CN116390138B - 一种基于数字孪生网络的故障诊断方法及相关设备 - Google Patents
一种基于数字孪生网络的故障诊断方法及相关设备 Download PDFInfo
- Publication number
- CN116390138B CN116390138B CN202310452770.9A CN202310452770A CN116390138B CN 116390138 B CN116390138 B CN 116390138B CN 202310452770 A CN202310452770 A CN 202310452770A CN 116390138 B CN116390138 B CN 116390138B
- Authority
- CN
- China
- Prior art keywords
- network
- fault
- virtual
- nodes
- heterogeneous
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013136 deep learning model Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000006855 networking Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001338 self-assembly Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 241000272168 Laridae Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于数字孪生网络的故障诊断方法及相关设备,包括:获取目标异构网络中所有真实节点的历史故障数据输入构建的数字孪生网络进行虚拟异构网络构建,并提取虚拟异构网络的故障信息数据;将故障信息数据输入深度学习模型,对深度学习模型进行训练,得到故障诊断模型;将待诊断的异构网络输入数字孪生网络进行虚拟异构网络构建,得到包含多个第二虚拟节点第二虚拟异构网络和所有第二虚拟节点的信息数据;将所有第二虚拟节点的信息数据输入故障诊断模型,分别对每个第二虚拟节点进行故障诊断,得到异构网络的故障位置和故障类型;通过异构网络中单个网络节点的故障信息解决局部网络故障诊断的问题,提高了故障诊断的准确率。
Description
技术领域
本发明涉及高动态性异构网络的故障诊断技术领域,特别涉及一种基于数字孪生网络的故障诊断方法及相关设备。
背景技术
高动态性异构网络得益于其网络节点的高机动性、组网节点多样性等优势,在一些基础网络设施匮乏的地区或是需要通信设备辅助的流量热点地区,扮演着至关重要的角色。典型的高动态性异构网络有天基移动通信网络、空基移动通信网络、车载网络以及新型的空天地一体化网络等。高动态性异构网络工作环境相比于传统的有线和无线网络可能更为恶劣。因此,在高动态性异构网络中,故障发生频率相比于传统无线网络要高得多,且现有技术对高动态性异构网络中的网络故障诊断还无具体解决方案。
目前,已有研究人员提出基于机器学习的网络故障检测,但由于大型高动态性异构网络的网络异构性、网络中不同类型节点可能采用不同的系统、架构、和通信协议等,使中心式方法很难实时获取全局网络状态。因此,传统的集中式收集信息进行训练并不适合大型高动态性异构网络。针对该难题,有研究人员提出分布式的主动故障检测方法,但传统分布式训练方法智能获取有关节点自身的故障信息,当网络故障发生在这些节点之外端到端中任何一个其他环节,都无法推理出网络故障的具体原因。此外,分布式方法在训练过程中,同质化的样本数据导致训练的模型效果欠佳,能判别的网络故障类型也十分有限。
发明内容
本发明提供了一种基于数字孪生网络的故障诊断方法及相关设备,其目的是为了通过获取高动态性异构网络中单个网络节点的故障信息解决局部网络故障诊断的问题,提高网络故障诊断的准确率。
为了达到上述目的,本发明提供了一种基于数字孪生网络的故障诊断方法,包括:
步骤1,获取目标异构网络中所有真实节点的历史故障数据,将历史故障数据输入构建的数字孪生网络进行虚拟异构网络构建,得到第一虚拟异构网络及第一虚拟异构网络的故障信息数据;第一虚拟异构网络中包含多个第一虚拟节点,第一虚拟节点与目标异构网络中的真实节点一一对应;
步骤2,将故障信息数据输入深度学习模型,对深度学习模型进行训练,得到故障诊断模型;
步骤3,将待诊断的异构网络输入数字孪生网络进行虚拟异构网络构建,得到第二虚拟异构网络;第二虚拟异构网络中包含多个第二虚拟节点,第二虚拟节点与待诊断的异构网络中的真实节点一一对应,并提取所有第二虚拟节点的信息数据;
步骤4,将所有第二虚拟节点的信息数据输入故障诊断模型,分别对每个第二虚拟节点进行故障诊断,得到异构网络的故障位置和故障类型;
数字孪生网络包括多个异构移动网络节点和用于创建代理地址的服务器,每个构移动网络节点通过路由器与服务器进行连接,多个构移动网络节点和服务器处于同一局域网。
进一步来说,每个异构移动网络节点均包括:
移动控制部件,移动控制部件上设置有传感器;
计算设备,计算设备的输入端与传感器的输出端连接,计算设备的输出端与移动控制部件的输入端连接;
网卡,计算设备通过网卡与服务器以及其它异构移动网络节点中的计算设备建立连接。
进一步来说,服务器搭载有:
网络仿真平台,用于根据历史故障网络中真实节点的数量创建多个虚拟节点,每个虚拟节点对应一个真实节点,两个虚拟节点之间构建虚拟组网;
可视化平台,用于构建历史故障网络的数学模型,并可视化历史故障网络中真实节点的坐标;
可视化平台的第一数据传输端与网络仿真平台的数据传输端连接,将真实节点的坐标发送至虚拟组网,用于更新虚拟节点的位置;
可视化平台的第二数据传输端通过路由器与每个异构移动网络节点中的计算设备建立连接;
虚拟现实结合平台,用于收集历史故障网络的源数据包;虚拟现实结合平台与网络仿真平台连接,将源数据包转发至虚拟组网。
进一步来说,步骤1具体包括:
利用构建的故障树对目标异构网络进行故障诊断,得到所有真实节点的历史故障数据,历史故障数据包括网络故障类别和故障特征;
利用故障注入模块将所有真实节点的网络故障类别和故障特征注入数字孪生网络中进行虚拟异构网络构建,得到第一虚拟异构网络及第一虚拟异构网络的故障信息数据。
