朱鋁芬，徐媛媛

（南京信息職業(yè)技術(shù)學院 智能制造學院，南京 210046）

0 引言

信道出現(xiàn)故障和異常情況的時候，海量的故障數(shù)據(jù)和告警信息匯集在數(shù)據(jù)處理中心，現(xiàn)有的信道故障診斷系統(tǒng)未考慮到初始狀態(tài)下網(wǎng)絡(luò)的時滯估計問題，無法確定當前離散節(jié)點的狀態(tài)，存在評估誤差和效率不高的問題，不適用于線上實時告警的判斷的問題。在離散事件系統(tǒng)（DESs，discrete event systems）中，Petri網(wǎng)絡(luò)模型是一種常見的網(wǎng)絡(luò)［1］，由離散狀態(tài)和事件驅(qū)動組成，常用來解決通信系統(tǒng)的建立和分析問題。Petri網(wǎng)是一種完備的建模工具，目前已經(jīng)廣泛的應(yīng)用于各個科研和工程領(lǐng)域。Petri網(wǎng)的性質(zhì)使得其能夠很好地和計算機網(wǎng)絡(luò)緊密結(jié)合，成為重要的計算機網(wǎng)絡(luò)研究方法。Petri網(wǎng)能夠有效的發(fā)現(xiàn)計算機網(wǎng)絡(luò)的結(jié)構(gòu)性缺陷，發(fā)現(xiàn)計算機網(wǎng)絡(luò)的瓶頸，給未來計算機網(wǎng)絡(luò)的研究帶來新突破。通過恰當?shù)腜etri網(wǎng)建?？梢杂行Ы鉀Q分布式節(jié)點模型的問題。Petri網(wǎng)絡(luò)離散轉(zhuǎn)移結(jié)構(gòu)具有多種不同的形式，同時通信系統(tǒng)中包含了許多不確定的因素出現(xiàn)通信丟包和時滯的問題，系統(tǒng)信道容易出現(xiàn)不同程度的故障［2］。

在近年來的研究中，文獻［3］方法中應(yīng)用了已開發(fā)的矩陣半張量積工具，利用矩陣半張量積工具可以將普通矩陣乘法推廣到前陣列數(shù)與后陣行數(shù)不等的情況，由此提出一種基于矩陣的有限自動機模型診斷方法，使用離散時間雙線性方程形式表示系統(tǒng)故障狀態(tài)，這種方法雖然能夠提高故障數(shù)據(jù)信息的識別能力，但未考慮到初始狀態(tài)下網(wǎng)絡(luò)的時滯估計問題，無法確定當前離散節(jié)點的狀態(tài)，存在評估誤差的問題。文獻［4］方法中采用了動態(tài)加權(quán)的序列模式數(shù)據(jù)挖掘算法，序列模式挖掘就是去發(fā)現(xiàn)所有的頻繁子序列，即找出所有出現(xiàn)頻率不小于給定的最小支持度的子序列。而一般的序列模式挖掘，僅僅是根據(jù)序列出現(xiàn)的頻度從序列數(shù)據(jù)庫中找出頻繁序列，而不同的項目有不同的重要程度，權(quán)重參與到整個挖掘的過程能提高整個算法的效率。采用不均等的方式分配權(quán)重，對系統(tǒng)告警進行更加細致的權(quán)重劃分，并完成構(gòu)建故障預(yù)測模型的數(shù)據(jù)集。這種方法需要對系統(tǒng)數(shù)據(jù)庫進行多次掃描，重復性動作比較強，在進行數(shù)據(jù)挖掘時，效率不高，不適用于線上實時告警的判斷。國外研究中文獻［5］方法中基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建故障預(yù)測模型，并部署在系統(tǒng)的線上環(huán)境，利用編碼器生成信號的告警特征，對網(wǎng)絡(luò)中的實時告警進行預(yù)測，輔助網(wǎng)管人員更好地進行網(wǎng)絡(luò)維護。這種方法能夠提高編碼器的故障預(yù)警能力，提高網(wǎng)絡(luò)應(yīng)用效率，在預(yù)測計算過程中，預(yù)測模型過度依賴于網(wǎng)絡(luò)拓撲結(jié)構(gòu)，在該架構(gòu)中，各自內(nèi)部的物理接線、節(jié)點間距離可能會有不同，導致數(shù)據(jù)通信能力降低，使得歷史告警信息與相關(guān)性數(shù)據(jù)之間的冗余性較高。

