计算机网络故障检测中BP神经网络的应用

闫锋哲 中国人民大学信息学院 100872

前言：

互联网已经应用到各行各业之中，不仅将网络规模扩大，还增加了许多的功能，人们的日常生活以及学习工作也已经不能离开计算机网络，已经成为社会健康发展的推动力之一。但是计算机网络的普及并不仅仅带来了好处，还有其自身的不完善以及病毒的侵入等原因，为网络安全带来了很大的隐患，影响了网络健康发展。因此，使用BP神经网络，能够更好地解决计算机网络的故障问题。

一、BP神经网络的认知

1.BP神经网络结构

BP(Back Propagation)神经网络主要是一种多层前馈神经网络，按照误差的逆向算法进行运算，在1896年以Rumelhart以及McClelland为主的科学家提出的，在目前广为应用。其结构为输入层、输出层以及两者之间的隐含层，隐含层可以是一层，也可以是多层。BP神经网络无需在使用之前先将输入与输出之间的数学方程进行确定，通过自身的训练，将规则进行学习，就能在给定的输入值之后得到最接近期望的输出结果。输入层将从外界的输入信息通过神经元传递给不同的神经元，输出层将外界的信息进行处理并得出结果，隐含层则是在两者之间，负责信息的内部处理以及变换，其主要依据信息的变化需求而决定。除此之外，隐含层的状态对输入u输出之间的关系有重要的影响，将隐含层的权系数进行改变，就能将整个多层神经网络的性能进行改变，隐含层中的节点数量也需要进行注意，过多或者过少都会对网络的稳定性造成一定的影响，需要相关人员在使用BP神经网络是，根据实际情况设定节点数，保证计算机网络性能的最优化[1]。

2.BP神经网络故障检测的算法

计算机网络在运行过程中，会产生很多信息，当出现故障之后，信息也会发生相应的变化，BP神经网络能够在状态信息中获得映射关系，并在映射关系产生变化之后进行不断地自我调整，适应环境的变化。其主要是通过自身的学习机制构成的决策区域，其中决定网络计算机的特性主要有学习训练规则、拓扑结构以及神经元特性等。并且根据实验表明，在三层神经网络下，对于任意精度都能逼近连续函数。在BP算法的学习中，有两种工作信号的创博方法，其正传播就是通过输入层将输入信号传播至输出层，在输出端得到信号[2]。而信号的反向传播是在误差信号通过输出端将信息进行向后的传播过程，误差信号在其中指的是网络期望输出信号与实际输出信号之间的差值。

而BP神经网络的算法过程，首先将网络进行初始化，输入节点数、输出节点数、隐含层节点数、将连接权值、偏置初始化，并将学习速率与神经元际化函数给定。其次就是计算隐含层的输出、输出层的输出计算、误差计算、权值更新、阈值更新等，最后就是观察算法的迭代是否结束，如若没有结束，则重新返回第二步骤，当满足学习次数或者误差要求之后，自动得出结果，结束算法。

S型激活函数是BP神经网络锁对应的输入与输出的关系：

net=x1w1+…xnwn

y=f(net)

f’(net)=y(1-y)

神经网络在计算机中主要是通过神经元进行大量连接计算机网络，BP神经网络是目前广泛应用的神经网络模式[3]。

二、BP神经网络的特点以及缺陷

1.BP神经网络特点

在BP神经网络中，其主要特点是能够进行单向传播的多层向前网络，其主要三层结构为输入层、中间层以及输出层，中间层数量可以具有多个，并且神经元之间只接受前一层神经员的输出。其中BP神经网络中没有反馈现象，同一结构层中也没有耦合作用，节点只能对下一层的节点的输入进行影响。由此可知BP神经网络中具有以下几种特点。

（1）泛化特点

泛化是指设计模式分类器的过程中，不仅需要考虑网络能否将需要分类的对象进行正确的划分，还要关心BP神经网络在训练之后，对于从未见过的模式或噪音等模式进行分类，并保证其分类的正确性，将其学习的成果成功应用到新的知识当中，即为BP神经网络的泛化。

（2）容错特点

在进行全局训练过程中，若是BP神经网络的局部神经元受到破坏，对其训练结果没有较大的影响，在系统损伤的情况下还鞥够继续正常工作，因此BP神经网络具有一定的容错作用。

（3）非线性映射特点

BP神经网络其主要就是输入项输出的映射，通过数学理论，能够证明三层的神经网络以任意精度能够逼近非线性的连续函数，能够将内部复杂的问题有效进行解决，适合在计算机网络之中。

（4）自学适应特点

BP神经网络能够在进行训练时，能够自主学习将输出与输出数据之间的规则进行提取，并将学习内容在网络权值中记忆，具有高度的学习适应性。

2.BP神经网络缺陷

随着对BP神经网络的深入研究，BP神经网络也体现出了其中的不足之处：

（1）局部极小化

通过数学的角度可以了解到，传统的BP神经网络是一种局部的搜索优先法，其需要将复杂的非线性化问题有效解决，并且其网络权值是随着局部的改善而调整，让算法在运行过程汇总容易进入局部的极值，权值由此收敛缩小，让网络训练失败，并且BP神经网络对于初始的网络权重十分敏锐，在不同的网络权重初始化，也会有不同的局部极小，导致训练结果也会不同。

（2）结构选择不一

在BP神经网络出现至现在，并没有对其进行统一的理论指导，在使用过程中，只能通过以往的经验进行结构的选择，若是其结构的选择过多，训练效率不能有效提高，并且可能出现拟合的现象，让网络的性能以及容错性降低，若是网络结构选择小，网络又会出现不收敛等现象，因此，网络结构的选择让BP神经网络的推广成为问题，在实际网络中，需要进行谨慎的选择。

