CN116436844A - 路由震荡的定位方法及装置、存储介质及电子设备 - Google Patents
路由震荡的定位方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116436844A CN116436844A CN202310696060.0A CN202310696060A CN116436844A CN 116436844 A CN116436844 A CN 116436844A CN 202310696060 A CN202310696060 A CN 202310696060A CN 116436844 A CN116436844 A CN 116436844A
- Authority
- CN
- China
- Prior art keywords
- data matrix
- autonomous
- routing
- autonomous domain
- domains
- 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.)
- Granted
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 83
- 239000011159 matrix material Substances 0.000 claims abstract description 371
- 230000002159 abnormal effect Effects 0.000 claims abstract description 69
- 230000003068 static effect Effects 0.000 claims abstract description 67
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 230000009466 transformation Effects 0.000 claims abstract description 37
- 230000005856 abnormality Effects 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims description 65
- 238000004891 communication Methods 0.000 claims description 56
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 130
- 238000012545 processing Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 11
- 206010010254 Concussion Diseases 0.000 description 10
- 230000009514 concussion Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供了一种路由震荡的定位方法及装置、存储介质及电子设备,其中,该方法包括:当路由网络中发生路由震荡时,获取路由网络的动态信息,路由网络的动态信息用于表示在发生路由震荡的预设周期内,路由网络中的多个自治域之间的路由线路变换;将路由网络的动态信息转换为匹配的第一数据矩阵;获取与路由网络的静态信息匹配的第二数据矩阵,路由网络的静态信息用于表示多个自治域之间的拓扑关系;使用预设神经网络模型对第一数据矩阵和第二数据矩阵进行数据拟合,得到与每个自治域对应的预测结果,并根据与每个自治域对应的预测结果,从多个自治域中确定出异常自治域,与每个自治域对应的预测结果用于表示每个自治域出现异常的概率。
Description
技术领域
本申请实施例涉及计算机领域,具体而言,涉及一种路由震荡的定位方法及装置、存储介质及电子设备。
背景技术
路由(Routing)是数据通信网络中一个基本的概念。路由就是通过互联的网络把信息从源地址传输到目的地址的活动。路由发生在开放式通信系统互联参考模型(OSI,Open System Interconnection Reference Model)中的第三层(即网络层),通常将具有路由转发功能的设备称为广义上的路由器。
边界网关协议(BGP,Border Gateway Protocol)是用来实现自治域的路由信息交换的协议,但是在路由信息交互过程中,由于不同自治域的路由交换协议和配置不同;可能会产生路由策略冲突的问题,从而导致路由网络发生路由震荡,但通常来说路由网络是复杂的,根据各个自治域的路由策略直接确定出异常自治域是较为困难的。
由此可见,相关技术中的路由震荡的定位方法,存在由于路由网络中的拓扑关系复杂导致的异常自治域定位的效率低的问题。
发明内容
本申请实施例提供了一种路由震荡的定位方法及装置、存储介质及电子设备,以至少解决相关技术中的路由震荡的定位方法存在由于路由网络中的拓扑关系复杂导致的异常自治域定位的效率低的问题。
根据本申请的一个实施例,提供了一种路由震荡的定位方法,包括:在路由网络中发生路由震荡的情况下,获取所述路由网络的动态信息,其中,所述路由网络的动态信息用于表示在发生所述路由震荡的预设周期内,所述路由网络中的多个自治域之间的路由线路变换;将所述路由网络的动态信息转换为与所述路由网络的动态信息匹配的第一数据矩阵;获取与所述路由网络的静态信息匹配的第二数据矩阵,其中,所述路由网络的静态信息用于表示所述多个自治域之间的拓扑关系;使用预设神经网络模型对所述第一数据矩阵和所述第二数据矩阵进行数据拟合,得到与所述多个自治域中的每个自治域对应的预测结果,并根据与所述每个自治域对应的预测结果,从所述多个自治域中确定出异常自治域,其中,与所述每个自治域对应的预测结果用于表示所述每个自治域出现异常的概率。
根据本申请的又一个实施例,提供了一种路由震荡的定位装置,包括:第一获取单元,用于在路由网络中发生路由震荡的情况下,获取所述路由网络的动态信息,其中,所述路由网络的动态信息用于表示在发生所述路由震荡的预设周期内,所述路由网络中的多个自治域之间的路由线路变换;第一转换单元,用于将所述路由网络的动态信息转换为与所述路由网络的动态信息匹配的第一数据矩阵;第二获取单元,用于获取与所述路由网络的静态信息匹配的第二数据矩阵,其中,所述路由网络的静态信息用于表示所述多个自治域之间的拓扑关系;拟合单元,用于使用预设神经网络模型对所述第一数据矩阵和所述第二数据矩阵进行数据拟合,得到与所述多个自治域中的每个自治域对应的预测结果,其中,与所述每个自治域对应的预测结果用于表示所述每个自治域出现异常的概率;第一确定单元,用于根据与所述每个自治域对应的预测结果,从所述多个自治域中确定出异常自治域。
根据本申请的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本申请的又一个实施例,还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本申请实施例,采用结合路由网络的动态信息和静态信息进行异常自治域定位的方式,在路由网络发生路由震荡的情况下,获取路由网络的动态信息,动态信息表示在发生路由震荡的预设周期内,路由网络中的多个自治域之间的路由线路变换;使得在路由网络发生路由震荡时,能够周期性的获得自治域间的路由线路变换信息;将路由网络的动态信息转换为与路由网络的动态信息匹配的第一数据矩阵,获取与路由网络静态信息匹配的第二数据矩阵;使得将路由网络的自治域之间的路由线路变换与自治域之间的拓扑关系分别转换为数据矩阵,以便于后续确定异常自治域;使用预设神经网络模型对第一数据矩阵和第二数据矩阵进行数据拟合,得到每个自治域对应的预测结果,根据每个自治域对应的预测结果,确定出异常自治域,其中,预测结果用于表示每个自治域出现异常的概率。由此,在路由网络中发生路由震荡的情况下,可以实现降低路由网络中的拓扑关系复杂对于异常自治域定位效率的影响,达到了提高异常自治域定位的效率的技术效果,进而解决了相关技术中的路由震荡的定位方法存在由于路由网络中的拓扑关系复杂导致的异常自治域定位的效率低的问题。
附图说明
图1是本申请实施例提供的一种可选的路由震荡的定位系统的架构示意图;
图2是本申请实施例提供的一种可选的电子设备的结构示意图;
图3是根据本申请实施例的一种可选的路由震荡的定位方法的流程示意图;
图4是根据本申请实施例的一种可选的边界矢量图的示意图;
图5是根据本申请实施例的一种可选的邻接矩阵转换的示意图;
图6是根据本申请实施例的一种可选的数据矩阵处理的示意图;
图7是根据本申请实施例的一种可选的路由震荡的定位装置的结构框图;
图8是根据本申请实施例的一种可选的电子设备的计算机系统的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请实施例提供一种路由震荡的定位方法及装置、存储介质及电子设备,能够快速准确定位异常自治域,下面说明本申请实施例提供的电子设备的示例性应用,本申请实施例提供的电子设备可以实施为路由设备、笔记本电脑,平板电脑,台式计算机,机顶盒,移动设备(例如,移动电话,便携式音乐播放器,个人数字助理,专用消息设备,便携式游戏设备)等各种类型的终端设备,也可以实施为服务器或者其他类型的处理设备。下面将说明设备实施为路由设备时示例性应用。