1 基于改進Petri網(wǎng)絡(luò)模型的信道故障診斷系統(tǒng)

針對上述技術(shù)的不足，該研究提出一種新型信道故障診斷系統(tǒng)，通過Petri網(wǎng)絡(luò)模型的網(wǎng)狀結(jié)構(gòu)實現(xiàn)網(wǎng)絡(luò)數(shù)據(jù)信息中信息流故障診斷與評估，能夠提高系統(tǒng)信道中并發(fā)、隨機性的信息的處理和分析，能夠全面表示有關(guān)系統(tǒng)結(jié)構(gòu)的動態(tài)行為方面的信息，從而對系統(tǒng)信道中發(fā)生的故障進行診斷和預(yù)警。

Petri網(wǎng)是一種對離散事件進行建模的模型，一個經(jīng)典的Petri網(wǎng)由四元組（庫所，變遷，輸入函數(shù)，輸出函數(shù)）組成。任何圖都可以映射到這樣一個四元組上，反之亦然［5］。Petri網(wǎng)是對離散并行系統(tǒng)的數(shù)學表示，該技術(shù)適合于描述異步的、并發(fā)的計算機系統(tǒng)模型，采用Petri網(wǎng)的目的是由于該信道模型既有嚴格的數(shù)學表述方式，也有直觀的圖形表達方式，能夠提高信道故障診斷能力，使得Petri網(wǎng)作為信道故障診斷流建模的應(yīng)用工具，對網(wǎng)絡(luò)上的數(shù)據(jù)信息進行自動化建模。為了解決經(jīng)典Petri網(wǎng)中的問題，研究出了高級Petri網(wǎng)，在以下方面進行了擴展：令牌著色，一個令牌通常代表具有各種屬性的對象，因此令牌擁有值（顏色）代表由令牌建模的對象的具體特征。時間，為了進行分析，我們需要建模期間，延遲等，因此每一個令牌擁有一個時間戳，變遷決定生產(chǎn)出的令牌的延遲。

該研究對Petri網(wǎng)絡(luò)模型進行改進，對模型節(jié)點和變化信息貼上一個時間標簽，形成時間Petri網(wǎng)絡(luò)模型，能夠用來表示系統(tǒng)事件從發(fā)生到結(jié)束的整個過程［6］。并對模型中不同的元素賦予不同的顏色進行分類，同類型元素采用相同的顏色集，從而簡化模型對復雜系統(tǒng)的描述。系統(tǒng)整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)整體網(wǎng)絡(luò)結(jié)構(gòu)

改進Petri網(wǎng)絡(luò)模型中包含的庫所和變遷是一種雙向有向圖，通過圖形進行表示，輸出的庫所通過合適的有向弧表示為變遷的后置集，簡化了模型中故障信息的表示方式［7］。將信道故障診斷數(shù)據(jù)模型或者信息通過三級部署的網(wǎng)絡(luò)架構(gòu)，通過這種方法，在分析信道故障信息時，能夠?qū)⒉煌诺拦收显\斷信息有效地展現(xiàn)出來，進而提高系統(tǒng)整體網(wǎng)絡(luò)運維能力。該系統(tǒng)在應(yīng)用過程中，通常在中心信息機房集中部署系統(tǒng)網(wǎng)絡(luò)設(shè)備，該系統(tǒng)包括系統(tǒng)服務(wù)器、存儲服務(wù)器、應(yīng)用服務(wù)器、數(shù)據(jù)庫服務(wù)器、數(shù)據(jù)管理工具、仿真工具、網(wǎng)絡(luò)模型等。系統(tǒng)中使用了CPN TOOLS模型仿真工具，CPN Tools是使用Petri網(wǎng)語言的特殊仿真系統(tǒng)用于模型的表示，提出了一種強大的層次Petri網(wǎng)結(jié)構(gòu)的模型描述，根據(jù)標準分類，此類網(wǎng)絡(luò)結(jié)構(gòu)命名為層次定時網(wǎng)絡(luò)，事實證明他們等同于圖形結(jié)構(gòu)的算法系統(tǒng)。這種工具是一種功能齊全的建模工具，能夠?qū)⑿诺拦收蠑?shù)據(jù)信息通過編輯、仿真和分析等對信道故障數(shù)據(jù)信息進行采集、仿真、編輯和集成，用戶可以根據(jù)自己需要的來進行選擇，這種診斷功能比較多，信息操作起來也比較簡單，有效地將信道故障診斷類型轉(zhuǎn)換為網(wǎng)絡(luò)架構(gòu)進行分析，大大提高系統(tǒng)運維能力。

