基于支持向量機(jī)的計(jì)算機(jī)局域網(wǎng)故障檢測技術(shù)研究

宗俊麗

（忻州師范學(xué)院五寨分院現(xiàn)代教育技術(shù)系 山西 五寨 036200）

0 引言

局域網(wǎng)是一種覆蓋范圍較廣、安裝簡單的區(qū)域性網(wǎng)絡(luò)，局域網(wǎng)內(nèi)部連接著復(fù)雜的計(jì)算機(jī)設(shè)備，含有多種多樣的傳輸介質(zhì)，在局域網(wǎng)內(nèi)部不僅可以實(shí)現(xiàn)信息交換，還可以實(shí)現(xiàn)資源共享，因此計(jì)算機(jī)局域網(wǎng)的通信效果決定著信息與資源的交互效果。隨著計(jì)算機(jī)局域網(wǎng)的連接復(fù)雜性提高，局域網(wǎng)故障檢測難度也逐漸增加，急需設(shè)計(jì)一種新的局域網(wǎng)故障檢測技術(shù)來降低局域網(wǎng)的故障檢測難度[1-3]。傳統(tǒng)的局域網(wǎng)故障檢測往往使用大量人力，雖然操作簡單，但是檢測效果較差，檢測耗時(shí)較長，消耗的人力成本也較多，支持向量機(jī)是機(jī)器學(xué)習(xí)方法中的一種，泛化能力較強(qiáng)，使用風(fēng)險(xiǎn)較小，檢測過程中可以獨(dú)立訓(xùn)練檢測樣本，保證全局最優(yōu)化，得到最優(yōu)解，因此，可以通過支持向量機(jī)，設(shè)計(jì)局域網(wǎng)故障檢測算法，實(shí)現(xiàn)有效的計(jì)算機(jī)局域網(wǎng)故障檢測[4-5]。本文基于支持向量機(jī)設(shè)計(jì)了一種新的計(jì)算機(jī)局域網(wǎng)故障檢測技術(shù)，來提高計(jì)算機(jī)局域網(wǎng)檢測的效率。

1 計(jì)算機(jī)局域網(wǎng)故障檢測技術(shù)

1.1 選取計(jì)算機(jī)局域網(wǎng)故障檢測模型

為了保證計(jì)算機(jī)局域網(wǎng)故障檢測技術(shù)的檢測效果，首先需要選取計(jì)算機(jī)局域網(wǎng)故障檢測模型，本文設(shè)計(jì)的技術(shù)使用VC 維提取故障檢測函數(shù)集合，進(jìn)一步進(jìn)行故障預(yù)測[6]。假設(shè)存在的樣本總數(shù)為m，預(yù)測函數(shù)集為任意樣本函數(shù)集合，則函數(shù)的VC 維也可以用m來表示，進(jìn)行泛化處理，設(shè)置VC 維的基礎(chǔ)定義，可以進(jìn)一步進(jìn)行向量描述[7]。

對于一個(gè)特定的指數(shù)函數(shù)集合，需要使用標(biāo)準(zhǔn)的二維空間將樣本函數(shù)與線性函數(shù)進(jìn)行劃分，結(jié)合指示函數(shù)的解集進(jìn)行共線劃分，分別為：（RP,B）、（RB,P）、（BP,R）、(RPB,）、（BRP,)、（B,RP）、（P,RB）、（,RPB），此時(shí)根據(jù)風(fēng)險(xiǎn)最小化原則可以構(gòu)建計(jì)算機(jī)局域網(wǎng)故障檢測模型，如下（1）所示。

公式（1）中，E代表風(fēng)險(xiǎn)損失，c（x，y）代表故障函數(shù)坐標(biāo)，使用該模型可以直觀地看出樣本的損失程度，確定故障的區(qū)域，還可以根據(jù)風(fēng)險(xiǎn)最小化原則對給定的訓(xùn)練集進(jìn)行假設(shè)，構(gòu)建擬合函數(shù)集合，結(jié)合故障關(guān)系進(jìn)行基礎(chǔ)性概括，從而準(zhǔn)確地采集計(jì)算機(jī)局域網(wǎng)中的故障信息[8]。

計(jì)算機(jī)局域網(wǎng)故障信息提取時(shí)經(jīng)常會受到樣本數(shù)據(jù)泛化性影響導(dǎo)致提取信息存在誤差，此時(shí)需要設(shè)置泛化能力推廣性界，準(zhǔn)確計(jì)算風(fēng)險(xiǎn)之間的關(guān)系，增加模型的泛化能力。提取的樣本如果是有限的訓(xùn)練集，則有可能受經(jīng)驗(yàn)風(fēng)險(xiǎn)影響出現(xiàn)VC 維過高的情況，從而增加故障信息提取的難度，因此可以使用設(shè)置的置信界限，設(shè)計(jì)新的處理策略，進(jìn)一步尋求子集的最優(yōu)解，保證模型的結(jié)構(gòu)最小化[9]。

