CN109088793A - 用于检测网络故障的方法和装置 - Google Patents
用于检测网络故障的方法和装置 Download PDFInfo
- Publication number
- CN109088793A CN109088793A CN201810946829.9A CN201810946829A CN109088793A CN 109088793 A CN109088793 A CN 109088793A CN 201810946829 A CN201810946829 A CN 201810946829A CN 109088793 A CN109088793 A CN 109088793A
- Authority
- CN
- China
- Prior art keywords
- sample
- target
- target area
- computer room
- network failure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请实施例公开了用于检测网络故障的方法和装置。该方法的一具体实施方式包括:获取至少一条待检测故障数据,其中,待检测故障数据包括至少三个目标区域与对应的目标机房的连接信息;基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常;基于至少三个目标区域所属的类别和所处的位置,确定网络故障的类型,其中,连接异常的目标区域属于第一类别,连接非异常的目标区域属于第二类别,网络故障的类型包括骨干网故障和机房网络故障。该实施方式实现了通过至少三个目标区域所属的类别和所处的位置,确定网络故障的类型。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于检测网络故障的方法和装置。
背景技术
在互联网行业,通常会将服务器部署在全国的若干个区域(例如各省份)的机房。其中,一些区域需要通过骨干网连接至对应的机房。当骨干网发生故障,或者机房网络发生故障,都会导致这些区域与对应的机房的网络连接发生异常。目前,当这些区域与对应的机房的网络连接发生异常时,技术人员往往会将这些区域与对应的机房的网络连接进行切换,即切换至其他机房。
发明内容
本申请实施例提出了用于检测网络故障的方法和装置。
第一方面,本申请实施例提供了一种用于检测网络故障的方法,该方法包括:获取至少一条待检测故障数据,其中,待检测故障数据包括至少三个目标区域与对应的目标机房的连接信息;基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常;基于至少三个目标区域所属的类别和所处的位置,确定网络故障的类型,其中,连接异常的目标区域属于第一类别,连接非异常的目标区域属于第二类别,网络故障的类型包括骨干网故障和机房网络故障。
在一些实施例中,连接信息包括至少三个目标区域与对应的目标机房建立连接的时长;以及基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常,包括:对于至少三个目标区域中的目标区域,确定表征该目标区域与对应的目标机房建立连接的时长小于或等于预设时长的待检测故障数据的条数作为目标数值;基于目标数值,确定该目标区域与对应的目标机房的连接是否异常。
在一些实施例中,基于至少三个目标区域所属的类别和所处的位置,确定网络故障的类型,包括:根据至少三个目标区域所处的位置,将至少三个目标区域映射到目标地图;在目标地图中,基于至少三个目标区域所属的类别,沿纬线方向划分至少三个目标区域,以及确定划分误差最小的划分线作为目标划分线;基于目标划分线和目标机房所处的位置,提取相应的特征;将提取到的特征输入预先训练的故障分类模型,以确定网络故障的类型。
在一些实施例中,故障分类模型通过如下步骤训练得到:获取样本集,其中,样本包括样本故障数据集合和样本标注信息,样本标注信息用于指示样本故障数据集合对应的网络故障的类型;对于样本集中的样本,基于该样本的样本故障数据集合,提取特征作为该样本的样本特征;将提取特征后的样本集确定为新的样本集;将新的样本集中的样本的样本特征作为预先构建的支持向量机(Support Vector Machine,SVM)分类模型的输入,将与输入的样本特征对应的样本标注信息作为期望输出,训练得到故障分类模型。
第二方面,本申请实施例提供了一种用于检测网络故障的装置,该装置包括:获取单元,被配置成获取至少一条待检测故障数据,其中,待检测故障数据包括至少三个目标区域与对应的目标机房的连接信息;网络连接确定单元,被配置成基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常;网络故障类型确定单元,被配置成基于至少三个目标区域所属的类别和所处的位置,确定网络故障的类型,其中,连接异常的目标区域属于第一类别,连接非异常的目标区域属于第二类别,网络故障的类型包括骨干网故障和机房网络故障。