該系統(tǒng)具有基于圖形用戶界面的交互方式，完成對Petri網(wǎng)絡(luò)模型的創(chuàng)建、仿真和狀態(tài)空間分析［8］。CPN TOOLS通過檢測機制能夠快速對非時間和時間Petri模型進行仿真，加快了系統(tǒng)對信道中故障的檢測效率。系統(tǒng)通過Modbus網(wǎng)關(guān)采集系統(tǒng)運行參數(shù)、信道環(huán)境參數(shù)等數(shù)據(jù)，并設(shè)置計算服務(wù)器對數(shù)據(jù)進行清理。系統(tǒng)中使用了DATA CONVERTER 數(shù)據(jù)工具將信道的告警事件、告警類型、告警等級、運行參數(shù)等特征進行數(shù)據(jù)轉(zhuǎn)換，按照特征字段的數(shù)據(jù)類型進行規(guī)范化操作［9］，確定告警信息中各個特征字段的數(shù)據(jù)類型，并對非數(shù)據(jù)型特征進行編碼。

2 系統(tǒng)信道動態(tài)探測器硬件設(shè)計

在通信時滯的增加的情況下，將產(chǎn)生網(wǎng)絡(luò)的不確定環(huán)，導致對系統(tǒng)信道的故障診斷不夠及時。該研究設(shè)計出動態(tài)探測器，由對象產(chǎn)生的事件字符信息可以通過共享網(wǎng)絡(luò)傳輸?shù)较到y(tǒng)的診斷器中，動態(tài)探測器和系統(tǒng)的診斷模型共同組成初步的診斷框架，通過采集信道中事件序列來確定是否發(fā)生了某種故障類型，加快了系統(tǒng)的故障響應(yīng)時間。

該研究動態(tài)探測器采用了現(xiàn)場可編程邏輯門陣列（FPGA，field programmable gate array）和ARM處理器（ARM，advanced RISC machine）作為硬件處理器用于數(shù)據(jù)處理和數(shù)據(jù)傳輸，ARM 處理器使用基于32位的RISC處理器構(gòu)架開發(fā)ATMEL AT91RM9200 芯片，使用32 位的Cortex-M3內(nèi)核，最高工作頻率可達到72 MHz。FPGA 芯片使用EP4CE10F17C8，具有84 個中斷、16 個優(yōu)先級設(shè)置，保證了系統(tǒng)的實時性［10］。動態(tài)探測器整體硬件結(jié)構(gòu)如圖2所示。

圖2 動態(tài)探測器整體硬件結(jié)構(gòu)

探測器采集到的信道狀態(tài)信號經(jīng)過探測器板上的一級放大濾波和差分電壓信號傳輸?shù)皆O(shè)備板進行二級放大，供ADC芯片采集，將連續(xù)的模擬信號轉(zhuǎn)變?yōu)闉殡x散的數(shù)字信號，輸出的數(shù)字信號經(jīng)過FPGA 進行數(shù)據(jù)的分析處理。數(shù)據(jù)信號處理完成后，ARM 處理器通過FSMC 總線讀取結(jié)果，并將狀態(tài)信息通過數(shù)據(jù)傳輸模塊發(fā)送到系統(tǒng)的服務(wù)器端［11］。探測器考慮到需要多通道的信息的高速采集，由于不同通道獨立采集，可能存在時延，需要進行時間上的同步，該研究選取多個單通道的ADC芯片進行每個數(shù)據(jù)通道的采集，使用支持同步八通道采樣率為200 ksps 的ADC7606芯片［12］。為進一步提高動態(tài)探測器的采集精度，該研究使用運算放大器設(shè)計出低運算放大電路，降低模擬參數(shù)之間存在制約，減少信號中的噪聲信號，低運算放大電路如圖3所示。

