首页 > 论文范文 > 社会科学论文 > 科技论文 > 网络应用论文 > 基于萤火虫算法的无线通信网络故障节点自动定位方法

基于萤火虫算法的无线通信网络故障节点自动定位方法

2024-09-19 102 上传者：管理员

摘要：无线通信网络故障检测过程中，大多采用粒子群算法进行故障节点自动定位，求解过程中容易陷入局部最优，使得定位结果准确率（Acc）较低。因此，该文提出基于萤火虫算法的无线通信网络故障节点自动定位方法。针对无线通信网络的每个节点，分别计算其发生不同类型故障的概率向量，再结合k均值聚类算法实现通信网络多域划分。从每个通信网络子区域入手，了解区域内节点交互状态，以此来判断故障节点所处的大体范围，并提取网络故障节点特征。依托萤火虫算法建立故障节点定位函数，在记忆池和免疫算法的辅助下进行迭代寻优分析，自动定位网络故障节点。实验结果表明，当信噪比为-4 dB时，所提方法定位结果的准确率达到0.96，很好地满足了无线通信网络故障节点定位要求。

关键词：
交互状态
多域划分
故障节点
无线通信网络
自动定位
萤火虫算法
加入收藏

互联网技术的深入发展，促进了无线通信网络在各个领域的广泛应用，在不同的环境下，改变无线通信网络中的节点分布，搭建符合通信逻辑的层级链路结构[1]，确保指定信息的有效交换。随着人们开始依靠无线通信进行信息交换，通信的安全性和可靠性越来越受到重视[2]。考虑到无线通信网络的信息交换，是依托于节点之间的交互实现的，故障节点的出现会直接影响无线通信网络的通信性能。

目前，已经有部分故障节点定位方法开始投入应用。文献[3]提出针对通信网络节点运行参数不断采集，得到样本数据集。再构建基于蚁群算法的故障节点定位模型，将样本数据输入模型中迭代学习，判断出故障区段，并输出故障节点位置定位结果。通过对比实验可知，该方法的故障定位准确率较低。文献[4]依托于分布式数据采集架构，采集通信网络节点故障数据，并对数据进行处理后得到故障特征值。使用故障特征值进行故障位置判断，实现故障节点自动定位。实验结果表明，该方法容易受到干扰因素的影响。文献[5]考虑无线通信网络节点分布状态，构建多层节点交互状态模型，根据不同节点之间的交互状态信息判断故障节点所处区域。再提取故障节点特征，将其导入到贝叶斯网络模型中进行自动学习，输出故障节点自动定位结果。实验结果表明，该方法故障定位所需时间较长。

该文以提升无线通信网络故障节点自动定位的准确性为目标，提出一种结合萤火虫算法的新型定位方法。通过网络多域划分、交互状态分析、特征提取、故障节点定位四个环节，找到准确的故障节点位置，辅助无线通信网络运维处理。

1、无线通信网络故障节点自动定位

1.1设计通信网络多域划分算法

考虑到无线通信网络覆盖范围较大，在故障节点定位之前需要先进行网络域的划分，在每个子区域内分别定位故障节点[6]，达到提升故障定位准确程度的目的。实际操作过程中，针对无线通信网络中每个节点，分别计算其发生某一类故障问题的概率向量，计算公式如式（1）所示：

式中，Po表示节点o的故障发生概率向量，poj表示第j类故障发生概率，j表示故障类型。

根据式（1），推导出当前通信网络节点可能发生的故障类型。基于这一发现，可以对众多无线通信网络节点进行聚类分析，将具有相似故障类型的节点划分到同一个网络域中。为了实现通信网络的多域划分，借助k均值聚类算法，并利用余弦相似度准则[7]来衡量不同网络节点之间的相似程度。具体来说，可以使用以下余弦相似度计算公式：

式中，s(o,i)表示节点o和另一个无线通信网络节点i的余弦相似度。

同时，将k均值聚类算法中的聚类准则函数，表示为误差平方和准则，其对应的数学表达式为：

式中，δ表示聚类判断阈值，b表示子网络域，n表示无线通信网络被划分的子网络域数量，λb表示该子网络域的中心。

结合聚类准则函数和余弦相似度，实现通信网络节点的初步聚类，并根据聚类结果不断更新子网络域的中心，直到聚类中心保持固定不变，输出当前网络节点聚类结果，即可以完成网络域的多子域划分。

1.2构建无线通信网络节点交互模型

针对每个通信网络子区域，分别获取网络节点的交互状态，根据节点的交互动态数值波动情况，判断当前网络层链路中是否存在故障节点[8]。从每个层级的网络层链路入手，根据通信数据流传输方向，绘制流量拓扑图，描述通信网络子区域中网络故障点所处的大体范围。其中，无线通信网络节点交互状态模型如图1所示。