根据本申请实施例的一个方面,提供了一种路由震荡的定位方法。可选地,在本实施例中,上述路由震荡的定位方法可以应用于如图1所示的路由震荡的定位系统中。如图1所示,该路由震荡的定位系统100可以包括:路由网络101,网络102和处理设备103。其中,为实现支撑一个路由震荡的定位应用,路由网络101包括多个自治域(示例性示出了自治域1、自治域2、自治域3),自治域之间能够基于预设的边界网关协议交换路由信息,路由网络101可以通过网络102连接处理设备103,网络102可以包括但不限于以下至少之一:有线网络,无线网络。上述有线网络可以包括但不限于以下至少之一:广域网,城域网,局域网,上述无线网络可以包括但不限于以下至少之一:WIFI(Wireless Fidelity,无线保真),蓝牙。
处理设备103可以用于获取路由网络的静态信息,并在路由网络101中发生路由震荡的情况下,获取路由网络101的动态信息,其中,路由网络101的动态信息可以基于配置信息获取的,而路由网络101的动态信息可以是通过网络102从路由网络101中的各个自治域的边界路由器获取的,处理设备103可以将路由网络101的动态信息转换为匹配的第一数据矩阵,将路由网络101的静态信息转换为匹配的第二数据矩阵,并使用预设神经网络模型对第一数据矩阵和第二数据矩阵进行数据拟合,得到与路由网络101的每个自治域对应的预测结果,从而确定出异常自治域(即,引起路由震荡的自治域,该自治域处于异常状态)。处理设备103可以基于确定出的异常自治域通过网络102向路由网络101中的关联自治域发送控制指令,以抑制网络震荡。
路由网络101中的网络设备(例如,某一自治域中的边界路由器或者其他设别)与处理设备103可以是独立的物理设备(例如,物理服务器),也可以是多个物理设备构成的设备集群(例如,服务器集群)或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
可选地,在本实施例中,上述路由震荡的定位方法可以是由如图2所示的电子设备执行的。如图2所示,电子设备200可以是上述的路由网络101中的自治域的实体网络设备或处理设备103,该电子设备200包括:至少一个处理器201、至少一个网络接口202、总线系统203和存储器204。电子设备200中的各个组件通过总线系统203耦合在一起。可理解,总线系统203用于实现这些组件之间的连接通信。总线系统203除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统203。
处理器201可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),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,其中,通用处理器可以是微处理器或者任何常规的处理器等。
存储器204可以是可移除的,不可移除的或其组合。示例性的硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器204可选地包括在物理位置上远离处理器201的一个或多个存储设备。
存储器204包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM,Read Only Memory),易失性存储器可以是随机存取存储器(RAM,Random Access Memory)。本申请实施例描述的存储器204旨在包括任意适合类型的存储器。
在一些实施例中,存储器204能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统2041,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
网络通信模块2402,用于经由一个或多个(有线或无线)网络接口202到达其他计算设备,示例性的网络接口202包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB,Universal Serial Bus)等;
在一些实施例中,本申请实施例提供的装置可以采用软件方式实现,图2示出了存储在存储器204中的路由震荡的定位装置2043,其可以是程序和插件等形式的软件,包括以下软件单元:第一获取单元、第一转换单元、第二获取单元、拟合单元以及第一确定单元,这些单元是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个单元的功能。
当边界网关协议应用于复杂的网络环境中时,由于路由网络中存在大量自治域,导致路由线路变化十分频繁;而频繁的路由线路切换会消耗大量的带宽资源和处理器资源,即产生路由震荡,影响路由网络的正常工作。
相关技术中,通常采用静态方法通过分析路由网络下各个已知自治域的路由策略,判断异常自治域并改变异常自治域的路由策略以抑制路由震荡,但当路由网络架构较为复杂时,路由网络中存在大量自治域,导致分析各个自治域的路由策略会消耗大量处理器资源与时间,定位异常自治域的效率较低;且由于边界网关协议的路由选择是复杂的过程,自治域的路由策略是分布式设计,单纯地使用静态信息来判断路由问题以及抑制路由震荡是难以实现的。
对此,可以通过动态方法抑制产生路由震荡时的异常自治域,即通过路由网络中各个自治域的边关路由协议使用惩罚值(Penalty Value)来衡量自治域的稳定性,惩罚值越高则说明自治域越不稳定,当惩罚值超过抑制阈值(Suppress Value)时,此自治域被作为异常自治域,并在当前路由网络中被抑制;但在复杂的路由网络中路由震荡数量偏多的时候,动态方法容易被大量的路由更改信息干扰,使得检测方法性能下降,且由于动态方法记载大量路由信息导致路由设备的带宽资源消耗大大增加。
通过本申请实施例,采用结合路由网络的动态信息和静态信息进行异常自治域定位的方式,将路由震荡周期内路由网络中多个自治域之间的路由线路变换设置为动态信息,将路由网络中多个自治域之间的拓扑结构设置为静态信息;并将动态信息与静态信息分别转换为第一数据矩阵与第二数据矩阵,由此,能够大大提高路由设备的信息处理效率并节约存储资源;使用预设的神经网络模型对第一数据矩阵与第二数据矩阵进行拟合,以得到每个自治域对应的预测结果,预测结果用于表示自治域出现异常的概率;由此,能够获取各个自治域的实时状态,并准确定位异常自治域,以快速稳定路由网络。
可选地,上述路由震荡的定位方法可以是由处理设备103单独执行的,也可以是由处理设备103和路由网络101中的网络设备共同执行的,还可以是由除了处理设备103和路由网络101以外的其他处理设备执行的。作为一种可选的实施方式,以由处理设备103执行本实施例中的路由震荡的定位方法为例,如图3所示,上述路由震荡的定位方法的流程可以包括以下步骤:
在步骤S301中,获取路由网络的动态信息。
在路由网络发生震荡的情况下,获取路由网络的动态信息,其中,路由网络的动态信息用于表示在发生路由震荡的预设周期内,路由网络中的多个自治域之间的路由线路变换。
在一些示例中,路由网络的单位可以是一个或多个普通的网络群体,即一个单独的可管理的网络单元,例如特定区域的局域网,路由网络中可以包含多个自治域。
路由振荡(Route flapping)用于表示路由网络中的自治域之间的某条路由线路反复消失或重现,所导致的路由网络异常,能够通过边界网关协议(BGP,Border GatewayProtocol),读取路由网络中自治域的路由信息交换的协议,即获取自治域之间用于传输路由信息的路由线路(通信路径),配置边界网关协议与自治域的路由选择与整个路由网络拓扑结构相关,也与人为因素制定相关,边界网关协议具有灵活性以及可配置性的优点,例如,边界网关协议的灵活性可以是允许自治域之间进行通信,即自治域之间能够共享路由信息;边界网关协议的可配置性可以是由自治域的配置用户手动选择路由策略。
自治域又称为自治系统(AS,Autonomous System),在互联网中,自治域是决定在当前路由网络内中应采用各种路由协议的小型单位,自治域也可以被称为是一个路由选择域(Routine Domain)。
在一些实施例中,路由网络的动态信息可以是,在发生路由震荡的预设周期内,在起始自治域传输路由信息至目标自治域时,多个自治域之间的路由线路的变换次数。
在一些实施例中,路由网络的动态信息可以是,在发送路由震荡的预设周期内,在起始自治域传输路由信息至目标自治域时,路由线路的变换频率,即路由线路的变换次数与预设周期时长的比例关系。
需要说明的是,处理设备可以以设定的时间窗口为周期分别确定每个周期内是否发生路由震荡,预设周期可以是发生路由震荡的时间所在周期,每个周期的时间长度可以是根据需求由用户自行设定的,也可以是路由网络的默认设定时长,本实施例中对此不做限定。
通过本申请实施例,能够在路由网络发送震荡的情况下,根据发生路由震荡的时间所属的周期获取路由网络的动态信息,自定义周期长度并高效获取路由网络的动态信息。
在步骤S302中,将路由网络的动态信息转换为与路由网络的动态信息匹配的第一数据矩阵。
在一些示例中,可以根据路由网络中的自治域数量,构建与路由网络的动态信息匹配的第一数据矩阵;根据发生路由震荡的预设周期内,多个自治域之间的路由线路变换次数设置第一数据矩阵内的各个元素的元素值。
在一些实施例中,路由网络存在5个自治域,则可以构建行列数相同的第一数据矩阵,即第一数据矩阵的行列数均为5,将发生路由震荡的预设周期内,起始自治域传输路由信息至目标自治域时的起始自治域作为第一数据矩阵的行轴,将目标自治域作为第一数据矩阵的纵轴,将起始自治域至目标自治域的路由线路变换次数作为第一数据矩阵对应元素的数值。