进一步来说,步骤2包括:
将故障信息数据组成预设长度的网络状态数据序列;
对网络状态数据序列进行处理,得到多个输入集;每个输入集只包含一个第一虚拟节点的网络状态数据序列;
将所有输入集输入深度学习模型,对深度学习模型进行集中式训练,得到每个虚拟节点的数据标签;
使用交叉熵函数计算每个第一虚拟节点的数据标签与真实标签的损失值;
根据损失值对深度学习模型的参数进行调整,得到故障诊断模型。
进一步来说,将故障数据组成预设长度的网络状态数据序列,包括:
将目标异构网络的故障发生时段划分为多个时间片,在每个时间片内提取发生故障时的故障信息数据,故障信息数据包括多个故障节点的网络状态数据;
将多个网络状态数据组成预设长度的网络状态数据序列,网络状态数据序列用于表征目标异构网络中各真实节点在受到网络故障影响下的网络指标变化特征。
本发明还提供了一种基于数字孪生网络的故障诊断装置,包括:
第一模拟模块,用于获取目标异构网络中真实节点的历史故障数据,将历史故障数据输入构建的数字孪生网络进行虚拟异构网络构建,并提取虚拟异构网络的故障信息数据;虚拟异构网络中包含多个虚拟节点,虚拟节点与目标异构网络中的真实节点一一对应;
训练模块,用于将故障信息数据输入深度学习模型,对深度学习模型进行训练,得到故障诊断模型;
第二模拟模块,用于将待诊断的异构网络输入数字孪生网络进行虚拟异构网络构建,得到第二虚拟异构网络;第二虚拟异构网络中包含多个第二虚拟节点,第二虚拟节点与待诊断的异构网络中的真实节点一一对应,并提取所有第二虚拟节点的信息数据;
故障诊断模块,用于将所有第二虚拟节点的信息数据输入故障诊断模型,分别对每个第二虚拟节点进行故障诊断,得到异构网络的故障位置和故障类型;
数字孪生网络包括多个异构移动网络节点和用于创建代理地址的服务器,每个异构移动网络节点通过路由器与服务器进行连接,多个异构移动网络节点和服务器处于同一局域网。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现基于数字孪生网络的故障诊断方法。
本发明还提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现基于数字孪生网络的故障诊断方法。
本发明的上述方案有如下的有益效果:
本发明与现有技术相比,首先通过获取目标异构网络中所有真实节点的历史故障数据;将历史故障数据输入构建的数字孪生网络进行虚拟异构网络构建,并提取第一虚拟异构网络的故障信息数据;第一虚拟异构网络中包含多个第一虚拟节点,第一虚拟节点与目标异构网络中的真实节点一一对应;将故障信息数据输入深度学习模型,对深度学习模型进行训练,得到故障诊断模型;将待诊断的异构网络输入数字孪生网络进行虚拟异构网络构建,得到第二虚拟异构网络;第二虚拟异构网络中包含多个第二虚拟节点,第二虚拟节点与待诊断的异构网络中的真实节点一一对应,并提取所有第二虚拟节点的信息数据;将所有第二虚拟节点的信息数据输入故障诊断模型,分别对每个第二虚拟节点进行故障诊断,得到异构网络的故障位置和故障类型;通过获取目标异构网络中单个网络节点的故障信息解决局部网络故障诊断的问题,提高了网络故障诊断的准确率,使得网络管理人员能及时检测、分类、溯源网络故障。
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明实施例的的流程示意图;
图2为本发明实施例中数字孪生网络的示意图;
图3为本发明实施例中无人机到基站的吞吐量变化曲线;
图4为本发明实施例中基站到无人机的吞吐量变化曲线;
图5为本发明实施例中网络丢包数量变化曲线;
图6为本发明实施例中拥塞窗口的变化曲线;
图7为本发明实施例中每个训练周期的故障分类准确率曲线;
图8为本发明实施例中每个训练周期的故障诊断准确率曲线;
图9为本发明实施例中故障分类准确率随节点规模的变化图;
图10为本发明实施例中故障诊断准确率随节点规模的变化图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是锁定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明针对现有的问题,提供了一种基于数字孪生网络的故障诊断方法及相关设备。
如图1所示,本发明的实施例提供了一种基于数字孪生网络的故障诊断方法,包括:
步骤1,获取目标异构网络中所有真实节点的历史故障数据,将历史故障数据输入构建的数字孪生网络进行虚拟异构网络构建,得到第一虚拟异构网络及第一虚拟异构网络的故障信息数据;第一虚拟异构网络中包含多个第一虚拟节点,第一虚拟节点与目标异构网络中的真实节点一一对应;
步骤2,将故障信息数据输入深度学习模型,对深度学习模型进行训练,得到故障诊断模型;
步骤3,将待诊断的异构网络输入数字孪生网络进行虚拟异构网络构建,得到第二虚拟异构网络;第二虚拟异构网络中包含多个第二虚拟节点,第二虚拟节点与待诊断的异构网络中的真实节点一一对应,并提取所有第二虚拟节点的信息数据;
步骤4,将所有第二虚拟节点的信息数据输入故障诊断模型,分别对每个第二虚拟节点进行故障诊断,得到异构网络的故障位置和故障类型。
如图2所示,数字孪生网络包括多个异构移动网络节点和用于创建代理地址的服务器,每个构移动网络节点通过路由器与服务器进行连接,多个构移动网络节点和服务器处于同一局域网。
本发明实施例需要说明的是,数字孪生网络(Digital TwinNetwork)是由多个数字孪生构成的网络,利用通信技术实现实体对象和虚拟模型之间、虚拟模型之间以及实体对象之间的信息交互和协同演化;数字孪生网络主要关注多个实体对象的协助关系和网络管理。
具体来说,每个异构移动网络节点均包括:
移动控制部件,移动控制部件上设置有传感器;
计算设备,计算设备的输入端与传感器的输出端连接,计算设备的输出端与移动控制部件的输入端连接;
网卡,计算设备通过网卡与服务器以及其它异构移动网络节点中的计算设备建立连接。
