摘要：随着网络技术和通信技术的不断发展，随着用户数量的迅速上升，计算机网络的所具有的规模也越来越庞大，它的结构日益复杂化，由此，网络故障的诊断成为了研究的焦点所在，受到了普遍的关注。本文主要研究了基于神经网络的计算机网络故障检测，从BP神经网络的故障检测原理出发，提出了具体的检测算法，并详细探讨了通过把神经网络运用到故障检测中来的具体检测方式，具有一定的现实意义。
关键词：神经网络；BP神经网络；计算机；网络故障；检测
1007-9599 （2012） 15-0000-02
网络故障检测所指的是检测对象一旦有某种故障出现，就立即对其实行检测，从而找出引发网络异常的因素。网络故障检测主要分成三个阶段，分别是采集信息、提取故障征兆以及识别状态，可以说，故障的检测，最根本之处就在于对故障征兆集至故障状态集之间所存在的非线性映射进行求解，在各种各样的神经网络模型中，得到最广泛应用的就应该是BP模型了，针对此通过BP算法来进行计算机网络故障的检测。
1BP神经网络故障检测原理及算法
1.1BP神经网络实行故障检测的基本原理
所谓的BP神经网络模型，它主要依靠一个输入和与之相对应的输出来和外界产生联系，神经网络模型训练主要是通过对样本数据的充分采集与 BP算法的有机结合来实行的，通过这一措施，来使得神经网络越来越和组合导航系统中最原始的算法模型所具有的非线性的这一特征几乎一致。具体来说，通过BP神经网络来实行故障检测的基本原理主要包括两个部分，第一个部分是要保证具有足够的样本数量来和神经网络训练之所需相满足，并在此基础上来得出所期望的诊断网络。第二个部分，就是通过诊断输入，来对神经网络进行充分的利用，从而有效实施故障检测。需要注意的是，在对其实行故障检测之前，所需要做的就是对原始的数据，对训练样本的数据等等做出相关的处理，所谓的处理，主要包含了两步，第一是预处理，第二是特征的提取，只有通过这两个步骤，才能够为网络诊断提供更加适合的诊断输入和更加有效的训练样本。
其中，需要引起注意的有三部分的内容，第一，对网络结构确定的一个关键所在就是要对网络结构的规模进行合理且科学的确定，特别是对其中的网络中间层神经元来讲，其个数的选择尤为重要。第二，要注意对训练的样本以及测试的样本进行确定。所谓的训练样本，其所具有的最主要的作用是对网络进行训练；所谓的测试样本，其所具有的主要作用就是要在前者的基础之上，来进行效果的监测。第三，需要做的就是要结合上述训练样本的结果和测试样本的结果，来将两者有机的结合起来，从而最大限度的实现和神经网络的一致性，进而有效进行故障的检测。
1.2BP神经网络的检测算法
对于神经网络的检测来讲，和其他检测不同的是，它并不需要事先把相关的模式经验知识以及相关的函数判别等等罗列出来，因为它是一种具有自适应性的模式，能够对自身的学习机制进行充分的利用，来形成一个决策区域。网络在进行某一种映射关系的获得的时候，需要通过状态信息来对各种状态的信息进行训练，这一映射关系，会随着环境的不断改变而自行进行调整，从而和瞬息万变的环境相适应。它的具体算法是：
输入：net=
输出：y=
输出的导数为=y（1-y）
BP神经网络的形成，主要是通过多种神经元之间实现相互的连接而实现的，它所具有的最主要特点就是单向传播，是一种多层前向的网络，它主要分成三个层次，也就是输入层、中间层以及输出层，其中，中间层还可以分成若干个层次，并且对于其中每一层的神经元来讲，它只对前一层的神经元输出予以接受。不仅如此，BP神经网络当中并没有反馈的存在，在同一层中的不同节点来讲，它们之间是不会形成相关的耦合作用的，它所能够影响的也只是下一层节点的输入。
2基于神经网络的计算机网络故障检测措施
2.1通过神经网络来实行故障检测的措施
（1）模式识别神经网络。所谓的故障检测，实际上需要做的是进行模式分类和模式的识别，在传统意义上的模式识别技术，它在进行模式的分类的时候，基本上采用的方式都是通过对函数的识别进行充分的利用，来对每一个类别实行划分。那么，在这样的划分模式下，我们假设模式样本的特征空间为N维欧氏空间，同时假设模式的分类为M类，这样，我们就可以从数学模式上来对其进行分类，具体分类方式就是：通过对朱超平面方程的定义，来对N维欧氏空间尽可能地实现最佳分割，并且这一分割的决策区域是M这样的问题。但是，在具体的实践中，如果要对复杂的决策区域进行分割，那必定是十分困难的。所以，必须要准确的选出最适合的函数判别式，来在识别中对函数相关的参数进行识别，从而进行相关的修正措施。
