CN113079043B - 一种基于码本的网络故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于码本的网络故障诊断方法，所述方法包括：获取网络故障监测数据，所述监测数据包括所述网络故障对应于可观测的症状的统计；将数据输入到一个经过算法优化码本矩阵中，利用提出的启发式搜索算法进行搜索与分析，得出该监测数据下的网络故障诊断结果。采用本发明方法，可以高效地构建码本矩阵以对网络进行自动化诊断。

Description

一种基于码本的网络故障诊断方法

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于码本的网络故障诊断方法。

背景技术

大型网路中心的运维人员在维护网络的正常运行时，往往需要对网络故障进行检测，解释和处理，其中的网络故障，可以被定义为网络运行中的异常情况，通常是硬件或软件上的故障，或者说是性能瓶颈。由一个网络组件造成的故障可能会导致若干有关联的组件中出现症状，运维人员则需要在若干出现的症状中进行观察与分析，以识别并且定位故障的根因。

在相关的技术中，技术人员往往会通过以往的专家经验对现有的网络故障进行推测与定位。常见的诊断方法有基于历史案例数据进行统计与分析的码本方法。在码本方法中，不同的故障类型用其代码加以区分，然后用故障代码构成的矩阵来表示码本。矩阵的横坐标代表了不同的故障类型集合F，例如：硬件设备故障、软件bug、运营商故障等，纵坐标代表了可观测的症状类型集合S，例如：网络流量入方向bps丢包、网络流量安全组拦截事件。因此码本矩阵为|S|×|F|大小的矩阵，矩阵中的每个值c_ij为：

c_ij＝p(s_i|f_j)

其中，s_i表示编码中的第i个症状，f_j表示为第j个故障，c_ij的具体含义为故障f_j发生的时候，观测到症状s_i的概率。

一般来说，对于建立好码本后进行诊断的故障定位问题，属于经典的集合覆盖问题，可以表示为：找到一组最能够解释观测的症状集合S₀的故障假设H(H∈F)。因此，H使得

H＝argmax(g(H，S₀))

其中，g(H，S₀)为良函数，表示S₀与故障H之间的相关性强度的一种度量。良函数的定义如下：

其中，p(f)表示故障f发生的概率。

求解上述集合覆盖问题的主要困难在于，这是一个NP-hard问题，其计算复杂度是随着|S|和|F|的增大呈几何趋势增长的。因此，需要一种优秀的方法在不降低诊断性能的情况下来降低码本矩阵的大小。在此基础上，需要一种计算复杂度低的方法来从优化的码本矩阵中得到网络故障的诊断结果，从而实现网络故障诊断的自动化。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于码本的网络故障诊断方法。

本发明的目的是通过以下技术方案实现的：一种基于码本的网络故障诊断方法，该方法包括以下步骤：

步骤1：依靠现有的网络异常检测模块，对网络的各项监测指标设置监控并进行数据采集，当有网络故障产生的时候，由相关的技术人员记录网络的异常症状和故障诊断结果并存储。

步骤2：利用历史的网络故障诊断数据进行预统计，生成初始的|S|×|F|大小码本矩阵，矩阵的第i行第j列的值c_ij为：

c_ij＝p(s_i|f_j)

其中，i∈[0，|S|-1]，j∈[0，|F|-1]，S为网络症状的集合，F为网络故障的集合，p(s_i|f_j)意为当故障f_j发生时，观测到症状s_i的后验概率。

步骤3：利用本申请提出的码本优化方法可以对初始的码本矩阵进行优化，以缩小码本矩阵的大小。码本优化方法如下所示：

1)对于初始的码本矩阵，为了度量每个症状对故障的区分程度，本发明定义了区分度w(s_i)用于度量症状s_i对于故障的区分程度。

注意到如果一个症状s_i对于某些故障f_j的相关性高，对于另一些故障f_k的相关性低，那么就可以认为，症状s_i对于故障定位而言，具有较强的区分度，可以把故障f_j与故障f_k加以区分。因此，被选取的症状s_i对于所有故障而言应该具有良好的区分度，最好是对一半的故障的相关度为0，对另一半的故障的相关度为1，这样可以排除一半的故障候选结果。总体标准差t_i具有这样的度量效果，可以描绘样本的离散程度。因此，w(s_i)使用总体标准差t_i来描绘症状s_i对于所有故障对中的最小区分故障对的增益度量。当样本中所有个体的取值均在0到1之间时，总体标准差t_i的取值范围为[0，0.5]。由于原始样本的总体标准差的取值过多集中于0.25附近，分布不够均匀。因此本发明对其做了一定的函数变换，使其在0到1之间的分布更加均匀。每一行症状s_i的区分度w(s_i)的计算过程如下所示：

