基于支持向量机的计算机局域网故障检测技术研究

宗俊丽

（忻州师范学院五寨分院现代教育技术系 山西 五寨 036200）

0 引言

局域网是一种覆盖范围较广、安装简单的区域性网络，局域网内部连接着复杂的计算机设备，含有多种多样的传输介质，在局域网内部不仅可以实现信息交换，还可以实现资源共享，因此计算机局域网的通信效果决定着信息与资源的交互效果。随着计算机局域网的连接复杂性提高，局域网故障检测难度也逐渐增加，急需设计一种新的局域网故障检测技术来降低局域网的故障检测难度[1-3]。传统的局域网故障检测往往使用大量人力，虽然操作简单，但是检测效果较差，检测耗时较长，消耗的人力成本也较多，支持向量机是机器学习方法中的一种，泛化能力较强，使用风险较小，检测过程中可以独立训练检测样本，保证全局最优化，得到最优解，因此，可以通过支持向量机，设计局域网故障检测算法，实现有效的计算机局域网故障检测[4-5]。本文基于支持向量机设计了一种新的计算机局域网故障检测技术，来提高计算机局域网检测的效率。

1 计算机局域网故障检测技术

1.1 选取计算机局域网故障检测模型

为了保证计算机局域网故障检测技术的检测效果，首先需要选取计算机局域网故障检测模型，本文设计的技术使用VC 维提取故障检测函数集合，进一步进行故障预测[6]。假设存在的样本总数为m，预测函数集为任意样本函数集合，则函数的VC 维也可以用m来表示，进行泛化处理，设置VC 维的基础定义，可以进一步进行向量描述[7]。

对于一个特定的指数函数集合，需要使用标准的二维空间将样本函数与线性函数进行划分，结合指示函数的解集进行共线划分，分别为：（RP,B）、（RB,P）、（BP,R）、(RPB,）、（BRP,)、（B,RP）、（P,RB）、（,RPB），此时根据风险最小化原则可以构建计算机局域网故障检测模型，如下（1）所示。

公式（1）中，E代表风险损失，c（x，y）代表故障函数坐标，使用该模型可以直观地看出样本的损失程度，确定故障的区域，还可以根据风险最小化原则对给定的训练集进行假设，构建拟合函数集合，结合故障关系进行基础性概括，从而准确地采集计算机局域网中的故障信息[8]。

计算机局域网故障信息提取时经常会受到样本数据泛化性影响导致提取信息存在误差，此时需要设置泛化能力推广性界，准确计算风险之间的关系，增加模型的泛化能力。提取的样本如果是有限的训练集，则有可能受经验风险影响出现VC 维过高的情况，从而增加故障信息提取的难度，因此可以使用设置的置信界限，设计新的处理策略，进一步寻求子集的最优解，保证模型的结构最小化[9]。

采集到的模型结构可以通过SRM 来实现，首先可以进行经验收敛划分，选取最小经验子集，降低子集收敛耗时，其次可以设计符合子集迭代规律的经验函数，计算此时的经验风险，得到最优函数，进一步提高局域网故障检测的效率。

1.2 基于支持向量机设计计算机局域网故障检测算法

支持向量机可以将计算机局域网中的故障划分成几个最优分类面，实现二维线性划分，降低故障样本的训练难度，因此本文设计的技术基于支持向量机设计了计算机局域网故障检测算法，首先绘制最优分类面示意图，见图1。

由图1 可知，各个分类线之间的距离可以称为分类间隙，为了保证局域网故障检测效果，需要始终保证分类间隙最大，因此需要始终保证置信范围最小，降低真实分类风险，由训练集演化出的线性可分超平面可以用规范超平面表示，并结合可分样本集的类型，进一步进行分类[10]。

利用支持向量机可以将超平面进行归一化处理，计算初始经验风险数值，控制函数集内部的VC 维并设置结构最小标准，此时设计的故障检测算法如下（2）所示。

公式（2）中，R代表VC 维常数，△代表分类间隔，使用该检测算法时，首先需要计算向量与平面之间的准确距离，设置样本分类范围及分类间隔，使其满足最优分类标准，距离样本最近的向量可以作为最优分类面的支撑。

故障检测算法中求解的函数极值存在最优解，可以设置非支持向量保证样本的线性可分。根据支持向量机最优化原理，可以将最优解带入Lagrange 函数，根据Wolfe对偶进行算法优化，列出KKT 条件，如果设置的Lagrange不符合支持向量机标准，需要进一步进行线性处理和空间变换，进一步对最优分类面进行分类，扩充出新的特征空间，从而进一步实现高效化故障检测。

1.3 优化径向基检测神经网络

设置的局域网故障检测向量机函数可能会受线性影响出现高维特征空间，因此可以将现有的径向基函数优化，选取适当的优化模型，对目前的径向基检测神经网络进行优化。首先可以使用SVM 核函数进行内积运算转换出原始的高维特征空间，构建初始的检测神经向量机函数：线性函数、多项式函数以及正切核函数。

