基于優化支持向量機的通信網絡故障診斷

摘 要：為了精準識別通信網絡故障，本文提出一種基于優化支持向量機（Support Vector Machine，SVM）的通信網絡故障診斷方法。采用狼群算法（Wolf Pack Algorithm，WPA）對SVM的懲罰系數和核函數系數進行搜索，構建基于WPA-SVM的通信網絡故障診斷模型。試驗結果表明，WPA-SVM模型診斷精度為98.33%，比SVM模型、神經網絡模型分別提升5.36%、9.26%，使用本文方法效果更好。

關鍵詞：通信網絡；故障診斷；狼群算法

中圖分類號：TN 915 " " " " " " 文獻標志碼：A

隨著信息技術的發展，網絡安全問題日益增加，傳統網絡故障診斷方法十分煩瑣，診斷周期較長，診斷精度較低[1-3]，因此需要研究更加快速、精準的通信網絡智能診斷方法。本文采用狼群算法（Wolf Pack Algorithm，WPA）對支持向量機（Support Vector Machine，SVM）的懲罰系數和核函數系數進行搜索，對SVM的參數進行尋優，在這個基礎上構建基于WPA-SVM的通信網絡故障診斷模型，利用仿真和對比對該模型的有效性和優越性進行驗證。

1 SVM及其優化

1.1 SVM分類原理

1963年，VAPINK[4]在統計學理論的基礎上提出SVM，滿足VC維（Vapnik-Chervonenkis Dimension）理論，遵循結構風險最小化原則，能夠很好地處理一些非線性問題。SVM的數據處理策略是將維度空間相對較低的數據集提升至維度較高的空間，對數據集類別進行劃分，其優點是能夠避免在數據處理過程中算法陷入局部最優。本文采用SVM對通信網絡故障進行診斷分類。

在訓練樣本數據的過程中，SVM利用映射函數將有類別標簽的數據轉化至高維空間，根據數據特征完成分類。令數據集合為M，M={（x1， y1）， （x2， y2）， …， （xn， yn）}， yi∈[-1，1]，n為數據維度特征，構造合適的決策函數f（x），使平面間距達到最大，如公式（1）所示。

f（x）=sgn（w?x+b） " " （1）

式中：w為權值系數；x為變量；b為閾值。

不同類別數據之間的距離為2/‖w‖，為了取得最大值，目標函數如公式（2）所示。

（2）

式中：C為懲罰系數；ξi為松弛變量；i為樣本個數；yi為訓練樣本標簽；xi為樣本數據。

在公式（2）中引入拉格朗日乘子，可以得到公式（3）。

（3）

式中：αi為第i個拉格朗日乘子；αj為第j個拉格朗日乘子。

計算公式（3）中的權值系數w和閾值b，如公式（4）、公式（5）所示。

（4）

（5）

式中：αi*為α的對偶系數。

核函數是SVM進行數據集空間轉換的必要條件，在核函數的作用下，SVM的訓練難度明顯降低，能夠避免數據集維度過多造成計算量過大。常用的核函數類型有多項式核函數、徑向基核函數和Sigmoid核函數，其特點各不相同。多項式核函數多用于線性分類，非線性分類使用多項式核函數容易出現過擬合現象；Sigmoid核函數適用于建立多層感知器模型；徑向基核函數的泛化能力不受樣本容量的限制，抗干擾能力強，因此本文將徑向基核函數作為SVM建模的核函數。

1.2 WPA算法尋優原理

2013年，吳虎勝[5]提出了性能優越的尋優算法，即WPA。WPA的尋優原理來自自然界中狼群的狩獵行為，在狩獵過程中，狼群中有頭狼、探狼和猛狼3種不同的角色，頭狼是整個狼群的首領，其作用是指導探狼、猛狼搜索、圍捕獵物；探狼是信息感知者，不斷奔走來搜索獵物；猛狼是攻擊者，其作用是圍捕獵物，狼群角色劃分如圖1所示。