在一些实施例中,连接信息包括至少三个目标区域与对应的目标机房建立连接的时长;以及网络连接确定单元,进一步被配置成:对于至少三个目标区域中的目标区域,确定表征该目标区域与对应的目标机房建立连接的时长小于或等于预设时长的待检测故障数据的条数作为目标数值;基于目标数值,确定该目标区域与对应的目标机房的连接是否异常。
在一些实施例中,网络故障类型确定单元,包括:映射模块,被配置成根据至少三个目标区域所处的位置,将至少三个目标区域映射到目标地图;划分模块,被配置成在目标地图中,基于至少三个目标区域所属的类别,沿纬线方向划分至少三个目标区域,以及确定划分误差最小的划分线作为目标划分线;特征提取模块,被配置成基于目标划分线和目标机房所处的位置,提取相应的特征;网络故障类型确定模块,被配置成将提取到的特征输入预先训练的故障分类模型,以确定网络故障的类型。
在一些实施例中,故障分类模型通过如下步骤训练得到:获取样本集,其中,样本包括样本故障数据集合和样本标注信息,样本标注信息用于指示样本故障数据集合对应的网络故障的类型;对于样本集中的样本,基于该样本的样本故障数据集合,提取特征作为该样本的样本特征;将提取特征后的样本集确定为新的样本集;将新的样本集中的样本的样本特征作为预先构建的支持向量机分类模型的输入,将与输入的样本特征对应的样本标注信息作为期望输出,训练得到故障分类模型。
第三方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于检测网络故障的方法和装置,首先可以获取至少一条待检测故障数据,而后,基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常。从而实现了基于至少三个目标区域所属的类别和所处的位置,确定网络故障的类型。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于检测网络故障的方法的一个实施例的流程图;
图3是根据本申请实施例的用于检测网络故障的方法的一个应用场景的示意图;
图4是根据本申请的用于检测网络故障的方法的又一个实施例的流程图;
图5是根据本申请的用于检测网络故障的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测网络故障的方法或用于检测网络故障的装置的示例性架构100。
如图1所示,系统架构100可以包括机房101和102,网络103和107,服务器104、105、106和108。网络103用以在机房101、102和服务器104、105、106之间提供通信链路的介质。网络107用以在服务器104、105、106和服务器108之间提供通信链路的介质。网络103和107可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。通常情况下,网络103可以是各种外部网络(例如运营商提供的网络)。网络107可以是各种内部网络(例如企业或政府的专用网络)。
机房101和102可以根据实际需求、被设置于某些区域(例如某些省)。其中,机房101和102中可以部署至少一个服务器。
服务器104、105和106可以部署于一些区域(例如某些省),用于采集关于这些区域与对应的机房(例如机房101和102)的网络连接的数据。然后,将采集到的数据,通过网络107发送给服务器108。作为示例,服务器104、105和106上可以安装有数据采集类应用,然后将采集到的数据发送给通信连接的服务器108。
服务器108可以是提供各种服务的服务器。例如服务器108可以接收服务器104、105和106发送的数据,然后对接收到的数据进行分析,进而确定服务器104、105和106与对应的机房(例如机房101好102)的网络连接是否异常。
需要说明的是,服务器(例如服务器104、105、106和108)可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于检测网络故障的方法一般由服务器108执行,相应地,用于检测网络故障的装置一般设置于服务器108中。
应该理解,图1中的机房、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的机房、网络和服务器。
继续参考图2,示出了根据本申请的用于检测网络故障的方法的一个实施例的流程200。该用于检测网络故障的方法包括以下步骤:
步骤201,获取至少一条待检测故障数据。
在本实施例中,待检测故障数据包括至少三个目标区域与对应的目标机房的连接信息。实践中,目标机房可以是技术人员从已有的IDC(Internet Data Center,互联网数据中心)机房中选定的至少一个机房。实践中,可以用于存放至少一个服务器(例如企业或者政府的服务器)。目标区域可以是技术人员预先指定的、可以与对应的目标机房进行连接的区域(例如某国家包括的省份或直辖市)。实践中,目标区域与目标机房的对应关系可以由技术人员预先设定。例如,技术人员可以将来自目标区域A和B的连接请求分别映射到目标机房M和N。
