摘要：隨著網(wǎng)絡(luò)技術(shù)和通信技術(shù)的不斷發(fā)展，隨著用戶數(shù)量的迅速上升，計(jì)算機(jī)網(wǎng)絡(luò)的所具有的規(guī)模也越來(lái)越龐大，它的結(jié)構(gòu)日益復(fù)雜化，由此，網(wǎng)絡(luò)故障的診斷成為了研究的焦點(diǎn)所在，受到了普遍的關(guān)注。本文主要研究了基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)故障檢測(cè)，從BP神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)原理出發(fā)，提出了具體的檢測(cè)算法，并詳細(xì)探討了通過把神經(jīng)網(wǎng)絡(luò)運(yùn)用到故障檢測(cè)中來(lái)的具體檢測(cè)方式，具有一定的現(xiàn)實(shí)意義。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；計(jì)算機(jī)；網(wǎng)絡(luò)故障；檢測(cè)

中圖分類號(hào)：TP393.06 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9599 （2012） 15-0000-02

網(wǎng)絡(luò)故障檢測(cè)所指的是檢測(cè)對(duì)象一旦有某種故障出現(xiàn)，就立即對(duì)其實(shí)行檢測(cè)，從而找出引發(fā)網(wǎng)絡(luò)異常的因素。網(wǎng)絡(luò)故障檢測(cè)主要分成三個(gè)階段，分別是采集信息、提取故障征兆以及識(shí)別狀態(tài)，可以說(shuō)，故障的檢測(cè)，最根本之處就在于對(duì)故障征兆集至故障狀態(tài)集之間所存在的非線性映射進(jìn)行求解，在各種各樣的神經(jīng)網(wǎng)絡(luò)模型中，得到最廣泛應(yīng)用的就應(yīng)該是BP模型了，針對(duì)此通過BP算法來(lái)進(jìn)行計(jì)算機(jī)網(wǎng)絡(luò)故障的檢測(cè)。

1 BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)原理及算法

1.1 BP神經(jīng)網(wǎng)絡(luò)實(shí)行故障檢測(cè)的基本原理

所謂的BP神經(jīng)網(wǎng)絡(luò)模型，它主要依靠一個(gè)輸入和與之相對(duì)應(yīng)的輸出來(lái)和外界產(chǎn)生聯(lián)系，神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練主要是通過對(duì)樣本數(shù)據(jù)的充分采集與 BP算法的有機(jī)結(jié)合來(lái)實(shí)行的，通過這一措施，來(lái)使得神經(jīng)網(wǎng)絡(luò)越來(lái)越和組合導(dǎo)航系統(tǒng)中最原始的算法模型所具有的非線性的這一特征幾乎一致。具體來(lái)說(shuō)，通過BP神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)行故障檢測(cè)的基本原理主要包括兩個(gè)部分，第一個(gè)部分是要保證具有足夠的樣本數(shù)量來(lái)和神經(jīng)網(wǎng)絡(luò)訓(xùn)練之所需相滿足，并在此基礎(chǔ)上來(lái)得出所期望的診斷網(wǎng)絡(luò)。第二個(gè)部分，就是通過診斷輸入，來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行充分的利用，從而有效實(shí)施故障檢測(cè)。需要注意的是，在對(duì)其實(shí)行故障檢測(cè)之前，所需要做的就是對(duì)原始的數(shù)據(jù)，對(duì)訓(xùn)練樣本的數(shù)據(jù)等等做出相關(guān)的處理，所謂的處理，主要包含了兩步，第一是預(yù)處理，第二是特征的提取，只有通過這兩個(gè)步驟，才能夠?yàn)榫W(wǎng)絡(luò)診斷提供更加適合的診斷輸入和更加有效的訓(xùn)練樣本。