圖3 低運算放大電路

圖3中，M3、M4為共柵電流鏡，主要用來提供小信號的通路，并得到較低的等效輸入噪聲，M1A、M1B、M2A、M2B的共源共柵結(jié)構(gòu)實現(xiàn)了電流再分配和重復利用，從而降低基底白噪聲的水平，實現(xiàn)動態(tài)探測器內(nèi)電路的噪聲優(yōu)化，M1B、M2B與MKD、MKT的漏端交叉相連，保證了其源端小信號電流同相［12］。當Vin升高時，M1A、M1B、M8、M10關(guān)斷，使M6、M7的漏端電壓升高，放大后經(jīng)過電流鏡M9輸出，降低了放大器的等效輸入噪聲，實現(xiàn)了低噪聲和高速的要求。

3 基于特征生成卷積神經(jīng)網(wǎng)絡(luò)的信道故障預(yù)測模型

由于系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)復雜多變，系統(tǒng)信道環(huán)境復雜導致故障預(yù)測方法的靈活性較差，該研究基于深度學習技術(shù)進行系統(tǒng)信道的故障預(yù)測，以特征生成卷積神經(jīng)網(wǎng)絡(luò)（FGCNN，feature generation by convolution neural network）為基礎(chǔ)構(gòu)建故障預(yù)測模型［14］，利用生成對抗網(wǎng)絡(luò)（GAN，generative adversarial networks）學習少量故障樣本的真實分布，生成高質(zhì)量的新樣本，并加強了故障預(yù)測模型的特征交互和記憶性［15］，在模型的嵌入矩陣中加入了記憶向量，使復雜的模型結(jié)構(gòu)能夠更好地挖掘故障特征間深層次關(guān)系，更高效地處理系統(tǒng)運行過程中產(chǎn)生的告警信息。信道故障預(yù)測模型結(jié)構(gòu)如圖4所示。

圖4 信道故障預(yù)測模型結(jié)構(gòu)

圖4中FGCNN 網(wǎng)絡(luò)從結(jié)構(gòu)化的故障數(shù)據(jù)集中學習到對故障預(yù)測有用的信息，通過加強特征交互挖掘出特征信息之間深層的相互關(guān)系，并且能夠區(qū)別正負樣本的區(qū)別。GAN 用來學習信道故障樣本的真實分布并生成真實的新的少數(shù)類樣本，并對數(shù)據(jù)集中的樣本比例進行平衡。GAN 的目標函數(shù)可表示為：

式中，D表示對抗生成網(wǎng)絡(luò)中的生成器，G 表示對抗生成網(wǎng)絡(luò)中的鑒別器，pd表示真實故障樣本的分布情況，pz表示故障樣本中的噪聲分布情況，D（x）表示生成器的輸出，G（x）表示鑒別器的輸出［16］，通過公式（1）表示出信道故障預(yù)測模型中對抗生成網(wǎng)絡(luò)的生成器和鑒別器之間的對抗關(guān)系，生成新的故障樣本用于模型的訓練。GAN 的損失函數(shù)可表示為：

式中，fw表示生成器和鑒別器中的神經(jīng)網(wǎng)絡(luò)，pd（x）表示輸出故障樣本的分布情況，公式（2）計算出模型訓練過程中的損失，為調(diào)整模型參數(shù)提供參考［17］。輸入到預(yù)測模型中的故障特征向量為X＝［x1，x2，…，xi］，輸入的樣本總量為M，輸入特征中包含了原始特征和交叉特征，交叉特征可表示為：

式中，d表示輸入向量中的故障特征個數(shù)，ck表示布爾變量，故障預(yù)測模型對輸入的故障特征信息進行編碼，對每個特征向量進行處理，通過嵌入層完成低維映射，預(yù)測目標可表示為：

