生产制造企业网络故障分析与健康评估技术研究

摘要

近些年来，随着生产制造企业网络规模的不断扩大，对网络的管理变得越来越困难。加上工业网络所处的特殊的环境，很容易造成设备故障，从而给企业带来经济损失甚至是人员伤亡。如何对网络进行有效的管理，是当前网络安全领域研究的重点。网络故障诊断与健康评估技术是根据系统当前及历史数据判断故障类型及评估系统当前健康程度的智能化技术，通过对系统进行建模及分析，可以尽快找到产生故障的原因以及从整体上把握网络的健康状况，从而给维修人员提供决策指导。
　　本文在国家863项目的支撑下，重点研究了工业以太网络故障诊断及健康评估技术。主要研究内容如下:一是设计了综合监控管理平台，该平台负责设备状态数据采集，平台的优势是通过在管理端驻留插件的方式采集各设备的参数信息，使得对设备的管理更加灵活。二是根据生产制造企业网络的数据特点，提出了一种基于随机森林的智能故障诊断算法(CSRF)。该算法从样本采样和模型组合两方面对随机森林进行改进。前者使用分类采样技术为每个基本分类器单独生成训练样本，缓解了采样偏置和数据不均衡带来的问题。后者综合考虑了基本分类器的投票数和置信度两方面因素，提高了诊断的准确率。三是针对目前网络健康评估技术存在的问题，提出了一种多神经网络融合的健康评估算法(MNN)。该算法充分考虑到网络的单点特征以及链路特征，使用卷积网络和BP网络对不同纬度的特征进行建模分析，从而评估网络健康状况。四是通过实验设计及结果分析，验证了本文提出的算法的有效性。

目录

声明

致谢

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 工业以太网研究现状

1．2．2 网络故障诊断技术研究现状

1．2．3 网络健康评估技术研究现状

1．3 研究目标和内容

1．4 论文结构安排

2 相关技术研究

2．1 工业以太网相关技术

2．1．1 PROFINET网络结构

2．1．2 PROFINET实时通信机制

2．1．3 PROFINET网络管理难点

2．2 SNMP网络管理概述

2．2．1 管理信息库

2．2．2 管理信息结构

2．2．3 SNMP协议

2．3 网络故障诊断技术

2．3．1 基于贝叶斯网络的故障诊断

2．3．2 基于决策树的故障诊断

2．4 网络健康评估技术

2．4．1 基于传统测量的健康评估方法

2．4．2 基于智能算法的健康评估方法

2．5 本章小结

3 设备状态数据采集

3．1 架构设计

3．2 主机监控

3．2．1 Windows主机监控

3．2．2 Linux主机监控

3．2．3 SNMP监控主机

3．3 网络设备监控

3．3．1 实现方案

3．3．2 MIB信息

3．4 网络指标获取

3．4．1 带宽利用率

3．4．2 时延

3．5 监控结果展示

3．6 本章小结

4 基于随机森林算法的故障诊断

4．1 基于分类采样的随机森林算法(CSRF)

4．1．1 算法框架

4．1．2 分类采样算法

4．1．3 随机森林算法

4．1．4 组合算法

4．2 故障决策过程

4．3 实验分析

4．3．1 实验数据及处理

4．3．2 实验分析

4．3．3 参数分析

4．4 本章小结

5 基于神经网络的健康评估

5．1 神经网络基本算法

5．1．1 BP神经网络

5．1．2 卷积神经网络

5．2 MNN算法设计

5．2．1 算法框架

5．2．2 单点特征建模

5．2．3 交互特征建模

5．3 实验分析

5．3．1 数据处理

5．3．2 实验分析

5．4 本章小结

6．1 本文工作总结

6．2 未来工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集