CN110601909A - 网络维护方法、装置、计算机设备和存储介质 - Google Patents
网络维护方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110601909A CN110601909A CN201911004889.XA CN201911004889A CN110601909A CN 110601909 A CN110601909 A CN 110601909A CN 201911004889 A CN201911004889 A CN 201911004889A CN 110601909 A CN110601909 A CN 110601909A
- Authority
- CN
- China
- Prior art keywords
- communication network
- network
- target communication
- simulation
- fault
- 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
- 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
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及一种网络维护方法、装置、计算机设备和存储介质。首先，获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，该目标通信网络中包括多个节点设备；接着，将该流量数据集合输入至故障判别神经网络模型中，获取该故障判别神经网络模型输出的概率信息，该概率信息用于指示该目标通信网络出现故障的概率；最后，当根据该概率信息确定该目标通信网络出现故障时，对该目标通信网络进行维护。本申请提供的网络维护方法可以加快对目标通信网络故障的判别。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种网络维护方法、装置、计算机设备和存储介质。
背景技术
随着移动互联网的高速发展，人们工作生活越来越离不开网络。网络的稳定性为人们获得服务提供了基本保证，因此如何快速对网络故障进行识别是十分重要的。
相关技术中，网络故障识别的准确性取决于所使用的算法和获取的网络状态，网络状态数据可以通过主动探测方法获得。在主动探测方法中，通过在网络中额外部署多个探测端点或探测中间点，在这些探测端点或探测中间点注入附加的控制分组，给这些附加的控制分组贴上时间标签，用来测量两个特定节点之间的延迟，根据该延迟时间可以识别网络故障。
然而，主动探测方法注入了额外的探测点，增加了通信开销，从而增加了网络故障识别的等待时间，因而，难以快速对网络故障进行识别。
发明内容
基于此，有必要针对上述技术问题，提供一种能够快速对网络故障进行识别的网络维护方法、装置、计算机设备和存储介质。
第一方面，提供了一种网络维护方法，该方法包括：
获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，该目标通信网络中包括多个节点设备；
将该流量数据集合输入至故障判别神经网络模型中，获取该故障判别神经网络模型输出的概率信息，该概率信息用于指示该目标通信网络出现故障的概率；
当根据该概率信息确定该目标通信网络出现故障时，对该目标通信网络进行维护。
在其中一个实施例中，获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，包括：
根据软件定义网络SDN流表获取该目标通信网络中每个节点设备的网络转发状态；
根据该目标通信网络中每个节点设备的网络转发状态获取该目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据。
在其中一个实施例中，该故障判别神经网络模型包括两个卷积层、两个池化层、一个全连接层以及一个分类输出层。
在其中一个实施例中，该卷积层的神经元个数为n(n-1)/2个；该池化层采用2*2的最大值池化；该全连接层的神经元个数为1000个；该分类输出层采用2分类，n为目标通信网络的节点设备个数。
在其中一个实施例中，该方法还包括：
构建模拟通信网络，该模拟通信网络的拓扑结构与该目标通信网络的拓扑结构相同；
获取根据该模拟通信网络得到的多个模拟流量数据集合；
根据该多个模拟流量数据集合对初始故障判别神经网络模型进行训练，得到训练后的该故障判别神经网络模型。
在其中一个实施例中，获取根据该模拟通信网络得到的多个模拟流量数据集合，包括：
在该模拟通信网络中随机生成多个网络正常状态下的第一模拟流量数据集合，每个该第一模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据；
在该模拟通信网络中随机生成多个网络故障状态下的第二模拟流量数据集合，每个该第二模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据。
在其中一个实施例中，获取根据该模拟通信网络得到的多个模拟流量数据集合，包括：
利用iperf3网络测试工具获取该模拟通信网络的多个该模拟流量数据集合。
