計算機網絡故障檢測中BP神經網絡的應用

閆鋒哲 中國人民大學信息學院 100872

前言：

互聯網已經應用到各行各業之中，不僅將網絡規模擴大，還增加了許多的功能，人們的日常生活以及學習工作也已經不能離開計算機網絡，已經成為社會健康發展的推動力之一。但是計算機網絡的普及并不僅僅帶來了好處，還有其自身的不完善以及病毒的侵入等原因，為網絡安全帶來了很大的隱患，影響了網絡健康發展。因此，使用BP神經網絡，能夠更好地解決計算機網絡的故障問題。

一、BP神經網絡的認知

1.BP神經網絡結構

BP(Back Propagation)神經網絡主要是一種多層前饋神經網絡，按照誤差的逆向算法進行運算，在1896年以Rumelhart以及McClelland為主的科學家提出的，在目前廣為應用。其結構為輸入層、輸出層以及兩者之間的隱含層，隱含層可以是一層，也可以是多層。BP神經網絡無需在使用之前先將輸入與輸出之間的數學方程進行確定，通過自身的訓練，將規則進行學習，就能在給定的輸入值之后得到最接近期望的輸出結果。輸入層將從外界的輸入信息通過神經元傳遞給不同的神經元，輸出層將外界的信息進行處理并得出結果，隱含層則是在兩者之間，負責信息的內部處理以及變換，其主要依據信息的變化需求而決定。除此之外，隱含層的狀態對輸入u輸出之間的關系有重要的影響，將隱含層的權系數進行改變，就能將整個多層神經網絡的性能進行改變，隱含層中的節點數量也需要進行注意，過多或者過少都會對網絡的穩定性造成一定的影響，需要相關人員在使用BP神經網絡是，根據實際情況設定節點數，保證計算機網絡性能的最優化[1]。

2.BP神經網絡故障檢測的算法

計算機網絡在運行過程中，會產生很多信息，當出現故障之后，信息也會發生相應的變化，BP神經網絡能夠在狀態信息中獲得映射關系，并在映射關系產生變化之后進行不斷地自我調整，適應環境的變化。其主要是通過自身的學習機制構成的決策區域，其中決定網絡計算機的特性主要有學習訓練規則、拓撲結構以及神經元特性等。并且根據實驗表明，在三層神經網絡下，對于任意精度都能逼近連續函數。在BP算法的學習中，有兩種工作信號的創博方法，其正傳播就是通過輸入層將輸入信號傳播至輸出層，在輸出端得到信號[2]。而信號的反向傳播是在誤差信號通過輸出端將信息進行向后的傳播過程，誤差信號在其中指的是網絡期望輸出信號與實際輸出信號之間的差值。

而BP神經網絡的算法過程，首先將網絡進行初始化，輸入節點數、輸出節點數、隱含層節點數、將連接權值、偏置初始化，并將學習速率與神經元際化函數給定。其次就是計算隱含層的輸出、輸出層的輸出計算、誤差計算、權值更新、閾值更新等，最后就是觀察算法的迭代是否結束，如若沒有結束，則重新返回第二步驟，當滿足學習次數或者誤差要求之后，自動得出結果，結束算法。

S型激活函數是BP神經網絡鎖對應的輸入與輸出的關系：

net=x1w1+…xnwn

y=f(net)

f’(net)=y(1-y)

神經網絡在計算機中主要是通過神經元進行大量連接計算機網絡，BP神經網絡是目前廣泛應用的神經網絡模式[3]。

二、BP神經網絡的特點以及缺陷

1.BP神經網絡特點

在BP神經網絡中，其主要特點是能夠進行單向傳播的多層向前網絡，其主要三層結構為輸入層、中間層以及輸出層，中間層數量可以具有多個，并且神經元之間只接受前一層神經員的輸出。其中BP神經網絡中沒有反饋現象，同一結構層中也沒有耦合作用，節點只能對下一層的節點的輸入進行影響。由此可知BP神經網絡中具有以下幾種特點。