在本发明实施例中,异构网络节点包括无人机、飞机、高空平台等空中移动设备,还有地面基站,由于通信范围和地理位置的限制,这些移动设备间构成了多个局域网;移动控制部件为网络节点移动时所需要的运动部件,移动控制部件上配置有传感器,可以对周围环境、自身运行状况等物理世界信息进行实施监测,当传感器感知物理世界信息并进行收集后,便将数据发送至数字孪生网络中的服务器中;以无人机为例,主要有电机、陀螺仪、加速计、地磁感应器等硬件,在数字孪生网络中,移动网络节点的运动部件去除了如轮胎、螺旋桨等运动部件,使网络节点在室内可控环境下运行;计算设备上搭载了基础网络应用程序,通过网卡向其他移动网络节点发送各类数据,如传感器收集的环境信息、摄像头拍摄的照片等。不同移动网络节点上用于通信的应用层网络协议存在多种,如http、ftp等,使用的传输层也包括tcp和udp协议。
具体来说,服务器为高性能服务器,服务器搭载有:
网络仿真平台,用于根据异构网络中真实节点的数量创建多个虚拟节点,每个虚拟节点对应一个真实节点,两个虚拟节点之间构建虚拟组网;
可视化平台,用于构建异构网络的数学模型,并可视化异构网络中真实节点的坐标;
可视化平台的第一数据传输端与网络仿真平台的数据传输端连接,将真实节点的坐标发送至虚拟组网,用于更新虚拟节点的位置;
可视化平台的第二数据传输端通过路由器与每个异构移动网络节点中的计算设备建立连接;
虚拟现实结合平台,用于收集异构网络的源数据包;虚拟现实结合平台与网络仿真平台连接,将源数据包转发至虚拟组网。
在本发明实施例中,通过网络仿真平台构建对现实物理层中LAN的虚拟镜像网络环境,复杂的网络通信,在现实世界中的物理设备的实时状态和外界环境条件的变化都会在仿真环境中进行体现,同时构建复杂的网络信道,模拟数据包在各个物理设备之间的网络通信状态;最终得到与物理设备相对应的第一虚拟节点,物理设备的数量与第一虚拟节点的数量相等,将物理设备和第一虚拟节点一对一对应,多个第一虚拟节点之间构建虚拟wifi无线自组网络,网络中每个第一虚拟节点的IP地址和端口为节点的虚拟地址,虚拟wifi无线自组网络通过Tap Bridge与本地进程进行通信。
在本发明实施例中可视化平台为RflySim3D,对无人机系统载具运动过程进行数学建模,将无人机运行状态通过可视化平台的可视化界面实时显示,在仿真平台中显示无人机的坐标,并动态表示无人机的速度和运行方向。在可视化平台发出移动指令后,通过路由器将移动指令发送至各个异构移动网络节点,计算设备控制移动控制部件工作,并收集移动控制部件的状态数据,如电机转速等。
在本发明实施例中虚拟现实结合平台上搭载有虚拟现实结合程序,通过代理地址和映射表收集真实局域网中的源数据包,转发给网络仿真平台中的虚拟组网,将真实物理设备的消息转发至第一虚拟节点,在源数据包通过虚拟组网接收后,并将源数据包发送至对应的物理设备;数据包是由物理设备产生的基于真实需求的真实数据包,通过DDS,MQTT等应用层协议,进行交互。
具体来说,在本发明实施例中,以A和B两个异构移动网络节点为例,对数据包传输过程进行说明,如下:
假设节点A发起与节点B的通信,则服务器为节点B创建一个代理地址,即服务器在局域网中的IP地址和分配的一个端口号;将节点A向节点B发出的所有应用程序包的目的地址设置为服务器上的代理地址;
在节点B的代理地址上,虚拟现实结合平台通过虚拟现实结合程序使用创建接收线程,使用节点A的通信协议接收的数据包,同时创建接收线程,准备接收网络仿真平台的数据;
同理,服务器为节点A创建一个代理地址,使用节点B的通信协议,创建与节点B通信的接收和发送线程,并加入映射表;
在虚拟现实结合平台的映射表上,加入节点B的代理地址、真实地址、虚拟地址、通信协议、发送线程号的映射;
在虚拟现实结合程序中,当收到节点A发送给节点B的数据包时,则查找映射表,根据数据包中源地址的查找节点A的真实地址对应的表项,根据接收数据包的代理地址查找节点B的代理地址对应的表项,将两个映射表项、当前发送时间戳、连同源数据包的内容加入R2V消息;
虚拟现实结合程序将R2V消息通过Tap Bridge发送给网络仿真平台,网络仿真平台将内容交付给虚拟节点A*,并根据表项内容设置目的节点为虚拟节点B*;
虚拟节点A*收到R2V信息发送虚拟数据包,通过网络仿真平台的虚拟组网将数据包传输至虚拟节点B*;
虚拟组网根据可视化平台提供的无人机位置坐标更新虚拟节点的位置;
虚拟节点B*收到虚拟数据包,并记录传输延迟,与虚拟数据包组合为V2R消息;根据虚拟数据包中的表项,确定节点A对应的接收线程号,将V2R消息通过Tap Bridge发送给虚拟现实结合程序的接收线程。
接收线程收到V2R消息,用当前接收时间戳减去数据包中记录的发送时间戳,得到数据包在虚拟组网中传输的实际延迟,与记录的虚拟网络计算的延迟对比,由于ns-3网络仿真平台为离散事件仿真器,当前事件执行完便会执行下一个事件,并不会等待真实的延迟,因此可能导致数据包传输的实际延迟短于仿真虚拟延迟,因此通过整流器使数据包等待二者的差值,使真实延迟与计算的延迟相符合,达到实时性;
指定时间到达后,接收线程根据表项中节点A的真实地址,将数据包从节点B的代理地址发送至节点A的真实地址。
整个过程中,节点A始终与节点B的代理地址通信,同理节点B始终与节点A的代理地址通信。
具体来说,步骤1包括:
利用构建的故障树对目标异构网络进行故障诊断,得到所有真实节点的历史故障数据,历史故障数据包括网络故障类别和故障特征;
利用故障注入模块将所有真实节点的网络故障类别和故障特征注入数字孪生网络中进行虚拟异构网络构建,得到第一虚拟异构网络及第一虚拟异构网络的故障信息数据。
在本发明实施例中构建故障树,将网络故障和导致故障的原因联系起来,从而自上而下且直观地将网络故障进行分类和表示,以供网络管理人员对网络故障进行分析,通过故障树可以分层追踪网络故障的原因,节省网络维护人员的诊断时间。
具体来说,本发明实施例利用故障树进行网络故障诊断,首先将历史故障数据中网络故障引起的现象作为顶层事件,通过对现象进行分析,可以推断出导致网络故障的可能因素或因素的组合;然后从上至下对网络故障的根本原因进行排查,例如,假设网络突然出现大量丢包,在这种情况下,故障因素可能是单一因素,也可能是多种因素的组合,如通道条件差、网络拥塞或连接不稳定等。然而,单凭这些因素无法找出故障的根本原因,因此需要结合其他因素进行进一步的推理,一直回溯到故障的根本原因。由于高动态性异构网络的规模大、复杂度高,需要将各种故障树进行集成,构建完整的故障树。
其次,将发生的网络故障进行分类,并根据不同的故障类别分析故障发生的具体原因。网络故障主要有两种类型,分别是物理故障和逻辑故障。物理故障一般是指设备、链路或环境损坏引起的故障,逻辑故障一般是由于网络协议、算法、配置等网络功能配置错误引起的网络故障。如下表1所示:
表1
本发明实施例采用高动态性异构网络作为目标异构网络,把目标异构网络中常见的一些网络故障分为四类,分别是网络节点错误、路由错误、信道错误已经网络性能错误。网络节点故障发生在网络中一个或一些节点上,包括硬件错误导致的节点崩溃和软件错误导致的进程崩溃。路由错误则是路由算法的缺陷导致的。由于高动态性异构网络的特点,一般的路由协议很难同时满足收敛速度快、适应节点的高动态性、支持大规模网络等特点,这就导致出现路由环路、路径选择差等问题。而信道错误则是由无线通信的方式导致,与有线通信使用固定介质通信不同,无线通信受限于通信距离,信道质量,因此会出现超出通信范围、信道条件差等故障。而网络性能错误则是不合理的网络设置导致,当节点数量超出网络可承受能力就会出现网络拥塞等故障。
具体来说,步骤2包括:
将故障信息数据组成预设长度的网络状态数据序列Sk=(q1,q2,…,qi,ck);
其中,qi为n维向量,qi=(q1,q2,…,qn),每一个元素qi表示一项网络性能指标,n为采集的网络性能指标类型,t为样本数据的时间维度,ck为样本所属的标签类型,k表示标签的种类,c1为网络中是否有故障的标签,0表示无故障,1表示鸥故障,c2为故障是否发生在本地的标签,0表示故障发生在本地,1表示故障发生在除本地以外的网络中,c3为故障具体类型的标签,c3<K,K为故障类型的总数;
对网络状态数据序列进行处理,得到多个输入集 每个输入集只包含一个第一虚拟节点的网络状态数据序列;
其中,M表示故障收集步骤执行的总次数,Nj代表示第j次故障收集时,受故障影响的信息收集节点的数量;
在高性能服务器或者其它具有算力的设备上,将所有输入集输入深度学习模型,对深度学习模型进行集中式训练,得到每个第一虚拟节点的数据标签;深度学习模型采用包括输入层,隐藏层,输出层的结构。隐藏层结构可以使用处理时序数据的模型,例如传统循环神经网络(Recurrent Neural Network,RNN)、长短期记忆(Long Short-Term Memory,LSTM)、LSTM的变体网络(Gated Recurrent Unit,GRU)等;在本发明实施例中,可以采用一个深度学习模型进行训练,也可以同时采用多个深度学习模型进行训练;对于一个深度学习模型k,依次将所有第一虚拟节点输入深度学习网络依次进行训练,再依次输出训练结果;对于多个深度学习模型k,在每次训练迭代中,每个深度学习模型只输入单个第一虚拟节点的网络状态数据序列
输入层单元个数对应用于故障诊断的网络性能指标的类型n,每个迭代周期内,将每个序列qi按时间输入输入层进行传导;输出层输出计算模型得到的这组网络指标的标签;
使用交叉熵函数计算每个第一虚拟节点的数据标签与真实标签的损失值;
根据损失值对深度学习模型的参数进行调整,得到故障诊断模型。
具体来说,将故障信息数据组成预设长度的网络状态数据序列,包括:
将目标异构网络的故障发生时段划分为多个时间片,在每个时间片内提取发生故障时的故障信息数据,故障信息数据包括多个故障节点的网络状态数据;
将多个网络状态数据组成预设长度的网络状态数据序列,网络状态数据序列用于表征目标异构网络中各真实节点在受到网络故障影响下的网络指标变化特征。
在本发明实施例中由于在训练阶段进行的是集中式的训练,充分考虑到了收到故障影响的各类网络节点状态信息的变化,因此,经过上述的数据收集和模型训练阶段,能有效的训练到所有网络节点的数据信息并得到高精度的故障诊断模型,在故障诊断阶段,只需要输入单个第一虚拟节点的网络状态数据即可诊断出具体的故障类型,在保证故障诊断准确率的同时,还能有效降低收集网络节点网络状态数据的信令开销。
本发明实施例与现有技术相比,克服了传统的集中式机器学习方案和分布式机器学习方案的弊端,首先通过获取目标异构网络中真实节点的历史故障数据;将历史故障数据输入构建的数字孪生网络进行虚拟异构网络构建,并提取第一虚拟异构网络的故障信息数据;第一虚拟异构网络中包含多个第一虚拟节点,第一虚拟节点与目标异构网络中的真实节点一一对应;将故障信息数据输入深度学习模型,对深度学习模型进行训练,得到故障诊断模型;将待诊断的异构网络输入数字孪生网络进行虚拟异构网络构建,得到第二虚拟异构网络;第二虚拟异构网络中包含多个第二虚拟节点,第二虚拟节点与待诊断的异构网络中的真实节点一一对应,并提取所有第二虚拟节点的信息数据;将所有第二虚拟节点的信息数据输入故障诊断模型,分别对每个第二虚拟节点进行故障诊断,得到异构网络的故障位置和故障类型;通过获取目标异构网络中单个网络节点的故障信息解决局部网络故障诊断的问题,提高了网络故障诊断的准确率,使得网络管理人员能及时检测、分类、溯源网络故障。
本发明实施例通过构建一个高动态性多节点的无人机自组的异构网络,在该无人机自组的异构网络中,有1个地面基站节点和多个无人机节点,随机均匀分布在以基站为中新的一个圆形区域内,并在区域内随机移动,节点通过wifi进行相互的无线通信,无人机节点与基站节点上安装有应用程序,并使用TCP协议进行无人机和基站间的通信,无人机节点向基站节点传输传感器收集的周围环境信息,如照片或视频等,数据量较大。基站向无人机传输指令信息,如前进方向和需保持的飞行高度等,数据量较小。应用程序每次发送的数据量的大小和相邻两次发送的时间间隔遵循指数分布。仿真参数如下表2所示:
表2
参数含义 | 数值 | 参数含义 | 数值 |
节点分布范围半径 | 1.2km | 基站接收灵敏度 | -101dBm |
无人机高度 | 100m | 无人机数据量分布均值 | 100MB |
基站高度 | 50m | 无人机发送间隔分布 | 1.5s |
频率 | 2.4GHz | 基站数据量分布 | 5MB |
带宽 | 20MHz | 基站发送间隔分布 | 1s |
无人机发送功率 | 20dBm | 学习率 | 0.002 |
无人机接收灵敏度 | -101dBm | LSTM/RNN层数 | 2 |
基站发送功率 | 35dBm | 隐藏层大小 | 200 |
基站接收灵敏度 | -101dBm | 序列长度 | 140 |
此外,为了收集故障信息,本发明实施例将故障时间通过故障注入模块注入网络,当数字孪生网络传入一个网络故障时,向网络仿真平台中创建注入对应故障的事件,由于网络仿真平台没有提供网络故障类型,因此在网络仿真平台实现了各种常见的网络故障模拟。
