基于神经网络技术的网络故障预测.docVIP

　　基于神经网络技术的网络故障预测 摘 要 中国 1/vie 　　文章通过对比不同种类的预测模型，找到一种能够适合预测宽带网络故障的方法。文中使用动态神经网络和自回归移动平均法来预测非线性系统，并对结果进行比较，并得到了比较满意的结果。对于每个测试用例，相关参数都进行了调整以适应相应的精度要求。 　　【关键词】网络故障 神经网络 自回归移动平均法 非线性系统 　　1 引言 　　宽带电信网络现已经大规模的市场化，虽然网络服务的质量一直在不断提高，但是网络故障的不断发生，仍然是电信运营商所必须关注的问题。网络故障最常见的表现是：服务完全中断，下行带宽低，无法访问网站，拨打VoIP电话时的噪音，无法建立一个电话呼叫等。最能够反映网络服务质量的参数是MTBF（发生故障之间的平均时间），减少故障的发生也就是提高发生故障之间的平均时间是运营商对于网络改进的重点。国内外的运营商也正在开发中运营支持系统和业务支持系统，目的为了分析大量来自网络的可用数据。但是由于服务复杂度，较长的平均服务时间和更多终端设备的实例，与传统的电话网络相比，宽带接入网络的平均故障间隔时间（MTBF）比传统的非宽带网络低2-6倍，也就是是说网络故障发生的频率远高于传统的电话网络。另一方面，网络的复杂性使得难以准确地诊断可能会导致更高的重复数的问题故障。同时在用户被引入通过感知和报告故障的随机分量的数量和复杂性的增加，一个宽带网络中发生的故障可以看作是一个时间序列。时间系列描述宽带故障的特点是事件发生的随机性，事件?驮有砸约笆录?数量庞大，这就使得到的时间序列具有较高的过程噪声。由于监视系统的不完善性，时间序列中的噪声是必然是很多没有观察到的变量所导致的。监视系统的不完善性表明其预警的模糊性，不准确性，同时也可能导致在某些特定的网络故障事件发生时，无法预警。通过测量噪声的水平，我们确定了模型中所需的变量和其复杂度。描述时间序列有两个相关的变量，即平稳性和线性、非线性。描述宽带网络的时间序列是由于其特性，即高水平的波动多引起的非平稳性所决定的。在系统中的变量都是线性的和非线性的，一个时间序列的线性/非线性决定哪种模型会更有效地预测时间序列的结果，最终确定的最终实施的最佳模式。线性的时间序列可以使用自回归模型，例如ARMA或ARIMA来描述，而非线性的时间序列则更适合用神经网络的非线性激活函数来描述。本文的目的是为了找到最合适的模型来描述它表征的系统。 　　2 一个网络故障时间序列实例 　　为了动态跟踪和预测的故障发生，我们将故障的数量作为一个时间序列。它被认为是一个随机序列而不是确定性的序列，也就是说未来的结果只能进行估计，而不能够精确计算。数据收集的频率依赖于时间序列的性质和逻辑，也就是说结果依赖于所描述的现象。采样的频率利用每天，每周，每月和每年的时间序列。运营管理中，对于宽带故障的短期预测是必不可少的，而长期的预测是与战略和长期规划相关。此外，正确选择的数据采集频率有助于确定数据的周期性。宽带故障有两个清晰可辨的周期性，每天每周一次。故障发生模式本质上是动态的，并随着时间和季节的变化。每日样本反映住宅及商业客户的工作活动以及之后形成每周模型。本文对每10分钟，每小时，每天，每周序列进行了分析，为实际应用提供了足够的选择。图1显示了一个例子系列描述的是故障发生在10分钟的时间间隔，采样的总时间为2000分钟。一般情况下，该序列具有可识别的形式，然而像诸如如核心网元发生故障或雷雨可以显着影响曲线的形状和扭曲，使其不可识别。 　　3 神经网络模型 　　人工神经网络由于其十分强的自适应、自学习功能，因此经常用来预测不同种类的时间序列。人工神经网络是一个以有向图为拓扑结构的动态系统，它通过对连续或断续式的输入作状态响应而进行信息处理。是一个高度复杂的非线性动力学系统，不但具有一般非线性系统的共性，更主要的是它还具有自己的特点，比如高维性、神经元之间的广泛互连性以及自适应性或自组织性等。 　　3.1 感知器神经网络 　　MLP网络是神经网络中研究的一个重点，它们具有很强的分类能力，它能解决模式分布非常复杂的分类问题。它由三部分组成：一组感知单元（源节点）组成输入层、一层计算节点的隐含层、一层计算节点的输出层。第一层的激活函数为对数s形函数，第二层激活函数为线性函数。如图2所示。 　　3.2 BP神经网络 　　BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种多层前向型网络。其神经元的传递时S型函数，输出量为0-1的连续量，它可以实现输入到输出的任意非线性映射。BP神经元的传输函数为非线性函数，常用的函数为losig函数和tansig函数，输出层则采用线性函数purelin。如图3所示。 　　3.3 NARX神经