在本实施例中,连接信息可以包括至少三个目标区域与对应的目标机房的连接的各种信息。例如,可以包括至少三个目标区域与对应的目标机房建立连接的次数。可选的,可以包括至少三个目标区域与对应的目标机房建立连接的时长。
在本实施例中,用于检测网络故障的方法的执行主体(如图1所示的服务器108)可以通过各种方法获取至少一条待检测故障数据。作为示例,技术人员可以在上述至少三个目标区域分别放置监测设备(例如图1所示的服务器104、105和106)。而后,这些监测设备可以向对应的目标机房发送连接请求。然后,监测设备可以将与对应的目标机房的连接数据进行分析,以及确定是否发生网络故障。进一步,监测设备可以将分析结果和监测到的数据发送到上述执行主体。作为示例,上述监测设备还可以将监测到的数据存储到数据库服务器,从而上述执行主体可以从通信连接的数据库服务器获取数据作为待检测故障数据。
步骤202,基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常。
在本实施例中,上述执行主体可以基于至少一条待检测故障数据所包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常。
在本实施例的一些可选的实现方式中,连接信息可以包括至少三个目标区域与对应的目标机房建立连接的时长。此时,上述执行主体可以通过如下步骤确定至少三个目标区域与对应的目标机房的连接是否异常:对于至少三个目标区域中的目标区域,确定表征该目标区域与对应的目标机房建立连接的时长小于或等于预设时长的待检测故障数据的条数作为目标数值;基于目标数值,确定该目标区域与对应的目标机房的连接是否异常。
作为示例,以目标区域A为例。假设待检测故障数据的条数为m,其中,n条待检测故障数据表征目标区域A与对应的目标机房建立连接的时长小于或等于预设时长。由此,上述执行主体可以确定目标区域A与对应的目标机房的连接非异常的概率分布值。在这里,概率分布值其中,p0为一般情况下,目标区域A与对应的目标机房的连接发生异常的概率。实践中,技术人员可以根据累积的数据确定p0。进一步,若概率分布值F(n)小于预设分布值(例如0.9),上述执行主体可以确定目标区域A与对应的目标机房的连接异常。若概率分布值F(n)大于或等于预设分布值,上述执行主体可以确定目标区域A与对应的目标机房的连接非异常。
在本实施例的一些可选的实现方式中,连接信息可以包括至少三个目标区域与对应的目标机房建立连接的次数。此时,上述执行主体可以通过类似上一个示例的步骤,确定至少三个目标区域与对应的目标机房的连接是否异常。
作为示例,仍以目标区域A为例。假设待检测故障数据的条数为m,其中,n条待检测故障数据表征目标区域A与对应的目标机房建立连接的次数小于预设次数。由此,上述执行主体可以按照上一个示例所示的方法,确定目标区域A与对应的目标机房的连接非异常的概率分布值。进而确定目标区域A与对应的目标机房的连接是否异常。
步骤203,基于至少三个目标区域所属的类别和所处的位置,确定网络故障的类型。
在本实施例中,上述执行主体可以将连接异常的目标区域确定为第一类别,以及将连接非异常的目标区域确定为第二类别。
在本实施例中,上述至少三个目标区域的位置可以通过所处的纬线的纬度来描述。可以理解,目标区域的位置也可以通过所处的经线的经度来描述。本实施例中,以目标区域的位置通过所处的纬线的纬度来描述为例。
在本实施例中,网络故障的类别包括骨干网故障和机房网络故障。实践中,上述执行主体可以通过以下步骤确定网络故障的类型。
步骤S1,根据至少三个目标区域所处的位置,将至少三个目标区域映射到目标地图;
在本实施例中,目标地图可以是技术人员指定的某个国家(例如中国)的地图。
步骤S2,在目标地图中,基于至少三个目标区域所属的类别,沿纬线方向划分至少三个目标区域,以及确定划分误差最小的划分线作为目标划分线;
在本实施例中,上述执行主体可以在目标地图中,沿纬线方向对至少三个目标区域进行多次划分。使得处于划分线两侧的目标区域的类别尽可能一致。也就是说,要保证划分误差最小。进一步,上述执行主体可以将划分误差最小的划分线确定为目标划分线。
作为示例,划分线一侧,目标区域的个数为x1,其中,属于第一类别的目标区域的个数为y1。划分线另一侧,目标区域的个数为x2,其中,属于第一类别的目标区域的个数为y2。此时,上述执行主体可以确定划分误差和由此,上述执行主体可以将和中较小的值确定为此次划分的误差。进一步,上述执行主体可以沿其他纬线进行划分,以及确定相应的划分误差。最终,上述执行主体可以将划分误差最小的划分线确定为目标划分线。
步骤S3,基于目标划分线和目标机房所处的位置,提取相应的特征,以及生成相应的特征向量;
