基于模糊贴近的网络故障数据快速定位方法实现

王钧玉

摘 要： 传统的网络故障数据定位方法大都基于固定指标分析告警信息，实现故障信号的定位，一旦指标数量过高则容易出现故障信号定位误差过高的问题。提出一种基于模糊贴近算法的网络故障数据快速定位方法，该方法包括塑造针对网络业务的网络故障数据告警关联性分析模型、采集网络故障数据模糊告警贴近指标，以及实现基于贴近指标推理的网络故障数据定位3个模块。系统将当前的网络事实告警项进行模糊化处理转换成模糊告警，由模糊匹配在贴近指标库中发现与之匹配的全部贴近指标，并采集匹配度最高的贴近指标当成推理触发指标。从该指标中提取故障数据模糊告警关联信息，通过模糊合成策略，推理出网络故障数据的模糊告警结论。实验结果表明，所提方法对网络故障数据进行定位具有较高的定位精度，并且消耗能量较低。

关键词： 模糊贴近； 网络故障数据； 快速定位； 故障数据告警

中图分类号： TN915?34； TK223 文献标识码： A 文章编号： 1004?373X（2016）06?0041?04

Implementation of network fault data fast positioning method based on

fuzzy closeness algorithm

WANG Junyu

（Sanmenxia Polytechnic， Sanmenxia 472000， China）

Abstract： A network failure data fast positioning method based on fuzzy closeness algorithm is proposed in this paper. The method includes the establishment of warning correlation analysis model of network fault data， acquisition model of network fault data fuzzy warning closeness index， and network fault data location model based on closeness index reasoning for network business. The current network true warning term was processed in fuzzy mode and converted into fuzzy alarm. All the closeness indexes matching the target is discovered in the closeness index library by fuzzy matching， and the closeness index with highest matching rate is collected as the reasoning trigger index， from which the correlation information of failure data fuzzy alarm is extracted. The conclusion for fuzzy alarm of network fault data is reasoned out through fuzzy synthetic strategies. The experimental results indicate that the proposed method for network fault data position has high positioning accuracy， and low energy consumption.

Keywords： fuzzy closeness； network failure data； fast positioning； failure data warning

0 引 言

随着网络信息技术的快速发展，网络在社会中具有重要的应用价值。网络发生的微小故障将给社会生产和人们的生活带来巨大的影响。因此，寻求有效的网络故障数据定位方法，协助管理员及时完成网络故障的修复，具有重要应用意义[1?3]。传统的故障数据诊断方法，大都基于固定的指标分析告警信息实现故障信号的定位，一旦指标数量过高，则容易出现故障信号定位偏差过高问题[4?5]。当前存在较多的网络故障数据定位方法，如文献[6]分析了基于支持向量机的分层决策网络故障信号定位模型。通过层次判别统计分析方法，塑造故障信息到故障类型的映射关系，实现故障信号的定位，但是该方法存在效率低和耗能高的缺陷。文献[7]基于BP神经网络实现网络故障数据定位，该方法具有较高的定位效率，但是容易陷入局部最佳解。文献[8]提出了基于小波神经网络的网络故障定位方法，该方法具有较高的收敛性，但是存在耗能高的缺陷。

上述分析的相关方法都存在一定的问题；因此，本文提出了一种基于模糊贴近算法的网络故障数据快速定位方法。

1 基于模糊贴近算法的网络故障数据定位方法

的设计与实现

1.1 逻辑推理结构的设计

基于模糊贴近算法的网络故障数据快速定位的逻辑推理结构如图1所示。

该方法从网络数据中采集告警信息，按照系统参数对网络故障数据告警信息进行预操作，过滤其中的噪声因素，采集可实现挖掘的网络故障数据告警事务项，并对告警信息进行模糊关联规则挖掘，获取网络故障数据告警信息的模糊贴近指标。并将该模糊贴近指标同贴近指标库中的全部指标进行对比，通过模糊推理方法获取存在的故障源，实现网络故障数据快速定位。网络故障数据定位系统主要包括如下几项分析步骤：

（1） 塑造针对网络业务的网络故障数据告警关联性分析模型。针对网络业务的定位系统，主要关注网络层和业务层间的关联性。业务层主要控制网络服务，并采集网络层反馈的不同业务数据，通过业务数据分析网络性能，处理不同业务故障同网络性能间的映射关系。

