摘要：针对传统的网络故障知识库难以共同存在的缺陷的高冗余性和稳定性，综合运用神经网络方法和粗糙集理论，提出了RSNN算法，以获得研究样品净化处理。该算法简化了样本，具有高适应性和高容错性，不容易陷入局部极小点，可以有效地处理噪声或不兼容的网络故障诊断。使用这种方法与其它相似的方法相比，可以提高诊断的精度和速度的诊断，具有一定的价值。中国论文网关键词：神经网络；计算机网络；故障诊断中图分类号：TP393.06文献标识码：A文章编号：1007-9599(2016)06-0000-021引言H前的网络规模、网络结构越来越复杂，这些新的变化变得越来越难作出诊断网络故障，迫切需要的-•种工具來进行网络管理与网络故障诊断与排除。网络故障诊断依赖于各种网络设备的状态信息，当发生故障时，通过这些信息的分析和判断，找到原因［1］。在本文中采用粗糙集理论，在原有的规则提取的网络状态信息，算法的基础上决定神经网络的粗糙集(RSNN),并引入层次分散优化的思想和错谋的传播原理设计，网络故障诊断模型，引进的层次分散优化网络故障诊断模型，可以在混合网络环境中提供一个singlenetwork的操作控制环境來管理所有子网和管理设备，统一•远程控制的，以建立合理的和有效的诊断知识库，故障排除和网络设备，从而提髙产品质量的网络，抗干扰能力和快速恢复能力的重新配置。2网络故障诊断的相关概念和它们的状态信息定义1网络状态S是一个二元组，是非空有限的对象，称为被管理对象的空间，记作，是被管网络对象，是相应的属性参数，，是状态属性，是相应属性的参数。网络状态信息是指行为信息提取的网络实体在网络运行的状态。定义2网络实体可以定义成一个三元组，其中这是一个系统迁移。G是映射功能状态变化，A是造成物理状态变化的事件集合。网络局部状态能分成L个不相干的特征，I.是由域节点的性质确定。网络故障是一种从止常状态过渡到不止常的状态。网络状态信息通过信息的收集交界处，基于SNMP轮询的时序相关的MIB变量的数据采集,E调换改变当前网络运行状况E,数据管理，转换成网络状态信息：为实体状态的属性参数设定了一个阈值，固态性能参数的物理性能特点的基础上，可以设定一个阈值，需要的专业知识或反复实验，调整，建立比较函数：川代替，替换预处理后的状态信息。得出：o令得到：因此，要使用的n-维矢量表示本地网络状态的特性。3系统原理及实现在获取信息的基础上RSNN的网络性能、网络的局部特征的性质定义的属性过滤掉所有垂要的属性，以反映网络故障的性质之间的关系，然斤根据这些属性，建立最低起ruleslayered综合的知识基础，根据神经网络，以提高系统的性能，降低谋报率的特点。预处理模块是负责网络状态记录在一个特定的时间间隔相应的离散特征属性，建立基于粗糙集理论和层次分布的优化思路，以减少网络故障对辨矩阵的功能，为了消除矛盾(冲突)和亜复的分类规则的故障诊断系统，为每种类型的网络层包含多个子分类粗糙集理论，构成了一个多层次的复杂的神经网络系统。上而的步骤包含规则的故障检测。诊断问题的实质是一个映射，我们使川一个神经网络来近似这种映射，故障分类系统的学习样木集由故障状态和故障，如在下面的表1中示出的判决子格式的子集的属性组成：训I练样本集在给定的知识领域的专家，所以难免不兼容，导致多余的样品，对这些样品进行培训，不仅不提高决策的止确性，会降低效率的学习神经网络，使用的是三层神经，每个属性贡献的故障现象子集的决策是不一样的，系统需要反映不同的属性在学习过程中的重要性，提高学习效率；此外，网络的故障信息描述的网络结构中的神经元和连接权特定的数目，必须导致低效的学习算法，并最终因为它是有限的使用，以得到样品决策表决策的标志包含只有一部分的的完整冲突样品，沙美特罗H优化算法的神经网络结构的原始廉的规则，在每个层的神经元素來定义一个性能指标，卜层优化指标：其特征在于，表示的第p个样本输入端，第i层的第j个结点的的实际加权和输出；表示第p个样本输入端，第i层的第j个结点加权和期望的输出，以确定网络的神经元的神经网络的权重可以调整到决策过程中的分层分散子优化问题的修正神经网络...