CN112383934A - 一种5g网络切片下多域协作的服务故障诊断方法 - Google Patents

Abstract

本发明提供一种5G网络切片下多域协作的服务故障诊断方法，所述方法包括从多个域获取症状信息和网络拓扑，并根据症状信息确定症状对应的端到端服务所映射的底层路径；根据网络拓扑，将底层路径划分为域内路径和域间链路；对域内路径和域间链路进行探测，获取疑似故障集；根据疑似故障集和症状信息构建故障传播模型；从疑似故障集选择相同数量的疑似故障构建备选故障集合，在每一备选故障集合计算疑似故障的解释能力并挑选出解释能力最强的疑似故障作为疑似故障集合；计算每一疑似故障集合可能性概率，将可能性概率最大的疑似故障集合所包含的节点作为故障节点。通过本发明，解决了现有多域无法协作定位故障的问题。

Description

一种5G网络切片下多域协作的服务故障诊断方法

技术领域

本发明涉及5G通信技术领域，尤其涉及一种5G网络切片下多域协作的服务故障诊断方法。

背景技术

随着5G网络的快速建设和运营，各种基于5G网络的业务在生产、生活中的应用范围逐渐增加。为提升网络的可靠性，网络虚拟化技术已被应用到5G网络中。这种背景下，已有的网络被划分为底层网络和虚拟网络。底层网络负责底层网络节点和底层网络链路的建设。虚拟网络从底层网络租用网络资源，运行特定的5G业务。当网络资源出现故障后，如何快速准确的进行故障定位，已成为网络运营商急需解决的关键问题。

网络故障诊断算法主要采用被动检测、主动探测两种策略。被动检测的主要优点是实施简单，主要劣势是构建的故障诊断模型准确性较低。主动探测通过预先选择探测策略，能够较好的提升故障诊断算法的性能，但是，探测的设计比较复杂。例如，文献[BRODIEM,RISH I,MA Sheng,et al.Active probing strategies for problem diagnosis indistributed systems[C]//Proceedings of the 18th International JointConference on Artificial Intelligence.Acapulco,Mexico,2003:1337–1338.]采用依赖矩阵来构建探测模型，较好的解决了单点故障的诊断问题。在多层故障诊断问题方面，一般方法是基于网络资源关系，将多层模型化解为两层模型进行求解[OGINO N,KITAHARA T,ARAKAWA S,et al.Decentralized boolean network tomography based on networkpartitioning[C]//Proceedings of 2016IEEE/IFIP Network Operations andManagement Symposium.Istanbul,Terkey,2016:162–170.]。对于5G网络的大规模带来的网络拓扑复杂、故障诊断算法性能低的问题，文献[Srinivasan,Srinikethan Madapuzi,Tram Truong-Huu,et al..Machine Learning-Based Link Fault Identification andLocalization in Complex Networks[J].IEEE Internet of Things Journal,2019,6(4):6556-6566.]采用人工智能算法构建学习模型，较好的解决了大规模环境下故障诊断算法性能低的问题。

已有研究主要解决单个域内的故障定位。但是，当网络规模越来越大时，会出现多个网络运营商共同建设网络和管理网络，从而形成多个管理域。每个域负责本区域内的网络资源分配和故障管理。当虚拟网业务出现故障时，每个域只知道自己内部的故障信息。当域内部不能定位故障时，多个域如何进行协作从而实现故障定位的问题没有被很好的解决。

发明内容

本发明所要解决的技术问题在于，提供一种5G网络切片下多域协作的服务故障诊断方法，用于解决现有的5G网络下多域无法协作定位故障的问题。

本发明提供的一种5G网络切片下多域协作的服务故障诊断方法，所述方法包括：

步骤S11、从多个域获取症状信息和网络拓扑，并根据所述症状信息确定症状对应的端到端服务所映射的底层路径；

步骤S12、根据所述网络拓扑，将所述底层路径划分为域内路径和域间链路；

步骤S13、对所述域内路径和域间链路进行探测，获取疑似故障集，所述疑似故障集包括至少一个疑似故障；

步骤S14、根据所述疑似故障集和症状信息构建故障传播模型，所述故障传播模型包括疑似故障、症状以及疑似故障到症状的有向线；

步骤S15、从所述疑似故障集选择相同数量的疑似故障构建备选故障集合，在每一所述备选故障集合计算疑似故障的解释能力并挑选出解释能力最强的疑似故障作为疑似故障集合，所述相同数量从1至预设同时发生故障数量；