第二方面，提供了一种网络维护装置，该装置包括：
第一获取模块，用于获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，该目标通信网络中包括多个节点设备；
输入模块，用于将该流量数据集合输入至故障判别神经网络模型中，获取该故障判别神经网络模型输出的概率信息，该概率信息用于指示该目标通信网络出现故障的概率；
维护模块，用于当根据该概率信息确定该目标通信网络出现故障时，对该目标通信网络进行维护。
在其中一个实施例中，该第一获取模块用于：
根据软件定义网络SDN流表获取该目标通信网络中每个节点设备的网络转发状态；
根据该目标通信网络中每个节点设备的网络转发状态获取该目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据。
在其中一个实施例中，故障判别神经网络模型包括两个卷积层、两个池化层、一个全连接层以及一个分类输出层。
在其中一个实施例中，该卷积层的神经元个数为n(n-1)/2个；该池化层采用2*2的最大值池化；该全连接层的神经元个数为1000个；该分类输出层采用2分类，n为目标通信网络的节点设备个数。
在其中一个实施例中，该装置还包括构建模块，该构建模块用于：
构建模拟通信网络，该模拟通信网络的拓扑结构与该目标通信网络的拓扑结构相同；
该装置还包括第二获取模块，该第二获取模块用于：
获取根据该模拟通信网络得到的多个模拟流量数据集合；
该装置还包括训练模块，该训练模块用于：
根据该多个模拟流量数据集合对初始故障判别神经网络模型进行训练，得到训练后的该故障判别神经网络模型。
在其中一个实施例中，该第二获取模块还用于：
在该模拟通信网络中随机生成多个网络正常状态下的第一模拟流量数据集合，每个该第一模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据；
在该模拟通信网络中随机生成多个网络故障状态下的第二模拟流量数据集合，每个该第二模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据。
在其中一个实施例中，该第二获取模块还用于：
利用iperf3网络测试工具获取该模拟通信网络的多个该模拟流量数据集合。
第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该计算机程序被该处理器执行时实现上述第一方面任一该的网络维护方法。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面任一该的网络维护方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供了一种网络维护方法，可以解决相关技术存在的问题。在该网络维护方法中，首先，获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，该目标通信网络中包括多个节点设备；接着，将该流量数据集合输入至故障判别神经网络模型中，获取该故障判别神经网络模型输出的概率信息，该概率信息用于指示该目标通信网络出现故障的概率；最后，当根据该概率信息确定该目标通信网络出现故障时，对该目标通信网络进行维护。可以将流量数据集合输入至故障判别神经网络模型中，故障判别神经网络模型可以直接输出目标通信网络出现故障的概率信息，进而，可以根据该概率信息对网络进行维护，无需在目标通信网络中额外部署多个探测端点或探测中间点，从而，减少了对目标通信网络故障判别的等待时间，因此，可以加快对目标通信网络故障的判别。
附图说明
图1为一个实施例中网络维护方法的应用环境图；
图2为一个实施例中网络维护方法的流程示意图；
图3为另一个实施例中网络维护方法的流程示意图；
图4为另一个实施例中网络维护方法的流程示意图；
图5为另一个实施例中网络维护方法的流程示意图；
图6为一个实施例中网络维护装置的结构框图；
图7为另一个实施例中网络维护装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为本申请实施例提供的一种应用环境的示意图。该应用环境可以包括控制器101和目标通信网络102，其中，目标通信网络102包括多个通信设备，所谓通信设备指的是具有数据传输功能的电子设备，其中，该通信设备都可以为交换机或者服务器等。
其中，多个通信设备之间可以通过有线或无线的方式建立通信连接；控制器101与目标通信网络102中的多个通信设备可以通过有线或无线的方式建立通信连接；控制器101用于对目标通信网络102进行监控；控制器101可以用独立的控制器或者是多个控制器组成的控制器集群来实现。
在一个实施例中，如图2所示，提供了一种网络维护方法，以该方法应用于图1中的控制器为例进行说明，包括以下步骤：
步骤201，控制器获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，该目标通信网络中包括多个节点设备。
其中，目标通信网络可以是需要进行监测的网络；节点设备可以是通信设备，例如，该通信设备可以为交换机或者服务器；流量数据可以是任意两个交换机或者服务器之间传输的数据量的大小。
