郭建華,楊海東

(1.廣東技術(shù)師范學(xué)院 計(jì)算機(jī)科學(xué)學(xué)院，廣東 廣州，510665；2.廣東工業(yè)大學(xué) 機(jī)電工程學(xué)院，廣東 廣州，510090)

電信網(wǎng)絡(luò)性能監(jiān)控是主動(dòng)發(fā)現(xiàn)問(wèn)題，保障客戶感知的有效手段。它定時(shí)采集關(guān)鍵網(wǎng)絡(luò)性能指標(biāo)(如話務(wù)量、CPU負(fù)荷和接通率等)，通過(guò)觀察和分析，及時(shí)發(fā)現(xiàn)異常的網(wǎng)絡(luò)性能狀態(tài)，進(jìn)而快速定位故障點(diǎn)并修復(fù)故障[1]。下一代電信運(yùn)營(yíng)管理系統(tǒng)中強(qiáng)調(diào)問(wèn)題的生命周期管理[2]，而對(duì)性能異常的持續(xù)監(jiān)控能力是性能問(wèn)題生命周期管理的基礎(chǔ)。電信網(wǎng)絡(luò)性能監(jiān)控主要通過(guò)基線和容忍線來(lái)判斷性能是否異常，基線包括上基線和下基線，兩者共同描述一個(gè)性能指標(biāo)的正常波動(dòng)范圍，而基線外延一定比例則形成容忍線，1個(gè)性能指標(biāo)如果不在容忍線范圍之內(nèi)，則被認(rèn)為是異常狀態(tài)，監(jiān)控系統(tǒng)需要產(chǎn)生性能告警信號(hào)。實(shí)際應(yīng)用較為廣泛的是靜態(tài)基線法和統(tǒng)計(jì)基線法。靜態(tài)基線法根據(jù)經(jīng)驗(yàn)設(shè)置不隨時(shí)間變化的固定基線，該方法不能發(fā)現(xiàn)性能的突然變化，容易產(chǎn)生誤警和漏警，持續(xù)監(jiān)控能力較弱。統(tǒng)計(jì)基線法通過(guò)歷史數(shù)據(jù)的概率統(tǒng)計(jì)獲取不同時(shí)間點(diǎn)的置信區(qū)間作為基線，該方法的不足在于：隨著網(wǎng)絡(luò)性能的發(fā)展變化，統(tǒng)計(jì)基線很快就會(huì)失效，持續(xù)監(jiān)控能力有限。預(yù)測(cè)基線法[3]是一種新型的基線獲取方法，可持續(xù)地、動(dòng)態(tài)地獲取基線，有著較強(qiáng)的自適應(yīng)能力和持續(xù)監(jiān)控能力。預(yù)測(cè)基線法的關(guān)鍵是構(gòu)建合適的數(shù)據(jù)模型，并采用合適的回歸分析方法獲得有效的回歸模式。連續(xù)時(shí)間序列模型是預(yù)測(cè)中被廣為采用的數(shù)據(jù)模型，但該數(shù)據(jù)模型對(duì)異常點(diǎn)輸入比較敏感，輸入向量包含異常點(diǎn)時(shí)其輸出往往也是異常的，從而產(chǎn)生誤警，降低了持續(xù)監(jiān)控能力?；貧w分析方法上，支持向量機(jī)(SVM)時(shí)間序列預(yù)測(cè)有著較強(qiáng)的泛化能力，是產(chǎn)生基線的有效方法，于艷華等[4]驗(yàn)證了該法的有效性。SVM的自由參數(shù)對(duì)預(yù)測(cè)精度影響較大，自由參數(shù)的選取也是一個(gè)優(yōu)化問(wèn)題。SVM的自由參數(shù)主要包括精度參數(shù)ε、懲罰參數(shù)C、徑向基核函數(shù)半徑γ等。Cherkassky等[5]提出訓(xùn)練樣本歸一化處理后各參數(shù)的經(jīng)驗(yàn)公式，但該經(jīng)驗(yàn)公式缺乏理論依據(jù)，并不適用于所有場(chǎng)合。Cristianini等[6]提出利用核矩陣和核校準(zhǔn)來(lái)優(yōu)化γ，該法有一定的理論基礎(chǔ)，但整個(gè)過(guò)程包含多個(gè)優(yōu)化問(wèn)題，計(jì)算比較復(fù)雜。研究者提出用粒子群算法[7]、網(wǎng)格搜索法[8]、遺傳算法[9]和人工免疫算法[10]來(lái)尋優(yōu)C和γ，但是ε未納入優(yōu)化范圍，優(yōu)化算法的效率也有待進(jìn)一步提高。此外，時(shí)間序列預(yù)測(cè)在訓(xùn)練樣本構(gòu)建時(shí)需要考慮嵌入維數(shù)和樣本規(guī)模，兩者對(duì) SVM 的參數(shù)也會(huì)產(chǎn)生影響，也應(yīng)作為自由參數(shù)與SVM參數(shù)一起優(yōu)化，而目前尚未發(fā)現(xiàn)將兩者納入優(yōu)化參數(shù)的報(bào)道。在此，本文作者以實(shí)現(xiàn)持續(xù)有效的電信網(wǎng)絡(luò)性能監(jiān)控為目標(biāo)，針對(duì) SVM 自由參數(shù)優(yōu)化和數(shù)據(jù)模型對(duì)異常輸入敏感等問(wèn)題進(jìn)行改進(jìn)，提出一種以支持向量機(jī)免疫集成預(yù)測(cè)算法(AI-SVR)和同點(diǎn)時(shí)間序列數(shù)據(jù)模型為基礎(chǔ)的監(jiān)控方法。

