CN112769619B - 一种基于决策树的多分类网络故障预测方法 - Google Patents
一种基于决策树的多分类网络故障预测方法 Download PDFInfo
- Publication number
- CN112769619B CN112769619B CN202110021897.6A CN202110021897A CN112769619B CN 112769619 B CN112769619 B CN 112769619B CN 202110021897 A CN202110021897 A CN 202110021897A CN 112769619 B CN112769619 B CN 112769619B
- Authority
- CN
- China
- Prior art keywords
- network
- class
- subclass
- classification
- network state
- 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
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000000926 separation method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H04L41/0631—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
- H04L41/0636—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 based on a decision tree analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- H04L41/14—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种基于决策树的多分类网络故障预测方法,通过对预设数据集内各个样本所对应的网络状态类型,构建与各个网络状态类型一一对应的各个大类,分别将各个大类构建为将所对应网络状态类型作为一大类中的一小类和预设数据集中除该网络状态类型以外、其余各个网络状态类型的非一小类,根据一小类和非一小类的类中心确定各个大类的类间距,并按照类间距从大到小的顺序,调取预设数据集内的各个大类所对应的网络状态的样本进行机器学习,获得各个网络状态类型所对应的网络分类模型,根据网络状态类型之间的排序、以及各个网络状态类型分别所对应的网络分类模型,构建多分类网络故障决策树模型。
Description
技术领域
本发明涉及通讯技术领域,特别涉及一种基于决策树的多分类网络故障预测方法。
背景技术
随着通信技术的蓬勃发展,人们对通信网络的依赖性都大幅提高,网络出现故障将会严重影响人们的正常生活,其中网络故障(network failure)是指由于硬件的问题、软件的漏洞、病毒的侵入等引起网络无法提供正常服务或降低服务质量的状态,因此,完善通信网络系统,对通信网络故障类型进行及时预测及排除,才能更加全方位的提升通信网络的可靠性和正常的运转。
机器学习作为一种实现人工智能的方法被广泛的应用于通信网络故障的预测分析,被越来越多该领域技术人员所青睐;目前研究的是决策树着力于分析二分类的问题,问题的结果只存在两种结果,有故障或是无故障。而在通信网络故障预测技术中,如果不单单只是预测出网络有无故障,而是进一步预测出网络故障的类型,这样对于以后网络故障的定位和维护不仅仅提供了很大的便利,更进一步降低了故障的产生,减少了网络资源的浪费,提高了网络运行的效率,因此,实现网络故障的多类型预测具有极高的研究价值和意义。
发明内容
有鉴于此,本发明提供一种基于决策树的多分类网络故障预测方法,以实现解决现有技术中网络故障预测结果只是单一的有故障和无故障两种结果,无法辨别属于哪种网络故障的类型。
为实现上述目的,本发明实施例提供如下技术方案:
一种基于决策树的多分类网络故障预测方法,包括:
步骤1、基于预设网络故障数据集内各个样本中指定各个网络特征、以及所对应的网络状态类型,构建各种网络状态类型分别一一对应的大类,并分别针对各个大类,由所对应网络状态类型构建为大类中的一小类,以及将网络故障数据集中除该网络状态类型以外、其余各种网络状态类型,组合构建为该大类中的非一小类;
步骤2、根据大类中一小类和非一小类各自的类中心,计算各个大类中两小类所对应的类间距,并根据类间距由大至小顺序,针对各个大类进行排序,并按此排序依次获得各个大类中一小类的网络状态类型的排序,即为各个网络状态类型之间的排序;
步骤3、分别针对每个网络状态类型,从网络故障数据集中调取属于网络状态类型所对应的各个样本,并进行机器学习,获得该网络状态类型所对应样本中各个网络特征为输入、样本中所对应网络状态类型为输出的网络分类模型;进而获得各个网络状态类型分别所对应的网络分类模型;
根据各个网络状态类型之间的排序、以及各个网络状态类型分别所对应的网络分类模型,构建多分类网络故障决策树模型;
步骤A、提取目标场景中与网络故障数据集内样本中各个网络特征相同的网络特征的数据,应用多分类网络故障决策树模型,针对该各个网络特征的数据进行处理,获得目标场景所对应的分类结果。
作为本发明的一种优选方案,所述步骤1中指定的各个特征包括但不限于:为41个,其中第1个至第9个为TCP连接基本特征、第10个至第22个为TCP连接的内容特征、第23个至第31个为基于时间的网络流量统计特征、第32个至第41个为基于主机的网络流量统计特征。
作为本发明的一种优选方案,所述步骤1中网络状态类型为5类,分别为N类,表示正常;P类,表示端口监视或扫描;D类,表示拒绝服务攻击;U类,表示未授权的本地超级用户特权访问;R类,表示来自远程主机的未授权访问。
作为本发明的一种优选方案,所述步骤1中对预设网络故障数据集采用数值归一化进行数据预处理,然后进行各个大类的构建。
作为本发明的一种优选方案,所述步骤2中各个大类的类间距计算如下:
首先求得每组中一小类和非一小类的类中心:
M表示一小类所有样本中第i特征的平均值,M′表示非一小类所有样本中第i’特征的平均值;N、N′分别表示一小类、非一小类中的样本总数;n表示样本中所指定的特征数;i、i′分别表示一小类、非一小类样本的序号;j表示样本中特征的序号,Xij表示一小类中第i个样本中的第j个特征;X′i′j表示非一小类中第i′个样本中的第j个特征;
最后求得每组中一小类和非一小类的类间距离为:
作为本发明的一种优选方案,所述步骤3中构建多分类网络故障决策树模型过程的算法采用最小基尼系数。
作为本发明的一种优选方案,所述步骤1中对预设网络故障数据集预处理之后的数据进行PAC降维操作。
本发明所述的一种基于决策树的多分类网络故障预测方法,通过对预设网络故障数据集内各个样本所对应的网络状态类型,构建与各个网络状态类型一一对应的各个大类,并分别针对各个大类,由所对应网络状态类型构建为大类中的一小类,以及将网络故障数据集中除该网络状态类型以外、其余各种网络状态类型,组合构建为该大类中的非一小类,根据一小类和非一小类的类中心确定各个大类的类间距,并按照类间距从大到小的顺序,调取预设网络故障数据集内属于网络状态类型所对应的各个样本进行机器学习,获得各个网络状态类型所对应的网络分类模型,根据网络状态类型类间距的排序、以及各个网络状态类型分别所对应的网络分类模型,构建多分类网络故障决策树模型;本发明设计方法实现了网络故障多类型的判断,降低了网路故障的产生,进一步提高了网路故障的定位和网络运行的效率。
附图说明
图1是本发明建立决策树的多分类网络故障预测方法的流程示意图;
图2是本发明建立决策树的多分类网络故障预测模型的结构示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明提供了一种基于决策树的多分类网络故障预测方法,即利用各个网络状态的类中心计算得到各个网络状态的类间距,按照类间距的大小依次调用预设网络故障数据集中属于该网络状态类型的样本进行机器学习,得到属于各个网络状态类型的网络分类模型,由各个网络状态的类间距和网络分类模型,构建多分类网路故障决策树模型;
本发明所设计的一种基于决策树的多分类网路故障预测方法,具体包括,步骤1、基于预设网络故障数据集内各个样本中指定41网络特征,其中第1个至第9个为TCP连接基本特征、第10个至第22个为TCP连接的内容特征、第23个至第31个为基于时间的网络流量统计特征、第32个至第41个为基于主机的网络流量统计特征、以及所对应的5类网络状态类型,分别为N类,表示正常;P类,表示端口监视或扫描;D类,表示拒绝服务攻击;U类,表示未授权的本地超级用户特权访问;R类,表示来自远程主机的未授权访问,然后对预设网络故障数据集进行数值归一化处理,对预处理之后的数据再进行PAC降维操作,然后构建各种网络状态类型分别一一对应的大类,并分别针对各个大类,由所对应网络状态类型构建为大类中的一小类,以及将网络故障数据集中除该网络状态类型以外、其余各种网络状态类型,组合构建为该大类中的非一小类;待分别完成各个大类的构建之后,然后进入步骤2;
步骤2、根据大类中一小类和非一小类各自的的类中心,计算各个大类中两小类所对应的类间距,并根据类间距由大至小顺序,针对各个大类进行排序,并按此排序依次获得各个大类中一小类的网络状态类型的排序,即为各个网络状态类型之间的排序,然后进入步骤3;
其中各个大类的类间距,计算公式如下:
首先求得每组中一小类和非一小类的类中心:
其中:M表示一小类所有样本中第i特征的平均值,M′表示非一小类所有样本中第i’特征的平均值;N、N′分别表示一小类、非一小类中的样本总数;n表示样本中所指定的特征数;i、i′分别表示一小类、非一小类样本的序号;j表示样本中特征的序号,Xij表示一小类中第i个样本中的第j个特征;X′i′j表示非一小类中第i′个样本中的第j个特征;
最后求得每组中一小类和非一小类的类间距离为:
步骤3、分别针对每个网络状态类型,从网络故障数据集中调取属于网络状态类型所对应的各个样本,并采用CART算法进行机器学习,获得该网络状态类型所对应样本中各个网络特征为输入、样本中所对应网络状态类型为输出的网络分类模型;进而获得各个网络状态类型分别所对应的网络分类模型;
根据各个网络状态类型之间的排序、以及各个网络状态类型分别所对应的网络分类模型,构建多分类网络故障决策树模型;
步骤A、提取目标场景中与网络故障数据集内样本中各个网络特征相同的网络特征的数据,应用多分类网络故障决策树模型,针对该各个网络特征的数据进行处理,获得目标场景所对应的分类结果。
本发明方法相较于较传统决策树迭代方法,在不明显增加运行时间的情况下,其故障预测性能有着较明显的提升,从而实现多分类的网络故障预测。
将本发明所设计的一种基于决策树的多分类网路故障预测方法,如图1所示,通过以下步骤1至步骤3构建多分类网络故障决策树模型;
执行步骤1,具体如下步骤1.1至步骤1.3:
步骤1.1、对预设网络故障数据集的数据进行预处理;
执行以上所述步骤,对预设网络数据集进行数据预处理,其中预设网络故障数据集为KDDCUP99,数据集中每个样本都有41个特征,其中包括3个非数值型特征(符号型)特征(2,3,4)和38个数值型特征,以下为该数据集中随机抽取的一条连接记录:
0,tcp,http,SF,239,486,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,8,8,0,0,0,0,1,0,0,19,19,1,0,0.05,0,0,0,0,0,normal。
其中,第1到第9个特征是TCP连接基本特征,包含一些连接的基本属性;第10到第22个特征是TCP连接的内容特征;第23到第31个特征是基于时间的网络流量统计特征;第32到第41个特征是基于主机的网络流量统计特征。最后的标签normal表示该条连接记录正常的,其余非normal标签则表示异常,即故障。
首先将KDD99数据集中3个非数值型特征转化为数值型特征,最后将数值化后的数据集进行数值归一化到具体的数值范围[0,1]区间内,目的是为了保证各种特征的对结果的影响均衡。
步骤1.2、对网络故障数据集中预处理后的数据集进行降维操作;
对步骤1.1对KDDCUP99数据集进行数据归一化处理后,进行主成分分析(PCA)降维操作,如表1所示,主成分序号越大,贡献率越低,当主成分数目为6时,累计贡献率已经增长的很缓慢了(小于1%)。因此,本发明将原始41维数据降维到6维数据进行之后的网络故障预测,目的是不仅减少了自身的冗余程度,提高实验的运行速度,并且只留下对结果影响较大的属性,进一步提高实验结果的精度;
表1
步骤1.3、对预设网络故障数据集内所对应的网络状态类型进行分类;
根据上述方法,所述预设网络故障数据集KDDCUP99中网络状态类型包括五种类型,即NORMAL、PROBE、DOS、U2R、R2L,简称N、P、D、U、R,其中N表示正常,P表示端口监视或扫描,D表示拒绝服务攻击,U表示未授权的本地超级用户特权访问,R表示来自远程主机的未授权访问;
将5种网络状态类型分为5大类,分别为所对应网络状态类型的一小类和除一小类的所有网络状态类型的数据集合的非一小类,即为N和{P,D,U,R},P和{N,D,U,R},D和{N,P,U,R},U和{N,P,D,R},R和{D,P,D,U};
步骤2、分别计算各个大类的类间距,并按照从大到小的顺序排序,步骤如下;
求得每组中一小类和非一小类的类中心:
其中:M表示一小类所有样本中第i特征的平均值,M′表示非一小类所有样本中第i’特征的平均值;N、N′分别表示一小类、非一小类中的样本总数;n表示样本中所指定的特征数;i、i′分别表示一小类、非一小类样本的序号;j表示样本中特征的序号,Xij表示一小类中第i个样本中的第j个特征;X′i′j表示非一小类中第i′个样本中的第j个特征;
求得每组中一小类和非一小类的类间距离为:
本实施例采用KDDCPU99数据集中的494021条样本进行各个大类的类间距的计算,结果如表2所示:
类别 | 一小类样本数目 | 非一小类样本数目 | 一小类和非一小类的类间距 |
N | 97278 | 396743 | 1.6993 |
P | 4107 | 489914 | 1.3686 |
D | 391458 | 102563 | 0.0770 |
U | 52 | 493969 | 1.3649 |
R | 1126 | 492895 | 1.3676 |
表2
由数据可知,N类的类间距离大于其他各个大类的类间距离,即N类的易分离性最好,表示无故障,因此,应该将N类作为第一最优分离类;四种故障类型中,D类相较于替他三类来说,其类间距离最小,这表明D类的易分离性最差,如果将其安排在上层节点,其产生的分类错误会越多,以致对整个分类过程所产生的影响也会最大,这样会导致决策树多分类的准确率下降。因此应该将其放在最后分离;其他三种故障类型的类间距离均在1.36-1.37之间,因此本实施例对各个大类的分离顺序为:N,P,U,R,D。
步骤3、构建多分类网络故障决策树模型;
根据步骤2获取的各个大类的类间距的顺序,依次调取KDCUP99数据集中的属于网络状态类型所对应的各个样本进行机器学习,获得各个网络状态类型分别所对应的网络分类模型;
根据各个网络状态类型之间的排序、以及各个网络状态类型分别所对应的网络分类模型,采用CART算法进行机器学习,依次构建决策树多分类模型,CART算法是通过使用最小基尼系数进行判断分类;
基尼系数(Gini不纯度)表示在样本集合中一个随机选中的样本被分错的概率,Gini指数越小表示集合中被选中的样本被参错的概率越小,也就是说集合的纯度越高,反之,集合越不纯。当集合中所有样本为一个类时,基尼指数为0,计算公式为:
所述K为数据集中样本网络状态类型数量,Pi为第i类样本的数量占总样本数量的比例;
如图2所示,从KDDCUP99数据集中选取的494021条样本调取属于N类的样本,利用CART算法进行机器学习,形成预测N类的网络分类模型,并将预测N类的数据进行删除;
接着调取剩余样本中属于P类的样本,利用CART算法进行机器学习,形成预测P类的网络分类模型,并将预测P类将数据进行删除;
接着调取剩余样本中属于U类的样本,利用CART算法进行机器学习,形成预测U类的网络分类模型,并将预测U类数据进行删除;
最后将剩余样本中属于R类和属于D类的两大类样本,利用CART算法进行机器学习,形成预测R类和预测D类的两类网络分类模型,网络分类模型构建完成。
实验结果对比:
按照本实施例图2所示的各个大类的分离顺序采用正序和倒序以及与传统决策树迭代的方法进行比较,试验结果如表3所示:
表3
由上述实施例可见本发明为一种基于决策树的多分类网络故障预测方法,通过对预设网络故障数据集内各个样本所对应的网络状态类型,构建与各个网络状态类型一一对应的各个大类,并分别针对各个大类,由所对应网络状态类型构建为大类中的一小类,以及将网络故障数据集中除该网络状态类型以外、其余各种网络状态类型,组合构建为该大类中的非一小类,根据一小类和非一小类的类中心确定各个大类的类间距,并按照类间距从大到小的顺序,调取预设网络故障数据集内属于网络状态类型所对应的各个样本进行机器学习,获得各个网络状态类型所对应的网络分类模型,根据网络状态类型类间距的排序、以及各个网络状态类型分别所对应的网络分类模型,构建多分类网络故障决策树模型;本发明设计方法实现了网络故障多类型的判断,降低了网路故障的产生,进一步提高了网路故障的定位和网络运行的效率。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种基于决策树的多分类网络故障预测方法,其特征在于,通过以下步骤1至步骤3构建多分类网络故障决策树模型,通过步骤A确定目标场景中的分类结果;
步骤1、基于预设网络故障数据集内各个样本中指定各个网络特征、以及所对应的网络状态类型,构建各种网络状态类型分别一一对应的大类,并分别针对各个大类,由所对应网络状态类型构建为大类中的一小类,以及将网络故障数据集中除该网络状态类型以外、其余各种网络状态类型,组合构建为该大类中的非一小类;待分别完成各个大类的构建之后,然后进入步骤2;