在其中一个实施方式中，该目标通信网络可能存在建立有通信连接的多对节点设备，这其中建立有通信连接的任意两个节点设备之间的流量数据是通过控制器获取的；控制器作为目标通信网络的核心设备可以对整个目标通信网络进行监控，其中，控制器可以下发流表到各个节点设备，各个节点设备可以根据流表对数据包进行转发，也即是，控制器下发的流表可以指示节点设备在接收数据之后如何将该数据转发至下一个节点设备，该流表也包含了所需要转发数据的数据量的大小。
由于控制器可以对整个目标通信网络进行监控，因此，可以对目标通信网络中的多个节点设备如何转发数据进行管理，在转发数据的过程中，可以得到从一个节点设备转发数据到另一个节点设备的流量数据，从而，可以得到多个任意两个节点设备之间的流量数据，进而，得到了流量数据集合。
步骤202，控制器将该流量数据集合输入至故障判别神经网络模型中，获取该故障判别神经网络模型输出的概率信息，该概率信息用于指示该目标通信网络出现故障的概率。
其中，故障判别神经网络模型指的是可以对目标网络进行故障判别的网络模型，该网络模型是神经网络模型，神经网络模型是一种模仿生物神经网络的结构和功能的数学模型或者计算模型；概率信息指的是表示某件事发生的可能性大小的一个量；通常情况下，把必然发生的事件的概率定为1，把不可能发生的事件的概率定为0，而一般随机事件的概率是介于0与1之间的一个数；在其中一个实施方式中，该概率信息可以是目标通信网络出现故障的可能性的大小。
在将流量数据集合输入至故障判别神经网络模型中，接着，利用故障判别神经网络模型对流量数据进行分析，在分析之后，该故障判别神经网络可以输出目标通信网络出现故障的概率信息，然后，控制器可以获取该故障判别神经网络的概率信息。
步骤203，当根据该概率信息确定该目标通信网络出现故障时，控制器对该目标通信网络进行维护。
控制器在获取概率信息后，可以根据该概率信息确定目标通信网络是否出现故障，若目标通信网络出现故障，则控制器可以对目标通信网络进行维护。示例性地，当控制器获取的概率为1/4，则该目标网络出现故障的概率为1/4，则说明该目标通信网络出现故障，控制器需要对该目标通信网络进行维护。
在本实施例提供的网络维护方法中，首先，获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，该目标通信网络中包括多个节点设备；接着，将该流量数据集合输入至故障判别神经网络模型中，获取该故障判别神经网络模型输出的概率信息，该概率信息用于指示该目标通信网络出现故障的概率；最后，当根据该概率信息确定该目标通信网络出现故障时，对该目标通信网络进行维护。可以将流量数据集合输入至故障判别神经网络模型中，故障判别神经网络模型可以直接输出目标通信网络出现故障的概率信息，进而，可以根据该概率信息对网络进行维护，无需在目标通信网络中额外部署多个探测端点或探测中间点，从而，减少了对目标通信网络故障判别的等待时间，因此，可以加快对目标通信网络故障的判别。
在其中一个实施例中，如图3所示，提出一种获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据的方法，包括：
步骤301，控制器根据软件定义网络SDN流表获取该目标通信网络中每个节点设备的网络转发状态。
其中，软件定义网络(Software Defined Network,SDN)是一种新型网络创新架构，其核心技术OpenFlow通过将网络设备控制面与数据面分离开来，从而实现了网络流量的灵活控制，为核心网络及应用的创新提供了良好的平台；SDN流表中有多个流表项，每个流表项包括匹配字段、优先级、计数器、指令、超时等。
匹配字段用于对数据包匹配，包括入端口和数据包头；优先级用于表征流表项的匹配次序；计数器用于指示数据包匹配时更新计数；指令用于修改行动集或流水线处理；超时指的是最大时间计数值或流在交换机中失效之前的剩余时间。
SDN流表根据匹配字段可以获取到目标通信网络中每个节点设备的网络转发状态。
步骤302，控制器根据该目标通信网络中每个节点设备的网络转发状态获取该目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据。
根据目标通信网络中每个节点设备的网络转发状态，控制器可以直接获取到该目标网络中建立有通信连接的任意两个节点设备之间的流量数据。
在本实施例提供的网络维护方法中，通过软件定义网络SDN流表可以获取目标通信网络中每个节点设备的网络转发状态，再根据该网络转发状态可以获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，为得到流量数据集合提供了数据支持。
在其中一个实施例中，该故障判别神经网络模型包括两个卷积层、两个池化层、一个全连接层以及一个分类输出层。
该故障判别神经网络模型的层次顺序为：卷积层、池化层、卷积层、池化层、全连接层、分类输出层。
其中，卷积层用于特征提取，在其中一个实施方式中，第一个卷积层可能只能提取一些低级的特征，第二个的卷积层能够从低级特征中迭代提取更复杂的特征。
池化层实际上是一种形式的降采样，池化层可以对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，进一步提取主要特征。
全连接层用于将多次卷积和池化后的图像展开进行全连接，全连接可以得到高度提纯的特征，更方便将该特征交给分类器。也即是，全连接层可以连接所有的特征，将输出值送给分类器，例如，softmax分类器。