图1无线通信网络节点交互状态模型

如图1所示，某一链路层中的无线通信网络节点主要包括三类，分别为交互网关、正常节点和故障节点。定义每个网络节点的通信范围，并找到该范围内最邻近的节点，构建两个节点之间的状态矩阵，以此来描述网络节点交互状态。通常情况下，两个节点之间的交互状态量化评估值在0到1之间，越靠近1代表二者之间的交互状态越正常，反之则代表两个节点间的信息传输出现中断，节点交互状态较差，也间接表示了当前区域存在故障节点。

1.3提取无线通信网络故障节点特征

根据节点交互状态，可以基本确定无线通信网络子区域中故障发生链路层，在定位故障发生节点之前，需要提取该区域的故障节点特征。由于不同无线通信网络节点之间存在差异，其表现出的故障节点特征分量也有很大区别[9]。这种前提下，可以将某节点领域内的特征差值表示为：

式中，ηd表示特征差值，d表示故障节点特征分量，dˉ表示特征分量均值，H表示常数。

同时，考虑到故障节点特征分量的时效性，定义特征提取约束条件，基于此描述任意故障节点的特征向量，计算公式如式（5）所示：

式中，β表示功率谱熵值，q表示特征分量时效性约束参数。

由于特征提取过程中会受到环境因素的影响，产生特征提取误差，在消除这部分误差之前，通过式（6）进行特征提取误差计算。

式中，χ表示特征提取误差，G表示故障节点的距离误差参数，ε表示权值系数。

以网络故障节点特征提取误差的最小化为目标，定义式（7）所示的误差补偿公式。

式中，e表示误差补偿，ϕ表示故障特征，r表示故障类型，x表示故障节点，[·]表示故障点集合。

通过上述运算，实现无线通信网络故障节点特征提取和误差补偿，得到一系列特征参数，作为故障节点自动定位的基础，各参数关联公式如式（8）所示：

式中，R表示网络节点故障类型数量，φd表示故障节点的自相关特征熵。

1.4基于萤火虫算法实现故障节点自动定位

明确无线通信网络故障节点特征后，将子区域内每个通信网络节点看作一只萤火虫，结合萤火虫算法进行迭代寻优分析，找到最符合要求的故障节点，实现故障节点自动定位。实际通信网络故障定位过程中，萤火虫算法的求解流程如图2所示。

图2萤火虫算法求解流程

如图2所示，利用萤火虫算法深入分析故障节点特征，实现故障节点自动定位。需要先设置光强吸收系数、最大迭代次数、种群规模等一系列参数，并使得萤火虫位置随机分布[10-12]，通过式（9）和式（10）计算出萤火虫的相对亮度和吸引度。

式中，I(u)表示萤火虫的相对亮度，u表示光源距离，I0表示最大光照强度，e表示常数，ι表示光强吸收系数，θ表示吸引度，θ0表示最大吸引度。

受到相对亮度和吸引度的影响，随机分布的萤火虫会受到其他萤火虫发光的影响出现位置变化，萤火虫的飞行速度和位置更新公式为：

式中，v表示萤火虫飞行速度，l表示维度，τ、υ表示两只萤火虫，t表示迭代次数，ϖ表示惯性权重，ψ表示萤火虫位置，rand表示随机数生成器，Φ表示步长因子，μ表示S函数。

按照上述更新公式进行最优解迭代分析后，每代的最优解都会保存在记忆池中。由于记忆池容量不是无限的，为了保证当前池中的个体永远为最优解，需要实时更新记忆池最优解[13-16]，并定义更新规则为：

式中，k表示个体编号，Z′表示记忆池中的个体，Z表示萤火虫个体，Y表示发光亮度。

将最优解添加到记忆池中后，为了淘汰掉种群中无意义的个体，需要通过式（14）计算萤火虫之间的信息熵，以此来描述种群内个体之间的亲和度。

式中，El(m)表示信息熵，m表示萤火虫数量，ξ表示符号，M表示符号数量，∂表示某个符合在任意一个维度上出现的概率。

通过上述运算不断更新萤火虫种群，直到达到最大迭代次数，输出当前最优解，并定位与之对应的萤火虫个体位置，从而自动定位出网络故障节点所处位置。

2、实验验证

2.1实验环境

基于萤火虫算法的无线通信网络故障节点自动定位方法设计完成后，为了测试新方法的实际应用效果，将其应用到某智慧园区电力无线通信场景中，进行故障节点自动定位实验。以园区内5 km的通信场景为例，其智慧园区电力无线通信网络拓扑结构如图3所示。

