【CICC原创】基于决策灰狼优化支持向量机的指挥控制网络故障检测方法

（《指挥与控制学报》刊文精选）

引用格式   王建伟，潘成胜，施建锋. 基于决策灰狼优化支持向量机的指挥控制网络故障检测方法 [J]. 指挥与控制学报，2024，10（2）：162-169

WANG J W, PAN C S, SHI J F. Fault detection method of command and control network based on decision gray wolf optimization support vector machine[J]. Journal of Command and Control, 2024, 10（2）: 162-169

针对复杂战场环境下，我军传统指挥控制网络故障检测方法准确率较低、耗时较长等问题，提出了一种基于决策灰狼优化支持向量机的方法来实现指挥控制网络故障检测。对采集到的网络故障数据集进行归一化处理；再利用主成分分析法（principal component analysis，PCA）对数据集进行降维处理从而剔除数据集中信息量较少的维度；构建支持向量机（support vector machines，SVM）模型，并运用决策灰狼优化（decision gray wolf optimization，DGWO）算法来进行全局寻优，以狼群所在的位置来代替SVM中核函数与惩罚因子的取值，通过不断地迭代寻优来更新狼群的位置，获得最优的核函数及惩罚因子，从而进行指挥控制网络故障检测。实验结果表明所提方法与其他方法相比检测准确率达到了98.68%，具有更高的实用性和有效性。

现代战争环境下， 网络信息传输已成为不可或缺的一部分。在指挥控制网络中， 由于网络数据量较大、 信息变化迅捷， 导致网络故障频发， 因此， 对其进行网络故障检测也变得尤为重要[1]。传统网络故障类型多样， 根据不同性质可分为多种故障类型[2]。网络故障检测是通过对网络状态信息（网络流量信息、 设备状态信息、 Trap告警信息等）进行采集， 然后检测这些信息数据是否偏离其正常状态， 进而检测出网络是否发生故障[3]。

国内外对于网络故障进行检测涌现出了许多方法。张抗运用SVM算法进行网络故障检测[4]；孟洛明等运用支持向量回归机（support vector regression， SVR）算法来进行网络故障检测[5]；郭金玉等通过计算样本概率密度， 运用PCA模型来进行故障检测[6]；张金霜等提出灰狼优化支持向量机（grey wolf optimizer- support vector machine， GWO-SVM）算法来进行网络入侵检测[7]。以上方法均提高了网络故障检测准确率， 但都耗时较长。齐小刚等提出一种基于主动探测的探测路径选择算法来进行网络故障检测[8]；唐建华提出基于反向传播（back propagation， BP）神经网络方法来进行网络故障检测[9]；魏明军等运用深度置信网络与孪生支持向量机相结合的方法来进行网络入侵检测[10]。以上方法虽减少了运行时间， 但准确率并不高。朱晓荣等提出了一种生成对抗网络的故障检测方法[11]；XU等使用模糊神经网络法来进行网络故障检测。这些方法是针对小样本数据集进行检测， 当数据量较大时误差较大[12]。SIVARAMAN等通过分析Syslog（系统日志）和SNS（社交网络服务）数据进行网络故障检测和诊断[13]；KHATIB等提出了一种基于监督遗传模糊算法的故障诊断方法[14]。以上方法对数据需求量较大， 当数据量较少时， 检测性能较差。TAN等提出一种多层线性故障检测方法， 利用多层线性特征提取来对网络故障进行诊断， 但该方法对于网络变化的反应不敏感[15]。

针对上述方法均难以满足指挥控制网络故障检测智能高效的需求。本文在构建指挥控制网络故障管理体系架构的基础上， 建立基于决策灰狼优化支持向量机模型来对网络故障进行检测。通过PCA对网络故障数据集特征进行降维处理， 再运用DGWO优化SVM模型中的参数， 从而提高指挥控制网络模型故障检测的准确率， 降低运行时间。

References

[1]　潘宣辰, 陈倩. 5G应用场景下的指挥与控制系统安全防御 [J]. 指挥与控制学报, 2020, 6（4）: 328-333.

PAN X C, CHEN Q. Command and control system security defense in 5G application scenarios[J]. Journal of Command and Control, 2020, 6（4）: 328-333. （in Chinese）

[2]　潘丽丽. 计算机网络常见故障的分类与故障诊断 [J]. 科技展望, 2015, 25（34）: 56.

PAN L L. Classification and fault diagnosis of common faults in computer networks[J]. Science and Technology Prospects, 2015, 25（34）: 56. （in Chinese）

[3]　王媛湲, 刘志伟, 孙寅栋, 等. 基于改进SOM神经网络的指挥通信网络故障检测算法 [C]// 第八届中国指挥控制大会论文集. 北京: 兵器工业出版社, 2020: 707-711.

WANG Y W, LIU Z W, SUN Y D, et al. Command and communication network fault detection algorithm based on improved SOM neural network[C]// Proceedings of the 8th China Command and Control Conference. Beijing: Ordnance Industry Press, 2020: 707-711. （in Chinese）

[4]　张抗. 基于SVM的网络故障检测研究 [D]. 武汉: 华中科技大学, 2016.

