CN115865617A - 一种vpn远程诊断及维护系统 - Google Patents

Abstract

本发明公开了一种VPN远程诊断及维护系统，包括：VPN信息采集单元、VPN故障诊断单元和VPN远程监管中心单元；所述VPN信息采集单元用于实时采集网络信息，基于故障感知模型对网络信息进行初步识别，将正常网络状态信息进行过滤，获取故障信息；所述VPN故障诊断单元用于基于故障诊断模型，将过滤后的故障信息进行故障诊断，获取诊断结果；所述VPN远程监管中心单元用于根据诊断结果对VPN虚拟专用网络进行维护。从而提高了VPN远程故障诊断效率与诊断精度，实现了VPN虚拟化专用网络高质量的网络通信。

Description

一种VPN远程诊断及维护系统

技术领域

本发明涉及通信技术领域，尤其涉及一种VPN远程诊断及维护系统。

背景技术

VPN虚拟专用网络的使用给传统网络故障诊断技术带来了巨大挑战，主要体现在两个方面：虚拟化网络状态频繁改变，难以在不影响故障诊断精度的前提下降低信息采集开销；虚拟化网络存在大量表征相似的故障，现有诊断方法难以有效识别这类故障，导致故障诊断精度低。

网络故障在数据中心普遍存在，造成了大量的经济损失，快速、精确的VPN网络故障诊断具有重要的意义。

发明内容

本发明提供一种VPN远程诊断及维护系统，以解决现有技术中存在的VPN虚拟专用网络的使用给传统网络故障诊断技术带来了巨大挑战，主要体现在两个方面：虚拟化网络状态频繁改变，难以在不影响故障诊断精度的前提下降低信息采集开销；虚拟化网络存在大量表征相似的故障，现有诊断方法难以有效识别这类故障，导致故障诊断精度低。网络故障在数据中心普遍存在，造成了大量的经济损失，快速、精确的VPN网络故障诊断具有重要的意义的上述问题。

为了达到上述目的，本发明提供如下技术方案：

一种VPN远程诊断及维护系统，包括：VPN信息采集单元、VPN故障诊断单元和VPN远程监管中心单元；

所述VPN信息采集单元用于实时采集网络信息，基于故障感知模型对网络信息进行初步识别，将正常网络状态信息进行过滤，获取故障信息；

所述VPN故障诊断单元用于基于故障诊断模型，将过滤后的故障信息进行故障诊断，获取诊断结果；

所述VPN远程监管中心单元用于根据诊断结果对VPN虚拟专用网络进行维护。

其中，VPN信息采集单元包括：网络设备信息采集模块、终端信息采集模块和数据预处理模块；

所述网络设备信息采集模块用于基于交换机采集网络设备的信息数据，采集信息数据包括：报文染色、报文抽样和报文镜像；

所述终端信息采集模块用于在终端采集网络通信信息数据，采集的网络通信信息数据包括：TCP性能指标和网络状态；

所述数据预处理模块用于对采集的信息数据进行标准化以及降维处理，由构建的故障感知模型判断信息数据是否需要进一步诊断，若需要进一步诊断则将需诊断数据传输至所述VPN故障诊断单元。

其中，所述VPN故障诊断单元包括：网络状态划分模块、网络故障类型诊断模块和故障分析原因模块；

所述网络状态划分模块用于基于信息增益的网络状态划分方法对存在多个故障的网络状态数据进行划分，通过设置不同的划分边界控制网络状态划分粒度；

所述网络故障类型诊断模块用于基于构建的故障诊断模型，虚拟化网络进行诊断，判断当前虚拟网络的可达性或性能故障；

所述故障分析原因模块用于通过对信息数据进行分析诊断出故障原因，故障原因包括：硬件故障、交换机和VPN路由器的软件bug，工作人员通过终端查看系统对故障的诊断过程以及故障原因。