在本实施例中,确定目标划分线之后,上述执行主体可以提取相应的特征,以及生成相应的特征向量。其中,提取的特征可以包括以下至少一项:最小划分误差,目标划分线的纬度,目标机房所处的纬线的纬度,属于第一类别的目标区域所处的纬线的纬度的中位数,目标划分线两侧的目标区域的个数的相对数。实践中,上述执行主体可以将属于第一类别的目标区域所处的纬线的纬度进行排序,而后,从排序后的纬度中确定出中位数。实践中,上述执行主体可以将目标划分线两侧的目标区域的个数分别与所有的目标区域的个数相除,进而,得到目标划分线两侧的目标区域的个数的相对数。
步骤S4,将生成的特征向量输入到预先得到的对应关系表进行匹配,进而确定网络故障的类型。
实践中,技术人员可以对历史积累的大量的网络故障数据进行处理,进而统计得到相应的特征向量和网络故障的类型的对应关系表。在上述对应关系表中,特征向量和网络故障的类型关联存储。由此,上述执行主体可以将步骤S3中得到的特征向量输入到上述对应关系表中进行匹配,进而确定网络故障的类型。
继续参见图3,图3是根据本实施例的用于检测网络故障的方法的应用场景的一个示意图。在图3的应用场景中,以中国的区域302~313为例。在这里,区域302~313可以是省份,也可以是直辖市。其中,区域302~304可以通过骨干网连接至机房M,以及区域305和306可以通过骨干网连接至机房N。区域307~310可以直接连接至机房M,区域311~313可以直接连接至机房N。当获取到至少一条待检测故障数据,服务器301可以根据至少一条待检测故障数据所包括的连接信息集合,确定区域302~304和区域307~310与机房M的连接是否异常,以及确定区域305、306和区域311~313与机房N的连接是否异常。进一步,服务器301可以将连接异常的区域确定为第一类别,以及将连接非异常的区域确定为第二类别。从而,服务器301可以基于区域302~313所属的类别和所处的位置,确定网络故障的类型。
作为示例,若确定区域302~306属于第一类别,以及确定区域307~313属于第二类别,服务器301可以将区域302~313映射到地图314。而后,服务器301可以沿纬线方向划分第一类别的区域和第二类别的区域,以及确定出划分误差最小的划分线315。进而服务器301可以提取以下特征:最小划分误差,划分线315的纬度,机房M所处的纬线的纬度和机房N所处的纬线的纬度,区域302~306所处的纬线的纬度的中位数,划分线315两侧的区域的个数的相对数。从而,服务器301可以根据提取到的特征,生成相应的特征向量。进一步,服务器301可以将生成的特征向量输入到预先存储的对应关系表进行匹配。若存在相同或者相似的特征向量,则可以确定网络故障的类型为骨干网故障。
作为示例,若确定区域305、306和区域311~313属于第一类别,以及确定区域302~304和区域307~310属于第二类别,服务器301可以将区域302~313映射到地图314。而后,服务器301可以按照与上一个示例类似的方法确定出划分线316。进而服务器301可以提取以下特征:最小划分误差,划分线316的纬度,机房N所处的纬线的纬度,区域305、306和区域311~313所处的纬线的纬度的中位数,划分线316两侧的区域的个数的相对数。从而,生成相应的特征向量。进一步,服务器301可以将生成的特征向量输入到预先存储的对应关系表进行匹配。若存在相同或者相似的特征向量,则可以确定网络故障的类型为机房网络故障。
本申请的上述实施例提供的方法首先通过获取到的至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常。进而,将连接异常的目标区域确定为第一类别,以及将连接非异常的目标区域确定为第二类别。从而,可以通过至少三个目标区域所属的类别和所处的位置,确定网络故障的类型。
进一步参考图4,其示出了用于检测网络故障的方法的又一个实施例的流程400。该用于检测网络故障的方法的流程400,包括以下步骤:
步骤401,获取至少一条待检测故障数据。
步骤402,基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常。
上述步骤401-402的具体处理及其所带来的技术效果可以参考图2对应的实施例中的步骤201-202,在此不再赘述。
步骤403,根据至少三个目标区域所处的位置,将至少三个目标区域映射到目标地图。
步骤404,在目标地图中,基于至少三个目标区域所属的类别,沿纬线方向划分至少三个目标区域,以及确定划分误差最小的划分线作为目标划分线。
步骤405,基于目标划分线和目标机房所处的位置,提取相应的特征。
上述步骤403-405的具体处理及其所带来的技术效果可以参考图2对应的实施例中的步骤S1-S3,在此不再赘述。
步骤406,将提取到的特征输入预先训练的故障分类模型,以确定网络故障的类型。
在本实施例中,用于检测网络故障的方法的执行主体(如图1所示的服务器108)可以将提取到的特征输入至预先训练的故障分类模型,进而确定网络故障的类型。具体地,上述故障分类模型可以通过如下训练步骤训练得到。需要说明的是,训练故障分类模型的执行主体与用于检测网络故障的方法的执行主体可以相同,也可以不同。