其中，需要引起注意的有三部分的內(nèi)容，第一，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)確定的一個(gè)關(guān)鍵所在就是要對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的規(guī)模進(jìn)行合理且科學(xué)的確定，特別是對(duì)其中的網(wǎng)絡(luò)中間層神經(jīng)元來(lái)講，其個(gè)數(shù)的選擇尤為重要。第二，要注意對(duì)訓(xùn)練的樣本以及測(cè)試的樣本進(jìn)行確定。所謂的訓(xùn)練樣本，其所具有的最主要的作用是對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；所謂的測(cè)試樣本，其所具有的主要作用就是要在前者的基礎(chǔ)之上，來(lái)進(jìn)行效果的監(jiān)測(cè)。第三，需要做的就是要結(jié)合上述訓(xùn)練樣本的結(jié)果和測(cè)試樣本的結(jié)果，來(lái)將兩者有機(jī)的結(jié)合起來(lái)，從而最大限度的實(shí)現(xiàn)和神經(jīng)網(wǎng)絡(luò)的一致性，進(jìn)而有效進(jìn)行故障的檢測(cè)。

1.2 BP神經(jīng)網(wǎng)絡(luò)的檢測(cè)算法

對(duì)于神經(jīng)網(wǎng)絡(luò)的檢測(cè)來(lái)講，和其他檢測(cè)不同的是，它并不需要事先把相關(guān)的模式經(jīng)驗(yàn)知識(shí)以及相關(guān)的函數(shù)判別等等羅列出來(lái)，因?yàn)樗且环N具有自適應(yīng)性的模式，能夠?qū)ψ陨淼膶W(xué)習(xí)機(jī)制進(jìn)行充分的利用，來(lái)形成一個(gè)決策區(qū)域。網(wǎng)絡(luò)在進(jìn)行某一種映射關(guān)系的獲得的時(shí)候，需要通過狀態(tài)信息來(lái)對(duì)各種狀態(tài)的信息進(jìn)行訓(xùn)練，這一映射關(guān)系，會(huì)隨著環(huán)境的不斷改變而自行進(jìn)行調(diào)整，從而和瞬息萬(wàn)變的環(huán)境相適應(yīng)。它的具體算法是：

輸入：net=

輸出：y=

輸出的導(dǎo)數(shù)為 =y（1-y）

BP神經(jīng)網(wǎng)絡(luò)的形成，主要是通過多種神經(jīng)元之間實(shí)現(xiàn)相互的連接而實(shí)現(xiàn)的，它所具有的最主要特點(diǎn)就是單向傳播，是一種多層前向的網(wǎng)絡(luò)，它主要分成三個(gè)層次，也就是輸入層、中間層以及輸出層，其中，中間層還可以分成若干個(gè)層次，并且對(duì)于其中每一層的神經(jīng)元來(lái)講，它只對(duì)前一層的神經(jīng)元輸出予以接受。不僅如此，BP神經(jīng)網(wǎng)絡(luò)當(dāng)中并沒有反饋的存在，在同一層中的不同節(jié)點(diǎn)來(lái)講，它們之間是不會(huì)形成相關(guān)的耦合作用的，它所能夠影響的也只是下一層節(jié)點(diǎn)的輸入。