1 支持向量機(jī)免疫集成預(yù)測(cè)算法的提出

回歸分析預(yù)測(cè)的基本原理是從歷史數(shù)據(jù)中挖掘出輸入向量x與輸出變量y之間的回歸模式(即函數(shù)關(guān)系)f，再使用當(dāng)前的輸入向量xf求得預(yù)測(cè)值yf=f(xf)。本文提出的支持向量機(jī)免疫集成預(yù)測(cè)算法、人工免疫算法在高維空間上有著強(qiáng)大的全局尋優(yōu)能力，SVM免疫集成算法以回歸模式為抗原，以回歸過(guò)程的自由參數(shù)為抗體，通過(guò)克隆選擇和免疫網(wǎng)絡(luò)調(diào)節(jié)來(lái)獲取最佳的自由參數(shù)組合。

1.1 支持向量機(jī)預(yù)測(cè)的自由參數(shù)分析

使用ε-不敏感損失函數(shù)建立的支持向量回歸機(jī)算法描述如下[11]。

(1)構(gòu)建訓(xùn)練集T={(x1,y1),...,(xl,yl)}，其中x∈Rn，y∈R，i=1,…,l。

(2)選擇適當(dāng)?shù)木葏?shù)ε，懲罰參數(shù)C，適當(dāng)?shù)暮薑(xi,xj)。

(3)求解最優(yōu)化問(wèn)題：

(4)構(gòu)造回歸模式：

選擇位于開(kāi)區(qū)間(0,C/l)的或，則

或者

精度參數(shù)ε和懲罰參數(shù)C是SVR的自由參數(shù)，ε的含義是：當(dāng)x點(diǎn)的觀察值y與預(yù)測(cè)值f(x)之差不超過(guò)預(yù)設(shè)的ε時(shí)，即認(rèn)為該點(diǎn)的預(yù)測(cè)值f(x)是無(wú)損失的。經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化和置信區(qū)間最小化是2個(gè)互相矛盾的目標(biāo)，懲罰參數(shù)C起著調(diào)和兩者的作用，C越大意味著越強(qiáng)調(diào)最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)。

核K(xi,xj)代表Φ(x)實(shí)現(xiàn)輸入空間到特征空間的映射，常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)等，需要根據(jù)特征空間的特點(diǎn)來(lái)選取。常用的徑向基核函數(shù)如下：

