基于机器学习的网络故障诊断技术研究与应用

基于机器学习的网络故障诊断技术研究与应用

计算机网络作为当今世界不可或缺的基础设施之一,无论是在工业生产,还是在我们的日常生活中都扮演了极其重要的角色。与此同时,计算机网络的规模日益庞大,其复杂程度也越来越高,导致网络运营商对网络的有效性管理面临严峻挑战。

故障诊断是网络管理中重要且难度极大的任务之一,如果网络中的故障不能够被快速地诊断和修复,不仅增大了网络运营商的运营成本,而且还降低了用户服务质量。因此本文围绕利用机器学习的方法对网络故障进行智能诊断并将其应用到IPTV故障诊断系统中做了研究。

本文的主要工作和贡献如下:（1）研究了网络故障诊断中的若干种方法。已有的网络故障诊断方法在面对当今复杂网络环境时,都不同程度地存在着诊断知识难于获取或难于更新的缺点,而基于机器学习的网络故障诊断技术能够从复杂网络环境中自动学习故障诊断知识,并利用学习到的诊断知识对故障进行快速地检测和定位。

（2）研究了基于机器学习的网络故障诊断技术国内外相关工作,并详细介绍了机器学习中的基于质心的分类器（CBC）、Logistic回归、支持向量机（SVM）以及人工神经网络（ANN）的相关理论和算法推导。（3）针对CBC算法在样本分布不均衡的数据集上存在的模型失配问题,提出一种新的基于质心的模型-引力质心模型（GCM）,实验结果表明,GCM的宏平均F₁以及微平均F₁评价指标全面超越CBC。

（4）通过实验综合比较分析CBC、GCM、Logistic回归、SVM以及ANN在IPTV故障检测数据集以及故障定位数据集中的性能表现。实验结果表明,本文提出的GCM算法更加适合IPTV故障检测场景中,而SVM以及ANN则适合于IPTV故障定位场景中。

（5）设计并实现了IPTV智能故障诊断原型系统。该系统默认采用本文提出的引力质心模型进行故障检测,当检测到故障时,再使用支持向量机进行故障定位,并可以将故障诊断结果可视化地提供给相关人员。