令狼群中狼個體數量為N，搜索空間維度為d，狼個體為Xi=（xi1，xi2，…，xid），WPA的主要尋優過程如下。

1.2.1 產生頭狼

采用隨機初始化的方式產生初始狼群，選擇適應度最好的狼個體Ylead作為頭狼，當其他個體的適應度值比頭狼更高時，該個體便成為頭狼。

1.2.2 探狼游走

令狼群中探狼數量為M，探狼數量取決于[N/（α+1），N/α]，α為比例系數，當搜索獵物時，共有h個方向，探狼的移動步長為stepa，令探狼初始適應度為Yi，假設探狼向方向p（p=1，2，…，h）移動，那么探狼位置的更新過程如公式（6）所示。

xp id=xid+sin（2π·p/h）·stepd a " " " " " " " " " " " " " " " " "（6）

式中：xp id為p方向探狼位置；xid為狼個體位置；p為當前方向；h為獵物個數；stepd a為在d維空間中探狼的移動步長。

探狼每更新一次位置，其對應的新適應度值為Yip，如果Yip優于Yi，那么用Yip替代Yi，比較Yip與頭狼適應度值Ylead，如果Yip優于Ylead，那么該探狼個體更新為頭狼，并向種群中的猛狼發起召喚，否則探狼繼續搜索獵物，直至達到最大迭代次數Tmax。

1.2.3 猛狼奔襲

在狼群中，猛狼的數量為N-M，當接收頭狼的召喚信息時，猛狼會立即向頭狼靠攏，令猛狼運動步長為stepb，在奔襲過程中猛狼位置的更新公式如公式（7）所示。

xidk+1=xidk+stepbd×（gdk-xidk）/|gdk-xidk| " " " " " （7）

式中：xidk+1為狼個體k+1次迭代；xidk為狼個體的迭代次數；k為迭代次數；stepbd為在d維空間中猛狼的運行步長；gdk為當第k次迭代時頭狼的位置。

1.2.4 圍攻獵物

當猛狼到達攻擊位置后，狼群開始攻擊獵物，獵物位置就是頭狼所在位置，令頭狼位置為Gdk，攻擊步長為stepc，那么圍攻獵物過程中狼群位置更新如公式（8）所示。

xidk+1=xidk+λ×stepcd×|Gdk-xidk| " " " " " " " " " " " " " （8）

式中：λ為頭狼位置系數；stepcd為在d維空間中狼群的攻擊步長。

探狼移動步長stepa、猛狼運行步長stepb和狼群攻擊步長stepc之間的關系如公式（9）所示。

stepad=stepbd/2=stepcd×2=|maxd-mind|/S （9）

式中：S為步長因子。

1.2.5 狼群更新

在狩獵過程中，適應值低的狼會被淘汰，設其數量為R。為了保持狼群數量不變，會隨機產生同樣數量的狼進行補充，R的取值范圍為[N/2×β，N/λ]，β為更新比例系數。

2 基于WPA-SVM的通信網絡故障診斷模型

為了提升SVM的分類性能，本文采用WPA尋找懲罰系數C和核函數系數σ的最優值，構建基于WPA-SVM的通信網絡故障診斷模型，WPA-SVM模型的建模步驟如下。1）輸入通信網絡故障樣本數據，劃分樣本集，并利用最大最小化法進行歸一化處理。2）初始化SVM，設置C和σ的初值以及尋優范圍。3）初始化狼群，設置相關參數，包括N、步長因子S、最大迭代次數kmax、距離判定因子ω、最大游走次數Tmax以及比例系數α、β等。4）設置適應度函數，計算狼個體的初始適應度值，確定頭狼位置及其適應度Ylead，適應度函數計算過程如公式（10）所示。

