基于优化支持向量机的通信网络故障诊断

摘 要：为了精准识别通信网络故障，本文提出一种基于优化支持向量机（Support Vector Machine，SVM）的通信网络故障诊断方法。采用狼群算法（Wolf Pack Algorithm，WPA）对SVM的惩罚系数和核函数系数进行搜索，构建基于WPA-SVM的通信网络故障诊断模型。试验结果表明，WPA-SVM模型诊断精度为98.33%，比SVM模型、神经网络模型分别提升5.36%、9.26%，使用本文方法效果更好。

关键词：通信网络；故障诊断；狼群算法

中图分类号：TN 915 " " " " " " 文献标志码：A

随着信息技术的发展，网络安全问题日益增加，传统网络故障诊断方法十分烦琐，诊断周期较长，诊断精度较低[1-3]，因此需要研究更加快速、精准的通信网络智能诊断方法。本文采用狼群算法（Wolf Pack Algorithm，WPA）对支持向量机（Support Vector Machine，SVM）的惩罚系数和核函数系数进行搜索，对SVM的参数进行寻优，在这个基础上构建基于WPA-SVM的通信网络故障诊断模型，利用仿真和对比对该模型的有效性和优越性进行验证。

1 SVM及其优化

1.1 SVM分类原理

1963年，VAPINK[4]在统计学理论的基础上提出SVM，满足VC维（Vapnik-Chervonenkis Dimension）理论，遵循结构风险最小化原则，能够很好地处理一些非线性问题。SVM的数据处理策略是将维度空间相对较低的数据集提升至维度较高的空间，对数据集类别进行划分，其优点是能够避免在数据处理过程中算法陷入局部最优。本文采用SVM对通信网络故障进行诊断分类。

在训练样本数据的过程中，SVM利用映射函数将有类别标签的数据转化至高维空间，根据数据特征完成分类。令数据集合为M，M={（x1， y1）， （x2， y2）， …， （xn， yn）}， yi∈[-1，1]，n为数据维度特征，构造合适的决策函数f（x），使平面间距达到最大，如公式（1）所示。

f（x）=sgn（w∙x+b） " " （1）

式中：w为权值系数；x为变量；b为阈值。

不同类别数据之间的距离为2/‖w‖，为了取得最大值，目标函数如公式（2）所示。

（2）

式中：C为惩罚系数；ξi为松弛变量；i为样本个数；yi为训练样本标签；xi为样本数据。

在公式（2）中引入拉格朗日乘子，可以得到公式（3）。

（3）

式中：αi为第i个拉格朗日乘子；αj为第j个拉格朗日乘子。

计算公式（3）中的权值系数w和阈值b，如公式（4）、公式（5）所示。

（4）

（5）

式中：αi*为α的对偶系数。

核函数是SVM进行数据集空间转换的必要条件，在核函数的作用下，SVM的训练难度明显降低，能够避免数据集维度过多造成计算量过大。常用的核函数类型有多项式核函数、径向基核函数和Sigmoid核函数，其特点各不相同。多项式核函数多用于线性分类，非线性分类使用多项式核函数容易出现过拟合现象；Sigmoid核函数适用于建立多层感知器模型；径向基核函数的泛化能力不受样本容量的限制，抗干扰能力强，因此本文将径向基核函数作为SVM建模的核函数。

1.2 WPA算法寻优原理

2013年，吴虎胜[5]提出了性能优越的寻优算法，即WPA。WPA的寻优原理来自自然界中狼群的狩猎行为，在狩猎过程中，狼群中有头狼、探狼和猛狼3种不同的角色，头狼是整个狼群的首领，其作用是指导探狼、猛狼搜索、围捕猎物；探狼是信息感知者，不断奔走来搜索猎物；猛狼是攻击者，其作用是围捕猎物，狼群角色划分如图1所示。