第一步,获取样本集。
在本实施例中,样本集中的样本包括样本故障数据集合和样本标注信息,样本标注信息用于指示样本故障数据集合对应的网络故障的类型。实践中,技术人员可以将先前某一次发生网络故障时,所获取到的至少一条故障数据作为样本故障数据集合,以及将此次网络故障的类型作为样本故障数据集合所对应的样本标注信息。
在本实施例中,训练故障分类模型的执行主体可以通过各种方法获取样本集。例如,技术人员将标注好的样本存储于训练故障分类模型的执行主体本地,此时,训练故障分类模型的执行主体可以直接从本地获取样本集。例如,技术人员将标注好的样本存储于与训练故障分类模型的执行主体通信连接的数据库服务器,此时,训练故障分类模型的执行主体可以从通信连接的数据库服务器获取样本集。
第二步,对于样本集中的样本,基于该样本的样本故障数据集合,提取特征作为该样本的样本特征。
在本实施例中,训练故障分类模型的执行主体可以通过类似步骤S1-S3的方法,对样本集中的样本的样本故障数据集合分别提取特征,以及将提取到的特征作为样本故障数据集合所对应的样本特征。
第三步,将提取特征后的样本集确定为新的样本集。
在本实施例中,训练故障分类模型的执行主体可以将提取特征后的样本集确定为新的样本集。也就是说,此时,样本包括样本故障数据集合、样本特征和样本标注信息。
第四步,将新的样本集中的样本的样本特征作为预先构建的支持向量机分类模型的输入,将与输入的样本特征对应的样本标注信息作为期望输出,训练得到故障分类模型。
在本实施例中,训练故障分类模型的执行主体可以从新的样本集中选取至少一个样本。而后,将选取的样本的样本特征依次输入至预先构建的支持向量机分类模型,得到至少一个样本特征中的每个样本特征对应的网络故障的类型。进一步,训练故障分类模型的执行主体可以将得到的至少一个网络故障的类型与对应的样本标注信息进行比较。从而,训练故障分类模型的执行主体可以根据比较结果,确定是否达到预设的训练结束条件。其中,训练结束条件包括以下至少一项:训练时间达到预设训练时长;训练次数达到预设训练次数;分类误差小于预设分类误差。若达到训练结束条件,训练故障分类模型的执行主体可以确定训练完成,以及将训练完成的支持向量机分类模型确定为故障分类模型。若未达到训练结束条件,训练故障分类模型的执行主体可以对上述支持向量机分类模型进行参数调整,以及从上述新的样本集中选取未使用过的样本,继续上述训练步骤,直至达到训练结束条件。
在本实施例的一些可选的实现方式中,技术人员还可以利用现有的其他结构的分类模型(例如卷积神经网络、深度卷积神经网络)构建初始模型。而后,训练故障分类模型的执行主体可以利用这些初始模型,训练得到故障分类模型。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于检测网络故障的方法的流程400突出了故障分类模型的训练的步骤。由此,本实施例描述的方案可以根据至少三个目标区域所属的类别和所处的位置,提取相应的特征作为预先训练的故障分类模型的输入。从而实现了通过故障分类模型,确定网络故障的类型。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了用于检测网络故障的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的用于检测网络故障的装置500包括获取单元501、网络连接确定单元502和网络故障类型确定单元503。其中,获取单元501,被配置成获取至少一条待检测故障数据,其中,待检测故障数据包括至少三个目标区域与对应的目标机房的连接信息;网络连接确定单元502,被配置成基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常;网络故障类型确定单元503,被配置成基于至少三个目标区域所属的类别和所处的位置,确定网络故障的类型,其中,连接异常的目标区域属于第一类别,连接非异常的目标区域属于第二类别,网络故障的类型包括骨干网故障和机房网络故障。
在本实施例中,用于检测网络故障装置500中:获取单元501、网络连接确定单元502和网络故障类型确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,连接信息包括至少三个目标区域与对应的目标机房建立连接的时长;以及上述网络连接确定单元502,可以进一步被配置成:对于至少三个目标区域中的目标区域,确定表征该目标区域与对应的目标机房建立连接的时长小于或等于预设时长的待检测故障数据的条数作为目标数值;基于目标数值,确定该目标区域与对应的目标机房的连接是否异常。
