程 瑋

（廈門海洋職業(yè)技術(shù)學院，福建 廈門 361100）

近年來，隨著計算機網(wǎng)絡(luò)規(guī)模大幅度提升，傳統(tǒng)的網(wǎng)絡(luò)架構(gòu)已不能滿足云計算、服務(wù)器虛擬化等新應(yīng)用的需求。此時，基于傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)的軟件定義網(wǎng)絡(luò)（SDN）應(yīng)運而生。SDN網(wǎng)絡(luò)適應(yīng)了應(yīng)用的快速變化，但仍然面臨著與傳統(tǒng)網(wǎng)絡(luò)相同的問題，即當鏈路中出現(xiàn)故障時，不能及時準確地進行定位分類。關(guān)于故障定位，傳統(tǒng)網(wǎng)絡(luò)研究眾多，如榮飛、朱語博等人基于子模塊電壓分組檢測，研究了MMC子模塊開路故障診斷定位方法[1]；趙建文、李璞等人基于AGM曲線能量，對配電網(wǎng)故障區(qū)段定位方法進行了研究[2]。但這些故障定位方法沒有考慮到SDN網(wǎng)絡(luò)結(jié)構(gòu)的特性，因此并不適用于SDN網(wǎng)絡(luò)鏈路的故障定位。為此，本研究探討了一種基于CNN?SVM的SDN網(wǎng)絡(luò)鏈路故障定位算法，并從多角度對算法進行了評估。

1 系統(tǒng)框架

根據(jù)研究的目的，采集并處理控制器數(shù)據(jù)以及對定位應(yīng)用層中的故障，將SDN網(wǎng)絡(luò)鏈路故障定位系統(tǒng)設(shè)計如圖1所示。SDN系統(tǒng)主要由數(shù)據(jù)層、控制層、應(yīng)用層、MySQL數(shù)據(jù)庫組成[3]。

圖1 SDN網(wǎng)絡(luò)鏈路故障定位系統(tǒng)框架

控制層主要的功能是接收來自數(shù)據(jù)層的帶寬、時延等數(shù)據(jù)[4]，并將其存入MySQL數(shù)據(jù)庫中。通常情況下，這些數(shù)據(jù)不能通過OpenFlow協(xié)議直接獲得，因此需要通過計算或自行測量等方式獲得。

應(yīng)用層包括數(shù)據(jù)預(yù)處理、模型訓練、故障定位等子模塊[5]。首先，從MySQL數(shù)據(jù)庫中讀取數(shù)據(jù)，并對數(shù)據(jù)進行重構(gòu)、預(yù)處理。然后將處理后的數(shù)據(jù)輸入模型，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和SVM分類器進行訓練。最后通過特征提取和故障定位分類，實現(xiàn)故障診斷。

2 基本算法

2.1 CNN-SVM算法

根據(jù)系統(tǒng)整體架構(gòu)可知，傳統(tǒng)CNN算法控制層采集的數(shù)據(jù)雖然可組成二維數(shù)組，但它無法提取到不同網(wǎng)絡(luò)鏈路間的數(shù)據(jù)空間相關(guān)性，不適用于SDN網(wǎng)絡(luò)鏈路故障定位，因此還需對該結(jié)構(gòu)進行改進。本研究在此基礎(chǔ)上，提出一種基于CNN?SVM算法的SDN網(wǎng)絡(luò)鏈路故障定位模型，其結(jié)構(gòu)如圖2所示。該模型主要包括數(shù)據(jù)輸入層、特征提取層、softmax函數(shù)層、SVM分類層四個部分[6]，一方面可解決傳統(tǒng)CNN網(wǎng)絡(luò)無法提取不同鏈路的數(shù)據(jù)空間相關(guān)性，另一方面利用SVM算法提高了故障定位的正確率。

圖2 CNN-SVM算法模型

2.2 CNN-SVM算法結(jié)構(gòu)

2.2.1 數(shù)據(jù)輸入層

數(shù)據(jù)輸入層主要功能是接收和處理SDN網(wǎng)絡(luò)底層的原始監(jiān)測數(shù)據(jù)[7]。由于CNN模型只能接收二維或三維數(shù)據(jù)，因此這些數(shù)據(jù)一般不能直接應(yīng)用于CNN模型中，故需要對它們進行轉(zhuǎn)化。本研究將一定長度的時間窗口和同一時間窗口中檢測到的網(wǎng)絡(luò)數(shù)據(jù)構(gòu)成為圖像數(shù)據(jù)，以便于輸入CNN模型。

2.2.2 特征提取層

特征提取層包括激活層、卷積層和池化層，是整個模型的核心組成部分[8]。其中，卷積層主要是通過卷積核提取局部向量的時空相關(guān)特征，而卷積核又通過輸入數(shù)據(jù)的結(jié)構(gòu)改變移動方向，實現(xiàn)卷積提取操作，具體如圖3所示。

