基于RSNN的計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)用層故障診斷

1、基于 RSNN 的計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)用層故障診斷摘要： 為解決計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)用層故障診斷問(wèn)題，設(shè) 計(jì)一個(gè)基于粗糙集神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)，詳細(xì)描述系統(tǒng) 的結(jié)構(gòu)、粗糙集神經(jīng)網(wǎng)絡(luò)的構(gòu)造和訓(xùn)練方法，并通過(guò)仿真驗(yàn) 證該方法的有效性。關(guān)鍵詞： 應(yīng)用層；故障診斷；粗糙集；神經(jīng)網(wǎng)絡(luò)；遺 傳算法中圖分類(lèi)號(hào)： TP3 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1671 7597 （2011）032019201網(wǎng)絡(luò)技術(shù)的飛速發(fā)展為各種以網(wǎng)絡(luò)為基礎(chǔ)的應(yīng)用和業(yè) 務(wù)提供了很好地環(huán)境，但同時(shí)對(duì)網(wǎng)絡(luò)服務(wù)質(zhì)量、網(wǎng)絡(luò)管理功 能提出了更高的要求。尤其在網(wǎng)絡(luò)應(yīng)用層，新的網(wǎng)絡(luò)應(yīng)用不 斷涌現(xiàn)， 配置方法多樣且不斷更新， 故障診斷變得非常復(fù)雜。1 系統(tǒng)結(jié)構(gòu)

2、本文設(shè)計(jì)的基于粗糙集神經(jīng)網(wǎng)絡(luò)（ RSNN ）的應(yīng)用層故 障診斷系統(tǒng)由三大模塊構(gòu)成：事件產(chǎn)生器、 RSNN 訓(xùn)練模塊 和 RS 診斷模塊。事件產(chǎn)生器從網(wǎng)絡(luò)中捕獲網(wǎng)絡(luò)應(yīng)用層數(shù)據(jù)流，通過(guò)分析 網(wǎng)絡(luò)應(yīng)用層記錄，提取每條網(wǎng)絡(luò)連接的特征信息，對(duì)這些特征信息進(jìn)行預(yù)處理，得到 RSNN 的輸入向量形式；如果系統(tǒng) 處于 RSNN 訓(xùn)練模式， 系統(tǒng)將網(wǎng)絡(luò)事件存入訓(xùn)練事件庫(kù)， RS 規(guī)則提取子模塊從訓(xùn)練事件中提取 RS 規(guī)則，并且由初始 RSNN 構(gòu)造子模塊構(gòu)造出初始的RSNN ，RSNN 訓(xùn)練子模塊利用遺傳算法完成對(duì) RSNN 的訓(xùn)練，并將訓(xùn)練好的 RSNN 存 入 RSNN 庫(kù)；如果系統(tǒng)處于診斷模式， RSNN

3、 診斷子模塊從 RSNN 庫(kù)中提取 RSNN 完成對(duì)網(wǎng)絡(luò)事件的診斷， 并將診斷結(jié) 果存入事件日志庫(kù)或提交給輸出及相應(yīng)子模塊做進(jìn)一步處 理。2 屬性離散化 實(shí)際問(wèn)題的決策庫(kù)中存在著大量的連續(xù)屬性，在這些屬 性的基礎(chǔ)上利用粗糙集理論提取出來(lái)的決策規(guī)則支持度極 低，不利于實(shí)際問(wèn)題的匹配。本文采用基于信息熵的方法 1 對(duì)決策表中的連續(xù)屬性進(jìn)行離散化，該方法是一種局部的、 無(wú)監(jiān)督的離散化方法，其基本思想是用類(lèi)信息熵作為分割點(diǎn) 優(yōu)劣的評(píng)價(jià)標(biāo)準(zhǔn)。離散化處理后，提取出的規(guī)則能有效處理 現(xiàn)實(shí)問(wèn)題，并大大減少處理時(shí)間。3 初始 RSNN 的構(gòu)造利用遺傳算法計(jì)算r-近似約簡(jiǎn)的方法2提取決策表中的 規(guī)則，該方法比一般

