基于人工智能的網絡故障診斷相關問題研究

阿不都艾尼·阿不都肉素力

摘要：網絡技術不斷發展，網絡給人們提供更多的信息服務，信息傳輸讓人們實現了遠程辦公。但是隨著網路功能增加、網絡結構也越來越復雜。一旦網絡發生故障就會給人們生活、工作、學習帶來各種各樣的麻煩，人們對于網絡的依賴性越高，對于網絡故障診斷的需求也就越高，對于診斷效率和診斷技術的要求也越來越高。該文重點講述了人工智能在網絡故障診斷中的應用和存在的問題，并提出了幾點建議，供業內人士參考。

關鍵詞：人工智能；網絡故障；診斷；相關問題

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）13-0169-02

本文根據網絡系統出現故障的各種特點來分析了模糊邏輯、專家診斷系統、神經網絡和各種智能體系統的常用網絡故障診斷方法，并闡述了其特點、原理已經應用等方面的現狀和問題。

1 人工智能在網絡故障診斷應用中的現狀

人們與網絡的聯系日漸緊密，一旦網絡出現故障就會嚴重的影響人們工作、生活和學習，這就對我們網絡故障檢修工作提出了高要求，力求花最短的時間，精準的判斷故障發生原因、位置和類型，及時對故障進行搶修。這種要求對于我們工作人員來說是人力難以完成的，那么我們就需要引進一個套能高效、高速、精準定位故障的檢修判斷系統。如何對網站故障進行排除、定位和修復使我們網絡管理行業的最艱巨也是最迫切需要解決的問題，但是目前因為沒有一個準確的數學模型和相應的算法，造成傳統故障沒辦法進行有效的診斷和處理。人工智能技術是我們解決當前問題的一個重要解決方法，雖然目前國內還沒有得到廣泛的使用，但是蘋果、微軟等計算機軟件公司都已經在重點研究此技術，技術也在逐漸成熟中。本人參閱國內外的相關文獻，在分析故障特點的基礎上，對于模糊邏輯、專家系統、智能系統、專家系統等各類計算及系統進行研究，深入了解其特點和缺陷，并研究其診斷方法原理，希望能出盡我國的網絡故障診斷技術的發展。

2 網絡故障基本特征分析

經過本人多年對于大型網絡系統的研究，發現其故障的特點如下：

2.1 層次性

網絡系統是有結構分層的，包括數據鏈路層、物理硬件層、應用層，這些不同分層會出現層次性的故障，其故障征兆是有層次性的。

2.2 傳播性

故障傳播包括橫向傳播和縱向傳播兩種。橫向傳播是在同一層次里，因為某一個元素發生故障導致同層次的其他元素發生故障。縱向傳播是因為不同分層的某一層出現故障導致其他層次也出現問題，比如硬件損壞可能導致軟件數據丟失，數據鏈路層里的數據鏈被打斷，造成系統被破壞，應用層的應用自然無法使用。

2.3 相關性

網絡故障的表現征兆和原因很多且非常復雜，一種故障可能會出現不同的表現征兆，一種表現征兆也可能是因為不同的原因造成的。

2.4 隨機性

故障原因可能是隨機出現的，沒有固定的套路，其具有模糊性和隨機性。這也造成網絡系統故障診斷的難度大需要檢測的對象非常復雜且數量龐大。所以以人工檢測來看，這是一個浩大的工程，所以人力檢測也難以滿足高效檢修的需求。

人工智能系統對網絡故障進行診斷的方法是目前最有希望解決此問題的方法，下文對人工智能故障診斷方法及其在網絡故障診斷當中的應用進行闡述。

3 人工智能技術在網絡故障診斷中的應用

障診斷主要方法包括模糊邏輯、專家系統、多智能體系統 （Multi-agent system， MAS）和神經網絡等方法。

3.1 基于模糊邏輯的網絡故障診斷法

網絡故障與征兆表現都有隨機性，這就造成兩者之間的關系是模糊的，很難將征兆表現與故障原因通過準確的數學模型來確定其關系，這也就是我們常說的不確定性故障。模糊邏輯的診斷方法是處理這種不確定卻模糊狀態故障用的一種機制，其能夠將這些不確定性模糊故障信息進行搜集，集中整合，并通過函數等數學邏輯將其整合成一個模糊關系矩形陣，這個數學模型能將不確定性故障與征兆表現限制在一定范圍內，能夠為診斷提供一定的參考。此診斷原理主要先收集故障與征兆表現的數據，建立一個隸屬度函數，隨后將故障原因和征兆表現集合成一個模糊關系矩陣，使用模糊關系方程來縮小故障原因范圍。這種診斷方法無法做到精準的診斷出故障原因，但是能縮小范圍給檢修人員一定的參考和啟發，這就類似人類的思維方法，所以這個方法需要建立一個龐大的模糊關系數據庫，智能升級學習能力比較差。

