基于BP神經網絡的網絡故障預測實驗

孫騫　張進　胡建龍

【摘要】 神經網絡具有能夠逼近任意非線性函數關系的能力和比較方便的學習手段，因此，它可以用來作為一種復雜工業過程建模的新型方法。本文針對常用BP算法進行了深入的分析和仿真，并利用BP網絡對基于大規模網絡的故障管理進行針對性實驗。

【關鍵詞】 基本算法 模糊神經網絡 數據挖據

一、故障管理模塊

隨著計算機網絡的迅速發展，網絡規模越來越大，網絡節點分布的范圍越來越廣泛，網絡的特點趨向于異構性與復雜性，網絡管理的難度也不斷增加。為了提高大規模網絡故障管理的靈活性、智能性和高效性，克服傳統的集中式網絡故障管理的缺點，本文提出了基于大規模網絡的故障管理與健康預測，對網絡實施更加高效、實時和準確的管理，在大規模網絡的管理方面有針對性的優勢。故障因素主要有：CPU、物理內存、流量、負載、環境因子、設備溫度。

（1）數據處理模塊，主要完成采集到的數據的融合，提取和轉換。數據處理模塊主要是采用數據挖掘技術的分類算法來完成，這里不做詳細說明。

（2）狀態監測模塊，完成征兆信息的識別和狀態的評估任務。

（3）診斷預測模塊，包括故障診斷和故障趨勢預測功能。該模塊選用了模糊集理論下的模糊綜合評判模型并利用分布式的神經網絡算法來對網絡的安全狀況做出預測與健康管理。

該模型的工作流程為：首先數據采集和傳輸，只有及時準確地采集監測數據，才能為故障的預測與健康管理提供可靠的依據，本文采用北斗衛星來實時的采集和傳輸數據。通過數據處理模塊的融合、特征提取和數據轉換傳輸到各個區域的控制中心進行診斷預測。診斷預測模塊使用基于模糊神經網絡的算法對故障進行診斷與管理。

二、模糊神經網絡系統構造

通過對輸入特征向量分析，大規模網絡的安全狀況評價的模糊神經網絡有前件網絡和后件網絡組成，共分為5層，分別為輸入層、模糊化層、模糊推理層、去模糊化層以及輸出層。每一層的具體工作見圖1：

前件網絡由前四層構成，用來匹配模糊規則，后件網絡作為最后一層，用來產生模糊規則的輸出。

（1）輸入層。第一層為網絡的模式輸入層，每個節點與輸入向量的各分量直接連接，該層將輸入向量x=（x1，x2，…，xn）T傳送到第二層，第一層節點數N1=n。第一層需對輸入量進行歸一化處理，得到輸入特征向量。

（2）模糊化層。第二層為網絡的隱含層，該層中每一個輸入分量對應一組節點，這些節點的個數等于xi進行模糊分級的個數，其中每個節點都代表一個對應的模糊變量。其功能就是計算每個輸入分量屬于變量值模糊集的隸屬度函數，網絡綜合評價隸屬度采用高斯函數表示：

式中：n為輸入向量的維數；mi為xi的模糊分割數，i=1，2，…，n；cij和σij分別表示隸屬度函數的中心以及寬度，j=1，2，…，m。

（3）模糊推理層。第三層為模糊規則計算層，該層每個節點代表一條模糊規則，用來匹配模糊規則的前件，從而計算出每條規則的相關適用度。

（4）去模糊化層。該層對每條規則的適應度進行歸一化計算。

（5）輸出層。第五層是后件網絡，也叫反模糊化層，用于計算每條規則的后件，在第5層中前件網絡的輸出作為后件網絡的連接權值，此時模糊神經網絡的輸出值為：

三、仿真實驗及分析

首先需要根據cacti采集到的原始的實時監測的物理內存使用情況的數據如下，其他故障因素的數據檢測與之類似，不在一一列舉，數據監測如圖2所示。

本文以項目組安全監控系統在一段時間內所檢測的數據為實驗基礎數據，如表1所示，表1中為時間段內的部分數據，其中故障編號見下節。

本文模糊神經網絡訓練用單項指標和系統給出的狀態作為訓練樣本訓練模糊神經網絡，通過matlab對其進行建模仿真，獲得模糊神經網絡訓練的誤差下降曲線如圖3所示。

通過誤差下降曲線可以看出，前段時間下降趨勢比較明顯，說明神經網絡的調節比較快，后面的時間段相對平緩，說明其實調節細微，整個模型趨于穩定，此時說明神經網絡訓練過程中針對權值等調整基本上趨于合理。 通過訓練好的神經網絡來進行故障診斷，基于模糊神經網絡模型的大規模網絡安全評價的誤差很小，對于評價網絡的安全狀況影響很小。

四、結論

在仿真方面，本文對標準學習算法進行了分析，并將模糊神經網絡應用于網絡故障預測進行了實驗。從以上研究結果可以看出，BP神經網絡是一種性能優良，具有巨大應用潛力的神經網絡。由于學識有限，該仿真部分還需進一步完善。