圖3 卷積詳細過程

令SDN網(wǎng)絡(luò)鏈路中K個間隔時間內(nèi)某一時刻采集到J=Nlinks+Nstatus個監(jiān)測數(shù)據(jù)。其中，Nlinks鏈路數(shù)目，Nstatus表示每條鏈路上的數(shù)據(jù)個數(shù)。那么，CNN?SVM算法可通過K*J個節(jié)點的輸入層接收SDN網(wǎng)絡(luò)底層的原始監(jiān)測數(shù)據(jù)。由此可得，特征映射中節(jié)點的輸入值：

式中，Rr和Rs分別表示卷積核的行大小和步長。由于CNN?SVM算法CNN結(jié)構(gòu)中可接收的是標準二維特征映射，而上述操作通過卷積核得到的局部特征為一維特征映射，因此需要在接下來的池化層中使用P*1的池化器沿卷積核時間軸移動方向進行降維處理。

2.2.3 Softmax函數(shù)層

傳統(tǒng)CNN模型中，全連接層輸出的值一般不符合概率分布[9]，因此本研究引入Softmax函數(shù)層以解決該問題。令模型訓練輸入樣本為x，其對應(yīng)標簽為yˉ；n個類別。則x被分為j類的概率可表示為P(y+j|x)；模型具有n個量化的概率值。將n個概率值輸入Softmax函數(shù)層，應(yīng)用式（2）可得到一個符合概率分布的n維向量。

式中，Y′i表示Softmax函數(shù)對樣本i進行處理后的輸出值，其取值范圍[0,1]；P(yi=n|xi)表示樣本i屬于n類的概率。將Softmax函數(shù)分類結(jié)果與樣本實際標簽進行比較，可得出模型的損失誤差。本研究中，由于CNN?SVN算法的輸入標簽為分類標簽，故決定采用交叉熵損失函數(shù)。交叉熵損失函數(shù)的定義如下式（3）所示。

式中，i表示第i個樣本，j表示n個分類中第j個分類；表示第i樣本的實際標簽。通過不斷調(diào)整式中參數(shù)，可使損失函數(shù)L(w)值最小。

2.2.4 SVM分類器

SVM分類器是一種用于處理多分類、高維模式識別等問題的經(jīng)典二多分類模型[10]，其模型結(jié)構(gòu)如圖4所示。SVM分類器主要由hinge損失和核技巧兩個部分組成，其中核技巧包括線性核和非線性核。本研究采用非線性核作為SVM分類器的核技巧，并以非線性SVM分類器作為CNN?SVM算法的分類器，以解決非線性的多分類問題。

圖4 SVM模型結(jié)構(gòu)

假設(shè)訓練集為J={(X1,y1),...,(Xi,yi),...,(Xn,yn)}，Xi(Xi∈χ=Rn)表示第i個輸入的特征向量，yi=(yi∈ψ={+1,?1})表示xi的分類標簽。一般而言，SDN網(wǎng)絡(luò)底層采集到的故障數(shù)據(jù)為線性不可分，因此根據(jù)式（5）向訓練集中引入松弛變量ξi，即可將該線性不可分的問題轉(zhuǎn)化為軟間隔最大化的問題。

式中，W、b均表示為訓練參數(shù)；C表示懲罰因子。一個樣本對應(yīng)一個松弛變量，一個松弛變量即為一個hinge損失函數(shù)：

通過不斷調(diào)節(jié)W、b可以使目標函數(shù)最小化。然后選擇適當?shù)膽土P因子以及核函數(shù)，利用拉格朗日乘子法可求解式（5）的對偶問題，得到W的最優(yōu)解W*。最后通過W*分量wi*計算b的最優(yōu)解b*：

式中，k(?,?)為核函數(shù)。在線性可分中，核函數(shù)可由樣本實例的之間的內(nèi)積進行表示；在線性不可分問題中，首先需要將線性不可分轉(zhuǎn)化為線性可分，通過SVM將樣本空間映射到一個高緯度的特征空間，獲得了樣本在這個特征空間的線性可分，再求得樣本實例之間的內(nèi)積用以表示核函數(shù)。但由于特征空間維度較高，因此直接計算內(nèi)積十分困難。為避免該問題，本研究用決定用非線性SVM核函數(shù)替換線性SVM的內(nèi)積。

設(shè)輸入空間為□，□*□的對稱函數(shù)為k(?,?)，則 k為核函數(shù)對于任意數(shù)據(jù)D={X1,X2,…,Xn}，核矩陣K總是半正定：