（1）泛化特點

泛化是指設計模式分類器的過程中，不僅需要考慮網絡能否將需要分類的對象進行正確的劃分，還要關心BP神經網絡在訓練之后，對于從未見過的模式或噪音等模式進行分類，并保證其分類的正確性，將其學習的成果成功應用到新的知識當中，即為BP神經網絡的泛化。

（2）容錯特點

在進行全局訓練過程中，若是BP神經網絡的局部神經元受到破壞，對其訓練結果沒有較大的影響，在系統損傷的情況下還鞥夠繼續正常工作，因此BP神經網絡具有一定的容錯作用。

（3）非線性映射特點

BP神經網絡其主要就是輸入項輸出的映射，通過數學理論，能夠證明三層的神經網絡以任意精度能夠逼近非線性的連續函數，能夠將內部復雜的問題有效進行解決，適合在計算機網絡之中。

（4）自學適應特點

BP神經網絡能夠在進行訓練時，能夠自主學習將輸出與輸出數據之間的規則進行提取，并將學習內容在網絡權值中記憶，具有高度的學習適應性。

2.BP神經網絡缺陷

隨著對BP神經網絡的深入研究，BP神經網絡也體現出了其中的不足之處：

（1）局部極小化

通過數學的角度可以了解到，傳統的BP神經網絡是一種局部的搜索優先法，其需要將復雜的非線性化問題有效解決，并且其網絡權值是隨著局部的改善而調整，讓算法在運行過程匯總容易進入局部的極值，權值由此收斂縮小，讓網絡訓練失敗，并且BP神經網絡對于初始的網絡權重十分敏銳，在不同的網絡權重初始化，也會有不同的局部極小，導致訓練結果也會不同。

（2）結構選擇不一

在BP神經網絡出現至現在，并沒有對其進行統一的理論指導，在使用過程中，只能通過以往的經驗進行結構的選擇，若是其結構的選擇過多，訓練效率不能有效提高，并且可能出現擬合的現象，讓網絡的性能以及容錯性降低，若是網絡結構選擇小，網絡又會出現不收斂等現象，因此，網絡結構的選擇讓BP神經網絡的推廣成為問題，在實際網絡中，需要進行謹慎的選擇。

（3）算法收斂的速度慢

其本質的算法呈梯度下降算法，而BP神經網絡所需要優化的函數十分復雜，必然會在實際的應用過程中出現“鋸齒形現象”，導致BP神經網絡算法無法有效進行。并且在復雜的函數優化過程中，神經元的輸出近似與“0.”“1”，并且會有平坦區域的出現，在平坦區域之間，權值的誤差改變會很小，很難出現有效的訓練成果。另外，在BP的神經網絡模型之中，為了能讓網絡嚴格執行BP算法，就不能用一維的搜索算法進行迭代步長的求值，而需要先在網絡中賦予步長的迭代規則，導致在BP算法的實際運行中效果降低。

（4）預測與訓練能力存在矛盾

預測能力稱為泛化以及推廣能力，訓練能力則是逼近以及學習能力。在通常的情況下，BP神經網絡的訓練能力與預測能力出于相輔相成的關系，若是訓練能力差，則預測能力也不會強，而訓練能力的提高也會影響預測能力，使預測能力也隨之提高。但此種趨勢在BP神經網絡之中并不固定，而是有一個閥值，當到達閥值時，隨著訓練能力的提高，預測能力反而下降，也就是通常所說的“過擬合”現象，此種現象的產生是由于網絡學習過程中有過多的細節樣本，其學習模型也已經不能夠有效反應樣本的規律，因此，在實際的BP神經網絡的學習訓練過程中，學習度需要進行有效掌握，從而發揮其作用。