在本实施例的一些可选的实现方式中,上述网络故障类型确定单元503可以包括映射模块(图中未示出)、划分模块(图中未示出)、特征提取模块(图中未示出)和网络故障类型确定模块(图中未示出)。其中,上述映射模块可以被配置成根据至少三个目标区域所处的位置,将至少三个目标区域映射到目标地图。上述划分模块可以被配置成在目标地图中,基于至少三个目标区域所属的类别,沿纬线方向划分至少三个目标区域,以及确定划分误差最小的划分线作为目标划分线。上述特征提取模块可以被配置成基于目标划分线和目标机房所处的位置,提取相应的特征。上述网络故障类型确定模块,可以被配置成将提取到的特征输入预先训练的故障分类模型,以确定网络故障的类型。
在本实施例的一些可选的实现方式中,故障分类模型通过如下步骤训练得到:获取样本集,其中,样本包括样本故障数据集合和样本标注信息,样本标注信息用于指示样本故障数据集合对应的网络故障的类型;对于样本集中的样本,基于该样本的样本故障数据集合,提取特征作为该样本的样本特征;将提取特征后的样本集确定为新的样本集;将新的样本集中的样本的样本特征作为预先构建的支持向量机分类模型的输入,将与输入的样本特征对应的样本标注信息作为期望输出,训练得到故障分类模型。
本申请的上述实施例提供的装置,首先通过获取单元501获取至少一条待检测故障数据,而后通过网络连接确定单元502基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常。从而可以通过网络故障类型确定单元503基于至少三个目标区域所属的类别和所处的位置,确定网络故障的类型。
下面参考图6,其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元、网络连接确定单元和网络故障类型确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取至少一条待检测故障数据的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的服务器中所包含的;也可以是单独存在,而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该服务器执行时,使得该服务器:获取至少一条待检测故障数据,其中,待检测故障数据包括至少三个目标区域与对应的目标机房的连接信息;基于至少一条待检测故障数据包括的连接信息集合,确定至少三个目标区域与对应的目标机房的连接是否异常;基于至少三个目标区域所属的类别和所处的位置,确定网络故障的类型,其中,连接异常的目标区域属于第一类别,连接非异常的目标区域属于第二类别,网络故障的类型包括骨干网故障和机房网络故障。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种用于检测网络故障的方法,包括:
获取至少一条待检测故障数据,其中,待检测故障数据包括至少三个目标区域与对应的目标机房的连接信息;
基于所述至少一条待检测故障数据包括的连接信息集合,确定所述至少三个目标区域与对应的目标机房的连接是否异常;
基于所述至少三个目标区域所属的类别和所处的位置,确定网络故障的类型,其中,连接异常的目标区域属于第一类别,连接非异常的目标区域属于第二类别,网络故障的类型包括骨干网故障和机房网络故障。
2.根据权利要求1所述的方法,其中,连接信息包括所述至少三个目标区域与对应的目标机房建立连接的时长;以及
所述基于所述至少一条待检测故障数据包括的连接信息集合,确定所述至少三个目标区域与对应的目标机房的连接是否异常,包括:
对于所述至少三个目标区域中的目标区域,确定表征该目标区域与对应的目标机房建立连接的时长小于或等于预设时长的待检测故障数据的条数作为目标数值;基于目标数值,确定该目标区域与对应的目标机房的连接是否异常。
3.根据权利要求1或2所述的方法,其中,所述基于所述至少三个目标区域所属的类别和所处的位置,确定网络故障的类型,包括:
根据所述至少三个目标区域所处的位置,将所述至少三个目标区域映射到目标地图;
在所述目标地图中,基于所述至少三个目标区域所属的类别,沿纬线方向划分所述至少三个目标区域,以及确定划分误差最小的划分线作为目标划分线;
基于所述目标划分线和目标机房所处的位置,提取相应的特征;
将提取到的特征输入预先训练的故障分类模型,以确定网络故障的类型。
4.根据权利要求3所述的方法,其中,所述故障分类模型通过如下步骤训练得到:
获取样本集,其中,样本包括样本故障数据集合和样本标注信息,样本标注信息用于指示样本故障数据集合对应的网络故障的类型;
对于样本集中的样本,基于该样本的样本故障数据集合,提取特征作为该样本的样本特征;
将提取特征后的样本集确定为新的样本集;
将新的样本集中的样本的样本特征作为预先构建的支持向量机分类模型的输入,将与输入的样本特征对应的样本标注信息作为期望输出,训练得到所述故障分类模型。
5.一种用于检测网络故障的装置,包括:
获取单元,被配置成获取至少一条待检测故障数据,其中,待检测故障数据包括至少三个目标区域与对应的目标机房的连接信息;
网络连接确定单元,被配置成基于所述至少一条待检测故障数据包括的连接信息集合,确定所述至少三个目标区域与对应的目标机房的连接是否异常;
