第1个回答 2020-06-30
基于BP神经网络故障推理模型
3.1 BP算法
BP（Back Propagation）算法是迄今为止最成功的神经网络学习算法。在实际任务中使用神经网络时，大多数都是通过BP算法训练的，其中包括最近研究较多的深度学习中的卷积神经网络（CNN）。它的组成包括一个输入层，一个输出层和若干隐含层。BP算法用于训练多层前馈神经网络。其全称为误差反向传播算法。该算法的基本思想是：在前馈网络中，输入信号通过输入层输入，并通过隐含层计算输出。将输出值与标签值进行比较。如果存在任何错误，则该错误会沿相反方向从输出层传播到输入层。在此过程中，神经元权重通过梯度下降算法进行调整。BP神经网络在1986年由鲁梅尔卡特(Rumelhart)和麦克雷兰(McCelland)两位科学家提出。BP神经网络属于前馈性网络结构，其学习过程包括信号的正向传播和误差的反向传播两个过程。正向传播时，输入样本从输入层进入，经过隐含层神经节点处理，传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐含层向输入层进行逐层反传，并将误差分摊给各层的所有节点，从而获得各层神经节点的误差信号，误差信号作为各节点权值的依据。BP网络模型层层之间通过全连接方式建立关系，同层之间没有关系。BP神经网络的结构如下：
1）激励函数可以在模型中加入非线性因素，经过激励函数可以得获取更为准确的结果，目前最常用的几个激励函数函数为例，公式如下：
Sigmoid函数：
请点击输入图片描述
请点击输入图片描述
Tanh函数：
请点击输入图片描述
请点击输入图片描述
tansig函数：
请点击输入图片描述
请点击输入图片描述
2）以图3-1所示BP神经网络输入变量为:
输出变量为：
3）隐含层各神经元输入变量为：
请点击输入图片描述
请点击输入图片描述
公式中j的大小代表了隐含层节点的个数，表示输入层到隐含层连接的权值，表示隐含层节点的阈值大小。
4）以选取Sigmoid函数作为激励函数为例，隐含层神经元的输出表示为：
请点击输入图片描述
请点击输入图片描述
输出层各节点的输入用如下公式表示：
请点击输入图片描述
请点击输入图片描述
输出层各节点的输出用如下公式表示：
请点击输入图片描述
请点击输入图片描述
上述公式中表示隐含层神经元到输出层神经元之间连接权值大小，表示输出层神经节点个数，表示输出层节点阈值大小。
5）在反向传播过程中，单一样本的误差可以表示为：
请点击输入图片描述
请点击输入图片描述
其中k表示隐含层节点个数。从而得出系统总样本误差大小为：
请点击输入图片描述
请点击输入图片描述
请点击输入图片描述
请点击输入图片描述
输出层的权值调整计算为：
请点击输入图片描述
请点击输入图片描述
公式中代表学习率，。
请点击输入图片描述
请点击输入图片描述
输出层节点阈值调整计算公式：
请点击输入图片描述
请点击输入图片描述
隐含层节点权值调整计算公式：
请点击输入图片描述
请点击输入图片描述
隐含层节点阈值调整公式：
请点击输入图片描述
请点击输入图片描述
上述公式中
请点击输入图片描述
请点击输入图片描述
依照上面的公式分析计算通过对输出层和隐含层连接权值大小以及神经元节点的阈值大小的调整，持续优化神经神经网络的过程就是BP神经网络训练过程。
3.2 BP神经网络故障流程设计步骤
在实际工程应用上面运用BP神经网络模型进行故障诊断，一般分为三个步骤：提取样本故障特征，训练神经网络故障模型，仿真实验对模型进行检验。
1）提取样本故障特征。对实际故障数据集进行分析，提取故障相关变量作为输入输出层神经元。
2）训练神经网络故障模型。采集一定量的数据样本根据BP算法中的相应函数计算推导输入层、隐含层、输出层之间的关系，从而对网络模型进行训练。
3）仿真实验。通过对样本测试数据的输入检验模型是否达到预期目的。
3.3 BP算法中的设计方法
BP算法经过大量的应用已经形成了相对其他神经网络方法较为固定的设计理念。设计细节上主要是针对五个方面：输入/输出神经节点个数的选取，隐含层层数大小以及节点个数，传递函数选择，学习规则网络。
1）输入和输出层的设计方法
在解决实际问题当中BP神经网络的输入输出数量比较容易得到且一旦确定就固定下来，它需要依照实际情况，综合分析之后将实际问题抽象为具有逻辑性的数学问题。
2）隐含层数目选取
依照网络拓扑理论，如果一个BP神经网络含有隐含层，那么BP神经网络就可以实现对连续函数的无限逼近，即可以实现对该连续函数的模拟替换。这是BP神经网络解决泛函问题的理论基础。因此构建一个三层的BP神经网络就可以实现从n维到m维的函数替换和映射。
