基于模糊貼近的網絡故障數據快速定位方法實現

王鈞玉

摘 要： 傳統的網絡故障數據定位方法大都基于固定指標分析告警信息，實現故障信號的定位，一旦指標數量過高則容易出現故障信號定位誤差過高的問題。提出一種基于模糊貼近算法的網絡故障數據快速定位方法，該方法包括塑造針對網絡業務的網絡故障數據告警關聯性分析模型、采集網絡故障數據模糊告警貼近指標，以及實現基于貼近指標推理的網絡故障數據定位3個模塊。系統將當前的網絡事實告警項進行模糊化處理轉換成模糊告警，由模糊匹配在貼近指標庫中發現與之匹配的全部貼近指標，并采集匹配度最高的貼近指標當成推理觸發指標。從該指標中提取故障數據模糊告警關聯信息，通過模糊合成策略，推理出網絡故障數據的模糊告警結論。實驗結果表明，所提方法對網絡故障數據進行定位具有較高的定位精度，并且消耗能量較低。

關鍵詞： 模糊貼近； 網絡故障數據； 快速定位； 故障數據告警

中圖分類號： TN915?34； TK223 文獻標識碼： A 文章編號： 1004?373X（2016）06?0041?04

Implementation of network fault data fast positioning method based on

fuzzy closeness algorithm

WANG Junyu

（Sanmenxia Polytechnic， Sanmenxia 472000， China）

Abstract： A network failure data fast positioning method based on fuzzy closeness algorithm is proposed in this paper. The method includes the establishment of warning correlation analysis model of network fault data， acquisition model of network fault data fuzzy warning closeness index， and network fault data location model based on closeness index reasoning for network business. The current network true warning term was processed in fuzzy mode and converted into fuzzy alarm. All the closeness indexes matching the target is discovered in the closeness index library by fuzzy matching， and the closeness index with highest matching rate is collected as the reasoning trigger index， from which the correlation information of failure data fuzzy alarm is extracted. The conclusion for fuzzy alarm of network fault data is reasoned out through fuzzy synthetic strategies. The experimental results indicate that the proposed method for network fault data position has high positioning accuracy， and low energy consumption.

Keywords： fuzzy closeness； network failure data； fast positioning； failure data warning

0 引 言

隨著網絡信息技術的快速發展，網絡在社會中具有重要的應用價值。網絡發生的微小故障將給社會生產和人們的生活帶來巨大的影響。因此，尋求有效的網絡故障數據定位方法，協助管理員及時完成網絡故障的修復，具有重要應用意義[1?3]。傳統的故障數據診斷方法，大都基于固定的指標分析告警信息實現故障信號的定位，一旦指標數量過高，則容易出現故障信號定位偏差過高問題[4?5]。當前存在較多的網絡故障數據定位方法，如文獻[6]分析了基于支持向量機的分層決策網絡故障信號定位模型。通過層次判別統計分析方法，塑造故障信息到故障類型的映射關系，實現故障信號的定位，但是該方法存在效率低和耗能高的缺陷。文獻[7]基于BP神經網絡實現網絡故障數據定位，該方法具有較高的定位效率，但是容易陷入局部最佳解。文獻[8]提出了基于小波神經網絡的網絡故障定位方法，該方法具有較高的收斂性，但是存在耗能高的缺陷。

上述分析的相關方法都存在一定的問題；因此，本文提出了一種基于模糊貼近算法的網絡故障數據快速定位方法。

1 基于模糊貼近算法的網絡故障數據定位方法

的設計與實現

1.1 邏輯推理結構的設計

基于模糊貼近算法的網絡故障數據快速定位的邏輯推理結構如圖1所示。

該方法從網絡數據中采集告警信息，按照系統參數對網絡故障數據告警信息進行預操作，過濾其中的噪聲因素，采集可實現挖掘的網絡故障數據告警事務項，并對告警信息進行模糊關聯規則挖掘，獲取網絡故障數據告警信息的模糊貼近指標。并將該模糊貼近指標同貼近指標庫中的全部指標進行對比，通過模糊推理方法獲取存在的故障源，實現網絡故障數據快速定位。網絡故障數據定位系統主要包括如下幾項分析步驟：

（1） 塑造針對網絡業務的網絡故障數據告警關聯性分析模型。針對網絡業務的定位系統，主要關注網絡層和業務層間的關聯性。業務層主要控制網絡服務，并采集網絡層反饋的不同業務數據，通過業務數據分析網絡性能，處理不同業務故障同網絡性能間的映射關系。