分类输出层用于对结果进行分类。
在本实施例提供的网络维护方法中，经过卷积层、池化层、全连接层以及分类输出层之后，可以得到目标通信网络出现故障的概率信息。
在其中一个实施例中，卷积层的神经元个数为n(n-1)/2个；该池化层采用2*2的最大值池化；该全连接层的神经元个数为1000个；该分类输出层采用2分类，n为节点设备个数。
其中，n为目标通信网络的节点设备个数；神经元是神经网络中最基本的结构，也可以说是神经网络的基本单元。
由于在卷积层之后会得到维度很大的特征，因此采用池化层，也就是需要将图像分割成不同的区域，然后对该区域的每个部分执行一些操作。例如，对于最大值池化，可以从每个区域中选择一个最大值，并将其放在输出中相应的位置。在本实施方式中，2*2指的是将图像分割成2*2的小区域。
由于本实施方式中需要得到的结果是目标通信网络出现故障的概率，显然地，目标通信网络只能有出现故障或者未出现故障这两种情况，因此，该分类输出层为2分类。
在本实施例提供的网络维护方法中，对故障判别神经网络模型的各层所涉及的数据进行设定，进一步为故障判别神经网络模型提供数据支持。
在其中一个实施例中，如图4所示，该方法还包括：
步骤401，构建模拟通信网络，该模拟通信网络的拓扑结构与该目标通信网络的拓扑结构相同。
其中，模拟通信网络用于获取模拟流量数据集合；拓扑结构指的是目标通信网络中各个节点设备相互连接的形式；当前，最主要的拓扑类型有总线型拓扑、星形拓扑、环形拓扑、树形拓扑。
步骤402，获取根据该模拟通信网络得到的多个模拟流量数据集合。
其中，模拟流量数据集合指的是模拟通信网络的流量数据所组成的集合。
在构建模拟通信网络之后，控制器可以获取模拟流量数据集合，该模拟流量数据集合的获取方法与从目标通信网络得到流量数据集合的方法是相同的。
模拟通信网络中包括多个节点设备，该节点设备是虚拟出来的节点设备，不是真实存在的；该模拟通信网络可能存在建立有通信连接的多对节点设备，这其中建立有通信连接的任意两个节点设备之间的流量数据是通过控制器获取的；控制器作为模拟通信网络的核心设备可以对整个模拟通信网络进行监控，其中，控制器可以下发流表到各个节点设备，各个节点设备可以根据流表对数据包进行转发，也即是，控制器下发的流表可以指示节点设备在接收数据之后如何将该数据转发至下一个节点设备，该流表也包含了所需要转发数据的数据量的大小。
由于控制器可以对整个模拟通信网络进行监控，因此，控制器可以对模拟通信网络中的多个节点设备如何转发数据进行管理，在转发数据的过程中，可以得到从一个节点设备转发数据到另一个节点设备的流量数据，从而，可以得到多个任意两个节点设备之间的模拟流量数据，进而，得到了多个模拟流量数据集合。
步骤403，根据该多个模拟流量数据集合对初始故障判别神经网络模型进行训练，得到训练后的该故障判别神经网络模型。
将多个模拟流量数据集合作为训练样本放入初始故障判别神经网络进行训练，需要对数据进行归一化处理，可以设置训练轮数、定义损失函数等，也可以采用类似手写数字识别的经典训练方法获取网络权重w和偏执b，控制器可以得到训练后的故障判别神经网络模型。
在本实施例提供的网络维护方法中，通过构建模拟通信网络，可以得到多个模拟流量数据集合，进而，可以对初始判别神经网络模型进行训练，最后得到训练后的故障判别神经网络模型，根据该训练后的故障判别神经网络模型，从而，可以分析目标通信网络出现故障的概率信息。
在其中一个实施例中，如图5所示，提出了一种获取根据该模拟通信网络得到的多个模拟流量数据集合的方法，包括：
步骤501，在该模拟通信网络中随机生成多个网络正常状态下的第一模拟流量数据集合，每个该第一模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据。
在模拟通信网络中可以随机生成多个网络正常状态下的第一模拟流量数据集合，示例性地，随机生成一组第一模拟流量数据集合TK＝{t1t2,t2t3,…,t1tn,…,titj,…,tn- 1tn}，并且根据该第一模拟流量数据集合对应了当前模拟通信网络的状态，此时，该状态为正常状态，记为YK＝1；其中，TK表示为一组网络正常状态下的第一模拟流量数据集合，titj表示为模拟通信网络中节点设备ti与节点设备tj之间的流量数据，i<j≤n，n为节点设备个数。
通过该方法，可以生成多个网络正常状态下的第一模拟流量数据集合。
步骤502，在该模拟通信网络中随机生成多个网络故障状态下的第二模拟流量数据集合，每个该第二模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据。
在模拟通信网络中可以随机生成多个网络故障状态下的第二模拟流量数据集合，示例性地，随机生成一组第二模拟流量数据集合Tl＝{t1t2,t2t3,…,t1tn,…,titj,…,tn- 1tn}，并且根据该第二模拟流量数据集合对应了当前模拟通信网络的状态，此时，该状态为故障状态，记为Yl＝-1；其中，TK表示为一组网络故障状态下的第二模拟流量数据集合，titj表示为模拟通信网络中节点设备ti与节点设备tj之间的流量数据，i<j≤n，n为节点设备个数。
通过该方法，可以生成多个网络故障状态下的第二模拟流量数据集合。
