嚴(yán)萍

(河北醫(yī)科大學(xué)第四醫(yī)院，河北石家莊，050000)

0 引言

高性能互聯(lián)網(wǎng)絡(luò)是高性能計(jì)算機(jī)的全局性基礎(chǔ)設(shè)施，將網(wǎng)絡(luò)系統(tǒng)中的各部分節(jié)點(diǎn)進(jìn)行連接，其主要組成部分有高性能網(wǎng)卡，高階交換機(jī)和高速鏈路[1]，隨著互聯(lián)網(wǎng)絡(luò)系統(tǒng)規(guī)模的不斷擴(kuò)大，其系統(tǒng)的故障率也會(huì)不斷攀升，傳統(tǒng)的運(yùn)維方式無(wú)法滿足現(xiàn)階段的網(wǎng)絡(luò)運(yùn)維工作的需求，優(yōu)化運(yùn)維工作方式迫在眉睫。隨機(jī)森林檢測(cè)技術(shù)，是近些年在集成學(xué)習(xí)算法中應(yīng)用范圍較廣的一種檢測(cè)模型，其具有普適性較強(qiáng)，靈活性較高等特點(diǎn)，能夠?qū)Ω呔S的數(shù)據(jù)進(jìn)行快速處理，對(duì)數(shù)據(jù)集的特征沒(méi)有明確指向，連續(xù)性或離散型數(shù)據(jù)，都能夠進(jìn)行高質(zhì)量的處理。

1 檢測(cè)實(shí)驗(yàn)過(guò)程

1.1 檢測(cè)模型

本次實(shí)驗(yàn)是為了對(duì)網(wǎng)絡(luò)端口阻塞故障進(jìn)行解決，對(duì)互聯(lián)網(wǎng)絡(luò)相關(guān)數(shù)據(jù)進(jìn)行采集，生成數(shù)據(jù)集后，將分類(lèi)模型進(jìn)行構(gòu)建，在此基礎(chǔ)上對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行分類(lèi)。本次檢測(cè)模型的設(shè)計(jì)思路是數(shù)據(jù)采集采用高性能互聯(lián)網(wǎng)絡(luò)KPI技術(shù)；將采集到的數(shù)據(jù)進(jìn)行標(biāo)記，打亂；以隨機(jī)森林算法進(jìn)行離線學(xué)習(xí)；最后對(duì)模型進(jìn)行優(yōu)化，以交叉驗(yàn)證和在線檢測(cè)的方式。

1.2 數(shù)據(jù)采集處理

在數(shù)據(jù)采集中，需要將采集時(shí)間間隔進(jìn)行科學(xué)設(shè)定，以保障觀測(cè)數(shù)據(jù)的穩(wěn)定性。以32位寬的寄存器位端口流量信息為例，數(shù)據(jù)報(bào)文大小為192bit，在14G速率下，高速互聯(lián)網(wǎng)卡的寬帶，最大理論值應(yīng)為56Gbps，其觀測(cè)數(shù)據(jù)的最小翻轉(zhuǎn)時(shí)間在14.72s，因此本次研究以10s作為采樣間隔時(shí)間。

對(duì)采集數(shù)據(jù)進(jìn)行標(biāo)記，主要是通過(guò)運(yùn)維日志信息，將設(shè)備端口和運(yùn)維事件進(jìn)行配對(duì)的方式，對(duì)相關(guān)數(shù)據(jù)進(jìn)行標(biāo)記。網(wǎng)絡(luò)節(jié)點(diǎn)出現(xiàn)輸出變慢的情況時(shí)，可以根據(jù)節(jié)點(diǎn)向上尋找到相應(yīng)的網(wǎng)絡(luò)端口[2]，由于現(xiàn)階段涉及到的網(wǎng)絡(luò)端口數(shù)量較多，為了保障網(wǎng)絡(luò)的相對(duì)穩(wěn)定，不需做任何處置，直到網(wǎng)絡(luò)出現(xiàn)崩盤(pán)情況時(shí)，測(cè)試程序能夠?qū)Σ樵?xún)到出現(xiàn)問(wèn)題的端口，對(duì)其進(jìn)行復(fù)位操作，整個(gè)網(wǎng)絡(luò)系統(tǒng)即可恢復(fù)正常運(yùn)作。

在有監(jiān)督學(xué)習(xí)中，數(shù)據(jù)標(biāo)記是重要的組成部分，為機(jī)器學(xué)習(xí)提供數(shù)據(jù)集，因此數(shù)據(jù)標(biāo)記的質(zhì)量與檢測(cè)結(jié)果的質(zhì)量息息相關(guān)。在高性能互連網(wǎng)絡(luò)運(yùn)維過(guò)程中網(wǎng)絡(luò)端口阻塞故障是一項(xiàng)逐步加深的過(guò)程，因此本次研究對(duì)將數(shù)據(jù)集分為0，1，2三個(gè)類(lèi)別，0代表正常狀態(tài)，1代表潛在異常狀態(tài)，2代表網(wǎng)絡(luò)阻塞狀態(tài)。

