基于人工智能的网络故障诊断相关问题研究
阿不都艾尼·阿不都肉素力
摘要：网络技术不断发展，网络给人们提供更多的信息服务，信息传输让人们实现了远程办公。但是随着网路功能增加、网络结构也越来越复杂。一旦网络发生故障就会给人们生活、工作、学习带来各种各样的麻烦，人们对于网络的依赖性越高，对于网络故障诊断的需求也就越高，对于诊断效率和诊断技术的要求也越来越高。该文重点讲述了人工智能在网络故障诊断中的应用和存在的问题，并提出了几点建议，供业内人士参考。
关键词：人工智能；网络故障；诊断；相关问题
中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）13-0169-02
本文根据网络系统出现故障的各种特点来分析了模糊逻辑、专家诊断系统、神经网络和各种智能体系统的常用网络故障诊断方法，并阐述了其特点、原理已经应用等方面的现状和问题。
1 人工智能在网络故障诊断应用中的现状
人们与网络的联系日渐紧密，一旦网络出现故障就会严重的影响人们工作、生活和学习，这就对我们网络故障检修工作提出了高要求，力求花最短的时间，精准的判断故障发生原因、位置和类型，及时对故障进行抢修。这种要求对于我们工作人员来说是人力难以完成的，那么我们就需要引进一个套能高效、高速、精准定位故障的检修判断系统。如何对网站故障进行排除、定位和修复使我们网络管理行业的最艰巨也是最迫切需要解决的问题，但是目前因为没有一个准确的数学模型和相应的算法，造成传统故障没办法进行有效的诊断和处理。人工智能技术是我们解决当前问题的一个重要解决方法，虽然目前国内还没有得到广泛的使用，但是苹果、微软等计算机软件公司都已经在重点研究此技术，技术也在逐渐成熟中。本人参阅国内外的相关文献，在分析故障特点的基础上，对于模糊逻辑、专家系统、智能系统、专家系统等各类计算及系统进行研究，深入了解其特点和缺陷，并研究其诊断方法原理，希望能出尽我国的网络故障诊断技术的发展。
2 网络故障基本特征分析
经过本人多年对于大型网络系统的研究，发现其故障的特点如下：
2.1 层次性
网络系统是有结构分层的，包括数据链路层、物理硬件层、应用层，这些不同分层会出现层次性的故障，其故障征兆是有层次性的。
2.2 传播性
故障传播包括横向传播和纵向传播两种。横向传播是在同一层次里，因为某一个元素发生故障导致同层次的其他元素发生故障。纵向传播是因为不同分层的某一层出现故障导致其他层次也出现问题，比如硬件损坏可能导致软件数据丢失，数据链路层里的数据链被打断，造成系统被破坏，应用层的应用自然无法使用。
2.3 相关性
网络故障的表现征兆和原因很多且非常复杂，一种故障可能会出现不同的表现征兆，一种表现征兆也可能是因为不同的原因造成的。
2.4 随机性
故障原因可能是随机出现的，没有固定的套路，其具有模糊性和随机性。这也造成网络系统故障诊断的难度大需要检测的对象非常复杂且数量庞大。所以以人工检测来看，这是一个浩大的工程，所以人力检测也难以满足高效检修的需求。
人工智能系统对网络故障进行诊断的方法是目前最有希望解决此问题的方法，下文对人工智能故障诊断方法及其在网络故障诊断当中的应用进行阐述。
3 人工智能技术在网络故障诊断中的应用
障诊断主要方法包括模糊逻辑、专家系统、多智能体系统 （Multi-agent system， MAS）和神经网络等方法。
3.1 基于模糊逻辑的网络故障诊断法
网络故障与征兆表现都有随机性，这就造成两者之间的关系是模糊的，很难将征兆表现与故障原因通过准确的数学模型来确定其关系，这也就是我们常说的不确定性故障。模糊逻辑的诊断方法是处理这种不确定却模糊状态故障用的一种机制，其能够将这些不确定性模糊故障信息进行搜集，集中整合，并通过函数等数学逻辑将其整合成一个模糊关系矩形阵，这个数学模型能将不确定性故障与征兆表现限制在一定范围内，能够为诊断提供一定的参考。此诊断原理主要先收集故障与征兆表现的数据，建立一个隶属度函数，随后将故障原因和征兆表现集合成一个模糊关系矩阵，使用模糊关系方程来缩小故障原因范围。这种诊断方法无法做到精准的诊断出故障原因，但是能缩小范围给检修人员一定的参考和启发，这就类似人类的思维方法，所以这个方法需要建立一个庞大的模糊关系数据库，智能升级学习能力比较差。
3.2 专家系统在网络故障诊断
这个诊断系统是模仿人类专家解决问题的方法过程的一种程序系统，此系统运用已有的相关理论和解决方法对故障原因进行分析和决策，这个系统的模拟功能非常的强大，是针对有规律规则但是牵扯原因多涉及范围广的复杂问题而设计出来的，将已有的人类知识、概念、模式、方案综合归纳出规律规则，给人力检测提供经验启发参考。这种强调规则性的专家系统对于知识选取，知识呈现的功能很强大，且结果显示非常直观，因为规则型强所以形式高度统一，对于检修人员来说比较容易理解。