网络故障类型确定单元,被配置成基于所述至少三个目标区域所属的类别和所处的位置,确定网络故障的类型,其中,连接异常的目标区域属于第一类别,连接非异常的目标区域属于第二类别,网络故障的类型包括骨干网故障和机房网络故障。
6.根据权利要求5所述的装置,其中,连接信息包括所述至少三个目标区域与对应的目标机房建立连接的时长;以及
所述网络连接确定单元,进一步被配置成:
对于所述至少三个目标区域中的目标区域,确定表征该目标区域与对应的目标机房建立连接的时长小于或等于预设时长的待检测故障数据的条数作为目标数值;基于目标数值,确定该目标区域与对应的目标机房的连接是否异常。
7.根据权利要求5或6所述的装置,其中,所述网络故障类型确定单元,包括:
映射模块,被配置成根据所述至少三个目标区域所处的位置,将所述至少三个目标区域映射到目标地图;
划分模块,被配置成在所述目标地图中,基于所述至少三个目标区域所属的类别,沿纬线方向划分所述至少三个目标区域,以及确定划分误差最小的划分线作为目标划分线;
特征提取模块,被配置成基于所述目标划分线和目标机房所处的位置,提取相应的特征;
网络故障类型确定模块,被配置成将提取到的特征输入预先训练的故障分类模型,以确定网络故障的类型。
8.根据权利要求7所述的装置,其中,所述故障分类模型通过如下步骤训练得到:
获取样本集,其中,样本包括样本故障数据集合和样本标注信息,样本标注信息用于指示样本故障数据集合对应的网络故障的类型;
对于样本集中的样本,基于该样本的样本故障数据集合,提取特征作为该样本的样本特征;
将提取特征后的样本集确定为新的样本集;
将新的样本集中的样本的样本特征作为预先构建的支持向量机分类模型的输入,将与输入的样本特征对应的样本标注信息作为期望输出,训练得到所述故障分类模型。
9.一种服务器,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810946829.9A CN109088793B (zh) | 2018-08-20 | 2018-08-20 | 用于检测网络故障的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810946829.9A CN109088793B (zh) | 2018-08-20 | 2018-08-20 | 用于检测网络故障的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109088793A true CN109088793A (zh) | 2018-12-25 |
CN109088793B CN109088793B (zh) | 2022-02-25 |
Family
ID=64794028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810946829.9A Active CN109088793B (zh) | 2018-08-20 | 2018-08-20 | 用于检测网络故障的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109088793B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781914A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种设备故障的监控处理方法、装置、设备和存储介质 |
CN114095808A (zh) * | 2020-08-24 | 2022-02-25 | 华为技术有限公司 | 网络故障检测方法、装置、设备及计算机可读存储介质 |
CN115484267A (zh) * | 2022-09-15 | 2022-12-16 | 中国联合网络通信集团有限公司 | 多集群部署处理方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102638375A (zh) * | 2012-04-26 | 2012-08-15 | 北京星网锐捷网络技术有限公司 | 一种网络故障识别方法及装置 |
CN107026761A (zh) * | 2017-05-12 | 2017-08-08 | 网宿科技股份有限公司 | 一种确定告警源的方法及装置 |
CN107231187A (zh) * | 2016-03-24 | 2017-10-03 | 中国移动通信集团陕西有限公司 | 一种传输光缆故障判断方法、装置及终端 |
WO2018044551A1 (en) * | 2016-08-31 | 2018-03-08 | Inspeed Networks, Inc. | Dynamic bandwdith control |
CN107911240A (zh) * | 2017-11-14 | 2018-04-13 | 北京知道创宇信息技术有限公司 | 一种故障检测方法以及装置 |
-
2018