三、計算機網絡故障檢測中BP神經網絡的應用措施

1.BP神經網絡故障檢測原理

在BP神經網絡中，模型只有一個輸出和輸入與外界進行關聯，其訓練的方法主要通過樣本的數據信息的采集以及BP神經網絡的算法進行的，讓BP神經網絡模型能夠無限趨近于組合導航系統中原始算法的模型的非線性特征，因此，在計算機網絡故障檢測中BP神經網絡的應用主要是三部分組成。其一就是在BP神經網絡的訓練過程中要有充足的數據樣本，對可期望的計算機網絡進行檢測。其主要是通過特定的事物以及模式的相同點進行識別，而計算機在此種模式之下能夠待分配的模式主動將其分配到不同的模式之中，根據模式特征進行空間分類，但是在實際的決策區域中的分類分割是十分困難的，需要對函數判別式進行有效的選擇，并做好修正的措施準備[4]。其二就是根據實際的檢測輸入，對計算機系統進行相應的檢測，達到使用BP神經網絡檢測的目的。此種模式需要考慮輸入與輸出的對應關系，建立動態的神經網絡模型，實現故障的預測。其三就是專家診斷神經網絡，利用神經網絡與專家系統的有效結合，了解專家系統與BP神經網絡的原理進行專家系統的設計，從知識處理的角度出發，專家系統中其主要內容就是計算機網絡故障的診斷，將符號推理有效的轉變，成為數值運算推理，能夠提升專家系統的效率，在推理、自適學習以及知識獲取等多方面都具有優越的性能，能夠適用于大行動設備之中，解決多種故障難題。在一般情況下，將樣本數據以及學習數據進行有效的處理，之后才能應用于學習檢測之中，在進行檢測的過程中，其主要是通過預處理以及特征的提取為計算機網絡故障的檢測提供更多的有效輸入以及訓練數據樣本，從而將計算機網絡的故障通過BP神經網絡進行檢測的目標實現。

2.BP神經網絡故障檢測步驟

在計算機網絡故障的檢測中，使用BP神經網絡進行檢測主要有以下幾個步驟：首先，加固計算機網絡中的結構規模進行有效確定，其主要重點在于計算機中間層神經元的選取，能夠確定計算機的網絡結構規模以及其性能特點。其次就是選擇訓練樣本以及測試樣本，其中訓練樣本是對計算機網絡進行有效的訓練，而測試樣本則是檢測計算機的訓練效果的實用性，并對其推廣能力的觀察，經過訓練樣本對計算機網絡訓練以及測試樣本對計算機網絡進行測試之后，對其結果進行檢測，符合標準要求，BP神經網絡系統才能在計算機網絡中進行故障檢測，若是不符合檢測結果，則需要進行重新訓練以及測試[5]。最后，就是根據定位導航系統與BP神經網絡故障檢測系統進行有效結合，并根據實際情況進行輸入，等待檢測結果即可。

3.計算機網絡故障的檢測

在計算機網絡之中，其主要的故障表現在協議設置的問題，能夠通過軟件等方面進行故障的檢測分析。如若計算機是正確有效的網絡設置，能夠與測試本機接通，相鄰主機則不能接通，而交換機與網卡之間的互聯端口也沒有松動或者斷開的情況，其協議或者是網卡的驅動程序需要再進行以此重新的安裝，若是沒有解決計算機的網絡故障問題，則需要對交換機端口以及側重點進行重新檢測。系統在正常的運行狀態過程中，殘差與高斯白噪聲序列近似，而均值接近零，協方差上界公式:

U(k)=l1CP(k/k)CT+l3tr(p(k/k-1))I+l2I+V

其中U（k）會隨著k值的變化而變化，出現不同的特征。

且其為服從分布的形式，其公式又可以表示：

在上述公式中，以N為數據窗的長度表示，正常的系統運行情況則d(k)的數值變小，而若是系統故障中，則d(k)HO≤，若是系統運行中存在延遲現象，則d(k)的數值就會出現十分明顯的變化，以此來檢測計算機的網絡故障。

總結：計算機網絡的安全與人們的生活息息相關，不僅是在娛樂之中，工作也不能離開計算機網絡，一旦出現網絡故障問題，將會造成極大的不良影響，對企業的發展以及科學的研究都會形成不可估量的損失，所以需要在計算機網絡中應用BP神經網絡進行故障的檢測，其良好的非線性映射以及強大的適應能力，都能促進計算機網絡故障檢測的有效發展，為人們提供更加安全便捷的網絡環境。