韩志强 马海香

【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

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。

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，根据常见的网络故障归类为：

2.1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。

2.2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。

2.3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。

2.4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，也就是指因为网络设备的配置错误而导致的网络异常或故障。

2.5路由器邏辑故障

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。

2.6一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。

2.7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。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

4.1免疫agent故障管理模型

免疫Agent网络模型的工作原理是，当网络发生故障的时候，搜集故障信息，然后经过一定的处理后，以抗原的形式提交到本地agent，本地agent首先在本地知识库进行搜索，看是否存在与抗原相匹配的故障类型，如果存在，那么输出故障信息，同时发送匹配成功的激励信号；否则发送协助信号，请求其他agent协助解决，其他agent接收到帮助信号以后，到自己agent中的知识库就行搜索，看是否存在相匹配的信息，如果存在，则将匹配到的故障类型发送给本地agent，否则将故障信息交由人工解决。

模型的运行是不断进行迭代的协同进化過程。每进行一次故障数据信息的诊断，模型就完成一次迭代过程。每一次迭代中，Agent之间会进行信息的交互，在迭代过程中每一个agent的知识库（也就是抗体集）会不断的进行更新，因而故障诊断能力会不断的增强，整个过程是始终是处于动态变化。

4.2Agent各功能模块介绍

移动agent由六种不同功能的agent组成。下面对每种agent功能进行详细介绍。

（1）信息采集agent

信息采集是进行故障诊断的前提。信息采集agent主要是对网络主机及所属子网络上的原始数据进行收集，然后将收集到的原始数据保存，然后进行一些预处理（如分析数据传输采用的协议、丢包率等），为故障诊断准备好数据信息。

（2）故障诊断agent

故障诊断agent是整个系统的核心。一个故障诊断agent通常只包含相对有限、独立的故障检测方法，提供对某一具体类型的数据分析服务，因此它的检测能力是非常有限的。故障诊断agent根据本身的责任，它会主动发送请求给相关的信息采集agent，然后对返回的信息进行分析，得出诊断结论。如果存在无法识别的异常，故障诊断agent会将数据源信息、实际诊断方法、故障参数等信息作为本地存储，发送给决策agent做下一步处理。

（3）通信agent

所谓的通信agent就是负责网络agent之间的相互通信。每个局域网都有一个通信agent而且是唯一，局域网内的agent之间必须通过通信agent才能进行交互，否则不能直接通信。通信agent本身并不具备执行诊断任务的能力，是为其他agent服务的。

（4）决策agent

系统在故障诊断过程中可能遇到各种问题，如数据采集不完整、领域知识不完备等，这些因素增加了检测结果的不确定性。对于比较简单的任务而言，决策agent也许不是必需的，但是如果任务比较复杂，根据单一故障特征并不能确定问题的所在，此时决策agent就发挥作用了。如果无法得出明确的诊断结论，这个时候决策agent会将诊断信息发送给系统管理agent，请求人工处理，处理完成后，将处理信息添加到知识库中，以备将来使用，这也就是学习过程。

5.结语

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.

（作者单位：长城汽车股份有限公司）