3.2 專家系統在網絡故障診斷

這個診斷系統是模仿人類專家解決問題的方法過程的一種程序系統，此系統運用已有的相關理論和解決方法對故障原因進行分析和決策，這個系統的模擬功能非常的強大，是針對有規律規則但是牽扯原因多涉及范圍廣的復雜問題而設計出來的，將已有的人類知識、概念、模式、方案綜合歸納出規律規則，給人力檢測提供經驗啟發參考。這種強調規則性的專家系統對于知識選取，知識呈現的功能很強大，且結果顯示非常直觀，因為規則型強所以形式高度統一，對于檢修人員來說比較容易理解。

但是鑒于我們網絡系統故障的原因和征兆之間的關系非常復雜卻隨機性強，僅僅通過專家系統很難完成故障定位、原因分析的目標。專家系統強調歸納出規則，也導致知識只能是建立在數據庫基礎上，其靈活性很弱，因為系統故障隨意性強，就會導致歸納出的規則之間發生沖突，造成規則組合爆炸，無法得出準確的結果。目前有一種設置了自然語言接口的網絡故障診斷系統，主要采用了專家系統的設計原理和模型，將專家系統歸納出的規則與概念圖進行組合，延伸出了生產型的規則知識表（即EPR技術），將網絡上有關故障表述的語言轉成了一幅幅概念圖，利用專家系統的推理分析制定出一些規則，并將這些推理結果和推理規則轉換成自然語言輸出，直觀的讓檢修人員看到分析報告和結果。此種方法一定程度上能幫助檢修人員對故障進行預判。

3.3 基于神經網絡故障診斷法

故障診斷模式識別是神經網絡故障診斷的核心診斷方法，人工神經網絡能夠模擬出人類大腦組織結構，并建立一個類似人類大腦認知的過程，對故障進行分類處理。運行原理是將故障征兆通過神經網絡輸入到系統中，使用識別模式來將故障進行分類最終出具診斷結果。這種診斷系統可以通過對故障診斷實例數據收集，并對其進行一定的學習和訓練，將分布于神經網絡當中的那些表示連接權值數據經過計算翻譯后表達故障診斷，最后將故障診斷的結果輸出。

這種診斷方法適應性強，且能自動進行記憶聯想，能將故障數據分類處理。這與以上2種診斷系統相比，其學習能力強，能自主收集資料，能很好地對知識數據庫數據進行更新維護。但是其不足之處也很明顯，那就是有學習能力但是學習速度還是較慢，需要長時間訓練，且解釋能力不如專家診斷系統。這些技術水平的原因也導致神經網絡故障診斷系統目前沒有推廣使用。

3.4 多智能體技術在網絡系統故障診斷中的應用

經過國外的廣泛實踐應用結果發現，僅僅依靠模糊邏輯、專家系統或神經網絡等單一方法只能對一些簡單的網絡故障進行診斷，無法滿足大型網絡系統的故障診斷要求，所以單一的方法是滿足不了人們對于解決復雜故障的需求。那么就出現了采用多種診斷系統共同合作的新診斷技術——多智能體技術。多智能體技術是人工智能領域內的新寵，站在了技術的最前端，且備受關注。由多種診斷方法的系統組合而成，利用不同的系統的特性將復雜的網絡故障因素分解成單一、獨立的小因素。各個子系統共同運作。目前多智能體系統的研究不斷深入，對于如何協調各子系統有了一點的研究成果，其特性是自主性強，協調性強，組成形式為分布式，有一定的組織能力和學習能力，能將復雜的問題自主的分解成小問題，分發到子系統進行分析。

4 結束語

對于如何對網絡系統進行精準定位找出故障原因，出具診斷結果，提出修護方案，仍然是我們業內人士要重點研究的，我們要因地制宜，針對不對的實際情況來進行研究，需要滿足我們的用戶需求，制定合適的診斷的方案，引進先進的診斷技術，力求能夠快速、精準的判定故障原因，人工智能在網絡故障診斷中已經大放光彩，我們要抓住技術的潮流走向，融合多種智能診斷方法，對各種智能診斷系統進行深入的分析和了解。通過引進并其學習現代數據挖掘技術，從而改進目前我國的智能診斷系統的推理能力和知識獲取。讓網絡故障診斷能更快速、更精準。將網絡故障導致人們生活、學習、工作的損失降到最低。

參考文獻：

[1] 雷亞國. 混合智能技術及其在故障診斷中的應用研究[D]. 西安： 西安交通大學， 2007.

[2] 劉觀良， 趙萬能， 仝麥智. 基于人工智能的網絡故障診斷研究綜述[J]. 電腦編程技巧與維護， 2013（10）.

[3] 邊莉， 邊晨源. 電網故障診斷的智能方法綜述[J]. 電力系統保護與控制， 2014（3）.

[4] 馬驊， 張洪星， 宋海軍. 人工智能在計算機網絡系統故障診斷中的應用[J]. 邢臺職業技術學院學報， 2004（1）.

[3] Francisco Javier Cantu-Ortiz.Advancing artificial intelligence research and dissemination through conference series： Benchmark， scientific impact and the MICAI experience[J]. Expert Systems with Application， 2014， 41（3）.

[4] Kunwar P Singh，Shikha Gupta，Premanjali Rai， et al. Predicting acute aquatic toxicity of structurally diverse chemicals in fish using artificial intelligence approaches[J]. Ecotoxicology and Environmental Safety， 2013， 95（1）.