论文部分内容阅读
当前网络规模曰益扩大，网络结构日益复杂，这些新的变化使得网络故障的诊断变得越来越困难，急需一个工具来为网络管理人员完成网络故障的诊断和排除。网络故障诊断依赖于当故障发生时各种网络设备的状态信息，通过分析和判断这些信息去发现导致故障的原因。而诊断故障最有效和最直接的方法就是采集网络设备的MIB(management information base)变量。MIB变量能够反映丰富的网络状态，通过这些变量我们能够诊断网络故障。 本文把粗集理论与网络故障诊断结合在一起，把粗集理论的算法应用到MIB变量中，以挖掘出MIB变量和网络故障之间的潜在关系。我们构建网络实验环境，从中提取原始的MIB变量，并把MIB变量创建成决策表。在深入的研究基于粗集的数据挖掘算法的基础上，从属性的重要性和频度两个角度出发得出了一种结合二者的启发式约简算法，该算法以核和用户偏好属性集为约简的基础，再结合二者优点的同时不仅利用了核的广泛性，而且又能有效的利用用户的背景知识或领域知识和经验。同时本文把支持度和置信度引入到粗集理论中来，得出了基于规则支持度和置信度的决策规则挖掘算法，该算法能根据用户设定的支持度阀值和置信度阀值有效的提取出用户感兴趣的规则。最后我们用上述粗集的约简算法去除MIB变量中不一致的和错误的数据，并得到与网络故障相关的MIB变量。通过这种方法，我们能够得到网络故障的决策规则。