CN110572286A - 一种网络设备预警原型系统 - Google Patents

一种网络设备预警原型系统 Download PDF

Info

Publication number
CN110572286A
CN110572286A CN201910831572.7A CN201910831572A CN110572286A CN 110572286 A CN110572286 A CN 110572286A CN 201910831572 A CN201910831572 A CN 201910831572A CN 110572286 A CN110572286 A CN 110572286A
Authority
CN
China
Prior art keywords
data
early warning
model
interface
machine room
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.)
Pending
Application number
CN201910831572.7A
Other languages
English (en)
Inventor
卢晋
仵博
吕利昌
冯延蓬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Polytechnic
Original Assignee
Shenzhen Polytechnic
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Polytechnic filed Critical Shenzhen Polytechnic
Priority to CN201910831572.7A priority Critical patent/CN110572286A/zh
Publication of CN110572286A publication Critical patent/CN110572286A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/547—Remote procedure calls [RPC]; Web services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • 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
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/064—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving time analysis
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/60—Router architectures

Abstract

一种网络设备预警原型系统包括依次电性连接的机房数据采集装置、API接口I/O、数据库存储、时间序列故障预测模型、故障预测GUI界面；时间序列故障预测模型的功能是：通过python语言将当前基于RBM算法的DBN模型进行实现，并调用历史数据进行模型训练；对于训练好的模型，系统会根据现有网络机房的实时数据进行未来一段时间内的时间序列故障预警数据输出；故障预测GUI界面的功能是：通过QT软件开发的系统GUI界面，整个界面中将提取后台模型运行所实现的预警数据，以趋势曲线的形式展示各个设备的时间序列预警情况，并对于近期将出现高风险故障的设备进行红灯展示。本发明应用于智慧校园运维过程中的网络核心路由器管控。