步骤2、根据大类中一小类和非一小类各自的类中心,计算各个大类中两小类所对应的类间距,并根据类间距由大至小顺序,针对各个大类进行排序,并按此排序依次获得各个大类中一小类的网络状态类型的排序,即为各个网络状态类型之间的排序,然后进入步骤3;
步骤3、分别针对每个网络状态类型,从网络故障数据集中调取属于网络状态类型所对应的各个样本,并进行机器学习,获得该网络状态类型所对应样本中各个网络特征为输入、样本中所对应网络状态类型为输出的网络分类模型;进而获得各个网络状态类型分别所对应的网络分类模型;
根据各个网络状态类型之间的排序、以及各个网络状态类型分别所对应的网络分类模型,构建多分类网络故障决策树模型;
步骤A、提取目标场景中与网络故障数据集内样本中各个网络特征相同的网络特征的数据,应用多分类网络故障决策树模型,针对该各个网络特征的数据进行处理,获得目标场景所对应的分类结果。
2.根据权利要求1所述的一种基于决策树的多分类网络故障预测方法,其特征在于,所述预设网络故障数据集内各个样本中的指定网络特征为41个,其中第1个至第9个为TCP连接基本特征、第10个至第22个为TCP连接的内容特征、第23个至第31个为基于时间的网络流量统计特征、第32个至第41个为基于主机的网络流量统计特征。
3.根据权利要求1所述的一种基于决策树的多分类网络故障预测方法,其特征在于,所述步骤1中网络状态类型为5类,分别为N类,表示正常;P类,表示端口监视或扫描;D类,表示拒绝服务攻击;U类,表示未授权的本地超级用户特权访问;R类,表示来自远程主机的未授权访问。
4.根据权利要求1所述的一种基于决策树的多分类网络故障预测方法,其特征在于,所述步骤1中,首先预设网络故障数据集采用数据数值化和归一化进行数据预处理,然后进行各个大类的构建。
6.根据权利要求1所述的一种基于决策树的多分类网络故障预测方法,其特征在于,所述步骤3中构建多分类网络故障决策树模型过程的算法采用CART算法。
7.根据权利要求4所述的一种基于决策树的多分类网络故障预测方法,其特征在于,对预设网络故障数据集预处理之后的数据进行PAC降维操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110021897.6A CN112769619B (zh) | 2021-01-08 | 2021-01-08 | 一种基于决策树的多分类网络故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110021897.6A CN112769619B (zh) | 2021-01-08 | 2021-01-08 | 一种基于决策树的多分类网络故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112769619A CN112769619A (zh) | 2021-05-07 |
CN112769619B true CN112769619B (zh) | 2022-08-16 |
Family
ID=75700939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110021897.6A Active CN112769619B (zh) | 2021-01-08 | 2021-01-08 | 一种基于决策树的多分类网络故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112769619B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114629797B (zh) * | 2022-03-11 | 2024-03-08 | 阿里巴巴(中国)有限公司 | 带宽预测方法、模型生成方法及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11195057B2 (en) * | 2014-03-18 | 2021-12-07 | Z Advanced Computing, Inc. | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
CN110474786B (zh) * | 2018-05-10 | 2022-05-24 | 上海大唐移动通信设备有限公司 | 基于随机森林分析VoLTE网络故障原因的方法及装置 |
CN109617715A (zh) * | 2018-11-27 | 2019-04-12 | 中盈优创资讯科技有限公司 | 网络故障诊断方法、系统 |