其中：γ為高斯分布的寬度。

參數(shù)γ控制著函數(shù)的徑向作用范圍，反映非線性映射的本質(zhì)。當(dāng)徑向基核函數(shù)取較小的γ時(shí)，其性能類似多項(xiàng)式核函數(shù)；當(dāng)徑向基核函數(shù)取較大的γ時(shí)，其性能類似線性核函數(shù)。所以，對(duì)于無(wú)先驗(yàn)知識(shí)的數(shù)據(jù)集，核函數(shù)首選徑向基核函數(shù)[12]，此時(shí)，γ也是向量回歸(SVR)的自由參數(shù)。

電信網(wǎng)絡(luò)性能預(yù)測(cè)屬于時(shí)間序列預(yù)測(cè)，樣本的嵌入維數(shù)m和樣本規(guī)模l也屬于自由參數(shù)，對(duì)于時(shí)間序列預(yù)測(cè)而言，訓(xùn)練集規(guī)模并非越大越好，太舊的樣本點(diǎn)可能會(huì)成為訓(xùn)練樣本的噪聲，但目前尚無(wú)選取l的方法。嵌入維數(shù)m在自回歸移動(dòng)平均等線性時(shí)間序列預(yù)測(cè)中，常用最終預(yù)測(cè)誤差[13]法確定，但對(duì)于非線性序列預(yù)測(cè)尚無(wú)成熟方法。

可見(jiàn)：在電信網(wǎng)絡(luò)性能預(yù)測(cè)中，需要確定的自由參數(shù)包括：精度參數(shù)ε、懲罰參數(shù)C、徑向基核函數(shù)高斯分布寬度γ、樣本規(guī)模l和嵌入維數(shù)m。

1.2 支持向量機(jī)回歸模式的性能評(píng)價(jià)

回歸模式關(guān)注的是對(duì)于未來(lái)的輸入，其預(yù)測(cè)值與觀察值的接近程度。在評(píng)估回歸模式時(shí)，一般構(gòu)造一個(gè)與訓(xùn)練集不相交的測(cè)試集來(lái)驗(yàn)證。對(duì)于時(shí)間序列預(yù)測(cè)，選擇最近的一部分?jǐn)?shù)據(jù)作為測(cè)試集，其他的作為訓(xùn)練集。根據(jù)回歸分析的無(wú)偏性和最小方差性評(píng)價(jià)原則，測(cè)試誤差的平均值和標(biāo)準(zhǔn)差可以作為回歸模式的評(píng)價(jià)指標(biāo)，而誤差平方和能綜合評(píng)價(jià)無(wú)偏性和最小方差性，并且其變化比誤差平均值和標(biāo)準(zhǔn)差更靈敏，因此誤差平方和更適合作為評(píng)價(jià)指標(biāo)，誤差平方和的計(jì)算如：

其中：為輸出的預(yù)測(cè)值；yt為輸出的觀察值；et為誤差；Se為誤差平方和；k為測(cè)試集規(guī)模。

在時(shí)間序列預(yù)測(cè)中，自相關(guān)是評(píng)價(jià)回歸模式性能的1個(gè)主要指標(biāo)?；貧w模式應(yīng)盡量降低自相關(guān)性，才能獲得可信的區(qū)間預(yù)測(cè)，自相關(guān)一般用1階自相關(guān)系數(shù)來(lái)衡量，即：

|r|越接近 1，則自相關(guān)程度越高，回歸模式應(yīng)盡量使誤差分布接近白噪聲狀態(tài)。因此，基于r和Se進(jìn)一步建立1個(gè)綜合評(píng)價(jià)指標(biāo)，

其中：q側(cè)重指數(shù)。q=1表示r和Se同等重要；q＞1表示側(cè)重于采用無(wú)偏性和最小方差性評(píng)價(jià)準(zhǔn)則；q＜1表示側(cè)重于采用自相關(guān)評(píng)價(jià)準(zhǔn)則。