（3）算法收敛的速度慢

其本质的算法呈梯度下降算法，而BP神经网络所需要优化的函数十分复杂，必然会在实际的应用过程中出现“锯齿形现象”，导致BP神经网络算法无法有效进行。并且在复杂的函数优化过程中，神经元的输出近似与“0.”“1”，并且会有平坦区域的出现，在平坦区域之间，权值的误差改变会很小，很难出现有效的训练成果。另外，在BP的神经网络模型之中，为了能让网络严格执行BP算法，就不能用一维的搜索算法进行迭代步长的求值，而需要先在网络中赋予步长的迭代规则，导致在BP算法的实际运行中效果降低。

（4）预测与训练能力存在矛盾

预测能力称为泛化以及推广能力，训练能力则是逼近以及学习能力。在通常的情况下，BP神经网络的训练能力与预测能力出于相辅相成的关系，若是训练能力差，则预测能力也不会强，而训练能力的提高也会影响预测能力，使预测能力也随之提高。但此种趋势在BP神经网络之中并不固定，而是有一个阀值，当到达阀值时，随着训练能力的提高，预测能力反而下降，也就是通常所说的“过拟合”现象，此种现象的产生是由于网络学习过程中有过多的细节样本，其学习模型也已经不能够有效反应样本的规律，因此，在实际的BP神经网络的学习训练过程中，学习度需要进行有效掌握，从而发挥其作用。

三、计算机网络故障检测中BP神经网络的应用措施

1.BP神经网络故障检测原理

在BP神经网络中，模型只有一个输出和输入与外界进行关联，其训练的方法主要通过样本的数据信息的采集以及BP神经网络的算法进行的，让BP神经网络模型能够无限趋近于组合导航系统中原始算法的模型的非线性特征，因此，在计算机网络故障检测中BP神经网络的应用主要是三部分组成。其一就是在BP神经网络的训练过程中要有充足的数据样本，对可期望的计算机网络进行检测。其主要是通过特定的事物以及模式的相同点进行识别，而计算机在此种模式之下能够待分配的模式主动将其分配到不同的模式之中，根据模式特征进行空间分类，但是在实际的决策区域中的分类分割是十分困难的，需要对函数判别式进行有效的选择，并做好修正的措施准备[4]。其二就是根据实际的检测输入，对计算机系统进行相应的检测，达到使用BP神经网络检测的目的。此种模式需要考虑输入与输出的对应关系，建立动态的神经网络模型，实现故障的预测。其三就是专家诊断神经网络，利用神经网络与专家系统的有效结合，了解专家系统与BP神经网络的原理进行专家系统的设计，从知识处理的角度出发，专家系统中其主要内容就是计算机网络故障的诊断，将符号推理有效的转变，成为数值运算推理，能够提升专家系统的效率，在推理、自适学习以及知识获取等多方面都具有优越的性能，能够适用于大行动设备之中，解决多种故障难题。在一般情况下，将样本数据以及学习数据进行有效的处理，之后才能应用于学习检测之中，在进行检测的过程中，其主要是通过预处理以及特征的提取为计算机网络故障的检测提供更多的有效输入以及训练数据样本，从而将计算机网络的故障通过BP神经网络进行检测的目标实现。

2.BP神经网络故障检测步骤

在计算机网络故障的检测中，使用BP神经网络进行检测主要有以下几个步骤：首先，加固计算机网络中的结构规模进行有效确定，其主要重点在于计算机中间层神经元的选取，能够确定计算机的网络结构规模以及其性能特点。其次就是选择训练样本以及测试样本，其中训练样本是对计算机网络进行有效的训练，而测试样本则是检测计算机的训练效果的实用性，并对其推广能力的观察，经过训练样本对计算机网络训练以及测试样本对计算机网络进行测试之后，对其结果进行检测，符合标准要求，BP神经网络系统才能在计算机网络中进行故障检测，若是不符合检测结果，则需要进行重新训练以及测试[5]。最后，就是根据定位导航系统与BP神经网络故障检测系统进行有效结合，并根据实际情况进行输入，等待检测结果即可。

3.计算机网络故障的检测

在计算机网络之中，其主要的故障表现在协议设置的问题，能够通过软件等方面进行故障的检测分析。如若计算机是正确有效的网络设置，能够与测试本机接通，相邻主机则不能接通，而交换机与网卡之间的互联端口也没有松动或者断开的情况，其协议或者是网卡的驱动程序需要再进行以此重新的安装，若是没有解决计算机的网络故障问题，则需要对交换机端口以及侧重点进行重新检测。系统在正常的运行状态过程中，残差与高斯白噪声序列近似，而均值接近零，协方差上界公式:

U(k)=l1CP(k/k)CT+l3tr(p(k/k-1))I+l2I+V

其中U（k）会随着k值的变化而变化，出现不同的特征。

且其为服从分布的形式，其公式又可以表示：

在上述公式中，以N为数据窗的长度表示，正常的系统运行情况则d(k)的数值变小，而若是系统故障中，则d(k)HO≤，若是系统运行中存在延迟现象，则d(k)的数值就会出现十分明显的变化，以此来检测计算机的网络故障。

总结：计算机网络的安全与人们的生活息息相关，不仅是在娱乐之中，工作也不能离开计算机网络，一旦出现网络故障问题，将会造成极大的不良影响，对企业的发展以及科学的研究都会形成不可估量的损失，所以需要在计算机网络中应用BP神经网络进行故障的检测，其良好的非线性映射以及强大的适应能力，都能促进计算机网络故障检测的有效发展，为人们提供更加安全便捷的网络环境。