CN111030941A (zh) * | 2019-10-29 | 2020-04-17 | 武汉瑞盈通网络技术有限公司 | 一种基于决策树的https加密流量分类方法 |
-
2021
- 2021-01-08 CN CN202110021897.6A patent/CN112769619B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112769619A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114244687B (zh) | 基于AIOps网络故障自愈可操作性判断方法 | |
CN112905421A (zh) | 基于注意力机制的lstm网络的容器异常行为检测方法 | |
CN111798312A (zh) | 一种基于孤立森林算法的金融交易系统异常识别方法 | |
CN114553983B (zh) | 一种基于深度学习高效工业控制协议解析方法 | |
CN112738014A (zh) | 一种基于卷积时序网络的工控流量异常检测方法及系统 | |
CN113378990A (zh) | 基于深度学习的流量数据异常检测方法 | |
CN112491891B (zh) | 物联网环境下基于混合深度学习的网络攻击检测方法 | |
CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN112769619B (zh) | 一种基于决策树的多分类网络故障预测方法 | |
CN114281864A (zh) | 一种面向电力网络告警信息的关联分析方法 | |
CN114513367A (zh) | 基于图神经网络的蜂窝网络异常检测方法 | |
CN114647558A (zh) | 一种日志异常检测的方法和装置 | |
CN110650124A (zh) | 一种基于多层回声状态网络的网络流量异常检测方法 | |
CN112422546A (zh) | 一种基于变邻域算法和模糊聚类的网络异常检测方法 | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
CN115033893B (zh) | 一种改进型聚类算法的信息漏洞数据分析方法 | |
CN114120462B (zh) | 基于监管平台的劳务实名制数据的自适应推送系统及方法 | |
CN113935023A (zh) | 一种数据库异常行为检测方法及装置 | |
CN114171057A (zh) | 基于声纹的变压器事件检测方法及系统 | |
CN113296994A (zh) | 一种基于国产计算平台的故障诊断系统及方法 | |
CN112860648A (zh) | 一种基于日志平台的智能分析方法 | |
Sicheng et al. | Abnormal line loss data detection and correction method | |
CN113076217A (zh) | 基于国产平台的磁盘故障预测方法 | |
CN113328986A (zh) | 基于卷积神经网络与lstm结合的网络流量异常检测方法 | |
CN116340765B (zh) | 一种窃电用户预测方法、装置、存储介质及电子设备 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210507 Assignee: NANJING ELECTRIC POWER AUTOMATION EQUIPMENT THIRD FACTORY Co.,Ltd. Assignor: Nanjing University of Information Science and Technology Contract record no.: X2023980047114 Denomination of invention: A Decision Tree Based Fault Prediction Method for Multi class Networks Granted publication date: 20220816 License type: Common License Record date: 20231115 |
|
EE01 | Entry into force of recordation of patent licensing contract |