其中，所述VPN远程监管中心单元包括：模型建构模块和总控模块；

所述模型建构模块用于在信息采集过程中进行网络故障感知，构建故障感知模型，通过机器学习方法构建故障诊断模型；

所述总控模块用于根据诊断结果控制网络的运行状态，对VPN虚拟专用网络进行维护。

其中，包括：通过所述数据预处理模块对采集信息数据进行数据降维处理；

在数据进行降维处理的过程中，提取数据中不同属性的特征值，根据特征值的大小衡量当前数据对应的属性对整体信息的重要程度，在满足设定损失度范围的前提下，将特征值从大到小排序形成列矩阵，对列矩阵进行降维计算，获取降维后的数据。

其中，包括：基于决策树算法构建故障感知模型，其中，网络状态信息数据是连续数值，对连续数值处理后进行决策树算法操作，在基于决策树算法对数据训练过程中，通过剪枝操作减少决策树分支，通过调整信息数据参数，控制算法执行过程，参数控制包括：树的高度、分裂所需的数量节点、一个分支的样本数量。

其中，对故障感知模型进行训练，训练好后的故障感知模型在信息采集过程感知网络故障；

其中，通过VPN信息采集单元中的信息采集服务器将故障感知模型加载至存储器中，存储器读取信息采集服务器采集的信息，将信息预处理后输入到故障感知模型中进行网络故障感知，根据故障感知模型获取推断结果，根据推断结果决定当前信息数据是否需要进一步诊断。

其中，所述模型建构模块包括：故障服务器、动作指令执行子模块、故障自动化注入子模块、故障感知子模块和故障诊断子模块；

故障服务器向VPN信息采集单元请求数据，根据预设的模型训练参数训练故障感知模型；

故障感知模型训练过程中，故障自动化注入子模块向计算节点注入不同的故障信息数据，故障感知子模块识别出网络故障，向故障诊断子模块发出诊断请求，故障诊断子模块根据预设的策略选择对应的动作指令并下发给故障服务器，动作指令执行子模块执行下发的动作，故障感知子模块感知下一阶段网络状态，若仍然存在故障，则继续进行诊断，若无故障，故障节点向动作指令执行子模块发出诊断结束请求，动作指令执行子模块接收到请求后更新训练记忆，同时向故障诊断过程回滚模块发出调用，回滚诊断过程中执行的诊断指令为恢复到故障注入前状态，由故障自动化注入子模块注入下一个故障；

故障感知模型训练完成后下发至服务器中进行故障感知，VPN信息采集单元将实时采集的信息输入到故障感知模型中识别出异常网络状态信息，将正常网络状态信息进行过滤操作。

其中，基于Q-learning算法的虚拟化网络强化学习，所述模型建构模块构建故障诊断模型，强化学习故障诊断模型训练过程中，在不同状态下根据策略选择对应的动作，通过环境验证，根据反馈的奖励值衡量动作的优劣，根据动作的优劣进行网络状态划分，经过多轮的故障诊断模型训练与网络状态划分后，诊断虚拟化专用网络故障，获取网络故障诊断结果。

其中，所述总控模块包括：远程维护中心子模块；

远程维护中心子模块接收到VPN故障诊断单元的诊断结果后进行服务请求操作，自动从存储器中查询当前故障信息的级别，根据当前故障信息的级别定义对应的维护级别，工作人员根据维护级别确定维护任务，将该维护任务在线派发至指定的技术专家，技术专家对该故障信息提供在线维护服务。

与现有技术相比，本发明具有以下优点：

一种VPN远程诊断及维护系统，包括：VPN信息采集单元、VPN故障诊断单元和VPN远程监管中心单元；所述VPN信息采集单元用于实时采集网络信息，基于故障感知模型对网络信息进行初步识别，将正常网络状态信息进行过滤，获取故障信息；所述VPN故障诊断单元用于基于故障诊断模型，将过滤后的故障信息进行故障诊断，获取诊断结果；所述VPN远程监管中心单元用于根据诊断结果对VPN虚拟专用网络进行维护。从而提高了VPN远程故障诊断效率与诊断精度，实现了VPN虚拟化专用网络高质量的网络通信。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种VPN远程诊断及维护系统的结构图；

图2为本发明实施例中一种VPN远程诊断及维护系统的流程图；

图3为本发明实施例中一种VPN远程诊断及维护系统中的VPN信息采集单元结构图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种VPN远程诊断及维护系统，包括：VPN信息采集单元、VPN故障诊断单元和VPN远程监管中心单元；

