阿不都艾尼·阿不都肉素力
摘要:網(wǎng)絡技術不斷發(fā)展,網(wǎng)絡給人們提供更多的信息服務,信息傳輸讓人們實現(xiàn)了遠程辦公。但是隨著網(wǎng)路功能增加、網(wǎng)絡結構也越來越復雜。一旦網(wǎng)絡發(fā)生故障就會給人們生活、工作、學習帶來各種各樣的麻煩,人們對于網(wǎng)絡的依賴性越高,對于網(wǎng)絡故障診斷的需求也就越高,對于診斷效率和診斷技術的要求也越來越高。該文重點講述了人工智能在網(wǎng)絡故障診斷中的應用和存在的問題,并提出了幾點建議,供業(yè)內(nèi)人士參考。
關鍵詞:人工智能;網(wǎng)絡故障;診斷;相關問題
中圖分類號:TP18 文獻標識碼:A 文章編號:1009-3044(2016)13-0169-02
本文根據(jù)網(wǎng)絡系統(tǒng)出現(xiàn)故障的各種特點來分析了模糊邏輯、專家診斷系統(tǒng)、神經(jīng)網(wǎng)絡和各種智能體系統(tǒng)的常用網(wǎng)絡故障診斷方法,并闡述了其特點、原理已經(jīng)應用等方面的現(xiàn)狀和問題。
1 人工智能在網(wǎng)絡故障診斷應用中的現(xiàn)狀
人們與網(wǎng)絡的聯(lián)系日漸緊密,一旦網(wǎng)絡出現(xiàn)故障就會嚴重的影響人們工作、生活和學習,這就對我們網(wǎng)絡故障檢修工作提出了高要求,力求花最短的時間,精準的判斷故障發(fā)生原因、位置和類型,及時對故障進行搶修。這種要求對于我們工作人員來說是人力難以完成的,那么我們就需要引進一個套能高效、高速、精準定位故障的檢修判斷系統(tǒng)。如何對網(wǎng)站故障進行排除、定位和修復使我們網(wǎng)絡管理行業(yè)的最艱巨也是最迫切需要解決的問題,但是目前因為沒有一個準確的數(shù)學模型和相應的算法,造成傳統(tǒng)故障沒辦法進行有效的診斷和處理。人工智能技術是我們解決當前問題的一個重要解決方法,雖然目前國內(nèi)還沒有得到廣泛的使用,但是蘋果、微軟等計算機軟件公司都已經(jīng)在重點研究此技術,技術也在逐漸成熟中。本人參閱國內(nèi)外的相關文獻,在分析故障特點的基礎上,對于模糊邏輯、專家系統(tǒng)、智能系統(tǒng)、專家系統(tǒng)等各類計算及系統(tǒng)進行研究,深入了解其特點和缺陷,并研究其診斷方法原理,希望能出盡我國的網(wǎng)絡故障診斷技術的發(fā)展。
2 網(wǎng)絡故障基本特征分析
經(jīng)過本人多年對于大型網(wǎng)絡系統(tǒng)的研究,發(fā)現(xiàn)其故障的特點如下:
2.1 層次性
網(wǎng)絡系統(tǒng)是有結構分層的,包括數(shù)據(jù)鏈路層、物理硬件層、應用層,這些不同分層會出現(xiàn)層次性的故障,其故障征兆是有層次性的。
2.2 傳播性
故障傳播包括橫向傳播和縱向傳播兩種。橫向傳播是在同一層次里,因為某一個元素發(fā)生故障導致同層次的其他元素發(fā)生故障??v向傳播是因為不同分層的某一層出現(xiàn)故障導致其他層次也出現(xiàn)問題,比如硬件損壞可能導致軟件數(shù)據(jù)丟失,數(shù)據(jù)鏈路層里的數(shù)據(jù)鏈被打斷,造成系統(tǒng)被破壞,應用層的應用自然無法使用。
2.3 相關性
網(wǎng)絡故障的表現(xiàn)征兆和原因很多且非常復雜,一種故障可能會出現(xiàn)不同的表現(xiàn)征兆,一種表現(xiàn)征兆也可能是因為不同的原因造成的。
2.4 隨機性
故障原因可能是隨機出現(xiàn)的,沒有固定的套路,其具有模糊性和隨機性。這也造成網(wǎng)絡系統(tǒng)故障診斷的難度大需要檢測的對象非常復雜且數(shù)量龐大。所以以人工檢測來看,這是一個浩大的工程,所以人力檢測也難以滿足高效檢修的需求。
人工智能系統(tǒng)對網(wǎng)絡故障進行診斷的方法是目前最有希望解決此問題的方法,下文對人工智能故障診斷方法及其在網(wǎng)絡故障診斷當中的應用進行闡述。
