基于BP神经网络的通信网络管理软件失效预测方法

郭春雷

（河北软件职业技术学院，河北 保定 071000）

0 引 言

通信网络管理技术的发展使得通信系统的结构更加复杂，且面对的信息数据量级也较之前明显提升[1,2]。这就使得系统软件在进行通信网络管理时，需不断提高信息的规模和复杂度。传统的管理软件面对大量的处理数据出现系统瘫痪，从而使得软件故障频发，最终导致通信网络管理软件失效[3]。在这种情况下，研究系统通信软件的时效预测方法十分必要[4]。大型并行非线性系统中，BP神经网络更利于进行分布式存储，且具有并行处理方式的特性，其优越的自组织和自学习能力为软件失效预测提供了更强的容错性[5,6]。为此提出基于BP神经网络的通信网络管理软件失效预测方法。

1 构建软件失效预测模型

应用神经网络管理训练集，针对软件失效预测模型分析软件失效前特征，判断软件系统级FMEA主要的活动，将失效预测模式划分为数个阶段[7,8]。分析失效模式，通过失效原因和失效影响进行特征整合，利用失效影响划分软件失效严酷度等级[9]。分析并改进失效预测模型结构，针对软件失效预测模型进行失效神经网络管理训练，并分析失效预测模型分类指导。通过BP神经网络失效预测模型管理FMEA训练集，在失效预测模型中划分失效预测模式来源，得到如表1所示的失效模式预测类型。

表1 失效模式预测类型

详细划分通用失效预测模式，据此构建软件失效预测模型，并分析程序故障和输出失效预测模式。通过软件失效模式预测特征识别软件安全关键信息，利用系统能级分析功能风险，并针对潜在危险进行软件失效预测模型结构分析。其中，通过软件危险性分析得到软件失效预测路径，针对软件故障发生前的信号预警进行失效预测。由于软件失效预测模型与NHPP发生失效的规律相仿，因此以NHPP为假设基础进行模型构建，排除不遵循NHPP的软件失效事件，并在该讨论范围内设计软件失效预测函数[10]。已知将软件失效进行泛化后可以得到软件失效的过程，在软件失效过程t时刻代入常数λ，该常数达到的失效强度N(·)为：

该软件的失效过程可在时间t中运行，当时间间隔 Δt＞ 0时，其失效强度P=λN(t)Δt+o(Δt)。其中，o(Δt)为时间间隔为Δt的失效强度。基于该失效强度计数过程，让失效规律产生的软件潜在缺陷与软件失效预测模型建立联系。已知软件潜在缺陷会通过故障方式显现，在故障达到一定次数后可诊断为软件失效。但由于软件缺陷事件发生概率较不确定，因此需要通过植入错误概率控制软件缺陷事件的发生[11]。利用FDR函数构建软件失效预测模型，针对软件缺陷数量与待检测的故障建立数据集合，通过分析二者的跳变关系得到软件失效预测模型如图1所示。

图1 构建软件失效预测模型

利用测试数据与FDR函数进行软件缺陷检测，通过两者的正向关系对软件中待检故障数进行计量，利用FDR函数识别跳变条件。针对软件故障跳变反应，利用软件失效预测进行实践消除。监测故障间隔的频率，同时进行顺序排错，重新梳理测试流程，对软件的可靠性进行失效预测。在固定的操作环境下，针对软件的失效预测模型进行运行监测，利用研究操作环境的不确定性检测软件的可靠性。

根据构建的软件失效预测模型对软件需求规格、设计说明等文档等基础条件进行分析，针对顶层论证目标制定出运行格式。

利用危险分析结合软件危险识别，对软件失效进行预测，并整合软件安全自检功能进行软件缺陷识别，利用软件安全自检功能模块分析软件失效模式。并在软件的失效模型实例集中确认失效源代码，针对设计文档和预测失效模型，通过BP神经网络管理训练集对软件失效危险性进行分析，如图2所示。

图2 分析软件失效危险性

通过分析软件失效危险性可知，对于同一软件中出现的失效危险，在进行修正后，对于该失效危险今后出现的可能性是很小的。并且该失效危险将不会重复出现，针对该失效风险，利用补丁进行失效填补，将瑕疵部分予以更正并替换，可以让软件正常运行，并在一定程度上降低发生失效危险的可能。经过替换损坏部分后，系统将可以再次运作，而软件系统中，通过仔细修正后的软件稳定性能够在一定程度上得到提升。因此要利用失效预测模型找出关键性的错误代码，利用该代码进行失效填补。利用软件失效预测模式找出失效发生原因，并对该软件预测进行可靠性评价。利用软件失效预测模型对失效方式进行分类，以此分析出因软件缺陷导致的软件的失效原因。

2 实验分析

实验开始前，设置软件失效预测MATLAB平台，验证软件失效数据检测结果。截取某软件失效数据，并对该数据进行清洗，利用识别测试对该段数据进行去噪处理。配置软件失效预测实验环境，其中实验电脑型号为Intel Pentium E6700/3.2 GHz，固定实验网速为100 Mb/s，实验操作系统为Windows XP。实验预测通信与IP组进行协议兼容，调试平台采用Visual Studio 2008，操作方法的编程语言为C++。实验过程中选择两台实验型号计算机来完成实验，将失效数据监测设备与软件产品设备运行分别用不同的计算机操作，通过识别体系检测完整的失效数据属性。

对比文献[2]基于可配置特征单元方法、文献[3]改进SFMEA方法以及基于BP神经网络的通信网络管理软件失效预测方法的网络管理训练集检测单元平均时长，实验结果如表2所示。

表2 训练集检测单元平均时长

从表2分析可知，文献[2]方法网络管理训练集检测单元平均时长最低为1 s，文献[3]方法中最低为1.2 s，本文最低为0.3 s。本文方法预测时长较低的原因主要是依据BP神经网络模型的同时，利用测试数据与FDR函数进行软件缺陷检测，提高了检测性能。

3 结 论

通过本文研究构建了软件失效预测模型，并通过该软件失效预测模型提高了网络管理训练集检测单元效率。今后应当通过神经网络提取软件失效的历史数据，分析软件度量数据和检测内容，并继续研究测试集的数据，将重点放在提高训练集检测单元的准确度上。