其中，

为每一行矩阵码字的平均值；

2)利用w(s_i)对所有的症状s_i进行排序，利用预设的阈值η，筛选出所有w(s_i)大于η的症状集合S^*；

3)将筛选出来的S^*与F组成新的优化码本矩阵。

步骤4：实际使用过程中，在网络出现故障的情况下，使用步骤3得到的优化码本矩阵，再加上当前的网络异常症状S₀，通过本申请提出的故障搜索算法，可以获得最终的网络故障的诊断结果H^*，用于指出当前网络故障的故障原因。

考虑到良函数g(H，S)中与症状S有关的计算式仅有∏_s∈S[1-∏_f∈H(1-p(s|f))]，因此，当只有一个观测症状，即S₀＝{s₀}时，则仅发生故障f_i的概率为：

从公式中很容易看出，

为定值，

仅与f_i，s₀相关。因此，可以将该值定义为故障f_i对症状s₀的故障贡献度，用于度量故障f_i对症状s₀的重要程度。即任意故障f_j对症状s_i的故障贡献度如下：

对ε(f_j，s_i)在故障维度上进行归一化后有μ(f_j，s_i)为：

对μ(f_j，s_i)在症状维度上进行归一化后有Cont(f_j，S₀)为：

本发明使用故障贡献度Cont(f_j，S₀)度量任一故障f_j对于症状集合S₀的重要程度，将重要程度高的候选故障f_j筛选出来并进行故障搜索，以获取最终的最优解。

算法的具体细节如下所示：

1)对于所有可能的故障f_j∈F，计算其对于症状S₀的故障贡献度Cont(f_j，S₀)，如下所示：

2)根据预设的阈值σ，排除故障贡献度Cont(f_j，S₀)＜σ对应的故障f_j，得到剩余的故障候选集F^r；

3)对所有F^r的非空子集H，计算最优解H^*，计算公式如下所示：

其中p(f)为所有统计案例中，故障f发生的概率。

进一步地，所述步骤3中的码本优化方法采用的是基于总体标准差t_i得来的区分度w(s_i)。

进一步地，所述步骤4中的故障搜索算法时基于本发明提出的故障贡献度Cont(f_j，S₀)实现的。

本发明与现有技术相比，具有如下的优点：

第一，本发明在不丢失码本主要信息的情况下，筛选出了重要的码本信息，相比于现有的码本诊断方案有着更加便捷和鲁棒的性能；

第二，本发明在进行网络故障诊断的过程中，优先利用优化的解码方案，排除了部分无效备选故障，大大提升了解码的速度，相比与现有的码本解码方案有着更快的实时性；

第三，本发明实现了诊断信息的自动化分析，相较于人工分析诊断结果更加高效。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本发明实施例中的优化码本矩阵生成方法的流程图。

图2是本发明实施例中的优化码本矩阵解码方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

在实施中，为了能够实时地监控网络的运行情况，可在网络中心部署网络异常检测模块，通过对网络中的部分指标信息和事件信息进行监控，以判断网络的健康状况。当网络故障发生时，由相关的技术人员记录网络的异常症状和故障诊断结果并存储。

图1示出了本发明实施例中的优化码本矩阵生成方法的流程图。

通过输入历史的诊断数据，按照c_ij＝p(s_i|f_j)的方式构造初始的码本矩阵，后经由码本分析优化组件对码本矩阵进行优化，以精简码本矩阵的症状数量，获得优化后的码本矩阵。

图2示出了本发明实施例中的优化码本矩阵解码方法的流程图。

当出现新的网络故障时，先通过异常检测模块收集网络故障的具体症状，并结合优化码本矩阵一同输入至优化码本解码算法中进行分析，得出当前网络故障的最优故障解释集合H^*。基于该方案，技术人员可以将网络故障的症状分析的工作交由自动化的解码矩阵进行分析，这大大降低了技术人员的重复性推断工作，提交了技术人员的故障排除效率。

本发明的实现流程具体如下：

步骤1：依靠现有的网络异常检测模块，对网络的各项监测指标设置监控并进行数据采集，当有网络故障产生的时候，由相关的技术人员记录网络的异常症状和故障诊断结果并存储。

步骤2：利用历史的网络故障诊断数据进行预统计，生成初始的|S|×|F|大小码本矩阵，矩阵的第i行第j列的值c_ij为：

c_ij＝p(s_i|f_j)

其中，i∈[0，|S|-1]，j∈[0，|F|-1]，S为网络症状的集合，F为网络故障的集合，p(s_i|f_j)意为当故障f_j发生时，观测到症状s_i的后验概率。