然而，如何选取适当数量的隐含层和隐含层节点是完成系统操作的关键指标。这需要在神经网络理论上的基础上花更多的时间去设计：首先需要了解系统需求，避免产生不必要的错误，高效完成整个流程。即不仅要保证网络模型训练的周期尽量短，而且要确保输入输出变量的准确性和完整性使得误差尽可能的小。为了提高准确度，需要尽可能的增加隐含层层数，提高神经网络模型的泛化能力。当网络模型训练到一定程度的时候，之后模型误差将不再发生变更，达到最小。因此，选取适当数量的隐含层层数和隐含层节点个数非常重要。大量实验证明：一味的将隐藏层层数增加其实并不能提高模型准确度。通常做法是先增加隐藏层中神经元节点的个数，来提高模型精度。
3）隐藏层节点数确定
对于多层前馈网络的分析，其精度取决于隐含层的节点个数。这是模型精度的关键部分，也是系统设计中最困难的部分。节点个数太少会出现欠拟合现象。相反的，隐含层点个数过多同样会出现问题。在实际工程应用隐含层神经元节点个数就是通过不断仿真实验获取得到的。根据拟合情况不断调整节点个数。
预先设置节点数后，如果通过仿真测试发现与预期结果不符合，可以通过构造方法和删除方法以及黄金分割法来调节更加合理的节点个数。
（1）构造方法：首先运用确定隐含层层数的方法获取三个隐藏层层数，找到下限值和上限值，然后通过对下限值逐渐增加隐含层节点数的操作，观察分析误差变化，直到将隐含层节点个数增加到上限值，选取误差最小的值最为节点个数。该方法适用于双隐含层网络。
（2）删除方法：适用于单隐含层网络。单隐含网络非线性映射能力较弱，因此可以预先向网络提供大量的隐藏层节点，以增加网络的可调参数，继而通过对隐含层节点个数的逐个减少观察记录其误差变化，同构造方法一样选取误差最小为节点个数。
（3）黄金分割法：首先在设定一个目标区间，目的是在改范围内寻找出理想隐含层节点个数。为了满足高精度逼近要求，按照黄金分割原理搜索目标区间。例如区间为[a,b],利用黄金分割原理b=0.619*（c-a）+a,得到[b,c]这个优化区间，同理，将[b,c]作为目标区间再进行分割，最后根据实际需求选取合理的节点个数。
4）初始权值的选择
由于系统处理的基本都是非线性的函数问题，初始权值的选择往往影响系统算法进行的时间的。其后的运行，由于网络系统本身的自主学习和自适应性可以修正这些设置，一般初始权值取（-1,1）之间的随机数。只要代数和接近0即可。
5）学习速率的选择
学习速率的选择是反映系统的自适应和自主学习能力的关键。这是系统运行效率最集中的实施例，它确定了系统每个周期执行期间重量值的变化范围。如果设置太大，将导致训练模型根本不能收敛继而系统混乱。如果学习率较小，则会无形地增加算法的训练时间，并降低了算法的收敛效率和性能。过去，研究人员发现过度的学习率会极大地限制并影响系统的稳定性，因此他们会选择较小的学习率，通常在0.0001-0.8之间。
它的设置不是特别严格的理论研究，主要是依靠经验总结，通过实验确定更合适的值。
3.4基于BP神经网络的接口故障诊断模型
BP神经网络简洁高效，BP后向传播算法使用梯度下降规则对样本进行训练，可以将期望输出和实际的输出结果进行相差，不断优化更改各个神经元之间的连接权值，从而得到最优结果。对于解决网络故障问题，运用BP神经网络大规模并行计算以及非线性映射能力，可以对大量网络运行数据进行分析，挖掘其深层故障信息并分析原因帮助网络管理员有效的找到通信网络故障类别、产生故障原因，从而使得网络管理朝智能化发展。
因此，本文会采用BP神经网络去构建通信网络故障诊断模型
3.4.1通信网故障概述
通信网在运行过程中，设备的各项性能指标反映其运行状态。当网络出现异常或发生故障时，网络运行数据会随之发生变化，通过监测网络设备运行数据就可以“感知”当前网络运行状况。一般来说，网络故障可以物理类故障和逻辑类故障两种。
1）物理故障，通常是指线路和设备硬件设施发生的损坏或者受到干扰。
（1）端口故障。端口故障一般是由插头松动或者端口自身发生物理故障引起的。此类故障一般通过信号灯向外界发出告警。信号灯状态可以比较直观的反映出故障范围以及大致原因。
（2）线路故障。线路故障通常是指线路损坏或者线路遭受到严重的电磁干扰。在平常使用的通信网络出现线路故障的概率很大。
（3）集线器或路由器故障。集线器或者路由器在此故障一般是指物理故障，无法正常工作，导致网络中断。
（4）主机物理故障。主机物理故障主要发生在网卡上，网卡一般装在主机内，作为网络终端，依照主机配置进行通信。网卡松动、网卡物理损坏、主板的网卡槽损坏以及主机自身故障一般是这种故障的产生的原因。
2）逻辑故障，一般涉及的都是设备配置出现问题，也就是配置错误指令导致设备不能正常工作，出现故障。
（1）路由器逻辑故障。路由器端口参数配置设置错误，路由器路由表设置异常，处理器使用率过大和内存容量过小等。
（2）重要进程或端口关闭。某些对系统连接通信具有重要意义的进程或者端口意外停止。
（3）主机逻辑错误。在统计网络故障当中，主机逻辑错误在总的故障原因中具有相当高的比例，通常包括管理员误操作设置主机网络地址参数、安装网卡驱动程序异常、配置错误主机网络协议和服务、某些设备安装存在冲突以及主机安全性故障。