在本实施例提供的网络维护方法中，通过在模拟通信网络中随机生成多个网络正常状态下的第一模拟流量数据集合以及多个网络故障状态下的第二模拟流量数据集合，可以将上述流量数据集合放入初始故障判别神经网络模型中进行训练，进而得到训练后的故障判别神经网络模型。
在其中一个实施例中，获取根据该模拟通信网络得到的多个模拟流量数据集合，包括：
利用iperf3网络测试工具获取该模拟通信网络的多个该模拟流量数据集合。
Iperf3是一个网络性能测试工具。该网络性能测试工具可以测试最大传输控制协议(Transmission Control Protocol,TCP)的带宽性能和数据报协议(User DatagramProtocol，UDP)的带宽性能，其具有多种参数和UDP特性，可以根据需要进行调整，也可以测试延迟抖动和数据包丢失。
利用Iperf3网络测试工具可以直接获取到模拟通信网络的多个模拟流量数据集合，在得到该模拟流量数据集合之后，进而可以对初始故障判别神经网络模型进行训练。
在本实施例提供的网络维护方法中，利用Iperf3网络测试工具可以直接获取模拟通信网络的多个模拟流量数据集合，使用该网络测试工具可以更方便的获取所需要的多个模拟流量数据集合。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种网络维护装置600，包括：第一获取模块601、输入模块602和维护模块603，其中：
第一获取模块601，用于获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，该目标通信网络中包括多个节点设备；
输入模块602，用于将该流量数据集合输入至故障判别神经网络模型中，获取该故障判别神经网络模型输出的概率信息，该概率信息用于指示该目标通信网络出现故障的概率；
维护模块603，用于当根据该概率信息确定该目标通信网络出现故障时，对该目标通信网络进行维护。
在其中一个实施例中，第一获取模块601用于：
根据软件定义网络SDN流表获取该目标通信网络中每个节点设备的网络转发状态；
根据该目标通信网络中每个节点设备的网络转发状态获取该目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据。
在其中一个实施例中，该故障判别神经网络模型包括两个卷积层、两个池化层、一个全连接层以及一个分类输出层。
在其中一个实施例中，该卷积层的神经元个数为n(n-1)/2个；该池化层采用2*2的最大值池化；该全连接层的神经元个数为1000个；该分类输出层采用2分类，n为目标通信网络的节点设备个数。
请参考图7，本申请实施例还提供了另一种网络维护装置700，该网络维护装置700除了包括网络维护装置600的各模块外，可选的，该网络维护装置700还包括构建模块604、第二获取模块605和训练模块606。
在其中一个实施例中，该装置600还包括构建模块604，该构建模块604用于：
构建模拟通信网络，该模拟通信网络的拓扑结构与该目标通信网络的拓扑结构相同；
该装置600还包括第二获取模块605，该第二获取模块605用于：
获取根据该模拟通信网络得到的多个模拟流量数据集合；
该装置600还包括训练模块606，该训练模块606用于：
根据该多个模拟流量数据集合对初始故障判别神经网络模型进行训练，得到训练后的该故障判别神经网络模型。
在其中一个实施例中，该第二获取模块605还用于：
在该模拟通信网络中随机生成多个网络正常状态下的第一模拟流量数据集合，每个该第一模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据；
在该模拟通信网络中随机生成多个网络故障状态下的第二模拟流量数据集合，每个该第二模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据。
在其中一个实施例中，该第二获取模块605还用于：
利用iperf3网络测试工具获取该模拟通信网络的多个该模拟流量数据集合。
关于网络维护装置的具体限定可以参见上文中对于网络维护方法的限定，在此不再赘述。上述网络维护装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是控制器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、网络接口、操作码译码器、时序电路和指令计数器。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括指令寄存器，该指令寄存器用于存放正在执行的指令；指令分成操作码和地址码两部分；操作码用于指示指令的操作性质，如加法、减法等；地址码给出本条指令的操作数地址或形成操作数地址的有关信息。操作码译码器用于对指令的操作码进行译码，产生相应的控制电平，完成分析指令的功能。时序电路用于产生时间标志信号。指令计数器用于形成下一条要执行的指令的地址。通常，指令是顺序执行的，而指令在存储器中是顺序存放的。该计算机设备的网络接口用于与外部的网络设备通过网络连接通信。该计算机程序被处理器执行时以实现一种网络维护方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，该目标通信网络中包括多个节点设备；
