計算機網(wǎng)絡故障檢測中BP神經(jīng)網(wǎng)絡的應用

閆鋒哲 中國人民大學信息學院 100872

前言：

互聯(lián)網(wǎng)已經(jīng)應用到各行各業(yè)之中，不僅將網(wǎng)絡規(guī)模擴大，還增加了許多的功能，人們的日常生活以及學習工作也已經(jīng)不能離開計算機網(wǎng)絡，已經(jīng)成為社會健康發(fā)展的推動力之一。但是計算機網(wǎng)絡的普及并不僅僅帶來了好處，還有其自身的不完善以及病毒的侵入等原因，為網(wǎng)絡安全帶來了很大的隱患，影響了網(wǎng)絡健康發(fā)展。因此，使用BP神經(jīng)網(wǎng)絡，能夠更好地解決計算機網(wǎng)絡的故障問題。

一、BP神經(jīng)網(wǎng)絡的認知

1.BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

BP(Back Propagation)神經(jīng)網(wǎng)絡主要是一種多層前饋神經(jīng)網(wǎng)絡，按照誤差的逆向算法進行運算，在1896年以Rumelhart以及McClelland為主的科學家提出的，在目前廣為應用。其結(jié)構(gòu)為輸入層、輸出層以及兩者之間的隱含層，隱含層可以是一層，也可以是多層。BP神經(jīng)網(wǎng)絡無需在使用之前先將輸入與輸出之間的數(shù)學方程進行確定，通過自身的訓練，將規(guī)則進行學習，就能在給定的輸入值之后得到最接近期望的輸出結(jié)果。輸入層將從外界的輸入信息通過神經(jīng)元傳遞給不同的神經(jīng)元，輸出層將外界的信息進行處理并得出結(jié)果，隱含層則是在兩者之間，負責信息的內(nèi)部處理以及變換，其主要依據(jù)信息的變化需求而決定。除此之外，隱含層的狀態(tài)對輸入u輸出之間的關(guān)系有重要的影響，將隱含層的權(quán)系數(shù)進行改變，就能將整個多層神經(jīng)網(wǎng)絡的性能進行改變，隱含層中的節(jié)點數(shù)量也需要進行注意，過多或者過少都會對網(wǎng)絡的穩(wěn)定性造成一定的影響，需要相關(guān)人員在使用BP神經(jīng)網(wǎng)絡是，根據(jù)實際情況設定節(jié)點數(shù)，保證計算機網(wǎng)絡性能的最優(yōu)化[1]。

2.BP神經(jīng)網(wǎng)絡故障檢測的算法

計算機網(wǎng)絡在運行過程中，會產(chǎn)生很多信息，當出現(xiàn)故障之后，信息也會發(fā)生相應的變化，BP神經(jīng)網(wǎng)絡能夠在狀態(tài)信息中獲得映射關(guān)系，并在映射關(guān)系產(chǎn)生變化之后進行不斷地自我調(diào)整，適應環(huán)境的變化。其主要是通過自身的學習機制構(gòu)成的決策區(qū)域，其中決定網(wǎng)絡計算機的特性主要有學習訓練規(guī)則、拓撲結(jié)構(gòu)以及神經(jīng)元特性等。并且根據(jù)實驗表明，在三層神經(jīng)網(wǎng)絡下，對于任意精度都能逼近連續(xù)函數(shù)。在BP算法的學習中，有兩種工作信號的創(chuàng)博方法，其正傳播就是通過輸入層將輸入信號傳播至輸出層，在輸出端得到信號[2]。而信號的反向傳播是在誤差信號通過輸出端將信息進行向后的傳播過程，誤差信號在其中指的是網(wǎng)絡期望輸出信號與實際輸出信號之間的差值。

而BP神經(jīng)網(wǎng)絡的算法過程，首先將網(wǎng)絡進行初始化，輸入節(jié)點數(shù)、輸出節(jié)點數(shù)、隱含層節(jié)點數(shù)、將連接權(quán)值、偏置初始化，并將學習速率與神經(jīng)元際化函數(shù)給定。其次就是計算隱含層的輸出、輸出層的輸出計算、誤差計算、權(quán)值更新、閾值更新等，最后就是觀察算法的迭代是否結(jié)束，如若沒有結(jié)束，則重新返回第二步驟，當滿足學習次數(shù)或者誤差要求之后，自動得出結(jié)果，結(jié)束算法。

