网络可靠性预测模型

贾花萍，孙卫喜

（渭南师范学院 网络安全与信息化学院，陕西 渭南 714099）

网络可靠性预测模型

贾花萍，孙卫喜

（渭南师范学院 网络安全与信息化学院，陕西 渭南 714099）

网络可靠性作为系统安全的最基于要求之一，是所有网络信息系统的建设和运行目标。针对采用BP神经网络对网络可靠性建立预测模型，其算法存在收敛速度慢、网络泛化能力差，影响预测精度等缺点。提出采用量子神经网络算法进行网络可靠性预测建模。通过对测试数据进行建模仿真，结果表明，该预测方法较BP神经网络而言，在误差精度，训练次数等方面优于传统神经网络，同时能避免陷入局部极小的缺点，达到了很好的预测效果。

网络；量子计算；可靠性；预测

Benioff[1]和 Feynman[2]于 1982年提出量子计算概念，Kak[3-4]教授1995年发表的“On Quantum Neural Computing”文章中将量子理论与神经计算相结合，提出量子神经计算的概念，使得量子神经网络受到了广泛的关注。同年Chrisley提出了量子学习的概念以及非叠加态的量子神经网络模型。1998年Menneer在"Quantum Artificial Neural Networks"的博士论文中探讨了将量子计算引入人工神经网络，并且证实量子神经网络在分类方面要比传统神经网络更加有效。而且不存在收敛速度慢、易陷于局部极小的缺点。有专家学者已经将量子神经网络应用到电网故障诊断[5]、心电图识别[6]、指纹识别技术[7]等领域并取得了很好的研究成果。

1　量子神经网络

量子神经网络[8-9]是将人工神经网络与量子计算相结合的一个新研究领域，被认为是神经计算系统演化发展的方向。由于利用了量子并行计算、非线性、非局部特性、量子纠缠等特性，从而克服了传统人工神经网络的某些固有缺陷，将很有可能成为未来信息处理的重要手段和神经网络的另一分支。

量子神经网络与神经网络相比，主要区别在于隐含层是用量子叠加原理，采用叠加激励函数来构造隐含层神经元，其输入层和输出层神经元与神经网络相似，训练算法仍采用梯度下降法。在训练过程中，对神经元的连接权值及隐含层神经元的量子间隔进行更新，如果隐含层神经元是由多个激励函数的叠加构造而成，可以提高模式识别的准确性。其中，隐含层节点的输出函数为：

n是量子间隔数目，θi是量子间隔，β为陡度因子。

其量子间隔更新算法为：

隐含层第i个神经元的输出变量是：

m为模式分类数目，Cm是模式类矢量，输入矢量为Xk时，隐含层第i个神经元的输出是Oi，m。oi，k是：

隐含层量子间隔θi，s的更新方法为：设

Oi，m，s是输入矢量为Xk时第s个量子间隔，隐含层第i个神经元的输出。隐含层第i个神经元的s个量子间隔是：

η是学习率，z是输出神经元的数目，β是陡度因子[10-11]。

2　网络可靠性预测模型的建立

网络可靠性这一概念首先由Boesch[12]归纳提出。网络可靠性分析一般是指在给定网络部件可靠性参数的条件下，研究如何计算网络的可靠性；网络可靠性评价通过对网络可靠性水平的度量，判断网络在可靠性方面的价值。西安电子科技大学冯海林的博士论文主要研究网络可靠性界的计算、网络综合可靠性分析方法、马尔科夫型可修网络系统中聚合问题的研究以及网络的模糊可靠性分析方法的研究[13]。Barberis提出了基于网络吞吐量的有效性参数，Park提出了基于传输时延的有效性参数[14]。由于网络性能容易受到元件故障、传输任务、路由策略等因素的影响。使用可靠性分析尚未得出理论模型，目前研究得到的结论往往都是基于仿真[15]或者基于统计数据分析[16]的结果。

人工智能技术的迅速发展为网络可靠性的预测提供了新的途径，利用量子神经网络算法设计了一种新的网络可靠性预测模型，该模型在误差精度，训练次数等方面优于传统神经网络。

2.1测试数据

将数据用测试软件IxChariot 6.0进行测试。网络拓扑结构如图1，主控制台为IP地址为202.207.214.117的终端。其中链路数、节点数、链路可靠度、端到端时延、作为网络输入，网络可靠度作为输出[12-13]，归一化后数据样本见表1。

图1　网络拓扑图

表1　归一化后的数据样本

2.2网络结构设计

分别采用量子神经网络和BP神经网络建立网络可靠性预测模型，选用三层神经网络结构进行预测。模型的输入参数即为影响网络可靠性的因素，即链路数、节点数、链路可靠度、端到端时延，作为模型的输入层的4个神经元，以网络可靠度作为输出神经元，因此输出层神经元的个数为1。输出层神经元的传递函数为可选用logsig函数。根据前面分析，隐含层的神经元个数直接影响着网络的非线性预测性能，根据Kolmogorov定理，设定网络的隐含层神经元个数为9。按照一般的设计原则，隐含层神经元的传递函数为S型正切函数tansig。

