基于BP神經網絡的通信網絡管理軟件失效預測方法

郭春雷

（河北軟件職業技術學院，河北 保定 071000）

0 引 言

通信網絡管理技術的發展使得通信系統的結構更加復雜，且面對的信息數據量級也較之前明顯提升[1,2]。這就使得系統軟件在進行通信網絡管理時，需不斷提高信息的規模和復雜度。傳統的管理軟件面對大量的處理數據出現系統癱瘓，從而使得軟件故障頻發，最終導致通信網絡管理軟件失效[3]。在這種情況下，研究系統通信軟件的時效預測方法十分必要[4]。大型并行非線性系統中，BP神經網絡更利于進行分布式存儲，且具有并行處理方式的特性，其優越的自組織和自學習能力為軟件失效預測提供了更強的容錯性[5,6]。為此提出基于BP神經網絡的通信網絡管理軟件失效預測方法。

1 構建軟件失效預測模型

應用神經網絡管理訓練集，針對軟件失效預測模型分析軟件失效前特征，判斷軟件系統級FMEA主要的活動，將失效預測模式劃分為數個階段[7,8]。分析失效模式，通過失效原因和失效影響進行特征整合，利用失效影響劃分軟件失效嚴酷度等級[9]。分析并改進失效預測模型結構，針對軟件失效預測模型進行失效神經網絡管理訓練，并分析失效預測模型分類指導。通過BP神經網絡失效預測模型管理FMEA訓練集，在失效預測模型中劃分失效預測模式來源，得到如表1所示的失效模式預測類型。

表1 失效模式預測類型

詳細劃分通用失效預測模式，據此構建軟件失效預測模型，并分析程序故障和輸出失效預測模式。通過軟件失效模式預測特征識別軟件安全關鍵信息，利用系統能級分析功能風險，并針對潛在危險進行軟件失效預測模型結構分析。其中，通過軟件危險性分析得到軟件失效預測路徑，針對軟件故障發生前的信號預警進行失效預測。由于軟件失效預測模型與NHPP發生失效的規律相仿，因此以NHPP為假設基礎進行模型構建，排除不遵循NHPP的軟件失效事件，并在該討論范圍內設計軟件失效預測函數[10]。已知將軟件失效進行泛化后可以得到軟件失效的過程，在軟件失效過程t時刻代入常數λ，該常數達到的失效強度N(·)為：

該軟件的失效過程可在時間t中運行，當時間間隔 Δt＞ 0時，其失效強度P=λN(t)Δt+o(Δt)。其中，o(Δt)為時間間隔為Δt的失效強度?；谠撌姸扔嫈颠^程，讓失效規律產生的軟件潛在缺陷與軟件失效預測模型建立聯系。已知軟件潛在缺陷會通過故障方式顯現，在故障達到一定次數后可診斷為軟件失效。但由于軟件缺陷事件發生概率較不確定，因此需要通過植入錯誤概率控制軟件缺陷事件的發生[11]。利用FDR函數構建軟件失效預測模型，針對軟件缺陷數量與待檢測的故障建立數據集合，通過分析二者的跳變關系得到軟件失效預測模型如圖1所示。

圖1 構建軟件失效預測模型

利用測試數據與FDR函數進行軟件缺陷檢測，通過兩者的正向關系對軟件中待檢故障數進行計量，利用FDR函數識別跳變條件。針對軟件故障跳變反應，利用軟件失效預測進行實踐消除。監測故障間隔的頻率，同時進行順序排錯，重新梳理測試流程，對軟件的可靠性進行失效預測。在固定的操作環境下，針對軟件的失效預測模型進行運行監測，利用研究操作環境的不確定性檢測軟件的可靠性。

根據構建的軟件失效預測模型對軟件需求規格、設計說明等文檔等基礎條件進行分析，針對頂層論證目標制定出運行格式。

利用危險分析結合軟件危險識別，對軟件失效進行預測，并整合軟件安全自檢功能進行軟件缺陷識別，利用軟件安全自檢功能模塊分析軟件失效模式。并在軟件的失效模型實例集中確認失效源代碼，針對設計文檔和預測失效模型，通過BP神經網絡管理訓練集對軟件失效危險性進行分析，如圖2所示。

圖2 分析軟件失效危險性

通過分析軟件失效危險性可知，對于同一軟件中出現的失效危險，在進行修正后，對于該失效危險今后出現的可能性是很小的。并且該失效危險將不會重復出現，針對該失效風險，利用補丁進行失效填補，將瑕疵部分予以更正并替換，可以讓軟件正常運行，并在一定程度上降低發生失效危險的可能。經過替換損壞部分后，系統將可以再次運作，而軟件系統中，通過仔細修正后的軟件穩定性能夠在一定程度上得到提升。因此要利用失效預測模型找出關鍵性的錯誤代碼，利用該代碼進行失效填補。利用軟件失效預測模式找出失效發生原因，并對該軟件預測進行可靠性評價。利用軟件失效預測模型對失效方式進行分類，以此分析出因軟件缺陷導致的軟件的失效原因。

2 實驗分析

實驗開始前，設置軟件失效預測MATLAB平臺，驗證軟件失效數據檢測結果。截取某軟件失效數據，并對該數據進行清洗，利用識別測試對該段數據進行去噪處理。配置軟件失效預測實驗環境，其中實驗電腦型號為Intel Pentium E6700/3.2 GHz，固定實驗網速為100 Mb/s，實驗操作系統為Windows XP。實驗預測通信與IP組進行協議兼容，調試平臺采用Visual Studio 2008，操作方法的編程語言為C++。實驗過程中選擇兩臺實驗型號計算機來完成實驗，將失效數據監測設備與軟件產品設備運行分別用不同的計算機操作，通過識別體系檢測完整的失效數據屬性。

對比文獻[2]基于可配置特征單元方法、文獻[3]改進SFMEA方法以及基于BP神經網絡的通信網絡管理軟件失效預測方法的網絡管理訓練集檢測單元平均時長，實驗結果如表2所示。

表2 訓練集檢測單元平均時長

從表2分析可知，文獻[2]方法網絡管理訓練集檢測單元平均時長最低為1 s，文獻[3]方法中最低為1.2 s，本文最低為0.3 s。本文方法預測時長較低的原因主要是依據BP神經網絡模型的同時，利用測試數據與FDR函數進行軟件缺陷檢測，提高了檢測性能。

3 結 論

通過本文研究構建了軟件失效預測模型，并通過該軟件失效預測模型提高了網絡管理訓練集檢測單元效率。今后應當通過神經網絡提取軟件失效的歷史數據，分析軟件度量數據和檢測內容，并繼續研究測試集的數據，將重點放在提高訓練集檢測單元的準確度上。