式中，wT表示預(yù)測模型權(quán)重參數(shù)組成的向量，b表示故障預(yù)測模型的偏置量，通過公式（4）得出故障預(yù)測模型輸出的向量表示。預(yù)測模型通過挖掘故障特征信息的數(shù)據(jù)模式，輸入特征在神經(jīng)網(wǎng)絡(luò)的隱藏層進行訓練，可表示為：

式中，a（l）表示FGCNN 網(wǎng)絡(luò)中第l層的輸入向量，b（l）表示FGCNN 網(wǎng)絡(luò)的偏置，W（l）表示FGCNN 網(wǎng)絡(luò)的權(quán)重矩陣，f表示激活函數(shù)［18］。公式（5）表示神經(jīng)網(wǎng)絡(luò)的特征提取過程，故障預(yù)測模型在輸出層進行聯(lián)合訓練，同時考慮兩部分并優(yōu)化所有參數(shù)，最終的輸出結(jié)果可表示為：

式中，Y表示樣本的標簽，σ表示激活函數(shù)進行分類，Φ（x）表示輸入向量的交叉特征，表示部分權(quán)重向量，表示最后一層輸出的權(quán)重向量。

綜上所述，與文獻［3］中利用矩陣半張量積工具可以將普通矩陣乘法推廣到前陣列數(shù)與后陣行數(shù)不等的情況提出的基于矩陣的有限自動機模型診斷方法，和文獻［4］中采用動態(tài)加權(quán)的序列模式數(shù)據(jù)挖掘算法對系統(tǒng)告警進行更加細致的權(quán)重劃分來完成構(gòu)建故障預(yù)測模型的數(shù)據(jù)集的方法相比，基于特征生成卷積神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型，能夠更好地對系統(tǒng)信道的歷史告警數(shù)據(jù)和故障特征進行分析，并對故障樣本進行均衡化處理，通過對抗生成網(wǎng)絡(luò)生成新的樣本進行模型的訓練，并將預(yù)測模型部署在系統(tǒng)線上環(huán)境，對實時產(chǎn)生的告警數(shù)據(jù)進行信道故障預(yù)測。

4 實驗結(jié)果與分析

4.1 實驗方法

該研究主要是對信道故障診斷系統(tǒng)的有效性進行驗證，使用OMNET＋＋5.4.1網(wǎng)絡(luò)仿真平臺進行仿真實驗，并實驗環(huán)境中構(gòu)建了一個網(wǎng)絡(luò)診斷器，對系統(tǒng)接收到的相同事件信息進行轉(zhuǎn)換。動態(tài)探測器和系統(tǒng)的診斷器共同組成初步的診斷框架。實驗計算機的操作系統(tǒng)為Windows 10，計算機CPU 使用INTEL 酷睿i7 12700K，數(shù)據(jù)庫為MYSQL，仿真平臺使用C＋＋編程語言。仿真實驗環(huán)境如圖5所示。實驗環(huán)境硬件配置參數(shù)如表1所示。

表1 實驗環(huán)境硬件配置參數(shù)

圖5 仿真實驗環(huán)境

該研究實驗中使用了KEEL 數(shù)據(jù)集作為實驗數(shù)據(jù)，數(shù)據(jù)集中包含的告警和故障信息的時間范圍是2020年5月到10月，數(shù)據(jù)總量超過500MB。對數(shù)據(jù)集進行處理，進一步劃分故障診斷模型的訓練集和測試集，實驗數(shù)據(jù)集如表2所示。

表2 實驗數(shù)據(jù)集

使用實驗數(shù)據(jù)集中的訓練集對系統(tǒng)中的故障診斷和預(yù)測模型進行訓練，對數(shù)據(jù)樣本進行均衡化處理得到樣本比例平衡的數(shù)據(jù)集，故障預(yù)測模型的參數(shù)設(shè)置如表3所示。

表3 故障預(yù)測模型的參數(shù)設(shè)置

4.2 實驗結(jié)果

該研究在實驗數(shù)據(jù)集中加入部分信道告警信息，進行信道故障檢測實驗，使用文獻［3］系統(tǒng)和文獻［4］系統(tǒng)進行對比測試，文獻［3］系統(tǒng)中使用了深度神經(jīng)網(wǎng)絡(luò)模型，稱為方法1，文獻［4］系統(tǒng)中使用了貝葉斯分類器［19］，稱為方法2，使用相同的數(shù)據(jù)集進行實驗，記錄到各方法的故障檢測時間如圖6所示。

