導(dǎo)語：計(jì)算機(jī)網(wǎng)絡(luò)智能診斷技術(shù)分析一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：為保證計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)能夠持續(xù)、穩(wěn)定地運(yùn)行，就需要建立起智能、健壯、有效的故障診斷系統(tǒng)，要同時(shí)具有智能化診斷功能、動(dòng)態(tài)監(jiān)測(cè)網(wǎng)絡(luò)故障的變化、提供良好的用戶接口3個(gè)功能，從而實(shí)現(xiàn)對(duì)故障的實(shí)時(shí)檢測(cè)和診斷，發(fā)現(xiàn)問題及時(shí)處理，提升計(jì)算機(jī)網(wǎng)絡(luò)運(yùn)行的穩(wěn)定性。

關(guān)鍵詞：計(jì)算機(jī)；網(wǎng)絡(luò)故障；智能診斷；均方差守恒

1計(jì)算機(jī)網(wǎng)絡(luò)故障診斷的重難點(diǎn)

計(jì)算機(jī)網(wǎng)絡(luò)在運(yùn)行中，存在各種各樣的故障，且每種故障的成因也不相同，使得計(jì)算機(jī)網(wǎng)絡(luò)故障診斷難度也隨之加大，主要體現(xiàn)在以下幾個(gè)方面：（1）故障定位難度大。計(jì)算機(jī)網(wǎng)絡(luò)故障的發(fā)生具有不確定性和不可預(yù)測(cè)性，此外，網(wǎng)絡(luò)硬件和軟件架構(gòu)都處于動(dòng)態(tài)變化狀態(tài)，使得原有的故障診斷技術(shù)和經(jīng)驗(yàn)存在一定的局限性，無法精確判斷故障發(fā)生的位置。同時(shí)計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)在運(yùn)行中每天都會(huì)形成加量都會(huì)數(shù)據(jù)信息，難以從海量的信息中提取對(duì)定位故障有用的信息。（2）故障管理難度大。計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)可看做是一個(gè)大型設(shè)備，由眾多子系統(tǒng)和子設(shè)備組成，任何一個(gè)子系統(tǒng)或者子設(shè)備發(fā)生故障，會(huì)影響與之相連設(shè)備和系統(tǒng)運(yùn)行質(zhì)量，如果情況嚴(yán)重，會(huì)導(dǎo)致整個(gè)計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)陷入癱瘓狀態(tài)，這就是常見的計(jì)算機(jī)網(wǎng)絡(luò)關(guān)聯(lián)故障。此故障主要出現(xiàn)在計(jì)算機(jī)網(wǎng)絡(luò)物理層，不同設(shè)備和子系統(tǒng)相互關(guān)聯(lián)，相互聯(lián)系，形成一個(gè)緊密的系統(tǒng)，雖然能夠提升計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)用的效果，但是同時(shí)也會(huì)增大故障診斷的難度，難以快速從成千上萬的告警中快速確定故障位置，增大了故障處理的難度[1]。（3）故障檢測(cè)難度大。在進(jìn)行計(jì)算機(jī)網(wǎng)絡(luò)故障檢測(cè)中，需要先建立起數(shù)學(xué)模型，但數(shù)學(xué)模型比較復(fù)雜，而且實(shí)時(shí)性有限，難以滿足高速網(wǎng)絡(luò)故障快速、實(shí)時(shí)檢測(cè)的需求。如果簡(jiǎn)化數(shù)學(xué)模式，則檢測(cè)精度也會(huì)大幅度降低。而且傳統(tǒng)故障檢測(cè)方法，需要了解故障的一些調(diào)整和，如：峰值比特率、平均平特率等，但僅憑一些特征無法真實(shí)全面地反映出故障發(fā)生的位置，難以為故障處理提供有效的參考。（4）故障表示難度大?，F(xiàn)代化計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)用范圍比較廣，而且需要不間斷地更新，發(fā)展至今，也沒有一個(gè)明確的函數(shù)能夠表達(dá)所有的應(yīng)用層故障，使得計(jì)算機(jī)網(wǎng)絡(luò)故障表示難度倍增。

