應用人工神經網絡構建的ＶＰＤＮ用戶故障檢測系統

摘 要：討論一個應用人工神經網絡設計的CDMA網絡VPDN數據用戶故障檢測系統。該系統應用反向傳播神經網絡，利用理想狀況下的用戶數據訓練網絡，而用帶有隨機性的模擬實網數據檢測故障判斷的準確性。計算機仿真結果表明在噪聲的干擾下神經網絡基本可以給出具有參考價值的判斷。通過實驗充分證明利用神經網絡完成故障判斷的可行性，而設計、分析、檢驗等多個研究步驟為神經網絡的此類應用提供了可供參考的藍本。

關鍵詞：神經網絡；VPDN；CDMA；故障判斷

中圖分類號：TP183；TN915 文獻標識碼：B 文章編號：1004373X(2008)1607104

VPDN Users Fault Measuring System Based on Artificial Neural Network

WANG Xueyi，SHEN Xi

(Beijing Branch Corp.，China Unicom，Beijing，100038，China)

Abstract：This paper discusses a malfunction estimation system based on artificial neural network for CDMA VPDN data subscribers.This system applies back propagation neural network，uses network data in ideal conditions to train the neural network，and then utilizes simulated network data with randomness to verify the accuracy of the estimation.Simulation results suggest that the neural network can give valuable estimations even under the perturbation of noise.Investigations in this paper confirm the feasibility of using neural network to detect malfunction，and design，analysis，verification and other research procedures provide us with a prototype for similar neural network applications.

Keywords：neural network;VPDN;CDMA;fault diagnosis

1 概 述

CDMA是碼分多址(CodeDivision Multiple Access)技術的縮寫，是近年來在數字移動通信中出現的一種先進的無線擴頻通信技術，它能夠滿足市場對移動通信容量和品質的高要求。基于CDMA 1X網絡的VPDN（Virtual Private Dialup Network）技術是中國聯通于2003年建設完成并投入使用的一項技術。該技術以CDMA 1X網絡作為承載網，使行業用戶的移動終端，經過AAA認證、PDSN（Packet Data Serving Node）隧道觸發，通過專線方式（或互聯網方式）與企業端LNS(L2TP Network Server)建立連接后，接入到企業私有網絡從而進行數據傳輸(具體見文獻\\)。

VPDN用戶的接入方式（圖1）決定了運營商的設備運轉正常并不是用戶業務正常的充分條件。業務能夠正常開展，運營商設備（BSC，PDSN等）正常、運營商到用戶的專線正常、用戶設備（LNS，AAA等）正常這3個條件缺一不可。而在日常的維護過程中，通常會暴露出用戶設備故障而造成服務中斷的問題，其主要原因是行業用戶的自有設備質量水品參差不齊，無法像運營商這樣采用電信級的設備，因此其在網絡中成為了比較薄弱的一個環節。在用戶機房中的LNS或AAA服務器出現故障時，用戶的終端就會因VPDN撥號不成功而不斷重撥，一方面給運營商的無線網絡造成壓力，另一方面降低了撥號成功率——這一運營商必須統計的網絡技術指標。由于行業、企業用戶通常不能及時發現自有設備的故障，那么只有運營商主動發現故障，才能將故障造成的對網絡的壓力和對技術指標的影響降到最低。而目前現網的情況是行業、企業用戶多，運營商不具備24小時對每個用戶進行觀察的條件。其次，每個行業用的行為也不同，例如有些行業用戶的終端只有工作時間上線，而有些用戶則只用凌晨之后的時間進行數據傳輸。相對較為復雜的網絡情況使得人工進行觀察非常困難，因此找到一種自動化的方式判斷用戶的故障成為了一個迫切需要解決的問題。