3.4.2故障诊断模型构建
管理信息库(MIB)是一个保存网络管理信息的虚拟数存储空间，为网络管理数据提供标准。MIB规定了被管理对象需要保存的数据项、数据类型、以及允许在每个数据项中的操作。前文已经提到MIB-Ⅱ定义了11组变量，其中interface组定义了与接口相关的变量。
图3.2 interface组相关变量
Fig. 3.2 Interface group related variables
MIB-Ⅱ定义了很多与故障管理有关的变量，本文从interface组中选出13个与接口故障管理最为相关的变量用于分析接口故障。这13个变量分别是:ifOperStatus(接口开关状态)、ifInUcastPkts(输入非广播报文数)、ifSpeed(接口总带宽)、iflnNUcastPkts(输入广播报文数)、ifOutUcastPkts(输出非广播报文数), ifOutNUcastPkts(输出广播数)、ifOutDiscards(输出报文丢弃数)、iflnOctets(接口接收的字节数)、ifOutOctets(接口发送的字节数)、ifInUnknownProtos(由未知或不支持协议导致丢弃的输入报文数)、 ifInDiscards(接口丢弃的输入报文数)、ifInErrors(流入的错误报文数)、ifOutErrors(由于错误而不能发送的报文数量)。网络数据可以从MIB库中获取，有些网络运行参数需要经过计算得出，例如输入非广播率、未知协议率等。具体网络运行指标可由一下公式获得：
1）接口状态：可以从ifOperStatus获取。
2）输入丢包率：输入丢弃报文数占总报文数的比例，公式如下：
3）输出广播率:输出广播报文数占总报文数的比例，公式如下：
将采集到设备接口数据按照上述公式计算后，得到与接口最相关的9种属性，同时也将9种属性作为BP神经网络故障诊断模型的输入项S = {接口开关状态，输入丢包率，输出丢包率，输入错误率,输出错误率,接口利用率，未知协议率，输入广播率，输出广播率}，接口属性集如表3.1所示：
接口故障比较多，本文选取与接口属性相关的六种物理故障分别是接口中断、接口速率不匹配、帧协议不匹配、接口缓冲区不足、链路带宽不足、双工模式不匹配，构成故障集合F = {接口中断，接口速率不匹配，帧协议不匹配，接口缓冲区不足，链路带宽不足，双工模式不匹配 }，同时作为BP神经网络故障诊断模型输出项。六种故障类型如下：
1)接口中断:指接口间歇性关闭，通常接口开关状态显示关闭。但有时接口状态显示开启，实际情况己经中断，这时其它节点要与它通信就会发送广播询问是否畅通，当它再次开启时又会通过广播告诉其它节点。
2）接口速率不匹配:通常是由于链路传输速率与接口接收速率不对等。这时由于高速链路的数据不断传输过来，接口来不及接收就会丢弃一部分数据包。
3）接口缓冲区不足:这是硬件问题，由于缓冲区不足，当数量过大时需要处理的时候，接收端会出现大量错误数据包，同时存在丢包现象
4）双工模式不匹配:指接口与链路的双工/半双工工作方式不匹配。当两者不匹配时接收端会出现大量错误数据包，同时伴有丢包现象。
5)链路带宽不足:指链路提供的可用带宽满足不了要求，数据包在传输过程中由于等待时间较长在到达接口时被当作无效数据包而丢弃。
6)帧协议不匹配:指接口能够接收的数据帧与发送的数据帧协议类型不一致，由于接口不能接收这种数据包而选择丢弃。
取上述6种六种故障类型构成故障类型集，如表3.2所示：
针对网络拓扑结构当中某个设备接口作为诊断目标对象。在正常运行的网络拓扑当中，通过SNMP协议周期的采集MIB库中上述提到的13中变量，然后根据上述公式计算出9中接口相关属性，在网络设备正常运行状态下采集设备数据并整理数据集合如表3.3所示。同理，在接口出现故障时采集相关数据计算整理出故障数据集如表3.5。
以计算接口利用率这一列数据为例说明计算方法：
在某一时刻t从以太网接口采集MIB数据得到ifInOctets、ifOutOctets的值以及ifSpeed的值和3分钟之后采集t+1时刻采集相同对象的数据，根据IF-MIB-rfc2863对应用实体的定义，ifInOctets、ifOutOctets的数据类型均为Counter32，只增不减，如表3.4所示：
由于采集的数据相对较大，不同状态其数据类型也有差异。并且由于神经网络输入值需要在[-1,1]的范围，同时参考行业标准规范以及专家评价可以给接口属性赋予阈值范围，这样将输入状态符合专家库规范可以更加便于检验模型准确性，阈值表如表3.6所示：
为了有效的利用数据，需要将输入数据根据接口属性阈值大小进行预处理，将小于阈值的标记为0，反之为1。例将表3.3经过预处理之后如表3.7所示：
周期的在接口故障发生的条件下，每隔180s采集接口MIB数据。每种情况下采集100条数据，共计600条数据。同样根据阈值表对故障数据集进行预处理，例将表3.4经过预处理之后如表3.8所示：