为了模拟节点崩溃的现象,使节点的网卡拒绝发送和接收任何数据包,使其和其它节点间不能正常通信,无法传输数据和参与路由广播;为了注入路由环路故障,在路由故障发生时,查找故障节点到基站间的下一个邻居节点,并将邻居节点的下一个节点设置为故障节点,以此来构建一个路由回路;当需要注入差的信道环境故障时,选取故障节点和其一部分邻居节点,通过降低它们的接收功率来模拟节点之间存在障碍物导致路径损耗增加。在超出通信范围故障发生时,改变故障节点的移动模型,使其朝指定方向移动,直到超出和其它节点的通信范围为止。拥塞故障事件触发后,在网络仿真平台中加入一定数量的新节点,并在短时间内建立它们与基站间的TCP连接,以此来模拟网络中的拥塞故障。
网络初始化并稳定运行一段时间后,开始收集故障前后网络仿真平台中的网络数据状态构成数据集;每个网络节点间隔100ms将采集一次自身能收集到的网络状态数据并保存,所采集的数据类型种类作为深度学习模型的输入大小;当故障发生一段时间后,网络仿真平台将筛选受到网络局部故障影响的各节点,并导出它们所收集到的固定长度数据序列作为训练的一条数据。
由于网络的高动态性,除了主动注入的故障外,网络自身在运行的过程中也可能出现一定错误,导致节点收集的网络状态信息与正常工作下不同,因此需要将这部分数据剔除出数据集,减少干扰。
需要注意的是,在实际情况下,如果出现节点崩溃的情况,节点自身大概率很难得到有效的信息并诊断错误类型,因此只记录受到错误节点崩溃影响的其它节点信息,通过其它节点去诊断网络错误。
为了检验数据集的合理性,本发明实施例将每种故障类型的每种数据类型取平均值,并绘制其随时间变化的趋势,所有网络故障发生在第4s。
图3和图4所描述的是无人机到基站和基站到无人机的吞吐量变化曲线,两个图的整体趋势基本一致:网络拥塞导致吞吐量整体较大幅度下降;同时,信道导致吞吐量整体下降,但先比拥塞下降幅度相对较小;移动超出通信范围导致吞吐量逐步下降;路由环路和节点崩溃的吞吐量均为先下降一定程度,在路由算法搜索到新路径后吞吐量回升。
如图5所示,描述了网络丢包的数量随时间的变化曲线,数量的上下波动趋势是收到wifi速率控制协议的影响。移动超出通信范围类型的故障使信道误码率BER上升,导致丢包数量不断上升;网络拥塞和通信间出现障碍物则导致故障发生后,整体丢包数量上升一定幅度;而路由环路不影响两节点间无线信道的通信,而邻居节点崩溃则会导致应用层减少发包数量,因此网络的丢包数量变化并不明显。
如图6所示,描述了tcp拥塞窗口大小随时间的变化曲线,反映了拥塞控制算法估计的路径带宽。正常情况下拥塞控制算法不断提高拥塞窗口大小来探测信道传输能力的上线。网络拥塞发生后,拥塞控制算法不断控制发包数量下降。而路由环路故障和节点崩溃故障都是经过短暂下降,在路由算法计算出另外的路径后恢复上升趋势。通信范围超出则是由于数据包超时导致窗口大小不断下降。当遭遇信道环境差时,拥塞窗口则是下降一定程度后达到平稳。
本发明实施例将收集到的数据集按照7:3划分训练集和测试集,利用长短期记忆(Long Short-Term Memory,LSTM)模型进行训练,并对比了其与传统循环神经网络(Recurrent Neural Network,RNN)的对网络故障类型进行诊断的效果,以证明LSTM模型在收集的网络故障时节点状态时序数据上的适应性,同时,对比了传统分布式的故障诊段、基于数字孪生的错误诊断二者的性能与本发明实施例收集异构网络中各种节点的数据相比,传统分布式的故障诊断只能收集组网中单个节点上的数据信息进行训练。
图7描述了在无人机节点数量为25个的情况下,四种方式随训练的迭代周期增多的分类准确率变化情况。可以看出随着训练epoch增加,基于数字孪生平台的LSTM方法取得了最好效果,在42个epoch时达到最优值69.01%。不论是采用LSTM还是RNN,基于数字孪生平台的方法优于传统分布式训练方法。同样的,LSTM模型整体训练效果优于RNN模型。
除了对故障类型进行准确划分的准确率之外,本发明实施例还对比了另外一个指标:是否能检测出网络出现故障的准确率。故障检测率的计算方法为:
Af=(Dt-Dh-Df)/Dt
其中,Dt表示检测的总数,Dh表示将故障的数据检测为正常数据的数量,Df表示将正常数据检测为任意一种故障类型的数量。Af随更新次数epoch变化的趋势如图8。可以看出其它三种方法的Af没有太大差别,而基于数字孪生平台的LSTM方法的效果远好于其它三种,在模型分类准确率达到最优时,故障检测准确率能达到86%。
图9描述了四种方法在不同网络规模下的最优的分类准确率。在不同节点数目下,基于数字孪生网络的LSTM的最优分类准确率分别达到了68.5%,69%,69.5%,70%,分类效果超过其它三种方法,体现了本发明实施例所提出的方法的优越性。同时也能看出,LSTM模型的分类效果优于RNN,基于数字孪生的方法优于传统分布式方法。
图10描述了在不同网络规模下,当分类准确率达到最高时,模型的网络故障诊断的准确率。可以看出,本发明实施例所提出的方法在诊断网络故障的准确率上远优于其它四种方法,在节点数量为20,25,30,35时能达到84.3%,92.1%,83.0%和77.4%。而其他三种方法波动明显,总体上传统分布式LSTM好于剩下两种,说明了LSTM相比RNN在故障检测上效果更佳。
本发明实施例还提供了一种基于数字孪生网络的故障诊断装置,包括:
第一模拟模块,用于获取目标异构网络中真实节点的历史故障数据,将历史故障数据输入构建的数字孪生网络进行虚拟异构网络构建,并提取虚拟异构网络的故障信息数据;虚拟异构网络中包含多个虚拟节点,虚拟节点与目标异构网络中的真实节点一一对应;
训练模块,用于将故障信息数据输入深度学习模型,对深度学习模型进行训练,得到故障诊断模型;
第二模拟模块,用于将待诊断的异构网络输入数字孪生网络进行虚拟异构网络构建,得到第二虚拟异构网络;第二虚拟异构网络中包含多个第二虚拟节点,第二虚拟节点与待诊断的异构网络中的真实节点一一对应,并提取所有第二虚拟节点的信息数据;
故障诊断模块,用于将所有第二虚拟节点的信息数据输入故障诊断模型,分别对每个第二虚拟节点进行故障诊断,得到异构网络的故障位置和故障类型;
