析，提出了基于改进支持向量机的计算机网络故障诊断模型，并进行了实例仿真。仿真结果表明：本文提出的模型可以有效降低训练次数和训练时间，提高计算机网络故障诊断效率。 关键词计算机网络，故障诊断，支持向量机 中图分类号：TN707 文献标识码：A 文章编号：1009-914X（2015）41-0094-02 1.概述 网络故障诊断的目标是最大限度地增加网络的可用时间，提高网络设备的利用率、网络性能、服务质量和安全性，简化混合网络环境下的管理和减少控制网络运行成本，以延长网络的使用寿命。故障诊断的实质就是模式识别，由于网络设
2、备的复杂性和故障形式的多样性，使网络故障征兆和故障状态之间不是简单的一一对应关系，从故障征兆集到故障状态集是一个复杂的非线性映射。 智能故障诊断技术包括支持向量机、灰色理论、模式识别、故障树分析、诊断专家系统等。前四种技术只是在某种程度上运用了逻辑推理知识，部分解决了诊断过程中诸如信息模糊、不完全、故障分类和定位等问题，而诊断专家系统则可以以自身为平台，综合其他诊断技术，形成混合智能故障诊断系统1。狭义的智能诊断技术一般就指专家系统。 支持向量机（SVM）是由 CorinnaCortes 和 Vapnik 等人在上世纪 80年代初提出来的样本学习技术，它的优势在于基于系统风险最小化的原则，尤其
3、在解决非线性、小样本以及高维模式识别等问题中表现出色。支持向量机理论是建立在统计学习理论的 VC 维理论2基础上，根据有限的样本空间在对任意样本的识别能力和对特定训练样本的学习精度之间寻求最佳的平衡，以达到获取最好的学习能力的目的。 本文对基于支持向量机的故障识别在计算机网络中的应用做了一些尝试，期望通过对计算机网络故障的研究，利用神经网络的特点为计算机网络诊断提供依据，达到计算机网络优化的目的。 2.计算机网络故障分析 现代计算机网络技术日新月异，飞速发展的时代里，计算机网络遍及世界各个角落，应用在各行各业，普及到千家万户，它给人们可谓带来了诸多便利，但同时也带来了很多的烦恼，根据常见的网络
4、故障归类为：物理类故障和逻辑类故障两大类3。 物理故障，一般是指线路或设备出现物理类问题或说成硬件类问题。线路故障 在日常网络维护中，线路故障的发生率是相当高的，约占发生故障的 70%。线路故障通常包括线路损坏及线路受到严重电磁干扰。 端口故障 端口故障通常包括插头松动和端口本身的物理故障。 集线器或路由器故障 集线器或路由器故障在此是指物理损坏，无法工作，导致网络不通。主机物理故障 网卡故障，也归为主机物理故障，因为网卡多装在主机内，靠主机完成配置和通信，即可以看作网络终端。此类故障通常包括网卡松动，网卡物理故障，主机的网卡插槽故障和主机本身故障。逻辑故障中的最常见情况是配置错误，也就是指因
5、为网络设备的配置错误而导致的网络异常或故障。 路由器逻辑故障 路由器逻辑故障通常包括路由器端口参数设定有误，路由器路由配置错误、路由器 CPU 利用率过高和路由器内存余量太小等。 一些重要进程或端口关闭 一些有关网络连接数据参数得重要进程或端口受系统或病毒影响而导致意外关闭。 主机逻辑故障 主机逻辑故障所造成网络故障率是较高的，通常包括网卡的驱动程序安装不当、网卡设备有冲突、主机的网络地址参数设置不当、主机网络协议或服务安装不当和主机安全性故障等。 3.改进支持向量机算法 本文提出一种新的支持向量机等量学习算法，该算法的思想是：首先对原始样本求解中心距离比值参数来对样本向量集进行排序，训练此集
6、合得到初始分类器，记此时得到的支持向量集为 Sv，然后在新增样本中求出此样本集对应的中心距离参数值4。将新增的中心样本参数值与原参数值一同进行排序，根据参数大小取排序前 n 位的样本进行训练，得到加入重新选取样本后的新训练集中 SV，这些样本在下次训练时有成为参与训练的样本向量，训练此集合得到新的分类器。 算法过程描述如下： 前提：假设 Sv 为初始样本集，T 为新增样本集； 算法目标：寻找基于的 SVM 分类器，其中 TV 的样本集容量固定为n。 Step1：对 Sv 中每个样本点计算其中心距离比值参数，并据此对求出的中心距离比值参数排序表； Step2：对 Sv 进行 SVM 训练，得到分
7、类器 S； Step3：检查增量过程是否继续，如果没有，算法结束，S 为最终分类器； Step4：求出新增样本集 T 的中心距离比值参数值，将其与 B 进行排序，取前 n 个作为新的参数排序表 Bv； Step5：把新参数排序表 Bv 对应的样本向量集 TV 进行训练得到新的分类器 S； Step6：保存新的参数排序表 Bv，转至 step1。 该算法处理新增样本集时用参数窗口代替时间样本进行训练学习，在不影响训练速度的情况下，可以提高分类精度。对于新增样本，利用中心距离比值参数来判断是否需要加入训练学习。如果需要重新学习，则将原参数值排序表进行更新，并训练新排序表对应的新的待训练样本集，获得
8、新的分类器。这样可以舍弃更多的无用信息，保留有用信息，减少训练时间的同时，提高了分类精度。 4.基于 SVM 方法的计算机网络故障诊断实例 使用参考文献5中的训练样本数据，按照上节的方法建立支持向量机网络，在神经网络算法上采用改进的 LM 算法。传统的 BP 算法训练过程和使用支持向量机算法的训练过程见图 1. 使用文献5训练样本数据，同样使用改进的 LM 算法对其进行训练，训练过程分别如图 2 和 3 所示。 图 2 和图 3 中的左图是使用传统的 BP 算法的训练过程，右图是使用改进 SVM 算法的训练过程，可见使用改进的 SVM 算法的神经网络训练收敛速度要比原始 BP 算法速度快得多。
9、使用并行算法可以大大降低训练次数和训练时间。 5.结论 本文对计算机网络故障进行了分析，提出了改进的支持向量机算法，建立了改进支持向量机网络训练和仿真模型。针对计算机网络故障这一诊断实例，对其进行了实例仿真，实验结果表明了该方法的优越性。 参考文献 1 江芳泽，黄晓东.基于辩识神经网络鲁棒性研究协J.电子技术应用，2002，44（16）：93-101. 2 钱艺，李占才.一种神经网络并行处理器的体系结构J.小型微型计算机系统，2007，28（10）：1902-1905. 3 李玲玲，刘希玉.基于粒子群优化算法的并行学习神经网络集成构造方法J.山东科学，2007，20（4）：16-20. 4 任海鹏，刘丁.一类模型未知系统的辩识和混沌化控制J.控制理论与应用，2003，20（5）：737-740. 5 宋华，张洪钱.基于自适应 FBFN 网络的不确定系统容错方法J.航天控制，2005，23（2）：85-91.
