基于SVM的電信網絡異常點檢測技術的研究

吳 銳，陳 靜

（安徽工業經濟職業技術學院，安徽 合肥 230051）

基于SVM的電信網絡異常點檢測技術的研究

吳 銳，陳 靜

（安徽工業經濟職業技術學院，安徽 合肥 230051）

隨著我國電信網絡的不斷發展，其服務也逐漸呈現出多樣化趨勢，使得網絡傳輸的數據類型也日益復雜，同時流量規模較之以往有了大幅的提高.在此情況下，電信網絡運營維護方式必須予以加強和改進，由以往基于被動統計的檢測方式轉變為主動針對具體性能指標進行監測的模式，對網絡中出現的異常情況進行快速的排查和解決.本文提出一種基于SVM技術和同點時間序列模型的網絡異常點動態檢測機制，對電信網絡置信區間的異常點進行實時化監測.通過仿真實驗證明，該方法有效地提高了電信網絡異常點的識別速度，具有一定的推廣價值.

SVM；電信網絡；異常點；時間序列

1 引言

隨著電信網絡規模的逐漸增大，目前廣泛使用的異常檢測手段主要是通過設置靜態閾值的方式來完成，當流量在某一時間點超過閾值時，系統根據監測到信息發出警報，但此種方法存在諸多的弊端，最大的問題就在于只能對某一網絡區域的總流量進行監測，而無法監控某個具體的端口[1]，這使得雖然大部分時間總流量是出于正常區域內的，但用戶端的流量卻經常性的出現異常波動，如有限范圍內的病毒攻擊或廣播風暴等，這對用戶體驗度的影響是顯而易見的.

在流量異常的檢測領域，有不少研究人員發表了自己的研究成果.如Roy首次提出了流量正常范圍的概念，認為流量規模無論是否出現突變，只要在某范圍之內，都可認定為正常[2]；Jun Jiang等人提出了將預測算法引入到流量監測領域，通過某時間段內的流量變換情況來預測下一刻網絡性能的變化趨勢[3]；Amon Goldman等人從統計學方法入手，采用迭代統計機制來觀察某區域內的流量波動，從而更準確地調整閾值范圍[4]；Matthew V Mahoney提出了預先過濾機制，并通過建立協議模型的方式輔助異常檢測[5].以上檢測方法基本屬于被動調控方式，因此監控策略的生效往往較為滯后，并不能及時有效的解決網絡流量中出現的異常情況，因此目前該領域內的研究熱點就放到了主動識別和事前監控方法的研究方面，本文正是基于此趨勢展開研究，提出了一種基于支持向量機(Support Vector Machine，SVM)的主動性能監測方法.

主動性能監控技術的檢測對象不再是某一區域內的流量規模變化，而是通過分析異常點的方式來識別網絡中可能出現的故障.所謂的異常點指的是預設的一系列性能指標中的某一點的波動超出了正常范圍，異常點的出現，基本上是由通信服務出現故障造成的，因此在第一時間內對服務區域內的異常點進行檢測、定位和修復可有效地提高通信質量，從而達到避免嚴重故障發生或縮短故障發生時間的目的.

在檢測異常點的過程中，通常會利用兩個指標，分別是基線和閾值，這也是目前最常用的檢測模式，但該模式存在一定的缺陷，例如無法對基線和閾值進行實時化的動態調整，使得這兩個參數與真實的網絡狀況相比存在一定的滯后，虛假報警或遺漏報警的情況很難避免[7].本文的優化思路是引入SVM機制來對以時間序列為對象的網絡性能評價系統進行改進，提高基線計算的精確性和實時性，并利用訓練殘差來計算指標值的置信區間，從而為閾值的設定提供了可靠的依據.

2 支持向量機優化機制

支持向量機SVM是近年來發展較快的一種基于機器自適應和自學習的智能型優化算法，屬于統計分析、人工智能和自動控制領域的交叉研究成果[8].該算法在高維數和非線性等復雜問題的優化與求解領域具有良好的應用優勢，相較于其他同類型的優化算法，SVM通過對解群體的分類與回歸，實現了更加突出的泛化性[6].從本質上看，SVM研究的對象為二元分類問題，其算法基本原理描述如下：

計算得到的f(x)為+1時，表示x歸類為一類，f(x)為-1則表示x歸類為二類，依據此規則就可對被控對象進行主動預測，如判斷網絡性能是否出現異常.

3 電信網絡性能異常檢測方案設計

3.1 電信網絡性能同點序列數據模型的提出

如前文所述，本文提出同點時間序列數據模型，采樣的時間點不再是連續的，而是根據每天同一時刻，連續多日采樣，得出優化算法所需的訓練集，如式(2)所示：

根據實踐經驗可知，電信網絡異常事件一旦發生，其生命周期一般不會太短，往往要持續多個采樣周期，在采用連續時間序列模型時就會導致輸入向量中的異常點也往往也集中出現，不利于整體的性能評價；而同點時間序列的采樣點是呈分散狀的，這就大大降低了一個輸入向量同時包含多個異常點的可能性，從而提高了檢測工作的穩定性和可靠性.