采集到的模型結(jié)構(gòu)可以通過SRM 來實(shí)現(xiàn)，首先可以進(jìn)行經(jīng)驗(yàn)收斂劃分，選取最小經(jīng)驗(yàn)子集，降低子集收斂耗時(shí)，其次可以設(shè)計(jì)符合子集迭代規(guī)律的經(jīng)驗(yàn)函數(shù)，計(jì)算此時(shí)的經(jīng)驗(yàn)風(fēng)險(xiǎn)，得到最優(yōu)函數(shù)，進(jìn)一步提高局域網(wǎng)故障檢測的效率。

1.2 基于支持向量機(jī)設(shè)計(jì)計(jì)算機(jī)局域網(wǎng)故障檢測算法

支持向量機(jī)可以將計(jì)算機(jī)局域網(wǎng)中的故障劃分成幾個(gè)最優(yōu)分類面，實(shí)現(xiàn)二維線性劃分，降低故障樣本的訓(xùn)練難度，因此本文設(shè)計(jì)的技術(shù)基于支持向量機(jī)設(shè)計(jì)了計(jì)算機(jī)局域網(wǎng)故障檢測算法，首先繪制最優(yōu)分類面示意圖，見圖1。

由圖1 可知，各個(gè)分類線之間的距離可以稱為分類間隙，為了保證局域網(wǎng)故障檢測效果，需要始終保證分類間隙最大，因此需要始終保證置信范圍最小，降低真實(shí)分類風(fēng)險(xiǎn)，由訓(xùn)練集演化出的線性可分超平面可以用規(guī)范超平面表示，并結(jié)合可分樣本集的類型，進(jìn)一步進(jìn)行分類[10]。

利用支持向量機(jī)可以將超平面進(jìn)行歸一化處理，計(jì)算初始經(jīng)驗(yàn)風(fēng)險(xiǎn)數(shù)值，控制函數(shù)集內(nèi)部的VC 維并設(shè)置結(jié)構(gòu)最小標(biāo)準(zhǔn)，此時(shí)設(shè)計(jì)的故障檢測算法如下（2）所示。

公式（2）中，R代表VC 維常數(shù)，△代表分類間隔，使用該檢測算法時(shí)，首先需要計(jì)算向量與平面之間的準(zhǔn)確距離，設(shè)置樣本分類范圍及分類間隔，使其滿足最優(yōu)分類標(biāo)準(zhǔn)，距離樣本最近的向量可以作為最優(yōu)分類面的支撐。

故障檢測算法中求解的函數(shù)極值存在最優(yōu)解，可以設(shè)置非支持向量保證樣本的線性可分。根據(jù)支持向量機(jī)最優(yōu)化原理，可以將最優(yōu)解帶入Lagrange 函數(shù)，根據(jù)Wolfe對偶進(jìn)行算法優(yōu)化，列出KKT 條件，如果設(shè)置的Lagrange不符合支持向量機(jī)標(biāo)準(zhǔn)，需要進(jìn)一步進(jìn)行線性處理和空間變換，進(jìn)一步對最優(yōu)分類面進(jìn)行分類，擴(kuò)充出新的特征空間，從而進(jìn)一步實(shí)現(xiàn)高效化故障檢測。

1.3 優(yōu)化徑向基檢測神經(jīng)網(wǎng)絡(luò)

設(shè)置的局域網(wǎng)故障檢測向量機(jī)函數(shù)可能會受線性影響出現(xiàn)高維特征空間，因此可以將現(xiàn)有的徑向基函數(shù)優(yōu)化，選取適當(dāng)?shù)膬?yōu)化模型，對目前的徑向基檢測神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。首先可以使用SVM 核函數(shù)進(jìn)行內(nèi)積運(yùn)算轉(zhuǎn)換出原始的高維特征空間，構(gòu)建初始的檢測神經(jīng)向量機(jī)函數(shù)：線性函數(shù)、多項(xiàng)式函數(shù)以及正切核函數(shù)。