步骤S16、计算每一疑似故障集合可能性概率，将可能性概率最大的疑似故障集合所包含的节点作为故障节点。

进一步地，所述步骤S15中在每一所述备选故障集合计算疑似故障的解释能力包括：

其中，所述

表示m_ik的解释能力，所述m_ik表示备选故障集合，所述i为备选估计集的大小，所述k表示集合的序号；所述Num_A(s)＝1表示与疑似故障对应的症状为异常的数量，所述A(s)＝1表示症状s为异常；所述Num_A(s)＝0表示与疑似故障对应的症状为正常的数量，所述A(s)＝0表示症状s为正常；所述S_o为症状集合，所述x为备选故障集，所述pa(s)表示症状的父节点。

进一步地，所述步骤S16中计算每一疑似故障集合可能性概率具体包括：

求解疑似故障节点X＝{X₁,X₂,...,X_n}的最大可能状态，其中X为疑似故障节点，所述X归属于疑似故障节点集{X₁,X₂,...,X_n}，具体计算公式为：

其中所述X^*为疑似故障节点X＝{X₁,X₂,...,X_n}的最大可能状态，所述P(X_i)为疑似故障节点X_i发生故障的概率，i的最大值为n，所述M表示探测次数，所述n表示节点的数量，T_j表示第j次探测，pa(T_j)表示探测T_j的父节点；

计算每一疑似故障集合可能性概率的公式具体为：

其中所述P(M_i)为每一疑似故障集合可能性概率，M_i表示第i个疑似故障集合，所述T为探测的集合。

实施本发明，具有如下有益效果：

通过本发明，故障管理中心从多个域获取症状信息和网络拓扑，根据症状信息确定症状对应端到端服务所映射的底层路径，将上述底层路径划分成域内路径和域间链路，分别进行丢包测试获得疑似故障集，并从疑似故障集中构建备选故障集合，在每一所述备选故障集合计算疑似故障的解释能力并挑选出最强的疑似故障作为故障集合，通过对每一故障集合可能性概率进行计算，得到最大可能性概率的故障集合所包含的节点作为故障节点，实现了多域协作故障定位快、准确率高以及误报率低；解决了现有多个域不能协作很好实现故障定位的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的5G网络切片下多域协作的服务故障诊断方法的流程图。

图2是本发明实施例提供的多域协作的服务模型示意图。

图3是本发明实施例提供的故障传播模型示意图。

图4是本发明实施例提供的故障诊断的准确率对比图。

图5是本发明实施例提供的故障诊断的误报率对比图。

图6是本发明实施例提供的故障诊断的时长对比图。

具体实施方式

本专利中，以下结合附图和实施例对该具体实施方式做进一步说明。

如图1所示，本发明实施例提供了5G网络切片下多域协作的服务故障诊断方法，所述方法包括：

步骤S11、从多个域获取症状信息和网络拓扑，并根据所述症状信息确定所述症状对应的端到端服务所映射的底层路径。

在网络切片环境下，为区分现有网络与切片后的网络资源，将物理网络资源称为底层网络，将各个切片资源称为虚拟网络。使用无向带权图G^S＝(N^S,E^S)表示底层网络。使用无向带权图G^V＝(N^V,E^V)表示虚拟网络。

和

分别表示底层节点和虚拟节点，

和

分别表示底层链路和虚拟链路。因为虚拟网络由底层网络分配资源，使用Mapping_N:(N^V→N^S,E^V→P^S)表示虚拟网络与底层网络的资源分配关系。其中，N^V→N^S表示底层节点

为虚拟节点

分配资源，E^V→P^S表示底层路径P^S为虚拟链路

分配资源。底层路径P^S是指由多条端到端连接的底层链路

构成的底层链路资源，路径的起始端点和终止端点分别对应虚拟链路两个虚拟节点所映射的底层节点。

当虚拟网覆盖的范围较大时，需要多个域互相协作，才能满足虚拟网的资源需求，步骤S11中所涉及到多个域就是指多个管理域。例如，多个域协作的服务模型包含3个管理域。虚拟网使用这三个管理域的网络资源构建了一个虚拟网络。当虚拟网上的虚拟资源出现故障时，需要三个管理域的相互协作，才能快速定位故障的根源。