（2）故障预测神经网络。对于故障预测神经网络来讲，它的实现，主要是通过两种方式来完成的，第一种方式是，把神经网络作为主要的函数逼近器，饼子啊次基础上莱迪机组工况的某一些参数实行拟合预测看，这一种方式，最常见的就是本文所研究的BP网络就。第二中方式是充分对输入和输出这两者之间的关系进行考虑，之后，采用带反馈连接的动态神经网络来针对具体的过程或者具体的工作情况参数，来吧动态的模型建立起来，从而实行故障预测。但是从目前其应用程度来看，得到最广泛的应用的应该就是基于多层的前馈网络。
现在，我们站在系统辨别的角度之上，来看前馈网络，它所代表的仅仅只是那些能够通过代数的方程，就能够进行静态映射的扫描，从而实行静态预测的描述，如果把它用在设备的动态建模和动态预测当中，毫无疑问会受到很大的限制。所以，我们可以说，动他的神经网络预测，也就是一个动态时序建模的过程。
（3）专家诊断神经网络。所谓的专家诊断神经网络，也就是把神经网络和专家系统两者之间进行有机的结合，这一有机结合的费那个是主要有两个，第一个是，把专家系统来组合成为神经网络，详细来讲，也就是要针对传统的专家系统，来把其中的建立在符号上的推理直接转变成为建立在数值运算上的推理，这样做的最根本目的就是要把专家系统所具有的执行效率大大提升，并在此基础上来对其学习能力进行充分的利用，从而把专家系统中的学习问题彻底解决好。第二个是，把神经网络看成是一种知识源的具体表达以及具体处理的模型，通过把这一模型和其他的相关知识表达模型的有机结合，来把领域专家的知识充分的表达出来。总的来讲，建立在神经网络基础上的故障检测专家系统，是一种新的知识表达系统，它是通过对大量的节点的一些简单处理，是通过单元与单元之间的相互作用来实现信息处理的。
这一方式，通过对网络信息的保持性的充分利用，来把其中的那些不是很精确的诊断推理实现，是一种简单且有效的方式。
2.2神经网络故障检测的具体应用
在一般情况下，导致网络故障的因素不外乎是在设置上出现了问题，对于这类原因引起的故障，我们可以把着手点放在软件上面，通过这一入手点，来实行故障的检测，对于把网络的设置改正确了，对本地机主的测试也通过了，但是，他和与之相邻的主机却是不同的，并且，在这一时候，和交换机相连接的端口没有出现网线的松动情况，那么，需要做的就是进行TCP/IP 的重新安装。将具体一点，也就是如果系统处于正常运行的状态的话，实际上，这一时候的残差是和高斯白噪声序列最为接近的时候，这是，期均值就近乎为零，这时，我们把协方差上界用以下的式子来表示：
U（k）=
其中U（k）所表示的是协议方差，它是会随着k的变化而出现不同的统计特性，如果我们定义一些随机变量，采用的方式是：
需要指出的是， 我们可以认为其就是服从于 的分布的，所以，上述的式子又可以表示成为：
从上述的式子中，我们可以用字母N来表示数据床的长度，那么，如果系统是处于正常运行的状态的话，d（k）的数值就会很小；反过来讲，如果系统正处于突发性故障的状态的话， 就不能够和白噪声的特性相满足，所以， ，其中所标示的是阈值，H0所表示的是正常模态，通过实践，如果有故障发生，那么只需要进行一步时延，d（源于：毕业论文致谢怎么写www.808so.com
k）就会发生明显的变化，由此来对网络故障进行检测。
3结束语
总之，到目前为止，网络故障诊断的一个最主要发展趋势就是采用智能化的检测技术来记性，而神经网络有着极佳的非线性映射，有着极强的自适应能力，从而日益被广泛的应用到网络故障的检测当中，也可以说，这是一种值得深入推广的技术。
参考文献：
刘毅.神经网络在网络故障诊断中的应用研究[J].计算机仿真，2010，11
马丽芳，王爱侠.计算机网络入侵检测技术[J].现代计算机（专业版），2011，13
[3]李培良.浅析基于神经网络的入侵检测技术[J].科技信息，2010，23
简论神经网络基于神经网络计算机网络故障检测
更新时间：2024-04-19
作者：用户投稿
本站原创
本站原创
点赞:30028 浏览:135264