S型激活函數(shù)是BP神經(jīng)網(wǎng)絡鎖對應的輸入與輸出的關(guān)系：

net=x1w1+…xnwn

y=f(net)

f’(net)=y(1-y)

神經(jīng)網(wǎng)絡在計算機中主要是通過神經(jīng)元進行大量連接計算機網(wǎng)絡，BP神經(jīng)網(wǎng)絡是目前廣泛應用的神經(jīng)網(wǎng)絡模式[3]。

二、BP神經(jīng)網(wǎng)絡的特點以及缺陷

1.BP神經(jīng)網(wǎng)絡特點

在BP神經(jīng)網(wǎng)絡中，其主要特點是能夠進行單向傳播的多層向前網(wǎng)絡，其主要三層結(jié)構(gòu)為輸入層、中間層以及輸出層，中間層數(shù)量可以具有多個，并且神經(jīng)元之間只接受前一層神經(jīng)員的輸出。其中BP神經(jīng)網(wǎng)絡中沒有反饋現(xiàn)象，同一結(jié)構(gòu)層中也沒有耦合作用，節(jié)點只能對下一層的節(jié)點的輸入進行影響。由此可知BP神經(jīng)網(wǎng)絡中具有以下幾種特點。

（1）泛化特點

泛化是指設計模式分類器的過程中，不僅需要考慮網(wǎng)絡能否將需要分類的對象進行正確的劃分，還要關(guān)心BP神經(jīng)網(wǎng)絡在訓練之后，對于從未見過的模式或噪音等模式進行分類，并保證其分類的正確性，將其學習的成果成功應用到新的知識當中，即為BP神經(jīng)網(wǎng)絡的泛化。

（2）容錯特點

在進行全局訓練過程中，若是BP神經(jīng)網(wǎng)絡的局部神經(jīng)元受到破壞，對其訓練結(jié)果沒有較大的影響，在系統(tǒng)損傷的情況下還鞥夠繼續(xù)正常工作，因此BP神經(jīng)網(wǎng)絡具有一定的容錯作用。

（3）非線性映射特點

BP神經(jīng)網(wǎng)絡其主要就是輸入項輸出的映射，通過數(shù)學理論，能夠證明三層的神經(jīng)網(wǎng)絡以任意精度能夠逼近非線性的連續(xù)函數(shù)，能夠?qū)?nèi)部復雜的問題有效進行解決，適合在計算機網(wǎng)絡之中。

（4）自學適應特點

BP神經(jīng)網(wǎng)絡能夠在進行訓練時，能夠自主學習將輸出與輸出數(shù)據(jù)之間的規(guī)則進行提取，并將學習內(nèi)容在網(wǎng)絡權(quán)值中記憶，具有高度的學習適應性。

2.BP神經(jīng)網(wǎng)絡缺陷

隨著對BP神經(jīng)網(wǎng)絡的深入研究，BP神經(jīng)網(wǎng)絡也體現(xiàn)出了其中的不足之處：

（1）局部極小化

通過數(shù)學的角度可以了解到，傳統(tǒng)的BP神經(jīng)網(wǎng)絡是一種局部的搜索優(yōu)先法，其需要將復雜的非線性化問題有效解決，并且其網(wǎng)絡權(quán)值是隨著局部的改善而調(diào)整，讓算法在運行過程匯總?cè)菀走M入局部的極值，權(quán)值由此收斂縮小，讓網(wǎng)絡訓練失敗，并且BP神經(jīng)網(wǎng)絡對于初始的網(wǎng)絡權(quán)重十分敏銳，在不同的網(wǎng)絡權(quán)重初始化，也會有不同的局部極小，導致訓練結(jié)果也會不同。

（2）結(jié)構(gòu)選擇不一

在BP神經(jīng)網(wǎng)絡出現(xiàn)至現(xiàn)在，并沒有對其進行統(tǒng)一的理論指導，在使用過程中，只能通過以往的經(jīng)驗進行結(jié)構(gòu)的選擇，若是其結(jié)構(gòu)的選擇過多，訓練效率不能有效提高，并且可能出現(xiàn)擬合的現(xiàn)象，讓網(wǎng)絡的性能以及容錯性降低，若是網(wǎng)絡結(jié)構(gòu)選擇小，網(wǎng)絡又會出現(xiàn)不收斂等現(xiàn)象，因此，網(wǎng)絡結(jié)構(gòu)的選擇讓BP神經(jīng)網(wǎng)絡的推廣成為問題，在實際網(wǎng)絡中，需要進行謹慎的選擇。

