CN114285732A - 一种网络故障定位方法、系统、存储介质及电子设备 - Google Patents
一种网络故障定位方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114285732A CN114285732A CN202111592334.9A CN202111592334A CN114285732A CN 114285732 A CN114285732 A CN 114285732A CN 202111592334 A CN202111592334 A CN 202111592334A CN 114285732 A CN114285732 A CN 114285732A
- Authority
- CN
- China
- Prior art keywords
- network
- fault
- preset
- determining
- monitoring result
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 107
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 abstract description 16
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000007774 longterm Effects 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种网络故障定位方法、系统、存储介质及电子设备，通过网络流量模型对待处理的网络设备进行故障监测得到监测结果，若监测结果为处于异常状态的监测结果，确定该监测结果所对应的网络故障特征，通过预设概率算法将网络故障特征和预设网络故障特征进行概率估算，得到预设概率的网络故障，基于网络故障的故障节点位置信息确定网络设备的网络故障定位结果。基于上述，将获取到的异常网络流量数据作为机器学习样本特征集构建网络流量模型，通过网络流量模型对网络设备进行实时网络状态判断和监测，提高网络故障的检测效率和精确度。此外，通过网络故障定位结果辅助维护人员进行快速、准确的网络故障定位和维护，保障网络的长期稳定运行。
Description
技术领域
本申请涉及网络故障处理技术领域，更具体地说，涉及一种网络故障定位方法、系统、存储介质及电子设备。
背景技术
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。为了解决网络故障，需要对网络故障进行定位。
现有的网络故障定位方法，大多是采用主动探测法，即在各个节点设置探测器来进行网络故障的分析，从而获取故障节点信息，此方法需要部署大量探测设备，由于部署大量探测设备会为网络带来额外的配置开销及流量负载，进而降低网络故障定位的精确度。
因此，现有的网络故障定位方法的精确度低。
发明内容
有鉴于此，本申请公开了一种网络故障定位方法、系统、存储介质及电子设备，旨在提高网络故障的检测效率和精确度。此外，通过网络故障定位结果辅助维护人员进行快速、准确的网络故障定位和维护，保障网络的长期稳定运行。
为了实现上述目的，其公开的技术方案如下：
本申请第一方面公开了一种网络故障定位方法，所述方法包括：
通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果；所述监测结果用于指示所述待处理的网络设备的网络状态的情况；
若所述监测结果为处于异常状态的监测结果，则确定所述处于异常状态的监测结果所对应的网络故障特征；
通过预设概率算法，对所述网络故障特征和预先构建的网络故障事件数据库中的预设网络故障特征进行概率估算，得到预设概率的网络故障；所述预设概率用于表征在所述网络故障事件数据库中的最大概率；
基于所述预设概率的网络故障的故障节点位置信息，确定所述网络设备的网络故障定位结果。
优选的，所述通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果，包括：
通过预先构建的网络流量模型中的预设故障事件，对待处理的网络设备的设备事件进行匹配；
若所述预设故障事件与所述待处理的网络设备的设备事件匹配一致，则确定监测结果为处于异常状态的监测结果；
若所述预设故障事件与所述待处理的网络设备的设备事件匹配不一致，则确定监测结果为处于正常状态的监测结果。
优选的，所述基于预设概率的网络故障的故障节点位置信息，确定所述网络设备的网络故障定位结果，包括：
确定所述预设概率的网络故障在所述网络故障事件数据库中的故障节点位置信息；
基于所述故障节点位置信息，确定所述网络设备的网络故障定位结果。
优选的，构建网络流量模型的过程，包括：
对待处理的网络设备进行数据流量监测，得到所述待处理的网络设备对应的网络流量信息；
