探讨高职计算机教学中支持向量机方法在局域网故障诊断中的应用.docVIP

探讨高职计算机教学中支持向量机方法在局域网故障诊断中的应用 摘 要:当前随着网络的高速发展,网络已经越来越多的运用到政府机关和相关单位企业,网络给人们带来了很多的方便,但是网络也存在着很大的故障与风险。现阶段来看,一般的公司都是用的局域网络,随着用户数目急剧增加,网络设备的增多,网络故障发生的机率也随之变大,这也使得网络维护与管理工作日趋复杂化,所以,在网络信息量如此巨大的情况下,如何快速准确地检测出故障,并采取相应的措施手段对故障进行排除,最大限度地减小故障带来的损失,成为了当前网络研究的重点。 关键词:向量机方法 局域网管理 故障诊断 当前来看,局域网故障诊断方法存在诊断速度慢和不确定性等缺陷,研究网络故障诊断问题,保证网络可靠性运行效率是当前网络管理的重点,网络的管理需要有良好的数据提供参考数据,网络故障是一个非线性、小样本数据,但是传统网络故障诊断方法是基于线性、大样本数据,导致网络故障诊断准确率较低。所以,为了能够更准确、有效快速地排除局域网故障,将支持向量机方法引入到对局域网的故障诊断中。运用遗传算法对支持向量机进行改进,将改进前后的支持向量机用于局域网的故障诊断中,给与局域网络的故障诊断带来了十分便利的条件。 1 支持向量机方法 1.1 支持向量机方法原理 支持向量机在解决小样本、非线性及高维模式识别中具有很多特有的优势,其主要是建立在统计学习理论的vc维理论和结构风险最小原理基础上。它与神经网络有点类似,都是以学习型为主要的机制,但是,却与神经网络不同,支持向量机使用的是数学方法和优化技术。支持向量机会在一个空间里面建立一个最大空间的隔超平面,同时,在区分这些数据的超平面的两边建有两个互相平行的超平面,通过建立方向合适的分隔平面,从而使得两个与之平面的超平面间距离最大化。就当前来看,的关键就在于核函数。采用不同的核函数将导致不同的svm算法。 1.2 支持向量机方法的特点 支持向量机方法主要特点是:非线性映射是svm方法的理论基础,svm利用内积核函数代替向高维空间的非线性映射。其次,对特征空间划分的最优超平面是svm的目标,最大化分类边际的思想是svm方法的核心。第三就是svm的训练结果,在svm分类决策中起决定作用的是支持向量,同时svm是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”,大大简化了通常的分类和回归等问题。最后,svm 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾难”;少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本。 1.3 支持向量机方法的技术支持和运算方法 支持向量机方法要在网络故障中得到很好的运用,技术支持是很必要的,主要来看,支持向量机的主要优点就是在传统的最优化问题中提出了对偶理论,其关键就在于核函数,其每执行一个向量运算都会从头至尾执行全部分量的运算,操作数或结果向量都直接取自主存或写入主存。主存的数据传输率须按运算部件速度的四倍来配置。纵向加工向量机设置交叉访问的、数量众多的存储体和很宽的数据通路,并以超长字为单位进行访问,以便满足要求。这样,就使成本高、主存系统灵活性差,难以实现对繁多的主存向量的高效存取。 2 支持向量机方法在局域网故障诊断中的应用 2.1 网络故障 网络故障一般分为软件和硬件故障,软件故障主要为tcp与ip协议出现故障;硬件的故障主要指的是架构网络的设备,包括网卡、网线、路由器、交换机、调制解调器等设备引起的网络故障。一般来说,网络接口协议类型的不同,接口当前状态、管理状态、crc错包数等,都是导致网络故障的关键所在。 支持向量机方法在局域网故障诊断中,通过故障检测,可以根据测试出来的数据,看是否有比较明显的故障,如arp扫描或欺骗等,在遇到相对于隐秘的信息的时候,通过支持向量机方法对数据的计算分析,能够很好的查看ip流量、网络连接、发送/接收数据包等是否有异常。 2.2 支持向量机方法对于网络故障的诊断 计算机网络的运行过程中,故障的产生往往是从轻微到严重,从开始的不明显到后来的明显状态,利用支持向量机方法对于网络故障进行诊断的时候,我们可以先提供一组数据作为测量的数据,在测量的时候,随机的获取若干样本作为测量标本,对于其中的样本进行测试的时候,要区分其中的正常与故障行样本的分类。最终可以得到测试结果。 我们以计算机管理的主要数据和习惯出错的地点入手,计算机进行管理主要的数据分析点在于接口协议类型、hslc、ppp、接口当前状态,接口的管理状态、输入包出错误、接口当前状态、crc错误包、内部重启