基于BP神经网络的网络故障预测实验

孙骞　张进　胡建龙

【摘要】 神经网络具有能够逼近任意非线性函数关系的能力和比较方便的学习手段，因此，它可以用来作为一种复杂工业过程建模的新型方法。本文针对常用BP算法进行了深入的分析和仿真，并利用BP网络对基于大规模网络的故障管理进行针对性实验。

【关键词】 基本算法 模糊神经网络 数据挖据

一、故障管理模块

随着计算机网络的迅速发展，网络规模越来越大，网络节点分布的范围越来越广泛，网络的特点趋向于异构性与复杂性，网络管理的难度也不断增加。为了提高大规模网络故障管理的灵活性、智能性和高效性，克服传统的集中式网络故障管理的缺点，本文提出了基于大规模网络的故障管理与健康预测，对网络实施更加高效、实时和准确的管理，在大规模网络的管理方面有针对性的优势。故障因素主要有：CPU、物理内存、流量、负载、环境因子、设备温度。

（1）数据处理模块，主要完成采集到的数据的融合，提取和转换。数据处理模块主要是采用数据挖掘技术的分类算法来完成，这里不做详细说明。

（2）状态监测模块，完成征兆信息的识别和状态的评估任务。

（3）诊断预测模块，包括故障诊断和故障趋势预测功能。该模块选用了模糊集理论下的模糊综合评判模型并利用分布式的神经网络算法来对网络的安全状况做出预测与健康管理。

该模型的工作流程为：首先数据采集和传输，只有及时准确地采集监测数据，才能为故障的预测与健康管理提供可靠的依据，本文采用北斗卫星来实时的采集和传输数据。通过数据处理模块的融合、特征提取和数据转换传输到各个区域的控制中心进行诊断预测。诊断预测模块使用基于模糊神经网络的算法对故障进行诊断与管理。

二、模糊神经网络系统构造

通过对输入特征向量分析，大规模网络的安全状况评价的模糊神经网络有前件网络和后件网络组成，共分为5层，分别为输入层、模糊化层、模糊推理层、去模糊化层以及输出层。每一层的具体工作见图1：

前件网络由前四层构成，用来匹配模糊规则，后件网络作为最后一层，用来产生模糊规则的输出。

（1）输入层。第一层为网络的模式输入层，每个节点与输入向量的各分量直接连接，该层将输入向量x=（x1，x2，…，xn）T传送到第二层，第一层节点数N1=n。第一层需对输入量进行归一化处理，得到输入特征向量。

（2）模糊化层。第二层为网络的隐含层，该层中每一个输入分量对应一组节点，这些节点的个数等于xi进行模糊分级的个数，其中每个节点都代表一个对应的模糊变量。其功能就是计算每个输入分量属于变量值模糊集的隶属度函数，网络综合评价隶属度采用高斯函数表示：

式中：n为输入向量的维数；mi为xi的模糊分割数，i=1，2，…，n；cij和σij分别表示隶属度函数的中心以及宽度，j=1，2，…，m。

（3）模糊推理层。第三层为模糊规则计算层，该层每个节点代表一条模糊规则，用来匹配模糊规则的前件，从而计算出每条规则的相关适用度。

（4）去模糊化层。该层对每条规则的适应度进行归一化计算。

（5）输出层。第五层是后件网络，也叫反模糊化层，用于计算每条规则的后件，在第5层中前件网络的输出作为后件网络的连接权值，此时模糊神经网络的输出值为：

三、仿真实验及分析

首先需要根据cacti采集到的原始的实时监测的物理内存使用情况的数据如下，其他故障因素的数据检测与之类似，不在一一列举，数据监测如图2所示。

本文以项目组安全监控系统在一段时间内所检测的数据为实验基础数据，如表1所示，表1中为时间段内的部分数据，其中故障编号见下节。

本文模糊神经网络训练用单项指标和系统给出的状态作为训练样本训练模糊神经网络，通过matlab对其进行建模仿真，获得模糊神经网络训练的误差下降曲线如图3所示。

通过误差下降曲线可以看出，前段时间下降趋势比较明显，说明神经网络的调节比较快，后面的时间段相对平缓，说明其实调节细微，整个模型趋于稳定，此时说明神经网络训练过程中针对权值等调整基本上趋于合理。 通过训练好的神经网络来进行故障诊断，基于模糊神经网络模型的大规模网络安全评价的误差很小，对于评价网络的安全状况影响很小。

四、结论

在仿真方面，本文对标准学习算法进行了分析，并将模糊神经网络应用于网络故障预测进行了实验。从以上研究结果可以看出，BP神经网络是一种性能优良，具有巨大应用潜力的神经网络。由于学识有限，该仿真部分还需进一步完善。