1.3 隨機(jī)森林

在隨機(jī)森林算法中參數(shù)只有2個(gè)，在面對(duì)較為嘈雜的特征時(shí)，檢測(cè)模型敏感度較低，不容易陷入到過(guò)擬合狀態(tài)，其抗噪聲能力也具有一定優(yōu)勢(shì)。RF算法中兩個(gè)隨機(jī)因子，一個(gè)是訓(xùn)練集樣本集合（Di），一個(gè)候選屬性樣本集合（Ti）。訓(xùn)練集樣本的選取是從原始數(shù)據(jù)中進(jìn)行隨禮抽取，每次抽取之前都將上抽取的樣本在放回到原始樣本集當(dāng)中；候選屬性樣本集合，設(shè)原始數(shù)據(jù)共有屬性M個(gè)，將S作為制定屬性數(shù)，從M中抽取S個(gè)作為候選屬性。將訓(xùn)練樣本和屬性進(jìn)行確定之后，進(jìn)行決策樹(shù)的構(gòu)建，從而得到預(yù)測(cè)結(jié)果（Y），n個(gè)樣本得到預(yù)測(cè)模型n個(gè)，對(duì)樣本進(jìn)行模型測(cè)算，則1個(gè)樣本能得到n個(gè)結(jié)果，最終測(cè)算結(jié)果以多數(shù)投票決定。其分類(lèi)模型如下所示：

其中，單個(gè)決策樹(shù)為hi(Si)，I為示性函數(shù)。

RF訓(xùn)練模型如圖1所示。

圖1 RF訓(xùn)練模型

1.4 模型參數(shù)優(yōu)化

在檢測(cè)的過(guò)程中，為了將模型檢測(cè)的準(zhǔn)確率進(jìn)行進(jìn)一步的提升，RF模型在對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)，需要將間隔函數(shù)與泛化誤差進(jìn)行考慮。在RF中，其間隔函數(shù)mg（x，y）如下所示：

其中，x為樣本向量屬性，y為樣本標(biāo)簽，當(dāng)mg（x，y）大于0時(shí)，表明正確分類(lèi)樣本數(shù)量較多，其數(shù)值越大，表示準(zhǔn)確率越高。RF的泛化誤差PE計(jì)算公式如下：

其中ρ為RF分類(lèi)器之間的相關(guān)度。

1.5 模型評(píng)估與檢測(cè)

對(duì)RF模型進(jìn)行評(píng)估時(shí)，其評(píng)價(jià)標(biāo)準(zhǔn)以準(zhǔn)確率和召回率為主：準(zhǔn)確率是最終提取的正確信息的數(shù)量；召回率是正確信息數(shù)量與樣本信息數(shù)量的比值，數(shù)值越接近1，表明其模型效果越好。

模型檢測(cè)主要是將數(shù)據(jù)檢測(cè)結(jié)果與最佳結(jié)果進(jìn)行對(duì)比，對(duì)模型進(jìn)行動(dòng)態(tài)調(diào)整，根據(jù)結(jié)果對(duì)模型中存在的問(wèn)題進(jìn)行分析，并提出一定的解決方案，將模型進(jìn)行優(yōu)化。

2 檢測(cè)實(shí)驗(yàn)結(jié)果

2.1 實(shí)驗(yàn)平臺(tái)

本次實(shí)驗(yàn)主要采用HPC系統(tǒng)，結(jié)構(gòu)采用兩級(jí)胖樹(shù)拓?fù)浣Y(jié)構(gòu)，在本次系統(tǒng)結(jié)構(gòu)中，葉交換機(jī)18臺(tái)，每個(gè)各有24個(gè)上行端口；根交換機(jī)12臺(tái)，每個(gè)各有36個(gè)端口。每個(gè)葉交換機(jī)的2個(gè)上行端口與同一個(gè)根交換機(jī)的端口進(jìn)行連接。為了更好地對(duì)實(shí)際情況進(jìn)行模擬，對(duì)RF模型進(jìn)行檢測(cè)，在實(shí)驗(yàn)的過(guò)程中，采用衰減光纖對(duì)網(wǎng)絡(luò)系統(tǒng)進(jìn)行注入故障，將其數(shù)據(jù)進(jìn)行收集，形成實(shí)驗(yàn)KPI數(shù)據(jù)集。