数字孪生网络包括多个异构移动网络节点和用于创建代理地址的服务器,每个构移动网络节点通过路由器与服务器进行连接,多个构移动网络节点和服务器处于同一局域网。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本发明实施例中的方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现基于数字孪生网络的故障诊断方法。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到构建装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本发明实施例还提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现基于数字孪生网络的故障诊断方法。
需要说明的是,终端设备可以是手机、平板电脑、笔记本电脑、超级移动个人计算机(UMPC,Ultra-mobile Personal Computer)、上网本、个人数字助理(PDA,PersonalDigital Assistant)等终端设备上,例如,终端设备可以是WLAN中的站点(ST,STAION),可以是蜂窝电话、无绳电话、会话启动协议(SIP,Session Initiation Protocol)电话、无线本地环路(WLL,Wireless Local Loop)站、个人数字处理(PDA,Personal DigitalAssistant)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备等。本发明实施例对终端设备的具体类型不作任何限制。
所称处理器可以是中央处理单元(CPU,Central Processing Unit),该处理器还可以是其他通用处理器、数字信号处理器(DSP,Digital Signal Processor)、专用集成电路(ASIC,Application Specific Integrated Circuit)、现成可编程门阵列(FPGA,Field-Programmable Gate Array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器在一些实施例中可以是所述终端设备的内部存储单元,例如终端设备的硬盘或内存。所述存储器在另一些实施例中也可以是所述终端设备的外部存储设备,例如所述终端设备上配备的插接式硬盘,智能存储卡(SMC,Smart Media Card),安全数字(SD,Secure Digital)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本发明实施例中的方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于数字孪生网络的故障诊断方法,其特征在于,包括:
步骤1,获取目标异构网络中所有真实节点的历史故障数据,将所述历史故障数据输入构建的数字孪生网络进行虚拟异构网络构建,得到第一虚拟异构网络及所述第一虚拟异构网络的故障信息数据;所述第一虚拟异构网络中包含多个第一虚拟节点,所述第一虚拟节点与所述目标异构网络中的真实节点一一对应;
所述步骤1具体包括:
利用构建的故障树对所述目标异构网络进行故障诊断,得到所有真实节点的历史故障数据,所述历史故障数据包括网络故障类别和故障特征;
利用故障注入模块将所述所有真实节点的网络故障类别和故障特征注入所述数字孪生网络中进行虚拟异构网络构建,得到第一虚拟异构网络及所述第一虚拟异构网络的故障信息数据;
步骤2,将所述故障信息数据输入深度学习模型,对所述深度学习模型进行训练,得到故障诊断模型;
所述步骤2包括:
将所述故障信息数据组成预设长度的网络状态数据序列;
对所述网络状态数据序列进行处理,得到多个输入集;每个所述输入集只包含一个第一虚拟节点的网络状态数据序列;
将所有所述输入集输入所述深度学习模型,对所述深度学习模型进行集中式训练,得到每个第一虚拟节点的数据标签;
使用交叉熵函数计算每个第一虚拟节点的数据标签与真实标签的损失值;
根据所述损失值对所述深度学习模型的参数进行调整,得到故障诊断模型;
将所述故障信息数据组成预设长度的网络状态数据序列,包括:
将所述目标异构网络的故障发生时段划分为多个时间片,在每个所述时间片内提取发生故障时的故障信息数据,所述故障信息数据包括多个故障节点的网络状态数据;
将多个所述网络状态数据组成预设长度的网络状态数据序列,所述网络状态数据序列用于表征所述目标异构网络中各真实节点在受到网络故障影响下的网络指标变化特征;
步骤3,将待诊断的异构网络输入所述数字孪生网络进行虚拟异构网络构建,得到第二虚拟异构网络;所述第二虚拟异构网络中包含多个第二虚拟节点,所述第二虚拟节点与待诊断的异构网络中的真实节点一一对应,并提取所有第二虚拟节点的信息数据;
步骤4,将所有所述第二虚拟节点的信息数据输入所述故障诊断模型,分别对每个所述第二虚拟节点进行故障诊断,得到所述异构网络的故障位置和故障类型;
所述数字孪生网络包括多个异构移动网络节点和用于创建代理地址的服务器,每个所述异构移动网络节点通过路由器与所述服务器进行连接,多个所述异构移动网络节点和所述服务器处于同一局域网。
2.根据权利要求1所述的基于数字孪生网络的故障诊断方法,其特征在于,每个所述异构移动网络节点均包括:
移动控制部件,所述移动控制部件上设置有传感器;
计算设备,所述计算设备的输入端与所述传感器的输出端连接,所述计算设备的输出端与所述移动控制部件的输入端连接;
网卡,所述计算设备通过所述网卡与所述服务器以及其它所述异构移动网络节点中的计算设备建立连接。
3.根据权利要求2所述的基于数字孪生网络的故障诊断方法,其特征在于,所述服务器搭载有:
网络仿真平台,用于根据异构网络中真实节点的数量创建多个虚拟节点,每个所述虚拟节点对应一个真实节点,两个所述虚拟节点之间构建虚拟组网;
可视化平台,用于构建异构网络的数学模型,并可视化异构网络中真实节点的坐标;
所述可视化平台的第一数据传输端与所述网络仿真平台的数据传输端连接,将所述真实节点的坐标发送至所述虚拟组网,用于更新所述虚拟节点的位置;
所述可视化平台的第二数据传输端通过所述路由器与每个所述异构移动网络节点中的计算设备建立连接;
虚拟现实结合平台,用于收集异构网络的源数据包;所述虚拟现实结合平台与所述网络仿真平台连接,将所述源数据包转发至所述虚拟组网。
