計算機網絡智能診斷技術分析

導語：計算機網絡智能診斷技術分析一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：為保證計算機網絡系統能夠持續、穩定地運行，就需要建立起智能、健壯、有效的故障診斷系統，要同時具有智能化診斷功能、動態監測網絡故障的變化、提供良好的用戶接口3個功能，從而實現對故障的實時檢測和診斷，發現問題及時處理，提升計算機網絡運行的穩定性。

關鍵詞：計算機；網絡故障；智能診斷；均方差守恒

1計算機網絡故障診斷的重難點

計算機網絡在運行中，存在各種各樣的故障，且每種故障的成因也不相同，使得計算機網絡故障診斷難度也隨之加大，主要體現在以下幾個方面：（1）故障定位難度大。計算機網絡故障的發生具有不確定性和不可預測性，此外，網絡硬件和軟件架構都處于動態變化狀態，使得原有的故障診斷技術和經驗存在一定的局限性，無法精確判斷故障發生的位置。同時計算機網絡系統在運行中每天都會形成加量都會數據信息，難以從海量的信息中提取對定位故障有用的信息。（2）故障管理難度大。計算機網絡系統可看做是一個大型設備，由眾多子系統和子設備組成，任何一個子系統或者子設備發生故障，會影響與之相連設備和系統運行質量，如果情況嚴重，會導致整個計算機網絡系統陷入癱瘓狀態，這就是常見的計算機網絡關聯故障。此故障主要出現在計算機網絡物理層，不同設備和子系統相互關聯，相互聯系，形成一個緊密的系統，雖然能夠提升計算機網絡應用的效果，但是同時也會增大故障診斷的難度，難以快速從成千上萬的告警中快速確定故障位置，增大了故障處理的難度[1]。（3）故障檢測難度大。在進行計算機網絡故障檢測中，需要先建立起數學模型，但數學模型比較復雜，而且實時性有限，難以滿足高速網絡故障快速、實時檢測的需求。如果簡化數學模式，則檢測精度也會大幅度降低。而且傳統故障檢測方法，需要了解故障的一些調整和，如：峰值比特率、平均平特率等，但僅憑一些特征無法真實全面地反映出故障發生的位置，難以為故障處理提供有效的參考。（4）故障表示難度大。現代化計算機網絡應用范圍比較廣，而且需要不間斷地更新，發展至今，也沒有一個明確的函數能夠表達所有的應用層故障，使得計算機網絡故障表示難度倍增。

2智能診斷技術在計算機網絡故障診斷中的應用要點

針對目前計算機網絡故障診斷中存在的重難點，提出一種智能化診斷技術，在計算機網絡故障診斷中達到的故障數據多為高維非線性數據，為實現網絡故障的可視化，采取了非線性維數約簡方法。此外，神經網絡具有很強的自適應能力和自我學習能力，同時魯棒性也比較強，自身也具有非線性的特點，將這兩種技術相互結合應用到計算機網絡故障診斷中，可實現計算機網絡故障診斷的可視化、智能化。

2.1立足均方差守恒的維數約簡

在進行非線性維數約簡中多采用自聯想前饋神經網絡，具體情況如圖1所示。圖1中，為了將m維壓縮成n維，需要先建立起一個自聯想前饋神經網絡，在該網絡中，對輸出節點的數量有嚴格要求，為實現m維向n維的轉變，需要保證輸入節點數量始終是m個。而在自聯想前饋神經網絡中某一個隱層節點的個數則為n個，為約簡之后的維數。在自聯想前饋神經網絡中，學習樣本自身也就是此樣本的期望輸出。比如：一個學習任務執行完成之后，可保障輸入和輸入的結果相互對應。這也是自聯想前饋神經網絡和其他網絡在智能故障診斷中最大的不同。在計算機網絡智能故障診斷中采用此網絡，可將n個隱層節看成是自聯想前饋神經網絡上半個子網絡的輸入。此時輸入隱層的節點，就能獲得最終輸出值，也就是計算機網絡原始的輸入值，這兩個數值是相同，但為提升故障診斷速度，通常只保留原始輸入值即可。比如：子網絡sub-net的輸出值就是降維之后的數據[2]。在計算機網絡故障診斷中應用此項技術，雖然利用自聯想前饋神經網絡可對計算機網絡故障診斷的最終結果進行清楚展示，但依然有一系列問題需要解決，比如：如果輸入維數比較高，則在進行故障診斷時就需要用到大量權值，難以實現全部收斂，使得大量網絡資源被無故浪費。