通过本申请实施例,能够使得路由网络动态信息可视化,即将路由网络的动态信息转换为数据矩阵的形式,以便于后续进行数据分析。
在步骤S303中,获取与路由网络的静态信息匹配的第二数据矩阵。
在一些示例中,路由网络的静态信息用于表示多个自治域之间的拓扑关系。例如,路由网络的静态信息可以是路由网络中的自治域的个数、自治域之间的通信路径。
在一些实施例中,与路由网络的静态信息匹配的第二数据矩阵,可以表示自治域之间的通信路径,在这里,各个自治域之间的有向连接关系可以表示各个自治域之间的边界网关协议,即自治域之间的通信路径。
需要说明的是,路由网络的静态信息是路由网络中的预设信息,可以读取路由网络中的各个自治域的边界网关协议,以获取路由网络的静态信息。
通过本申请实施例,能够使得路由网络静态信息可视化,即将路由网络的静态信息转换为数据矩阵的形式,以便于后续进行数据分析。
在步骤S304中,使用预设神经网络模型对第一数据矩阵和第二数据矩阵进行数据拟合,得到与多个自治域中的每个自治域对应的预测结果。
在一些示例中,预设的神经网络模型可以是卷积神经网络模型或残差神经网络模型等神经网络模型。
对于边界网关结构简单的路由网络可以采用浅层卷积神经网络处理其对应的第一数据矩阵和第二数据矩阵,对于边界网络结构复杂的路由网络可以采用残差神经网络处理其对应的第一数据矩阵和第二数据矩阵,在这里可以设置网关复杂阈值表示路由网络的边界网络结构的复杂程度,例如,将自治域大于5个的路由网络设置为边界网关结构复杂,将自治域小于等于5个的路由网络设置为边界网关结构简单;例如,浅层卷积神经网络可以是LeNet-5,残差网络模型可以是ResNet。
在一些实施例中,使用卷积神经网络模型对第一数据矩阵和第二数据矩阵进行卷积拟合,得到每个自治域对应的预测结果,预测结果的值域为0-1,以表示自治域出现异常的概率。
可选地,还可以使用残差神经网络模型对第一数据矩阵和第二数据矩阵进行回归拟合处理,将残差神经网络模型的全连接层输出节点个数设置为路由网络中自治域的个数,以得到每个自治域的对应预测结果,预测结果的值域为0-1,以表示自治域出现异常的概率。
通过本申请实施例,能够根据路由网络的边界网关结构的具体情况,选择不同的预设神经网络模型处理数据矩阵,提高了数据处理效率;以数值形式表示每个自治域的异常概率,使得预测结果可视化。
在步骤S305中,根据与每个自治域对应的预测结果,从多个自治域中确定出异常自治域。
在一些实施例中,与每个自治域对应的预测结果用于表示每个自治域出现异常的概率。异常自治域可以用于表示路由网络发生网络震荡时,路由网络中出现异常的自治域,在这里,异常自治域无法正常传输路由信息至其他自治域。
可以根据路由网络中每个自治域对应预测结果的数值,调整与路由网络中每个自治域上对应的路由策略的优先级,例如,根据路由网络中每个自治域的预测结果数值进行倒序排序,得到自治域优先级列表;自治域优先级列表中在前的自治域对应的路由策略优先级高于在后的自治域对应的路由策略的优先级。
通过本申请实施例,根据每个自治域的对应预测结果的数值进行排序,以确定异常自治域以及各个自治域的优先级,能够快速准确定位异常自治域,获取各个自治域的情况。
通过本申请实施例上述步骤,在路由网络中发生路由震荡的情况下,获取路由网络的动态信息,其中,路由网络的动态信息用于表示在发生路由震荡的预设周期内,路由网络中的多个自治域之间的路由线路变换;将路由网络的动态信息转换为与路由网络的动态信息匹配的第一数据矩阵;获取与路由网络的静态信息匹配的第二数据矩阵,其中,路由网络的静态信息用于表示多个自治域之间的拓扑关系;使用预设神经网络模型对第一数据矩阵和第二数据矩阵进行数据拟合,得到与多个自治域中的每个自治域对应的预测结果,并根据与每个自治域对应的预测结果,从多个自治域中确定出异常自治域,其中,与每个自治域对应的预测结果用于表示每个自治域出现异常的概率,解决了相关技术中的路由震荡的定位方法存在由于路由网络中的拓扑关系复杂导致的异常自治域定位的效率低的问题,提高了异常自治域定位的效率。
在一个示例性实施例中,将路由网络的动态信息转换为与路由网络的动态信息匹配的第一数据矩阵,包括:
S11,根据路由网络的动态信息,确定每个自治域与多个自治域中每个自治域的相邻域之间的线路变换次数;
S12,根据每个自治域与每个自治域的相邻域之间的线路变换次数,生成与路由网络的动态信息匹配的第一数据矩阵。
在一些示例中,路由网络的动态信息用于表示在发生路由震荡的预设周期内,路由网络中的多个自治域之间的路由线路变换。在这里,根据多个自治域之间的路由线路变换信息,确定每个自治域与路由网络中的其相邻自治域(相邻域)之间的路由线路变化次数。自治域的相邻域用于表示与当前自治域存在直接通信路径的自治域,即自治域与自治域的相邻域可以直接传输路由信息,而无需其他自治域转发。
在一些实施例,根据路由网络中自治域的数量生成行列数相同的第一数据矩阵;将每个自治域与其相邻自治域之间的线路变换次数作为第一数据矩阵中对应元素的数值,以生成与路由网络的动态信息匹配的第一数据矩阵。
通过本申请实施例,能够根据路由网络中相邻自治域之间的线路变换次数生成与路由网络动态信息匹配的第一数据矩阵,由此,将自治域之间的线路变换可视化,以便于后续进行数据分析处理。
在一个示例性实施例中,根据每个自治域与每个自治域的相邻域之间的线路变换次数,生成与路由网络的动态信息匹配的第一数据矩阵,包括:
S21,基于路由网络中的自治域的数量,构建行列数相同的第一初始数据矩阵,其中,第一初始数据矩阵的行列数均为路由网络中的自治域的数量;
S22,根据每个自治域与每个自治域的相邻域之间的线路变换次数,设置第一初始数据矩阵中的各个元素的元素值,得到第一数据矩阵。
例如,参考图4,图4是本申请实施例提供的边界矢量图;包括5个自治域分别为AS1、AS2、AS3、AS4、AS5;自治域之间的有向连接表示自治域之间的通信路径。则可以构建行列数均为5的第一初始数据矩阵,根据路由网络中的动态信息,获取每个自治域与每个自治域的相邻域之间的线路变换次数,以设置为第一初始数据矩阵中的各个元素的元素值,以得到第一数据矩阵。
在这里,第一数据矩阵可以作为预设神经网络模型中多层数据(特征)矩阵的第三层数据矩阵(通道3)。
可参考表1,表1是本申请实施例提供的第一数据矩阵表,其中,行自治域(行对应的自治域)表示传输路由信息的起始自治域,列自治域(列对应的自治域)表示传输路由信息的目标自治域,元素数值表示每个自治域与每个自治域的相邻域之间的线路变换次数。
表1
通过本申请实施例,基于路由网络中自治域数量构建第一数据矩阵,将每个自治域与每个自治域的相邻域之间的线路变换次数作为第一数据矩阵数值;使得路由网络中自治域线路变换次数可视化,同时,数据矩阵形式便于后续数据分析处理。
在一个示例性实施例中,根据每个自治域与每个自治域的相邻域之间的线路变换次数,设置第一初始数据矩阵中的各个元素的元素值,得到第一数据矩阵,包括:
S31,将第一初始数据矩阵中,行列数不相同的各个元素的元素值设置为所在行对应的自治域与所在列对应的自治域之间的线路变换频率,并将第一初始数据矩阵中,行列数相同的各个元素的元素值设置为0,得到第一数据矩阵。
在一些示例中,一个元素所在行对应的自治域与所在列对应的自治域之间的线路变换频率,可以是一个元素所在行对应的自治域与所在列对应的自治域之间的线路变换次数与预设周期的周期时长之间的比例关系。在这里,预设周期的周期时长可以根据路由网络的动态信息或静态信息设定,也可以指定两个时间节点之间的时长作为预设周期的周期时长。
通过本申请实施例,提供了多种第一数据矩阵中元素的数值判定方式,以灵活生成与路由网络动态信息相匹配的第一数据矩阵,能够满足多种路由震荡判定需求。
在一个示例性实施例中,获取与路由网络的静态信息匹配的第二数据矩阵,包括:
S41,获取与路由网络对应的边界矢量图,其中,边界矢量图是根据多个自治域之间的边界网关协议构建的、用于表示多个自治域之间的拓扑结构的有向图,路由网络的静态信息包括边界矢量图;
S42,将边界矢量图转换为与边界矢量图匹配的邻接矩阵,得到第一子数据矩阵,其中,第二数据矩阵包括第一子数据矩阵。
第二数据矩阵可以是预先生成并保存的,也可以是在确定发生路由震荡之后生成的。在一些示例中,第二数据矩阵可以包括将与路由网络对应的边界矢量图转换为的邻接矩阵,即,第一子数据矩阵,这里,路由网络的静态信息包括边界矢量图,而边界矢量图是根据多个自治域之间的边界网关协议构建的、用于表示多个自治域之间的拓扑结构的有向图。
边界网关协议用于实现自治域的路由信息交换的协议,边界网络协议的能够实现自治域之间的通信以传播路由信息;边界网络协议是一个外部网关协议,允许一个自治域与另一个自治域进行通信。边界网关协议允许自治域向其他自治域通告其内部的网络的可达性信息(即通信路径),或者是通过该自治域可达的其他网络的路由信息。同时,自治域也能够从另一个自治域中读取这些信息。
在一些示例中,边界矢量图用于表示多个自治域之间的拓扑结构的有向图,参考图4,图4是本申请实施例提供的边界矢量图;包括5个自治域分别为AS1、AS2、AS3、AS4、AS5;自治域之间的有向连接表示自治域之间的通信路径。
在一些示例中,对路由网络的静态信息中的边界矢量图进行图嵌入(Graphembedding)处理,基于图的拓扑结构、节点到节点的关系进行编码,以获取与路由网络的静态信息匹配的第一子数据矩阵,可选地,对于在确定发生路由震荡之后生成的第二数据矩的场景,可以获取与路由网络对应的边界矢量图,可以将边界矢量图转换为与边界矢量图匹配的邻接矩阵,得到第一子数据矩阵。在这里,第二数据矩阵包括至少一个子数据矩阵,第一子数据矩阵属于第二数据矩阵。