所述VPN信息采集单元用于实时采集网络信息，基于故障感知模型对网络信息进行初步识别，将正常网络状态信息进行过滤，获取故障信息；

所述VPN故障诊断单元用于基于故障诊断模型，将过滤后的故障信息进行故障诊断，获取诊断结果；

所述VPN远程监管中心单元用于根据诊断结果对VPN虚拟专用网络进行维护。

上述技术方案的工作原理为：所述VPN信息采集单元用于实时采集网络信息，基于故障感知模型对网络信息进行初步识别，将正常网络状态信息进行过滤，获取故障信息；所述VPN故障诊断单元用于基于故障诊断模型，将过滤后的故障信息进行故障诊断，获取诊断结果；所述VPN远程监管中心单元用于根据诊断结果对VPN虚拟专用网络进行维护。从而提高了VPN远程故障诊断效率与诊断精度，实现了VPN虚拟化专用网络高质量的网络通信。

上述技术方案的有益效果为：所述VPN信息采集单元用于实时采集网络信息，基于故障感知模型对网络信息进行初步识别，将正常网络状态信息进行过滤，获取故障信息；所述VPN故障诊断单元用于基于故障诊断模型，将过滤后的故障信息进行故障诊断，获取诊断结果；所述VPN远程监管中心单元用于根据诊断结果对VPN虚拟专用网络进行维护。从而提高了VPN远程故障诊断效率与诊断精度，实现了VPN虚拟化专用网络高质量的网络通信。

在另一实施例中，VPN信息采集单元包括：网络设备信息采集模块、终端信息采集模块和数据预处理模块；

所述网络设备信息采集模块用于基于交换机采集网络设备的信息数据，采集信息数据包括：报文染色、报文抽样和报文镜像；

所述终端信息采集模块用于在终端采集网络通信信息数据，采集的网络通信信息数据包括：TCP性能指标和网络状态；

所述数据预处理模块用于对采集的信息数据进行标准化以及降维处理，由构建的故障感知模型判断信息数据是否需要进一步诊断，若需要进一步诊断则将需诊断数据传输至所述VPN故障诊断单元。

上述技术方案的工作原理为：所述网络设备信息采集模块用于基于交换机采集网络设备的信息数据，采集信息数据包括：报文染色、报文抽样和报文镜像；所述终端信息采集模块用于在终端采集网络通信信息数据，采集的网络通信信息数据包括：TCP性能指标和网络状态；所述数据预处理模块用于对采集的信息数据进行标准化以及降维处理，由构建的故障感知模型判断信息数据是否需要进一步诊断，若需要进一步诊断则将需诊断数据传输至所述VPN故障诊断单元。根据模型的输出判断网络的健康状况，通过识别异常网络状态信息实现对正常状态信息的过滤，实现了对虚拟化网络的低开销、高精度的故障诊断。

上述技术方案的有益效果为：所述网络设备信息采集模块用于基于交换机采集网络设备的信息数据，采集信息数据包括：报文染色、报文抽样和报文镜像；所述终端信息采集模块用于在终端采集网络通信信息数据，采集的网络通信信息数据包括：TCP性能指标和网络状态；所述数据预处理模块用于对采集的信息数据进行标准化以及降维处理，由构建的故障感知模型判断信息数据是否需要进一步诊断，若需要进一步诊断则将需诊断数据传输至所述VPN故障诊断单元。根据模型的输出判断网络的健康状况，通过识别异常网络状态信息实现对正常状态信息的过滤，实现了对虚拟化网络的低开销、高精度的故障诊断。

在另一实施例中，所述VPN故障诊断单元包括：网络状态划分模块、网络故障类型诊断模块和故障分析原因模块；

所述网络状态划分模块用于基于信息增益的网络状态划分方法对存在多个故障的网络状态数据进行划分，通过设置不同的划分边界控制网络状态划分粒度；

所述网络故障类型诊断模块用于基于构建的故障诊断模型，虚拟化网络进行诊断，判断当前虚拟网络的可达性或性能故障；

所述故障分析原因模块用于通过对信息数据进行分析诊断出故障原因，故障原因包括：硬件故障、交换机和VPN路由器的软件bug，工作人员通过终端查看系统对故障的诊断过程以及故障原因。