（3）算法收斂的速度慢

其本質(zhì)的算法呈梯度下降算法，而BP神經(jīng)網(wǎng)絡所需要優(yōu)化的函數(shù)十分復雜，必然會在實際的應用過程中出現(xiàn)“鋸齒形現(xiàn)象”，導致BP神經(jīng)網(wǎng)絡算法無法有效進行。并且在復雜的函數(shù)優(yōu)化過程中，神經(jīng)元的輸出近似與“0.”“1”，并且會有平坦區(qū)域的出現(xiàn)，在平坦區(qū)域之間，權(quán)值的誤差改變會很小，很難出現(xiàn)有效的訓練成果。另外，在BP的神經(jīng)網(wǎng)絡模型之中，為了能讓網(wǎng)絡嚴格執(zhí)行BP算法，就不能用一維的搜索算法進行迭代步長的求值，而需要先在網(wǎng)絡中賦予步長的迭代規(guī)則，導致在BP算法的實際運行中效果降低。

（4）預測與訓練能力存在矛盾

預測能力稱為泛化以及推廣能力，訓練能力則是逼近以及學習能力。在通常的情況下，BP神經(jīng)網(wǎng)絡的訓練能力與預測能力出于相輔相成的關(guān)系，若是訓練能力差，則預測能力也不會強，而訓練能力的提高也會影響預測能力，使預測能力也隨之提高。但此種趨勢在BP神經(jīng)網(wǎng)絡之中并不固定，而是有一個閥值，當?shù)竭_閥值時，隨著訓練能力的提高，預測能力反而下降，也就是通常所說的“過擬合”現(xiàn)象，此種現(xiàn)象的產(chǎn)生是由于網(wǎng)絡學習過程中有過多的細節(jié)樣本，其學習模型也已經(jīng)不能夠有效反應樣本的規(guī)律，因此，在實際的BP神經(jīng)網(wǎng)絡的學習訓練過程中，學習度需要進行有效掌握，從而發(fā)揮其作用。

三、計算機網(wǎng)絡故障檢測中BP神經(jīng)網(wǎng)絡的應用措施

1.BP神經(jīng)網(wǎng)絡故障檢測原理

在BP神經(jīng)網(wǎng)絡中，模型只有一個輸出和輸入與外界進行關(guān)聯(lián)，其訓練的方法主要通過樣本的數(shù)據(jù)信息的采集以及BP神經(jīng)網(wǎng)絡的算法進行的，讓BP神經(jīng)網(wǎng)絡模型能夠無限趨近于組合導航系統(tǒng)中原始算法的模型的非線性特征，因此，在計算機網(wǎng)絡故障檢測中BP神經(jīng)網(wǎng)絡的應用主要是三部分組成。其一就是在BP神經(jīng)網(wǎng)絡的訓練過程中要有充足的數(shù)據(jù)樣本，對可期望的計算機網(wǎng)絡進行檢測。其主要是通過特定的事物以及模式的相同點進行識別，而計算機在此種模式之下能夠待分配的模式主動將其分配到不同的模式之中，根據(jù)模式特征進行空間分類，但是在實際的決策區(qū)域中的分類分割是十分困難的，需要對函數(shù)判別式進行有效的選擇，并做好修正的措施準備[4]。其二就是根據(jù)實際的檢測輸入，對計算機系統(tǒng)進行相應的檢測，達到使用BP神經(jīng)網(wǎng)絡檢測的目的。此種模式需要考慮輸入與輸出的對應關(guān)系，建立動態(tài)的神經(jīng)網(wǎng)絡模型，實現(xiàn)故障的預測。其三就是專家診斷神經(jīng)網(wǎng)絡，利用神經(jīng)網(wǎng)絡與專家系統(tǒng)的有效結(jié)合，了解專家系統(tǒng)與BP神經(jīng)網(wǎng)絡的原理進行專家系統(tǒng)的設計，從知識處理的角度出發(fā)，專家系統(tǒng)中其主要內(nèi)容就是計算機網(wǎng)絡故障的診斷，將符號推理有效的轉(zhuǎn)變，成為數(shù)值運算推理，能夠提升專家系統(tǒng)的效率，在推理、自適學習以及知識獲取等多方面都具有優(yōu)越的性能，能夠適用于大行動設備之中，解決多種故障難題。在一般情況下，將樣本數(shù)據(jù)以及學習數(shù)據(jù)進行有效的處理，之后才能應用于學習檢測之中，在進行檢測的過程中，其主要是通過預處理以及特征的提取為計算機網(wǎng)絡故障的檢測提供更多的有效輸入以及訓練數(shù)據(jù)樣本，從而將計算機網(wǎng)絡的故障通過BP神經(jīng)網(wǎng)絡進行檢測的目標實現(xiàn)。