（2） 采集網絡故障數據模糊告警貼近指標。按照網絡故障數據告警的屬性，通過基于不同維度的網絡故障數據貼近指標采集方法，該方法先分析多域分布式網絡結構下的網絡故障數據告警關聯性以及層次化告警關聯性，為網絡故障數據告警設置分層結構信息。通過下層子網將網絡故障數據關聯性分析結果反饋給上層子網，上層子網對結果進行評估，挖掘出層間網絡故障數據貼近指標。網絡在動態調整情況下，會依據歷史網絡故障數據貼近指標知識庫中的數據，基于原始數據庫和調整數據庫在時間以及空間上的關聯性，對新網絡故障數據告警關聯性進行分析，挖掘出網絡故障數據模糊貼近指標。

（3） 實現網絡故障數據定位。網絡故障數據定位采用模糊推理方法，按照塑造的網絡故障數據模糊貼近指標知識庫，規劃故障數據定位系統模型，完成網絡故障數據的統一控制。

1.2 基于模糊貼近算法的網絡故障數據定位方法

根據邏輯推理單元，引入一種模糊貼近思維實現網絡故障數據的準確定位。在網絡故障信號定位系統中，存儲的大量的網絡故障數據模糊告警貼近指標知識庫以及動態事件告警庫，對于模糊告警的匹配、關聯分析等推理分析，能夠達到較高的精確度。對網絡故障數據定位的目標是確定故障存在的位置，通過有事實告警獲取根源告警的正向模糊推理方法，能夠推理出網絡故障信號危險。正向模糊推理流程的電路圖如圖2所示。

基于模糊貼近算法的網絡故障數據定位系統的分析過程為：系統輸入當前的網絡故障事實告警項，對告警項進行模糊化操作，變換成網絡故障數據模糊告警，通過模糊匹配在貼近指標庫中搜索同網絡故障數據模糊告警，相匹配的全部貼近指標，并將匹配度最高的貼近指標當成推理激發指標。在推理激發指標中可采集到網絡故障數據模糊告警的關聯信息，基于模糊合成方法，推理出網絡故障數據模糊告警結論。并將模糊告警結論反模糊化，獲取激發告警的根源故障位置，也就是實現推理結論告警的反模糊化，進而能夠形象描述出網絡故障數據產生的位置。所設計定位系統采用加權平均方法實現推理結論告警的反模糊化，具體過程為：

如果模糊集中的語言變量對象為數值型，同時不同模糊區間取值具有離散性，則將輸出量模糊集[Fx]內不同元素[xi]同相應隸屬度[μFx（xi）]相乘，并運算該乘積累加以及對于不同隸屬度和的平均值，也就是對語言變量集中的數據求加權平均后的模糊區間值，如下式所示：

[x0=i=1kxiμFx（xi）i=1kμFx（xi）]

式中：平均值[x0]是通過加權平均法獲取的模糊區間判決結果。

1.3 定位功能的設計與實現

基于模糊貼近算法的網絡故障定位是由網絡參數監測及處理模塊、知識采集模塊、故障定位知識庫、故障定位模塊、解釋模塊以及用戶界面構成。其功能模塊圖如圖3所示。

（1） 網絡參數監測及處理模塊。該模塊通過采集網絡運行參數，把采集到的參數存放在數據庫里；采集參數征兆，融合模糊貼近算法和數據庫，基于網絡故障數據定位數據庫里的設定條件檢測出不正常數據，把它變成易懂的知識，供網絡管理人員查看，并把網絡參數變更為網絡數據定位系統能辨認的數值；將定位到的故障數據和報警，通過圖像界面呈現給用戶，使操作員迅速得知網絡故障數據的發生。

（2） 知識采集模塊。該模塊依據對網絡故障樣本的認知，進行知識的采集，把采集的知識存入網絡的連接權中，塑造成故障定位模型。知識采集模塊可實現網絡故障定位系統對故障類別定位方法的信息獲取，為下一步定位鋪墊。

（3） 故障定位。該模塊利用模糊貼近算法得到網絡故障數據定位數據庫里的運行參數，剖析提取的網絡參數征兆，基于模糊貼近模型完成定位，并體現出定位的參數。

（4） 解釋模塊。該模塊是對網絡故障數據定位模塊計算結果的一個解釋，也就是對目前定位計算流程的一個詮釋。它的詮釋體系是基于故障定位知識庫里已存在的知識，對應任意節點的動作完成詮釋，假如知識庫里不存在該知識，網絡故障定位系統將顯示無相符內容，操作員根據知識庫對定位結論的正確性進行判定，并考慮是否可將這個征兆存儲到知識庫里。

