随着新一代战略互联网规模的不断扩大,网络应用不断增加,传统的网络故障诊断系统功能单一、操作复杂、效率低下,已不能满足军网管理的发展需要。如何有效地、安全地、易扩展地管理网络故障是目前迫切需要解决的问题,其中,故障检测、故障定位是故障管理中的关键环节。本文由网络故障的层次传播性出发,从信息的可用性角度,构建一个战略互联网故障诊断问题的合理解决方案。 本文首先针对战略互联网的管理由集中式向分布式的发展趋势,依据动态SNMP代理群的思想,讨论了动态群管理策略(包括组群策略和故障管理模式变更策略),建立了一个自适应分布式诊断模型,并提出了基于易损链路的稳态群首选举算法。在此基础上,本文提出分层分散故障诊断策略,对战略互联网四层结构(物理接入层,链路传送层,网络控制层和应用层)的不同故障特点和状态属性融入不同的检测策略,给出一个较为完整的解决方案。 本文主要研究工作和取得的成果如下: (1) 基于仿生学的免疫原理,将肽链定义为网络中执行的事件检测序列,提出并实现了一种新型的物理层故障节点定位方法—基于生物免疫学的故障定位。该方法首先依据“阳性选择”原则进行事件库设计,对高频度行为模式优先分析和处理,提高了检测的速度和效率。其次,依据故障之间的事件检测序列关联关系,运用图论和邻接矩阵的方法求出根故障集,由故障相关性确定故障源,有效地起到故障过滤和定位的功能。经实验证明,本方法具有很强的实效性。 (2) 基于粗糙集的神经网络理论,提出链路传输层故障诊断的RSNN算法,实现不一致情况下的故障规则获取和学习样本的净化处理。该算法具有简化样本、适应性强、容错性高等特点,能有效处理链路传送层故障诊断中噪声和不相容的信息。由于诊断问题的实质是一种映射,该算法用一种前馈型网络来逼近这种映射关系,实现对故障的有效分类。实验表明,利用该方法实现的系统与同类的其他方法相比,大大提高了诊断准确率和诊断速度。 (3) 运用弱T范数簇模糊神经元,设计出一种基于粗糙模糊神经网络的网络控制层拥塞预测算法(RFNN)。RFNN不仅具有单调性和连续性,而且能满足网络拥塞的推理一致性要求。实验表明,利用RFNN的处理不确定性问题和自学习能力进行流量预测,与传统拥塞预测方法相比,具有较好的效果。 (4) 提出了基于SVM的网络应用层故障检测模型,并对模型各个组件的功能、机制和实现进行了深入探讨。对用于检测的网络数据特征,本文利用异构数据集上的