2.BP神經(jīng)網(wǎng)絡故障檢測步驟

在計算機網(wǎng)絡故障的檢測中，使用BP神經(jīng)網(wǎng)絡進行檢測主要有以下幾個步驟：首先，加固計算機網(wǎng)絡中的結(jié)構(gòu)規(guī)模進行有效確定，其主要重點在于計算機中間層神經(jīng)元的選取，能夠確定計算機的網(wǎng)絡結(jié)構(gòu)規(guī)模以及其性能特點。其次就是選擇訓練樣本以及測試樣本，其中訓練樣本是對計算機網(wǎng)絡進行有效的訓練，而測試樣本則是檢測計算機的訓練效果的實用性，并對其推廣能力的觀察，經(jīng)過訓練樣本對計算機網(wǎng)絡訓練以及測試樣本對計算機網(wǎng)絡進行測試之后，對其結(jié)果進行檢測，符合標準要求，BP神經(jīng)網(wǎng)絡系統(tǒng)才能在計算機網(wǎng)絡中進行故障檢測，若是不符合檢測結(jié)果，則需要進行重新訓練以及測試[5]。最后，就是根據(jù)定位導航系統(tǒng)與BP神經(jīng)網(wǎng)絡故障檢測系統(tǒng)進行有效結(jié)合，并根據(jù)實際情況進行輸入，等待檢測結(jié)果即可。

3.計算機網(wǎng)絡故障的檢測

在計算機網(wǎng)絡之中，其主要的故障表現(xiàn)在協(xié)議設置的問題，能夠通過軟件等方面進行故障的檢測分析。如若計算機是正確有效的網(wǎng)絡設置，能夠與測試本機接通，相鄰主機則不能接通，而交換機與網(wǎng)卡之間的互聯(lián)端口也沒有松動或者斷開的情況，其協(xié)議或者是網(wǎng)卡的驅(qū)動程序需要再進行以此重新的安裝，若是沒有解決計算機的網(wǎng)絡故障問題，則需要對交換機端口以及側(cè)重點進行重新檢測。系統(tǒng)在正常的運行狀態(tài)過程中，殘差與高斯白噪聲序列近似，而均值接近零，協(xié)方差上界公式:

U(k)=l1CP(k/k)CT+l3tr(p(k/k-1))I+l2I+V

其中U（k）會隨著k值的變化而變化，出現(xiàn)不同的特征。

且其為服從分布的形式，其公式又可以表示：

在上述公式中，以N為數(shù)據(jù)窗的長度表示，正常的系統(tǒng)運行情況則d(k)的數(shù)值變小，而若是系統(tǒng)故障中，則d(k)HO≤，若是系統(tǒng)運行中存在延遲現(xiàn)象，則d(k)的數(shù)值就會出現(xiàn)十分明顯的變化，以此來檢測計算機的網(wǎng)絡故障。

總結(jié)：計算機網(wǎng)絡的安全與人們的生活息息相關(guān)，不僅是在娛樂之中，工作也不能離開計算機網(wǎng)絡，一旦出現(xiàn)網(wǎng)絡故障問題，將會造成極大的不良影響，對企業(yè)的發(fā)展以及科學的研究都會形成不可估量的損失，所以需要在計算機網(wǎng)絡中應用BP神經(jīng)網(wǎng)絡進行故障的檢測，其良好的非線性映射以及強大的適應能力，都能促進計算機網(wǎng)絡故障檢測的有效發(fā)展，為人們提供更加安全便捷的網(wǎng)絡環(huán)境。