本文討論一個應用人工神經網絡所構建的VPDN用戶故障檢測系統。

2 神經網絡模型的建立

目前北京聯通VPDN平臺上采用圖1方式接入的行業、企業用戶超過70家，入網的子用戶數（號卡數）超過2萬戶。在對通信服務質量要求日益提高的今天，如何能夠維護好這樣一個龐大的系統平臺給運營商提出了一個新的課題。值得注意的是，絕大多數的用戶的行為都是有規律可循的。例如，某銀行的無線ATM機，入網的有300個終端子用戶，每天上午9點通常約有260個終端用戶在線，而每個終端用戶此時的平均數據流量為20 kb/s；晚上10點通常有220個終端用戶在線，平均數據流量為5 kb/s。再舉另外一個例子，某媒體廣告公司有700個終端子用戶入網，上午九點通常約有120個終端用戶在線，每個終端用戶平均數據流量為10 kb/s；晚上十點通常有680個終端用戶在線，平均數據流量為50 kb/s。每個行業、單位用戶都遵循一定的模式使用CDMA網絡，而不同用戶之間的模式通常是不同的，這個前提為從數據分析中發現故障用戶提供了可能性。

在北京聯通的PDSN設備上，可以觀察到總的VPDN在線用戶數和系統的總的數據流量。這個數據其實就是所有的行業、企業用戶的行為疊加的結果。在理想情況下，所有的行業用戶都嚴格按照平均狀況使用網絡，那么此時如果有某一個行業用戶發生故障將很容易被發現。然而在現網中PDSN上觀察到的數據要復雜很多，原因是雖然每個用戶的行為模式相對固定，但也有很多隨機的因素夾雜在其中。在線用戶數、用戶流量一般都是在均值周圍的一定的范圍內波動。這個特點決定了如果要設計自動化的故障用戶檢測機制，那么該機制必須具備一定的容錯能力。

從行業用戶的行為特征判斷，最有希望勝任自動故障用戶檢測的工具就是人工神經網絡工具。首先，神經網絡最擅長的功能就是模式識別，而不同行業用戶的故障狀態完全可以作為不同的模式交給神經網絡來訓練和識別.\\。第二，神經網絡具備很強的容錯能力，盡管現網情況通常會在一定程度上偏離通常預測到的“均值”，神經網絡仍然可以做出正確的判斷.\\。上述2點構成了用人工神經網絡完成此項研究的重要依據。在神經網絡的應用中，使用的最廣泛的就是反向傳播網絡（Back Propagation Neural Network，BP網絡）。BP網絡是采用WidrowHoff學習算法和非線性可微轉移函數的多層網絡.\\。本文中的建模和仿真過程將應用BP網絡.\\并直接調用MatLab神經網絡工具箱提供的函數。一個經過訓練的BP網絡能夠根據輸入給出合適的結果，即使這個輸入并沒有被訓練過.\\。這個特性使得BP網絡很適合采用輸入/目標對進行訓練，而且并不需要把所有可能的輸入/目標對都訓練過。

為了讓數學建模的過程更加清晰，首先討論一個簡單的3用戶模型。在這個假想的VPDN網絡平臺上，有3個不同的行業用戶。每個行業用戶在不同的時間點的行為不同，這里將只關注一個時間點——上午9時。

表1中總結了該模型中所有的重要參數。例如用戶1，在9點它的平均在線用戶數為70，其應用決定了每用戶的平均流量為20 kb/s，因此用戶1產生的總流量為1 400 kb/s。

前面已經提到，PDSN設備可以觀測到VPDN系統中的用戶總數和它們產生的總流量。依據表1中的數據，不難分析出9點鐘PDSN可能觀察到的8種網絡狀態（如表2所示）。例如，如果用戶2的LNS設備或AAA設備出現故障，那么380個用戶和3 800 kb/s的流量將從網絡中消失，因此這種情況下PDSN上觀察到的在線用戶總數為670（用戶1和用戶3的總和），而總流量為25 400 kb/s。從這個表中不難分析，如果要設計一個用于判斷故障的神經網絡，必須的3個輸入是時間、在線總用戶數和總流量。

在此反向傳播神經網絡的設計過程中，輸出表示的明確性作為了本文考慮的重要因素：為了使輸出盡量通俗易懂，這里在輸出層用3個神經元分別表示3個用戶。同時，將盡量讓這3個神經元的輸出值能夠“兩極化”。考慮到反向傳播神經網絡的轉移函數必須可微，這里采用“logsig”函數：log sig(x)=1/(1+e.-x)，并用輸出“0.9”代表故障，“0.1”代表狀態正常。總之，輸入和輸出層各設計為3個神經元。輸入層的3個輸入分別為時間（0~23時）、在線總用戶數和總流量。考慮到輸入到各個神經元的數值盡量避免差別過大，這里將在線總用戶數除以10、總流量除以100而作為輸入的數值。舉例而言，［9；98；278］ 這個網絡狀態對應了［0.9；0.1；0.1］這個輸出，表示了用戶1出現了故障，用戶2和用戶3狀態正常。如圖2所示。