选择径向基检测神经参数，使用K 折交叉验证，设置几个互不相交的子集，保证每个子集内部的数据长度相等，根据现有的算法进行决策函数求解，并进行测试，求解出的参数与RBF 呈正相关，其与原有的神经网络相差较小，可以连续进行几次试验得到径向基检测神经网络的最优解。根据计算的径向基函数基础参数，可以构建神经网络优化函数，结合神经元的连接关系进行层状连接，将层状结构的第1 层设置为神经输出层，第2 层设置为隐含层，每一层的神经元输出数量都是一致的，存在双向连接关系，可以设置径向基检测神经网络新型学习方式。按照预定的局域网故障检测规则进行参数调节，设置标准化径向基神经元，该神经元具有镜像高斯对称性，可以通过神经元之间的标准距离判断权值向量之间的距离，设计RBF 相应函数，得到初始化神经阈值，此时可以设置隐单元的线性合并层，排除训练故障，完成径向基检测神经网络的优化。

1.4 实现计算机局域网故障检测

实现计算机局域网故障检测还需要对局域网故障检测告警结果进行模糊化处理，可以根据告警信息的隶属度，获取原始的告警信息，对告警字段和告警属性进行简化，再设置局域网的告警规则，从而进一步提取故障信息的特征值，完成故障告警，在对原始告警进行模糊处理前，需要进行维度量化。

（1）在每个告警端口和告警节点进行链路数量优化，再根据告警量化数值进行属性模糊处理；（2）划分告警的级别，设置量化数值来对应相关的告警级别；（3）根据局域网的分层结构提取实体需求，设置底层告警数值；（4）利用时间窗开年，量化告警属性，建立告警信息模糊化处理模型。

告警信息量化后可以使用模糊聚类算法收集不同的告警隶属度，结合现有的数据进一步进行分类，设置标准隶属度矩阵，结合目前的加权函数计算各点之间的欧式距离，得出新的目标函数。

受告警信息模糊化处理的特殊性影响，设置的模糊知识库处理方法必须建立完善的时间窗口和初始化知识库，结合数据挖掘算法获取相关的模糊规则，如果原始的告警信息存在多维告警区间，可以选取固定的时间窗口长度，进行推移化处理，保证报警区间的有效性。如果初始窗口的推移长度有限，可以在告警事务库中添加网络告警误差频率，并进行误差合并剔除现有的频率误差，降低初始窗口中的推移长度，获取准确的告警关联信息，在实际模糊化处理时，还可能出现告警关联描述性问题，可以使用数据挖掘算法进行KDD 机器学习，降低模糊属性项的隶属度，实现计算机局域网故障检测。

2 对比实验

为了检测本文设计的基于支持向量机的计算机局域网故障检测技术的检测效果，本文选取传统的局域网模糊故障检测技术与本文设计的局域网故障检测技术进行对比，进行实验如下。

2.1 实验准备

采集到的故障检测样本的学习能力过强，可能出现收敛性问题，且容易出现复杂性矛盾，无法对现有的样本进行准确预测，样本来自的模型虽然已经进行了初步界定，但可能在模型内部经历了复杂性演化导致其产生了难以处理的噪声，可以以径向基网络为基础对其进行诊断，结合网络内部的隐含层和输出层共同进行RBF 线性函数界定，设置purelin 线性函数，进行神经元划分，得到初步径向基网络结构。

根据划分成的初步径向基网络结构，选取恰当的神经网络工具箱，为径向基函数创建提供参考，选取某实验模拟中心中的路由状态数据，进行Cisco2351 数据采集，结合局域网故障数据的类型，进行故障分类，采集到的故障可能来自不同的串口，因此可以将采集到的故障分为物理层、数据链路层，并进行故障处理，选取符合实验需求的故障样本进行故障检测实验。

本实验使用RBF newrbe 网络工具箱对输出的分布常数进行诊断，并设置10 层输出模式，分别为100、101、010、110、111、000、100、110、100、101，并以选取的样本为基础进行测试，初次测试时发现选取的样本内部可能存在二次噪声问题，因此本实验进行了噪声分类。建立几个不同的支持向量机为后续的故障分类提供基础，因此可以先将样本中的特征性信息提取出来，并进行训练，使用不同的支持向量机进行特征变换，变化后的训练样本信息见表1。

表1 变换后局域网故障样本信息

由表1 可知，变换后的局域网故障样本具有特异性信息，可以进行后续的局域网故障检测。

2.2 实验结果与讨论

根据上述选取的局域网，分别使用本文设计的计算机局域网故障检测技术和传统的局域网模糊故障检测技术进行检测，记录两者检测故障最优解耗时，检测结果见表2。

表2 实验结果

如表2 所示，设计的计算机局域网故障检测技术检测故障最优解耗时较短，证明其检测效果较好，具有省时性。

3 结语

综上所述，局域网是目前应用较广泛的计算机网络，可以进行高速数据信息传输和资源共享，因此进行局域网故障检测对保证局域网的有效运行有重要作用。传统的局域网检测方法的检测耗时较长，因此本文基于支持向量机设计了新的局域网故障检测技术，进行实验，结果表明，设计的计算机局域网故障检测技术的检测耗时较短，具有省时性，有一定的应用价值，可以作为后续计算机局域网故障检测参考。