上述技术方案的工作原理为：所述网络状态划分模块用于基于信息增益的网络状态划分方法对存在多个故障的网络状态数据进行划分，通过设置不同的划分边界控制网络状态划分粒度；所述网络故障类型诊断模块用于基于构建的故障诊断模型，虚拟化网络进行诊断，判断当前虚拟网络的可达性或性能故障；所述故障分析原因模块用于通过对信息数据进行分析诊断出故障原因，故障原因包括：硬件故障、交换机和VPN路由器的软件bug，工作人员通过终端查看系统对故障的诊断过程以及故障原因。模型训练过程中可以逐步划分网络状态，提高网络状态空间划分纯度，继而提高虚拟化网络故障诊断模型的诊断精度。

上述技术方案的有益效果为：所述网络状态划分模块用于基于信息增益的网络状态划分方法对存在多个故障的网络状态数据进行划分，通过设置不同的划分边界控制网络状态划分粒度；所述网络故障类型诊断模块用于基于构建的故障诊断模型，虚拟化网络进行诊断，判断当前虚拟网络的可达性或性能故障；所述故障分析原因模块用于通过对信息数据进行分析诊断出故障原因，故障原因包括：硬件故障、交换机和VPN路由器的软件bug，工作人员通过终端查看系统对故障的诊断过程以及故障原因。提高了虚拟化网络故障诊断精度。

在另一实施例中，所述VPN远程监管中心单元包括：模型建构模块和总控模块；

所述模型建构模块用于在信息采集过程中进行网络故障感知，构建故障感知模型，通过机器学习方法构建故障诊断模型；

所述总控模块用于根据诊断结果控制网络的运行状态，对VPN虚拟专用网络进行维护。

上述技术方案的工作原理为：所述模型建构模块用于在信息采集过程中进行网络故障感知，构建故障感知模型，通过机器学习方法构建故障诊断模型；所述总控模块用于根据诊断结果控制网络的运行状态，对VPN虚拟专用网络进行维护。提高了虚拟化网络故障诊断精度。

上述技术方案的有益效果为：所述模型建构模块用于在信息采集过程中进行网络故障感知，构建故障感知模型，通过机器学习方法构建故障诊断模型；所述总控模块用于根据诊断结果控制网络的运行状态，对VPN虚拟专用网络进行维护。减少传输的数据量，提高了虚拟化网络故障诊断精度。

在另一实施例中，通过所述数据预处理模块对采集信息数据进行数据降维处理；

在数据进行降维处理的过程中，提取数据中不同属性的特征值，根据特征值的大小衡量当前数据对应的属性对整体信息的重要程度，在满足设定损失度范围的前提下，将特征值从大到小排序形成列矩阵，对列矩阵进行降维计算，获取降维后的数据。

上述技术方案的工作原理为：通过所述数据预处理模块对采集信息数据进行数据降维处理；在数据进行降维处理的过程中，提取数据中不同属性的特征值，根据特征值的大小衡量当前数据对应的属性对整体信息的重要程度，在满足设定损失度范围的前提下，将特征值从大到小排序形成列矩阵，对列矩阵进行降维计算，获取降维后的数据。通过去除无关参数，降低模型内存使用开销。

上述技术方案的有益效果为：通过所述数据预处理模块对采集信息数据进行数据降维处理；在数据进行降维处理的过程中，提取数据中不同属性的特征值，根据特征值的大小衡量当前数据对应的属性对整体信息的重要程度，在满足设定损失度范围的前提下，将特征值从大到小排序形成列矩阵，对列矩阵进行降维计算，获取降维后的数据。通过去除无关参数，降低模型内存使用开销。

在另一实施例中，基于决策树算法构建故障感知模型，其中，网络状态信息数据是连续数值，对连续数值处理后进行决策树算法操作，在基于决策树算法对数据训练过程中，通过剪枝操作减少决策树分支，通过调整信息数据参数，控制算法执行过程，参数控制包括：树的高度、分裂所需的数量节点、一个分支的样本数量。