根据上述故障样本数据，对应故障集合下表所示，之后用于对比网络训练结果。
至此，在确定网络输入层设置为9个节点，分别对应特征信号个数为9个，经过预处理取值在[0,1]区间内，故障输出层设置为6个分别对应：接口中断，接口速率不匹配，接口缓冲区不足，双工模式不匹配，链路带宽不足，帧协议不匹配。隐含层设计目前并没有统一标准，隐藏层的确定一般参考以下几个经验公式：
上述公式中h表示隐藏层的节点个数，m表示输入层节点个数，n代表输出层节点个数，a是1-10之间的常数（王小川，2013）,本文采取公式1进行，a的值从1开始递增，根据每次得出的训练误差以及训练时间进行比较，综合考虑时间较短以及误差较少的节点数作为隐含层节点数。经过计算得出，h = 12的时候是最佳隐藏层节点个数。同时选用tansig函数为激励函数，函数公式如下：
选择学习速率：网络模型在训练过程当中每一次迭代都会伴随权值的变化，而权值变化会反应学习速率的大小，学习速率过大，模型系统会发生震荡，学习速率太小，精确度可能无法得到保证。在训练速率不会导致系统发生震荡的前提下越大越好，经计算本次实验学习速率设置为0.1，此外本文设置最大训练迭代次数为1000次，误差为。
本文采用matlab进行模型训练，故障数据600条划分为100组。部分样本数据如下表所示：
Matlab在训练神经网络的时，一般都会将数据样本分为三份：一部分来进行网络模型训练，一部分来确认样本，另外一部分是测试样本。为验证其泛化能力将100组样本中设定30组作为测试样本。依照30组测试样本输入模型仿真结果如下表所示：
理想状态下，神经网络输出结果即0或者1，所以本文将输出结果大于0.5的判定为1，反之为0，根据输出结果通过一个6×6的误判矩阵来统计模型正确率，i代表行，j代表列，矩阵表示中数字表示第i个故障误判断成第j个故障的个数，如下图所示：
结果分析：对角线上的数字是判断正确，模型输出结果与期望结果基本一致。最终将30组测试样本汇总统计分析：模型准确率高达86%，达到预期目标。表明仿真基于BP神经网络的通信网络接口故障诊断模型是可行有效的。
3.5本章小结
本章首先简要介绍了BP神经网络发展历史，并详细描述了BP神经网络的训练过程，对BP神经网络的设计方法进行了简述，然后依照MIB-Ⅱ对接口数据采集变量进行分析，最后针对通信网络接口故障对基于BP神经网络故障诊断模型的构建过程以及模型故障诊断结果详细展开描述。
3.1 BP算法
BP（Back Propagation）算法是迄今为止最成功的神经网络学习算法。在实际任务中使用神经网络时，大多数都是通过BP算法训练的，其中包括最近研究较多的深度学习中的卷积神经网络（CNN）。它的组成包括一个输入层，一个输出层和若干隐含层。BP算法用于训练多层前馈神经网络。其全称为误差反向传播算法。该算法的基本思想是：在前馈网络中，输入信号通过输入层输入，并通过隐含层计算输出。将输出值与标签值进行比较。如果存在任何错误，则该错误会沿相反方向从输出层传播到输入层。在此过程中，神经元权重通过梯度下降算法进行调整。BP神经网络在1986年由鲁梅尔卡特(Rumelhart)和麦克雷兰(McCelland)两位科学家提出。BP神经网络属于前馈性网络结构，其学习过程包括信号的正向传播和误差的反向传播两个过程。正向传播时，输入样本从输入层进入，经过隐含层神经节点处理，传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐含层向输入层进行逐层反传，并将误差分摊给各层的所有节点，从而获得各层神经节点的误差信号，误差信号作为各节点权值的依据。BP网络模型层层之间通过全连接方式建立关系，同层之间没有关系。BP神经网络的结构如下：
1）激励函数可以在模型中加入非线性因素，经过激励函数可以得获取更为准确的结果，目前最常用的几个激励函数函数为例，公式如下：
Sigmoid函数：
请点击输入图片描述
请点击输入图片描述
Tanh函数：
请点击输入图片描述
请点击输入图片描述
tansig函数：
请点击输入图片描述
请点击输入图片描述
2）以图3-1所示BP神经网络输入变量为:
输出变量为：
3）隐含层各神经元输入变量为：
请点击输入图片描述
请点击输入图片描述
公式中j的大小代表了隐含层节点的个数，表示输入层到隐含层连接的权值，表示隐含层节点的阈值大小。
4）以选取Sigmoid函数作为激励函数为例，隐含层神经元的输出表示为：
请点击输入图片描述
请点击输入图片描述
输出层各节点的输入用如下公式表示：
请点击输入图片描述
请点击输入图片描述
输出层各节点的输出用如下公式表示：
请点击输入图片描述
请点击输入图片描述
上述公式中表示隐含层神经元到输出层神经元之间连接权值大小，表示输出层神经节点个数，表示输出层节点阈值大小。
5）在反向传播过程中，单一样本的误差可以表示为：
请点击输入图片描述
请点击输入图片描述