2.3结果比较

从图2量子神经网络训练结果看，经过132次训练网络就可以达到所要求的精度，而传统的BP神经网络需要246次训练才能达到网络误差要求。可见，量子神经网络的训练速度更快，训练的精度更加精确。

3　结束语

目前，在传统的网络可靠性建模中，通常主要依靠硬软件故障率来计算网络的预期可用性，其缺点在于网络的网络故障很可能由一些外部事件导致。现在应用最广泛的是BP神经网络和支持向量机 （SVM），但前者预测性能对网络权值、拓扑结构、样本数目等的依赖性较大，而且它是基于梯度信息来调整连接权值的，因此极易陷入局部极值点。

用量子神经网络对网络可靠性进行建模，比单纯用BP神经网络进行预测，在收敛精度、收敛速度及误差等方面都有明显提高，而且同时能够避免BP神经网络陷入局部极小的缺点。仿真结果表明：采用量子神经网络预测模型，其性能远优于BP预测模型，该方法可以作为一种新的预测方法应用于网络可靠性的预测。

图2　量子神经网络训练结果

图3　BP神经网络训练结果

[1]Benioff P A，Quantum Mechanical Hamiltonian Model of Turing Machine[J].Journal of Statistical Physics.1982，29（3）:515-546.

[2]Feynman R P，Simulating physics with computers[J]. International Journal of Theoretical Physics，1982，21:6-7.

[3]Kak S.，On Quantum Neural Computing[J].Information Science，1995，（83）:143-160.

[4]Kak S.，Quantum Neural Computing[J].Advances in Imaging and Electron Physics，1995，（94）:259-313.

[5]刘超.基于粗糙集理论和量子神经网络的电网故障诊断方法研究[D].成都：西南交通大学，2008.

[6]柳丹.量子神经网络模型及其在心电图分类识别中的应用研究[D].南京：南京邮电大学，2012.

[7]李茶茶.基于量子神经网络的指纹识别技术研究[D].南京：南京邮电大学，2011.

[8]Ezhov A，Venture D，Quantum Neural Network，In:Kasabov N.ed.Future Directions for Intelligent System Informa-tion Sciences[C].Springer-Verlag，Heidelberg，2000，213-234.

[9]Altaisky M.V.Quantum Neural Network[J].International Journal of Theoretical Physics，2001，36（12）:2855-2875.

[10]Narayanan A，Menneer T.Quantum Artifical neural networks Architectures and compents[J].Information Sciences，2000，128（3-4）:231-255.

[11]朱大奇，陈尔奎.旋转机械故障诊断的量子神经网络算法[J].中国电机工程学报，2006，26（1）:132-136.

[12]Boesch，F.；Thomas，R.Synthesis of Reliable Networks:A Survey[J].IEEE Transactions on Reliability，1986，35（3）: 240-246.

[13]冯海林.网络系统中可靠性问题的研究[D].西安：电子科技大学，2004.

[14]梁雄健，孙青华.通信网可靠性管理[M].北京：北京邮电大学出版社，2004.

[15]Jereb L，Kiss A.Performance index based network reliability analysis with stratified sampling[J].IEEE International Computer Performance and Dependability Symposium，2000: 123-130.

[16]WU Xiang-ping.Reliability for Future Networks[R].Beijing: Beihang，2008.

[17]WANG Li，WANG Xiao-kai.Reliability appraisal and forecastresearchofLAN/WLANintegrationnetwork[J]. Computer Engineering and Applications，2009.

[18]王丽.改进神经网络模型对通信网可靠性的预测[J].计算机工程与应用，2010，46（22）：80-82.

Network reliability prediction model

JIA Hua-ping，SUN Wei-xi
（College of Network Security and Information Technology，Weinan Normal University，Weinan 714099，China）

Network reliability is one of the most basic requirements of system security，and it is the goal of the construction and operation of all network information systems.In view of the BP neural network to establish the network reliability prediction model，the algorithm has the shortcomings of slow convergence speed，poor network generalization ability，and impact prediction accuracy.The quantum neural network algorithm is proposed to model the network reliability prediction. Through the modeling and Simulation of the test data.The results show that the prediction method is compared with that of BP neural network，the error precision，the training times and is superior to the traditional neural network，also can avoid falling into local minimum points，to reach a good prediction effect.

Network；quantum computing；reliability；prediction

TN91

A

1674－6236（2016）21-0021-03

2016-03-21稿件编号：201603277

陕西省自然科学基础研究计划项目（2014JM1026）；渭南师范学院重点教改项目（JG201511）；渭南师范学院校级特色学科建设项目（14TSXK02）。

贾花萍（1979—），女，陕西富平人，硕士，副教授。研究方向：神经网络，脑信息处理。