在一些实施例中,邻接矩阵(Adjacency Matrix)是表示边界矢量图节点之间相邻关系的矩阵。参考图5,图5是本申请实施例提供的邻接矩阵转换示意图,包括边界矢量图与邻接矩阵。如图5所示,边界矢量图包括节点V1、V2、V3、V4,以及各个节点的有向连接关系;邻接矩阵的行坐标与列坐标数量相同且均为边界矢量图中的各个节点,当两个节点存在有向连接关系时,邻接矩阵中对应元素数值为1;当两个节点不存在有向连接关系时,邻接矩阵中对应元素数值为0。
通过本申请实施例,能够通过路由网络中多个自治域的边界网关协议构建路由网络对应的边界矢量图,并根据边界矢量图转换得到相匹配的邻接矩阵作为第一子数据矩阵,以使得路由网络中各个自治域的关系可视化。
在一个示例性实施例中,在获取与路由网络对应的边界矢量图之前,上述方法还包括:
S51,基于与路由网络中的多个自治域对应的边界网关协议,确定多个自治域之间的通信路径;
S52,将多个自治域中的每个自治域分别映射为有向图中的一个节点,并在对应的自治域之间存在通信路径的两个节点之间添加有向边,得到边界矢量图。
在一些示例中,边界网关协议允许自治域向其他自治域通告其内部的网络的可达性信息,能够根据路由网络中各个自治域的边界网关协议确定各个自治域之间的通信路径,通信路径可以是单向传输也可以是双向传输。
在一些实施例中,将路由网络中各个自治域映射为有向图中的各个节点,根据每个自治域与每个自治域的相邻自治域之间的通信路径以及通信路径的传输方向,为自治域所对应的节点之间添加有向边,以得到边界矢量图;边界矢量图可参考图4,在此不再赘述。
通过本申请实施例,能够基于路由网络中的自治域以及自治域的边界网关协议,构建边界矢量图,以实现路由网络中自治域之间的通信关系可视化。
在一个示例性实施例中,将边界矢量图转换为与边界矢量图匹配的邻接矩阵,得到第一子数据矩阵,包括:
S61,基于边界矢量图中的节点的数量,构建行列数相同的初始邻接矩阵,其中,初始邻接矩阵的行列数均为边界矢量图中的节点的数量;
S62,根据初始邻接矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的连通关系,设置初始邻接矩阵中的各个元素的元素值,得到第一子数据矩阵。
在一些示例中,边界矢量图中的节点数量等于路由网络中的自治域的数量。在一些实施例中,边界矢量图可以根据路由网络的预设静态信息预先生成的,也可以是在根据路由网络的动态信息调整路由网络中自治域之间的通信路径之后实时生成的;需要说明的是,第一子数据矩阵能够随着边界矢量图变化,实时变更元素值。
基于边界矢量图构建初始邻接矩阵,根据初始邻接矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的连通关系,设置初始邻接矩阵中的各个元素的元素值得到第一子数据矩阵,具体可参考前述实施例,在此不再赘述。
通过本申请实施例,能够基于路由网络的边界矢量图构建初始邻接矩阵,根据节点间的连通关系设置元素值,以得到表示路由网络中自治域连通关系的第一子数据矩阵。
在一个示例性实施例中,根据初始邻接矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的连通关系,设置初始邻接矩阵中的各个元素的元素值,得到第一子数据矩阵,包括:
S71,将初始邻接矩阵中,行列数相同的各个元素的元素值、以及所在行对应的节点到所在列对应的节点的方向上存在边的各个元素的元素值设置为第一值,并将初始邻接矩阵中,所在行对应的节点到所在列对应的节点的方向上不存在边的各个元素的元素值设置为第二值,得到第一子数据矩阵,其中,第一值和第二值为不同值。
在一些实施例中,参考图4,图4所示的路由网络存在5个自治域,则路由网络所对应的边界矢量图节点数量为5,构建行列数相同的第一子数据矩阵,且第一子数据矩阵的行列数均为5,将5个节点分别作为第一子数据矩阵的行轴与列轴。
参考表2,表2是本申请实施例提供第一子数据矩阵,包括节点AS1、AS2、AS3、AS4、AS5,表中对应元素数值用于表示元素所在行对应的节点到元素所在列对应的节点的方向上是否存在边,将行列数相同的各个元素的元素值、以及元素所在行对应的节点到元素所在列对应的节点的方向上存在边的各个元素的元素值设置为第一值即为1;将元素所在行对应的节点到元素所在列对应的节点的方向上不存在边的各个元素的元素值设置为第二值即为0。如此,能够将图4对应的边界矢量图的拓扑关系转换为5*5的矩阵形式。
在这里,第一子数据矩阵可以作为预设神经网络模型中多层数据(特征)矩阵的第一层数据矩阵(通道1)。
表2
通过本申请实施例,能够基于路由网络的边界矢量图构建初始邻接矩阵,根据节点间的连通关系设置第一值与第二值,以分别表示节点间的不同连接情况。
在一个示例性实施例中,获取与路由网络的静态信息匹配的第二数据矩阵,还包括:
S81,基于边界矢量图中的节点的数量,构建行列数相同的第二初始数据矩阵,其中,第二初始数据矩阵的行列数均为边界矢量图中的节点的数量;
S82,根据第二初始数据矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的边的权重值,设置第二初始数据矩阵中的各个元素的元素值,得到第二子数据矩阵,其中,第二数据矩阵还包括第二子数据矩阵。
在一些示例中,权重值与路由网络的静态信息相关,可以根据路由网络中每个自治域与每个自治域相邻的域之间的通信路径数量,设置自治域所对应的节点之间的边的权重值,例如,将两个节点所对应的自治域之间存在1条通信路径的元素的权重值设置为0.5、存在2条通信路径的元素的权重设置为1。
在一些示例中,还可以根据路由网络中自治域之间的通信路径的质量设置对应元素的权重值,即通信路径的负载量与所对应元素的权重值呈正比。
通过本申请实施例,可以根据路由网络中各个自治域的实际情况自定义节点之间的边的权重值,使得得到的第二子数据矩阵能够符合预定需求。
在一个示例性实施例中,根据第二初始数据矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的边的权重值,设置第二初始数据矩阵中的各个元素的元素值,得到第二子数据矩阵,包括:
S91,将第二初始数据矩阵中,行列数不相同的各个元素的元素值设置为所在行对应的节点到所在列对应的节点的方向上的边的权重值,并将第二初始数据矩阵中,行列数相同的各个元素的元素值设置为所在行对应的节点与边界矢量图中除了所在行对应的节点以外的其他节点之间的连接的个数,得到第二子数据矩阵。
在一些实施例中,参考图4,图4所示的路由网络存在5个自治域,则路由网络所对应的边界矢量图节点数量为5,构建行列数相同的第二初始数据矩阵,且第一子数据矩阵的行列数均为5,将5个节点分别作为第一子数据矩阵的行轴与列轴。
参考表3,表3是本申请实施例提供的第二子数据矩阵示意图,包括节点AS1、AS2、AS3、AS4、AS5,将行列数相同的各个元素的元素值设置为所在行对应的节点与边界矢量图中(如图4)除了所在行对应的节点以外的其他节点之间的连接的个数,将行列数不相同的各个元素的元素值设置为所在行对应的节点到所在列对应的节点的方向上的边的权重值,得到第二子数据矩阵。
在这里,第二子数据矩阵可以作为预设神经网络模型中多层数据(特征)矩阵的第二层数据矩阵(通道2)。
表3
需要说明的是,第一数据矩阵与第二数据矩阵的行列数以及数据格式相同,仅矩阵中的元素数值不同,第二数据矩阵包括第一子数据矩阵与第二子数据矩阵。
在这里,第一数据矩阵与路由网络的动态信息相匹配,能够表示路由震荡的预设周期内,多个自治域之间的路由线路变化;第二数据矩阵于路由网络的静态信息相匹配,用于表示多个自治域之间的拓扑关系,其中,第一子数据矩阵用于表示路由网络中的自治域之间是否存在通信路径,第二子数据矩阵用于表示路由网络中的每个自治域与每个自治域的相邻域之间的通信路径数量,以及各个通信路径的权重。
通过本申请实施例,能够根据每个节点到其他节点的连接个数设置行列数相同的元素数值,根据元素所在行对应的节点到所在列对应的节点的方向上的边的权重值设置行列数不同的元素数值,由此使得得到的第二子数据矩阵能够符合预定权重以及节点连接数。
在一个示例性实施例中,获取与路由网络的静态信息匹配的第二数据矩阵,包括:
S101,按照预设存储路径读取与路由网络的静态信息匹配的第二数据矩阵,其中,第二数据矩阵预先保存在预设存储路径下。
在一些实施例中,可以在预设存储路径下,读取已有的路由网络静态信息,以获取路由网络对应的边界矢量图,将边界矢量图转换为相对应的邻接矩阵,以预先生成第二数据矩阵,并将已生成的第二数据矩阵存储至预设存储路径下,以便于后续读取。其中,第二数据矩阵包括第一子数据矩阵与第二子数据矩阵,具体生成方式在此不再赘述。
在一些实施例中,按照路由震荡的预设周期,周期性地在预设存储路径中读取与路由网络的静态信息匹配的第二数据矩阵,以根据路由网络的静态信息更改情况,实时变更第二数据矩阵数值。
需要说明的是,路由网络的静态信息会根据路由网络的动态信息被动更新,例如,在路由网络中发生路由震荡的情况下,短暂屏蔽异常自治域以及异常自治域相关的通信路径,在这里,屏蔽时长可以与路由震荡的预设周期相同,也可以由路由网络设定。
通过本申请实施例,能够根据预设置的存储路径读取第二数据矩阵,也可以根据路由网络的静态信息实时生成或更新当前静态矩阵,提高了第二数据矩阵的生成以及更新效率。
在一个示例性实施例中,在路由网络中发生路由震荡的情况下,获取路由网络的动态信息,包括:
S111,在路由网络中发生路由震荡的情况下,从多个自治域中的每个自治域的边界服务器获取每个自治域的动态信息,得到路由网络的动态信息。
其中,每个自治域的动态信息用于表示在发生路由震荡的预设周期内,每个自治域与多个自治域中每个自治域的相邻域之间的路由线路变换。
在一些实施例中,在路由网络中发生路由震荡的情况下,读取当前路由震荡周期内每个自治域的路由线路变换信息,以获取每个自治域的当前路由震荡周期的动态信息,将所有自治域的当前路由震荡周期的动态信息作为路由网络的当前动态信息。
在一些实施例中,预先设定检测周期,并周期性地读取路由网络中每个自治域的边界服务器以获取每个自治域的动态信息,在这里,预定检测周期与路由网络的静态信息相关,例如,检测周期间隔时长与路由网络中自治域的数量呈正相关,即路由网络中自治域数量越多,则预先设定检测周期的间隔越长。
通过本申请实施例,能够在发生路由震荡的情况下,自动读取每个自治域的动态信息,以实时存储自治域的动态信息。
在一个示例性实施例中,在路由网络中发生路由震荡的情况下,获取路由网络的动态信息,包括:
S121,在路由网络中发生路由震荡的情况下,从预先保存的每个自治域在多个周期内的路由线路变换信息中,提取出每个自治域的动态信息,得到路由网络的动态信息。
其中,每个自治域的动态信息用于表示在发生路由震荡的预设周期内,每个自治域与多个自治域中每个自治域的相邻域之间的路由线路变换。
在一些实施例中,在路由网络中发生路由震荡的情况下,读取全部预先保存的每个自治域在当前周期以及之前周期的路由线路变换信息,以获取每个自治域的全部动态信息,将所有自治域的全部路由信息作为路由网络的全部动态信息。
通过本申请实施例,能够在发送路由震荡的情况下,根据需求读取当前路由震荡周期的路由网络的动态信息或全部的路由网络的动态信息,以适应各类路由网络检测需求情况。
在一个示例性实施例中,使用预设神经网络模型对第一数据矩阵和第二数据矩阵进行数据拟合,得到与多个自治域中的每个自治域对应的预测结果,包括:
S131,将第一数据矩阵和第二数据矩阵作为多层特征矩阵输入到预设神经网络模型中,得到预设神经网络模型回归出的目标预测结果,其中,目标预测结果包含与每个自治域对应的预测结果,第一数据矩阵和第二数据矩阵对应于多层特征矩阵的不同层。
自治域对应的预测结果用于表示每个自治域出现异常的概率,预测结果的值域为0-1,预测结果的数值越大表示其对应自治域出现异常的概率越大。
在一些实施例中,第一数据矩阵与第二数据矩阵的矩阵结构相同,均为路由网络中自治域的数量,仅存储的路由信息不同。
例如,第一数据矩阵与路由网络的动态信息相匹配,能够表示路由震荡的预设周期内,多个自治域之间的路由线路变化;第二数据矩阵于路由网络的静态信息相匹配,用于表示多个自治域之间的拓扑关系,其中,第一子数据矩阵用于表示路由网络中的自治域之间是否存在通信路径,第二子数据矩阵用于表示路由网络中的每个自治域与每个自治域的相邻域之间的通信路径数量,以及各个通信路径的权重。
参考图6,图6是本申请实施例提供的数据矩阵处理示意图,包括第一数据矩阵、第一子数据矩阵、第二子数据矩阵、预设神经网络模型与异常自治域(目标预测结果)。
预设神经网络模型可以是卷积神经网络或残差神经网络等,包括输入层、隐藏层、输出层,在这里,输入层用于接收第一数据矩阵与第二数据矩阵(包括第一字数据矩阵与第二子数据矩阵),隐藏层可以是卷积层、池化层等用于进行卷积、拟合、回归等处理,输出层可以是全连接层,用于输出每个自治域的预测结果。
在一些实施例中,将第一数据矩阵与第二数据矩阵整合为一个三维数据矩阵,三维数据矩阵的数据结构形式与卷积神经网络的数据结构类似,并且具备拓扑结构,因此通过预训练的卷积神经网络进行特征提取,以得到每个自治域对于的预测结果。
在一些实施例中,还可以通过残差神经网络对第一数据矩阵与第二数据矩阵进行拟合处理,在残差神经网络的全连接层上,将输出的节点个数设定为自治域的个数,以得到每个自治域对于的预测结果。
需要说明的是,多层特征矩阵可以包含多个通道的数据矩阵,可以包括第一数据矩阵和第二数据矩阵,第一数据矩阵可以包含至少一个子数据矩阵,第二数据矩阵可以包括至少一个子数据矩阵,每个子数据矩阵可以均为行列数与路由网络中的自治域的数量相同的数据矩阵。每个子数据矩阵可以对应于多层特征矩阵中的一个通道的数据矩阵。
在一些实施例中,将路由网络的拓扑关系,即自治域之间的边信息(通信路径)作为多层数据矩阵的第一层数据矩阵(通道1),对于其他的路由网络的静态信息作为多层数据矩阵第二层数据矩阵(通道2),在这里,其他的路由网络的静态信息可以是自治域路由策略的优先级、自治域的通信路径数量等;将一定时间内(例如,路由震荡的预设周期),路由网络中路由线路的变换频率作为多层数据矩阵的第三层数据矩阵(通道3),第三层数据矩阵的存储信息还包括路由网络中自治域发送以及接收相邻域的路由信息时路由线路的变换频率;将三层数据矩阵共同作为预设神经网络的特征数据。
例如,可以将第一子数据矩阵作为通道1的数据矩阵、将第二子数据矩阵作为通道2的数据矩阵以及将第一数据矩阵作为通道3的数据矩阵,从而得到三维数据矩阵。
由于多层数据矩阵的形式与卷积神经网络的数据特征类似,并且有着一定的拓扑结构,因此可以使用卷积来对数据矩阵进行特征提取,对于复杂的网络结构,我们可以采用残差神经网络进行拟合,在全连接层上,将输出的节点个数设定为域的个数,根据输出来确定出现问题可能性较大的域,加大对其抑制从而达到快速稳定网络的目的。
通过本申请实施例,通过预训练的神经网络模型进行数据矩阵处理,能够高效整合数据矩阵所对应的路由网络的静态信息与动态信息,以准确输出每个自治域的预测结果。
在一个示例性实施例中,在根据与每个自治域对应的预测结果,从多个自治域中确定出异常自治域之后,上述方法还包括:
S141,根据多个自治域中出现异常的自治域和未出现异常的自治域,生成与第一数据矩阵和第二数据矩阵对应的标签;
S142,将第一数据矩阵和第二数据矩阵存储为预设神经网络模型的一个新增训练样本,其中,新增训练样本的样本标签为与第一数据矩阵和第二数据矩阵对应的标签,新增训练样本用于对预设神经网络模型进行模型训练,以更新预设神经网络模型的模型参数。
在一些实施例中,基于训练样本集的第一数据矩阵对应的标签、第二数据矩阵对应的标签,以及真实的异常自治域标签,确定训练损失值,根据训练损失值和训练样本集对当前神经网络模型进行迭代训练,直至训练损失值符合训练结束条件时,将训练结束时的模型确定为更新的预设神经网络模型;
通过本申请实施例,构建神经网络的训练数据库,在网络震荡时记录路由网络的静态信息与动态信息以用做后续训练数据,并以此来快速定位异常自治域。
在一个示例性实施例中,根据与每个自治域对应的预测结果,从多个自治域中确定出异常自治域,包括:
S151,根据与每个自治域对应的预测结果,从多个自治域中选取出现异常的概率大于或者等于预设概率阈值的自治域,得到异常自治域。
自治域对应的预测结果表示自治域出现异常的概率,预测结果的值域为0-1,预测结果的数值越大表示其对应自治域出现异常的概率越大,预设概率阈值可以与路由网络的静态信息相关。
例如,根据路由网络中自治域的数量设置预设概率阈值,其中,预设概率阈值与路由网络中自治域的数量呈正相关。
需要说明的是,预设概率阈值还可以与其他路由网络的静态信息相关,例如,自治域之间的通信路径的最大负载量等。
通过本申请实施例,能够根据每个自治域的预测结果以及预设的概率阈值,自动定位出现异常自治域。
在一个示例性实施例中,在根据与每个自治域对应的预测结果,从多个自治域中确定出异常自治域之后,上述方法还包括:
S161,向多个自治域中异常自治域的相邻域的边界路由器发送策略调整指示信息,其中,策略调整指示信息用于指示降低与异常自治域关联的路由策略的优先级。
自治域的相邻域用于表示与当前自治域存在直接通信路径的自治域,即自治域与自治域的相邻域可以通过边界路由器直接传输路由信息,而无需其他自治域转发。
对异常自治域的相邻域的边界路由器发送策略调整指示信息,使得相邻域相应与策略调整指示信息,更改当前路由策略,例如,选择其他正常自治域的通信路径进行转发,调整异常自治域路由策略的优先级,根据路由网络的输出结果对异常自治域以及出现异常可能性较大的自治域(多个自治域中出现异常的概率大于或者等于预设概率阈值的自治域)进行检查修复,从而解决路由网络的路由震荡。
在一些实施例中,根据正常自治域的边界网关协议,调整异常自治域的边界网络协议或者降低异常自治域的最大负载量,以使得异常自治域恢复至正常自治域。
通过本申请实施例,在定位至路由网络中的异常自治域后,通过调整路由策略的优先级,自动抑制路由网络中的路由震荡,同时,根据正常自治域的边界网关协议适应调整异常自治域,以使缓解异常自治域的影响。本申请实施例的路由震荡的定位方法相较于传统静态方法而言更加的准确,相较于动态方法而言不需要投入大量的检测,在提高效率的同时降低了成本,能够更快更好地抑制网络震荡。
需要说明的是,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。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
根据本申请实施例的又一方面,还提供了一种路由震荡的定位装置,该装置用于实现上述实施例中所提供的路由震荡的定位方法,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本申请实施例的一种可选的路由震荡的定位装置的结构框图,如图7所示,该装置包括:
第一获取单元701,用于在路由网络中发生路由震荡的情况下,获取所述路由网络的动态信息,其中,所述路由网络的动态信息用于表示在发生所述路由震荡的预设周期内,所述路由网络中的多个自治域之间的路由线路变换;
第一转换单元702,用于将所述路由网络的动态信息转换为与所述路由网络的动态信息匹配的第一数据矩阵;
第二获取单元703,用于获取与所述路由网络的静态信息匹配的第二数据矩阵,其中,所述路由网络的静态信息用于表示所述多个自治域之间的拓扑关系;
拟合单元704,用于使用预设神经网络模型对所述第一数据矩阵和所述第二数据矩阵进行数据拟合,得到与所述多个自治域中的每个自治域对应的预测结果,其中,与所述每个自治域对应的预测结果用于表示所述每个自治域出现异常的概率;
第一确定单元705,用于根据与所述每个自治域对应的预测结果,从所述多个自治域中确定出异常自治域。
需要说明的是,该实施例中的第一获取单元701可以用于执行上述步骤S301,该实施例中的第一转换单元702可以用于执行上述步骤S302,该实施例中的第二获取单元703可以用于执行上述步骤S303,该实施例中的拟合单元704可以用于执行上述步骤S304,该实施例中的第一确定单元705可以用于执行上述步骤S305。
通过本申请提供的实施例,在路由网络中发生路由震荡的情况下,获取路由网络的动态信息,其中,路由网络的动态信息用于表示在发生路由震荡的预设周期内,路由网络中的多个自治域之间的路由线路变换;将路由网络的动态信息转换为与路由网络的动态信息匹配的第一数据矩阵;获取与路由网络的静态信息匹配的第二数据矩阵,其中,路由网络的静态信息用于表示多个自治域之间的拓扑关系;使用预设神经网络模型对第一数据矩阵和第二数据矩阵进行数据拟合,得到与多个自治域中的每个自治域对应的预测结果,并根据与每个自治域对应的预测结果,从多个自治域中确定出异常自治域,其中,与每个自治域对应的预测结果用于表示每个自治域出现异常的概率,解决了相关技术中的路由震荡的定位方法存在由于路由网络中的拓扑关系复杂导致的异常自治域定位的效率低的问题,提高了异常自治域定位的效率。
在一个示例性实施例中,第一转换单元包括:
确定模块,用于根据路由网络的动态信息,确定每个自治域与多个自治域中每个自治域的相邻域之间的线路变换次数;
生成模块,用于根据每个自治域与每个自治域的相邻域之间的线路变换次数,生成与路由网络的动态信息匹配的第一数据矩阵。
在一个示例性实施例中,生成模块包括:
第一构建子模块,用于基于路由网络中的自治域的数量,构建行列数相同的第一初始数据矩阵,其中,第一初始数据矩阵的行列数均为路由网络中的自治域的数量;
第一设置子模块,用于根据每个自治域与每个自治域的相邻域之间的线路变换次数,设置第一初始数据矩阵中的各个元素的元素值,得到第一数据矩阵。
在一个示例性实施例中,第一设置子模块包括:
第一设置子单元,用于将第一初始数据矩阵中,行列数不相同的各个元素的元素值设置为所在行对应的自治域与所在列对应的自治域之间的线路变换频率,并将第一初始数据矩阵中,行列数相同的各个元素的元素值设置为0,得到第一数据矩阵。
在一个示例性实施例中,第二获取单元包括:
第一获取模块,用于获取与路由网络对应的边界矢量图,其中,边界矢量图是根据多个自治域之间的边界网关协议构建的、用于表示多个自治域之间的拓扑结构的有向图,路由网络的静态信息包括边界矢量图;
转换模块,用于将边界矢量图转换为与边界矢量图匹配的邻接矩阵,得到第一子数据矩阵,其中,第二数据矩阵包括第一子数据矩阵。
在一个示例性实施例中,上述装置还包括:
第二确定单元,用于在获取与路由网络对应的边界矢量图之前,基于与路由网络中的多个自治域对应的边界网关协议,确定多个自治域之间的通信路径;
执行单元,用于将多个自治域中的每个自治域分别映射为有向图中的一个节点,并在对应的自治域之间存在通信路径的两个节点之间添加有向边,得到边界矢量图。
在一个示例性实施例中,转换模块包括:
第二构建子模块,用于基于边界矢量图中的节点的数量,构建行列数相同的初始邻接矩阵,其中,初始邻接矩阵的行列数均为边界矢量图中的节点的数量;
第二设置子模块,用于根据初始邻接矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的连通关系,设置初始邻接矩阵中的各个元素的元素值,得到第一子数据矩阵。
在一个示例性实施例中,第二设置子模块包括:
第二设置子单元,用于将初始邻接矩阵中,行列数相同的各个元素的元素值、以及所在行对应的节点到所在列对应的节点的方向上存在边的各个元素的元素值设置为第一值,并将初始邻接矩阵中,所在行对应的节点到所在列对应的节点的方向上不存在边的各个元素的元素值设置为第二值,得到第一子数据矩阵,其中,第一值和第二值为不同值。
在一个示例性实施例中,第二获取单元还包括:
构建模块,用于基于边界矢量图中的节点的数量,构建行列数相同的第二初始数据矩阵,其中,第二初始数据矩阵的行列数均为边界矢量图中的节点的数量;
设置模块,用于根据第二初始数据矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的边的权重值,设置第二初始数据矩阵中的各个元素的元素值,得到第二子数据矩阵,其中,第二数据矩阵还包括第二子数据矩阵。
在一个示例性实施例中,设置模块包括:
第三设置子模块,用于将第二初始数据矩阵中,行列数不相同的各个元素的元素值设置为所在行对应的节点到所在列对应的节点的方向上的边的权重值,并将第二初始数据矩阵中,行列数相同的各个元素的元素值设置为所在行对应的节点与边界矢量图中除了所在行对应的节点以外的其他节点之间的连接的个数,得到第二子数据矩阵。
在一个示例性实施例中,第二获取单元包括:
读取模块,用于按照预设存储路径读取与路由网络的静态信息匹配的第二数据矩阵,其中,第二数据矩阵预先保存在预设存储路径下。
在一个示例性实施例中,第一获取单元包括:
第二获取模块,用于在路由网络中发生路由震荡的情况下,从多个自治域中的每个自治域的边界服务器获取每个自治域的动态信息,得到路由网络的动态信息,其中,每个自治域的动态信息用于表示在发生路由震荡的预设周期内,每个自治域与多个自治域中每个自治域的相邻域之间的路由线路变换。
在一个示例性实施例中,第一获取单元包括:
第三获取模块,用于在路由网络中发生路由震荡的情况下,从预先保存的、每个自治域在多个周期内的路由线路变换信息中,提取出每个自治域的动态信息,得到路由网络的动态信息,其中,每个自治域的动态信息用于表示在发生路由震荡的预设周期内,每个自治域与多个自治域中每个自治域的相邻域之间的路由线路变换。
在一个示例性实施例中,拟合单元包括:
输入模块,用于将第一数据矩阵和第二数据矩阵作为多层特征矩阵输入到预设神经网络模型中,得到预设神经网络模型回归出的目标预测结果,其中,目标预测结果包含与每个自治域对应的预测结果,第一数据矩阵和第二数据矩阵对应于多层特征矩阵的不同层。
在一个示例性实施例中,上述装置还包括:
生成单元,用于在根据与每个自治域对应的预测结果,从多个自治域中确定出异常自治域之后,根据多个自治域中出现异常的自治域和未出现异常的自治域,生成与第一数据矩阵和第二数据矩阵对应的标签;
存储单元,用于将第一数据矩阵和第二数据矩阵存储为预设神经网络模型的一个新增训练样本,其中,新增训练样本的样本标签为与第一数据矩阵和第二数据矩阵对应的标签,新增训练样本用于对预设神经网络模型进行模型训练,以更新预设神经网络模型的模型参数。
在一个示例性实施例中,第一确定单元包括:
选取模块,用于根据与每个自治域对应的预测结果,从多个自治域中选取出现异常的概率大于或者等于预设概率阈值的自治域,得到异常自治域。
在一个示例性实施例中,上述装置还包括:
发送单元,用于在根据与每个自治域对应的预测结果,从多个自治域中确定出异常自治域之后,向多个自治域中异常自治域的相邻域的边界路由器发送策略调整指示信息,其中,策略调整指示信息用于指示降低与异常自治域关联的路由策略的优先级。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
根据本申请实施例的又一方面,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序/指令,该计算机程序/指令包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理器801执行时,执行本申请实施例提供的各种功能。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
图8示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。如图8所示,计算机系统800包括中央处理器801(Central Processing Unit,CPU),其可以根据存储在只读存储器802(Read-Only Memory,ROM)中的程序或者从存储部分808加载到随机访问存储器803(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器803中,还存储有系统操作所需的各种程序和数据。中央处理器801、在只读存储器802以及随机访问存储器803通过总线804彼此相连。输入/输出接口805(Input /Output接口,即I/O接口)也连接至总线804。
以下部件连接至输入/输出接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至输入/输出接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理器801执行时,执行本申请的系统中限定的各种功能。