實際上，每一個核函數(shù)對于任意輸入空間的(Xi,Xj)均存在一個從輸入空間到特征空間的映射φ（□）使k(Xi,Xj)滿足條件：

常用的核函數(shù)主要包括高斯核、多項式核、拉普拉斯核、sigmoid核等，由于高斯核更具有普適性，因此本研究采用高斯核作為SVM的核函數(shù)。

3 基于CNN-SVM的SDN網(wǎng)絡(luò)鏈路故障定位算法

基于CNN?SVM的SDN網(wǎng)絡(luò)鏈路故障定位算法避免了人工提取特征的誤差性，使SDN網(wǎng)絡(luò)鏈路故障定位更加精確，其故障定位主要分為三個步驟，如圖5所示。

圖5 基于CNN-SVM的SDN網(wǎng)絡(luò)鏈路定位算法流程

步驟1：訓練CNN模型。對采集到的SDN網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)進行重構(gòu)和預(yù)處理操作，將處理后的數(shù)據(jù)作為輸入數(shù)據(jù)。然后利用softmax函數(shù)和反向傳播算法訓練CNN模型，得到最小化損失函數(shù)，完成對CNN模型的訓練。

步驟2：訓練SVM。使用訓練好的CNN模型提取原始數(shù)據(jù)中具有代表性的特征，實現(xiàn)對SVM的訓練。

步驟3：故障定位。利用訓練好的CNN?SVM對SDN網(wǎng)絡(luò)鏈路進行故障定位。

3.2 基于CNN-SVMSDN網(wǎng)絡(luò)鏈路狀態(tài)基本參數(shù)

SDN網(wǎng)絡(luò)中存在多條鏈路，而這些鏈路可能同時出現(xiàn)故障。因此，為使CNN?SVM算法可同時定位多條鏈路故障，應(yīng)確保控制器采集到的數(shù)據(jù)能全面反映網(wǎng)絡(luò)中所有鏈路的狀態(tài)。通常情況下，反映網(wǎng)絡(luò)鏈路狀態(tài)的參數(shù)眾多，包括鏈路時延、鏈路吞吐量、鏈路丟包率等，只有綜合利用這些參數(shù)，才能更準確地對SDN網(wǎng)絡(luò)鏈路狀態(tài)進行判斷。這些參數(shù)一般不能由SDN控制器直接獲取，需要通過數(shù)據(jù)計算獲取。

4 仿真實驗

為驗證提出的基于CNN?SVM的SDN鏈路故障定位算法的有效性，本研究在pycharm中，采用Python從超參數(shù)對模型的影響、模型故障定位結(jié)果兩個方面完成了對CNN?SVM的SDN鏈路故障定位算法的仿真實驗，并通過與標準CNN模型比較，對提出的算法性能進行了分析。

4.1 CNN超參數(shù)對模型的影響

CNN是本研究提出的基于CNN?SVM的SDN鏈路故障定位算法的特征提取部分，因此其超參數(shù)對特征提取結(jié)果的影響，直接影響整個CNN?SVM故障定位算法的準確度。為使實驗參數(shù)設(shè)置合理，本研究以最小損失函數(shù)和softmax函數(shù)作為分類函數(shù)，探究了除CNN結(jié)構(gòu)（如表1所示）以外的其他超參數(shù)，包括激活函數(shù)、優(yōu)化算法、批處理大小對CNN模型的影響。

表1 本實驗采用的CNN結(jié)構(gòu)參數(shù)

4.1.1 激活函數(shù)對模型的影響

常見的激活函數(shù)包括sigmoid、tanh、relu，一定程度上影響了CNN模型的訓練效果。通常情況下，這些激活函數(shù)由歷史經(jīng)驗獲取，缺乏可靠性。因此本研究在實驗中，以批處理大小為100，迭代次數(shù)為500，優(yōu)化算法為Adam對以上常見激活函數(shù)進行了比較，得到如表2所示的實驗結(jié)果。由表可知，在訓練時間為135 s左右，tanh函數(shù)的訓練準確度最高，達到95.89%；relu函數(shù)的測試準確度最高，達到95.01%。由此可以看出，relu函數(shù)的泛化性更高，故本研究采用relu函數(shù)作為CNN的激活函數(shù)。

表2 常見激活函數(shù)實驗結(jié)果比較

4.1.2 優(yōu)化算法對模型的影響

研究以批處理大小為100，迭代次數(shù)為500，激活函數(shù)為relu的條件下，采用常見的優(yōu)化算法包括SGD、Adagarad、Adam、AdaDelta對模型訓練進行了比較，得到如下表3所示的實驗結(jié)果。由表可知，Adam優(yōu)化算法無論是訓練時間、測試時間，還是訓練準確率或測試準確率均由于其他優(yōu)化算法，因此本研究采用Adam作為CNN模型的優(yōu)化算法。