1.3 支持向量機(jī)免疫集成

采用文獻(xiàn)[14]中人工免疫網(wǎng)絡(luò)優(yōu)化算法來(lái)集成支持向量機(jī)，以SVR的自由參數(shù)編碼為抗體，以生成的回歸模式為抗原，以回歸模式的綜合評(píng)價(jià)指標(biāo)Pe的相反數(shù)為抗體親和力，獲取優(yōu)化的自由參數(shù)組合。

算法首先根據(jù)問(wèn)題確定各自由參數(shù)的數(shù)值范圍，并將其編碼為抗體，各自由參數(shù)占據(jù)一定長(zhǎng)度的編碼段，而根據(jù)抗體編碼段按照式(10)譯碼可還原自由參數(shù)，如：

其中：di，ui和li分別為第i個(gè)自由參數(shù)的下限值、上限值和編碼長(zhǎng)度。

抗體親和力評(píng)價(jià)抗體對(duì)于抗原的匹配程度，其計(jì)算如下：將抗體譯碼為自由參數(shù)，根據(jù)l和m組織訓(xùn)練樣本，以C，ε和σ為參數(shù)運(yùn)行SVR模型，產(chǎn)生回歸模式，使用測(cè)試集計(jì)算回歸模式的綜合評(píng)價(jià)指標(biāo)Pe，Pe的相反數(shù)即為抗體親和力。

抗體間親和力評(píng)價(jià)兩抗體之間的相似程度，取 2個(gè)抗體的海明碼距離。

算法中的過(guò)程參數(shù)預(yù)先設(shè)定最大迭代次數(shù)g、最優(yōu)抗體連續(xù)相同次數(shù)gc、抗體群規(guī)模N、克隆數(shù)Nc、記憶數(shù)Nm、變異概率Pm、壓縮閾值σs和新生抗體率d。算法過(guò)程描述如下。

步驟1 隨機(jī)產(chǎn)生初始抗體，構(gòu)成初始抗體群。

步驟2 當(dāng)?shù)螖?shù)沒(méi)有達(dá)到g，并且最優(yōu)抗體連續(xù)相同次數(shù)沒(méi)有達(dá)到gc時(shí)進(jìn)行迭代。

(1)計(jì)算抗體群中各抗體的親和力；

(2)對(duì)每個(gè)抗體產(chǎn)生Nc個(gè)克隆抗體；

(3)按照變異概率Pm變異克隆抗體；

(4)計(jì)算克隆抗體的親和力；

(5)若克隆抗體的親和力大于其父抗體，則在抗體種群中用其替代父抗體；

(6)免疫抑制，除Nm個(gè)親和力最高的抗體，將抗體間親和力小于壓縮閾值σs的抗體從抗體群中刪除；

(7)隨機(jī)產(chǎn)生N×d個(gè)抗體，進(jìn)入抗體群，返回步驟2；

步驟 3 停止循環(huán)，輸出最優(yōu)自由參數(shù)組合及SVR的回歸模式。

雖然AI-SVR也帶過(guò)程參數(shù)，但這些參數(shù)均可通過(guò)經(jīng)驗(yàn)設(shè)置，并對(duì)最終收斂結(jié)果無(wú)顯著影響。

2 電信網(wǎng)絡(luò)性能同點(diǎn)序列數(shù)據(jù)模型的提出

時(shí)間序列預(yù)測(cè)廣為采用的連續(xù)時(shí)間序列模型是以連續(xù)采集點(diǎn)按照時(shí)間排序組成的數(shù)列。其訓(xùn)練集的構(gòu)建如[4]：

其中：X為輸入矩陣；Y為輸出向量；l為訓(xùn)練集規(guī)模；m為嵌入維數(shù)；t為訓(xùn)練用時(shí)間序列中的最后時(shí)間點(diǎn)。