上述技术方案的工作原理为：基于决策树算法构建故障感知模型，其中，网络状态信息数据是连续数值，对连续数值处理后进行决策树算法操作，在基于决策树算法对数据训练过程中，通过剪枝操作减少决策树分支，通过调整信息数据参数，控制算法执行过程，参数控制包括：树的高度、分裂所需的数量节点、一个分支的样本数量。

一般地，决策树包括一个根节点、若干个内部节点以及若干个叶节点，叶节点对应分类结果，从根节点到叶节点的路径对应了一个分类过程。划分过程中首先需要指定度量纯度的指标，使用该指标确定划分边界提高模型划分纯度。常见的纯度度量指标有信息熵、基尼值，对应的纯度计算方法包括信息增益、增益率、基尼指数。使用信息熵以及信息增益方法来选择最优划分属性，若当前样本集合D中的第k类样本所占的比例为P_k(k＝1,2,……,γ)，γ表示类别数据，则集合D的信息熵为：

其中，E(D)值越小，则D的纯度越高，再结合不同分支节点中包含的样本数不同，信息增益越大，则选择的属性划分纯度提升越高。

VPN虚拟专用网络状态信息是连续数值，需要对连续数值处理后构建决策树模型。通过使用二分法将连续数值离散化，假定d中有n个取值按照从小到大排序，使用相邻取值的中位数作为候选划分点，

表示不大于划分点的样本，/>

表示大于划分点的样本，根据定义不同属性划分计算信息增益，公式为：

其中，t表示候选划分节点的元素，T_x表示候选划分节点，G(D，d)表示信息增益，E(D)表示信息熵，a表示对应的属性划分，D表示样本集合D；

使用决策树构建的网络故障感知模型是二分类模型，类别属性为<正常，异常>，决策树构建过程中针对某一属性X的取值范围f(x)，将取值从小到大排序后为(x¹,x²,……,xⁿ)，则使用二分法构建的候选划分节点为：

其中，T_x表示候选划分节点，xⁱ表示第i属性X的取值；xⁱ⁺¹表示第i+1属性X的取值，n表示某一属性取值的数量；

再计算出每个划分点的信息增益，选取信息增益最大的划分点作为本次划分的决策结果。

决策树模型训练过程中，为了防止模型过拟合，采用剪枝操作减少决策树分支，对应到模型训练算法上是通过调整模型参数，控制算法执行过程，如树的高度、分裂所需的最小数量节点、一个分支的最少样本数量等参数控制。通过调整参数，提高模型精度。

上述技术方案的有益效果为：基于决策树算法构建故障感知模型，其中，网络状态信息数据是连续数值，对连续数值处理后进行决策树算法操作，在基于决策树算法对数据训练过程中，通过剪枝操作减少决策树分支，通过调整信息数据参数，控制算法执行过程，参数控制包括：树的高度、分裂所需的数量节点、一个分支的样本数量。减少传输的数据量，提高了虚拟化网络故障诊断精度。

在另一实施例中，对故障感知模型进行训练，训练好后的故障感知模型在信息采集过程感知网络故障；

其中，通过VPN信息采集单元中的信息采集服务器将故障感知模型加载至存储器中，存储器读取信息采集服务器采集的信息，将信息预处理后输入到故障感知模型中进行网络故障感知，根据故障感知模型获取推断结果，根据推断结果决定当前信息数据是否需要进一步诊断。

上述技术方案的工作原理为：对故障感知模型进行训练，训练好后的故障感知模型在信息采集过程感知网络故障；其中，通过VPN信息采集单元中的信息采集服务器将故障感知模型加载至存储器中，存储器读取信息采集服务器采集的信息，将信息预处理后输入到故障感知模型中进行网络故障感知，根据故障感知模型获取推断结果，根据推断结果决定当前信息数据是否需要进一步诊断。减少传输的数据量，提高了虚拟化网络故障诊断精度。

上述技术方案的有益效果为：对故障感知模型进行训练，训练好后的故障感知模型在信息采集过程感知网络故障；其中，通过VPN信息采集单元中的信息采集服务器将故障感知模型加载至存储器中，存储器读取信息采集服务器采集的信息，将信息预处理后输入到故障感知模型中进行网络故障感知，根据故障感知模型获取推断结果，根据推断结果决定当前信息数据是否需要进一步诊断。减少传输的数据量，提高了虚拟化网络故障诊断精度。