4、約簡(jiǎn)算法和應(yīng)用較廣的動(dòng)態(tài)約簡(jiǎn)算法具 有高的性能，并且得到的規(guī)則更少。在提取到的規(guī)則的基礎(chǔ) 上通過(guò)下述方法構(gòu)造初始 RSNN ：輸入層神經(jīng)元個(gè)數(shù)的等于屬性約簡(jiǎn)中屬性的個(gè)數(shù)，隱含 層神經(jīng)元個(gè)數(shù)等于決策規(guī)則數(shù)，即每個(gè)隱含層神經(jīng)元對(duì)應(yīng)一 條規(guī)則。輸出層神經(jīng)元個(gè)數(shù)對(duì)應(yīng)決策類(lèi)型數(shù)。各層之間的連 接關(guān)系由決策規(guī)則確定。4 基于遺傳算法的 RSNN 訓(xùn)練BP 算法是基于梯度下降法的，具有易陷入局部極小、 收斂速度慢和易引起振蕩等缺點(diǎn)，而利用遺傳算法的全局最 優(yōu)搜索可較好地上述問(wèn)題。過(guò)程如下：1）生成初始種群： 將初始粗糙集 BP 網(wǎng)絡(luò)的每一個(gè)可能 的連接及其權(quán)值編碼成一個(gè) 9 位二進(jìn)制字符串。其中，第一 位為

5、連接標(biāo)識(shí)位，表示相應(yīng)連接是否存在；后 8 位是連接權(quán) 值的二進(jìn)制數(shù)編碼。由初始網(wǎng)絡(luò)直接生成的二進(jìn)制字符串稱(chēng)為基本串，其中 的連接稱(chēng)為基本連接，其余連接稱(chēng)為擴(kuò)展連接。在基本串的 基礎(chǔ)上， 對(duì)擴(kuò)展連接進(jìn)行蒙特卡羅采樣 （最多有 1/10 個(gè)連接 的標(biāo)識(shí)改變） ，生成 N-1 個(gè)二進(jìn)制串，構(gòu)成大小為 N 的初始 種群，其中每一個(gè)串稱(chēng)為一個(gè)個(gè)體。2）根據(jù)網(wǎng)絡(luò)誤差函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)確定遺傳算法的適應(yīng) 度函數(shù)：賭模型對(duì)個(gè)體進(jìn)行選擇。4）交叉：對(duì)選中個(gè)體實(shí)施多點(diǎn)交叉。交叉點(diǎn)間距設(shè)為5-14 的隨機(jī)整數(shù)，交叉概率設(shè)為 0.7。若交叉后個(gè)體適應(yīng)度 優(yōu)于種群中最差個(gè)體，則交叉成功，用交叉后個(gè)體替代原個(gè) 體；否則，重復(fù)

6、步驟 3）、 4）。5）變異：在產(chǎn)生的種群中選擇一個(gè)或多個(gè)適應(yīng)度低的 個(gè)體變異。變異概率取值在 0.4-0.01 之間。若變異后個(gè)體優(yōu) 于變異前種群最差個(gè)體，則變異成功，并用變異后的個(gè)體替 代原個(gè)體；否則，重復(fù)步驟 5）。6）全局最優(yōu)收斂：當(dāng)最優(yōu)個(gè)體的適應(yīng)度達(dá)到給定閥值， 或最優(yōu)個(gè)體適應(yīng)度和群體適應(yīng)度不再提高時(shí)，則算法結(jié)束。5 實(shí)驗(yàn)與仿真 為保證對(duì)檢測(cè)算法評(píng)測(cè)的有效性和權(quán)威性，選用KDDCUP99 數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)仿真。 按等間隔選取數(shù)據(jù)， 共選 取 10% 訓(xùn)練數(shù)據(jù)集中的 1/5 作為訓(xùn)練數(shù)據(jù)，從剩余 10%的訓(xùn) 練數(shù)據(jù)集中選取一半作為第一組測(cè)試數(shù)據(jù)， 選取原 10%測(cè)試 數(shù)據(jù)集的一半作為第二組測(cè)試數(shù)據(jù)，包含一些新種類(lèi)的數(shù) 據(jù)。從實(shí)驗(yàn)結(jié)果如下表，可以看出，將 RSNN 運(yùn)用于網(wǎng)絡(luò)故 障檢測(cè)中取得了良好的效果。參考文獻(xiàn)：1J.Dougherty,R.Kohavi,and M.Sahami.Supervised and unsupervised discretization of continuous features.In A.Prieditis and S.Russell,editors,Proc.Twelfth International Conf