性能監(jiān)控中的基線期望能描述性能指標(biāo)正常的波動(dòng)范圍，連續(xù)時(shí)間序列模型雖然能產(chǎn)生出比較精確的回歸模式，但是有異常點(diǎn)作為輸入時(shí)，其預(yù)測(cè)值也可能是異常的，以此生成的基線容易產(chǎn)生誤警和漏警。許多電信網(wǎng)絡(luò)性能指標(biāo)，如CPU負(fù)荷和話務(wù)量，正常情況下其短期的變化趨勢(shì)是連續(xù)的，而其長(zhǎng)期的變化則具有顯著的周期性，性能指標(biāo)隨著用戶的作息規(guī)律一般以1 d為周期有規(guī)律地變化，每天同一時(shí)間段的性能值波動(dòng)較小，本文針對(duì)電信網(wǎng)絡(luò)性能指標(biāo)的這一周期性特點(diǎn)，提出同點(diǎn)時(shí)間序列數(shù)據(jù)模型。同點(diǎn)時(shí)間序列定義為相同采集時(shí)間點(diǎn)(如上午 10:00)按照采集日期排序組成的數(shù)列，構(gòu)建訓(xùn)練集時(shí)，其輸出向量與連續(xù)時(shí)間序列相同，而其輸入向量則由與輸出同點(diǎn)的連續(xù)m天數(shù)據(jù)序列構(gòu)成，即

其中：n為1 d中采集的時(shí)間點(diǎn)數(shù)，如每小時(shí)采集1次，則n=24。

為了便于區(qū)分，按照連續(xù)時(shí)間序列和同點(diǎn)時(shí)間序列構(gòu)建的訓(xùn)練集分別成為連續(xù)訓(xùn)練集和同點(diǎn)訓(xùn)練集。以連續(xù)訓(xùn)練集和同點(diǎn)訓(xùn)練集產(chǎn)生的回歸模式分別稱為連續(xù)回歸模式fc和同點(diǎn)回歸模式fs。構(gòu)建1個(gè)規(guī)模為l的連續(xù)訓(xùn)練集和同點(diǎn)訓(xùn)練集分別需要l+m和l+nm個(gè)連續(xù)樣本點(diǎn)。電信網(wǎng)絡(luò)的異常事件一般會(huì)持續(xù)多個(gè)性能采集周期，性能異常點(diǎn)持續(xù)出現(xiàn)的概率比較大，因此連續(xù)時(shí)間序列中，輸入向量包含多個(gè)異常點(diǎn)的概率也會(huì)較大。而同點(diǎn)時(shí)間序列的數(shù)據(jù)點(diǎn)比較分散，輸入向量同時(shí)包含多個(gè)異常點(diǎn)的概率會(huì)比較小，因此，在回歸和預(yù)測(cè)時(shí)，同點(diǎn)訓(xùn)練集比連續(xù)訓(xùn)練集穩(wěn)定，同點(diǎn)回歸模式預(yù)測(cè)時(shí)受單一輸入的影響不會(huì)有連續(xù)回歸模式那么敏感。

3 基于測(cè)試誤差的性能基線計(jì)算

假設(shè)測(cè)試集誤差呈正態(tài)分布，即et～N(0,σe)，則預(yù)測(cè)值yt也服從正態(tài)分布，如yt～N(e)。當(dāng)測(cè)試樣本規(guī)模足夠大(一般假定大于50)，則可以用測(cè)試集的方差來(lái)估計(jì)總體方差，構(gòu)建統(tǒng)計(jì)量z*，如：

給定顯著性水平α，則概率

即

4 實(shí)驗(yàn)分析

以某移動(dòng)通信運(yùn)營(yíng)商的軟交換服務(wù)器 10 min統(tǒng)計(jì)的CPU負(fù)荷為例，分別以AI-SVR和帶經(jīng)驗(yàn)參數(shù)的SVR獲取回歸模式，通過(guò)比較，驗(yàn)證前者獲取優(yōu)化回歸模式的能力。然后，模擬性能監(jiān)控過(guò)程，驗(yàn)證其基線的可用性和持續(xù)監(jiān)控能力。