2智能診斷技術(shù)在計(jì)算機(jī)網(wǎng)絡(luò)故障診斷中的應(yīng)用要點(diǎn)

針對(duì)目前計(jì)算機(jī)網(wǎng)絡(luò)故障診斷中存在的重難點(diǎn)，提出一種智能化診斷技術(shù)，在計(jì)算機(jī)網(wǎng)絡(luò)故障診斷中達(dá)到的故障數(shù)據(jù)多為高維非線性數(shù)據(jù)，為實(shí)現(xiàn)網(wǎng)絡(luò)故障的可視化，采取了非線性維數(shù)約簡(jiǎn)方法。此外，神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)能力和自我學(xué)習(xí)能力，同時(shí)魯棒性也比較強(qiáng)，自身也具有非線性的特點(diǎn)，將這兩種技術(shù)相互結(jié)合應(yīng)用到計(jì)算機(jī)網(wǎng)絡(luò)故障診斷中，可實(shí)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)故障診斷的可視化、智能化。

2.1立足均方差守恒的維數(shù)約簡(jiǎn)

在進(jìn)行非線性維數(shù)約簡(jiǎn)中多采用自聯(lián)想前饋神經(jīng)網(wǎng)絡(luò)，具體情況如圖1所示。圖1中，為了將m維壓縮成n維，需要先建立起一個(gè)自聯(lián)想前饋神經(jīng)網(wǎng)絡(luò)，在該網(wǎng)絡(luò)中，對(duì)輸出節(jié)點(diǎn)的數(shù)量有嚴(yán)格要求，為實(shí)現(xiàn)m維向n維的轉(zhuǎn)變，需要保證輸入節(jié)點(diǎn)數(shù)量始終是m個(gè)。而在自聯(lián)想前饋神經(jīng)網(wǎng)絡(luò)中某一個(gè)隱層節(jié)點(diǎn)的個(gè)數(shù)則為n個(gè)，為約簡(jiǎn)之后的維數(shù)。在自聯(lián)想前饋神經(jīng)網(wǎng)絡(luò)中，學(xué)習(xí)樣本自身也就是此樣本的期望輸出。比如：一個(gè)學(xué)習(xí)任務(wù)執(zhí)行完成之后，可保障輸入和輸入的結(jié)果相互對(duì)應(yīng)。這也是自聯(lián)想前饋神經(jīng)網(wǎng)絡(luò)和其他網(wǎng)絡(luò)在智能故障診斷中最大的不同。在計(jì)算機(jī)網(wǎng)絡(luò)智能故障診斷中采用此網(wǎng)絡(luò)，可將n個(gè)隱層節(jié)看成是自聯(lián)想前饋神經(jīng)網(wǎng)絡(luò)上半個(gè)子網(wǎng)絡(luò)的輸入。此時(shí)輸入隱層的節(jié)點(diǎn)，就能獲得最終輸出值，也就是計(jì)算機(jī)網(wǎng)絡(luò)原始的輸入值，這兩個(gè)數(shù)值是相同，但為提升故障診斷速度，通常只保留原始輸入值即可。比如：子網(wǎng)絡(luò)sub-net的輸出值就是降維之后的數(shù)據(jù)[2]。在計(jì)算機(jī)網(wǎng)絡(luò)故障診斷中應(yīng)用此項(xiàng)技術(shù)，雖然利用自聯(lián)想前饋神經(jīng)網(wǎng)絡(luò)可對(duì)計(jì)算機(jī)網(wǎng)絡(luò)故障診斷的最終結(jié)果進(jìn)行清楚展示，但依然有一系列問題需要解決，比如：如果輸入維數(shù)比較高，則在進(jìn)行故障診斷時(shí)就需要用到大量權(quán)值，難以實(shí)現(xiàn)全部收斂，使得大量網(wǎng)絡(luò)資源被無故浪費(fèi)。

2.2框架結(jié)構(gòu)建設(shè)