各个虚拟网服务商向故障管理中心上报症状信息和网络拓扑，端到端服务

包含多条虚拟路径。由虚拟链路到底层路径的映射E^V→P^S过程可知，端到端服务

包含的底层链路数量较多。为便于描述端到端服务包含的底层链路，需要将端到端服务映射到底层链路。使用

表示虚拟节点

之间的虚拟链路，使用

表示虚拟节点

之间的虚拟路径。

使用链路

表示为

使用

表示底层节点

之间的底层链路，使用

表示底层节点

之间的底层路径。

使用链路

表示为

根据E^V→P^S的关系，将

转换为

如果能够根据症状推断出

中存在的故障，就可以对故障资源进行修复，从而确保服务的质量。但是，当

中包含的底层链路由多个底层网络资源管理域提供时，需要多个管理域相互协作，才能完成故障诊断。考虑到每个管理域可以对自己内部的网络资源的故障情况进行探测，本发明根据管理域的特点，将

划分为管理域内路径

域间链路

的资源。其中，

表示第k个SN_k的入口网关，

表示第k个SN_k的出口网关。对于

应满足

约束。对于

应满足

约束。所以，

可以表示为

步骤S12、根据所述网络拓扑，将所述底层路径划分为域内路径和域间链路。

参考图2，端到端服务(a-b-d-e-g-h)的底层网络可分为：域1中的路径(1-2-3)、域间链路(3-6)、域2的路径(6-7)、域间链路(7-11)和域3中的路径(11-12-14)。

步骤S13、对所述域内路径和域间链路进行探测，获取疑似故障集，所述疑似故障集包括至少一个疑似故障。

在本实施例中，域内路径通过互相发数据包进行探测，对于域间链路，也通过相关的域互相发数据包，获得链路的丢包率，当丢包率大于某个预设阈值，则判定为疑似故障，放入疑似故障集。

步骤S14、根据所述疑似故障集和症状信息构建故障传播模型，所述故障传播模型包括疑似故障、症状以及疑似故障到症状的有向线。

在本实施例中，基于贝叶斯理论构建故障传播模型，从而将获取的症状、疑似故障进行关联，疑似故障到症状的有向线表示底层网络资源发生异常时，该底层网络资源上承载业务的症状状态为负症状时的概率。

需要说明的是，症状是指虚拟网上运行的各种业务的工作状态。症状集合S_o＝{s₁,s₂,...,s_m}表示m个症状s构成的集合，当业务正常运行时，称为正症状，使用s_m＝0表示。当业务不能正常运行时，称为负症状，使用s_m＝1表示。故障是指底层网络资源的工作状态。疑似故障集合X＝{x₁,x₂,...,x_n}表示n个疑似故障x构成的集合。当底层网络资源正常运行时，使用x_n＝0表示。当底层网络资源发生异常时，使用x_n＝1表示。故障到症状的有向线表示底层网络资源发生异常时，该底层网络资源上承载业务的症状状态为负症状时的概率。参考图3，故障x1到症状s1的有向线为0.9，是指底层网络资源发生故障时，业务不能正常运行的概率为0.9，因此本步骤得到的故障传播模型包括疑似故障、症状以及疑似故障到症状的有向线。

步骤S15、从所述疑似故障集选择相同数量的疑似故障构建备选故障集合，在每一所述备选故障集合计算疑似故障的解释能力并挑选出解释能力最强的疑似故障作为故障集合，所述相同数量从1至预设同时发生故障数量。

需要说明的是，从所述疑似故障集选择相同数量的疑似故障构建备选故障集合m_ik，i表示备选故障集合的大小，k表示集合的序号，预设同时发生故障数量Ω；例如疑似故障集包括{x₁,x₂,...,x₅}，预设同时发生故障数量为3，那么首先选1个疑似故障构建的备选故障集包括{x₁,x₂,...,x₅}，然后选择2个疑似故障构建的备选故障集{x₁x₂,x₁x₃,x₁x₄,x₁x₅,x₂x₃,x₂x₄,x₂x₅,x₃x₄,x₃x₅,x₄x₅}，最后选3个疑似故障构成备选故障集{x₁x₂x₃,x₁x₂x₄,x₁x₂x₅,x₁x₃x₄,x₁x₃x₅,x₂x₃x₄,x₂x₃x₅,x₂x₄x₅}；

