摘要: 随着网络规模不断扩大、网络设备不断更新、网络拓扑结构日趋复杂,现有网络管理系统已经很难高效准确地管理网络系统。因此如何通过对网络性能数据的分析后对故障进行定位,以便让网络管理员更有效的管理网络并快速排除故障显得格外重要。本文根据规则知识库以及模糊知识库研究实现了具有模糊判断能力的智能网络故障定位系统。
Abstract: Network is becoming bigger and bigger, network devices keep updating, and netork topology is becoming more and more complex. The current network management systems can not manage network accurately. So, it is extremely important to analyze network performance data to detect and remove network error. The paper introduces an intelligent network error locating system based on rule knowledge base and fuzzy knowledge base. The system is of fuzzy judgement.
关键词: 网络管理;模糊化理论;故障定位;知识库
Key words: network management;fuzzy theory;error analysis locating;knowledge base
中图分类号:TP393 文献标识码:A文章编号:1006-4311(2010)23-0147-02
0引言
随着计算机网络在社会工作、生活中越来越广泛和深入的应用,其运行的情况对用户至关重要。一旦网络发生故障,如不能及时修复,将对用户和社会造成不可估计的损失。但是,由于网络设备不断增加、网络规模不断扩大、网络拓扑结构日趋复杂,因此网络故障的排除日趋困难[1]。即使是拥有丰富经验的网络管理人员,也很难及时找到网络故障的具体位置以解决网络问题。事实证明,单纯的增加网管人员,只会增加企业运营成本,但是对于故障的维护并未见到显著的提高[2]。
智能网络管理系统,就是为了实时监控各种网络设备的运行情况,最大限度地准确定位网络出现故障的位置,以便网络管理人员迅速有效的排除网络故障。目前智能网络管理系统以及相关网络监控系统以及网络故障诊断系统日趋受到业界重视,并且也成为了国内外基于网络数据分析的前沿课题。智能网络管理系统中的一项重要功能即是故障定位。本文在故障诊断中采用的算法无需大量运算,因此可以快速对网络故障进行定位,因此及时、高效诊断网络故障,同时提供网络故障可能解决的方案,以备网络维护人员参考,从而将网络故障的损失降到最低。
1网络故障定位研究
网络故障诊断定位是智能网络管理系统的重要功能。本文通过对分析后的网络实时数据进行案例对比、模糊化、反模糊化等手段[3],完成对网络故障的定位。
1.1 故障定位流程智能网络关系系统先后完成网络数据采集、数据分析后将对网络故障进行定位。在本文中,通过故障定位流程,先用普通知识库对采集信息做初步处理,如果没有确定故障种类,则对采集数据进行更为智能的模糊知识库对比,如不能确定解决方案,通过专家对知识库进行完善。该流程使网络故障定位更为合理,并能及时、准确的对网络中出现的故障进行预警、报警。
1.2 案例对比在相同网络拓扑结构下,由于相同原因引起的故障,会产生相同的故障,并可以用相同的解决方案处理,因此网络故障定位可以用案例对比方式处理。将这些确定的网路故障原因与所引起的网络故障放入同一案例集合中。系统对数据进行模糊分析后,先与案例集合中的案例进行对比,如果对比成功则可以判断网络故障类型。
由于网络拓扑结构,网络性能等特性不会一成不变,因此最初的案例对比库,不能一直满足网络故障定位的要求,因此案例对比库必须定时维护,不断更新,以达到案例对比的最佳效果。案例库的更新来源于两类,第一类是故障报警正确,则在案例对比库中对这种故障发生次数增加1,也可认为将可信度提高1。另一类来源于专家处理,处理后增加案例库中的故障原因组合,在案例库中产生一条新案例。
1.3 模糊规则库模糊知识库就是保存本领域内专家经验的模糊规则库,是模糊推论系统中的一种知识数据库[4]。模糊规则是模糊规则库的模糊推理机制。因此模糊规则库的性能很大程度上由模糊规则内容决定。在模糊规则库中,一种网络故障由一条模糊规则或多条模糊规则确定[5]。
模糊规则库中的规则是由网络专家提供的,并在实际运行过程中,通过网络故障的不断增加以及对网络故障更全面的了解,修正、完善模糊规则库,因此模糊规则库是不断更新与完善的。
1.4 反模糊化在研究中规定,如果一个故障F只有一种模糊规则描述的话,那么该故障的可能发生概率为F(x)=minu(x),u(x),…,u(x),不需要进行反模糊化便可确定故障F发生的概率。如果一个故障F有多以一条的模糊规则描述,那么需要按以下步骤处理:
(1)利用最左极大法的理论进行反模糊推论,经过模糊规则库已经计算出故障F根据第j条规则发的概F(x)=minu(x),u(x),…,u(x)(j=1,2,…m),根据最左极大法的理论计算机出故障F发生的概率为F(x)=maxF(x),F(x),…,F(x)。
(2)由于同一时间内,网络中可能同时出现多种故障,在研究中讲各种网络故障发证的概率进行排序。排序后交由网络管理人员,这对网络管理人员分析研究网络故障的情况有很大帮助。
2案例分析
依据专家经验,建立案例对比知识库以及模糊规则知识库,网络是否发生故障以及发生何种故障由这两个知识库来确定。
(1)试验数据:为了检验本文,我们将网络断开后,在SNMP网络采集模块中分析一下几个性能数据:ifOperStatus Value=0,
fInOctets Value=0,ifOutOctes Value=24753,
dotldStpPortState Value=1,OccurCpuRate Value=48,
EntherStatsCollision Value=0,SysUpTime Value=237:56:47,
IcmpOutEchoReps Value=0,IcmpOutEchoReps Value=0
(2)故障诊断:先与案例值数据进行对比,未发现任何符合案例知识库的信息,则推出案例知识库,然后将数据与模糊规则库进行比对:
F1→ifOperStatus,ifInOctets,ifOutOctets
F1(网络中断)故障接近度:f1=min(f11,f12,f13,)=min(1,1,0.9116)=0.9116
F2→ifInOctets,ifOutOctets,OccurCpuRate
F2(主机死机)故障接近度:f2=min(f21,f22,f23)=min(1,0.9116,0.5485)=0.485
F3→SysUptime
F3(主机重新启)故障接近度:f3=0
F4→ifInOctets,ifOutOctets,EntherStatsCollision
F4(网络拥堵)故障近似度:f4=(f41,f42,f43)=min(0,1,0)=0
F5→dotldStpPortState,ifInOctets,ifOutOctets
F5(网络广播风暴)故障近似度:f5=min(f51,f52,f53)=min(0,0,0.9116)=0
F6→IcmpInEchoReps,IcmpOutEchoReps
F6(DDOS攻击)故障近似度:f6=min(f61,f62)=min(0,0)=0
(3)反模糊化:
F1(网络中断)故障近似度:f1=0.9116,则F1(网络中断)故障的发生概率为91.16%
F2(主机死机)故障接近度:f2=0.485,则F2(主机死机)故障发生的概率为48.5%
F3(主机重新启)故障接近度:f3=0,则F3(主机重新启)故障发生的概率为0%
F4(网络拥堵)故障近似度:f4=min(0,1,0)=0,则F4(网络拥堵)故障发生的概率为0%
F5(网络广播风暴)故障近似度:f5=0,则F5(网络广播风暴)故障发生的概率为0%
F6(DDOS攻击)故障近似度:f6=0,则F6(DDOS攻击)故障发生的概率为0%
(4)结论:现在网络可能发生的故障有2种:其中网络中断发生的概率为91.16%,主机死机发生的概率为48.5%
由于做本试验数据是在网络中断后所得数据,并在本算法中得到故障诊断为网络中断。但是如果单独的运用案例知识库,将判断不出网络发生故障的原因,因此说明本算法比单独的案例知识库更有可用性。
3结论
本文介绍了在各个模块中数据的流程以及数据分析算法。通过对案例的分析,明显看出,如果单独用经典集下的案例分析库,得到网络故障真实的结论有很大的困难。本文运用模糊化、模糊规则库、反模糊化等理论,根据最左极大法对网络故障进行定位,以确保网络故障定位的准确性,由于本算法不需要大量的计算因此提高了故障诊断的效率。
参考文献:
[1]Bouloutas A T., Modeling Fault Management in Communication Networks [D]. Columbia University, 1990.
[2]Jordaan J F, Pateros ME. Event Correlation in Heterogeneous Networks Using the OSI Management Framework [C]. Proceedings of the IFIP TC6/WG6.6.1993: 683-695.
[3]李若刚.关于网络计划模型中的时间不确定性的讨论[J].系统工程与电子技术,1997,15(3): 187-192.
[4]Cheung D .W,Han J,Ng V, Wang C. Y. Maintenance of discovered association rules in large databases:An Incremental Updating Technique, 1996.
[5]王云岚,李增智,赵银亮,刘康平.基于数据融合的知识发现方法在网络故障管理中的应用[J].计算机工程与设计,2002,23(9):53-56.