（10）

式中：χ為準確率；Q為數據總量；q為診斷結果錯誤的數據量。5）更新探狼位置并計算其適應度Yi，比較Yi與Ylead優劣，如果Yi優于Ylead，那么更新頭狼位置，程序進入下一步，否則探狼繼續游走，游走次數為Tmax時，程序進行下一步。6）更新猛狼位置并計算猛狼適應度值，比較Yi與Ylead優劣，如果Yi優于Ylead，那么更新頭狼位置，否則當猛狼奔襲至攻擊位置時，程序進入下一步。7）狼群對獵物進行圍攻，并更新狼群位置。8）判斷程序是否迭代至kmax，如果是，那么輸出C和σ的最優值，否則返回步驟（5）。9）利用WPA-SVM模型進行故障診斷，輸出通信網絡故障診斷結果。

3 算例分析

通信網絡典型故障類型通常包括雙工模式不匹配、接口速率不匹配、以太網未連接、接口負載過大、接口信號丟失以及鏈路寬帶不足。利用網絡測試系統獲得上述6種故障類型數據，樣本數據劃分以及故障編碼情況見表1。

設置WPA算法的參數如下：狼群容量N=100、步長因子S=800、探狼比例因子α=4、最大迭代次數kmax=200、游走方向h=4、最大游走次數Tmax=20以及更新比例系數β=5。利用訓練集中的樣本數據進行訓練，采用WPA算法搜索SVM的懲罰系數C和核函數系數σ的最優值，獲得的尋優結果為C=43.78，σ=10.14。將C和σ最優值賦予SVM后，使用WPA-SVM模型對測試集樣本數據進行診斷，WPA-SVM模型的診斷結果如圖2所示，由圖2可知，WPA-SVM模型輸出結果出現1個錯誤，誤將接口速率不匹配診斷為接口負載過大。

為了驗證WPA-SVM模型的效果，利用SVM和BPNN分別構建SVM模型和BPNN模型，使用相同的樣本數據進行訓練和測試，SVM模型和BPNN模型的診斷結果分別如圖3、圖4所示。由圖3、圖4可知，SVM模型和BPNN模型的輸出結果分別出現了4次、6次錯誤，與WPA-SVM模型相比，診斷效果較差。

計算WPA-SVM模型、SVM模型和BPNN模型的診斷精度，各模型診斷精度見表2。由表2可知，WPA-SVM模型、SVM模型和BPNN模型的診斷精度分別為98.33%、93.33%和90%，與SVM模型和BPNN模型相比，WPA-SVM模型精度分別提升5.36%和9.26%，說明WPA-SVM模型在網絡故障診斷方面效果更好[6]。

4 結論

本文采用WPA算法確定了SVM懲罰系數和核函數系數的最優值，提升了SVM的非線性分類性能。在這個基礎上構建了基于WPA-SVM的通信網絡故障診斷模型，利用網絡測試系統獲取通信網絡典型故障類型數據進行仿真。將WPA-SVM模型的診斷結果與SVM模型和BPNN模型進行對比，結果表明，WPA-SVM模型、SVM模型和BPNN模型的診斷精度分別為98.33%、93.33%和90%，驗證了WPA-SVM模型在網絡故障診斷方面效果更好。

參考文獻

[1]徐延海.基于GAN的通信網絡故障檢測與診斷方法[J].自動化技術與應用，2024，43（4）： 67-70，146.

[2]羅鵬，李景文.面向大數據平臺調度優化的通信網絡故障診斷 [J].微型電腦應用，2024，40（3）198-201，213.

[3]齊放，姚渭箐，張成，等.基于卷積神經網絡的電力通信網絡故障診斷[J].信息技術，2023（6）：119-123，128.

[4]VAPNIK V N. An overview of statistical learning theory[J].IEEE transactions on neural networks，1999，10（5）：988-999.

[5]吳虎勝，張鳳鳴，吳廬山.一種新的群體智能算法一狼群算法[J].系統工程與電子技術，2013，35（11）：2430-2438.

[6]印云剛，劉闖，何其新，等.基于改進狼群算法的含風電配電網無功優化[J].內蒙古電力技術，2023，41（3）：1-7.

通信作者：詹小鋒（1980—），男，廣東湛江人，本科，工程師，研究方向為網絡工程。

電子郵箱：26147883@qq.com。