4.1 AI-SVR與SVR的比較分析

交換設(shè)備的 CPU負(fù)荷綜合反映了電信網(wǎng)絡(luò)的性能狀態(tài)，是性能監(jiān)控中的主要指標(biāo)之一，實(shí)驗(yàn)時(shí)選擇某一軟交換服務(wù)器，獲取其7 d內(nèi)10 min統(tǒng)計(jì)的CPU負(fù)荷(1 d中采集的時(shí)間點(diǎn)數(shù)為144)進(jìn)行預(yù)測(cè)和監(jiān)控分析?；貧w分析時(shí)數(shù)據(jù)均做歸一化處理，提取其最近1 d的數(shù)據(jù)作為測(cè)試集，訓(xùn)練集則根據(jù)訓(xùn)練集規(guī)模和嵌入維數(shù)在其余樣本上構(gòu)建，分別構(gòu)建連續(xù)訓(xùn)練集和同點(diǎn)訓(xùn)練集。

根據(jù)樣本特征，實(shí)驗(yàn)時(shí)采用38位二進(jìn)制數(shù)依次對(duì)l，m，C，ε和γ編碼，抗體編碼表如表1所示。

表1 抗體編碼表Table 1 Antibody coding table

關(guān)于SVR的經(jīng)驗(yàn)參數(shù)，訓(xùn)練集規(guī)模l=200,嵌入維數(shù)m見(jiàn)文獻(xiàn)[4]，m=7。精度參數(shù)ε和懲罰參數(shù)C據(jù)文獻(xiàn)[5]中的經(jīng)驗(yàn)公式計(jì)算。徑向基函數(shù)的核函數(shù)的寬度γ=0.5。AI-SVR回歸時(shí)，設(shè)定最大迭代次數(shù)g=10，抗體群規(guī)模N=20，克隆數(shù)Nc=5，記憶數(shù)Nm=5，變異概率Pm=0.2，壓縮閾值σs=5和新生抗體率d=30%，回歸模式綜合評(píng)價(jià)指標(biāo)中側(cè)重指數(shù)q=1，初始抗體群中包含由經(jīng)驗(yàn)參數(shù)編碼的抗體。預(yù)測(cè)時(shí)按照嵌入維數(shù)，利用預(yù)測(cè)時(shí)間點(diǎn)前的數(shù)據(jù)構(gòu)建輸入向量，輸入向量全部由觀察值組成，不包含預(yù)測(cè)數(shù)據(jù)，即預(yù)測(cè)數(shù)據(jù)全是1次預(yù)測(cè)結(jié)果。這2種算法的自由參數(shù)組合和預(yù)測(cè)性結(jié)果如表2所示。由表2可知：AI-SVR獲得的自由參數(shù)與經(jīng)驗(yàn)參數(shù)差別很大。AI-SVR獲得回歸模式，其測(cè)試集的r、Se和Pe等評(píng)價(jià)指標(biāo)均顯著比帶經(jīng)驗(yàn)參數(shù)的SVR的小，對(duì)于同點(diǎn)回歸模式，AI-SVR的誤差平方和比SVR減少55.4%，證明AI-SVR能獲得比經(jīng)驗(yàn)參數(shù)更優(yōu)的回歸模式。

AI-SVR和SVR各自的同點(diǎn)回歸模式在測(cè)試集上的預(yù)測(cè)曲線和觀察曲線如圖1所示。

由圖1可知：AI-SVR的預(yù)測(cè)曲線比SVR更接近于觀察曲線，并且變化相對(duì)平緩，進(jìn)一步說(shuō)明了AI-SVR能獲得比經(jīng)驗(yàn)參數(shù)更優(yōu)的回歸模式。

4.2 性能監(jiān)控實(shí)驗(yàn)

以CPU負(fù)荷的一段實(shí)測(cè)數(shù)據(jù)來(lái)模擬監(jiān)控實(shí)驗(yàn)，監(jiān)控樣本集的規(guī)模為288(2 d)，已知其中包含13個(gè)異常點(diǎn)，其中有11個(gè)連續(xù)的異常點(diǎn)，表現(xiàn)為CPU負(fù)荷持續(xù)過(guò)低，表示某一服務(wù)意外終止較長(zhǎng)一段時(shí)間，2個(gè)隨機(jī)分布的異常點(diǎn)，表現(xiàn)為 CPU負(fù)荷突然過(guò)高或過(guò)低，表示短暫的服務(wù)故障。采用AI-SVR獲得的回歸模式，分別采用連續(xù)回歸模式和同點(diǎn)回歸模式進(jìn)行監(jiān)控，基線計(jì)算時(shí)，容忍度取0，置信度為95%，按照式(15)計(jì)算，2種模式的監(jiān)控曲線如圖2所示。

