计算机网络智能诊断技术分析

导语：计算机网络智能诊断技术分析一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

摘要：为保证计算机网络系统能够持续、稳定地运行，就需要建立起智能、健壮、有效的故障诊断系统，要同时具有智能化诊断功能、动态监测网络故障的变化、提供良好的用户接口3个功能，从而实现对故障的实时检测和诊断，发现问题及时处理，提升计算机网络运行的稳定性。

关键词：计算机；网络故障；智能诊断；均方差守恒

1计算机网络故障诊断的重难点

计算机网络在运行中，存在各种各样的故障，且每种故障的成因也不相同，使得计算机网络故障诊断难度也随之加大，主要体现在以下几个方面：（1）故障定位难度大。计算机网络故障的发生具有不确定性和不可预测性，此外，网络硬件和软件架构都处于动态变化状态，使得原有的故障诊断技术和经验存在一定的局限性，无法精确判断故障发生的位置。同时计算机网络系统在运行中每天都会形成加量都会数据信息，难以从海量的信息中提取对定位故障有用的信息。（2）故障管理难度大。计算机网络系统可看做是一个大型设备，由众多子系统和子设备组成，任何一个子系统或者子设备发生故障，会影响与之相连设备和系统运行质量，如果情况严重，会导致整个计算机网络系统陷入瘫痪状态，这就是常见的计算机网络关联故障。此故障主要出现在计算机网络物理层，不同设备和子系统相互关联，相互联系，形成一个紧密的系统，虽然能够提升计算机网络应用的效果，但是同时也会增大故障诊断的难度，难以快速从成千上万的告警中快速确定故障位置，增大了故障处理的难度[1]。（3）故障检测难度大。在进行计算机网络故障检测中，需要先建立起数学模型，但数学模型比较复杂，而且实时性有限，难以满足高速网络故障快速、实时检测的需求。如果简化数学模式，则检测精度也会大幅度降低。而且传统故障检测方法，需要了解故障的一些调整和，如：峰值比特率、平均平特率等，但仅凭一些特征无法真实全面地反映出故障发生的位置，难以为故障处理提供有效的参考。（4）故障表示难度大。现代化计算机网络应用范围比较广，而且需要不间断地更新，发展至今，也没有一个明确的函数能够表达所有的应用层故障，使得计算机网络故障表示难度倍增。

2智能诊断技术在计算机网络故障诊断中的应用要点

针对目前计算机网络故障诊断中存在的重难点，提出一种智能化诊断技术，在计算机网络故障诊断中达到的故障数据多为高维非线性数据，为实现网络故障的可视化，采取了非线性维数约简方法。此外，神经网络具有很强的自适应能力和自我学习能力，同时鲁棒性也比较强，自身也具有非线性的特点，将这两种技术相互结合应用到计算机网络故障诊断中，可实现计算机网络故障诊断的可视化、智能化。

2.1立足均方差守恒的维数约简

在进行非线性维数约简中多采用自联想前馈神经网络，具体情况如图1所示。图1中，为了将m维压缩成n维，需要先建立起一个自联想前馈神经网络，在该网络中，对输出节点的数量有严格要求，为实现m维向n维的转变，需要保证输入节点数量始终是m个。而在自联想前馈神经网络中某一个隐层节点的个数则为n个，为约简之后的维数。在自联想前馈神经网络中，学习样本自身也就是此样本的期望输出。比如：一个学习任务执行完成之后，可保障输入和输入的结果相互对应。这也是自联想前馈神经网络和其他网络在智能故障诊断中最大的不同。在计算机网络智能故障诊断中采用此网络，可将n个隐层节看成是自联想前馈神经网络上半个子网络的输入。此时输入隐层的节点，就能获得最终输出值，也就是计算机网络原始的输入值，这两个数值是相同，但为提升故障诊断速度，通常只保留原始输入值即可。比如：子网络sub-net的输出值就是降维之后的数据[2]。在计算机网络故障诊断中应用此项技术，虽然利用自联想前馈神经网络可对计算机网络故障诊断的最终结果进行清楚展示，但依然有一系列问题需要解决，比如：如果输入维数比较高，则在进行故障诊断时就需要用到大量权值，难以实现全部收敛，使得大量网络资源被无故浪费。

