CN112465055A - 一种基于卷积神经网络的网络故障诊断方法 - Google Patents

一种基于卷积神经网络的网络故障诊断方法 Download PDF

Info

Publication number
CN112465055A
CN112465055A CN202011424752.2A CN202011424752A CN112465055A CN 112465055 A CN112465055 A CN 112465055A CN 202011424752 A CN202011424752 A CN 202011424752A CN 112465055 A CN112465055 A CN 112465055A
Authority
CN
China
Prior art keywords
network
model
image
layer
convolutional neural
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
CN202011424752.2A
Other languages
English (en)
Inventor
王晓梅
李刚
孙韩林
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202011424752.2A priority Critical patent/CN112465055A/zh
Publication of CN112465055A publication Critical patent/CN112465055A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H04L41/0677—Localisation of faults
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于卷积神经网络的网络故障诊断方法，该方法包括：采集并预处理网络出现故障时的流量运行图像，添加标签，生成网络故障图像样本；将网络故障图像样本按比例划分训练和验证样本集；建立卷积神经网络模型，将训练样本集输入模型迭代训练，使用验证样本集验证模型，直至完成训练；将网络流量运行图像预处理后，输入已完成训练的模型，进行网络故障预测。本发明通过生成网络故障图像样本，划分训练和验证样本集，建立卷积神经网络模型，完成模型训练，将网络流量运行图像预处理后，输入已完成训练的模型，进行网络故障预测，解决现有技术依靠网络管理员的经验，排错周期长等问题，为网络故障诊断提供了合理的预测参考。

Description

一种基于卷积神经网络的网络故障诊断方法
技术领域
本发明涉及网络故障诊断技术领域，尤其涉及一种基于卷积神经网络的网络故障诊断方法。
背景技术
随着网络信息技术的快速发展，通信网络的传输速率越来越高，网络基础设施在通信系统中的地位愈发重要。在网络的路由交换节点上，通过多个队列处理不同的数据流，各队列的上游和下游的数据流也存在差异。
当网络节点出现故障时，其供给的网络资源突然变化，会引起资源争用问题，资源争用的影响会在节点之间传播，并随着时间推移进行扩散，造成很难定位引起网络故障的节点或业务流的位置，而只有快速识别定位引起网络故障的节点或业务流，才能尽快恢复网络正常运行。
当前网络故障诊断方法主要依靠网络管理员的经验，通过网络管理员的经验来确定引起网络故障的节点或业务流，或通过依次在各个节点上进行测试排错。
可见，现有技术中网络故障诊断方法存在依靠网络管理员的经验，排错周期长等问题，并难以为网络故障诊断提供合理的预测参考。
上述缺陷是本领域技术人员期望克服的。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题，本发明提出了一种基于卷积神经网络的网络故障诊断方法，解决现有技术依靠网络管理员的经验，排错周期长等问题，为网络故障诊断提供了合理的预测参考。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
本发明一实施例提供一种基于卷积神经网络的网络故障诊断方法，包括以下步骤：
步骤1，采集并预处理网络出现故障时的流量运行图像，并对图像添加标签，生成网络故障图像样本；
步骤2，将步骤1中的网络故障图像样本按照比例划分训练样本集和验证样本集；
步骤3，建立卷积神经网络模型，将步骤2中的训练样本集输入模型并不断迭代训练，同时使用验证样本集验证模型，直至完成训练；
步骤4，将新产生网络故障的流量运行图像进行预处理、输入步骤3中已完成训练的卷积神经网络模型，进行网络故障预测。
本发明的一个实施例中，所述步骤1中的生成网络故障图像样本，还包括：
当网络节点发生故障时，使用流量监控软件，可获取拓扑结构中各个节点的流量数据，利用该拓扑结构和流量数据生成网络故障图像；
设置生成的网络故障图像的标签文档，标签即标注发生故障时的原因，采用统一格式指明可能导致网络故障的节点或业务流，并进行排序；
归一化处理生成的网络故障图像，图像格式为分辨率128×128的灰度图。
本发明的一个实施例中，所述步骤2中按照比例划分训练样本集和验证样本集，还包括：
训练样本集是模型拟合的数据样本的集合，用于训练模型；
验证样本集是训练模型过程中预留的样本的集合，用于对模型的能力进行验证评估；
步骤1中生成的网络故障图像样本可按照8比1的比例划分训练样本集和验证样本集。
本发明的一个实施例中，所述步骤3中建立卷积神经网络模型，还包括：
建立的卷积神经网络模型分为7层，第1层输入为步骤1中生成的网络故障图像样本，第n+1层使用第n层的输出作为输入(1≤n≤6)，第7层输出为标签(标注发生故障时的原因)；
第1层为卷积层，卷积核采用5乘5的结构，卷积核个数为32，步长为1，边缘填充，输出为32个通道，128×128的特征图像；
第2层为最大池化层，池化窗口高和宽为2，步长为2，输出为32个通道，64×64的特征图像；
第3层为卷积层，卷积核大小为5乘以5，卷积核个数为64，边缘填充，步长为1，输出为64个通道，64×64的特征图像；
第4层为最大池化层，池化窗口高和宽为2，步长为2，输出为64个通道，32×32的特征图像；
第5层为密集连接层，为包含1024个神经元的全连接层，输出为1024个特征值；
第6层为dropout层，用于减少过拟合，以一定的概率将输入的特征值从网络中丢弃，输出为1024个特征值；
第7层为softmax层，softmax层的输出为标签的取值数。
本发明的一个实施例中，所述步骤3中的迭代训练和验证模型，还包括：
训练样本集用来训练模型，通过不断迭代来优化参数；
验证样本集用于对完成训练的模型进行验证评估；
首次迭代时，卷积神经网络模型应初始化权重和偏置量，将训练样本集批量输入模型中，通过前向传播算法不断向前传递特征，获取预测结果，根据预测结果和真实结果计算交叉熵，减少交叉熵值，通过反向传播算法向后传递，修正权重参数和偏置量，不断迭代直至收敛；
每当模型使用训练样本集批量训练100次后，将验证样本集输入模型计算识别准确率，若识别准确率未出现两极分化，则继续训练；若识别准确率出现两极分化，则重新训练卷积神经网络模型；
当交叉熵逐渐变小，且训练迭代次数达到5000次，则跳出循环，完成卷积神经网络模型构建。
本发明的一个实施例中，所述步骤4中的新产生网络故障的流量运行图像进行预处理，还包括：
新产生网络故障的流量运行图像进行预处理方法，应与步骤1中生成网络故障图像样本中的归一化处理方法一致，归一化为分辨率128×128的灰度图。
(三)有益效果
本发明的有益效果是：本发明实施例提供的基于卷积神经网络的网络故障诊断方法，通过生成网络故障图像样本，划分训练样本集和验证样本集，建立卷积神经网络模型，完成模型训练，将网络流量运行图像预处理后，输入已完成训练的模型，进行网络故障预测，解决现有技术依靠网络管理员的经验，排错周期长等问题，为网络故障诊断提供了合理的预测参考。
附图说明
图1为本发明一实施例提供的一种基于卷积神经网络的网络故障诊断方法；
图2为本发明一实施例中卷积神经网络训练模型结构示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1为本发明一实施例提供的一种基于卷积神经网络的网络故障诊断方法的流程图，如图1所示，该方法包括以下步骤：
如图1所示，在步骤S110中，采集并预处理网络出现故障时的流量运行图像，并对图像添加标签，生成网络故障图像样本；
如图1所示，在步骤S120中，将步骤S110中的网络故障图像样本按照比例划分训练样本集和验证样本集；
如图1所示，在步骤S130中，建立卷积神经网络模型，将步骤S120中的训练样本集输入模型并不断迭代训练，同时使用验证样本集验证模型，直至完成训练；
如图1所示，在步骤S140中，将新产生网络故障的流量运行图像进行预处理、输入步骤S130中已完成训练的卷积神经网络模型，进行网络故障预测。
如图1所示，本发明实施例所提供的技术方案中，通过生成网络故障图像样本，划分训练样本集和验证样本集，建立卷积神经网络模型，完成模型训练，将网络流量运行图像预处理后，输入已完成训练的模型，进行网络故障预测，解决现有技术依靠网络管理员的经验，排错周期长等问题，为网络故障诊断提供了合理的预测参考。
以下对图1所示实施例的各个步骤的具体实现进行详细阐述：
在步骤S110中，采集并预处理网络出现故障时的流量运行图像，并对图像添加标签，生成网络故障图像样本。
本发明的一个实施例中，采集并预处理网络出现故障时的流量运行图像，还包括：
当网络节点发生故障时，使用流量监控软件，可获取拓扑结构中各个节点的流量数据，利用该拓扑结构和流量数据生成网络故障图像。
本发明的一个实施例中，生成网络故障图像后，还包括：
设置生成的网络故障图像的标签文档，标签即标注发生故障时的原因，采用统一格式指明可能导致网络故障的节点或业务流，并进行排序，如1代表节点E上的视频流造成网络故障，依此类推；生成的网络故障图像需要进行归一化处理，归一化为分辨率128×128的灰度图，采用分辨率128×128的灰度图将图像通道数转化为1，以利于提高模型的运算速度。
在步骤S120中，将步骤S110中的网络故障图像样本按照比例划分训练样本集和验证样本集。
本发明的一个实施例中，该步骤中按照比例划分训练样本集和验证样本集，还包括：
训练样本集是模型拟合的数据样本的集合，用于训练模型；验证样本集是训练模型过程中预留的样本的集合，用于对模型的能力进行验证评估；步骤S110中生成的网络故障图像样本可按照8比1的比例划分训练样本集和验证样本集。
在步骤S130中，建立卷积神经网络模型，将步骤S120中的训练样本集输入模型并不断迭代训练，同时使用验证样本集验证模型，直至完成训练。
本发明的一个实施例中，该步骤中需要建立卷积神经网络模型，本实施例中以7层卷积神经网络模型为例，图2为本发明一实施例中卷积神经网络训练模型结构示意图。
如图2所示，建立的卷积神经网络模型分为7层，第1层输入为步骤S110中生成的网络故障图像样本，第n+1层使用第n层的输出作为输入(1≤n≤6)，第7层输出为标签(标注发生故障时的原因)；
如图2所示，第1层为卷积层，输入为步骤S110中生成的网络故障图像样本，卷积核采用5乘5的结构，卷积核个数为32，步长为1，边缘填充，填充方式为零填充，输出为32个通道，128×128的特征图像，每个卷积核使用ReLU激活函数，实现单层卷积网络；
如图2所示，第2层为最大池化层，池化窗口高和宽为2，步长为2，即在每一个维度上每次滑动两位，输出为32个通道，64×64的特征图像；
如图2所示，第3层为卷积层，卷积核大小为5乘以5，卷积核个数为64，边缘填充，填充方式为零填充，步长为1，输出为64个通道，64×64的特征图像，每个卷积核使用ReLU激活函数，实现单层卷积网络；
如图2所示，第4层为最大池化层，池化窗口高和宽为2，步长为2，输出为64个通道，32×32的特征图像；
如图2所示，第5层为密集连接层，为包含1024个神经元的全连接层，输出为1024个特征值；
如图2所示，第6层为dropout层，用于减少过拟合，以一定的概率将输入的特征值从网络中丢弃，输出为1024个特征值；
如图2所示，第7层为softmax层，softmax层的输出为标签的取值数，至此，将网络故障图像样本或网络流量运行图像作为模型输入，可计算出每种可能的故障原因占用的概率，取最高概率者为预测标签。
本发明的一个实施例中，所述步骤S130中的迭代训练和验证模型，还包括：
训练样本集用来训练模型，通过不断迭代来优化参数。
验证样本集用于对完成训练的模型进行验证评估，验证模型质量。
首次迭代时，卷积神经网络模型应初始化权重和偏置量，将训练样本集批量输入模型中，通过前向传播算法不断向前传递特征，获取预测结果，根据预测结果和真实结果计算交叉熵，减少交叉熵值，通过反向传播算法向后传递，修正权重参数和偏置量，不断迭代直至收敛。
每当模型使用训练样本集批量训练100次后，将验证样本集输入模型计算识别准确率，若识别准确率未出现两极分化，则重复该步骤，继续训练；若识别准确率出现两极分化，则重新训练卷积神经网络模型。
当交叉熵逐渐变小，且训练迭代次数达到5000次，则跳出循环，完成卷积神经网络模型构建。
在步骤S140中，将新产生网络故障的流量运行图像进行预处理、输入步骤S130中已完成训练的卷积神经网络模型，进行网络故障预测。
本发明的一个实施例中，所述步骤S140中的新产生网络故障的流量运行图像进行预处理，还包括：
新产生网络故障的流量运行图像进行预处理方法，应与步骤1中生成网络故障图像样本中的归一化处理方法一致，归一化为分辨率128×128的灰度图。
综上所述，本发明提出了一种基于卷积神经网络的网络故障诊断方法，解决现有技术依靠网络管理员的经验，排错周期长等问题，为网络故障诊断提供了合理的预测参考。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (5)

1.一种基于卷积神经网络的网络故障诊断方法，其特征在于，所述方法包括以下步骤：
步骤1，采集并预处理网络出现故障时的流量运行图像，并对图像添加标签，生成网络故障图像样本；
步骤2，将步骤1中的网络故障图像样本按照比例划分训练样本集和验证样本集；
步骤3，建立卷积神经网络模型，将步骤2中的训练样本集输入模型并不断迭代训练，同时使用验证样本集验证模型，直至完成训练；
步骤4，将新产生网络故障的流量运行图像进行预处理、输入步骤3中已完成训练的卷积神经网络模型，进行网络故障预测。
2.如权利要求1所述的基于卷积神经网络的网络故障诊断方法，其特征在于，所述步骤1中的生成网络故障图像样本，还包括：
当网络节点发生故障时，使用流量监控软件，可获取拓扑结构中各个节点的流量数据，利用该拓扑结构和流量数据生成网络故障图像；
设置生成的网络故障图像的标签文档，标签即标注发生故障时的原因，采用统一格式指明可能导致网络故障的节点或业务流，并进行排序；
归一化处理生成的网络故障图像，图像格式为分辨率128×128的灰度图。
3.如权利要求1所述的基于卷积神经网络的网络故障诊断方法，其特征在于，所述步骤3中建立卷积神经网络模型，还包括：
建立的卷积神经网络模型分为7层，第1层输入为步骤1中生成的网络故障图像样本，第n+1层使用第n层的输出作为输入(1≤n≤6)，第7层输出为标签(标注发生故障时的原因)；
第1层为卷积层，卷积核采用5乘5的结构，卷积核个数为32，步长为1，边缘填充，输出为32个通道，128×128的特征图像；
第2层为最大池化层，池化窗口高和宽为2，步长为2，输出为32个通道，64×64的特征图像；
第3层为卷积层，卷积核大小为5乘以5，卷积核个数为64，边缘填充，步长为1，输出为64个通道，64×64的特征图像；
第4层为最大池化层，池化窗口高和宽为2，步长为2，输出为64个通道，32×32的特征图像；
第5层为密集连接层，为包含1024个神经元的全连接层，输出为1024个特征值；
第6层为dropout层，用于减少过拟合，以一定的概率将输入的特征值从网络中丢弃，输出为1024个特征值；
第7层为softmax层，softmax层的输出为标签的取值数。
4.如权利要求1所述的基于卷积神经网络的网络故障诊断方法，其特征在于，所述步骤3中的迭代训练和验证模型，还包括：
训练样本集用来训练模型，通过不断迭代来优化参数；
验证样本集用于对完成训练的模型进行验证评估；
首次迭代时，卷积神经网络模型应初始化权重和偏置量，将训练样本集批量输入模型中，通过前向传播算法不断向前传递特征，获取预测结果，根据预测结果和真实结果计算交叉熵，减少交叉熵值，通过反向传播算法向后传递，修正权重参数和偏置量，不断迭代直至收敛；
每当模型使用训练样本集批量训练100次后，将验证样本集输入模型计算识别准确率，若识别准确率未出现两极分化，则继续训练；若识别准确率出现两极分化，则重新训练卷积神经网络模型；
当交叉熵逐渐变小，且训练迭代次数达到5000次，则跳出循环，完成卷积神经网络模型构建。
5.如权利要求1所述的基于卷积神经网络的网络故障诊断方法，其特征在于，所述步骤4中的新产生网络故障的流量运行图像进行预处理，还包括：
新产生网络故障的流量运行图像进行预处理方法，应与步骤1中生成网络故障图像样本中的归一化处理方法一致，归一化为分辨率128×128的灰度图。
CN202011424752.2A 2020-12-09 2020-12-09 一种基于卷积神经网络的网络故障诊断方法 Pending CN112465055A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011424752.2A CN112465055A (zh) 2020-12-09 2020-12-09 一种基于卷积神经网络的网络故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011424752.2A CN112465055A (zh) 2020-12-09 2020-12-09 一种基于卷积神经网络的网络故障诊断方法

Publications (1)

Publication Number Publication Date
CN112465055A true CN112465055A (zh) 2021-03-09

Family

ID=74800270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011424752.2A Pending CN112465055A (zh) 2020-12-09 2020-12-09 一种基于卷积神经网络的网络故障诊断方法

Country Status (1)

Country Link
CN (1) CN112465055A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086139A (zh) * 2021-03-12 2022-09-20 中国移动通信集团四川有限公司 通信网络告警故障处理优先级调整方法及装置
CN115167329A (zh) * 2021-04-06 2022-10-11 中国移动通信集团湖北有限公司 故障诊断方法、装置、设备及介质
CN117978612A (zh) * 2024-03-28 2024-05-03 成都格理特电子技术有限公司 网络故障检测方法、存储介质以及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110555479A (zh) * 2019-09-05 2019-12-10 北京工业大学 基于1dcnn与gru融合的故障特征学习与分类方法
CN110601909A (zh) * 2019-10-22 2019-12-20 广州供电局有限公司 网络维护方法、装置、计算机设备和存储介质
CN111242225A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于卷积神经网络的故障检测与诊断方法
CN111340191A (zh) * 2020-02-27 2020-06-26 福州大学 基于集成学习的僵尸网络恶意流量分类方法及系统
US20200272923A1 (en) * 2019-02-21 2020-08-27 Cisco Technology, Inc. Identifying locations and causes of network faults

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20200272923A1 (en) * 2019-02-21 2020-08-27 Cisco Technology, Inc. Identifying locations and causes of network faults
CN110555479A (zh) * 2019-09-05 2019-12-10 北京工业大学 基于1dcnn与gru融合的故障特征学习与分类方法
CN110601909A (zh) * 2019-10-22 2019-12-20 广州供电局有限公司 网络维护方法、装置、计算机设备和存储介质
CN111242225A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于卷积神经网络的故障检测与诊断方法
CN111340191A (zh) * 2020-02-27 2020-06-26 福州大学 基于集成学习的僵尸网络恶意流量分类方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张艳升: "基于卷积神经网络的工控网络异常流量检测", 《计算机应用》, pages 1512 - 1517 *
张艳升;李喜旺;李丹;杨华;: "基于卷积神经网络的工控网络异常流量检测", 计算机应用, no. 05, pages 1512 - 1517 *
赵明;谢萍;赵志军;武孟;: "基于深度学习的网络故障诊断", 计算机与网络, no. 09, pages 64 - 67 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086139A (zh) * 2021-03-12 2022-09-20 中国移动通信集团四川有限公司 通信网络告警故障处理优先级调整方法及装置
CN115086139B (zh) * 2021-03-12 2023-08-15 中国移动通信集团四川有限公司 通信网络告警故障处理优先级调整方法及装置
CN115167329A (zh) * 2021-04-06 2022-10-11 中国移动通信集团湖北有限公司 故障诊断方法、装置、设备及介质
CN117978612A (zh) * 2024-03-28 2024-05-03 成都格理特电子技术有限公司 网络故障检测方法、存储介质以及电子设备
CN117978612B (zh) * 2024-03-28 2024-06-04 成都格理特电子技术有限公司 网络故障检测方法、存储介质以及电子设备

Similar Documents

Publication Publication Date Title
CN111369042B (zh) 一种基于加权联邦学习的无线业务流量预测方法
CN112465055A (zh) 一种基于卷积神经网络的网络故障诊断方法
CN112181666B (zh) 一种基于边缘智能的设备评估和联邦学习重要性聚合方法
CN113688723B (zh) 一种基于改进YOLOv5的红外图像行人目标检测方法
CN111124840B (zh) 业务运维中告警的预测方法、装置与电子设备
CN109347668B (zh) 一种服务质量评估模型的训练方法及装置
CN109990790B (zh) 一种无人机路径规划方法及装置
CN111507469B (zh) 对自动标注装置的超参数进行优化的方法和装置
CN110324170B (zh) 数据分析设备、多模型共决策系统及方法
CN112532746B (zh) 一种云边协同感知的方法及系统
CN109991591B (zh) 基于深度学习的定位方法、装置、计算机设备及存储介质
CN110601777A (zh) 一种低轨移动卫星星座下星地下行链路同频干扰估计方法
CN113469425B (zh) 深度交通拥堵预测方法
CN112513882A (zh) 与无线蜂窝网络中的小区状况的检测有关的方法、设备和计算机可读介质
CN111431819A (zh) 一种基于序列化的协议流特征的网络流量分类方法和装置
CN113348691B (zh) 用于网络管理中的故障预测的方法和装置
EP4002911A1 (en) Apparatuses and methods to determine a high-resolution qos prediction map
CN113824575B (zh) 故障节点识别的方法、装置、计算设备及计算机存储介质
CN111327480B (zh) 移动边缘环境下的Web服务多元QoS监控方法
CN115577797B (zh) 一种基于本地噪声感知的联邦学习优化方法及系统
CN113825161B (zh) 基于深度自编码神经网络的5g切片异常检测方法及装置
CN113541986B (zh) 5g切片的故障预测方法、装置及计算设备
CN111010695A (zh) 基于信道空闲时长预测的信道分配方法
CN113825148A (zh) 网络节点告警等级的确定方法、装置及计算设备
CN117746172A (zh) 基于域差异感知蒸馏的异构模型聚合方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210309