4.一种基于数字孪生网络的故障诊断装置,其特征在于,包括:
第一模拟模块,用于获取目标异构网络中真实节点的历史故障数据,将所述历史故障数据输入构建的数字孪生网络进行虚拟异构网络构建,并提取虚拟异构网络的故障信息数据;所述虚拟异构网络中包含多个虚拟节点,所述虚拟节点与所述目标异构网络中的真实节点一一对应;
利用构建的故障树对所述目标异构网络进行故障诊断,得到所有真实节点的历史故障数据,所述历史故障数据包括网络故障类别和故障特征;
利用故障注入模块将所述所有真实节点的网络故障类别和故障特征注入所述数字孪生网络中进行虚拟异构网络构建,得到第一虚拟异构网络及所述第一虚拟异构网络的故障信息数据;
训练模块,用于将所述故障信息数据输入深度学习模型,对所述深度学习模型进行训练,得到故障诊断模型;
将所述故障信息数据组成预设长度的网络状态数据序列;
对所述网络状态数据序列进行处理,得到多个输入集;每个所述输入集只包含一个第一虚拟节点的网络状态数据序列;
将所有所述输入集输入所述深度学习模型,对所述深度学习模型进行集中式训练,得到每个第一虚拟节点的数据标签;
使用交叉熵函数计算每个第一虚拟节点的数据标签与真实标签的损失值;
根据所述损失值对所述深度学习模型的参数进行调整,得到故障诊断模型;
将所述故障信息数据组成预设长度的网络状态数据序列,包括:
将所述目标异构网络的故障发生时段划分为多个时间片,在每个所述时间片内提取发生故障时的故障信息数据,所述故障信息数据包括多个故障节点的网络状态数据;
将多个所述网络状态数据组成预设长度的网络状态数据序列,所述网络状态数据序列用于表征所述目标异构网络中各真实节点在受到网络故障影响下的网络指标变化特征;
第二模拟模块,用于将待诊断的异构网络输入所述数字孪生网络进行虚拟异构网络构建,得到第二虚拟异构网络;所述第二虚拟异构网络中包含多个第二虚拟节点,所述第二虚拟节点与待诊断的异构网络中的真实节点一一对应,并提取所有第二虚拟节点的信息数据;
故障诊断模块,用于将所有所述第二虚拟节点的信息数据输入所述故障诊断模型,分别对每个所述第二虚拟节点进行故障诊断,得到所述异构网络的故障位置和故障类型;
所述数字孪生网络包括多个异构移动网络节点和用于创建代理地址的服务器,每个所述异构移动网络节点通过路由器与所述服务器进行连接,多个所述异构移动网络节点和所述服务器处于同一局域网。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于数字孪生网络的故障诊断方法。
6.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的基于数字孪生网络的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452770.9A CN116390138B (zh) | 2023-04-25 | 2023-04-25 | 一种基于数字孪生网络的故障诊断方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310452770.9A CN116390138B (zh) | 2023-04-25 | 2023-04-25 | 一种基于数字孪生网络的故障诊断方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116390138A CN116390138A (zh) | 2023-07-04 |
CN116390138B true CN116390138B (zh) | 2024-03-08 |
Family
ID=86961637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310452770.9A Active CN116390138B (zh) | 2023-04-25 | 2023-04-25 | 一种基于数字孪生网络的故障诊断方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116390138B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821403B (zh) * | 2023-08-31 | 2023-12-05 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
CN117471979B (zh) * | 2023-12-27 | 2024-03-08 | 成都川哈工机器人及智能装备产业技术研究院有限公司 | 一种基于数字孪生平台的数据采集处理方法及系统 |
CN117978667A (zh) * | 2024-03-28 | 2024-05-03 | 北京邮电大学 | 一种数字孪生网络构建方法、装置、系统及虚拟节点 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110740054A (zh) * | 2019-07-17 | 2020-01-31 | 东南大学 | 一种基于强化学习的数据中心虚拟化网络故障诊断方法 |
CN114189888A (zh) * | 2021-11-29 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于数字孪生的5g融合网架构下多模终端接入系统及方法 |
WO2022100723A1 (zh) * | 2020-11-13 | 2022-05-19 | 中兴通讯股份有限公司 | 网络故障诊断方法、装置、计算机设备和可读介质 |
-
2023
- 2023-04-25 CN CN202310452770.9A patent/CN116390138B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110740054A (zh) * | 2019-07-17 | 2020-01-31 | 东南大学 | 一种基于强化学习的数据中心虚拟化网络故障诊断方法 |
WO2022100723A1 (zh) * | 2020-11-13 | 2022-05-19 | 中兴通讯股份有限公司 | 网络故障诊断方法、装置、计算机设备和可读介质 |