其中k表示隐含层节点个数。从而得出系统总样本误差大小为：
请点击输入图片描述
请点击输入图片描述
请点击输入图片描述
请点击输入图片描述
输出层的权值调整计算为：
请点击输入图片描述
请点击输入图片描述
公式中代表学习率，。
请点击输入图片描述
请点击输入图片描述
输出层节点阈值调整计算公式：
请点击输入图片描述
请点击输入图片描述
隐含层节点权值调整计算公式：
请点击输入图片描述
请点击输入图片描述
隐含层节点阈值调整公式：
请点击输入图片描述
请点击输入图片描述
上述公式中
请点击输入图片描述
请点击输入图片描述
依照上面的公式分析计算通过对输出层和隐含层连接权值大小以及神经元节点的阈值大小的调整，持续优化神经神经网络的过程就是BP神经网络训练过程。
3.2 BP神经网络故障流程设计步骤
在实际工程应用上面运用BP神经网络模型进行故障诊断，一般分为三个步骤：提取样本故障特征，训练神经网络故障模型，仿真实验对模型进行检验。
1）提取样本故障特征。对实际故障数据集进行分析，提取故障相关变量作为输入输出层神经元。
2）训练神经网络故障模型。采集一定量的数据样本根据BP算法中的相应函数计算推导输入层、隐含层、输出层之间的关系，从而对网络模型进行训练。
3）仿真实验。通过对样本测试数据的输入检验模型是否达到预期目的。
3.3 BP算法中的设计方法
BP算法经过大量的应用已经形成了相对其他神经网络方法较为固定的设计理念。设计细节上主要是针对五个方面：输入/输出神经节点个数的选取，隐含层层数大小以及节点个数，传递函数选择，学习规则网络。
1）输入和输出层的设计方法
在解决实际问题当中BP神经网络的输入输出数量比较容易得到且一旦确定就固定下来，它需要依照实际情况，综合分析之后将实际问题抽象为具有逻辑性的数学问题。
2）隐含层数目选取
依照网络拓扑理论，如果一个BP神经网络含有隐含层，那么BP神经网络就可以实现对连续函数的无限逼近，即可以实现对该连续函数的模拟替换。这是BP神经网络解决泛函问题的理论基础。因此构建一个三层的BP神经网络就可以实现从n维到m维的函数替换和映射。
然而，如何选取适当数量的隐含层和隐含层节点是完成系统操作的关键指标。这需要在神经网络理论上的基础上花更多的时间去设计：首先需要了解系统需求，避免产生不必要的错误，高效完成整个流程。即不仅要保证网络模型训练的周期尽量短，而且要确保输入输出变量的准确性和完整性使得误差尽可能的小。为了提高准确度，需要尽可能的增加隐含层层数，提高神经网络模型的泛化能力。当网络模型训练到一定程度的时候，之后模型误差将不再发生变更，达到最小。因此，选取适当数量的隐含层层数和隐含层节点个数非常重要。大量实验证明：一味的将隐藏层层数增加其实并不能提高模型准确度。通常做法是先增加隐藏层中神经元节点的个数，来提高模型精度。
3）隐藏层节点数确定
对于多层前馈网络的分析，其精度取决于隐含层的节点个数。这是模型精度的关键部分，也是系统设计中最困难的部分。节点个数太少会出现欠拟合现象。相反的，隐含层点个数过多同样会出现问题。在实际工程应用隐含层神经元节点个数就是通过不断仿真实验获取得到的。根据拟合情况不断调整节点个数。
预先设置节点数后，如果通过仿真测试发现与预期结果不符合，可以通过构造方法和删除方法以及黄金分割法来调节更加合理的节点个数。
（1）构造方法：首先运用确定隐含层层数的方法获取三个隐藏层层数，找到下限值和上限值，然后通过对下限值逐渐增加隐含层节点数的操作，观察分析误差变化，直到将隐含层节点个数增加到上限值，选取误差最小的值最为节点个数。该方法适用于双隐含层网络。
（2）删除方法：适用于单隐含层网络。单隐含网络非线性映射能力较弱，因此可以预先向网络提供大量的隐藏层节点，以增加网络的可调参数，继而通过对隐含层节点个数的逐个减少观察记录其误差变化，同构造方法一样选取误差最小为节点个数。
（3）黄金分割法：首先在设定一个目标区间，目的是在改范围内寻找出理想隐含层节点个数。为了满足高精度逼近要求，按照黄金分割原理搜索目标区间。例如区间为[a,b],利用黄金分割原理b=0.619*（c-a）+a,得到[b,c]这个优化区间，同理，将[b,c]作为目标区间再进行分割，最后根据实际需求选取合理的节点个数。
4）初始权值的选择
由于系统处理的基本都是非线性的函数问题，初始权值的选择往往影响系统算法进行的时间的。其后的运行，由于网络系统本身的自主学习和自适应性可以修正这些设置，一般初始权值取（-1,1）之间的随机数。只要代数和接近0即可。
5）学习速率的选择
学习速率的选择是反映系统的自适应和自主学习能力的关键。这是系统运行效率最集中的实施例，它确定了系统每个周期执行期间重量值的变化范围。如果设置太大，将导致训练模型根本不能收敛继而系统混乱。如果学习率较小，则会无形地增加算法的训练时间，并降低了算法的收敛效率和性能。过去，研究人员发现过度的学习率会极大地限制并影响系统的稳定性，因此他们会选择较小的学习率，通常在0.0001-0.8之间。