2 基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)故障檢測(cè)措施

2.1 通過神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)行故障檢測(cè)的措施

（1）模式識(shí)別神經(jīng)網(wǎng)絡(luò)。所謂的故障檢測(cè)，實(shí)際上需要做的是進(jìn)行模式分類和模式的識(shí)別，在傳統(tǒng)意義上的模式識(shí)別技術(shù)，它在進(jìn)行模式的分類的時(shí)候，基本上采用的方式都是通過對(duì)函數(shù)的識(shí)別進(jìn)行充分的利用，來(lái)對(duì)每一個(gè)類別實(shí)行劃分。那么，在這樣的劃分模式下，我們假設(shè)模式樣本的特征空間為N維歐氏空間，同時(shí)假設(shè)模式的分類為M類，這樣，我們就可以從數(shù)學(xué)模式上來(lái)對(duì)其進(jìn)行分類，具體分類方式就是：通過對(duì)朱超平面方程的定義，來(lái)對(duì)N維歐氏空間盡可能地實(shí)現(xiàn)最佳分割，并且這一分割的決策區(qū)域是M這樣的問題。但是，在具體的實(shí)踐中，如果要對(duì)復(fù)雜的決策區(qū)域進(jìn)行分割，那必定是十分困難的。所以，必須要準(zhǔn)確的選出最適合的函數(shù)判別式，來(lái)在識(shí)別中對(duì)函數(shù)相關(guān)的參數(shù)進(jìn)行識(shí)別，從而進(jìn)行相關(guān)的修正措施。

（2）故障預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)。對(duì)于故障預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)來(lái)講，它的實(shí)現(xiàn)，主要是通過兩種方式來(lái)完成的，第一種方式是，把神經(jīng)網(wǎng)絡(luò)作為主要的函數(shù)逼近器，餅子啊次基礎(chǔ)上萊迪機(jī)組工況的某一些參數(shù)實(shí)行擬合預(yù)測(cè)看，這一種方式，最常見的就是本文所研究的BP網(wǎng)絡(luò)就。第二中方式是充分對(duì)輸入和輸出這兩者之間的關(guān)系進(jìn)行考慮，之后，采用帶反饋連接的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)來(lái)針對(duì)具體的過程或者具體的工作情況參數(shù)，來(lái)吧動(dòng)態(tài)的模型建立起來(lái)，從而實(shí)行故障預(yù)測(cè)。但是從目前其應(yīng)用程度來(lái)看，得到最廣泛的應(yīng)用的應(yīng)該就是基于多層的前饋網(wǎng)絡(luò)。

現(xiàn)在，我們站在系統(tǒng)辨別的角度之上，來(lái)看前饋網(wǎng)絡(luò)，它所代表的僅僅只是那些能夠通過代數(shù)的方程，就能夠進(jìn)行靜態(tài)映射的掃描，從而實(shí)行靜態(tài)預(yù)測(cè)的描述，如果把它用在設(shè)備的動(dòng)態(tài)建模和動(dòng)態(tài)預(yù)測(cè)當(dāng)中，毫無(wú)疑問會(huì)受到很大的限制。所以，我們可以說(shuō)，動(dòng)他的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，也就是一個(gè)動(dòng)態(tài)時(shí)序建模的過程。

（3）專家診斷神經(jīng)網(wǎng)絡(luò)。所謂的專家診斷神經(jīng)網(wǎng)絡(luò)，也就是把神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)兩者之間進(jìn)行有機(jī)的結(jié)合，這一有機(jī)結(jié)合的費(fèi)那個(gè)是主要有兩個(gè)，第一個(gè)是，把專家系統(tǒng)來(lái)組合成為神經(jīng)網(wǎng)絡(luò)，詳細(xì)來(lái)講，也就是要針對(duì)傳統(tǒng)的專家系統(tǒng)，來(lái)把其中的建立在符號(hào)上的推理直接轉(zhuǎn)變成為建立在數(shù)值運(yùn)算上的推理，這樣做的最根本目的就是要把專家系統(tǒng)所具有的執(zhí)行效率大大提升，并在此基礎(chǔ)上來(lái)對(duì)其學(xué)習(xí)能力進(jìn)行充分的利用，從而把專家系統(tǒng)中的學(xué)習(xí)問題徹底解決好。第二個(gè)是，把神經(jīng)網(wǎng)絡(luò)看成是一種知識(shí)源的具體表達(dá)以及具體處理的模型，通過把這一模型和其他的相關(guān)知識(shí)表達(dá)模型的有機(jī)結(jié)合，來(lái)把領(lǐng)域?qū)＜业闹R(shí)充分的表達(dá)出來(lái)?？偟膩?lái)講，建立在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的故障檢測(cè)專家系統(tǒng)，是一種新的知識(shí)表達(dá)系統(tǒng)，它是通過對(duì)大量的節(jié)點(diǎn)的一些簡(jiǎn)單處理，是通過單元與單元之間的相互作用來(lái)實(shí)現(xiàn)信息處理的。