3 人工智能技術在網(wǎng)絡故障診斷中的應用
障診斷主要方法包括模糊邏輯、專家系統(tǒng)、多智能體系統(tǒng) (Multi-agent system, MAS)和神經(jīng)網(wǎng)絡等方法。
3.1 基于模糊邏輯的網(wǎng)絡故障診斷法
網(wǎng)絡故障與征兆表現(xiàn)都有隨機性,這就造成兩者之間的關系是模糊的,很難將征兆表現(xiàn)與故障原因通過準確的數(shù)學模型來確定其關系,這也就是我們常說的不確定性故障。模糊邏輯的診斷方法是處理這種不確定卻模糊狀態(tài)故障用的一種機制,其能夠?qū)⑦@些不確定性模糊故障信息進行搜集,集中整合,并通過函數(shù)等數(shù)學邏輯將其整合成一個模糊關系矩形陣,這個數(shù)學模型能將不確定性故障與征兆表現(xiàn)限制在一定范圍內(nèi),能夠為診斷提供一定的參考。此診斷原理主要先收集故障與征兆表現(xiàn)的數(shù)據(jù),建立一個隸屬度函數(shù),隨后將故障原因和征兆表現(xiàn)集合成一個模糊關系矩陣,使用模糊關系方程來縮小故障原因范圍。這種診斷方法無法做到精準的診斷出故障原因,但是能縮小范圍給檢修人員一定的參考和啟發(fā),這就類似人類的思維方法,所以這個方法需要建立一個龐大的模糊關系數(shù)據(jù)庫,智能升級學習能力比較差。
3.2 專家系統(tǒng)在網(wǎng)絡故障診斷
這個診斷系統(tǒng)是模仿人類專家解決問題的方法過程的一種程序系統(tǒng),此系統(tǒng)運用已有的相關理論和解決方法對故障原因進行分析和決策,這個系統(tǒng)的模擬功能非常的強大,是針對有規(guī)律規(guī)則但是牽扯原因多涉及范圍廣的復雜問題而設計出來的,將已有的人類知識、概念、模式、方案綜合歸納出規(guī)律規(guī)則,給人力檢測提供經(jīng)驗啟發(fā)參考。這種強調(diào)規(guī)則性的專家系統(tǒng)對于知識選取,知識呈現(xiàn)的功能很強大,且結果顯示非常直觀,因為規(guī)則型強所以形式高度統(tǒng)一,對于檢修人員來說比較容易理解。
但是鑒于我們網(wǎng)絡系統(tǒng)故障的原因和征兆之間的關系非常復雜卻隨機性強,僅僅通過專家系統(tǒng)很難完成故障定位、原因分析的目標。專家系統(tǒng)強調(diào)歸納出規(guī)則,也導致知識只能是建立在數(shù)據(jù)庫基礎上,其靈活性很弱,因為系統(tǒng)故障隨意性強,就會導致歸納出的規(guī)則之間發(fā)生沖突,造成規(guī)則組合爆炸,無法得出準確的結果。目前有一種設置了自然語言接口的網(wǎng)絡故障診斷系統(tǒng),主要采用了專家系統(tǒng)的設計原理和模型,將專家系統(tǒng)歸納出的規(guī)則與概念圖進行組合,延伸出了生產(chǎn)型的規(guī)則知識表(即EPR技術),將網(wǎng)絡上有關故障表述的語言轉(zhuǎn)成了一幅幅概念圖,利用專家系統(tǒng)的推理分析制定出一些規(guī)則,并將這些推理結果和推理規(guī)則轉(zhuǎn)換成自然語言輸出,直觀的讓檢修人員看到分析報告和結果。此種方法一定程度上能幫助檢修人員對故障進行預判。
3.3 基于神經(jīng)網(wǎng)絡故障診斷法
故障診斷模式識別是神經(jīng)網(wǎng)絡故障診斷的核心診斷方法,人工神經(jīng)網(wǎng)絡能夠模擬出人類大腦組織結構,并建立一個類似人類大腦認知的過程,對故障進行分類處理。運行原理是將故障征兆通過神經(jīng)網(wǎng)絡輸入到系統(tǒng)中,使用識別模式來將故障進行分類最終出具診斷結果。這種診斷系統(tǒng)可以通過對故障診斷實例數(shù)據(jù)收集,并對其進行一定的學習和訓練,將分布于神經(jīng)網(wǎng)絡當中的那些表示連接權值數(shù)據(jù)經(jīng)過計算翻譯后表達故障診斷,最后將故障診斷的結果輸出。