它的设置不是特别严格的理论研究，主要是依靠经验总结，通过实验确定更合适的值。
3.4基于BP神经网络的接口故障诊断模型
BP神经网络简洁高效，BP后向传播算法使用梯度下降规则对样本进行训练，可以将期望输出和实际的输出结果进行相差，不断优化更改各个神经元之间的连接权值，从而得到最优结果。对于解决网络故障问题，运用BP神经网络大规模并行计算以及非线性映射能力，可以对大量网络运行数据进行分析，挖掘其深层故障信息并分析原因帮助网络管理员有效的找到通信网络故障类别、产生故障原因，从而使得网络管理朝智能化发展。
因此，本文会采用BP神经网络去构建通信网络故障诊断模型
3.4.1通信网故障概述
通信网在运行过程中，设备的各项性能指标反映其运行状态。当网络出现异常或发生故障时，网络运行数据会随之发生变化，通过监测网络设备运行数据就可以“感知”当前网络运行状况。一般来说，网络故障可以物理类故障和逻辑类故障两种。
1）物理故障，通常是指线路和设备硬件设施发生的损坏或者受到干扰。
（1）端口故障。端口故障一般是由插头松动或者端口自身发生物理故障引起的。此类故障一般通过信号灯向外界发出告警。信号灯状态可以比较直观的反映出故障范围以及大致原因。
（2）线路故障。线路故障通常是指线路损坏或者线路遭受到严重的电磁干扰。在平常使用的通信网络出现线路故障的概率很大。
（3）集线器或路由器故障。集线器或者路由器在此故障一般是指物理故障，无法正常工作，导致网络中断。
（4）主机物理故障。主机物理故障主要发生在网卡上，网卡一般装在主机内，作为网络终端，依照主机配置进行通信。网卡松动、网卡物理损坏、主板的网卡槽损坏以及主机自身故障一般是这种故障的产生的原因。
2）逻辑故障，一般涉及的都是设备配置出现问题，也就是配置错误指令导致设备不能正常工作，出现故障。
（1）路由器逻辑故障。路由器端口参数配置设置错误，路由器路由表设置异常，处理器使用率过大和内存容量过小等。
（2）重要进程或端口关闭。某些对系统连接通信具有重要意义的进程或者端口意外停止。
（3）主机逻辑错误。在统计网络故障当中，主机逻辑错误在总的故障原因中具有相当高的比例，通常包括管理员误操作设置主机网络地址参数、安装网卡驱动程序异常、配置错误主机网络协议和服务、某些设备安装存在冲突以及主机安全性故障。
3.4.2故障诊断模型构建
管理信息库(MIB)是一个保存网络管理信息的虚拟数存储空间，为网络管理数据提供标准。MIB规定了被管理对象需要保存的数据项、数据类型、以及允许在每个数据项中的操作。前文已经提到MIB-Ⅱ定义了11组变量，其中interface组定义了与接口相关的变量。
图3.2 interface组相关变量
Fig. 3.2 Interface group related variables
MIB-Ⅱ定义了很多与故障管理有关的变量，本文从interface组中选出13个与接口故障管理最为相关的变量用于分析接口故障。这13个变量分别是:ifOperStatus(接口开关状态)、ifInUcastPkts(输入非广播报文数)、ifSpeed(接口总带宽)、iflnNUcastPkts(输入广播报文数)、ifOutUcastPkts(输出非广播报文数), ifOutNUcastPkts(输出广播数)、ifOutDiscards(输出报文丢弃数)、iflnOctets(接口接收的字节数)、ifOutOctets(接口发送的字节数)、ifInUnknownProtos(由未知或不支持协议导致丢弃的输入报文数)、 ifInDiscards(接口丢弃的输入报文数)、ifInErrors(流入的错误报文数)、ifOutErrors(由于错误而不能发送的报文数量)。网络数据可以从MIB库中获取，有些网络运行参数需要经过计算得出，例如输入非广播率、未知协议率等。具体网络运行指标可由一下公式获得：
1）接口状态：可以从ifOperStatus获取。
2）输入丢包率：输入丢弃报文数占总报文数的比例，公式如下：
3）输出广播率:输出广播报文数占总报文数的比例，公式如下：
将采集到设备接口数据按照上述公式计算后，得到与接口最相关的9种属性，同时也将9种属性作为BP神经网络故障诊断模型的输入项S = {接口开关状态，输入丢包率，输出丢包率，输入错误率,输出错误率,接口利用率，未知协议率，输入广播率，输出广播率}，接口属性集如表3.1所示：
接口故障比较多，本文选取与接口属性相关的六种物理故障分别是接口中断、接口速率不匹配、帧协议不匹配、接口缓冲区不足、链路带宽不足、双工模式不匹配，构成故障集合F = {接口中断，接口速率不匹配，帧协议不匹配，接口缓冲区不足，链路带宽不足，双工模式不匹配 }，同时作为BP神经网络故障诊断模型输出项。六种故障类型如下：