ZHANG K. Research on network fault detection based on SVM[D]. Wuhan: Huazhong University of Science and Tech-nology, 2016. （in Chinese）

[5]　孟洛明, 朱杰辉, 杨杨, 等. 支持向量机回归预测在网络故障检测中的应用 [J]. 北京邮电大学学报, 2014, 37（S1）: 23-29.

MENG L M, ZHU J H, YANG Y, et al. Application of support vector machine regression prediction in network fault detection[J]. Journal of Beijing University of Posts and Tele-communications, 2014, 37（S1）: 23-29. （in Chinese）

[6]　郭金玉, 刘玉超, 李元. 基于概率密度 PCA 的多模态过程故障检测 [J]. 计算机应用研究, 2019, 36（5）: 1396-1399.

GUO J Y, LIU Y C, LI Y. Fault detection of multimodal processes based on probability density PCA[J]. Computer Application Research, 2019, 36（5）: 1396-1399. （in Chinese）

[7]　张金霜, 梁树杰, 左敬龙. 基于GWO-SVM算法的物联网入侵检测研究 [J]. 信息技术与网络安全, 2020, 39（10）: 44-48.

ZHANG J S, LIANG S J, ZUO J L. Research on IoT intru-sion detection based on GWO-SVM algorithm[J]. Information Technology and Network Security, 2020, 39（10）: 44-48. （in Chinese）

[8]　齐小刚, 马文超, 李家慧. 网络故障检测中的探测路径选择方法研究 [J]. 南京大学学报（自然科学）, 2022, 58（2）: 320-327.

QI X G, MA W C, LI J H. Research on detection path selection method in network fault detection[J]. Journal of Nanjing University（Natural Science）, 2022, 58（2）: 320-327.   （in Chinese）

[9]　唐建华. 基于神经网络的TD-LTE网络故障诊断技术研究 [D]. 宁波: 宁波大学, 2014.

TANG J H. Research on fault diagnosis technology of TD-LTE network based on neural network[D]. Ningbo: Ningbo University, 2014. （in Chinese）

[10]   魏明军, 彭宁. 基于DL和TSVM的入侵检测方法研究 [J]. 计算机应用与软件, 2020, 37（12）: 328-333.

WEI M J, PENG N. Intrusion detection based on DL and TSVM[J]. Computer Applications and Software, 2020, 37（12）: 328-333. （in Chinese）

[11]   朱晓荣, 张佩佩. 基于GAN的异构无线网络故障检测与诊断算法 [J]. 通信学报, 2020, 41（8）: 110-119.

ZHU X R, ZHANG P P. GAN-based heterogeneous wireless network fault detection and diagnosis algorithm[J]. Journal of Communications, 2020, 41（8）: 110-119. （in Chinese）

[12]   XU B, ZHANG X P, LIU L Q. The failure detection method of WSN based on PCA-BDA and fuzzy neural network[J]. Wireless Personal Communications, 2018, 102（2）: 102-111.

[13]   SIVARAMAN K, AZARAFFALI K M. Network failure detection and diagnosis by analyzing syslog and SNS data: applying big data analysis to network operations[J]. International Journal of Pure and Applied Mathematics, 2018, 119（12）: 9543-9551.

[14]   KHATIB E, BARCO R, ANDRADES A G, et al. Diagnosis based on genetic fuzzy algorithms for LTE self-healing[J]. IEEE Transactions on Vehicular Technology, 2016, 65（3）: 1639-1651.

[15]   TAN R M, CAO Y. Multi-layer contribution propagation analysis for fault diagnosis[J]. International Journal of Automation and Computing, 2019, 16（1）: 40-51.

[16]   SCHOLKOPF B, SMOLA A J, WILLIAMSON R C, et al. New support vector algorithms[J]. Neural Computation, 2000, 12（5）: 1207-1245.

[17]   AHMADI M, KHASHEI M. Generalized support vector machines （GSVMs） model for real-world time series forecasting[J]. Soft Computing, 2021, 25（22）: 14139-14154.

[18]   CHANG C C, LIN C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2（3）: 1-39.

[19]   叶小娇, 李汪根, 黄尧颖. 支持向量机在个人信用评估中的应用 [J]. 计算机技术与发展, 2011, 21（3）: 213-216.

YE X J, LI W G, HUANG Y Y. Application of support vector machine in personal credit evaluation[J]. Computer Technology and Development, 2011, 21（3）: 213-216. （in Chinese）

[20]   和湘, 刘晟, 姜吉国. 基于机器学习的入侵检测方法对比研究 [J]. 信息网络安全, 2018, 209（5）: 7-17.

HE X, LIU S, JIANG J G. Comparative research on intrusion detection methods based on machine learning[J]. Information Network Security, 2018, 209（5）: 7-17. （in Chinese）