這種診斷方法適應性強,且能自動進行記憶聯(lián)想,能將故障數(shù)據(jù)分類處理。這與以上2種診斷系統(tǒng)相比,其學習能力強,能自主收集資料,能很好地對知識數(shù)據(jù)庫數(shù)據(jù)進行更新維護。但是其不足之處也很明顯,那就是有學習能力但是學習速度還是較慢,需要長時間訓練,且解釋能力不如專家診斷系統(tǒng)。這些技術水平的原因也導致神經(jīng)網(wǎng)絡故障診斷系統(tǒng)目前沒有推廣使用。
3.4 多智能體技術在網(wǎng)絡系統(tǒng)故障診斷中的應用
經(jīng)過國外的廣泛實踐應用結果發(fā)現(xiàn),僅僅依靠模糊邏輯、專家系統(tǒng)或神經(jīng)網(wǎng)絡等單一方法只能對一些簡單的網(wǎng)絡故障進行診斷,無法滿足大型網(wǎng)絡系統(tǒng)的故障診斷要求,所以單一的方法是滿足不了人們對于解決復雜故障的需求。那么就出現(xiàn)了采用多種診斷系統(tǒng)共同合作的新診斷技術——多智能體技術。多智能體技術是人工智能領域內(nèi)的新寵,站在了技術的最前端,且備受關注。由多種診斷方法的系統(tǒng)組合而成,利用不同的系統(tǒng)的特性將復雜的網(wǎng)絡故障因素分解成單一、獨立的小因素。各個子系統(tǒng)共同運作。目前多智能體系統(tǒng)的研究不斷深入,對于如何協(xié)調(diào)各子系統(tǒng)有了一點的研究成果,其特性是自主性強,協(xié)調(diào)性強,組成形式為分布式,有一定的組織能力和學習能力,能將復雜的問題自主的分解成小問題,分發(fā)到子系統(tǒng)進行分析。
4 結束語
對于如何對網(wǎng)絡系統(tǒng)進行精準定位找出故障原因,出具診斷結果,提出修護方案,仍然是我們業(yè)內(nèi)人士要重點研究的,我們要因地制宜,針對不對的實際情況來進行研究,需要滿足我們的用戶需求,制定合適的診斷的方案,引進先進的診斷技術,力求能夠快速、精準的判定故障原因,人工智能在網(wǎng)絡故障診斷中已經(jīng)大放光彩,我們要抓住技術的潮流走向,融合多種智能診斷方法,對各種智能診斷系統(tǒng)進行深入的分析和了解。通過引進并其學習現(xiàn)代數(shù)據(jù)挖掘技術,從而改進目前我國的智能診斷系統(tǒng)的推理能力和知識獲取。讓網(wǎng)絡故障診斷能更快速、更精準。將網(wǎng)絡故障導致人們生活、學習、工作的損失降到最低。
參考文獻:
[1] 雷亞國. 混合智能技術及其在故障診斷中的應用研究[D]. 西安: 西安交通大學, 2007.
[2] 劉觀良, 趙萬能, 仝麥智. 基于人工智能的網(wǎng)絡故障診斷研究綜述[J]. 電腦編程技巧與維護, 2013(10).
[3] 邊莉, 邊晨源. 電網(wǎng)故障診斷的智能方法綜述[J]. 電力系統(tǒng)保護與控制, 2014(3).
[4] 馬驊, 張洪星, 宋海軍. 人工智能在計算機網(wǎng)絡系統(tǒng)故障診斷中的應用[J]. 邢臺職業(yè)技術學院學報, 2004(1).
[3] Francisco Javier Cantu-Ortiz.Advancing artificial intelligence research and dissemination through conference series: Benchmark, scientific impact and the MICAI experience[J]. Expert Systems with Application, 2014, 41(3).
[4] Kunwar P Singh,Shikha Gupta,Premanjali Rai, et al. Predicting acute aquatic toxicity of structurally diverse chemicals in fish using artificial intelligence approaches[J]. Ecotoxicology and Environmental Safety, 2013, 95(1).