1)接口中断:指接口间歇性关闭，通常接口开关状态显示关闭。但有时接口状态显示开启，实际情况己经中断，这时其它节点要与它通信就会发送广播询问是否畅通，当它再次开启时又会通过广播告诉其它节点。
2）接口速率不匹配:通常是由于链路传输速率与接口接收速率不对等。这时由于高速链路的数据不断传输过来，接口来不及接收就会丢弃一部分数据包。
3）接口缓冲区不足:这是硬件问题，由于缓冲区不足，当数量过大时需要处理的时候，接收端会出现大量错误数据包，同时存在丢包现象
4）双工模式不匹配:指接口与链路的双工/半双工工作方式不匹配。当两者不匹配时接收端会出现大量错误数据包，同时伴有丢包现象。
5)链路带宽不足:指链路提供的可用带宽满足不了要求，数据包在传输过程中由于等待时间较长在到达接口时被当作无效数据包而丢弃。
6)帧协议不匹配:指接口能够接收的数据帧与发送的数据帧协议类型不一致，由于接口不能接收这种数据包而选择丢弃。
取上述6种六种故障类型构成故障类型集，如表3.2所示：
针对网络拓扑结构当中某个设备接口作为诊断目标对象。在正常运行的网络拓扑当中，通过SNMP协议周期的采集MIB库中上述提到的13中变量，然后根据上述公式计算出9中接口相关属性，在网络设备正常运行状态下采集设备数据并整理数据集合如表3.3所示。同理，在接口出现故障时采集相关数据计算整理出故障数据集如表3.5。
以计算接口利用率这一列数据为例说明计算方法：
在某一时刻t从以太网接口采集MIB数据得到ifInOctets、ifOutOctets的值以及ifSpeed的值和3分钟之后采集t+1时刻采集相同对象的数据，根据IF-MIB-rfc2863对应用实体的定义，ifInOctets、ifOutOctets的数据类型均为Counter32，只增不减，如表3.4所示：
由于采集的数据相对较大，不同状态其数据类型也有差异。并且由于神经网络输入值需要在[-1,1]的范围，同时参考行业标准规范以及专家评价可以给接口属性赋予阈值范围，这样将输入状态符合专家库规范可以更加便于检验模型准确性，阈值表如表3.6所示：
为了有效的利用数据，需要将输入数据根据接口属性阈值大小进行预处理，将小于阈值的标记为0，反之为1。例将表3.3经过预处理之后如表3.7所示：
周期的在接口故障发生的条件下，每隔180s采集接口MIB数据。每种情况下采集100条数据，共计600条数据。同样根据阈值表对故障数据集进行预处理，例将表3.4经过预处理之后如表3.8所示：
根据上述故障样本数据，对应故障集合下表所示，之后用于对比网络训练结果。
至此，在确定网络输入层设置为9个节点，分别对应特征信号个数为9个，经过预处理取值在[0,1]区间内，故障输出层设置为6个分别对应：接口中断，接口速率不匹配，接口缓冲区不足，双工模式不匹配，链路带宽不足，帧协议不匹配。隐含层设计目前并没有统一标准，隐藏层的确定一般参考以下几个经验公式：
上述公式中h表示隐藏层的节点个数，m表示输入层节点个数，n代表输出层节点个数，a是1-10之间的常数（王小川，2013）,本文采取公式1进行，a的值从1开始递增，根据每次得出的训练误差以及训练时间进行比较，综合考虑时间较短以及误差较少的节点数作为隐含层节点数。经过计算得出，h = 12的时候是最佳隐藏层节点个数。同时选用tansig函数为激励函数，函数公式如下：
选择学习速率：网络模型在训练过程当中每一次迭代都会伴随权值的变化，而权值变化会反应学习速率的大小，学习速率过大，模型系统会发生震荡，学习速率太小，精确度可能无法得到保证。在训练速率不会导致系统发生震荡的前提下越大越好，经计算本次实验学习速率设置为0.1，此外本文设置最大训练迭代次数为1000次，误差为。
本文采用matlab进行模型训练，故障数据600条划分为100组。部分样本数据如下表所示：
Matlab在训练神经网络的时，一般都会将数据样本分为三份：一部分来进行网络模型训练，一部分来确认样本，另外一部分是测试样本。为验证其泛化能力将100组样本中设定30组作为测试样本。依照30组测试样本输入模型仿真结果如下表所示：
理想状态下，神经网络输出结果即0或者1，所以本文将输出结果大于0.5的判定为1，反之为0，根据输出结果通过一个6×6的误判矩阵来统计模型正确率，i代表行，j代表列，矩阵表示中数字表示第i个故障误判断成第j个故障的个数，如下图所示：
结果分析：对角线上的数字是判断正确，模型输出结果与期望结果基本一致。最终将30组测试样本汇总统计分析：模型准确率高达86%，达到预期目标。表明仿真基于BP神经网络的通信网络接口故障诊断模型是可行有效的。
3.5本章小结
本章首先简要介绍了BP神经网络发展历史，并详细描述了BP神经网络的训练过程，对BP神经网络的设计方法进行了简述，然后依照MIB-Ⅱ对接口数据采集变量进行分析，最后针对通信网络接口故障对基于BP神经网络故障诊断模型的构建过程以及模型故障诊断结果详细展开描述。
第2个回答 2011-09-07
管理计算机网络啊。
计算机网络管理系统的作用是什么???