選擇徑向基檢測神經(jīng)參數(shù)，使用K 折交叉驗(yàn)證，設(shè)置幾個(gè)互不相交的子集，保證每個(gè)子集內(nèi)部的數(shù)據(jù)長度相等，根據(jù)現(xiàn)有的算法進(jìn)行決策函數(shù)求解，并進(jìn)行測試，求解出的參數(shù)與RBF 呈正相關(guān)，其與原有的神經(jīng)網(wǎng)絡(luò)相差較小，可以連續(xù)進(jìn)行幾次試驗(yàn)得到徑向基檢測神經(jīng)網(wǎng)絡(luò)的最優(yōu)解。根據(jù)計(jì)算的徑向基函數(shù)基礎(chǔ)參數(shù)，可以構(gòu)建神經(jīng)網(wǎng)絡(luò)優(yōu)化函數(shù)，結(jié)合神經(jīng)元的連接關(guān)系進(jìn)行層狀連接，將層狀結(jié)構(gòu)的第1 層設(shè)置為神經(jīng)輸出層，第2 層設(shè)置為隱含層，每一層的神經(jīng)元輸出數(shù)量都是一致的，存在雙向連接關(guān)系，可以設(shè)置徑向基檢測神經(jīng)網(wǎng)絡(luò)新型學(xué)習(xí)方式。按照預(yù)定的局域網(wǎng)故障檢測規(guī)則進(jìn)行參數(shù)調(diào)節(jié)，設(shè)置標(biāo)準(zhǔn)化徑向基神經(jīng)元，該神經(jīng)元具有鏡像高斯對稱性，可以通過神經(jīng)元之間的標(biāo)準(zhǔn)距離判斷權(quán)值向量之間的距離，設(shè)計(jì)RBF 相應(yīng)函數(shù)，得到初始化神經(jīng)閾值，此時(shí)可以設(shè)置隱單元的線性合并層，排除訓(xùn)練故障，完成徑向基檢測神經(jīng)網(wǎng)絡(luò)的優(yōu)化。

1.4 實(shí)現(xiàn)計(jì)算機(jī)局域網(wǎng)故障檢測

實(shí)現(xiàn)計(jì)算機(jī)局域網(wǎng)故障檢測還需要對局域網(wǎng)故障檢測告警結(jié)果進(jìn)行模糊化處理，可以根據(jù)告警信息的隸屬度，獲取原始的告警信息，對告警字段和告警屬性進(jìn)行簡化，再設(shè)置局域網(wǎng)的告警規(guī)則，從而進(jìn)一步提取故障信息的特征值，完成故障告警，在對原始告警進(jìn)行模糊處理前，需要進(jìn)行維度量化。

（1）在每個(gè)告警端口和告警節(jié)點(diǎn)進(jìn)行鏈路數(shù)量優(yōu)化，再根據(jù)告警量化數(shù)值進(jìn)行屬性模糊處理；（2）劃分告警的級別，設(shè)置量化數(shù)值來對應(yīng)相關(guān)的告警級別；（3）根據(jù)局域網(wǎng)的分層結(jié)構(gòu)提取實(shí)體需求，設(shè)置底層告警數(shù)值；（4）利用時(shí)間窗開年，量化告警屬性，建立告警信息模糊化處理模型。

告警信息量化后可以使用模糊聚類算法收集不同的告警隸屬度，結(jié)合現(xiàn)有的數(shù)據(jù)進(jìn)一步進(jìn)行分類，設(shè)置標(biāo)準(zhǔn)隸屬度矩陣，結(jié)合目前的加權(quán)函數(shù)計(jì)算各點(diǎn)之間的歐式距離，得出新的目標(biāo)函數(shù)。

受告警信息模糊化處理的特殊性影響，設(shè)置的模糊知識庫處理方法必須建立完善的時(shí)間窗口和初始化知識庫，結(jié)合數(shù)據(jù)挖掘算法獲取相關(guān)的模糊規(guī)則，如果原始的告警信息存在多維告警區(qū)間，可以選取固定的時(shí)間窗口長度，進(jìn)行推移化處理，保證報(bào)警區(qū)間的有效性。如果初始窗口的推移長度有限，可以在告警事務(wù)庫中添加網(wǎng)絡(luò)告警誤差頻率，并進(jìn)行誤差合并剔除現(xiàn)有的頻率誤差，降低初始窗口中的推移長度，獲取準(zhǔn)確的告警關(guān)聯(lián)信息，在實(shí)際模糊化處理時(shí)，還可能出現(xiàn)告警關(guān)聯(lián)描述性問題，可以使用數(shù)據(jù)挖掘算法進(jìn)行KDD 機(jī)器學(xué)習(xí)，降低模糊屬性項(xiàng)的隸屬度，實(shí)現(xiàn)計(jì)算機(jī)局域網(wǎng)故障檢測。

2 對比實(shí)驗(yàn)

為了檢測本文設(shè)計(jì)的基于支持向量機(jī)的計(jì)算機(jī)局域網(wǎng)故障檢測技術(shù)的檢測效果，本文選取傳統(tǒng)的局域網(wǎng)模糊故障檢測技術(shù)與本文設(shè)計(jì)的局域網(wǎng)故障檢測技術(shù)進(jìn)行對比，進(jìn)行實(shí)驗(yàn)如下。