在另一实施例中，所述模型建构模块包括：故障服务器、动作指令执行子模块、故障自动化注入子模块、故障感知子模块和故障诊断子模块；

故障服务器向VPN信息采集单元请求数据，根据预设的模型训练参数训练故障感知模型；

故障感知模型训练过程中，故障自动化注入子模块向计算节点注入不同的故障信息数据，故障感知子模块识别出网络故障，向故障诊断子模块发出诊断请求，故障诊断子模块根据预设的策略选择对应的动作指令并下发给故障服务器，动作指令执行子模块执行下发的动作，故障感知子模块感知下一阶段网络状态，若仍然存在故障，则继续进行诊断，若无故障，故障节点向动作指令执行子模块发出诊断结束请求，动作指令执行子模块接收到请求后更新训练记忆，同时向故障诊断过程回滚模块发出调用，回滚诊断过程中执行的诊断指令为恢复到故障注入前状态，由故障自动化注入子模块注入下一个故障；

故障感知模型训练完成后下发至服务器中进行故障感知，VPN信息采集单元将实时采集的信息输入到故障感知模型中识别出异常网络状态信息，将正常网络状态信息进行过滤操作。

上述技术方案的工作原理为：故障服务器向VPN信息采集单元请求数据，根据预设的模型训练参数训练故障感知模型；故障感知模型训练过程中，故障自动化注入子模块向计算节点注入不同的故障信息数据，故障感知子模块识别出网络故障，向故障诊断子模块发出诊断请求，故障诊断子模块根据预设的策略选择对应的动作指令并下发给故障服务器，动作指令执行子模块执行下发的动作，故障感知子模块感知下一阶段网络状态，若仍然存在故障，则继续进行诊断，若无故障，故障节点向动作指令执行子模块发出诊断结束请求，动作指令执行子模块接收到请求后更新训练记忆，同时向故障诊断过程回滚模块发出调用，回滚诊断过程中执行的诊断指令为恢复到故障注入前状态，由故障自动化注入子模块注入下一个故障；故障感知模型训练完成后下发至服务器中进行故障感知，VPN信息采集单元将实时采集的信息输入到故障感知模型中识别出异常网络状态信息，将正常网络状态信息进行过滤操作。减少传输的数据量，提高了虚拟化网络故障诊断精度。

上述技术方案的有益效果为：故障服务器向VPN信息采集单元请求数据，根据预设的模型训练参数训练故障感知模型；故障感知模型训练过程中，故障自动化注入子模块向计算节点注入不同的故障信息数据，故障感知子模块识别出网络故障，向故障诊断子模块发出诊断请求，故障诊断子模块根据预设的策略选择对应的动作指令并下发给故障服务器，动作指令执行子模块执行下发的动作，故障感知子模块感知下一阶段网络状态，若仍然存在故障，则继续进行诊断，若无故障，故障节点向动作指令执行子模块发出诊断结束请求，动作指令执行子模块接收到请求后更新训练记忆，同时向故障诊断过程回滚模块发出调用，回滚诊断过程中执行的诊断指令为恢复到故障注入前状态，由故障自动化注入子模块注入下一个故障；故障感知模型训练完成后下发至服务器中进行故障感知，VPN信息采集单元将实时采集的信息输入到故障感知模型中识别出异常网络状态信息，将正常网络状态信息进行过滤操作。减少传输的数据量，提高了虚拟化网络故障诊断精度。

在另一实施例中，基于Q-learning算法的虚拟化网络强化学习，所述模型建构模块构建故障诊断模型，强化学习故障诊断模型训练过程中，在不同状态下根据策略选择对应的动作，通过环境验证，根据反馈的奖励值衡量动作的优劣，根据动作的优劣进行网络状态划分，经过多轮的故障诊断模型训练与网络状态划分后，诊断虚拟化专用网络故障，获取网络故障诊断结果。