表3 常見優(yōu)化算法實驗結(jié)果比較

4.1.3 不同批處理大小對模型的影響

研究以迭代次數(shù)為500，激活函數(shù)為relu，Adam為優(yōu)化算法的條件下，通過實驗研究了不同批處理大小對模型的影響，實驗結(jié)果如下表4所示。由表可知，隨著批處理大小增大，模型的平均訓練時間逐漸縮短，模型的訓練準確率先增后減，在批處理大小為64時，模型的訓練準確率逐漸降低。因此，綜合考慮訓練時間和訓練準確率，本研究認為批處理大小為64時，可得到最優(yōu)的模型訓練結(jié)果。

表4 不同批處理大小對模型訓練的影響結(jié)果

綜上可確定CNN?SVM故障定位算法模型中CNN的部分超參數(shù)，其中，激活函數(shù)為rulu，優(yōu)化算法為Adam，批處理大小為64。

4.2 模型故障定位結(jié)果與分析

完成上述CNN模型訓練后，將CNN全連接層的輸出輸入SVM中并進行訓練，然后將訓練好的CNN?SVM模型對SDN網(wǎng)路鏈路中的故障進行定位。本次實驗通過網(wǎng)格搜索確定了懲罰因子和gamma參數(shù)分別為10和0.1，以徑向基函數(shù)作為SVM的核函數(shù)，對基于CNN?SVM的SDN網(wǎng)路鏈路故障定位算法的查準率p、查全率r、F1?測度通過式（11）進行了計算，得到表5所示的計算結(jié)果。由表5可知，本研究提出的CNN?SVM算法的查準率、查全率、F1?測度均高于93%，說明該算法基本可滿足SDN網(wǎng)絡(luò)鏈路故障定位。

表5 CNN-SVM算法的查準率p、查全率r、F1-測度

為更好地分析CNN?SVM算法的漏報、誤報率，本研究將表5中8種故障情況，每種故障情況有300個測試樣本，共2 400個測試樣本的故障定位結(jié)果進行了整理，得到如下圖6所示的多類混淆矩陣。圖6中，橫行表示查全率相關(guān)信息，豎列表示查準率相關(guān)信息，對角線上數(shù)據(jù)則表示每種故障正確分類的樣本數(shù)。由圖可知，在所有測試樣本中，有2 318個故障定位診斷正確，準確率約為96.58%，說明本研究提出的CNN?SVM算法具有良好的故障定位性能，可同時定位SDN網(wǎng)絡(luò)中多條鏈路的故障問題。此外，圖中鏈路的故障數(shù)目對算法診斷的效果并沒有太大影響，這說明本研究提出的CNN?SVM算法的故障診斷性能不會明顯受到故障數(shù)目的影響。

圖6 多類混淆矩陣結(jié)果

4.3 算法比較

為探究CNN?SVM算法模型的優(yōu)勢，本研究在激活函數(shù)為rulu，優(yōu)化算法為Adam，批處理大小為64的相同條件下，將該算法模型與標準CNN算法模型（卷積核大小為3*3，池化核為2*2，分類函數(shù)為softmax）進行比較。

CNN?SVM算法模型與標準CNN算法模型的訓練時間、測試時間、測試準確率的比較結(jié)果如下表6所示。由表可知，CNN?SVM算法模型的訓練時間和測試時間均低于標準的CNN模型，且其準確率更高，說明本研究提出的CNN?SVM提高了算法故障定位的性能。

表6 CNN-SVM模型與標準CNN模型性能比較

CNN?SVM算法模型與標準CNN算法模型的查準率、查全率、F1?測度比較結(jié)果如下圖7、8、9所示。由圖可知，CNN?SVM算法模型在查準率、查全率和F1?測度方面均優(yōu)于標準CNN模型，說明CNN?SVM算法模型具有更好的故障分類和定位的能力。

圖7 CNN-SVM與標準CNN查準率比較圖

圖8 CNN-SVM與標準CNN查全率比較圖

圖9 CNN-SVM與標準CNN的F1-測度比較圖

5 結(jié)語

本研究根據(jù)SDN網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)特點，在標準的CNN算法和SVM分類器基礎(chǔ)上，提出一種基于CNN?SVM的SDN網(wǎng)絡(luò)鏈路故障定位算法模型。在該模型中，以CNN作為故障數(shù)據(jù)的特征提取器，以SVM分類器作為故障的定位分類器，實現(xiàn)了對SDN網(wǎng)絡(luò)鏈路的故障定位。然后。最后，為提出的CNN?SVM算法的有效性，本研究設(shè)計了相關(guān)的實驗。實驗結(jié)果表明，本研究提出的CNN?SVM提高了傳統(tǒng)CNN算法在SDN網(wǎng)絡(luò)鏈路中的故障定位的精確度，具有良好的故障分類和定位的能力。