2.2框架結構建設

采用基于二維SOM神經網絡技術可實現計算機網絡故障診斷的可視化，并構建起運動狀態動態監測的仿真模型，具體的框架結構模型示意圖如圖2所示。圖2中可以看出，基于二維SOM神經網絡技術的框架結構模型中，每個子網絡中都有一個ResourceA鄄gent用于收集子網絡中形成的故障數據，收集的故障數據可同構ManagerAgent完成故障信息的傳輸，就能實現計算機網絡故障的可視化、智能化診斷，并對各子系的運行故障進行實時監測。每個被監測到的網絡中都會包含一個ResourceAgent，其主要作用是收集計算機網絡故障征兆信息，并對其進行預處理，再和位于診斷中心的ManagerAgent進行實時通信[4]。而ManagerAgent的主要作用是實時接收來自ResourceAgent的故障征兆信息，并將診斷出的結果，以二維可視化方法展示出來。因此，是ManagerAgent在計算機網絡智能故障診斷中同時擁有兩個非常強大的功率：（1）能夠自動實時顯示故障診斷的結果；（2）能夠預測和展示故障變化情況，為故障處理提供在線數據。ManagerAgent基礎以及核心是神經網絡。

2.3仿真實驗

為驗證均方差守恒和二維SOM神經網絡聯合方法，在計算機故障診斷中應用效果，建立起框架結構需要進行仿真實驗?？蛇x擇211個計算機網絡故障作為實驗樣本，并保證所選擇的每種故障樣本，都具有8個屬性，對應著8種網絡故障征兆，且每個屬性值都是0~1之間的一個實數。利用設計好的框架結構對211個樣本進行學習，學習完成之后有7種網絡故障被學習到。在具體應用中，輸入的數據為計算機網絡故障征兆的SOM數據，通過觀察此輸入在計算機網絡輸出層的結構，就能實時獲得計算機網絡診斷結果[5]。計算機網絡在一個龐大的開發性環境中運行，因此，故障也處于動態變化狀態，為實現對故障的有效診斷和處理，就需要用到動態化故障監測技術，以實現對故障的跟蹤監測。故障維護處理人員，可按照動態故障監測的結果，開展有針對性的處理，從而實現對故障的實時診斷和及時處理，為故障處理提供真實有效的數據支持，應用效果顯著，值得大范圍推廣應用。

3計算機網絡智能診斷技術的發展趨勢

標準化：計算機網絡智能診斷技術要能夠符合相關組織的相關標準，以促使計算機網絡系統能夠持續發展，不斷提升應用效果。集中化：在科學技術飛速發展的背景下，計算機網絡智能診斷技術愈發先進，集中發展模式的優勢越來越明顯，不但成本低，而且可以數據的共享。集中發展主要包括：集中監控、集中控制、集中配置、集中調度等，可提分計算機網絡智能診斷技術的應用效果。智能化：人工智能技術、專家系統近年來愈發先進和完善，計算機網絡故障智能化診斷成為發展的主要方向[6]。可擴展：計算機網絡具有很強的擴展性，運行管理的方式也是多樣化的，因此，故障的智能診斷技術也要注意可擴展性。4結語采用理論結合實踐的方法，研究了計算機網絡智能診斷技術，研究結果表明，針對計算機網絡故障診斷難度大的問題，提出了一種基于驗證均方差守恒和二維SOM神經網絡聯合的智能化、可視化故障診斷技術。保證每個被診斷的網絡中都有一個ResourceAgent來收集故障征兆信息，并實時傳遞給ManagerAgent，從而得到網絡故障的分布規律，實現對網絡故障的可視化診斷。

參考文獻

[1]付長鳳,楊秀菊.基于分級二分圖和改進差分進化的網絡故障定位算法[J].機床與液壓,2019,47(18):89-95.

[2]余健,張帆.大數據時代下計算機網絡信息安全問題分析[J].造紙裝備及材料,2020,185(2):239-240.

[3]宋有志.計算機網絡硬軟件故障的處理及維護方法初探[J].科技經濟導刊,2020,708(10):40-40.

[4]戴元浩.淺析計算機網絡通訊技術故障原因分析及其處理措施[J].電子工程學院學報,2020,9(1):P.108-108.

[5]郭帥.計算機網絡通訊技術故障分析與處理探究[J].電子元器件與信息技術,2020,37(7):39-40.

作者：宋俊蘇 單位：鹽城生物工程高等職業技術學校