图3智慧园区电力无线通信网络拓扑结构

图3中无线通信网络结构主要包括4G、5G、LoRa、WLAN四种通信方式，每种通信方式的初始运行参数如表1所示。

表1通信网络参数

整体来看，当前无线通信结构中主要存在9个通信终端节点，通信子站和终端节点之间分别存在10～15个网络节点。在实验开始之前，通过人工操作向任意一个无线通信网络节点施加WLAN欺骗、木马植入等攻击行为，并观察平均谱半径变化曲线，得到如图4所示的无线通信网络的平均谱半径变化曲线。

图4无线通信网络的平均谱半径变化曲线

根据图4可知，正常状态下无线通信网络的平均谱半径稳定在0.06 msr上下，而通信网络节点注入攻击行为出现故障后，平均谱半径值会出现明显的增大，引起无线通信网络运行异常。基于这一研究结果可以看出，故障节点的存在会直接影响网络通信状态，需要运用有效的方法进行故障节点自动定位。

2.2故障节点自动定位测试

选择无线通信网络场景中的5G通信结构，设置一个故障节点。运用所提出的方法进行故障节点定位，故障节点自动定位迭代求解过程如图5所示。

根据图5可知，经过50次迭代计算后，得到最优解。这一定位结果与人工施加结果相符，证明了所提方法的有效性。

另外，采用所提方法和作为对照组的基于BP神经网络的方法、基于贝叶斯神经网络的方法，分别进行20次故障节点自动定位测试，不同方法故障自动定位结果如图6所示。

图5故障节点自动定位迭代求解过程

图6不同方法故障自动定位结果

图6中，当定位结果取值为1代表故障节点定位错误，而输出结果为0则表示定位正确。整体来看，所提方法在20次故障定位实验过程中，只出现了一个定位错误，而另外两种方法的定位错误明显更多。

2.3方法性能对比

在信噪比为-24、-20、-16、-12、-8、-4 dB情况下，统计不同方法的故障定位结果，并以准确率（PAcc）作为评价指标，衡量每种方法的应用性能。

公式中，PAcc表示故障自动定位准确率，α表示正确定位的故障节点数，Q表示定位的故障节点总数。

经过计算可知，不同方法故障定位结果的PAcc值对比结果如图7所示。

图7不同方法故障定位结果的PAcc值对比

根据图7可知，运用设计的萤火虫算法新型故障节点自动定位方法，所得定位结果的PAcc值明显高于另外两种方法。以信噪比为-4 dB为例，此时所提方法定位结果的PAcc值达到0.9，另外两种方法则保持在0.87，充分证明了所提方法的优越性。

3、结束语

无线通信网络渗透到人们生活的方方面面，网络通信安全和稳定备受关注。对此，以无线通信网络故障节点自动定位为研究内容，设计基于萤火虫算法的新型定位方法，并通过实验测试，证明了该算法具有明显的应用优势。

参考文献:

[1]常瑞莉.一种基于BP神经网络的移动通信网络故障检测方法[J].自动化技术与应用,2023,42(6):123-126.

[2]杨亚让,吴云虎.基于随机森林的无线传感器通信网络阻塞故障检测[J].吉林大学学报(工学版),2023,53(5):1490-1495.

[3]彭波涛,戈伟.基于蚁群算法的电力通信网络节点故障检测系统[J].机电工程技术,2022,51(9):273-275.

[4]牟小令.光纤通信网络中节点故障定位方法研究[J].激光杂志,2023,44(2):143-148.

[5]饶强.基于贝叶斯网络的无线通信网络故障节点自动定位方法研究[J].自动化与仪器仪表,2022(12):258-262.

[6]乔宇翔.基于贝叶斯网络的高速公路隧道机电通信网络故障检测方法[J].交通世界,2022(31):171-173.

[7]朱圳,刘立芳,齐小刚.基于数据挖掘的通信网络故障分类研究[J].智能系统学报,2022,17(6):1228-1234.

文章来源:皇甫莹丽.基于萤火虫算法的无线通信网络故障节点自动定位方法[J].电子设计工程,2024,32(18):87-91+96.

网友评论

加载更多

我要评论

期刊名称：电子设计工程

期刊人气：3200

期刊详情

主管单位：九三学社陕西省委员会

主办单位：西安市三才科技实业有限公司

出版地方：陕西

专业分类：电子

国际刊号：1674-6236

国内刊号：61-1477/TN

邮发代号：52-142

创刊时间：1994年

发行周期：半月刊

期刊开本：大16开

见刊时间：10-12个月

论文导航

基于萤火虫算法的无线通信网络故障节点自动定位方法

相关论文

基于华为云平台的粮仓环境监测系统

关键词