通过去噪算法对所述网络流量信息进行去噪处理，得到去噪后的网络流量信息；
提取所述去噪后的网络流量信息中的异常网络流量信息；
通过所述异常网络流量信息构建网络流量模型。
优选的，构建网络故障事件数据库的过程，包括：
通过预设故障节点的故障特征构建网络故障事件数据库。
本申请第二方面公开了一种网络故障定位系统，所述系统包括：
监测单元，用于通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果；所述监测结果用于指示所述待处理的网络设备的网络状态的情况；
第一确定单元，用于若所述监测结果为处于异常状态的监测结果，则确定所述处于异常状态的监测结果所对应的网络故障特征；
估算单元，用于通过预设概率算法，对所述网络故障特征和预先构建的网络故障事件数据库中的预设网络故障特征进行概率估算，得到预设概率的网络故障；所述预设概率用于表征在所述网络故障事件数据库中的最大概率；
第二确定单元，用于基于所述预设概率的网络故障的故障节点位置信息，确定所述网络设备的网络故障定位结果。
优选的，所述监测单元，还包括：
匹配模块，用于通过预先构建的网络流量模型中的预设故障事件，对待处理的网络设备的设备事件进行匹配；
第一确定模块，用于若所述预设故障事件与所述待处理的网络设备的设备事件匹配一致，则确定监测结果为处于异常状态的监测结果；
第二确定模块，用于若所述预设故障事件与所述待处理的网络设备的设备事件匹配不一致，则确定监测结果为处于正常状态的监测结果。
优选的，所述第二确定单元，包括：
第三确定模块，用于确定所述预设概率的网络故障在所述网络故障事件数据库中的故障节点位置信息；
第四确定模块，用于基于所述故障节点位置信息，确定所述网络设备的网络故障定位结果。
本申请第三方面公开了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如第一方面任意一项所述的网络故障定位方法。
本申请第四方面公开了一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如第一方面任意一项所述的网络故障定位方法。
经由上述技术方案可知，本申请公开了一种网络故障定位方法、系统、存储介质及电子设备，通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果，监测结果用于指示待处理的网络设备的网络状态的情况，若监测结果为处于异常状态的监测结果，则确定处于异常状态的监测结果所对应的网络故障特征，通过预设概率算法，将网络故障特征和预先构建的网络故障事件数据库中的预设网络故障特征进行概率估算，得到预设概率的网络故障；预设概率用于表征在所述网络故障事件数据库中的最大概率，基于预设概率的网络故障的故障节点位置信息，确定网络设备的网络故障定位结果。基于上述，将获取到的异常网络流量数据作为机器学习样本特征集构建网络流量模型，通过网络流量模型对网络设备进行实时网络状态判断和监测，有利于提高网络故障的检测效率和精确度。此外，通过网络故障定位结果辅助维护人员进行快速、准确的网络故障定位和维护，保障网络的长期稳定运行。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种网络故障定位方法的流程示意图；
图2为本申请实施例公开的通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果的流程示意图；
图3为本申请实施例公开的确定网络设备的网络故障定位结果的流程示意图；
图4为本申请实施例公开的一种网络故障定位系统的结构示意图；
图5为本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知，现有的网络故障定位方法的精确度低。
为了解决上述问题，本申请实施例公开了一种网络故障定位方法、系统、存储介质及电子设备，通过将获取到异常网络流量数据作为机器学习样本特征集构建网络流量模型，通过网络流量模型对网络设备进行实时网络状态判断和监测，有利于提高网络故障的检测效率和精确度。此外，可辅助维护人员进行快速、准确的网络故障定位和维护，保障网络的长期稳定运行。具体实现方式通过下述实施例进行说明。
参考图1所示，为本申请实施例公开的一种网络故障定位方法的流程示意图，该网络故障定位方法主要包括如下步骤：
S101：通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果；监测结果用于指示待处理的网络设备的网络状态的情况，若监测结果为处于异常状态的监测结果，则执行S102，若监测结果为处于正常状态的监测结果，则执行S105。
在S101中，网络设备包括集线器、交换机、网桥、路由器、网关等设备。
网络流量模型的构建过程如下：
首先，对待处理的网络设备进行数据流量监测，得到待处理的网络设备对应的网络流量信息。