需要说明的是,图8示出的电子设备的计算机系统800仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
根据本申请实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述输入输出资源池连接,该输入输出设备和上述输入输出资源池连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请实施例,对于本领域的技术人员来说,本申请实施例可以有各种更改和变化。凡在本申请实施例的原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请实施例的保护范围之内。
Claims (20)
1.一种路由震荡的定位方法,其特征在于,包括:
在路由网络中发生路由震荡的情况下,获取所述路由网络的动态信息,其中,所述路由网络的动态信息用于表示在发生所述路由震荡的预设周期内,所述路由网络中的多个自治域之间的路由线路变换;
将所述路由网络的动态信息转换为与所述路由网络的动态信息匹配的第一数据矩阵;
获取与所述路由网络的静态信息匹配的第二数据矩阵,其中,所述路由网络的静态信息用于表示所述多个自治域之间的拓扑关系;
使用预设神经网络模型对所述第一数据矩阵和所述第二数据矩阵进行数据拟合,得到与所述多个自治域中的每个自治域对应的预测结果,并根据与所述每个自治域对应的预测结果,从所述多个自治域中确定出异常自治域,其中,与所述每个自治域对应的预测结果用于表示所述每个自治域出现异常的概率。
2.根据权利要求1所述的方法,其特征在于,所述将所述路由网络的动态信息转换为与所述路由网络的动态信息匹配的第一数据矩阵,包括:
根据所述路由网络的动态信息,确定所述每个自治域与所述多个自治域中所述每个自治域的相邻域之间的线路变换次数;
根据所述每个自治域与所述每个自治域的相邻域之间的线路变换次数,生成与所述路由网络的动态信息匹配的所述第一数据矩阵。
3.根据权利要求2所述的方法,其特征在于,所述根据所述每个自治域与所述每个自治域的相邻域之间的线路变换次数,生成与所述路由网络的动态信息匹配的所述第一数据矩阵,包括:
基于所述路由网络中的自治域的数量,构建行列数相同的第一初始数据矩阵,其中,所述第一初始数据矩阵的行列数均为所述路由网络中的自治域的数量;
根据所述每个自治域与所述每个自治域的相邻域之间的线路变换次数,设置所述第一初始数据矩阵中的各个元素的元素值,得到所述第一数据矩阵。
4.根据权利要求3所述的方法,其特征在于,所述根据所述每个自治域与所述每个自治域的相邻域之间的线路变换次数,设置所述第一初始数据矩阵中的各个元素的元素值,得到所述第一数据矩阵,包括:
将所述第一初始数据矩阵中,行列数不相同的各个元素的元素值设置为所在行对应的自治域与所在列对应的自治域之间的线路变换频率,并将所述第一初始数据矩阵中,行列数相同的各个元素的元素值设置为0,得到所述第一数据矩阵。
5.根据权利要求1所述的方法,其特征在于,所述获取与所述路由网络的静态信息匹配的第二数据矩阵,包括:
获取与所述路由网络对应的边界矢量图,其中,所述边界矢量图是根据所述多个自治域之间的边界网关协议构建的、用于表示所述多个自治域之间的拓扑结构的有向图,所述路由网络的静态信息包括所述边界矢量图;
将所述边界矢量图转换为与所述边界矢量图匹配的邻接矩阵,得到第一子数据矩阵,其中,所述第二数据矩阵包括所述第一子数据矩阵。
6.根据权利要求5所述的方法,其特征在于,在所述获取与所述路由网络对应的边界矢量图之前,所述方法还包括:
基于与所述路由网络中的多个自治域对应的边界网关协议,确定所述多个自治域之间的通信路径;
将所述多个自治域中的每个自治域分别映射为有向图中的一个节点,并在对应的自治域之间存在通信路径的两个节点之间添加有向边,得到所述边界矢量图。
7.根据权利要求5所述的方法,其特征在于,所述将所述边界矢量图转换为与所述边界矢量图匹配的邻接矩阵,得到第一子数据矩阵,包括:
基于所述边界矢量图中的节点的数量,构建行列数相同的初始邻接矩阵,其中,所述初始邻接矩阵的行列数均为所述边界矢量图中的节点的数量;
根据所述初始邻接矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的连通关系,设置所述初始邻接矩阵中的各个元素的元素值,得到所述第一子数据矩阵。
8.根据权利要求7所述的方法,其特征在于,所述根据所述初始邻接矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的连通关系,设置所述初始邻接矩阵中的各个元素的元素值,得到所述第一子数据矩阵,包括:
将所述初始邻接矩阵中,行列数相同的各个元素的元素值、以及所在行对应的节点到所在列对应的节点的方向上存在边的各个元素的元素值设置为第一值,并将所述初始邻接矩阵中,所在行对应的节点到所在列对应的节点的方向上不存在边的各个元素的元素值设置为第二值,得到所述第一子数据矩阵,其中,所述第一值和所述第二值为不同值。
9.根据权利要求5所述的方法,其特征在于,所述获取与所述路由网络的静态信息匹配的第二数据矩阵,还包括:
基于所述边界矢量图中的节点的数量,构建行列数相同的第二初始数据矩阵,其中,所述第二初始数据矩阵的行列数均为所述边界矢量图中的节点的数量;
根据所述第二初始数据矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的边的权重值,设置所述第二初始数据矩阵中的各个元素的元素值,得到第二子数据矩阵,其中,所述第二数据矩阵还包括所述第二子数据矩阵。
10.根据权利要求9所述的方法,其特征在于,所述根据所述第二初始数据矩阵中的各个元素所在的行对应的节点与所在列对应的节点之间的边的权重值,设置所述第二初始数据矩阵中的各个元素的元素值,得到第二子数据矩阵,包括:
将所述第二初始数据矩阵中,行列数不相同的各个元素的元素值设置为所在行对应的节点到所在列对应的节点的方向上的边的权重值,并将所述第二初始数据矩阵中,行列数相同的各个元素的元素值设置为所在行对应的节点与所述边界矢量图中除了所在行对应的节点以外的其他节点之间的连接的个数,得到所述第二子数据矩阵。
11.根据权利要求1所述的方法,其特征在于,所述获取与所述路由网络的静态信息匹配的第二数据矩阵,包括:
按照预设存储路径读取与所述路由网络的静态信息匹配的所述第二数据矩阵,其中,所述第二数据矩阵预先保存在所述预设存储路径下。
12.根据权利要求1所述的方法,其特征在于,所述在路由网络中发生路由震荡的情况下,获取所述路由网络的动态信息,包括:
在所述路由网络中发生所述路由震荡的情况下,从所述多个自治域中的每个自治域的边界服务器获取所述每个自治域的动态信息,得到所述路由网络的动态信息,其中,所述每个自治域的动态信息用于表示在发生所述路由震荡的所述预设周期内,所述每个自治域与所述多个自治域中所述每个自治域的相邻域之间的路由线路变换。
13.根据权利要求1所述的方法,其特征在于,所述在路由网络中发生路由震荡的情况下,获取所述路由网络的动态信息,包括:
在所述路由网络中发生所述路由震荡的情况下,从预先保存的、所述每个自治域在多个周期内的路由线路变换信息中,提取出所述每个自治域的动态信息,得到所述路由网络的动态信息,其中,所述每个自治域的动态信息用于表示在发生所述路由震荡的所述预设周期内,所述每个自治域与所述多个自治域中所述每个自治域的相邻域之间的路由线路变换。
14.根据权利要求1所述的方法,其特征在于,所述使用预设神经网络模型对所述第一数据矩阵和所述第二数据矩阵进行数据拟合,得到与所述多个自治域中的每个自治域对应的预测结果,包括:
将所述第一数据矩阵和所述第二数据矩阵作为多层特征矩阵输入到所述预设神经网络模型中,得到所述预设神经网络模型回归出的目标预测结果,其中,所述目标预测结果包含与所述每个自治域对应的预测结果,所述第一数据矩阵和所述第二数据矩阵对应于所述多层特征矩阵的不同层。
15.根据权利要求1所述的方法,其特征在于,在所述根据与所述每个自治域对应的预测结果,从所述多个自治域中确定出异常自治域之后,所述方法还包括:
根据所述多个自治域中出现异常的自治域和未出现异常的自治域,生成与所述第一数据矩阵和所述第二数据矩阵对应的标签;
将所述第一数据矩阵和所述第二数据矩阵存储为所述预设神经网络模型的一个新增训练样本,其中,所述新增训练样本的样本标签为与所述第一数据矩阵和所述第二数据矩阵对应的标签,所述新增训练样本用于对所述预设神经网络模型进行模型训练,以更新所述预设神经网络模型的模型参数。
16.根据权利要求1所述的方法,其特征在于,所述根据与所述每个自治域对应的预测结果,从所述多个自治域中确定出异常自治域,包括:
根据与所述每个自治域对应的预测结果,从所述多个自治域中选取出现异常的概率大于或者等于预设概率阈值的自治域,得到所述异常自治域。
17.根据权利要求1至16中任一项所述的方法,其特征在于,在所述根据与所述每个自治域对应的预测结果,从所述多个自治域中确定出异常自治域之后,所述方法还包括:
向所述多个自治域中所述异常自治域的相邻域的边界路由器发送策略调整指示信息,其中,所述策略调整指示信息用于指示降低与所述异常自治域关联的路由策略的优先级。
18.一种路由震荡的定位装置,其特征在于,包括:
第一获取单元,用于在路由网络中发生路由震荡的情况下,获取所述路由网络的动态信息,其中,所述路由网络的动态信息用于表示在发生所述路由震荡的预设周期内,所述路由网络中的多个自治域之间的路由线路变换;
第一转换单元,用于将所述路由网络的动态信息转换为与所述路由网络的动态信息匹配的第一数据矩阵;
第二获取单元,用于获取与所述路由网络的静态信息匹配的第二数据矩阵,其中,所述路由网络的静态信息用于表示所述多个自治域之间的拓扑关系;
拟合单元,用于使用预设神经网络模型对所述第一数据矩阵和所述第二数据矩阵进行数据拟合,得到与所述多个自治域中的每个自治域对应的预测结果,其中,与所述每个自治域对应的预测结果用于表示所述每个自治域出现异常的概率;
第一确定单元,用于根据与所述每个自治域对应的预测结果,从所述多个自治域中确定出异常自治域。
19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1至17任一项中所述的方法的步骤。
20.一种电子设备,包括存储器、处理器以及存储在所述存储器上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所述权利要求1至17任一项中所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696060.0A CN116436844B (zh) | 2023-06-13 | 2023-06-13 | 路由震荡的定位方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696060.0A CN116436844B (zh) | 2023-06-13 | 2023-06-13 | 路由震荡的定位方法及装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116436844A true CN116436844A (zh) | 2023-07-14 |
CN116436844B CN116436844B (zh) | 2023-09-08 |
Family
ID=87091130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310696060.0A Active CN116436844B (zh) | 2023-06-13 | 2023-06-13 | 路由震荡的定位方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116436844B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104168192A (zh) * | 2014-08-08 | 2014-11-26 | 北京邮电大学 | 一种故障网络中的重路由方法和装置 |
CN110061918A (zh) * | 2019-04-18 | 2019-07-26 | 广西大学 | 一种自治域间路由安全性评估方法和装置 |
CN110336754A (zh) * | 2019-05-09 | 2019-10-15 | 北京邮电大学 | 一种网络流量配置方法及装置 |
CN110995587A (zh) * | 2019-12-10 | 2020-04-10 | 北京邮电大学 | 一种路由不稳定事件源定位方法及装置 |
CN115396337A (zh) * | 2022-08-10 | 2022-11-25 | 广州天懋信息系统股份有限公司 | 一种路由异常检测方法、系统、存储介质及电子设备 |
CN115913979A (zh) * | 2022-11-24 | 2023-04-04 | 中国信息通信研究院 | 一种全域网络拓扑处理方法和设备 |
CN116112418A (zh) * | 2023-01-17 | 2023-05-12 | 清华大学 | 路由泄露的定位方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-13 CN CN202310696060.0A patent/CN116436844B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104168192A (zh) * | 2014-08-08 | 2014-11-26 | 北京邮电大学 | 一种故障网络中的重路由方法和装置 |
CN110061918A (zh) * | 2019-04-18 | 2019-07-26 | 广西大学 | 一种自治域间路由安全性评估方法和装置 |
CN110336754A (zh) * | 2019-05-09 | 2019-10-15 | 北京邮电大学 | 一种网络流量配置方法及装置 |
CN110995587A (zh) * | 2019-12-10 | 2020-04-10 | 北京邮电大学 | 一种路由不稳定事件源定位方法及装置 |
CN115396337A (zh) * | 2022-08-10 | 2022-11-25 | 广州天懋信息系统股份有限公司 | 一种路由异常检测方法、系统、存储介质及电子设备 |
CN115913979A (zh) * | 2022-11-24 | 2023-04-04 | 中国信息通信研究院 | 一种全域网络拓扑处理方法和设备 |
CN116112418A (zh) * | 2023-01-17 | 2023-05-12 | 清华大学 | 路由泄露的定位方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116436844B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376867B (zh) | 两量子比特逻辑门的处理方法及装置 | |
US10754869B2 (en) | Managing data format of data received from devices in an internet of things network | |
CN113660128B (zh) | 网络设备故障预测方法、电子设备及存储介质 | |
Zhong et al. | An efficient SDN load balancing scheme based on variance analysis for massive mobile users | |
CN111654321B (zh) | 卫星网络的管理方法、装置及电子设备 | |
CN113986818B (zh) | 芯片的地址重构方法、芯片、电子设备以及存储介质 | |
US20190334866A1 (en) | Internet protocol security messages for subnetworks | |
US10791034B2 (en) | Telecommunications network planning | |
CN114039997A (zh) | 一种数据处理的方法和装置 | |
US20140006554A1 (en) | System management apparatus, system management method, and storage medium | |
CN117499219B (zh) | 网络数据的处理方法及装置、存储介质及电子设备 | |
CN114238012A (zh) | 监测模型生成方法、装置、设备及存储介质 | |
CN116436844B (zh) | 路由震荡的定位方法及装置、存储介质及电子设备 | |
CN114629767A (zh) | 电力调度网络仿真方法、装置、计算机设备和存储介质 | |
US20210168061A1 (en) | Multi-cluster networking using hub and spoke elastic mesh | |
US20210136118A1 (en) | Comparing network security specifications for a network | |
CN112235213B (zh) | 一种sdn交换机分流方法、系统、终端及存储介质 | |
KR20190114126A (ko) | 메시지의 처리 완료 지연 시간을 기초로 스위치로의 메시지 송신을 제어하는 sdn 컨트롤러 및 그 방법 | |
US11863399B2 (en) | System, method, and control apparatus | |
CN112865999B (zh) | 信息处理方法及相关设备 | |
CN116418664A (zh) | 自动化网络设备模型创建的方法及设备、系统及存储介质 | |
US11153157B2 (en) | Configuration management using OVSDB protocol | |
CN117424848B (zh) | 基于机器学习的节点调用优化方法、系统、设备及介质 | |
JP7544976B2 (ja) | 情報処理方法、モデルの生成及びトレーニング方法、電子機器並びに媒体 | |
An | Mathematical Model and Genetic Algorithm in Computer Programming Optimization and Network Topology Structure |
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 |