從圖2可見(jiàn)：其預(yù)測(cè)線與觀察線非常接近，當(dāng)觀察線上有異常點(diǎn)時(shí)，預(yù)測(cè)線的下一個(gè)預(yù)測(cè)點(diǎn)將預(yù)測(cè)出與前一個(gè)觀察點(diǎn)非常接近的值。連續(xù)回歸模式監(jiān)控時(shí)能正確檢測(cè)出2個(gè)隨機(jī)異常點(diǎn)，但是其后的2個(gè)正常點(diǎn)也被誤檢為異常點(diǎn)，對(duì)于連續(xù)的異常點(diǎn)，僅檢測(cè)出第1個(gè)異常點(diǎn)，其后的異常點(diǎn)均漏檢，其后的首個(gè)正常點(diǎn)卻被誤檢為異常點(diǎn)。另外，還產(chǎn)生了其他3個(gè)誤檢點(diǎn)。表明連續(xù)回歸模式的預(yù)測(cè)對(duì)于最近異常點(diǎn)的輸入非常敏感，容易產(chǎn)生誤檢，而對(duì)連續(xù)異常點(diǎn)則容易產(chǎn)生漏檢。

表2 AI-SVR和SVR的自由參數(shù)表和預(yù)測(cè)性能Table 2 Free parameters and predicted performance of AI-SVR and SVR

圖1 2010年AI-SVR和SVR的預(yù)測(cè)曲線圖Fig.1 Predicted curves of AI-SVR and SVR at 2010

圖2 2010年軟交換服務(wù)器CPU負(fù)荷監(jiān)控曲線Fig.2 Monitoring curves of CPU load of softswitch server at 2010

觀察同點(diǎn)回歸模式，其預(yù)測(cè)線比連續(xù)回歸模式的預(yù)測(cè)線要平滑，其預(yù)測(cè)值接近于正常狀態(tài)時(shí)的值。當(dāng)有異常點(diǎn)輸入時(shí)，其預(yù)測(cè)值所受影響較小，同點(diǎn)回歸模式正確檢測(cè)出全部13個(gè)異常點(diǎn)，沒(méi)有誤檢點(diǎn)。表明其檢測(cè)性能要明顯優(yōu)于連續(xù)回歸模式，特別是能正確檢測(cè)出連續(xù)的異常點(diǎn)，具有較強(qiáng)的持續(xù)監(jiān)控能力。連續(xù)的異常點(diǎn)實(shí)際反映的是一個(gè)性能問(wèn)題，其首個(gè)異常點(diǎn)的出現(xiàn)和最后異常點(diǎn)的消失正好反映了對(duì)應(yīng)性能問(wèn)題的生命周期，因此，能較好地支持性能問(wèn)題的生命周期管理。

5 結(jié)論

(1)給出了AI-SVR算法，利用人工免疫網(wǎng)絡(luò)優(yōu)化支持向量機(jī)參數(shù)、核函數(shù)參數(shù)、嵌入維數(shù)和樣本規(guī)模等回歸分析的自由參數(shù)。

(2)定義了電信網(wǎng)絡(luò)性能同點(diǎn)序列數(shù)據(jù)模型及其與連續(xù)時(shí)間序列數(shù)據(jù)模型的區(qū)別。

(3)實(shí)驗(yàn)驗(yàn)證了AI-SVR比帶經(jīng)驗(yàn)參數(shù)的SVR能獲得更加精確的回歸模式,AI-SVR同點(diǎn)回歸模式的誤差平方和比SVR的小55.4%。

(4)實(shí)驗(yàn)驗(yàn)證了基于 AI-SVR和同點(diǎn)時(shí)間序列數(shù)據(jù)模型的電信網(wǎng)絡(luò)性能監(jiān)控方法具備持續(xù)監(jiān)控能力，能支持對(duì)性能問(wèn)題的生命周期管理。

[1]Telemanagment Forum GB 922 Release 3.1,Shared Information/Data (SID)Model-Physical Resource [S].