其中，通过网管系统对待处理的网络设备进行数据流量监测，实时获取该网络设备运行应用时的网络流量信息。
符合网络流量模型的数据为正常的数据包，通过过滤掉处于正常的数据包，得到异常网络流量信息。
例如，对整个网络流量模型上的网络设备进行故障监听，如该网络流量模型的10个网络设备，前9个设备的监测结果都是正常的(即监测结果处于正常状态)，第10个设备的监测结果为异常的(即监测结果处于异常状态)，监测结果处于异常状态如，丢包故障、无网络响应故障、延时故障、失真故障等异常故障。
其次，通过去噪算法对网络流量信息进行去噪处理，得到去噪后的网络流量信息。
其中，通过去噪算法对网络流量信息进行去噪处理，提高网络流量信息的精度。
去噪算法可以为小波变换，可替换为邻域平均法、中值滤波、低通滤波等，具体去噪算法的确定由技术人员根据实际情况进行设置，本申请不做具体限定。
然后，提取去噪后的网络流量信息中的异常网络流量信息。
其中，异常网络流量信息如网络病毒类的异常流量信息、故障类的异常流量信息等。
最后，通过异常网络流量信息构建网络流量模型。
其中，将获取到异常网络流量数据作为机器学习样本特征集，来构建网络流量模型。
利用网络流量模型进行实时的网络状态判断和监测，进而有利于提高网络故障的检测效率和精度，同时为后续网络故障定位奠定基础。
具体通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果的过程如A1-A3所示。
A1：通过预先构建的网络流量模型中的预设故障事件，对待处理的网络设备的设备事件进行匹配。
其中，通过网络流量模型构建的故障节点即为常见的故障节点，通过常见的故障节点的故障症状构建网络故障事件数据库。网络故障事件数据库存储着故障的特征信息，其中，故障的特征信息包括网关故障事件、集线器故障事件、交换机故障事件、网桥故障事件、路由器故障事件等。
待处理的网络设备的设备事件包括网关故障事件、网关正常事件、集线器故障事件、集线器正常事件、交换机故障事件、交换机正常事件、网桥故障事件、网桥正常事件、路由器故障事件、路由器正常事件等。
网络流量模型中已预先设置好预设故障事件，预设故障事件包括预设网关故障事件、预设集线器故障事件、预设交换机故障事件、预设网桥故障事件、预设路由器故障事件等。
A2：若预设故障事件与待处理的网络设备的设备事件匹配一致，则确定监测结果为处于异常状态的监测结果。
例如，待处理的网络设备的设备事件为网关故障事件，则与网络流量模型中的预设网关故障事件一致，得到网关故障的监测结果。
A3：若预设故障事件与待处理的网络设备的设备事件匹配不一致，则确定监测结果为处于正常状态的监测结果。
例如，待处理的网络设备的设备事件为集线器正常事件，则与网络流量模型中的预设故障事件不一致，得到正常状态的集线器监测结果。
S102：确定处于异常状态的监测结果所对应的网络故障特征。
其中，网络故障特征包括丢包故障特征、无网络响应故障特征、延时故障特征等。
为了方便理解确定处于异常状态的监测结果所对应的网络故障特征，这里举例进行说明：
例如，若异常状态的监测结果为网关故障事件，则确定网关故障事件的检测结果所对应的网络故障为无网络响应故障特征。
S103：通过预设概率算法，对网络故障特征和预先构建的网络故障事件数据库中的预设网络故障特征进行概率估算，得到预设概率的网络故障；预设概率用于表征在网络故障事件数据库中的最大概率。
在S103中，预设概率算法可以是贝叶斯定律、蒙特卡罗算法等，具体预设概率算法由技术人员根据实际情况进行设置，本申请不做具体限定。本申请的预设概率算法优选贝叶斯定律。
通过贝叶斯定律将网络故障特征和预先构建的网络故障事件数据库中的预设网络故障特征进行概率估算，取网络故障事件数据库中的最大概率的网络故障事件。
通过预设故障节点的故障特征构建网络故障事件数据库。
其中，根据网络流量模型中的各个故障节点的故障特征构建网络故障事件数据库。
构建网络故障事件数据库后存储故障节点的相关信息，故障节点的相关信息包括包括位置信息、型号参数信息、购买时间和保修期限信息，则有利于辅助网络维护人员进行快速故障定位和维护，进而有利于保障网络的长期稳定运行。
S104：基于预设概率的网络故障的故障节点位置信息，确定网络设备的网络故障定位结果。
具体基于预设概率的网络故障的故障节点位置信息，确定网络设备的网络故障定位结果的过程如下：
首先，确定预设概率的网络故障在网络故障事件数据库中的故障节点位置信息。
然后，基于故障节点位置信息，确定网络设备的网络故障定位结果。
其中，通过预设概率(最大概率)对应的网络故障的故障节点位置信息对网络设备的网络故障进行定位，得到网络设备的网络故障定位结果。
将网络故障定位结果发送给网络维护人员，网络维护人员对网络故障定位结果进行隔离、修复或替换故障组件操作，保证网络正常运行。
S105：不执行网络故障定位操作。