顾名思义，计算机网络管理系统就是要对计算机网络进行管理。计算机网络包括硬件和软件两大部分。计算机网络硬件有：网络服务器、交换机、路由器、ATM设备、各种接入设备、网络通信线路（包括无线通信）等等，广义地讲，计算机机房及相关设备都可以归入其中。计算机网络软件：网络管理系统软件、网络应用软件、安全...
什么是网络管理系统?
网络管理系统的主要作用有：监控网络性能：网络管理系统可以很好地监控网络的性能指标，包括网络延迟、带宽使用率、网络丢包率等，以便管理员及时发现并解决问题，防止网络出现大面积的宕机。 管理网络拓扑：网络管理系统可以图形化地表示网络拓扑，描述网络中各设备之间的连接关系，并对网络拓扑进行配置、管理...
什么是网络管理系统?
网络管理系统是一套包含软件和硬件工具的集合，旨在管理计算机网络中的设备、服务和应用程序，确保网络的可靠性、安全性和效率。这类系统使得企业或组织能够有效地监控和管理网络运行，以及优化资源使用，故亦称为网络监控系统或网络运行系统。其主要功能包括：1. 监控网络性能：通过跟踪网络延迟、带宽利用率、...
计算机网络的主要作用是什么?
计算机网络功能主要包括实现资源共享，实现数据信息的快速传递，提高可靠性，提供负载均衡与分布式处理能力，集中管理以及综合信息服务。网络中的每台计算机都可通过网络相互成为后备机。一旦某台计算机出现故障，它的任务就可由其他的计算机代为完成，这样可以避免在单机情况下，一台计算机发生故障引起整个系统瘫痪...
计算机网络的作用是什么?
负载平衡：通过将工作均匀地分配给网络上的各台计算机，可以有效地提高系统的可靠性和性能。促进分布式数据库的发展：计算机网络技术的发展和应用，使得分布式数据库系统得以实现。这种数据库系统可以将数据分散到各个计算机上，然后通过网络进行集中管理，提高了数据的安全性和可靠性。提高可靠性：计算机网络都是...
什么叫计算机网络,有什么作用?
计算机（computer）俗称电脑，是现代一种用于高速计算的电子计算机器，可以进行数值计算，又可以进行逻辑计算，还具有存储记忆功能。是能够按照程序运行，自动、高速处理海量数据的现代化智能电子设备。由硬件系统和软件系统所组成，没有安装任何软件的计算机称为裸机。可分为超级计算机、工业控制计算机、网络计算...
计算机网络的作用有哪些呢?
1. 数据通信：计算机网络提供了数据通信的功能，允许计算机之间进行信息交换。这包括实时通信、文件传输、远程登录、远程管理等功能。2. 资源共享：计算机网络允许多台计算机共享硬件、软件、数据和网络资源。这可以提高计算机使用效率，降低成本，并促进信息交流。3. 提高可靠性：计算机网络通过各种技术（如数据...
计算机网络的作用是什么?
计算机网络的作用主要表现在以下几个方面：一、资源共享 计算机网络的最基本作用是实现资源共享。通过计算机网络，人们可以共享各种软硬件资源、数据资源以及信息资源。例如，多台计算机可以共同访问和使用同一存储设备中的文件或数据库，提高了数据的可用性和效率。二、数据通信与信息传递 计算机网络能够实现不同...
计算机网络有什么作用?
计算机网络的作用主要表现在以下几个方面：一、资源共享 计算机网络的最大特点是能够实现资源的共享。通过连接网络，计算机用户能够访问和共享其他计算机上的资源，如数据文件、图片、视频等。这种资源共享的方式极大地提高了数据的可用性和利用率，促进了信息的传播和交流。二、数据通信 计算机网络为人们提供了...
计算机网络有什么作用?
计算机网络的主要功能之一是资源共享，它指的是通过共享计算机系统的硬件、软件和数据来实现资源的高效利用。通过资源共享，可以减少软件开发过程中的劳动力和资源的使用费用。3、集中管理 计算机网络的主要功能是集中管理，它使得地理位置分散的组织和部门可以通过计算机网络来实现集中管理，例如，银行等行业业务...
相似回答