（2） 采集网络故障数据模糊告警贴近指标。按照网络故障数据告警的属性，通过基于不同维度的网络故障数据贴近指标采集方法，该方法先分析多域分布式网络结构下的网络故障数据告警关联性以及层次化告警关联性，为网络故障数据告警设置分层结构信息。通过下层子网将网络故障数据关联性分析结果反馈给上层子网，上层子网对结果进行评估，挖掘出层间网络故障数据贴近指标。网络在动态调整情况下，会依据历史网络故障数据贴近指标知识库中的数据，基于原始数据库和调整数据库在时间以及空间上的关联性，对新网络故障数据告警关联性进行分析，挖掘出网络故障数据模糊贴近指标。

（3） 实现网络故障数据定位。网络故障数据定位采用模糊推理方法，按照塑造的网络故障数据模糊贴近指标知识库，规划故障数据定位系统模型，完成网络故障数据的统一控制。

1.2 基于模糊贴近算法的网络故障数据定位方法

根据逻辑推理单元，引入一种模糊贴近思维实现网络故障数据的准确定位。在网络故障信号定位系统中，存储的大量的网络故障数据模糊告警贴近指标知识库以及动态事件告警库，对于模糊告警的匹配、关联分析等推理分析，能够达到较高的精确度。对网络故障数据定位的目标是确定故障存在的位置，通过有事实告警获取根源告警的正向模糊推理方法，能够推理出网络故障信号危险。正向模糊推理流程的电路图如图2所示。

基于模糊贴近算法的网络故障数据定位系统的分析过程为：系统输入当前的网络故障事实告警项，对告警项进行模糊化操作，变换成网络故障数据模糊告警，通过模糊匹配在贴近指标库中搜索同网络故障数据模糊告警，相匹配的全部贴近指标，并将匹配度最高的贴近指标当成推理激发指标。在推理激发指标中可采集到网络故障数据模糊告警的关联信息，基于模糊合成方法，推理出网络故障数据模糊告警结论。并将模糊告警结论反模糊化，获取激发告警的根源故障位置，也就是实现推理结论告警的反模糊化，进而能够形象描述出网络故障数据产生的位置。所设计定位系统采用加权平均方法实现推理结论告警的反模糊化，具体过程为：

如果模糊集中的语言变量对象为数值型，同时不同模糊区间取值具有离散性，则将输出量模糊集[Fx]内不同元素[xi]同相应隶属度[μFx（xi）]相乘，并运算该乘积累加以及对于不同隶属度和的平均值，也就是对语言变量集中的数据求加权平均后的模糊区间值，如下式所示：

[x0=i=1kxiμFx（xi）i=1kμFx（xi）]

式中：平均值[x0]是通过加权平均法获取的模糊区间判决结果。

1.3 定位功能的设计与实现

基于模糊贴近算法的网络故障定位是由网络参数监测及处理模块、知识采集模块、故障定位知识库、故障定位模块、解释模块以及用户界面构成。其功能模块图如图3所示。

（1） 网络参数监测及处理模块。该模块通过采集网络运行参数，把采集到的参数存放在数据库里；采集参数征兆，融合模糊贴近算法和数据库，基于网络故障数据定位数据库里的设定条件检测出不正常数据，把它变成易懂的知识，供网络管理人员查看，并把网络参数变更为网络数据定位系统能辨认的数值；将定位到的故障数据和报警，通过图像界面呈现给用户，使操作员迅速得知网络故障数据的发生。

（2） 知识采集模块。该模块依据对网络故障样本的认知，进行知识的采集，把采集的知识存入网络的连接权中，塑造成故障定位模型。知识采集模块可实现网络故障定位系统对故障类别定位方法的信息获取，为下一步定位铺垫。

（3） 故障定位。该模块利用模糊贴近算法得到网络故障数据定位数据库里的运行参数，剖析提取的网络参数征兆，基于模糊贴近模型完成定位，并体现出定位的参数。

（4） 解释模块。该模块是对网络故障数据定位模块计算结果的一个解释，也就是对目前定位计算流程的一个诠释。它的诠释体系是基于故障定位知识库里已存在的知识，对应任意节点的动作完成诠释，假如知识库里不存在该知识，网络故障定位系统将显示无相符内容，操作员根据知识库对定位结论的正确性进行判定，并考虑是否可将这个征兆存储到知识库里。