在每一所述备选故障集合计算疑似故障的解释能力包括：

其中，所述

表示m_ik的解释能力，所述m_ik表示备选故障集合，所述i为备选估计集的大小，所述k表示集合的序号；所述Num_A(s)＝1表示与疑似故障对应的症状为异常的数量，所述A(s)＝1表示症状s为异常；所述Num_A(s)＝0表示与疑似故障对应的症状为正常的数量，所述A(s)＝0表示症状s为正常；所述S_o为症状集合，所述x为备选故障集，所述pa(s)表示症状的父节点。

需要说明的是，症状的父节点就是导致症状的故障节点。

步骤S16、计算每一故障集合可能性概率，将可能性概率最大的故障集合所包含的节点作为故障节点。

具体地，求解疑似故障节点X＝{X₁,X₂,...,X_n}的最大可能状态，其中X为疑似故障节点，所述X归属于疑似故障节点集{X₁,X₂,...,X_n}具体计算公式为：

其中所述X^*为疑似故障节点X＝{X₁,X₂,...,X_n}的最大可能状态，所述P(X_i)为疑似故障节点X_i发生故障的概率，i的最大值为n，疑似故障节点X_i发生故障的概率，i的最大值为n，所述M表示探测次数，所述n表示疑似故障节点的数量，T_j表示第j次探测，pa(T_j)表示探测T_j的父节点；

需要说明的是，根据贝叶斯理论可知，如果已经知道疑似故障节点集中某些节点状态，可以用

公式来求解疑似故障节点X的最大可能状态；pa(T_j)表示探测T_j的父节点，是指探测T_j经过节点pa(T_j)。

计算每一疑似故障集合可能性概率的公式具体为：

其中所述P(M_i)为每一疑似故障集合可能性概率，M_i表示第i个疑似故障集合，所述T为探测的集合。

参考图3、图4和图5，进行本发明实施例的性能分析。

为模拟网络切片环境下的网络拓扑，本发明使用GT-ITM[E.W.Zegura,K.L.Calvert,S.Bhattacharjee.How to model an internetwork[C]//Proceedings ofIEEE INFOCOM,1996.]工具生成底层网络和虚拟网络拓扑，来模拟网络切片的环境。为判断不同网络环境下算法的性能，底层网络的节点规模从100个增加到500个。虚拟网络的虚拟节点数量服从5个到25个的均匀分布，用于模拟不同规模的虚拟网络。底层网络到虚拟网的映射算法使用经典映射算法。为模拟不同的管理域，将根据底层网络节点数量，将底层网络划分为5个管理域。在服务模拟方面，本发明以端到端的服务为研究对象。从虚拟网络中选择10％的虚拟节点作为源节点。对于每个虚拟源节点，随机选择3个节点作为目的节点，使用最短路径算法生成端到端的服务。在故障注入方面，设置底层网络节点的先验故障概率服从[0.001,0.01]的均匀分布，条件概率服从(0,1)的均匀分布。

为分析本发明算法MCSFDA的性能，将其与非协作的服务故障诊断算法(Non-cooperative service fault diagnosis algorithm，NCSFDA)进行比较。与本发明算法不同，算法NCSFDA的各个管理域将网络性能发送管理中心，管理中心根据虚拟网到底层网络的映射关系，直接故障诊断。评价的指标包括故障诊断的准确率、误报率、诊断时长。准确率是指诊断出的故障节点集合在真实的故障节点集合中的占比。准确率越高，说明算法识别出了较多的真实故障，算法性能较好。误报率是指诊断算法识别出的虚假故障在所有识别出的故障中的占比。误报率越高，表明算法把正常网络节点错误的识别为故障节点，性能较差。诊断时长是指算法从输入网络拓扑和服务症状信息后，到输出诊断结果所用的时长。诊断算法的时间越长，表明算法的时间开销越大。