本申请实施例中，将获取到的异常网络流量数据作为机器学习样本特征集构建网络流量模型，通过网络流量模型对网络设备进行实时网络状态判断和监测，有利于提高网络故障的检测效率和精确度。此外，通过网络故障定位结果辅助维护人员进行快速、准确的网络故障定位和维护，保障网络的长期稳定运行。
参考图2所示，为上述S101中涉及到通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果的过程，主要包括如下步骤：
S201：通过预先构建的网络流量模型中的预设故障事件，对待处理的网络设备的设备事件进行匹配，若预设故障事件与待处理的网络设备的设备事件匹配一致，则执行S202，若预设故障事件与待处理的网络设备的设备事件匹配不一致，则执行S203。
S202：确定监测结果为处于异常状态的监测结果。
S203：确定监测结果为处于正常状态的监测结果。
S201-S203的执行过程和执行原理与上述S101的执行过程和执行原理一致，可参考，此处不再进行赘述。
本申请实施例中，通过预先构建的网络流量模型中的预设故障事件，对待处理的网络设备的设备事件进行匹配，实现确定监测结果为处于异常状态的监测结果还是处于正常状态的监测结果的目的。
参考图3所示，为本上述S104中涉及到的基于预设概率的网络故障的故障节点位置信息，确定网络设备的网络故障定位结果的过程，主要包括如下步骤：
S301：确定预设概率的网络故障在网络故障事件数据库中的故障节点位置信息。
S302：基于故障节点位置信息，确定网络设备的网络故障定位结果。
S301-S302的执行过程和执行原理与上述S104的执行过程和执行原理一致，可参考，此处不再进行赘述。
本申请实施例中，确定预设概率的网络故障在网络故障事件数据库中的故障节点位置信息，基于故障节点位置信息，确定网络设备的网络故障定位结果，网络故障定位结果可辅助维护人员进行快速、准确的网络故障定位和维护，保障网络的长期稳定运行。
基于上述实施例图1公开的一种网络故障定位方法，本申请实施例还对应公开了一种网络故障定位系统，如图4所示，该网络故障定位系统包括监测单元401、第一确定单元402、估算单元403和第二确定单元404。
监测单元401，用于通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果；监测结果用于指示待处理的网络设备的网络状态的情况。
第一确定单元402，用于若监测结果为处于异常状态的监测结果，则确定处于异常状态的监测结果所对应的网络故障特征。
估算单元403，用于通过预设概率算法，对网络故障特征和预先构建的网络故障事件数据库中的预设网络故障特征进行概率估算，得到预设概率的网络故障；预设概率用于表征在网络故障事件数据库中的最大概率。
第二确定单元404，用于基于预设概率的网络故障的故障节点位置信息，确定网络设备的网络故障定位结果。
进一步的，监测单元401包括匹配模块、第一确定模块和第二确定模块。
匹配模块，用于通过预先构建的网络流量模型中的预设故障事件，对待处理的网络设备的故障事件进行匹配。
第一确定模块，用于若预设故障事件与待处理的网络设备的故障事件一致，则确定监测结果为处于异常状态的监测结果。
第二确定模块，用于若预设故障事件与待处理的网络设备的故障事件不一致，则确定监测结果为处于正常状态的监测结果。
进一步的，第二确定单元404包括第三确定模块和第四确定模块。
第三确定模块，用于确定预设概率的网络故障在网络故障事件数据库中的故障节点位置信息。
第四确定模块，用于基于故障节点位置信息，确定网络设备的网络故障定位结果。
进一步的，构建网络流量模型的过程的监测单元401包括监测模块、处理模块、提取模块和构建模块。
监测模块，用于对待处理的网络设备进行数据流量监测，得到待处理的网络设备对应的网络流量信息。
处理模块，用于通过去噪算法对网络流量信息进行去噪处理，得到去噪后的网络流量信息。
提取模块，用于提取去噪后的网络流量信息中的异常网络流量信息。
构建模块，用于通过异常网络流量信息构建网络流量模型。
进一步的，构建网络故障事件数据库的过程的估算单元403，具体用于通过预设故障节点的故障特征构建网络故障事件数据库。
本申请实施例中，将获取到的异常网络流量数据作为机器学习样本特征集构建网络流量模型，通过网络流量模型对网络设备进行实时网络状态判断和监测，有利于提高网络故障的检测效率和精确度。此外，通过网络故障定位结果辅助维护人员进行快速、准确的网络故障定位和维护，保障网络的长期稳定运行。
本申请实施例还提供了一种存储介质，存储介质包括存储的指令，其中，在指令运行时控制存储介质所在的设备执行上述网络故障定位方法。
本申请实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器501，以及一个或者一个以上的指令502，其中一个或者一个以上指令502存储于存储器501中，且经配置以由一个或者一个以上处理器503执行一个或者一个以上指令502执行上述网络故障定位方法。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种网络故障定位方法，其特征在于，所述方法包括：