2.2框架结构建设

采用基于二维SOM神经网络技术可实现计算机网络故障诊断的可视化，并构建起运动状态动态监测的仿真模型，具体的框架结构模型示意图如图2所示。图2中可以看出，基于二维SOM神经网络技术的框架结构模型中，每个子网络中都有一个ResourceA鄄gent用于收集子网络中形成的故障数据，收集的故障数据可同构ManagerAgent完成故障信息的传输，就能实现计算机网络故障的可视化、智能化诊断，并对各子系的运行故障进行实时监测。每个被监测到的网络中都会包含一个ResourceAgent，其主要作用是收集计算机网络故障征兆信息，并对其进行预处理，再和位于诊断中心的ManagerAgent进行实时通信[4]。而ManagerAgent的主要作用是实时接收来自ResourceAgent的故障征兆信息，并将诊断出的结果，以二维可视化方法展示出来。因此，是ManagerAgent在计算机网络智能故障诊断中同时拥有两个非常强大的功率：（1）能够自动实时显示故障诊断的结果；（2）能够预测和展示故障变化情况，为故障处理提供在线数据。ManagerAgent基础以及核心是神经网络。

2.3仿真实验

为验证均方差守恒和二维SOM神经网络联合方法，在计算机故障诊断中应用效果，建立起框架结构需要进行仿真实验。可选择211个计算机网络故障作为实验样本，并保证所选择的每种故障样本，都具有8个属性，对应着8种网络故障征兆，且每个属性值都是0~1之间的一个实数。利用设计好的框架结构对211个样本进行学习，学习完成之后有7种网络故障被学习到。在具体应用中，输入的数据为计算机网络故障征兆的SOM数据，通过观察此输入在计算机网络输出层的结构，就能实时获得计算机网络诊断结果[5]。计算机网络在一个庞大的开发性环境中运行，因此，故障也处于动态变化状态，为实现对故障的有效诊断和处理，就需要用到动态化故障监测技术，以实现对故障的跟踪监测。故障维护处理人员，可按照动态故障监测的结果，开展有针对性的处理，从而实现对故障的实时诊断和及时处理，为故障处理提供真实有效的数据支持，应用效果显著，值得大范围推广应用。

3计算机网络智能诊断技术的发展趋势

标准化：计算机网络智能诊断技术要能够符合相关组织的相关标准，以促使计算机网络系统能够持续发展，不断提升应用效果。集中化：在科学技术飞速发展的背景下，计算机网络智能诊断技术愈发先进，集中发展模式的优势越来越明显，不但成本低，而且可以数据的共享。集中发展主要包括：集中监控、集中控制、集中配置、集中调度等，可提分计算机网络智能诊断技术的应用效果。智能化：人工智能技术、专家系统近年来愈发先进和完善，计算机网络故障智能化诊断成为发展的主要方向[6]。可扩展：计算机网络具有很强的扩展性，运行管理的方式也是多样化的，因此，故障的智能诊断技术也要注意可扩展性。4结语采用理论结合实践的方法，研究了计算机网络智能诊断技术，研究结果表明，针对计算机网络故障诊断难度大的问题，提出了一种基于验证均方差守恒和二维SOM神经网络联合的智能化、可视化故障诊断技术。保证每个被诊断的网络中都有一个ResourceAgent来收集故障征兆信息，并实时传递给ManagerAgent，从而得到网络故障的分布规律，实现对网络故障的可视化诊断。

参考文献

[1]付长凤,杨秀菊.基于分级二分图和改进差分进化的网络故障定位算法[J].机床与液压,2019,47(18):89-95.

[2]余健,张帆.大数据时代下计算机网络信息安全问题分析[J].造纸装备及材料,2020,185(2):239-240.

[3]宋有志.计算机网络硬软件故障的处理及维护方法初探[J].科技经济导刊,2020,708(10):40-40.

[4]戴元浩.浅析计算机网络通讯技术故障原因分析及其处理措施[J].电子工程学院学报,2020,9(1):P.108-108.

[5]郭帅.计算机网络通讯技术故障分析与处理探究[J].电子元器件与信息技术,2020,37(7):39-40.

作者：宋俊苏 单位：盐城生物工程高等职业技术学校