2.1 實(shí)驗(yàn)準(zhǔn)備

采集到的故障檢測樣本的學(xué)習(xí)能力過強(qiáng)，可能出現(xiàn)收斂性問題，且容易出現(xiàn)復(fù)雜性矛盾，無法對現(xiàn)有的樣本進(jìn)行準(zhǔn)確預(yù)測，樣本來自的模型雖然已經(jīng)進(jìn)行了初步界定，但可能在模型內(nèi)部經(jīng)歷了復(fù)雜性演化導(dǎo)致其產(chǎn)生了難以處理的噪聲，可以以徑向基網(wǎng)絡(luò)為基礎(chǔ)對其進(jìn)行診斷，結(jié)合網(wǎng)絡(luò)內(nèi)部的隱含層和輸出層共同進(jìn)行RBF 線性函數(shù)界定，設(shè)置purelin 線性函數(shù)，進(jìn)行神經(jīng)元劃分，得到初步徑向基網(wǎng)絡(luò)結(jié)構(gòu)。

根據(jù)劃分成的初步徑向基網(wǎng)絡(luò)結(jié)構(gòu)，選取恰當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)工具箱，為徑向基函數(shù)創(chuàng)建提供參考，選取某實(shí)驗(yàn)?zāi)M中心中的路由狀態(tài)數(shù)據(jù)，進(jìn)行Cisco2351 數(shù)據(jù)采集，結(jié)合局域網(wǎng)故障數(shù)據(jù)的類型，進(jìn)行故障分類，采集到的故障可能來自不同的串口，因此可以將采集到的故障分為物理層、數(shù)據(jù)鏈路層，并進(jìn)行故障處理，選取符合實(shí)驗(yàn)需求的故障樣本進(jìn)行故障檢測實(shí)驗(yàn)。

本實(shí)驗(yàn)使用RBF newrbe 網(wǎng)絡(luò)工具箱對輸出的分布常數(shù)進(jìn)行診斷，并設(shè)置10 層輸出模式，分別為100、101、010、110、111、000、100、110、100、101，并以選取的樣本為基礎(chǔ)進(jìn)行測試，初次測試時(shí)發(fā)現(xiàn)選取的樣本內(nèi)部可能存在二次噪聲問題，因此本實(shí)驗(yàn)進(jìn)行了噪聲分類。建立幾個(gè)不同的支持向量機(jī)為后續(xù)的故障分類提供基礎(chǔ)，因此可以先將樣本中的特征性信息提取出來，并進(jìn)行訓(xùn)練，使用不同的支持向量機(jī)進(jìn)行特征變換，變化后的訓(xùn)練樣本信息見表1。

表1 變換后局域網(wǎng)故障樣本信息

由表1 可知，變換后的局域網(wǎng)故障樣本具有特異性信息，可以進(jìn)行后續(xù)的局域網(wǎng)故障檢測。

2.2 實(shí)驗(yàn)結(jié)果與討論

根據(jù)上述選取的局域網(wǎng)，分別使用本文設(shè)計(jì)的計(jì)算機(jī)局域網(wǎng)故障檢測技術(shù)和傳統(tǒng)的局域網(wǎng)模糊故障檢測技術(shù)進(jìn)行檢測，記錄兩者檢測故障最優(yōu)解耗時(shí)，檢測結(jié)果見表2。

表2 實(shí)驗(yàn)結(jié)果

如表2 所示，設(shè)計(jì)的計(jì)算機(jī)局域網(wǎng)故障檢測技術(shù)檢測故障最優(yōu)解耗時(shí)較短，證明其檢測效果較好，具有省時(shí)性。

3 結(jié)語

綜上所述，局域網(wǎng)是目前應(yīng)用較廣泛的計(jì)算機(jī)網(wǎng)絡(luò)，可以進(jìn)行高速數(shù)據(jù)信息傳輸和資源共享，因此進(jìn)行局域網(wǎng)故障檢測對保證局域網(wǎng)的有效運(yùn)行有重要作用。傳統(tǒng)的局域網(wǎng)檢測方法的檢測耗時(shí)較長，因此本文基于支持向量機(jī)設(shè)計(jì)了新的局域網(wǎng)故障檢測技術(shù)，進(jìn)行實(shí)驗(yàn)，結(jié)果表明，設(shè)計(jì)的計(jì)算機(jī)局域網(wǎng)故障檢測技術(shù)的檢測耗時(shí)較短，具有省時(shí)性，有一定的應(yīng)用價(jià)值，可以作為后續(xù)計(jì)算機(jī)局域網(wǎng)故障檢測參考。