上述技术方案的工作原理为：基于Q-learning算法的虚拟化网络强化学习，所述模型建构模块构建故障诊断模型，强化学习故障诊断模型训练过程中，在不同状态下根据策略选择对应的动作，通过环境验证，根据反馈的奖励值衡量动作的优劣，根据动作的优劣进行网络状态划分，经过多轮的故障诊断模型训练与网络状态划分后，诊断虚拟化专用网络故障，获取网络故障诊断结果。提高了虚拟化网络故障诊断精度。

上述技术方案的有益效果为：基于Q-learning算法的虚拟化网络强化学习，所述模型建构模块构建故障诊断模型，强化学习故障诊断模型训练过程中，在不同状态下根据策略选择对应的动作，通过环境验证，根据反馈的奖励值衡量动作的优劣，根据动作的优劣进行网络状态划分，经过多轮的故障诊断模型训练与网络状态划分后，诊断虚拟化专用网络故障，获取网络故障诊断结果。提高了虚拟化网络故障诊断精度。

在另一实施例中，所述总控模块包括：远程维护中心子模块；

远程维护中心子模块接收到VPN故障诊断单元的诊断结果后进行服务请求操作，自动从存储器中查询当前故障信息的级别，根据当前故障信息的级别定义对应的维护级别，工作人员根据维护级别确定维护任务，将该维护任务在线派发至指定的技术专家，技术专家对该故障信息提供在线维护服务。

上述技术方案的工作原理为：远程维护中心子模块接收到VPN故障诊断单元的诊断结果后进行服务请求操作，自动从存储器中查询当前故障信息的级别，根据当前故障信息的级别定义对应的维护级别，工作人员根据维护级别确定维护任务，将该维护任务在线派发至指定的技术专家，技术专家对该故障信息提供在线维护服务。提高了虚拟化网络故障诊断精度，有效的对网络进行了维护。

上述技术方案的有益效果为：远程维护中心子模块接收到VPN故障诊断单元的诊断结果后进行服务请求操作，自动从存储器中查询当前故障信息的级别，根据当前故障信息的级别定义对应的维护级别，工作人员根据维护级别确定维护任务，将该维护任务在线派发至指定的技术专家，技术专家对该故障信息提供在线维护服务。提高了虚拟化网络故障诊断精度，有效的对网络进行了维护。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种VPN远程诊断及维护系统，其特征在于，包括：VPN信息采集单元、VPN故障诊断单元和VPN远程监管中心单元；

所述VPN信息采集单元用于实时采集网络信息，基于故障感知模型对网络信息进行初步识别，将正常网络状态信息进行过滤，获取故障信息；

所述VPN故障诊断单元用于基于故障诊断模型，将过滤后的故障信息进行故障诊断，获取诊断结果；

所述VPN远程监管中心单元用于根据诊断结果对VPN虚拟专用网络进行维护。

2.根据权利要求1所述的一种VPN远程诊断及维护系统，其特征在于，VPN信息采集单元包括：网络设备信息采集模块、终端信息采集模块和数据预处理模块；

所述网络设备信息采集模块用于基于交换机采集网络设备的信息数据，采集信息数据包括：报文染色、报文抽样和报文镜像；

所述终端信息采集模块用于在终端采集网络通信信息数据，采集的网络通信信息数据包括：TCP性能指标和网络状态；

所述数据预处理模块用于对采集的信息数据进行标准化以及降维处理，由构建的故障感知模型判断信息数据是否需要进一步诊断，若需要进一步诊断则将需诊断数据传输至所述VPN故障诊断单元。

3.根据权利要求1所述的一种VPN远程诊断及维护系统，其特征在于，所述VPN故障诊断单元包括：网络状态划分模块、网络故障类型诊断模块和故障分析原因模块；

所述网络状态划分模块用于基于信息增益的网络状态划分方法对存在多个故障的网络状态数据进行划分，通过设置不同的划分边界控制网络状态划分粒度；

所述网络故障类型诊断模块用于基于构建的故障诊断模型，虚拟化网络进行诊断，判断当前虚拟网络的可达性或性能故障；

所述故障分析原因模块用于通过对信息数据进行分析诊断出故障原因，故障原因包括：硬件故障、交换机和VPN路由器的软件bug，工作人员通过终端查看系统对故障的诊断过程以及故障原因。