Description

一种网络设备预警原型系统
技术领域
本发明涉及一种基于深度学习算法的核心路由器故障预测方法，并根据该方法提出一种预测原型系统。本发明可以应用于智慧校园运维过程中的网络核心路由器管控，实现智能化的网络设备故障预警。
背景技术
现有的故障时间序列方法主要采用统计类方法，包括SSA算法、ARIMA算法、支持向量回归机等。以上算法通过梳理历史故障数据集合，应用相应算法生成故障模型。通过在分析系统中应用故障模型，实现对于现有系统的故障预测。
现有的故障时间序列所提到的三种算法只能对序列中的某一种参数进行预测(例如ARIMA适合进行故障趋势分析，SSA更多用于残差预测，)，不能单独用于数据完整建模。
因此在实际应用中，通常将三种算法进行组合实现，根据所分析系统的故障特点，进行不同组合，实现预测结果的最优化。但是统计类组合方法存在着大量问题：
1.不同算法构建过程复杂，依赖大量的人工参与试验；
2.由不同的统计类算法构成的系统拟合度差，生成的模型非线性程度高，不适合实际使用。
发明内容
本发明要解决的技术问题在于：提出一种网络设备预警原型系统。
为了解决上述技术问题，本发明提出下列技术方案：一种网络设备预警原型系统包括依次电性连接的机房数据采集装置、API接口I/O、数据库存储、时间序列故障预测模型、故障预测GUI界面；
机房数据采集装置的功能是：用于采集网络机房中核心交换的设备相关数据，包括网络流量、端口反压、异常中断、设备使用年限等设备参数，以及机房湿度、机房温度等环境参数；
API接口I/O的功能是：实现软件系统与机房数据采集装置之间的数据IO对接，将各类环境参数以指定协议格式通过API接口发送给软件系统一侧；
数据库存储的功能是：用于整个系统的数据存储，以表项的格式对于系统的上行、下行数据进行集中式管理；
时间序列故障预测模型的功能是：通过python语言将当前基于RBM算法的DBN模型进行实现，并调用历史数据进行模型训练；对于训练好的模型，系统会根据现有网络机房的实时数据进行未来一段时间内的时间序列故障预警数据输出；
故障预测GUI界面的功能是：通过QT软件开发的系统GUI界面，整个界面中将提取后台模型运行所实现的预警数据，以趋势曲线的形式展示各个设备的时间序列预警情况，并对于近期将出现高风险故障的设备进行红灯展示，以实现对于整个核心机房路由器设备的故障预警。
与现有技术相比，本发明具有下列有益效果：本发明提出的一种网络设备预警原型系统，使用单一深度学习算法，模型构建简单耦合性强，并能够实现输入参数的自动分类，同步实现网络设备的故障预测，很好的解决了现有统计类时间序列算法的缺陷问题。
附图说明
图1是网络设备预警原型系统示意图。
图2是基于RBM算法的DBN时间序列预测模型。
图3是RMB策略架构图。
图4是改进型的DBN模型架构。
具体实施方式
请参阅图1，一种网络设备预警原型系统，包括依次电性连接的机房数据采集装置1、API接口I/O 2、数据库存储3、时间序列故障预测模型4、故障预测GUI界面5。
机房数据采集装置1的功能是：用于采集网络机房100中核心交换的设备相关数据，包括网络流量、端口反压、异常中断、设备使用年限等设备参数，以及机房湿度、机房温度等环境参数。
API接口I/O 2的功能是：实现软件系统与机房数据采集装置1之间的数据IO对接，将各类环境参数以指定协议格式通过API接口发送给软件系统一侧。
数据库存储3的功能是：用于整个系统的数据存储，以表项的格式对于系统的上行、下行数据进行集中式管理。
时间序列故障预测模型4的功能是：通过python语言将当前基于RBM算法的DBN模型进行实现，并调用历史数据进行模型训练；对于训练好的模型，系统会根据现有网络机房100的实时数据进行未来一段时间内的时间序列故障预警数据输出。
故障预测GUI界面5的功能是：通过QT软件开发的系统GUI界面，整个界面中将提取后台模型运行所实现的预警数据，以趋势曲线的形式展示各个设备的时间序列预警情况，并对于近期将出现高风险故障的设备进行红灯展示，以实现对于整个核心机房路由器设备的故障预警。
本发明提出一种基于时间序列深度神经网络的核心路由器故障预测方法，该方法基于改进型的RBM算法，构建一种DBN模型进行智能装备的时间序列故障预测。
如图2所示，本发明引入DBN模型，结合现有的RBM算法在分类问题研究中的优势，构建一种改进型DBN深度学习模型。在改进的DBN模型中，输入时序数据通过高斯分布进行处理，通过DBN模型半监督的学习方式抽取特征值，并引入softmax分类器进行进一步性能提升，从而最终实现对于核心路由交换设备时间序列故障的预测。
算法说明：
本发明针对校园数据中心的核心路由设备的故障因素，包括网络流量、端口反压、异常中断、机房温度、湿度、硬件使用年限等六种情况进行分类处理，网络设备状态包括状态正常、网络异常、预报警、局部阻塞、完全瘫痪等五种情况。因此按照RBM算法公式，隐含层中与输入层对接的RBM中v层有6个可见单元，而隐含层中与输出层对接的RBM中v层有5个可见单元，中间添加一层RBM实现数据过渡缓存，因此模型中RBM的能量分别是：
以上3个公式，分别代表隐含层一层、中间若干层、最后一层的能量计算。式1、2、3中：vi为可见层单元i的取值；hj是隐含层单元j的取值，取值为0时代表该单元处于未激活状态，取值为1时代表该单元处于激活状态；RBM的参数a、b、W简记为θ，其中a为v层的偏置向量，b为隐含层的偏置向量。基于改进后的RBM的能量联合概率分布可以表示为公式4：
式中：为归一化因子，即配分函数，则P(v|θ)的似然函数可以表示为公式5：
此外，在总结概率公式的基础上，本项目还提出了核心路由设备故障时间序列问题预测的对应的算法RMB策略，具体对应策略如图3所示。
模型介绍：
本模型在处理核心路由设备状态故障时间序列的过程中，将在输入层应用RBM的分类算法，其训练过程主要包括1.通过CD算法完成若干层RBM参数的初始化，2.通过调整θ参数实现网络预判的性能最优。模型系统主干采用DBN模型方式，因此整体架构采用5层方式进行实现[11]：
第一层：输入层，采用softmax算法，首先对数据进行分类处理；
第二层：隐含层，采用RBM的三种优化模型(CRBM、TRBM、GRBM)之一；
第三层：训练层，采用适应性运动估计算法，对隐含层的RBM算法模型进行训练；
第四层：预测层，采用隐含节点的方法进行逐点预测；
第五层：输出层，完成整个模型的预测结果的输出；
根据以上基于改进型DBN算法的时间预测模型设计架构，具体模型架构如下所示，具体如图4所示。
时间序列故障预警方法介绍：
基于改进型DBN模型的时间序列的八步预警方法如下：
a.选取机房核心路由设备故障时序数据，并提取特征变量；
b.对特征变量按照之前架构设计进行softmax算法的数据分类；
c.建立基于分类数据的改进型DBN算法时间序列故障预测模型，其中RBM算法分别使用CRBM、TRBM、GRBM算法进行替换；
d.采用服从高斯分布的较小随机数值对基于分类数据的改进型DBN算法时间序列故障预测模型进行初始化；
e.采用核心路由设备时间序列故障数据通过CD算法对模型中RBM进行初始化训练；
f.根据初始化训练的结果，再次调用BP算法进行预训练；
g.最后在对整体模型的训练结果进行参数微调，实现训练结果最优；
h.采用调优后的时间序列模型进行长期衰老性试验和测试。

Claims (1)