- 2018-08-20 CN CN201810946829.9A patent/CN109088793B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102638375A (zh) * | 2012-04-26 | 2012-08-15 | 北京星网锐捷网络技术有限公司 | 一种网络故障识别方法及装置 |
CN107231187A (zh) * | 2016-03-24 | 2017-10-03 | 中国移动通信集团陕西有限公司 | 一种传输光缆故障判断方法、装置及终端 |
WO2018044551A1 (en) * | 2016-08-31 | 2018-03-08 | Inspeed Networks, Inc. | Dynamic bandwdith control |
CN107026761A (zh) * | 2017-05-12 | 2017-08-08 | 网宿科技股份有限公司 | 一种确定告警源的方法及装置 |
CN107911240A (zh) * | 2017-11-14 | 2018-04-13 | 北京知道创宇信息技术有限公司 | 一种故障检测方法以及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781914A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种设备故障的监控处理方法、装置、设备和存储介质 |
CN110781914B (zh) * | 2019-09-12 | 2024-04-16 | 腾讯科技(深圳)有限公司 | 一种设备故障的监控处理方法、装置、设备和存储介质 |
CN114095808A (zh) * | 2020-08-24 | 2022-02-25 | 华为技术有限公司 | 网络故障检测方法、装置、设备及计算机可读存储介质 |
CN114095808B (zh) * | 2020-08-24 | 2023-04-28 | 华为技术有限公司 | 网络故障检测方法、装置、设备及计算机可读存储介质 |
CN115484267A (zh) * | 2022-09-15 | 2022-12-16 | 中国联合网络通信集团有限公司 | 多集群部署处理方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109088793B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154196B (zh) | 用于输出图像的方法和装置 | |
CN110276272A (zh) | 确认标签人员的同行人员关系的方法、装置、存储介质 | |
CN110414242A (zh) | 用于检测业务逻辑漏洞的方法、装置、设备及介质 | |
CN108880931A (zh) | 用于输出信息的方法和装置 | |
CN108614774A (zh) | 自动化测试方法和装置 | |
CN108831505A (zh) | 用于识别应用的使用场景的方法和装置 | |
CN108171191B (zh) | 用于检测人脸的方法和装置 | |
CN109446990A (zh) | 用于生成信息的方法和装置 | |
CN108900388A (zh) | 用于监控网络质量的方法和设备 | |
CN109472524A (zh) | 信息处理方法和装置 | |
CN109088793A (zh) | 用于检测网络故障的方法和装置 | |
CN108171203A (zh) | 用于识别车辆的方法和装置 | |
CN108958992A (zh) | 测试方法和装置 | |
CN109145828A (zh) | 用于生成视频类别检测模型的方法和装置 | |
CN109086780A (zh) | 用于检测电极片毛刺的方法和装置 | |
CN109634767A (zh) | 用于检测信息的方法和装置 | |
CN110138745A (zh) | 基于数据流序列的异常主机检测方法、装置、设备及介质 | |
CN108768730A (zh) | 用于操作智能网卡的方法和装置 | |
CN108776692A (zh) | 用于处理信息的方法和装置 | |
CN109684180A (zh) | 用于输出信息的方法和装置 | |
CN108520056A (zh) | 业务数据监控方法及装置、系统、可读介质和电子设备 | |
CN109871693A (zh) | 用于检测漏洞的方法和装置 | |
CN109359194A (zh) | 用于预测信息类别的方法和装置 | |
CN108959965A (zh) | 数据合规性审查方法和装置 | |
CN108900319A (zh) | 故障检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |