CN112511341B - 一种网络自动化故障定位方法、终端及存储介质 - Google Patents

一种网络自动化故障定位方法、终端及存储介质 Download PDF

Info

Publication number
CN112511341B
CN112511341B CN202011273637.XA CN202011273637A CN112511341B CN 112511341 B CN112511341 B CN 112511341B CN 202011273637 A CN202011273637 A CN 202011273637A CN 112511341 B CN112511341 B CN 112511341B
Authority
CN
China
Prior art keywords
topological graph
sample
fault
target
physical
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.)
Active
Application number
CN202011273637.XA
Other languages
English (en)
Other versions
CN112511341A (zh
Inventor
张彻
汪漪
李伟超
李清
杨镕玮
查华
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.)
Southwest University of Science and Technology
Peng Cheng Laboratory
Original Assignee
Southwest University of Science and Technology
Peng Cheng Laboratory
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 Southwest University of Science and Technology, Peng Cheng Laboratory filed Critical Southwest University of Science and Technology
Priority to CN202011273637.XA priority Critical patent/CN112511341B/zh
Publication of CN112511341A publication Critical patent/CN112511341A/zh
Application granted granted Critical
Publication of CN112511341B publication Critical patent/CN112511341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • H04L41/12—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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Algebra (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种网络自动化故障定位方法、终端及存储介质，所述方法包括：获取目标网络的物理拓扑图以及设计拓扑图，根据所述物理拓扑图以及设计拓扑图按照目标扩展方式对所述物理拓扑图进行扩展，生成目标拓扑图，所述目标拓扑图的节点数量大于所述物理拓扑图的节点数量；获取所述目标拓扑图中各个节点对应的嵌入向量，其中，节点对应的嵌入向量反映了节点在所述目标拓扑图中的连接结构；调用预设的聚类算法对所述目标拓扑图中的各个节点的嵌入向量进行聚类，根据聚类结果确定所述目标网络中的故障节点。本发明能够简化了网络自动化故障定位的流程，耗时少，且能够适用于小规模网络。

Description

一种网络自动化故障定位方法、终端及存储介质
技术领域
本发明涉及网络管理技术领域，特别涉及一种网络自动化故障定位方法、终端及存储介质。
背景技术
大规模网络架构中，包括多个节点，节点之间按照特定的规则连接的，而大规模网络架构中由于节点多、结构复杂，难以避免会出现链路故障和连线错误，使得自动化地址配置方法不能正常运行，在现有技术中，网络自动化故障定位是通过求解物理拓扑图和设计拓扑图之间的最大公共子图，并根据最大公共子图和设计拓扑图之间有差异的部分来确定故障节点，但是最大公共子图问题已被证明是NP难问题，求解十分困难且耗时。
因此，现有技术还有待改进和提高。
发明内容
针对现有技术的上述缺陷，本发明提供一种网络自动化故障定位方法、终端及存储介质，旨在解决现有技术中网络自动化故障定位过程耗时长的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
本发明的第一方面，提供一种网络自动化故障定位方法，所述方法包括：
获取目标网络的物理拓扑图以及设计拓扑图，根据所述物理拓扑图以及设计拓扑图按照目标扩展方式对所述物理拓扑图进行扩展，生成目标拓扑图，所述目标拓扑图的节点数量大于所述物理拓扑图的节点数量；
获取所述目标拓扑图中各个节点对应的嵌入向量，其中，节点对应的嵌入向量反映了节点在所述目标拓扑图中的连接结构；
调用预设的聚类算法对所述目标拓扑图中的各个节点的嵌入向量进行聚类，根据聚类结果确定所述目标网络中的故障节点。
所述的网络自动化故障定位方法，其中，所述目标扩展方式为第一扩展方式、第二扩展方式中的至少一种；
所述第一扩展方式为：进行n次拓展，每次拓展中将中间拓扑图更新为第一拓扑图，所述第一拓扑图为所述中间拓扑图中的每个节点分别与所述设计拓扑图中每个节点进行全连接后生成的拓扑图，其中，第一次拓展中的所述中间拓扑图为所述物理拓扑图，n为正整数；
所述第二扩展方式为：将所述物理拓扑图与m个所述设计拓扑图组合，m为正整数。
所述的网络自动化故障定位方法，其中，所述根据所述物理拓扑图以及设计拓扑图按照目标扩展方式对所述物理拓扑图进行扩展之前，包括：
获取拓扑图与第一组合的对应关系，其中，所述第一组合包括扩展方式以及所述聚类算法的算法参数；
根据所述对应关系确定所述设计拓扑图对应的扩展方式作为所述目标扩展方式，根据所述对应关系确定所述设计拓扑图对应的所述算法参数。
所述的网络自动化故障定位方法，其中，所述获取拓扑图与第一组合的对应关系，包括：
获取样本设计拓扑图，根据所述样本设计拓扑图生成包含随机故障的样本物理拓扑图，根据样本第一组合获取所述样本物理拓扑图的故障节点定位结果，其中，所述样本第一组合包括样本扩展方式和样本算法参数；
根据所述故障节点定位结果确定样本设计拓扑图对应的第一组合；
所述获取所述样本物理拓扑图的故障节点定位结果包括：
对所述样本物理拓扑图按照所述样本扩展方式进行扩展，得到样本目标拓扑图，其中，所述样本扩展方式为所述第一扩展方式、所述第二扩展方式中的至少一种；
调用预先设置的图嵌入算法获取所述样本拓扑图中各个节点对应的嵌入向量，调用预设的聚类算法对所述样本目标拓扑图中的各个节点的嵌入向量进行聚类，根据聚类结果确定所述样本物理拓扑图中的故障节点定位结果，所述图嵌入算法的参数为所述样本算法参数。
所述的网络自动化故障定位方法，其中，所述根据所述故障节点定位结果确定样本设计拓扑图对应的第一组合，包括：
当所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图中包含的随机故障不一致时，确定当前的所述样本第一组合不是所述样本设计拓扑图对应的第一组合；
重新选取所述样本第一组合并根据新的所述样本第一组合获取所述样本物理拓扑图的故障节点定位结果直至所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图中包含的随机故障一致。
所述的网络自动化故障定位方法，其中，所述根据所述故障节点定位结果确定样本设计拓扑图对应的第一组合，包括：
当所述故障定位结果与所述样本物理拓扑图包含的随机故障一致时，重新执行所述根据所述样本设计拓扑图生成包含随机故障的样本物理拓扑图，根据样本第一组合确定所述样本物理拓扑图的故障节点定位结果的步骤，直至生成的所述样本物理拓扑图的数量达到预设数量；
获取各个所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图一致时的各个所述样本第一组合，将同样的所述样本第一组合进行归类，获取数量最多的所述样本第一组合作为所述样本设计拓扑图对应的第一组合。
所述的网络自动化故障定位方法，其中，所述根据聚类结果确定所述目标网络中的故障节点，包括：
获取聚类结果中的噪声点，将所述噪声点对应的节点作为所述目标网络中的故障节点。
所述的网络自动化故障定位方法，其中，所述聚类算法为DBSCAN算法。
本发明的第二方面，提供一种终端，所述终端包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令，所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的网络自动化故障定位方法的步骤。
本发明的第三方面，提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的网络自动化故障定位方法的步骤。
与现有技术相比，本发明提供了一种网络自动化故障定位方法、终端及存储介质，所述网络自动化故障定位方法通过对网络的物理拓扑图进行扩展，生成节点数量大于物理拓扑图的目标拓扑图，使得故障节点占整个拓扑图的比重降低，网络设计是基于对称性来架构的，存在多个连接关系类似的节点，将目标拓扑图中的每个节点用嵌入向量表示，每个嵌入向量反映了对应节点在拓扑图中的连接结构，将每个节点对应的嵌入向量进行聚类时，由于具有类似连接关系的节点的嵌入向量一致，且故障节点只占节点中很小一部分，可以通过聚类结果来确定网络中的故障节点，大大简化了网络自动化故障定位的流程，耗时少，且能够适用于小规模网络。
附图说明
图1为本发明提供的网络自动化故障定位方法的实施例的流程图；
图2为本发明提供的网络自动化故障定位方法的实施例中设计拓扑图的示意图；
图3为本发明提供的网络自动化故障定位方法的实施例中物理拓扑图的示意图；
图4为网络架构示意图一；
图5为网络架构示意图二；
图6为本发明提供的网络自动化故障定位方法的实施例中第一扩展方式的示意图一；
图7为本发明提供的网络自动化故障定位方法的实施例中第一扩展方式的示意图二；
图8为本发明提供的网络自动化故障定位方法的实施例中第一扩展方式的示意图三；
图9为本发明提供的网络自动化故障定位方法的实施例中对嵌入向量进行聚类的示意图；
图10为为本发明提供的网络自动化故障定位方法的实施例中获取拓扑图与第一组合的对应关系的逻辑流程图；
图11为本发明提供的终端的实施例的原理示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一
本发明提供的网络自动化故障定位方法，可以是应用在终端中，终端可以通过本发明提供的网络自动化故障定位方法定位网络中的故障。终端可以但不限于是各种计算机、手机、平板电脑、车载电脑和便携式可穿戴设备。
如图1所示，所述网络自动化故障定位方法的一个实施例中，包括步骤：
S100、获取目标网络的物理拓扑图以及设计拓扑图，根据所述物理拓扑图以及设计拓扑图按照目标扩展方式对所述物理拓扑图进行扩展，生成目标拓扑图。
具体地，在构建一个网络时，网络中的各个节点并不是和网络中的每个节点都直接连接，在本领域中，将描述了网络中各个节点的连接关系的图称为网络的拓扑图，在构建网络时，需要预先设置网络中各个节点之间的连接关系，将预先设置的网络中各个节点之间正常的连接关系的图称为设计拓扑图(也称为蓝图)，而由于网络中的节点数量很大，在构建和运行过程中，不可避免地会产生错连接或链路异常等故障，这就会导致网络中各个节点之间的实际连接关系的拓扑图与设计拓扑图不一致，将描述了网络中各个节点之间的实际连接关系的图称为物理拓扑图，如图2-3所示，图2是一个网络的设计拓扑图，图3是该网络的物理拓扑图，可以看出，图3中节点2、5、6、7节点的连接关系与设计拓扑图不一致，此时网络不能正常运行，即该网络中存在故障。
现有的网络设计大多是基于对称性来结构的，即网络的设计拓扑图具有对称性，如图4-5所示，图4-5示出了常用的一些网络的设计拓扑图，不难看出，节点的连接结构(即节点与其他节点的连接关系)具有对称性，也就是说，存在连接关系类似的节点，例如图4中节点20、21、22、23的连接关系是类似的，节点0、4、8、12的连接关系是类似的。在本实施例中，通过获取网络的连接关系拓扑图中的节点的嵌入向量，节点的嵌入向量反映了节点在拓扑图中的连接结构，这样，具有类似连接结构的节点会具有类似的向量，而有故障的节点的连接结构发生了改变，失去了对称性，对应的嵌入向量会发生改变，因此，对网络的连接关系拓扑图中的节点的嵌入向量进行聚类，没有故障的节点会与连接关系类似的节点聚为一类，而产生故障的节点就会产生离群现象，不能与正常的节点聚为一类，实现故障定位。
不难看出为了保证产生故障的节点产生离群现象，需要满足两个条件：拓扑图内的节点数量足够多、拓扑图内故障节点的数量尽量小。因此，在本实施例中，为了提升网络故障定位的准确性，对目标网络的物理拓扑图进行扩展，生成目标拓扑图，所述目标拓扑图的节点数量大于所述物理拓扑图的节点数量。具体地，根据所述物理拓扑图以及设计拓扑图按照目标扩展方式对所述物理拓扑图进行扩展，所述目标扩展方式为第一扩展方式、第二扩展方式中的至少一种，下面具体对两种扩展方式进行说明：
第一扩展方式为：进行n次拓展，每次拓展中将中间拓扑图更新为第一拓扑图，所述第一拓扑图为所述中间拓扑图中的每个节点分别与所述设计拓扑图中每个节点进行全连接后生成的拓扑图，其中，第一次拓展中的所述中间拓扑图为所述物理拓扑图。
以图2-3所示的设计拓扑图和物理拓扑图为例，如图6所示，使用第一扩展方式对所述物理拓扑图进行扩展时，是进行n次拓展，n为正整数，第一次扩展时，将所述物理拓扑图中的每个节点分别与所述设计拓扑图中每个节点进行全连接后生成第一拓扑图，如果n取1，那么直接将第一次扩展生成的第一拓扑图作为所述目标拓扑图，如图7-8所示，如果n取大于1的值，那么将第一次扩展生的第一拓扑图作为中间拓扑图，再将中间拓扑图中的每个节点分别与所述设计拓扑图中每个节点进行全连接，生成第二次扩展中的第一拓扑图，如此往复，最终生成的第一拓扑图中包括的节点数量会大量增加，且具有类似的连接结构的节点的数量也会大量增加，故障节点的数量占比会大大降低。
所述第二扩展方式为：将所述物理拓扑图与m个所述设计拓扑图组合。
所述第二扩展方式为将所述物理拓扑图与m个所述设计拓扑图组合，m为正整数，所述第二扩展方式的实现方式与所述第一扩展方式类似，每次增加一个所述设计拓扑图，只是每次不添加新的全连接边，这样也能够增加节点数量，实现具有类似的连接结构的节点的数量也会大量增加，故障节点的数量占比会大大降低的效果。
对所述物理拓扑图进行扩展生成所述目标拓扑图时，可以是只使用所述第一扩展方式和所述第二扩展方式中的一种，当只使用所述第一扩展方式时，将最后一次扩展生成的第一拓扑图作为所述目标拓扑图，当只使用所述第二扩展方式时，将所述物理拓扑图与m个所述设计拓扑图组合后生成的拓扑图作为所述目标拓扑图，当然，也可以是将所述第一扩展方式和所述第二扩展方式进行组合，既使用所述第一扩展方式，也使用所述第二扩展方式。
请再次参阅图1，本实施例提供的网络自动化故障定位方法还包括步骤：
S200、获取所述目标拓扑图中各个节点对应的嵌入向量。
节点的嵌入向量反映来节点在所述目标拓扑图中的连接结构，具体地，在本实施例中，节点的嵌入向量可以是通过图嵌入(Graph Embedding)算法来实现，具体地，所述根据所述目标拓扑图获取目标网络中各个节点对应的嵌入向量包括：
调用预先设置的图嵌入算法获取所述各个节点对应的嵌入向量。
在本实施例中使用的图嵌入算法是基于结构相似性的嵌入算法，也就是说，在图中处于相似地位的节点应该有相似的向量表示，对于拓扑图来说，具有相似连接关系的节点对应的嵌入向量是相似的。本发明中采用的图嵌入算法可以为GraphWave算法、Struc2vec、RoIX等图嵌入算法。
请再次参阅图1，本发明提供的网络自动化故障定位方法，还包括步骤：
S300、调用预设的聚类算法对所述目标拓扑图中的各个节点的嵌入向量进行聚类，根据聚类结果确定所述目标网络中的故障节点。
具体地，所述根据聚类结果确定所述目标网络中的故障节点包括：
获取聚类结果中的噪声点，将所述噪声点对应的节点作为所述目标网络中的故障节点。
在发明中，采用的聚类算法为能够输出噪声点(outlier，或者称离群点、异常点等)的聚类算法，本实施例中采用DBSCAN算法对所述各个节点的嵌入向量进行聚类，当然，本领域技术人员也可以选用其他的聚类算法，例如OPTICS算法等，调用聚类算法对所述各个节点的嵌入向量进行聚类，从而将嵌入向量相似的点聚为一类，而噪声点对应的嵌入向量则是与其他的嵌入向量不相似的嵌入向量，其对应的节点为所述目标网络中的故障节点。如图9所示，图9为对本实施例提供的网络自动化故障定位方法的一次试验中对嵌入向量进行聚类后的结果，那么，图9中的104、62、114、58节点为故障节点。
聚类算法的聚类效果与聚类算法的参数有关，例如DBSCAN算法中影响结果的参数包括两个参数eps、min_samples。同时，从前面的说明不难看出，所述目标拓扑图中连接结构相似的节点的数量以及故障节点所占的比例都影响着故障节点的嵌入向量是否能够准备被输出为噪声点，在本实施例中，是根据所述目标网络的设计拓扑图确定在定位所述目标网络中的故障时适用的扩展方式以及聚类算法的参数。具体地，所述根据所属物理拓扑图以及设计拓扑图按照目标扩展方式对所述物理拓扑图进行扩展之前，包括：
S001、获取拓扑图与第一组合的对应关系，其中，所述第一组合包括扩展方式以及所述聚类算法的算法参数；
S002、根据所述对应关系确定所述设计拓扑图对应的扩展方式作为所述目标扩展方式，根据所述对应关系确定所述设计拓扑图对应的所述算法参数。
在本实施例中，预先通过多组数据训练的方式先获取到各种设计拓扑图适用的扩展方式和算法参数，建立拓扑图与包括扩展方式和算法参数的第一组合的对应关系，在获取所述目标网络的所述设计拓扑图后，就可以根据该对应关系获取到所述目标网络的设计拓扑图适用的第一组合。具体地，所述获取拓扑图与第一组合的对应关系，包括：
S011、获取样本设计拓扑图，根据所述样本设计拓扑图生成包含随机故障的样本物理拓扑图，根据样本第一组合获取所述样本物理拓扑图的故障节点定位结果，其中，所述样本第一组合包括样本扩展方式和样本算法参数；
S012、根据所述故障节点定位结果确定样本设计拓扑图对应的第一组合。
在本实施例中，是设置多个样本设计拓扑图，分别确定各个所述样本设计拓扑图对应的第一组合，从而建立起拓扑图和第一组合的对应关系。具体地，所述获取所述样本物理拓扑图的故障节点定位结果包括：
对所述样本物理拓扑图按照所述样本扩展方式进行扩展，得到样本目标拓扑图，其中，所述样本扩展方式为所述第一扩展方式、所述第二扩展方式中的至少一种；
调用预先设置的图嵌入算法获取所述样本拓扑图中各个节点对应的嵌入向量，调用预设的聚类算法对所述样本目标拓扑图中的各个节点的嵌入向量进行聚类，根据聚类结果确定所述样本物理拓扑图中的故障节点定位结果，所述图嵌入算法的参数为所述样本算法参数。
所述根据所述故障节点定位结果确定样本设计拓扑图对应的第一组合，包括：
当所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图中包含的随机故障不一致时，确定当前的所述样本第一组合不是所述样本设计拓扑图对应的第一组合；
重新选取所述样本第一组合并根据新的所述样本第一组合获取所述样本物理拓扑图的故障节点定位结果直至所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图中包含的随机故障一致；
当所述故障定位结果与所述样本物理拓扑图包含的随机故障一致时，重新执行所述根据所述样本设计拓扑图生成包含随机故障的样本物理拓扑图，根据样本第一组合确定所述样本物理拓扑图的故障节点定位结果的步骤，直至生成的所述样本物理拓扑图的数量达到预设数量；
获取各个所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图一致时的各个所述样本第一组合，将同样的所述样本第一组合进行归类，获取数量最多的所述样本第一组合作为所述样本设计拓扑图对应的第一组合。
对每个所述样本设计拓扑图，都进行随机故障生成，得到对应的样本物理拓扑图，即，对所述样本设计拓扑图中的节点的连接关系进行随机改变，得到所述样本物理拓扑图。随后确定一个样本第一组合通过本发明中的网络自动化故障定位方法的步骤来确定所述样本物理拓扑图中的故障节点。
当根据第一组合得到的网络自动化故障定位结果与所述样本物理拓扑图中的故障节点不一致时，说明这个样本第一组合不适用于定位所述样本设计拓扑图中产生的故障，即当前的所述第一样本组合不是所述样本设计拓扑图对应的第一组合，那么，重新选取一个新的所述样本第一组合并根据新的所述样本第一组合，通过步骤S100-S300来获取所述样本物理拓扑图的故障节点定位结果直至所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图中包含的随机故障一致。在一种可能的实现方式中，重新选取一个新的所述样本第一组合的过程中，可以是优先更新所述算法参数，也就是说，先保持扩展方式不变，选取其他的所述算法参数来获取所述物理拓扑图中的故障定位结果，当更新所述算法参数的次数已经达到一定的次数，如100次等，那么开始更新所述样本第一组合中的扩展方式。
当所述故障定位结果与所述样本物理拓扑图包含的随机故障一致时，那么确定所述样本第一组合适用于定位当前的所述样本设计拓扑图以及当前的所述样本物理拓扑图，为了使得拓扑图对应的第一组合能够适用于拓扑图中可能产生的多种故障形式，当所述故障定位结果与所述样本物理拓扑图包含的随机故障一致时，则根据所述样本设计拓扑图再随机生成一个新的包含故障的所述样本物理拓扑图，再找出使得新的所述样本物理拓扑图的故障定位结果与该样本物理拓扑图中包括的故障一致的样本第一组合。当根据所述样本拓扑设计图生产的所述样本物理拓扑图达到预设数量，例如100个时，则不再根据所述样本拓扑设计图随机生成故障，获取各个所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图一致时的各个所述样本第一组合，将同样的所述样本第一组合进行归类，获取数量最多的所述样本第一组合作为所述样本设计拓扑图对应的第一组合。
获取拓扑图与第一组合的对应关系的逻辑流程图可以如图10所示。
综上所述，本实施例提供了一种网络自动化故障定位方法，通过对网络的物理拓扑图进行扩展，生成节点数量大于物理拓扑图的目标拓扑图，使得故障节点占整个拓扑图的比重降低，网络设计是基于对称性来架构的，存在多个连接关系类似的节点，将目标拓扑图中的每个节点用嵌入向量表示，每个嵌入向量反映了对应节点在拓扑图中的连接结构，将每个节点对应的嵌入向量进行聚类时，由于具有类似连接关系的节点的嵌入向量一致，且故障节点只占节点中很小一部分，可以通过聚类结果来确定网络中的故障节点，大大简化了网络自动化故障定位的流程，耗时少，且能够适用于小规模网络。
应该理解的是，虽然本发明说明书附图中给出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，流程图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。
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，本发明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。
实施例二
基于上述实施例，本发明还相应提供了一种终端，如图11所示，所述终端包括处理器10以及存储器20。可以理解的是，图11仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有网络自动化故障定位程序30，该网络自动化故障定位程序30可被处理器10所执行，从而实现本申请中网络自动化故障定位方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述网络自动化故障定位方法等。
实施例三
本发明还提供一种存储介质，其中，存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的网络自动化故障定位方法的步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种网络自动化故障定位方法，其特征在于，所述方法包括：
获取目标网络的物理拓扑图以及设计拓扑图，根据所述物理拓扑图以及设计拓扑图按照目标扩展方式对所述物理拓扑图进行扩展，生成目标拓扑图，所述目标拓扑图的节点数量大于所述物理拓扑图的节点数量；
所述目标扩展方式为第一扩展方式、第二扩展方式中的至少一种；
所述第一扩展方式为：进行n次拓展，每次拓展中将中间拓扑图更新为第一拓扑图，所述第一拓扑图为所述中间拓扑图中的每个节点分别与所述设计拓扑图中每个节点进行全连接后生成的拓扑图，其中，第一次拓展中的所述中间拓扑图为所述物理拓扑图，n为正整数；
所述第二扩展方式为：将所述物理拓扑图与m个所述设计拓扑图组合，m为正整数；
所述根据所述物理拓扑图以及设计拓扑图按照目标扩展方式对所述物理拓扑图进行扩展之前，包括：
获取拓扑图与第一组合的对应关系，其中，所述第一组合包括扩展方式以及聚类算法的算法参数；
根据所述对应关系确定所述设计拓扑图对应的扩展方式作为所述目标扩展方式，根据所述对应关系确定所述设计拓扑图对应的所述算法参数；
所述获取拓扑图与第一组合的对应关系，包括：
获取样本设计拓扑图，根据所述样本设计拓扑图生成包含随机故障的样本物理拓扑图，根据样本第一组合获取所述样本物理拓扑图的故障节点定位结果，其中，所述样本第一组合包括样本扩展方式和样本算法参数；
根据所述故障节点定位结果确定样本设计拓扑图对应的第一组合；
所述获取所述样本物理拓扑图的故障节点定位结果包括：
对所述样本物理拓扑图按照所述样本扩展方式进行扩展，得到样本目标拓扑图，其中，所述样本扩展方式为所述第一扩展方式、所述第二扩展方式中的至少一种；
调用预先设置的图嵌入算法获取所述样本目标拓扑图中各个节点对应的嵌入向量，调用预设的聚类算法对所述样本目标拓扑图中的各个节点的嵌入向量进行聚类，根据聚类结果确定所述样本物理拓扑图中的故障节点定位结果，所述图嵌入算法的参数为所述样本算法参数；
获取所述目标拓扑图中各个节点对应的嵌入向量，其中，节点对应的嵌入向量反映了节点在所述目标拓扑图中的连接结构；
调用预设的所述聚类算法对所述目标拓扑图中的各个节点的嵌入向量进行聚类，根据聚类结果确定所述目标网络中的故障节点。
2.根据权利要求1所述的网络自动化故障定位方法，其特征在于，所述根据所述故障节点定位结果确定样本设计拓扑图对应的第一组合，包括：
当所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图中包含的随机故障不一致时，确定当前的所述样本第一组合不是所述样本设计拓扑图对应的第一组合；
重新选取所述样本第一组合并根据新的所述样本第一组合获取所述样本物理拓扑图的故障节点定位结果直至所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图中包含的随机故障一致。
3.根据权利要求2所述的网络自动化故障定位方法，其特征在于，所述根据所述故障节点定位结果确定样本设计拓扑图对应的第一组合，包括：
当所述故障定位结果与所述样本物理拓扑图包含的随机故障一致时，重新执行所述根据所述样本设计拓扑图生成包含随机故障的样本物理拓扑图，根据样本第一组合确定所述样本物理拓扑图的故障节点定位结果的步骤，直至生成的所述样本物理拓扑图的数量达到预设数量；
获取各个所述样本物理拓扑图的故障定位结果与所述样本物理拓扑图一致时的各个所述样本第一组合，将同样的所述样本第一组合进行归类，获取数量最多的所述样本第一组合作为所述样本设计拓扑图对应的第一组合。
4.根据权利要求1所述的网络自动化故障定位方法，其特征在于，所述根据聚类结果确定所述目标网络中的故障节点，包括：
获取聚类结果中的噪声点，将所述噪声点对应的节点作为所述目标网络中的故障节点。
5.根据权利要求4所述的网络自动化故障定位方法，其特征在于，所述聚类算法为DBSCAN算法。
6.一种终端，其特征在于，所述终端包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令，所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-5任一项所述的网络自动化故障定位方法的步骤。
7.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-5任一项所述的网络自动化故障定位方法的步骤。
CN202011273637.XA 2020-11-14 2020-11-14 一种网络自动化故障定位方法、终端及存储介质 Active CN112511341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011273637.XA CN112511341B (zh) 2020-11-14 2020-11-14 一种网络自动化故障定位方法、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011273637.XA CN112511341B (zh) 2020-11-14 2020-11-14 一种网络自动化故障定位方法、终端及存储介质

Publications (2)

Publication Number Publication Date
CN112511341A CN112511341A (zh) 2021-03-16
CN112511341B true CN112511341B (zh) 2023-04-07

Family

ID=74957761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011273637.XA Active CN112511341B (zh) 2020-11-14 2020-11-14 一种网络自动化故障定位方法、终端及存储介质

Country Status (1)

Country Link
CN (1) CN112511341B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111474442B (zh) * 2020-03-30 2022-05-24 国网山东省电力公司德州供电公司 一种配电网单相接地故障定位方法及系统
CN115941496A (zh) * 2022-11-10 2023-04-07 西安诺瓦星云科技股份有限公司 Led显示系统设备拓扑编辑方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109688758A (zh) * 2019-02-11 2019-04-26 南方科技大学 用于确定数据中心故障的方法、装置、电子设备和介质
CN109756381A (zh) * 2019-02-11 2019-05-14 南方科技大学 数据中心故障定位方法、装置、电子设备和介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3020161B1 (en) * 2013-07-11 2018-03-21 Plexxi Inc. Network node connection configuration

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109688758A (zh) * 2019-02-11 2019-04-26 南方科技大学 用于确定数据中心故障的方法、装置、电子设备和介质
CN109756381A (zh) * 2019-02-11 2019-05-14 南方科技大学 数据中心故障定位方法、装置、电子设备和介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"An Embedding Approach to Anomaly Detection;Renjun Hu等;《Proceedings of the 32nd IEEE International Conference on Data Engineering》;20161231;第385-396页 *
虚拟网络映射问题研究;高秀娇;《中国优秀硕士学位论文全文数据库信息科技辑》;20111215;I139-5 *

Also Published As

Publication number Publication date
CN112511341A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112511341B (zh) 一种网络自动化故障定位方法、终端及存储介质
CN109586948A (zh) 更新系统配置数据的方法、装置、计算机设备和存储介质
CN111880956B (zh) 一种数据同步方法和装置
CN109389299B (zh) 工作流流程部署方法、装置、计算机设备和存储介质
CN113238924B (zh) 分布式图数据库系统中的混沌工程实现方法和系统
CN116737130B (zh) 面向模态中间表示的编译方法、系统、设备和存储介质
CN111522806A (zh) 大数据清洗处理方法、装置、服务器及可读存储介质
CN110826606A (zh) 要素匹配方法、装置、服务器及可读存储介质
CN108389124B (zh) 数据处理方法、装置、计算机设备和存储介质
CN111953535B (zh) 一种网络故障定位方法、终端及存储介质
CN110727831A (zh) 全路径计算方法、装置、计算机设备和存储介质
CN113691403B (zh) 拓扑节点配置方法、相关装置及计算机程序产品
CN115757172A (zh) 测试执行方法、装置、存储介质及计算机设备
CN112395339B (zh) 系统间数据准入校验方法、装置、计算机设备和存储介质
CN111400243B (zh) 基于流水线服务的研发管理系统以及文件存储方法、装置
CN111310906B (zh) 神经形态芯片中计算核的布局的方法、装置及设备
US10067816B2 (en) Model checking apparatus and method, and storage medium having program stored therein
CN111476663B (zh) 一种数据处理方法、装置、节点设备及存储介质
CN115695570B (zh) 医学影像扫描协议的转换方法、装置、设备和存储介质
CN113542127B (zh) 无角色vtep节点单vxlan拓扑查找方法及装置
CN116627764A (zh) 部署方法、装置、计算机设备和存储介质
CN117114087B (zh) 故障预测方法、计算机设备和可读存储介质
KR102567091B1 (ko) 블록체인 확장성을 위한 예측적 트랜잭션 처리 시스템 및 방법
CN111800481B (zh) 基于互联网的网络互动方法、装置及服务器
CN115730016B (zh) 数据同步方法、系统、装置、计算机设备和存储介质

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