采用基于二維SOM神經(jīng)網(wǎng)絡(luò)技術(shù)可實(shí)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)故障診斷的可視化，并構(gòu)建起運(yùn)動(dòng)狀態(tài)動(dòng)態(tài)監(jiān)測(cè)的仿真模型，具體的框架結(jié)構(gòu)模型示意圖如圖2所示。圖2中可以看出，基于二維SOM神經(jīng)網(wǎng)絡(luò)技術(shù)的框架結(jié)構(gòu)模型中，每個(gè)子網(wǎng)絡(luò)中都有一個(gè)ResourceA鄄gent用于收集子網(wǎng)絡(luò)中形成的故障數(shù)據(jù)，收集的故障數(shù)據(jù)可同構(gòu)ManagerAgent完成故障信息的傳輸，就能實(shí)現(xiàn)計(jì)算機(jī)網(wǎng)絡(luò)故障的可視化、智能化診斷，并對(duì)各子系的運(yùn)行故障進(jìn)行實(shí)時(shí)監(jiān)測(cè)。每個(gè)被監(jiān)測(cè)到的網(wǎng)絡(luò)中都會(huì)包含一個(gè)ResourceAgent，其主要作用是收集計(jì)算機(jī)網(wǎng)絡(luò)故障征兆信息，并對(duì)其進(jìn)行預(yù)處理，再和位于診斷中心的ManagerAgent進(jìn)行實(shí)時(shí)通信[4]。而ManagerAgent的主要作用是實(shí)時(shí)接收來自ResourceAgent的故障征兆信息，并將診斷出的結(jié)果，以二維可視化方法展示出來。因此，是ManagerAgent在計(jì)算機(jī)網(wǎng)絡(luò)智能故障診斷中同時(shí)擁有兩個(gè)非常強(qiáng)大的功率：（1）能夠自動(dòng)實(shí)時(shí)顯示故障診斷的結(jié)果；（2）能夠預(yù)測(cè)和展示故障變化情況，為故障處理提供在線數(shù)據(jù)。ManagerAgent基礎(chǔ)以及核心是神經(jīng)網(wǎng)絡(luò)。

2.3仿真實(shí)驗(yàn)

為驗(yàn)證均方差守恒和二維SOM神經(jīng)網(wǎng)絡(luò)聯(lián)合方法，在計(jì)算機(jī)故障診斷中應(yīng)用效果，建立起框架結(jié)構(gòu)需要進(jìn)行仿真實(shí)驗(yàn)?？蛇x擇211個(gè)計(jì)算機(jī)網(wǎng)絡(luò)故障作為實(shí)驗(yàn)樣本，并保證所選擇的每種故障樣本，都具有8個(gè)屬性，對(duì)應(yīng)著8種網(wǎng)絡(luò)故障征兆，且每個(gè)屬性值都是0~1之間的一個(gè)實(shí)數(shù)。利用設(shè)計(jì)好的框架結(jié)構(gòu)對(duì)211個(gè)樣本進(jìn)行學(xué)習(xí)，學(xué)習(xí)完成之后有7種網(wǎng)絡(luò)故障被學(xué)習(xí)到。在具體應(yīng)用中，輸入的數(shù)據(jù)為計(jì)算機(jī)網(wǎng)絡(luò)故障征兆的SOM數(shù)據(jù)，通過觀察此輸入在計(jì)算機(jī)網(wǎng)絡(luò)輸出層的結(jié)構(gòu)，就能實(shí)時(shí)獲得計(jì)算機(jī)網(wǎng)絡(luò)診斷結(jié)果[5]。計(jì)算機(jī)網(wǎng)絡(luò)在一個(gè)龐大的開發(fā)性環(huán)境中運(yùn)行，因此，故障也處于動(dòng)態(tài)變化狀態(tài)，為實(shí)現(xiàn)對(duì)故障的有效診斷和處理，就需要用到動(dòng)態(tài)化故障監(jiān)測(cè)技術(shù)，以實(shí)現(xiàn)對(duì)故障的跟蹤監(jiān)測(cè)。故障維護(hù)處理人員，可按照動(dòng)態(tài)故障監(jiān)測(cè)的結(jié)果，開展有針對(duì)性的處理，從而實(shí)現(xiàn)對(duì)故障的實(shí)時(shí)診斷和及時(shí)處理，為故障處理提供真實(shí)有效的數(shù)據(jù)支持，應(yīng)用效果顯著，值得大范圍推廣應(yīng)用。

