基于在线机器学习方法的通信设备故障预警技术研究.docVIP

基于在线机器学习方法的通信设备故障预警技术研究 摘要：通信设备故障预警技术已经不能满足针对通信网络的故障管理需求，以往通过规则库或专家系统实现故障预警系统时规则库或经验很难定义描述，本文在充分研究在线机器学习方法的基础上，提出了基于在线学习算法的通信设备故障预警技术，核心在于针对训练样本进行故障特征提取、训练分类器， 然后用训练好的分类器去实时监测故障。 关键词 在线学习 机器学习 故障预警 中图分类号：TP393.08 文献标识码：A 文章编号：1007-9416（2015）07-0000-00 当前通信网络管理系统正在面临着越来越严重的挑战。网络管理系统用于监控通信网络运行情况，掌握设备运行状况，及时对故障做出响应，快速定位并排除故障，辅助网络维护人员保证网络的稳定可靠运行是网络管理系统的职责。ATM网络以后随着通信网络IP化进程加快，路由和交换能力增强，网络管理系统已经很难对故障作出分析定位。本文基于在线学习方法对网络管理系统故障预警技术进行了分析和设计，提出了故障预警技术的实现方法。 1 在线机器学习方法 在线学习（Online Learning）是机器学习的重要领域之一，是指每次通过一个训练实例学习模型的学习方法。在线学习的目的是正确预测训练实例的标准，其最重要的一个特点是当一次预测完成时，其正确结果便被获得，这一结果可以直接用来修正模型。 在线机器学习方法包括基于支持向量机的在线学习算法和基于感知器的在线学习算法。基于支持向量机的在线学习理论是有限样本信息在模型复杂性和学习能力间的最佳折衷，并非真正意义上的在线算法，而且得到的识别效果也不佳。 最早的在线学习算法为感知器算法，感知器算法简单有效，十分符合在线学习模式，近年来对于在线学习的许多研究都建立在此基础上。基于感知器的在线学习算法，包括感知器算法和Passive-Aggressive算法。其中感知器算法用经验数据相关矩阵表示，算法近似最大边缘超平面以用于线性可分的数据，而Passive-Aggressive算法与感知器算法计算复杂度相同，识别性能略有提升，更新权向量的目标是保证模型更新后在新样本点上的损失函数值较小，且靠近更新前的训练模型。 2 故障预警技术架构 故障预警技术架构包括两个过程：第一个过程是针对标记号的训练样本提取故障特征，训练分类器。第二个过程是用学习好的分类器去实时监测故障，提取故障特征，通过分类器分类，最后得出分类结果。 故障特征提取时，读取一条，训练样本，先判断这条故障信息是否合法，不合法就读取下一条；若合法，则依次提取故障设备IP、设备名称、设备运行状态、故障等级、故障描述、故障发生时间、故障发生次数、距离上次同一故障发生间隔、发生故障的设备模块、与故障设备物理连接的所有设备IP和名称，这些特征信息提取出来都是字符串的形式，需要把他们表示成特征向量的形式，这里我们可以借助自然语言处理的特征向量表示法，把每个字符串作为一个特征，并赋予唯一的代码，其特征值用布尔型表示，特征出现则为1，未出现则为0。特征和代码的映射关系用map容器来表示，在map容器中查询特征字符串，若不存在，则将新的特征字符串和代码加入map容器中。然后输出特征向量，输出形式为“特征代码：特征值”。当实时读取网络运行信息进行故障预测时，对应每一个特征向量有一个预测结果，若即将发生故障为“+1”，不会产生故障为“-1”。 3 在线学习算法 在训练分类器时关键技术为在线学习算法。相比批量学习方法，在线学习算法更适合处理通信设备故障特征信息，在线学习算法是一种增量学习算法，每次用一个样本训练，然后根据损失调整权向量，本文在线学习算法采用基于感知器的在线学习算法，包括感知器算法和Passive-Aggressive算法。 针对样本训练分类器的在线学习过程如下： （1）做内积运算：将训练样本的特征向量与分类器的权向量做内积运算，得出预测结果； （2）预测结果比对：将预测结果与实际情况进行比较，若相同，表示预测成功，无需更新权向量；若不同，说明预测失败，要承受损失； （3）更新权向量：根据损失计算权向量的更新值，更新权向量。上述两个基于感知器的在线学习算法将分别训练出两个分类器，我们用实验来测试分类效果最好的那个算法。两个算法的不同之处在于他们权向量的更新方式不同。感知器算法的更新公式为： 4结语 目前，通信设备故障预警技术是一个很难解决的问题，以往通过规则库或专家系统实现故障预警系统的思路是走不通的，研究将在线机器学习方法在通信设备故障预警技术中的应用是一个很好的思路。本文将在线机器学习方法运用到通信设备故障预警系统， 针对训练样本进行故障特征提取、训练分类器， 提出了通信设备故障预警技术实现方法。随着通信设备故障管理技术的不断发展， 故障预警系统的设计实现将不断得到改进和完善。