3 計算機仿真結果

針對3用戶VPDN系統的故障檢測神經網絡如圖3所示。

下面以8種狀態作為目標，開始對這個神經網絡進行訓練。首先需要確定的就是隱層（中間層）神經網絡的神經元個數。在實際的人工神經網絡應用中，中間層的神經元數量選擇并沒有太多的理論依據予以指導，通常是通過實驗來找到最優的神經元數。多次實驗的結果表明，800~1 500個神經元就能很好地保證網絡性能函數（MSE均方誤差.\\）快速收斂到目標值，圖4中實驗的神經元數量為900個。其他Matlab訓練參數說明如下：

net.trainParam.show = 50： 每50次訓練返回結果

net.trainParam.lr = 0.11： 學習步長設置為0.11

net.trainParam.epochs = 600： 訓練次數設置為600，即使不能達到目標也將終止訓練

net.trainParam.goal = 0.0002： 訓練目標設置為0.000 2，MSE均方誤差至此目標后終止訓練

圖4（a）為此神經網絡性能函數隨著訓練次數的增加而收斂的情況。可以看出，在544次訓練后，輸出與目標的均方誤差就達到了目標值之下，訓練完成。為了檢驗訓練的結果，訓練完成后，8種網絡狀態被作為輸入再次代入神經網絡，觀察的輸出與訓練目標進行對比。右圖中的“○”表示的就是8種狀態下的第一個神經元的目標輸出，其中有4種狀態對應了用戶1故障，即第一個神經元目標輸出0.9；另外4種狀態對應了用戶1正常，即第一個神經元目標輸出0.1。圖4（b）中的“×” 表示了8種狀態下的第一個神經元的實際輸出，其中有4種狀態對應了用戶1故障，而此時第一個神經元實際輸出也非常接近0.9，另外4種狀態對應了用戶1正常，此時第一個神經元的實際輸出也非常接近0.1。從3個神經元的全部輸出結果來看，神經網絡的訓練情況非常理想，在8種不同的總用戶數、總流量的組合輸入的情況下，神經網絡均能返回非常接近兩極即0.1和0.9的數值，訓練目標可以達到。

網絡訓練成功只是完成了神經網絡設計的第一步，在本系統中需要用與現實情況比較接近的帶有隨機性的輸入數據來檢測神經網絡判斷故障的能力。對于行為比較規律的行業用戶來說，如果進行長時間的觀察，通常會觀察到每天同一時刻在線的用戶數雖然不盡相同，但是都是在一個均值附近的范圍內。按照隨機數學的理論分析，每天同一時刻的在線用戶數應當是在以μ為均值、σ為方差的隨機數范圍內取值，如果觀察的數據點足夠多，應該可以看出它們符合正態分布。對于在線用戶產生的流量也是如此。例如對于行業用戶3，每天9點鐘平均在線用戶數μ的取值應為600。而對于方差σ的取值，應該與μ有正比的關系。原因很簡單，如果用戶數數量大那么方差通常也會大，而如果用戶數小那么方差也會相應減小。因此在本文的討論中，定義的兩種方差的選擇方式均與均值μ成正比：小方差被定義為均值的0.5%，大方差被定義為均值的2%。

下面就將用300組正態分布的隨機數所給出的在線用戶數和用戶總流量數據來檢驗前面所訓練好的神經網絡是否能夠給出正確的故障判斷。時間在這里仍被固定為9，它和在線用戶數、用戶總流量一起作為神經網絡的輸入，每次依據輸入進行計算后3個輸出神經元的每一次輸出值被用“×”標示在圖中（見圖5）。神經元輸出的目標值以“○”在圖中標出。