步骤3：利用本申请提出的码本优化方法可以对初始的码本矩阵进行优化，以缩小码本矩阵的大小。码本优化方法如下所示：

1)对于初始的码本矩阵，为了度量每个症状对故障的区分程度，本发明定义了区分度w(s_i)用于度量症状s_i对于故障的区分程度。

注意到如果一个症状s_i对于某些故障f_j的相关性高，对于另一些故障f_k的相关性低，那么就可以认为，症状s_i对于故障定位而言，具有较强的区分度，可以把故障f_j与故障f_k加以区分。因此，被选取的症状s_i对于所有故障而言应该具有良好的区分度，最好是对一半的故障的相关度为0，对另一半的故障的相关度为1，这样可以排除一半的故障候选结果。总体标准差t_i具有这样的度量效果，可以描绘样本的离散程度。因此，w(s_i)使用总体标准差t_i来描绘症状s_i对于所有故障对中的最小区分故障对的增益度量。当样本中所有个体的取值均在0到1之间时，总体标准差t_i的取值范围为[0，0.5]。由于原始样本的总体标准差的取值过多集中于0.25附近，分布不够均匀。因此本发明对其做了一定的函数变换，使其在0到1之间的分布更加均匀。每一行症状s_i的区分度w(s_i)的计算过程如下所示：

其中，

为每一行矩阵码字的平均值；

2)利用w(s_i)对所有的症状s_i进行排序，利用预设的阈值η，筛选出所有w(s_i)大于η的症状集合S^*；

3)将筛选出来的S^*与F组成新的优化码本矩阵。

步骤4：实际使用过程中，在网络出现故障的情况下，使用步骤3得到的优化码本矩阵，再加上当前的网络异常症状S₀，通过本申请提出的故障搜索算法，可以获得最终的网络故障的诊断结果H^*，用于指出当前网络故障的故障原因。

考虑到良函数g(H，S)中与症状S有关的计算式仅有∏_s∈S[1-∏_f∈H(1-p(s|f))]，因此，当只有一个观测症状，即S₀＝{s₀}时，则仅发生故障f_i的概率为：

从公式中很容易看出，

为定值，

仅与f_i，s₀相关。因此，可以将该值定义为故障f_i对症状s₀的故障贡献度，用于度量故障f_i对症状s₀的重要程度。即任意故障f_j对症状s_i的故障贡献度如下：

对ε(f_j，s_i)在故障维度上进行归一化后有μ(f_j，s_i)为：

对μ(f_j，s_i)在症状维度上进行归一化后有Cont(f_j，S₀)为：

本发明使用故障贡献度Cont(f_j，S₀)度量任一故障f_j对于症状集合S₀的重要程度，将重要程度高的候选故障f_j筛选出来并进行故障搜索，以获取最终的最优解。

算法的具体细节如下所示：

1)对于所有可能的故障f_j∈F，计算其对于症状S₀的故障贡献度Cont(f_j，S₀)，如下所示：

2)根据预设的阈值σ，排除故障贡献度Cont(f_j，S₀)＜σ对应的故障f_j，得到剩余的故障候选集F^r；

3)对所有F^r的非空子集H，计算最优解H^*，计算公式如下所示：

其中p(f)为所有统计案例中，故障f发生的概率。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (4)

1.一种基于码本的网络故障诊断方法，其特征在于，该方法包括以下步骤：

S1：利用历史网络故障诊断数据生成初始的|S|×|F|大小码本矩阵，矩阵第i行第j列的值c_ij为：

c_ij＝p(s_i|f_j)

其中，i∈[0，|S|-1]，j∈[0，|F|-1]，S为网络症状集合，F为网络故障集合，p(s_i|f_j)为当故障f_j发生时，观测到症状s_i的后验概率；

S2：对初始码本矩阵进行优化，缩小码本矩阵大小，具体为：

S2.1：计算初始码本矩阵中每一行症状s_i的区分度w(s_i)，计算公式如下：

其中，

为每一行矩阵码字的平均值；

S2.2：利用w(s_i)对所有症状s_i进行排序，筛选出所有w(s_i)大于预设阈值η的症状集合S^*，将筛选出的S^*与F组成新的优化码本矩阵；

S3：在网络出现故障时，使用步骤2得到的优化码本矩阵，结合当前网络异常症状集合S₀，通过以下故障搜索算法获得最终的网络故障诊断结果H^*：

S3.1：对于所有可能的故障f_j∈F，计算其对于症状集合S₀的故障贡献度Cont(f_j，S₀)，如下所示：

S3.2：排除故障贡献度Cont(f_j，S₀)小于预设阈值σ对应的故障f_j，得到剩余的故障候选集F^r；

S3.3：对所有F^r的非空子集H，计算最优解H^*，计算公式如下：

其中p(f)为所有统计案例中，故障f发生的概率。

2.根据权利要求1所述的一种基于码本的网络故障诊断方法，其特征在于，所述历史网络故障诊断数据的获取方法为：依靠现有的网络异常检测模块，对网络的各项监测指标设置监控并进行数据采集，当有网络故障产生的时候，由相关的技术人员记录网络的异常症状和故障诊断结果并存储。

3.根据权利要求1所述的一种基于码本的网络故障诊断方法，其特征在于，所述步骤2中，w(s_i)使用总体标准差t_i来描绘症状s_i对于所有故障对中的最小区分故障对的增益度量。

4.根据权利要求1所述的一种基于码本的网络故障诊断方法，其特征在于，所述步骤3中，使用故障贡献度Cont(f_j，S₀)度量任一故障f_j对于症状集合S₀的重要程度。

Images