3計(jì)算機(jī)網(wǎng)絡(luò)智能診斷技術(shù)的發(fā)展趨勢(shì)

標(biāo)準(zhǔn)化：計(jì)算機(jī)網(wǎng)絡(luò)智能診斷技術(shù)要能夠符合相關(guān)組織的相關(guān)標(biāo)準(zhǔn)，以促使計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)能夠持續(xù)發(fā)展，不斷提升應(yīng)用效果。集中化：在科學(xué)技術(shù)飛速發(fā)展的背景下，計(jì)算機(jī)網(wǎng)絡(luò)智能診斷技術(shù)愈發(fā)先進(jìn)，集中發(fā)展模式的優(yōu)勢(shì)越來越明顯，不但成本低，而且可以數(shù)據(jù)的共享。集中發(fā)展主要包括：集中監(jiān)控、集中控制、集中配置、集中調(diào)度等，可提分計(jì)算機(jī)網(wǎng)絡(luò)智能診斷技術(shù)的應(yīng)用效果。智能化：人工智能技術(shù)、專家系統(tǒng)近年來愈發(fā)先進(jìn)和完善，計(jì)算機(jī)網(wǎng)絡(luò)故障智能化診斷成為發(fā)展的主要方向[6]?？蓴U(kuò)展：計(jì)算機(jī)網(wǎng)絡(luò)具有很強(qiáng)的擴(kuò)展性，運(yùn)行管理的方式也是多樣化的，因此，故障的智能診斷技術(shù)也要注意可擴(kuò)展性。4結(jié)語采用理論結(jié)合實(shí)踐的方法，研究了計(jì)算機(jī)網(wǎng)絡(luò)智能診斷技術(shù)，研究結(jié)果表明，針對(duì)計(jì)算機(jī)網(wǎng)絡(luò)故障診斷難度大的問題，提出了一種基于驗(yàn)證均方差守恒和二維SOM神經(jīng)網(wǎng)絡(luò)聯(lián)合的智能化、可視化故障診斷技術(shù)。保證每個(gè)被診斷的網(wǎng)絡(luò)中都有一個(gè)ResourceAgent來收集故障征兆信息，并實(shí)時(shí)傳遞給ManagerAgent，從而得到網(wǎng)絡(luò)故障的分布規(guī)律，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)故障的可視化診斷。

參考文獻(xiàn)

[1]付長(zhǎng)鳳,楊秀菊.基于分級(jí)二分圖和改進(jìn)差分進(jìn)化的網(wǎng)絡(luò)故障定位算法[J].機(jī)床與液壓,2019,47(18):89-95.

[2]余健,張帆.大數(shù)據(jù)時(shí)代下計(jì)算機(jī)網(wǎng)絡(luò)信息安全問題分析[J].造紙裝備及材料,2020,185(2):239-240.

[3]宋有志.計(jì)算機(jī)網(wǎng)絡(luò)硬軟件故障的處理及維護(hù)方法初探[J].科技經(jīng)濟(jì)導(dǎo)刊,2020,708(10):40-40.

[4]戴元浩.淺析計(jì)算機(jī)網(wǎng)絡(luò)通訊技術(shù)故障原因分析及其處理措施[J].電子工程學(xué)院學(xué)報(bào),2020,9(1):P.108-108.

[5]郭帥.計(jì)算機(jī)網(wǎng)絡(luò)通訊技術(shù)故障分析與處理探究[J].電子元器件與信息技術(shù),2020,37(7):39-40.

作者：宋俊蘇 單位：鹽城生物工程高等職業(yè)技術(shù)學(xué)校