2.2 算法對(duì)比

本次實(shí)驗(yàn)中同時(shí)采用了SVM算法和樸素貝葉斯，將其效果與RF進(jìn)行對(duì)比。

其次樸素貝葉斯算法分類(lèi)原則是對(duì)于給出的待分類(lèi)項(xiàng)，將該分類(lèi)向會(huì)出現(xiàn)在每個(gè)類(lèi)別中的概率進(jìn)行計(jì)算，其中概率最大的便是該分類(lèi)項(xiàng)的所屬類(lèi)別。使用該種算法進(jìn)行檢測(cè)，其特征需要相對(duì)獨(dú)立，且具有較為鮮明的特點(diǎn)，但是在實(shí)際的檢測(cè)過(guò)程中，數(shù)據(jù)的特征和屬性具有較強(qiáng)的關(guān)聯(lián)性，因此該種算法的應(yīng)用程度具有一定的局限性。

2.3 特征與參數(shù)選擇

本次實(shí)驗(yàn)中，KPI數(shù)據(jù)的特征共有21個(gè)，將滑動(dòng)窗口大小進(jìn)行固定，其中窗口期內(nèi)信用分布情況由特征1-10表示，握手情況由特征11表示，重傳均值由特征12表示，虛通道收發(fā)流量均值由特征13-21表示。在實(shí)驗(yàn)的過(guò)程中，采用特征逐步遞增的方式，對(duì)不相關(guān)和冗余特征與模型之間的關(guān)系進(jìn)行探究。

當(dāng)特征數(shù)量為0時(shí)，其模型準(zhǔn)確率為0.12；當(dāng)特征數(shù)量增加到2時(shí)，其模型準(zhǔn)確率為0.51；當(dāng)特征數(shù)量增加到5時(shí)，其模型準(zhǔn)確率為0.67；當(dāng)特征數(shù)量增加到15時(shí)，其模型準(zhǔn)確率為0.95；當(dāng)特征數(shù)量增加到18和21時(shí)，其模型準(zhǔn)確率分別為0.96和0.95。模型的準(zhǔn)確率隨著特征數(shù)量的增加，不斷提高，當(dāng)特征數(shù)量增加到10以上，其對(duì)于模型準(zhǔn)確率的影響變得較為微弱。

將本次實(shí)驗(yàn)的數(shù)據(jù)集分為兩個(gè)部分，一部分作為訓(xùn)練集，一部分作為測(cè)試集，利用上文提及到的公式，對(duì)模型的參數(shù)進(jìn)行優(yōu)化。通過(guò)參數(shù)優(yōu)化調(diào)整，模型的準(zhǔn)確率，召回率都得到了一定的提升。調(diào)參之前，0數(shù)據(jù)狀態(tài)準(zhǔn)確率為0.94，召回率為0.81，調(diào)參之后，準(zhǔn)確率為0.99，召回率為0.96；1數(shù)據(jù)狀態(tài)準(zhǔn)確率為0.92，召回率為0.94，調(diào)參之后，準(zhǔn)確率為0.92，召回率為0.96；2數(shù)據(jù)狀態(tài)準(zhǔn)確率為0.71，召回率為0.91，調(diào)參之后，準(zhǔn)確率為0.89，召回率為0.94。

2.4 實(shí)驗(yàn)結(jié)果

在離線模式下，將RF，SVM以及樸素貝葉斯算法檢測(cè)結(jié)果進(jìn)行比較。模型在實(shí)際應(yīng)用的過(guò)程中，主要以準(zhǔn)確率和召回率作為主要的評(píng)價(jià)指標(biāo)。因此在此次算法比較的過(guò)程中，將比較重點(diǎn)放在召回率與準(zhǔn)確率的比較之上。將上述文章中，提到過(guò)KPI數(shù)據(jù)特征，在實(shí)驗(yàn)過(guò)程中，將影響因素較大的數(shù)據(jù)特征內(nèi)容，導(dǎo)入到數(shù)據(jù)模型之中，通過(guò)實(shí)際訓(xùn)練，可以將3種算法的準(zhǔn)確率、召回率以及F1數(shù)值進(jìn)行計(jì)算，其具體數(shù)據(jù)分析結(jié)果如表1所示。

表1 算法數(shù)據(jù)對(duì)比分析表

通過(guò)表1數(shù)據(jù)可以得出，在不同數(shù)據(jù)的數(shù)據(jù)集狀態(tài)下，RF算法的準(zhǔn)確率和召回率，都要高于SVM算法以及樸素貝葉斯算法，同時(shí)F1的數(shù)值也是要高于前兩者的算法檢測(cè)結(jié)果。由此可見(jiàn)，在對(duì)網(wǎng)絡(luò)端口阻塞故障檢測(cè)過(guò)程中，使用RF算法，能夠?qū)z測(cè)結(jié)果的準(zhǔn)確率進(jìn)行有效地提升，同時(shí)能夠檢測(cè)工作的效率，相較于其他算法具備一定的優(yōu)勢(shì)。