（5） 故障定位知识库。该模块中存在通过模糊贴近模型导出的知识和训练模型需要的知识等。故障定位知识库可完成已得到知识的一个保护和更新，继而便于后续推理。

（6） 人机交互界面。该模块为用户、管控人员以及网络定位模型，提供信息沟通交流的窗口。人机交互界面重点是负责设定参数和数据的导入、导出等，它在人机交互与网络故障定位系统里起到沟通协调的作用。

2 关键代码设计与实现

基于模糊贴近算法的网络故障数据定位方法，处理数据的第一步是将数据完成初始化，也就是把选择的模拟数据存入系统，为下一步处理提供数据。完成数据初始化代码如下：

3 实验分析

通过实验验证本文提出的基于模糊贴近算法的网络故障数据快速定位方法的性能。实验分别采用本文方法和小波神经网络方法对某服装公司的销售网络故障数据进行定位分析，获取10组样本数据的定位值域实际值的误差结果，如表1所示。

分析表1可以看出，本文方法对于网络故障数据定位的误差高于小波神经网络方法，并且本文方法的误差始终低于0.45，具有较高的可靠性，说明本文方法能够对实验网络故障数据进行实时监控定位。

如图4所示，网络事务数据库大小对不同方法运行时间的干扰，对比分析两种方法的可扩展性。通过图4可以看出，本文方法的运行时间始终低于小波神经网络方法，并且具有较高的平稳度。而小波神经网络方法的运行时间随着事务数据库大小出现显著的波动，并且增长迅速。主要是因为本文方法先采集网络的告警信息，再对告警信息进行模糊关联规则挖掘，获取告警信息的模糊贴近指标，通过模糊推理方法实现网络故障数据快速定位。避免了扫描信息量庞大的全局事务库，极大地降低了网络故障数据定位时间。

如图5所示为网络事务数据库不断增长时，本文方法和小波神经网络方法的内存占用情况。分析图5可得，随着网络事务库数量的增加，本文方法和小波神经网络的内存占用率都不断增加，而本文方法的占用空间增加幅度较低，说明本文方法针对大规模网络数据的故障定位方法具有较高的优势。

4 结 语

本文提出一种基于模糊贴近算法的网络故障数据快速定位方法。系统将当前的网络事实告警项，进行模糊化处理转换成模糊告警，由模糊匹配在贴近指标库中发现与之匹配的全部贴近指标，并采集匹配度最高的贴近指标当成推理触发指标。从该指标中提取故障数据模糊告警关联信息，通过模糊合成策略，推理出网络故障数据的模糊告警结论，实现网络故障数据的快速定位。实验结果表明，所提方法对网络故障数据进行定位，具有较高的定位精度，并且消耗能量较低。

参考文献

[1] 周孝信，陈树勇，鲁宗相.电网和电网技术发展的回顾与展望：试论三代电网[J].中国电机工程学报，2013，33（22）：2?11.

[2] KAUER M， STEINHORST S， GOSWAMI D， et al. Formal verification of distributed controllers usingtime?stamped event count automata [C]// Proceedings of 2013 ASP?DAC. Yokohama Japan： [s.n.]， 2013： 411?416.

[3] 郑涛，潘玉美，郭昆亚，等.基于免疫算法的配电网故障定位方法研究[J].电力系统保护与控制，2014，42（1）：77?83.

[4] 刘健，张小庆，同向前，等.含分布式电源配电网的故障定位[J].电力系统自动化，2013，37（2）：36?42.

[5] 周湶，郑柏林，廖瑞金，等.基于粒子群和差分进化算法的含分布式电源配电网故障区段定位[J].电力系统保护与控制，2013，41（4）：33?37.

[6] 林济铿，潘光，李云鹏，等.基于基本树的网络拓扑放射性快速判断方法及配网重构[J].中国电机工程学报，2013，33（25）：156?166.

[7] DAIGLE M J， GOEBEL K. Model?based prognostics with concurrent damage progression processes [J]. IEEE transaction on systems， man， and cybernetics， 2013， 43（3）： 535?546.

[8] 吴浩，罗毅，蔡亮.基于RBF神经网络的输电线路故障类型识别新方法[J].重庆邮电大学学报（自然科学版），2013，25（3）：418?426.