基于機器學習的網(wǎng)絡故障診斷技術研究與應用.pdf

1、計算機網(wǎng)絡作為當今世界不可或缺的基礎設施之一，無論是在工業(yè)生產(chǎn)，還是在我們的日常生活中都扮演了極其重要的角色。與此同時，計算機網(wǎng)絡的規(guī)模日益龐大，其復雜程度也越來越高，導致網(wǎng)絡運營商對網(wǎng)絡的有效性管理面臨嚴峻挑戰(zhàn)。故障診斷是網(wǎng)絡管理中重要且難度極大的任務之一，如果網(wǎng)絡中的故障不能夠被快速地診斷和修復，不僅增大了網(wǎng)絡運營商的運營成本，而且還降低了用戶服務質(zhì)量。因此本文圍繞利用機器學習的方法對網(wǎng)絡故障進行智能診斷并將其應用到IPTV故障診斷

2、系統(tǒng)中做了研究。本文的主要工作和貢獻如下：
　?。?）研究了網(wǎng)絡故障診斷中的若干種方法。已有的網(wǎng)絡故障診斷方法在面對當今復雜網(wǎng)絡環(huán)境時，都不同程度地存在著診斷知識難于獲取或難于更新的缺點，而基于機器學習的網(wǎng)絡故障診斷技術能夠從復雜網(wǎng)絡環(huán)境中自動學習故障診斷知識，并利用學習到的診斷知識對故障進行快速地檢測和定位。
　　（2）研究了基于機器學習的網(wǎng)絡故障診斷技術國內(nèi)外相關工作，并詳細介紹了機器學習中的基于質(zhì)心的分類器（CBC）、

3、Logistic回歸、支持向量機（SVM）以及人工神經(jīng)網(wǎng)絡（ANN）的相關理論和算法推導。
　?。?）針對 CBC算法在樣本分布不均衡的數(shù)據(jù)集上存在的模型失配問題，提出一種新的基于質(zhì)心的模型-引力質(zhì)心模型（GCM），實驗結果表明，GCM的宏平均F1以及微平均F1評價指標全面超越CBC。
　　（4）通過實驗綜合比較分析CBC、GCM、Logistic回歸、SVM以及ANN在IPTV故障檢測數(shù)據(jù)集以及故障定位數(shù)據(jù)集中的性能表現(xiàn)。