令狼群中狼个体数量为N，搜索空间维度为d，狼个体为Xi=（xi1，xi2，…，xid），WPA的主要寻优过程如下。

1.2.1 产生头狼

采用随机初始化的方式产生初始狼群，选择适应度最好的狼个体Ylead作为头狼，当其他个体的适应度值比头狼更高时，该个体便成为头狼。

1.2.2 探狼游走

令狼群中探狼数量为M，探狼数量取决于[N/（α+1），N/α]，α为比例系数，当搜索猎物时，共有h个方向，探狼的移动步长为stepa，令探狼初始适应度为Yi，假设探狼向方向p（p=1，2，…，h）移动，那么探狼位置的更新过程如公式（6）所示。

xp id=xid+sin（2π·p/h）·stepd a " " " " " " " " " " " " " " " " "（6）

式中：xp id为p方向探狼位置；xid为狼个体位置；p为当前方向；h为猎物个数；stepd a为在d维空间中探狼的移动步长。

探狼每更新一次位置，其对应的新适应度值为Yip，如果Yip优于Yi，那么用Yip替代Yi，比较Yip与头狼适应度值Ylead，如果Yip优于Ylead，那么该探狼个体更新为头狼，并向种群中的猛狼发起召唤，否则探狼继续搜索猎物，直至达到最大迭代次数Tmax。

1.2.3 猛狼奔袭

在狼群中，猛狼的数量为N-M，当接收头狼的召唤信息时，猛狼会立即向头狼靠拢，令猛狼运动步长为stepb，在奔袭过程中猛狼位置的更新公式如公式（7）所示。

xidk+1=xidk+stepbd×（gdk-xidk）/|gdk-xidk| " " " " " （7）

式中：xidk+1为狼个体k+1次迭代；xidk为狼个体的迭代次数；k为迭代次数；stepbd为在d维空间中猛狼的运行步长；gdk为当第k次迭代时头狼的位置。

1.2.4 围攻猎物

当猛狼到达攻击位置后，狼群开始攻击猎物，猎物位置就是头狼所在位置，令头狼位置为Gdk，攻击步长为stepc，那么围攻猎物过程中狼群位置更新如公式（8）所示。

xidk+1=xidk+λ×stepcd×|Gdk-xidk| " " " " " " " " " " " " " （8）

式中：λ为头狼位置系数；stepcd为在d维空间中狼群的攻击步长。

探狼移动步长stepa、猛狼运行步长stepb和狼群攻击步长stepc之间的关系如公式（9）所示。

stepad=stepbd/2=stepcd×2=|maxd-mind|/S （9）

式中：S为步长因子。

1.2.5 狼群更新

在狩猎过程中，适应值低的狼会被淘汰，设其数量为R。为了保持狼群数量不变，会随机产生同样数量的狼进行补充，R的取值范围为[N/2×β，N/λ]，β为更新比例系数。

2 基于WPA-SVM的通信网络故障诊断模型

为了提升SVM的分类性能，本文采用WPA寻找惩罚系数C和核函数系数σ的最优值，构建基于WPA-SVM的通信网络故障诊断模型，WPA-SVM模型的建模步骤如下。1）输入通信网络故障样本数据，划分样本集，并利用最大最小化法进行归一化处理。2）初始化SVM，设置C和σ的初值以及寻优范围。3）初始化狼群，设置相关参数，包括N、步长因子S、最大迭代次数kmax、距离判定因子ω、最大游走次数Tmax以及比例系数α、β等。4）设置适应度函数，计算狼个体的初始适应度值，确定头狼位置及其适应度Ylead，适应度函数计算过程如公式（10）所示。