（5） 故障定位知識庫。該模塊中存在通過模糊貼近模型導出的知識和訓練模型需要的知識等。故障定位知識庫可完成已得到知識的一個保護和更新，繼而便于后續推理。

（6） 人機交互界面。該模塊為用戶、管控人員以及網絡定位模型，提供信息溝通交流的窗口。人機交互界面重點是負責設定參數和數據的導入、導出等，它在人機交互與網絡故障定位系統里起到溝通協調的作用。

2 關鍵代碼設計與實現

基于模糊貼近算法的網絡故障數據定位方法，處理數據的第一步是將數據完成初始化，也就是把選擇的模擬數據存入系統，為下一步處理提供數據。完成數據初始化代碼如下：

3 實驗分析

通過實驗驗證本文提出的基于模糊貼近算法的網絡故障數據快速定位方法的性能。實驗分別采用本文方法和小波神經網絡方法對某服裝公司的銷售網絡故障數據進行定位分析，獲取10組樣本數據的定位值域實際值的誤差結果，如表1所示。

分析表1可以看出，本文方法對于網絡故障數據定位的誤差高于小波神經網絡方法，并且本文方法的誤差始終低于0.45，具有較高的可靠性，說明本文方法能夠對實驗網絡故障數據進行實時監控定位。

如圖4所示，網絡事務數據庫大小對不同方法運行時間的干擾，對比分析兩種方法的可擴展性。通過圖4可以看出，本文方法的運行時間始終低于小波神經網絡方法，并且具有較高的平穩度。而小波神經網絡方法的運行時間隨著事務數據庫大小出現顯著的波動，并且增長迅速。主要是因為本文方法先采集網絡的告警信息，再對告警信息進行模糊關聯規則挖掘，獲取告警信息的模糊貼近指標，通過模糊推理方法實現網絡故障數據快速定位。避免了掃描信息量龐大的全局事務庫，極大地降低了網絡故障數據定位時間。

如圖5所示為網絡事務數據庫不斷增長時，本文方法和小波神經網絡方法的內存占用情況。分析圖5可得，隨著網絡事務庫數量的增加，本文方法和小波神經網絡的內存占用率都不斷增加，而本文方法的占用空間增加幅度較低，說明本文方法針對大規模網絡數據的故障定位方法具有較高的優勢。

4 結 語

本文提出一種基于模糊貼近算法的網絡故障數據快速定位方法。系統將當前的網絡事實告警項，進行模糊化處理轉換成模糊告警，由模糊匹配在貼近指標庫中發現與之匹配的全部貼近指標，并采集匹配度最高的貼近指標當成推理觸發指標。從該指標中提取故障數據模糊告警關聯信息，通過模糊合成策略，推理出網絡故障數據的模糊告警結論，實現網絡故障數據的快速定位。實驗結果表明，所提方法對網絡故障數據進行定位，具有較高的定位精度，并且消耗能量較低。

參考文獻

[1] 周孝信，陳樹勇，魯宗相.電網和電網技術發展的回顧與展望：試論三代電網[J].中國電機工程學報，2013，33（22）：2?11.

[2] KAUER M， STEINHORST S， GOSWAMI D， et al. Formal verification of distributed controllers usingtime?stamped event count automata [C]// Proceedings of 2013 ASP?DAC. Yokohama Japan： [s.n.]， 2013： 411?416.

[3] 鄭濤，潘玉美，郭昆亞，等.基于免疫算法的配電網故障定位方法研究[J].電力系統保護與控制，2014，42（1）：77?83.

[4] 劉健，張小慶，同向前，等.含分布式電源配電網的故障定位[J].電力系統自動化，2013，37（2）：36?42.

[5] 周湶，鄭柏林，廖瑞金，等.基于粒子群和差分進化算法的含分布式電源配電網故障區段定位[J].電力系統保護與控制，2013，41（4）：33?37.

[6] 林濟鏗，潘光，李云鵬，等.基于基本樹的網絡拓撲放射性快速判斷方法及配網重構[J].中國電機工程學報，2013，33（25）：156?166.

[7] DAIGLE M J， GOEBEL K. Model?based prognostics with concurrent damage progression processes [J]. IEEE transaction on systems， man， and cybernetics， 2013， 43（3）： 535?546.

[8] 吳浩，羅毅，蔡亮.基于RBF神經網絡的輸電線路故障類型識別新方法[J].重慶郵電大學學報（自然科學版），2013，25（3）：418?426.