[2]Telemanagment Forum GB 921 Concepts and Principles_V8.1,Business Process Framework_Enhanced Telecom Operations Map? (eTOM)Concepts and Principles [S].

[3]Ho L L,Cavuto D J,Papavassiliou S,et al.Adaptive and automated detection of service anomalies in transaction-oriented WAN's network analysis,algorithms,implementation,and deployment[J].IEEE Journal of Seletected Areas in Communications,2000,18(5): 744?757.

[4]于艷華,宋俊德.一種基于異常點(diǎn)檢測(cè)的電信網(wǎng)絡(luò)性能監(jiān)控策略[J].電子與信息學(xué)報(bào),2009,31(9): 2220?2224.YU Yan-hua,SONG Jun-de.A mechanism of telecommunication network performance monitoring based on anomaly detection[J].Journal of Electronics & Information Technology,2009,31(9):2220?2224.

[5]Cherkassky V,Yunqian M.Practical selection of SVM parameters and noise estimationfor SVM regression[J].Neural Networks,2004,17: 113?126.

[6]Cristianini N,Kandola J,Elisseeff A.On kernel target alignment[C]//Advances in Neural Information Processing Systems 14.Cambridge,MA: MIT Press,2002: 367?373

[7]武優(yōu)西,郭磊,柴欣,等.基于優(yōu)化算法的核函數(shù)參數(shù)選擇的研究[J].計(jì)算機(jī)應(yīng)用與軟件,2010,27(1): 137?140.WU You-xi,GUO Lei,CHAI Xin,et al.On parameter selection of kernel function based on optimization algorithm[J].Computer Application and Software,2010,27(1): 137?140.

[8]王興玲,李占斌.基于網(wǎng)格搜索的支持向量機(jī)核函數(shù)參數(shù)的確定[J].中國(guó)海洋大學(xué)學(xué)報(bào),2005,35(5): 859?862.WANG Xing-ling,LI Zhan-bin.Identifying the parameters of the kernel function in support vector machines based on the grid-search method[J].Periodical of Ocean University of China,2005,35(5): 859?862.

[9]吳景龍,楊淑霞,劉承水.基于遺傳算法優(yōu)化參數(shù)的支持向量機(jī)短期負(fù)荷預(yù)測(cè)方法[J].中南大學(xué)學(xué)報(bào): 自然科學(xué)版,2009,40(1): 180?184.WU Jing-long,YANG Shu-xia,LIU Cheng-shui.Parameter selection for support vector machines based on genetic algorithms to short term-term power load forcasting[J].Journal of Central South University: Science and Technology,2009,40(1): 180?184.

[10]楊福剛.基于人工免疫算法的最小二乘支持向量機(jī)參數(shù)優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用研究,2010,27(5): 1702?1704.YANG Fu-Gang.Method for optimizing parameters of least squares supportvector machine based on artificial immune algorithm[J].Application Research of Computers,2010,27(5):1702?1704.

[11]Vapnik V M.The nature of statistical learning theory[M].2nd ed.New York: Springer-Verlag Press,2000: 138?146.

[12]Schlkopf B,Smola A.Learning with kernels: support vector machines,regularization and beyond[R].Cambridge,MA: MIT Press,2002.

[13]Akaike H.Fitting autoregressive models for prediction[J].Annals of the Institute of Statistical Mathematics,1969,21:243?247.

[14]Castro L N,Timmis J.An Artificial Immune Network for Multimodal Function Optimization[C]//Proceedings of IEEE Congress on Evolutionary Computation (CEC'02).Hawaii,USA:2002: 674?699.