1.一种网络设备预警原型系统，其特征在于，包括依次电性连接的机房数据采集装置、API接口I/O 、数据库存储、时间序列故障预测模型、故障预测GUI界面；
机房数据采集装置的功能是：用于采集网络机房中核心交换的设备相关数据，包括网络流量、端口反压、异常中断、设备使用年限等设备参数，以及机房湿度、机房温度等环境参数；
API接口I/O 的功能是：实现软件系统与机房数据采集装置之间的数据IO对接，将各类环境参数以指定协议格式通过API接口发送给软件系统一侧；
数据库存储的功能是：用于整个系统的数据存储，以表项的格式对于系统的上行、下行数据进行集中式管理；
时间序列故障预测模型的功能是：通过python语言将当前基于RBM算法的DBN模型进行实现，并调用历史数据进行模型训练；对于训练好的模型，系统会根据现有网络机房的实时数据进行未来一段时间内的时间序列故障预警数据输出；
故障预测GUI界面的功能是：通过QT软件开发的系统GUI界面，整个界面中将提取后台模型运行所实现的预警数据，以趋势曲线的形式展示各个设备的时间序列预警情况，并对于近期将出现高风险故障的设备进行红灯展示，以实现对于整个核心机房路由器设备的故障预警。
CN201910831572.7A 2019-09-04 2019-09-04 一种网络设备预警原型系统 Pending CN110572286A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910831572.7A CN110572286A (zh) 2019-09-04 2019-09-04 一种网络设备预警原型系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910831572.7A CN110572286A (zh) 2019-09-04 2019-09-04 一种网络设备预警原型系统

Publications (1)

Publication Number Publication Date
CN110572286A true CN110572286A (zh) 2019-12-13

Family

ID=68777722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910831572.7A Pending CN110572286A (zh) 2019-09-04 2019-09-04 一种网络设备预警原型系统

Country Status (1)

Country Link
CN (1) CN110572286A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113825162A (zh) * 2020-06-19 2021-12-21 中国移动通信集团设计院有限公司 电信网络故障原因定位方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129397A (zh) * 2010-12-29 2011-07-20 深圳市永达电子股份有限公司 一种自适应磁盘阵列故障预测方法及系统
US20150135012A1 (en) * 2013-11-08 2015-05-14 Accenture Global Services Limited Network node failure predictive system
CN110175386A (zh) * 2019-05-21 2019-08-27 陕西科技大学 变电站电气设备温度预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129397A (zh) * 2010-12-29 2011-07-20 深圳市永达电子股份有限公司 一种自适应磁盘阵列故障预测方法及系统
US20150135012A1 (en) * 2013-11-08 2015-05-14 Accenture Global Services Limited Network node failure predictive system
CN110175386A (zh) * 2019-05-21 2019-08-27 陕西科技大学 变电站电气设备温度预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
毛冬: "数据下风电机组发电机故障预警方法的研究", 《万方数据库》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113825162A (zh) * 2020-06-19 2021-12-21 中国移动通信集团设计院有限公司 电信网络故障原因定位方法及装置

Similar Documents

Publication Publication Date Title
US11409347B2 (en) Method, system and storage medium for predicting power load probability density based on deep learning
WO2022099596A1 (zh) 一种面向工业个性化定制生产的自适应学习智能调度统一计算框架及系统
WO2021109578A1 (zh) 业务运维中告警的预测方法、装置与电子设备
CN111652496B (zh) 基于网络安全态势感知系统的运行风险评估方法及装置
CN106168799B (zh) 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
CN106251059B (zh) 一种基于概率神经网络算法的电缆状态评估方法
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN111596604A (zh) 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN110569925B (zh) 应用于电力设备运检的基于lstm的时序异常检测方法
CN108038300A (zh) 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN110837963A (zh) 一种基于数据、模型及策略的风险控制平台建设方法
TWI684139B (zh) 基於自動學習的基地台異常之預測的系統與方法
CN108256482A (zh) 一种基于卷积神经网络进行分布学习的人脸年龄估计方法
CN113746663B (zh) 机理数据双驱动结合的性能劣化故障根因定位方法
CN112862065B (zh) 一种基于多任务图神经网络的电网支路参数辨识方法
CN114553475A (zh) 一种基于网络流量属性有向拓扑的网络攻击检测方法
CN109002855A (zh) 一种基于卷积神经网络的红茶发酵程度的鉴定方法
CN104573329B (zh) 一种电力通信设备备件保障率与最小备件数的估算方法
Zhuang et al. Machine-learning-based alarm prediction with GANs-based self-optimizing data augmentation in large-scale optical transport networks
CN110572286A (zh) 一种网络设备预警原型系统
CN110503326A (zh) 一种基于复杂网络的分层供应链网络的建模方法
CN114387024A (zh) 基于Mamdani算法的电商复购行为的用户分析系统
CN115660293B (zh) 基于数字孪生的复杂机电产品全生命周期综合评价方法
Guo et al. Capturing spatial–temporal correlations with Attention based Graph Convolutional Network for network traffic prediction
CN116094758B (zh) 一种大规模网络流量采集方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213