通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果；所述监测结果用于指示所述待处理的网络设备的网络状态的情况；
若所述监测结果为处于异常状态的监测结果，则确定所述处于异常状态的监测结果所对应的网络故障特征；
通过预设概率算法，对所述网络故障特征和预先构建的网络故障事件数据库中的预设网络故障特征进行概率估算，得到预设概率的网络故障；所述预设概率用于表征在所述网络故障事件数据库中的最大概率；
基于所述预设概率的网络故障的故障节点位置信息，确定所述网络设备的网络故障定位结果。
2.根据权利要求1所述的方法，其特征在于，所述通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果，包括：
通过预先构建的网络流量模型中的预设故障事件，对待处理的网络设备的设备事件进行匹配；
若所述预设故障事件与所述待处理的网络设备的设备事件匹配一致，则确定监测结果为处于异常状态的监测结果；
若所述预设故障事件与所述待处理的网络设备的设备事件匹配不一致，则确定监测结果为处于正常状态的监测结果。
3.根据权利要求1所述的方法，其特征在于，所述基于预设概率的网络故障的故障节点位置信息，确定所述网络设备的网络故障定位结果，包括：
确定所述预设概率的网络故障在所述网络故障事件数据库中的故障节点位置信息；
基于所述故障节点位置信息，确定所述网络设备的网络故障定位结果。
4.根据权利要求1所述的方法，其特征在于，构建网络流量模型的过程，包括：
对待处理的网络设备进行数据流量监测，得到所述待处理的网络设备对应的网络流量信息；
通过去噪算法对所述网络流量信息进行去噪处理，得到去噪后的网络流量信息；
提取所述去噪后的网络流量信息中的异常网络流量信息；
通过所述异常网络流量信息构建网络流量模型。
5.根据权利要求1所述的方法，其特征在于，构建网络故障事件数据库的过程，包括：
通过预设故障节点的故障特征构建网络故障事件数据库。
6.一种网络故障定位系统，其特征在于，所述系统包括：
监测单元，用于通过预先构建的网络流量模型对待处理的网络设备进行故障监测，得到监测结果；所述监测结果用于指示所述待处理的网络设备的网络状态的情况；
第一确定单元，用于若所述监测结果为处于异常状态的监测结果，则确定所述处于异常状态的监测结果所对应的网络故障特征；
估算单元，用于通过预设概率算法，对所述网络故障特征和预先构建的网络故障事件数据库中的预设网络故障特征进行概率估算，得到预设概率的网络故障；所述预设概率用于表征在所述网络故障事件数据库中的最大概率；
第二确定单元，用于基于所述预设概率的网络故障的故障节点位置信息，确定所述网络设备的网络故障定位结果。
7.根据权利要求6所述的系统，其特征在于，所述监测单元，还包括：
匹配模块，用于通过预先构建的网络流量模型中的预设故障事件，对待处理的网络设备的设备事件进行匹配；
第一确定模块，用于若所述预设故障事件与所述待处理的网络设备的设备事件匹配一致，则确定监测结果为处于异常状态的监测结果；
第二确定模块，用于若所述预设故障事件与所述待处理的网络设备的设备事件匹配不一致，则确定监测结果为处于正常状态的监测结果。
8.根据权利要求6所述的系统，其特征在于，所述第二确定单元，包括：
第三确定模块，用于确定所述预设概率的网络故障在所述网络故障事件数据库中的故障节点位置信息；
第四确定模块，用于基于所述故障节点位置信息，确定所述网络设备的网络故障定位结果。
9.一种存储介质，其特征在于，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如权利要求1至5任意一项所述的网络故障定位方法。
10.一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1至5任意一项所述的网络故障定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592334.9A CN114285732A (zh) | 2021-12-23 | 2021-12-23 | 一种网络故障定位方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111592334.9A CN114285732A (zh) | 2021-12-23 | 2021-12-23 | 一种网络故障定位方法、系统、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114285732A true CN114285732A (zh) | 2022-04-05 |
Family