4.根据权利要求1所述的一种VPN远程诊断及维护系统，其特征在于，所述VPN远程监管中心单元包括：模型建构模块和总控模块；

所述模型建构模块用于在信息采集过程中进行网络故障感知，构建故障感知模型，通过机器学习方法构建故障诊断模型；

所述总控模块用于根据诊断结果控制网络的运行状态，对VPN虚拟专用网络进行维护。

5.根据权利要求2所述的一种VPN远程诊断及维护系统，其特征在于，包括：通过所述数据预处理模块对采集信息数据进行数据降维处理；

在数据进行降维处理的过程中，提取数据中不同属性的特征值，根据特征值的大小衡量当前数据对应的属性对整体信息的重要程度，在满足设定损失度范围的前提下，将特征值从大到小排序形成列矩阵，对列矩阵进行降维计算，获取降维后的数据。

6.根据权利要求2所述的一种VPN远程诊断及维护系统，其特征在于，包括：基于决策树算法构建故障感知模型，其中，网络状态信息数据是连续数值，对连续数值处理后进行决策树算法操作，在基于决策树算法对数据训练过程中，通过剪枝操作减少决策树分支，通过调整信息数据参数，控制算法执行过程，参数控制包括：树的高度、分裂所需的数量节点、一个分支的样本数量。

7.根据权利要求6所述的一种VPN远程诊断及维护系统，其特征在于，对故障感知模型进行训练，训练好后的故障感知模型在信息采集过程感知网络故障；

其中，通过VPN信息采集单元中的信息采集服务器将故障感知模型加载至存储器中，存储器读取信息采集服务器采集的信息，将信息预处理后输入到故障感知模型中进行网络故障感知，根据故障感知模型获取推断结果，根据推断结果决定当前信息数据是否需要进一步诊断。

8.根据权利要求4所述的一种VPN远程诊断及维护系统，其特征在于，所述模型建构模块包括：故障服务器、动作指令执行子模块、故障自动化注入子模块、故障感知子模块和故障诊断子模块；

故障服务器向VPN信息采集单元请求数据，根据预设的模型训练参数训练故障感知模型；

故障感知模型训练过程中，故障自动化注入子模块向计算节点注入不同的故障信息数据，故障感知子模块识别出网络故障，向故障诊断子模块发出诊断请求，故障诊断子模块根据预设的策略选择对应的动作指令并下发给故障服务器，动作指令执行子模块执行下发的动作，故障感知子模块感知下一阶段网络状态，若仍然存在故障，则继续进行诊断，若无故障，故障节点向动作指令执行子模块发出诊断结束请求，动作指令执行子模块接收到请求后更新训练记忆，同时向故障诊断过程回滚模块发出调用，回滚诊断过程中执行的诊断指令为恢复到故障注入前状态，由故障自动化注入子模块注入下一个故障；

故障感知模型训练完成后下发至服务器中进行故障感知，VPN信息采集单元将实时采集的信息输入到故障感知模型中识别出异常网络状态信息，将正常网络状态信息进行过滤操作。

9.根据权利要求4所述的一种VPN远程诊断及维护系统，其特征在于，基于Q-learning算法的虚拟化网络强化学习，所述模型建构模块构建故障诊断模型，强化学习故障诊断模型训练过程中，在不同状态下根据策略选择对应的动作，通过环境验证，根据反馈的奖励值衡量动作的优劣，根据动作的优劣进行网络状态划分，经过多轮的故障诊断模型训练与网络状态划分后，诊断虚拟化专用网络故障，获取网络故障诊断结果。

10.根据权利要求4所述的一种VPN远程诊断及维护系统，其特征在于，所述总控模块包括：远程维护中心子模块；

远程维护中心子模块接收到VPN故障诊断单元的诊断结果后进行服务请求操作，自动从存储器中查询当前故障信息的级别，根据当前故障信息的级别定义对应的维护级别，工作人员根据维护级别确定维护任务，将该维护任务在线派发至指定的技术专家，技术专家对该故障信息提供在线维护服务。

Images