這一方式，通過對(duì)網(wǎng)絡(luò)信息的保持性的充分利用，來(lái)把其中的那些不是很精確的診斷推理實(shí)現(xiàn)，是一種簡(jiǎn)單且有效的方式。

2.2 神經(jīng)網(wǎng)絡(luò)故障檢測(cè)的具體應(yīng)用

在一般情況下，導(dǎo)致網(wǎng)絡(luò)故障的因素不外乎是在設(shè)置上出現(xiàn)了問題，對(duì)于這類原因引起的故障，我們可以把著手點(diǎn)放在軟件上面，通過這一入手點(diǎn)，來(lái)實(shí)行故障的檢測(cè)，對(duì)于把網(wǎng)絡(luò)的設(shè)置改正確了，對(duì)本地機(jī)主的測(cè)試也通過了，但是，他和與之相鄰的主機(jī)卻是不同的，并且，在這一時(shí)候，和交換機(jī)相連接的端口沒有出現(xiàn)網(wǎng)線的松動(dòng)情況，那么，需要做的就是進(jìn)行TCP/IP 的重新安裝。將具體一點(diǎn)，也就是如果系統(tǒng)處于正常運(yùn)行的狀態(tài)的話，實(shí)際上，這一時(shí)候的殘差是和高斯白噪聲序列最為接近的時(shí)候，這是，期均值就近乎為零，這時(shí)，我們把協(xié)方差上界用以下的式子來(lái)表示：

U（k）=

其中U（k）所表示的是協(xié)議方差，它是會(huì)隨著k的變化而出現(xiàn)不同的統(tǒng)計(jì)特性，如果我們定義一些隨機(jī)變量，采用的方式是：

需要指出的是， 我們可以認(rèn)為其就是服從于 的分布的，所以，上述的式子又可以表示成為：

從上述的式子中，我們可以用字母N來(lái)表示數(shù)據(jù)床的長(zhǎng)度，那么，如果系統(tǒng)是處于正常運(yùn)行的狀態(tài)的話，d（k）的數(shù)值就會(huì)很??；反過來(lái)講，如果系統(tǒng)正處于突發(fā)性故障的狀態(tài)的話， 就不能夠和白噪聲的特性相滿足，所以， ，其中所標(biāo)示的是閾值，H0所表示的是正常模態(tài)，通過實(shí)踐，如果有故障發(fā)生，那么只需要進(jìn)行一步時(shí)延，d（k）就會(huì)發(fā)生明顯的變化，由此來(lái)對(duì)網(wǎng)絡(luò)故障進(jìn)行檢測(cè)。

3 結(jié)束語(yǔ)

總之，到目前為止，網(wǎng)絡(luò)故障診斷的一個(gè)最主要發(fā)展趨勢(shì)就是采用智能化的檢測(cè)技術(shù)來(lái)記性，而神經(jīng)網(wǎng)絡(luò)有著極佳的非線性映射，有著極強(qiáng)的自適應(yīng)能力，從而日益被廣泛的應(yīng)用到網(wǎng)絡(luò)故障的檢測(cè)當(dāng)中，也可以說(shuō)，這是一種值得深入推廣的技術(shù)。

參考文獻(xiàn)：

[1]劉毅.神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)故障診斷中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2010，11

[2]馬麗芳，王愛俠.計(jì)算機(jī)網(wǎng)絡(luò)入侵檢測(cè)技術(shù)[J].現(xiàn)代計(jì)算機(jī)（專業(yè)版），2011，13

[3]李培良.淺析基于神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)技術(shù)[J].科技信息，2010，23