基于数据平衡及群优化的网络故障诊断方法研究

作     者：金爱鑫 

作者单位：南京信息工程大学 

学位级别：硕士

导师姓名：潘成胜

授予年度：2023年

学科分类：08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：网络故障诊断 数据平衡 参数优化 

摘      要：互联网作为目前的主要通信手段,在民用与军事领域都发挥着极其重要的作用。随着网络的快速发展,用户对网络的需求不断增加。在越来越异构化、密集化的现代网络发展趋势下,如何准确、稳定地进行网络故障诊断成为一个巨大的挑战。传统的网络故障诊断算法和模型通常受网络数据质量和自身参数设置的影响,导致诊断准确性和稳定性不足。针对这些问题,本文在小波神经网络模型的基础上,深入研究了基于数据平衡和群优化的网络故障诊断方法,主要贡献如下:(1)从数据层面出发,针对小波神经网络故障诊断模型受不平衡网络故障数据影响,导致少数类网络故障诊断准确率低的问题,提出了一种基于IKSMOTE-WNN的网络故障诊断方法。首先通过计算K近邻的方式去除少数类网络故障数据中的噪声样本,降低噪声样本对过采样的影响,然后对少数类样本进行单独聚类分析,自适应地分配每个簇和簇中每个少数类样本的新样本合成数目,最后结合多个少数类样本信息对少数类网络故障样本进行过采样,以降低网络故障数据的不平衡程度。仿真结果显示,经过IKSMOTE过采样后,WNN模型对Probe、R2L和U2R三个少数类故障的诊断准确率提升显著,其F1值分别提高了9.41%、27.46%以及51.85%。(2)从算法层面出发,针对小波神经网络故障诊断模型易受自身参数初始设置影响,导致网络故障诊断模型准确性和稳定性差的问题,提出了一种基于IGWO-WNN的网络故障诊断方法。首先从非线性收敛因子和动态权重更新两方面对传统的GWO算法做出改进,提升了算法的寻优能力,然后使用改进的GWO算法来优化小波神经网络的初始参数,避免模型参数设置的随机性。仿真结果显示,经过IGWO算法优化参数后,WNN模型的多分类整体诊断准确率较参数优化前提高了0.61%,并且模型陷入局部最优或不收敛的概率大为降低,模型的稳定性显著提升。