故障诊断的准确率如图4所示，X轴表示网络节点数量从100个增加到500个，用于分析不同网络规模对算法性能的影响。Y轴表示算法的准确率。从图可知，网络规模的大小对两个算法的故障诊断准确率影响较小，说明两个算法的诊断性能与网络拓扑关系不大。从两个算法的准确率比较来说，本算法准确率高。这是因为本发明算法通过多个域管理者协作，可以有效提升故障诊断模型中数据的准确度，从而提升故障诊断的准确率。

故障诊断的误报率比较结果如图5所示。X轴表示网络节点的数量，Y轴表示算法的误报率。从图可知，两个算法的误报率性能与网络规模关系不大。本发明算法的误报率低于传统算法。同样是因为本发明算法的故障诊断模型数据比较准确，从而降低了误报率。

故障诊断的时长比较如图6所示。X轴表示网络节点数量，Y轴表示算法的故障诊断时长。从图可知，随着网络规模的增加，两个算法的诊断时长都在增加。这是因为随着网络规模增加，故障传播模型增大，疑似故障集合也增大，从而需要更多的故障诊断时间。另外，本发明算法的诊断时长增长较快。这是因为相比于传统算法，需要各个域之间协作进行主动定位，所以需要较长的时间开销。

实施本发明，具有如下有益效果：

通过本发明，故障管理中心从多个域获取症状信息和网络拓扑，根据症状信息确定症状对应端到端服务所映射的底层路径，将上述底层路径划分成域内路径和域间链路，分别进行丢包测试获得疑似故障集，并从疑似故障集中构建备选故障集合，在每一所述备选故障集合计算疑似故障的解释能力并挑选出最强的疑似故障作为故障集合，通过对每一故障集合可能性概率进行计算，得到最大可能性概率的故障集合所包含的节点作为故障节点，实现了多域协作故障定位快、准确率高以及误报率低；解决了现有多个域不能协作很好实现故障定位的问题。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (3)

1.一种5G网络切片下多域协作的服务故障诊断方法，其特征在于，所述方法包括：

步骤S11、从多个域获取症状信息和网络拓扑，并根据所述症状信息确定症状对应的端到端服务所映射的底层路径；

步骤S12、根据所述网络拓扑，将所述底层路径划分为域内路径和域间链路；

步骤S13、对所述域内路径和域间链路进行探测，获取疑似故障集，所述疑似故障集包括至少一个疑似故障；

步骤S14、根据所述疑似故障集和症状信息构建故障传播模型，所述故障传播模型包括疑似故障、症状以及疑似故障到症状的有向线；

步骤S15、从所述疑似故障集选择相同数量的疑似故障构建备选故障集合，在每一所述备选故障集合计算疑似故障的解释能力并挑选出解释能力最强的疑似故障作为疑似故障集合，所述相同数量从1至预设同时发生故障数量；

步骤S16、计算每一疑似故障集合可能性概率，将可能性概率最大的疑似故障集合所包含的节点作为故障节点。

2.如权利要求1所述方法，其特征在于，所述步骤S15中在每一所述备选故障集合计算疑似故障的解释能力包括：

Abli_mik＝Num_A(s)＝1+Num_A(s)＝0；

其中，所述

表示m_ik的解释能力，所述m_ik表示备选故障集合，所述i为备选估计集的大小，所述k表示集合的序号；所述Num_A(s)＝1表示与疑似故障对应的症状为异常的数量，所述A(s)＝1表示症状s为异常；所述Num_A(s)＝0表示与疑似故障对应的症状为正常的数量，所述A(s)＝0表示症状s为正常；所述S_o为症状集合，所述x为备选故障集，所述pa(s)表示症状的父节点。

3.如权利要求2所述方法，其特征在于，所述步骤S16中计算每一疑似故障集合可能性概率具体包括：

求解疑似故障节点X＝{X₁,X₂,...,X_n}的最大可能状态，其中X为疑似故障节点，所述X归属于疑似故障节点集{X₁,X₂,...,X_n}，具体计算公式为：

其中所述X^*为所述疑似故障节点的最大可能状态，所述P(X_i)为疑似故障节点X_i发生故障的概率，i的最大值为n，所述M表示探测次数，所述n表示疑似故障节点的数量，T_j表示第j次探测，pa(T_j)表示探测T_j的父节点；

计算每一疑似故障集合可能性概率的公式具体为：

其中所述P(M_i)为每一疑似故障集合可能性概率，M_i表示第i个疑似故障集合，所述T为探测的集合。

Images