ID=80874751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111592334.9A Pending CN114285732A (zh) | 2021-12-23 | 2021-12-23 | 一种网络故障定位方法、系统、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114285732A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115473828A (zh) * | 2022-08-18 | 2022-12-13 | 阿里巴巴（中国）有限公司 | 基于仿真网络的故障检测方法及系统 |
| CN115580635A (zh) * | 2022-09-26 | 2023-01-06 | 广州健新科技有限责任公司 | 一种物联网终端的智能化故障诊断方法及系统 |
| CN116827802A (zh) * | 2023-08-29 | 2023-09-29 | 青岛海瑞达网络科技有限公司 | 基于数据监控的工业物联网维护方法、监控系统 |
| WO2023216457A1 (zh) * | 2022-05-11 | 2023-11-16 | 中电信数智科技有限公司 | 一种核心网与基站传输网络异常预测及定位的方法 |
| CN117675691A (zh) * | 2024-01-18 | 2024-03-08 | 深圳弘霞科技有限公司 | 路由器的远程故障监控方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101753382A (zh) * | 2010-01-25 | 2010-06-23 | 浪潮通信信息系统有限公司 | 一种自适应网络故障监控定位安全模型的构建方法 |
| CN104518905A (zh) * | 2013-10-08 | 2015-04-15 | 华为技术有限公司 | 一种故障定位方法及装置 |
| CN109150619A (zh) * | 2018-09-04 | 2019-01-04 | 国家计算机网络与信息安全管理中心 | 一种基于网络流量数据的故障诊断方法及系统 |
| CN109298704A (zh) * | 2018-08-31 | 2019-02-01 | 江苏方天电力技术有限公司 | 一种基于贝叶斯网络的工业故障路径追溯方法及系统 |
| US20190215230A1 (en) * | 2018-01-08 | 2019-07-11 | Cisco Technology, Inc. | Analyzing common traits in a network assurance system |
| CN113259388A (zh) * | 2021-06-22 | 2021-08-13 | 贝壳找房(北京)科技有限公司 | 网络流量异常检测方法、电子设备及可读存储介质 |
| CN113612625A (zh) * | 2021-07-02 | 2021-11-05 | 武汉烽火技术服务有限公司 | 一种网络故障定位方法及装置 |
-
2021
- 2021-12-23 CN CN202111592334.9A patent/CN114285732A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101753382A (zh) * | 2010-01-25 | 2010-06-23 | 浪潮通信信息系统有限公司 | 一种自适应网络故障监控定位安全模型的构建方法 |
| CN104518905A (zh) * | 2013-10-08 | 2015-04-15 | 华为技术有限公司 | 一种故障定位方法及装置 |
| US20190215230A1 (en) * | 2018-01-08 | 2019-07-11 | Cisco Technology, Inc. | Analyzing common traits in a network assurance system |
| CN109298704A (zh) * | 2018-08-31 | 2019-02-01 | 江苏方天电力技术有限公司 | 一种基于贝叶斯网络的工业故障路径追溯方法及系统 |
| CN109150619A (zh) * | 2018-09-04 | 2019-01-04 | 国家计算机网络与信息安全管理中心 | 一种基于网络流量数据的故障诊断方法及系统 |
| CN113259388A (zh) * | 2021-06-22 | 2021-08-13 | 贝壳找房(北京)科技有限公司 | 网络流量异常检测方法、电子设备及可读存储介质 |