CN114189888A (zh) * | 2021-11-29 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于数字孪生的5g融合网架构下多模终端接入系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的网络故障诊断;赵明;谢萍;赵志军;武孟;;计算机与网络(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116390138A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116390138B (zh) | 一种基于数字孪生网络的故障诊断方法及相关设备 | |
Malik et al. | Leveraging fog computing for sustainable smart farming using distributed simulation | |
CN113156992B (zh) | 面向边缘环境下无人机的三层架构协同优化方法 | |
Piao et al. | Automating CSI measurement with UAVs: From problem formulation to energy-optimal solution | |
CN113507492B (zh) | 物联网三维空间智能定位与分布式边缘计算支援方法 | |
Ren et al. | Drone-edge coalesce for energy-aware and sustainable service delivery for smart city applications | |
CN102065446B (zh) | 面向群组移动环境的拓扑控制系统及控制方法 | |
Mertens et al. | SDN-(UAV) ISE: Applying software defined networking to wireless sensor networks with data mules | |
Soria et al. | Bluetooth network for micro-uavs for communication network and embedded range only localization | |
CN108566625A (zh) | 基于软件定义网络的WiFi定位方法 | |
Medeiros et al. | Swarm-based and energy-aware unmanned aerial vehicle system for video delivery of mobile objects | |
Hideg et al. | Data collection for widely distributed mass of sensors | |
Karegar et al. | UAV as a Data Ferry for a Sparse Adaptive WSN | |
Dragana et al. | Interlinking unmanned aerial vehicles with wireless sensor networks for improved large area monitoring | |
Bakirci | A Novel Swarm Unmanned Aerial Vehicle System: Incorporating Autonomous Flight, Real-Time Object Detection, and Coordinated Intelligence for Enhanced Performance. | |
CN116209030B (zh) | 一种移动平台抗弱网通信网关接入方法及系统 | |
El Boudani et al. | Positioning as service for 5g iot networks | |
CN101267403B (zh) | 一种无线自组织网络路由稳定性的度量系统及其方法 | |
Liu et al. | Throughput optimization for flying ad hoc network based on position control using genetic algorithm | |
CN102566432A (zh) | 基于Bang-bang控制策略的最优时间追踪捕获系统及其方法 | |
CN114465906A (zh) | 网络拓扑的生成方法、装置、存储介质和电子装置 | |
Tao et al. | Integrating UAV and LoRaWAN in WSN for intelligent monitoring in large-scale rural farms | |
Apicharttrisorn et al. | A moving object tracking algorithm using support vector machines in binary sensor networks | |
Ghosh et al. | An Extensive Analysis of Flying Ad-Hoc Network Applications and Routing Protocols in Agriculture | |
CN109884587A (zh) | 一种用于雾计算环境的无线传感器网络定位方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Tang Fengxiao Inventor after: Luo Linfeng Inventor after: Zhao Ming Inventor after: Wen Cong Inventor before: Tang Fengxiao Inventor before: Zhao Ming Inventor before: Luo Linfeng Inventor before: Wen Cong |
|
GR01 | Patent grant | ||
GR01 | Patent grant |