3.2 核函數的選擇及參數優化

SVM算法中的核函數直接決定了算法預測的質量高低，在選擇核函數時，若無法得到可靠的先驗知識，則一般均會選擇高斯徑向基函數來作為SVM算法的核函數，其原因就在于該函數具有很好的逼近能力，在線性于非線性系統中均表現良好[10].本文經過綜合考慮，最終決定也選取該函數為SVM算法的核函數，如式(4)所示：

圖 SVM參數精細尋優結果

在選定過了核函數之后，就需要對其他參數組進行預優化，通過粗略尋優來判斷最優參數的估值，再在此估值附近進行精細尋優，最終找到合適的c和γ.

觀察左圖可以發現，c和γ精細尋優結果的取值范圍明顯縮小，最終確定c=1.3272，γ=1，SVM對訓練集的分類準確率也有了一定的提高，近似達到了95.6%.

3.3 置信區間的確定

在經過上述的步驟后，SVM算法已確定了基線和最佳參數，下一步工作就是利用訓練殘差計算指標值在監控時間點上的置信區間.

根據式(5)就可根據選定的置信區間得到相應的閾值波動范圍，如若選定置信度為1-α=95%，查正態分布表得z0.05/2=1.96≈2，則指標值在監控時刻的波動范圍為[f^(x)-2σ；f^(x)+2σ]若選置信度為 1-α=97%，則根據 z0.03/2≈3，波動范圍為[f^(x)-3σ；f^(x)+3σ].

4 仿真實驗

本實驗采用CPU負荷這一常用的性能指標來模擬監控實驗，數據來源為某電信網絡服務器的監控記錄，采樣周期為3d，從2016年3月31日至4月2日，共288個采樣點.通過觀察監控記錄發現存在15個異常點，而其中12個異常點為連續集中型，其余3個異常點為隨機型.前者的異常狀態表現為CPU負荷過低，說明某一服務可能遭遇了意外中斷，并在較長時間內保持該中斷狀態；3個隨機異常點，表現為CPU負荷突變，短時間內發生了大幅波動，說明某服務出現了暫時的故障和停頓.就該樣本集分別采用基于連續時間序列和同點時間序列的SVM算法進行預測，并計算相關的基線和閾值，設容忍度為0，置信度為95%.

通過分析可以看出，連續時間序列模式下，SVM檢測機制的敏感度過高，對實際出現的異常點均能做出反應，但誤報警的情況很難避免，此外對于集中異常點的狀況表現不佳，容易出現漏報.基于同點時間序列模式的SVM檢測機制可以很好地反應電信網絡中出現的異常情況，特別是針對異常點集中出現的狀況，該機制下的檢測識別率遠比其他算法可靠，表現出了良好的持續監控能力.

5 結束語

隨著廣大用戶對網絡服務水平的需求不斷提高，電信運營維護的模式也必然要發生轉變，從以往的被動統計方式逐步地朝著主動監控方向發展.本文提出了基于SVM優化機制的電信網絡性能檢測機制，并在此基礎上設計了計算基線和閾值的方法，最后基于連續時間序列和同點時間序列分別建立了被控對象模型，通過仿真實驗證實了同點時間序列下的SVM檢測機制能夠有效地對電信網絡運營過程中出現的異常點進行實時化的監測.相信隨著智能算法領域的不斷發展，會出現更多的優秀算法和機制，進一步提高電信網絡的性能監測水平，為用戶提供更高質量的網絡通信服務.

〔1〕于艷華,宋俊德.一種基于異常點檢測的電信網絡性能監控策略[J].電子與信息學報,2009,31(9):2220-2224.

〔2〕武優西,郭磊,柴欣,等.基于優化算法的核函數參數選擇的研究[J].計算機應用與軟件,2014,27(1):137-140.

〔3〕吳景龍,楊淑霞,劉承水.基于遺傳算法優化參數的支持向量機短期負荷預測方法[J].中南大學學報:自然科學版,2009,40(1):180-184.

〔4〕Castro L N,Timmis J.An Artificial Immune Network for Multimodal Function Optimization[C]//Proceedings of IEEE Congress on Evolutionary Computation(CEC'02).Hawaii,U·S·A:2015:674-699.

〔5〕馮旭哲,羅飛路,楊俊.基于小波支持向量機的數字通信信號調制識別[J].電子測量與儀器學報,2013,23(3):87-92.

〔6〕Erman J,Arlitt M,Mahanti A.Traffic classification using clustering algorithms[C].Proceedings of the 2011 SIGCOMM Workshop on Mining Network Data,Pisa,Italy,2013:281-286.

〔7〕Shi Zhi-wei and Han Min.Support vector echo-state machine for chaotic time-seriesprediction [J].IEEE Transactions on Neural Networks,2014,18(2):359-372.

〔8〕朱樹先,張仁杰.支持向量機核函數選擇對面部特征識別的作用[J].光學技術,2013,34(6):902-904.

〔9〕馬維晏,李忠誠.基于流的網絡流量特征分析[J].小型微型計算機系統,2009,9(10):54-58.

〔10〕Dias D M,Kish W,Mukherjee R,etal.A Scalable and Highly Available Web Servers.Proc.of 41st IEEE Computer Society Intl.Conf.(COMPCON 2014),2015-02:85-92.

〔11〕Sebastian E,Gregg R,Srikanth K.Leveraging user-session data to support web application testing[J].IEEE Transactions on Soft-ware Engineering,2005,31(3):66-67.

TN929.5

A

1673-260X（2017）11-0046-02

2017-08-11

2016年度安徽省級特色（品牌）專業課題（2016tszy018）；2016年度安徽省大規模在線開放課程（MOOC）示范項目（2016mooc072）