（10）

式中：χ为准确率；Q为数据总量；q为诊断结果错误的数据量。5）更新探狼位置并计算其适应度Yi，比较Yi与Ylead优劣，如果Yi优于Ylead，那么更新头狼位置，程序进入下一步，否则探狼继续游走，游走次数为Tmax时，程序进行下一步。6）更新猛狼位置并计算猛狼适应度值，比较Yi与Ylead优劣，如果Yi优于Ylead，那么更新头狼位置，否则当猛狼奔袭至攻击位置时，程序进入下一步。7）狼群对猎物进行围攻，并更新狼群位置。8）判断程序是否迭代至kmax，如果是，那么输出C和σ的最优值，否则返回步骤（5）。9）利用WPA-SVM模型进行故障诊断，输出通信网络故障诊断结果。

3 算例分析

通信网络典型故障类型通常包括双工模式不匹配、接口速率不匹配、以太网未连接、接口负载过大、接口信号丢失以及链路宽带不足。利用网络测试系统获得上述6种故障类型数据，样本数据划分以及故障编码情况见表1。

设置WPA算法的参数如下：狼群容量N=100、步长因子S=800、探狼比例因子α=4、最大迭代次数kmax=200、游走方向h=4、最大游走次数Tmax=20以及更新比例系数β=5。利用训练集中的样本数据进行训练，采用WPA算法搜索SVM的惩罚系数C和核函数系数σ的最优值，获得的寻优结果为C=43.78，σ=10.14。将C和σ最优值赋予SVM后，使用WPA-SVM模型对测试集样本数据进行诊断，WPA-SVM模型的诊断结果如图2所示，由图2可知，WPA-SVM模型输出结果出现1个错误，误将接口速率不匹配诊断为接口负载过大。

为了验证WPA-SVM模型的效果，利用SVM和BPNN分别构建SVM模型和BPNN模型，使用相同的样本数据进行训练和测试，SVM模型和BPNN模型的诊断结果分别如图3、图4所示。由图3、图4可知，SVM模型和BPNN模型的输出结果分别出现了4次、6次错误，与WPA-SVM模型相比，诊断效果较差。

计算WPA-SVM模型、SVM模型和BPNN模型的诊断精度，各模型诊断精度见表2。由表2可知，WPA-SVM模型、SVM模型和BPNN模型的诊断精度分别为98.33%、93.33%和90%，与SVM模型和BPNN模型相比，WPA-SVM模型精度分别提升5.36%和9.26%，说明WPA-SVM模型在网络故障诊断方面效果更好[6]。

4 结论

本文采用WPA算法确定了SVM惩罚系数和核函数系数的最优值，提升了SVM的非线性分类性能。在这个基础上构建了基于WPA-SVM的通信网络故障诊断模型，利用网络测试系统获取通信网络典型故障类型数据进行仿真。将WPA-SVM模型的诊断结果与SVM模型和BPNN模型进行对比，结果表明，WPA-SVM模型、SVM模型和BPNN模型的诊断精度分别为98.33%、93.33%和90%，验证了WPA-SVM模型在网络故障诊断方面效果更好。

参考文献

[1]徐延海.基于GAN的通信网络故障检测与诊断方法[J].自动化技术与应用，2024，43（4）： 67-70，146.

[2]罗鹏，李景文.面向大数据平台调度优化的通信网络故障诊断 [J].微型电脑应用，2024，40（3）198-201，213.

[3]齐放，姚渭箐，张成，等.基于卷积神经网络的电力通信网络故障诊断[J].信息技术，2023（6）：119-123，128.

[4]VAPNIK V N. An overview of statistical learning theory[J].IEEE transactions on neural networks，1999，10（5）：988-999.

[5]吴虎胜，张凤鸣，吴庐山.一种新的群体智能算法一狼群算法[J].系统工程与电子技术，2013，35（11）：2430-2438.

[6]印云刚，刘闯，何其新，等.基于改进狼群算法的含风电配电网无功优化[J].内蒙古电力技术，2023，41（3）：1-7.

通信作者：詹小锋（1980—），男，广东湛江人，本科，工程师，研究方向为网络工程。

电子邮箱：26147883@qq.com。