优化随机森林模型的网络故障预测

邱少明 杨雯升 杜秀丽 王雪珂

(大连大学通信和网络重点实验室 辽宁 大连 116622)

0 引 言

目前，网络已经遍及国民衣食住行的方方面面，当网络发生故障时，会严重影响国民的基本生活。因此，在网络发生故障之前，预测故障的发生、排除隐患、保障网络的正常运行，对于个人生活和企业正常的运行都具有重要的意义。

当前研究主要使用机器学习中的分类算法进行故障预测，根据训练集建立合适的分类器，然后通过这个分类器对用户收集的数据作出预测。根据分类器的多少，分类技术可分为单分类器技术和多分类器技术。单分类器技术中比较有代表性的是贝叶斯[4-5]、决策树[6]和支持向量机[7]。张抗[8]依据相似度理论提出了相似度的概念并给出了计算方法，之后结合支持向量机(SVM)算法设计并实现了一个网络故障检测系统。该算法根据相似度对训练集进行精简，测试结果表明算法在保持了高准确率的同时，大大提高了训练和预测速度。陈秀芳等[9]利用决策树算法，将故障特征作为测试属性，引入故障点作为类标记，采用ID3算法计算相关信息熵并对故障记录进行划分，建立两者之间的联系，构建所需要的决策树，结果表明利用该方法对故障点进行预测，可以有效地缩短故障检测的时间。郭金玉等[10]通过计算测试样本和训练样本的概率密度进行模态划分，对各模态的训练数据建立PCA模型，计算各个模型的控制限和匹配系数，新来数据向对应模态的模型上投影并计算统一的统计量，比较统计量与控制限进行多模态过程故障检测，结果表明该算法提高了故障分类和检测的能力。……