将该流量数据集合输入至故障判别神经网络模型中，获取该故障判别神经网络模型输出的概率信息，该概率信息用于指示该目标通信网络出现故障的概率；
当根据该概率信息确定该目标通信网络出现故障时，对该目标通信网络进行维护。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据软件定义网络SDN流表获取该目标通信网络中每个节点设备的网络转发状态；
根据该目标通信网络中每个节点设备的网络转发状态获取该目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
该故障判别神经网络模型包括两个卷积层、两个池化层、一个全连接层以及一个分类输出层。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
该卷积层的神经元个数为n(n-1)/2个；该池化层采用2*2的最大值池化；该全连接层的神经元个数为1000个；该分类输出层采用2分类，n为目标通信网络的节点设备个数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
构建模拟通信网络，该模拟通信网络的拓扑结构与该目标通信网络的拓扑结构相同；
获取根据该模拟通信网络得到的多个模拟流量数据集合；
根据该多个模拟流量数据集合对初始故障判别神经网络模型进行训练，得到训练后的该故障判别神经网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在该模拟通信网络中随机生成多个网络正常状态下的第一模拟流量数据集合，每个该第一模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据；
在该模拟通信网络中随机生成多个网络故障状态下的第二模拟流量数据集合，每个该第二模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
利用iperf3网络测试工具获取该模拟通信网络的多个该模拟流量数据集合。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，该目标通信网络中包括多个节点设备；
将该流量数据集合输入至故障判别神经网络模型中，获取该故障判别神经网络模型输出的概率信息，该概率信息用于指示该目标通信网络出现故障的概率；
当根据该概率信息确定该目标通信网络出现故障时，对该目标通信网络进行维护。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据软件定义网络SDN流表获取该目标通信网络中每个节点设备的网络转发状态；
根据该目标通信网络中每个节点设备的网络转发状态获取该目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
该故障判别神经网络模型包括两个卷积层、两个池化层、一个全连接层以及一个分类输出层。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
该卷积层的神经元个数为n(n-1)/2个；该池化层采用2*2的最大值池化；该全连接层的神经元个数为1000个；该分类输出层采用2分类，n为目标通信网络的节点设备个数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
构建模拟通信网络，该模拟通信网络的拓扑结构与该目标通信网络的拓扑结构相同；
获取根据该模拟通信网络得到的多个模拟流量数据集合；
根据该多个模拟流量数据集合对初始故障判别神经网络模型进行训练，得到训练后的该故障判别神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在该模拟通信网络中随机生成多个网络正常状态下的第一模拟流量数据集合，每个该第一模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据；
在该模拟通信网络中随机生成多个网络故障状态下的第二模拟流量数据集合，每个该第二模拟流量数据集合包括该模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
利用iperf3网络测试工具获取该模拟通信网络的多个该模拟流量数据集合。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种网络维护方法，其特征在于，所述方法包括：
获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，所述目标通信网络中包括多个节点设备；
将所述流量数据集合输入至故障判别神经网络模型中，获取所述故障判别神经网络模型输出的概率信息，所述概率信息用于指示所述目标通信网络出现故障的概率；
当根据所述概率信息确定所述目标通信网络出现故障时，对所述目标通信网络进行维护。
2.根据权利要求1所述的方法，其特征在于，所述获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，包括：
根据软件定义网络SDN流表获取所述目标通信网络中每个节点设备的网络转发状态；