圖6 故障檢測時間

由圖6可知，方法1的故障檢測時間較長，該研究方法的故障檢測時間最短，方法1對實驗樣本的檢測時間大多數(shù)在400ms以上，樣本在560～570范圍內(nèi)的檢測時間超過800ms，最大可達到832ms。方法2的故障檢測時間不超過600ms，數(shù)據(jù)樣本在950～970范圍內(nèi)的檢測時間超過400ms，故障檢測時間最大為524ms。該研究方法的故障檢測時間整體不超過400ms，故障檢測模型通過強大的特征提取功能加快了故障檢測時間，使系統(tǒng)具有更好的信道故障檢測效率，多個樣本的檢測時間不超過100ms，在740～780樣本序號中，故障檢測時間最大為238ms。

使用經(jīng)過樣本均衡處理后的數(shù)據(jù)集進行故障預(yù)測實驗，設(shè)定故障預(yù)測模型的損失函數(shù)為0.9，基于當前系統(tǒng)信道的運行參數(shù)進行故障預(yù)測，實驗次數(shù)設(shè)定為5次，每次實驗時間最大為300s，記錄到各方法與實際特征的差值如表4所示。

表4 預(yù)測特征誤差 ms

4.3 實驗結(jié)果分析

其中方法1的預(yù)測特征誤差普遍大于6.0，在第一次實驗的預(yù)測特征誤差最大為9.5，第四次實驗的預(yù)測誤差降低到4.12。方法2的預(yù)測特征誤差最大為11.25，在第五次實驗的誤差降低到4.18。該研究方法的預(yù)測特征誤差不超過8.0，第四次和第五次實驗結(jié)果的誤差處于較低水平。經(jīng)過計算得到各方法的故障預(yù)測準確率如圖7所示。

圖7 故障預(yù)測準確率

對比各方法的預(yù)測準確率可知，該研究方法具有更高的預(yù)測效果，準確率整體在94%以上，方法1和方法2的準確率在90%以上。其中方法1的準確率最低為91.6%，在第四次實驗中的準確率最高達到97.8%，方法2的準確率最低為90.6%，最高為97.2%。方法1與方法2沒有利用對抗生成網(wǎng)絡(luò)學習故障樣本，故障預(yù)測準確率不能穩(wěn)定提高［20-22］。該研究方法采用FGCNN 網(wǎng)絡(luò)從故障數(shù)據(jù)集中學習到對故障預(yù)測有用的信息，如圖7所示，第四次、第五次實驗較前三次準確率有了明顯提高。該研究方法的故障預(yù)測模型能夠從數(shù)據(jù)集中學習到故障關(guān)聯(lián)關(guān)系和故障發(fā)生規(guī)律，由基于特征生成卷積神經(jīng)網(wǎng)絡(luò)的故障預(yù)測模型進行預(yù)測，預(yù)測準確率最高可達到99.7%。

5 結(jié)束語

該研究設(shè)計出信道故障診斷系統(tǒng)，并結(jié)合Petri網(wǎng)絡(luò)模型進行故障診斷，利用網(wǎng)絡(luò)模型表示系統(tǒng)信道動態(tài)行為特征，并在網(wǎng)絡(luò)模型中加入標簽形成時間Petri網(wǎng)絡(luò)模型，利用著色Petri形成多層次分析模型。設(shè)計出信道動態(tài)探測器配合Petri網(wǎng)絡(luò)模型進行故障檢測，系統(tǒng)中的故障預(yù)測模型利用了特征生成卷積神經(jīng)挽網(wǎng)絡(luò)在特征抽取上的優(yōu)點，生成有效的局部特征并通過全連接層進行特征重組，得到全局的新特征，與原始特征共同輸出得到故障特征的高階形式，更利于模型進行故障預(yù)測。

該研究仍存在一些不足需要優(yōu)化，在后續(xù)工作中可以利用數(shù)據(jù)挖掘技術(shù)，提高數(shù)據(jù)價值和加快系統(tǒng)的數(shù)據(jù)處理速度，擴充原有的頻繁告警序列模式。