| CN113612625A (zh) * | 2021-07-02 | 2021-11-05 | 武汉烽火技术服务有限公司 | 一种网络故障定位方法及装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023216457A1 (zh) * | 2022-05-11 | 2023-11-16 | 中电信数智科技有限公司 | 一种核心网与基站传输网络异常预测及定位的方法 |
| CN115473828A (zh) * | 2022-08-18 | 2022-12-13 | 阿里巴巴（中国）有限公司 | 基于仿真网络的故障检测方法及系统 |
| CN115473828B (zh) * | 2022-08-18 | 2024-01-05 | 阿里巴巴（中国）有限公司 | 基于仿真网络的故障检测方法及系统 |
| CN115580635A (zh) * | 2022-09-26 | 2023-01-06 | 广州健新科技有限责任公司 | 一种物联网终端的智能化故障诊断方法及系统 |
| CN116827802A (zh) * | 2023-08-29 | 2023-09-29 | 青岛海瑞达网络科技有限公司 | 基于数据监控的工业物联网维护方法、监控系统 |
| CN116827802B (zh) * | 2023-08-29 | 2023-11-24 | 青岛海瑞达网络科技有限公司 | 基于数据监控的工业物联网维护方法、监控系统 |
| CN117675691A (zh) * | 2024-01-18 | 2024-03-08 | 深圳弘霞科技有限公司 | 路由器的远程故障监控方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114285732A (zh) | 一种网络故障定位方法、系统、存储介质及电子设备 | |
| CN108388489B (zh) | 一种服务器故障诊断方法、系统、设备及存储介质 | |
| CN107871190B (zh) | 一种业务指标监控方法及装置 | |
| US20110122773A1 (en) | Method, system, and computer program product, for correlating special service impacting events | |
| US20090024356A1 (en) | Determination of root cause(s) of symptoms using stochastic gradient descent | |
| CN111971942A (zh) | 季节性数据的异常检测和处理 | |
| CN104639368A (zh) | 通信网络设备的故障处理方法及装置 | |
| CN111371623B (zh) | 业务性能和安全的监测方法、装置、存储介质及电子设备 | |
| JP7344960B2 (ja) | ベイジアンネットワークによるボイラーの運転データの監視方法及び装置 | |
| CN109733238B (zh) | 故障检测方法、装置、存储介质及处理器 | |
| US7369967B1 (en) | System and method for monitoring and modeling system performance | |
| CN113612647A (zh) | 一种告警处理方法及装置 | |
| CN113342608B (zh) | 流式计算引擎任务的监控方法及装置 | |
| CN109218050B (zh) | 一种域名系统故障处理方法和系统 | |
| CN116204386B (zh) | 应用服务关系自动识别及监控方法、系统、介质和设备 | |
| CN115016976B (zh) | 一种根因定位方法、装置、设备及存储介质 | |
| CN111866921A (zh) | 一种5g基站业务故障查找方法、装置、设备及可存储介质 | |
| CN110990223A (zh) | 一种基于系统日志的监控告警方法及装置 | |
| CN116634493A (zh) | 告警信息的处理方法及装置、设备、计算机可读存储介质 | |
| CN112787883B (zh) | 一种设备nat故障检测方法、装置及设备 | |
| CN116028251A (zh) | 一种错误日志的上报方法、装置、设备及可读存储介质 | |
| CN111951944A (zh) | 一种辅助管理工程师的方法和平台 | |
| CN111385157A (zh) | 一种服务器异常检测方法及装置 | |
| CN112835780B (zh) | 一种业务检测方法及装置 | |
| KR20100075292A (ko) | 공정 제어 네트워크에서의 장애 예측 방법 및 장치 |
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 |