根据所述目标通信网络中每个节点设备的网络转发状态获取所述目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据。
3.根据权利要求1所述的方法，其特征在于，所述故障判别神经网络模型包括两个卷积层、两个池化层、一个全连接层以及一个分类输出层。
4.根据权利要求3所述的方法，其特征在于，所述卷积层的神经元个数为n(n-1)/2个；所述池化层采用2*2的最大值池化；所述全连接层的神经元个数为1000个；所述分类输出层采用2分类，n为所述目标通信网络的节点设备个数。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建模拟通信网络，所述模拟通信网络的拓扑结构与所述目标通信网络的拓扑结构相同；
获取根据所述模拟通信网络得到的多个模拟流量数据集合；
根据所述多个模拟流量数据集合对初始故障判别神经网络模型进行训练，得到训练后的所述故障判别神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述获取根据所述模拟通信网络得到的多个模拟流量数据集合，包括：
在所述模拟通信网络中随机生成多个网络正常状态下的第一模拟流量数据集合，每个所述第一模拟流量数据集合包括所述模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据；
在所述模拟通信网络中随机生成多个网络故障状态下的第二模拟流量数据集合，每个所述第二模拟流量数据集合包括所述模拟通信网络中建立有模拟连接的任意两个节点设备之间的流量数据。
7.根据权利要求5所述的方法，其特征在于，所述获取根据所述模拟通信网络得到的多个模拟流量数据集合，包括：
利用iperf3网络测试工具获取所述模拟通信网络的多个所述模拟流量数据集合。
8.一种网络维护装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标通信网络中建立有通信连接的任意两个节点设备之间的流量数据，得到流量数据集合，所述目标通信网络中包括多个节点设备；
输入模块，用于将所述流量数据集合输入至故障判别神经网络模型中，获取所述故障判别神经网络模型输出的概率信息，所述概率信息用于指示所述目标通信网络出现故障的概率；
维护模块，用于当根据所述概率信息确定所述目标通信网络出现故障时，对所述目标通信网络进行维护。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911004889.XA CN110601909B (zh) | 2019-10-22 | 2019-10-22 | 网络维护方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911004889.XA CN110601909B (zh) | 2019-10-22 | 2019-10-22 | 网络维护方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110601909A true CN110601909A (zh) | 2019-12-20 |
| CN110601909B CN110601909B (zh) | 2022-02-25 |
Family
ID=68851493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911004889.XA Active CN110601909B (zh) | 2019-10-22 | 2019-10-22 | 网络维护方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110601909B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465055A (zh) * | 2020-12-09 | 2021-03-09 | 西安邮电大学 | 一种基于卷积神经网络的网络故障诊断方法 |
| CN113162787A (zh) * | 2020-01-23 | 2021-07-23 | 华为技术有限公司 | 电信网络中故障定位的方法、节点分类方法以及相关设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160112275A1 (en) * | 2014-10-21 | 2016-04-21 | At&T Intellectual Property I, L.P. | Automatic detection and prevention of network overload conditions using sdn |
| CN106470122A (zh) * | 2016-09-20 | 2017-03-01 | 北京汇通金财信息科技有限公司 | 一种网络故障定位方法及装置 |
| CN107171868A (zh) * | 2017-07-04 | 2017-09-15 | 中国联合网络通信集团有限公司 | Sdn网络的故障节点探测方法及其故障节点探测系统 |
| CN108259194A (zh) * | 2016-12-28 | 2018-07-06 | 普天信息技术有限公司 | 网络故障预警方法及装置 |