從圖5中可以看出，對于小方差的情況，3個神經元給出的300次輸出都非常接近目標值0.1，其中分別表示用戶2、用戶3的2號、3號神經元的偏差在0.01以內，而表示用戶1的1號神經元的輸出值也從沒有超過0.2（見圖5(a)）。這就說明在小方差情況下神經網絡在300個樣本中都能做出正確的判斷。對于大方差的情況，3個神經元給出的輸出的偏差均有所增大（見圖5(b)）。由于神經元的狀態被用于故障判斷，為了簡化起見，判斷將被歸為“故障”和“正常”兩種。本系統中神經元的輸出將被以0.5為界劃分為2類：大于0.5的取值被判斷為故障；小于0.5的被判斷為正常。則圖中1號神經元有3個“×”位于0.5之上，也就是有3個樣本被錯誤地判斷成了用戶1故障，這里權且將其定義為“誤判”。那么300次有3次誤判，因此這里定義誤判率為1%。與無故障的情況的仿真模式相同，將有故障狀態的隨機數樣本交給神經網絡作判斷，結果表明在小方差情況下，神經網絡的判斷仍舊是完全準確的，大方差情況下誤判率僅為為0.33%。

上面所介紹的3用戶VPDN系統較為簡單，第二步的實驗模擬出一個更為真實的10用戶VPDN系統，用來檢測神經網絡判斷故障的性能。為了識別10個用戶所帶來的更多的故障狀態，在神經網絡中隱層所需的神經元數量也大幅增長，在本次的計算機仿真中采用的是有9 000個隱層神經元的神經網絡。網絡訓練和用隨機樣本檢測故障的步驟與前面相同。

圖5（a）給出的結果來看，訓練結果與訓練目標十分接近，神經網絡輸出的結果“兩極化”很明顯，能夠完成故障判斷的功能。而從圖5(b)給出的判斷結果來看，在以0.5作為分界進行判斷的情況下，此神經網絡的誤判率保持在了很低的水平。換而言之，該神經網絡同樣可以給出極具參考價值的故障判斷。

4 結果分析與結論

本文中首先分析的3用戶VPDN系統和用于檢測此系統故障的神經網絡充分證明了利用神經網絡完成故障判斷的可行性。盡管被用于檢測的VPDN系統用戶數少，因此行為模式也相對簡單，但是此系統比較具有代表性，可以反映現網VPDN系統的諸多特征。在設計完成神經網路系統后，與現實情況比較接近的帶有隨機性的輸入數據被用來檢測神經網絡判斷故障的能力。總體而言故障判斷的正確率在99%以上。

對于與現網更為接近的10用戶VPDN系統，通過選擇合適的神經元數和訓練參數，神經網絡仍可以順利完成訓練。而用帶有隨機性的用戶行為進行檢驗時，神經網絡的誤判率也保持在了很低的水平。本文中的計算機仿真分析從實驗的角度證明了利用神經網絡完成VPDN系統的故障檢測是完全可能的。而設計、分析、檢驗等多個研究步驟為實際應用中神經網絡系統的設計提供了可供參考的藍本。

參 考 文 獻

［1］顧立新，任立剛.基于cdma2000 1X移動網絡的新技術應用［J］.中國電信建設，2004，16(8):2428.

［2］李明鐸，任立剛.cdma2000 1X分組域VPDN的安全性分析［J］.電信技術，2004（12）：4446.

［3］Duba R O，Hart P E.Pattern Classification and Scene Analysis\\.Wiley，New York，1973.

［4］De Wilde P.Neural Network Models\\.Springer，Berlin，

1997.

［5］Tsodyks M，Gilbert C.Neural Networks and Perceptual Learning\\.Nature，2004，431:775781.

［6］Matlab神經網絡工具箱應用簡介：202.114.88.181/File/Tools%20Ref/matlab16.pdf.

［7］Halici U.Reinforcement Learning with Internal Expectation for the Random Neural Network\\.European Journal of

Operations Research，2000，126 (2)，288307.

［8］MATLAB 神經網絡工具箱函數： 202.114.88.181/File/Tools%20Ref/matlab15.pdf.

作者簡介 王學毅 北京郵電大學信息與通信工程專業博士研究生，研究方向為移動數據業務。中國聯通北京分公司技術綜合應用部經理，多年從事移動增值業務工作。