但是鉴于我们网络系统故障的原因和征兆之间的关系非常复杂却随机性强，仅仅通过专家系统很难完成故障定位、原因分析的目标。专家系统强调归纳出规则，也导致知识只能是建立在数据库基础上，其灵活性很弱，因为系统故障随意性强，就会导致归纳出的规则之间发生冲突，造成规则组合爆炸，无法得出准确的结果。目前有一种设置了自然语言接口的网络故障诊断系统，主要采用了专家系统的设计原理和模型，将专家系统归纳出的规则与概念图进行组合，延伸出了生产型的规则知识表（即EPR技术），将网络上有关故障表述的语言转成了一幅幅概念图，利用专家系统的推理分析制定出一些规则，并将这些推理结果和推理规则转换成自然语言输出，直观的让检修人员看到分析报告和结果。此种方法一定程度上能帮助检修人员对故障进行预判。
3.3 基于神经网络故障诊断法
故障诊断模式识别是神经网络故障诊断的核心诊断方法，人工神经网络能够模拟出人类大脑组织结构，并建立一个类似人类大脑认知的过程，对故障进行分类处理。运行原理是将故障征兆通过神经网络输入到系统中，使用识别模式来将故障进行分类最终出具诊断结果。这种诊断系统可以通过对故障诊断实例数据收集，并对其进行一定的学习和训练，将分布于神经网络当中的那些表示连接权值数据经过计算翻译后表达故障诊断，最后将故障诊断的结果输出。
这种诊断方法适应性强，且能自动进行记忆联想，能将故障数据分类处理。这与以上2种诊断系统相比，其学习能力强，能自主收集资料，能很好地对知识数据库数据进行更新维护。但是其不足之处也很明显，那就是有学习能力但是学习速度还是较慢，需要长时间训练，且解释能力不如专家诊断系统。这些技术水平的原因也导致神经网络故障诊断系统目前没有推广使用。
3.4 多智能体技术在网络系统故障诊断中的应用
经过国外的广泛实践应用结果发现，仅仅依靠模糊逻辑、专家系统或神经网络等单一方法只能对一些简单的网络故障进行诊断，无法满足大型网络系统的故障诊断要求，所以单一的方法是满足不了人们对于解决复杂故障的需求。那么就出现了采用多种诊断系统共同合作的新诊断技术——多智能体技术。多智能体技术是人工智能领域内的新宠，站在了技术的最前端，且备受关注。由多种诊断方法的系统组合而成，利用不同的系统的特性将复杂的网络故障因素分解成单一、独立的小因素。各个子系统共同运作。目前多智能体系统的研究不断深入，对于如何协调各子系统有了一点的研究成果，其特性是自主性强，协调性强，组成形式为分布式，有一定的组织能力和学习能力，能将复杂的问题自主的分解成小问题，分发到子系统进行分析。
4 结束语
对于如何对网络系统进行精准定位找出故障原因，出具诊断结果，提出修护方案，仍然是我们业内人士要重点研究的，我们要因地制宜，针对不对的实际情况来进行研究，需要满足我们的用户需求，制定合适的诊断的方案，引进先进的诊断技术，力求能够快速、精准的判定故障原因，人工智能在网络故障诊断中已经大放光彩，我们要抓住技术的潮流走向，融合多种智能诊断方法，对各种智能诊断系统进行深入的分析和了解。通过引进并其学习现代数据挖掘技术，从而改进目前我国的智能诊断系统的推理能力和知识获取。让网络故障诊断能更快速、更精准。将网络故障导致人们生活、学习、工作的损失降到最低。
参考文献：
[1] 雷亚国. 混合智能技术及其在故障诊断中的应用研究[D]. 西安： 西安交通大学， 2007.
[2] 刘观良， 赵万能， 仝麦智. 基于人工智能的网络故障诊断研究综述[J]. 电脑编程技巧与维护， 2013（10）.
[3] 边莉， 边晨源. 电网故障诊断的智能方法综述[J]. 电力系统保护与控制， 2014（3）.
[4] 马骅， 张洪星， 宋海军. 人工智能在计算机网络系统故障诊断中的应用[J]. 邢台职业技术学院学报， 2004（1）.
[3] Francisco Javier Cantu-Ortiz.Advancing artificial intelligence research and dissemination through conference series： Benchmark， scientific impact and the MICAI experience[J]. Expert Systems with Application， 2014， 41（3）.
[4] Kunwar P Singh，Shikha Gupta，Premanjali Rai， et al. Predicting acute aquatic toxicity of structurally diverse chemicals in fish using artificial intelligence approaches[J]. Ecotoxicology and Environmental Safety， 2013， 95（1）.