-
2019
- 2019-10-22 CN CN201911004889.XA patent/CN110601909B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160112275A1 (en) * | 2014-10-21 | 2016-04-21 | At&T Intellectual Property I, L.P. | Automatic detection and prevention of network overload conditions using sdn |
| CN106470122A (zh) * | 2016-09-20 | 2017-03-01 | 北京汇通金财信息科技有限公司 | 一种网络故障定位方法及装置 |
| CN108259194A (zh) * | 2016-12-28 | 2018-07-06 | 普天信息技术有限公司 | 网络故障预警方法及装置 |
| CN107171868A (zh) * | 2017-07-04 | 2017-09-15 | 中国联合网络通信集团有限公司 | Sdn网络的故障节点探测方法及其故障节点探测系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113162787A (zh) * | 2020-01-23 | 2021-07-23 | 华为技术有限公司 | 电信网络中故障定位的方法、节点分类方法以及相关设备 |
| CN113162787B (zh) * | 2020-01-23 | 2023-09-29 | 华为技术有限公司 | 电信网络中故障定位的方法、节点分类方法以及相关设备 |
| CN112465055A (zh) * | 2020-12-09 | 2021-03-09 | 西安邮电大学 | 一种基于卷积神经网络的网络故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110601909B (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110995520B (zh) | 网络流量预测方法、装置、计算机设备及可读存储介质 | |
| CN110263916B (zh) | 数据处理方法和装置、存储介质及电子装置 | |
| CN107783840B (zh) | 一种分布式多层深度学习资源分配方法和装置 | |
| CN109246027B (zh) | 一种网络维护的方法、装置和终端设备 | |
| CN110601909B (zh) | 网络维护方法、装置、计算机设备和存储介质 | |
| CN110333987B (zh) | 设备体检报告生成方法、装置、计算机设备和存储介质 | |
| CN112165484B (zh) | 基于深度学习与侧信道分析的网络加密流量识别方法装置 | |
| CN111104242A (zh) | 基于深度学习的操作系统的异常日志的处理方法及装置 | |
| CN109214543B (zh) | 数据处理方法及装置 | |
| CN114945817A (zh) | 基于缺陷检测的任务处理方法、装置及设备及存储介质 | |
| CN112817785A (zh) | 一种微服务系统的异常检测方法及装置 | |
| CN107846402B (zh) | 一种bgp稳定性异常检测方法、装置及电子设备 | |
| CN115439192A (zh) | 医疗商品信息的推送方法及装置、存储介质、计算机设备 | |
| CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
| CN114791927A (zh) | 一种数据分析方法和装置 | |
| CN113537495A (zh) | 基于联邦学习的模型训练系统、方法、装置和计算机设备 | |
| CN112491572B (zh) | 终端之间连接状态的预测方法、装置和分析设备 | |
| CN112367215A (zh) | 基于机器学习的网络流量协议识别方法和装置 | |
| CN110298178A (zh) | 可信策略学习方法及装置、可信安全管理平台 | |
| CN113627464B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN111010306B (zh) | 动态网络告警分析方法、装置、计算机设备及存储介质 | |
| CN111901324B (zh) | 一种基于序列熵流量识别的方法、装置和存储介质 | |
| CN113806204A (zh) | 一种报文字段相关性的评估方法、装置、系统及存储介质 | |
| CN116192997B (zh) | 一种基于网络流的事件检测方法和系统 | |
| CN110599377A (zh) | 在线学习的知识点排序方法和装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200923 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |