CN116488992A - 一种计算机网络的故障诊断方法和系统 - Google Patents
一种计算机网络的故障诊断方法和系统 Download PDFInfo
- Publication number
- CN116488992A CN116488992A CN202310433083.2A CN202310433083A CN116488992A CN 116488992 A CN116488992 A CN 116488992A CN 202310433083 A CN202310433083 A CN 202310433083A CN 116488992 A CN116488992 A CN 116488992A
- Authority
- CN
- China
- Prior art keywords
- fault
- feature
- fault diagnosis
- data
- network
- 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.)
- Withdrawn
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004891 communication Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 15
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
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 Mining & Analysis (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及计算机通信技术领域，为一种计算机网络的故障诊断方法和系统。通过对计算机网络场景中涉及到的故障类型进行大致的分类，并根据分类结果对计算机网络进行初步识别得到初步故障结果，并根据不同的初步故障结果确定对应的故障诊断模型，通过对应的故障诊断模型实现对于特定类型故障的深度识别与诊断，提高了整体故障识别的整体效率以及故障识别结果的准确度。
Description
技术领域
本发明涉及计算机通信技术领域，为一种计算机网络的故障诊断方法和系统。
背景技术
网络故障诊断现阶段面临的几个方面问题：（1）随着数字化社会的深刻演变和社会事件的推动演进，现阶段计算机网络处于一个网络规模和用户规模都空前巨大，一个大规模网络的故障具备错综复杂的局域网网络组成关系，故障原因与故障现象也较为模糊，在这样的前提之下，网络一旦发生故障而久久未解决，将会给现阶段数字化社会生产和生活乃至于社会政务服务产生重大损失，极大地损坏每一位用户的切身利益：（2）网络设备存在较高复杂性，台式机电脑、笔记本电脑、平板电脑、手机、智能穿戴、以及物联网移动终端等多种上网设备的不断推出，功能多样化明显。特别地，在物联网逐步发展的过程，还会进一步出现各类局域网边缘联网设备，增加网络故障诊断的负荷；（3）专用网络的发展，特别是某些政企专用局域网对于其所承载的社会使命与意义重大，比如：政府的在线政务服务器网络，某科技公司的数据中心网络，其中部分采用了多种融合的网络交互传输技术与网络存储。
由此可见，网络故障诊断对于数字化进程的发展以及网络的稳定运行和故障管理具有重要意义。传统的网络故障管理，过多的依靠于网络专家和网络运维工程师们以人工方式进行，在现阶段，已经无法满足网络故障管理的要求。现阶段急需智能化的网络故障诊断技术，解放网络专家和网络工程师的人力工作，实现网络故障诊断的自动化进程发展，进而保障现阶段的信息化社会建设和信息化时代跨越。
针对于现有应用场景中，现有技术中针对于网络故障诊断存在以下两大主要核心问题：
（1）网络故障信息采集与分析
网络故障发生本身并不能预知，发现网络故障的前提条件，要求我们对网络环境有一定的感知能力，这就要求我们对网络环境有一定的信息采集能力，再结合现阶段的分析技术，得出能够被进一步利用的关键信息。
（2）网络故障问题发现与检测
从数学角度来说，故障属于有别于正常情况的异常状态。但是，如果直接建立抽象的数学模型，用来完成信息的输入输出，立即确定故障，显然对于复杂性和精确性也不能直接达到要求。
发明内容
为了解决以上的技术问题，本申请提供基于人工智能的计算机网络的故障诊断方法和系统，通过设置不同故障场景下的故障诊断模型，通过神经网络的多层结构处理得到最终的网络故障。
为了达到上述目的，本申请实施例采用的技术方案如下：
第一方面，提供一种计算机网络的故障诊断方法，所述方法包括：获取目标计算机的目标通信协议接口，并确定所述目标通信协议接口连接网络中的实时上传数据和实时下载数据，将所述实时上传数据，和/或，所述实时下载数据与对应的预设阈值进行比较，得到比较结果，所述比较结果包括第一故障结果、第二故障结果、第三故障结果和无故障；基于第一故障结果、第二故障结果、第三故障结果确定对应的训练后的故障诊断模型；基于确定的故障诊断模型采集对应的特征数据，并将所述特征数据输入至所述对应的故障诊断模型，得到故障分类结果，所述特征数据为预设时间段内采集到的特征数据集。
进一步的，所述方法还包括对所述特征数据集中的特征数据进行特征向量构建，并基于构建得到的特征向量进行降维映射得到二维特征数据。
进一步的，对所述特征数据集中的特征数据进行特征向量构建，包括：获取所述特征数据集的原特征空间的协方差矩阵，对所述协方差矩阵进行奇异值分解得到协方差矩阵的特征值与其对应地特征向量，在所述特征向量中筛选出多个特征值与其对应特征向量，并对其进行组合构造全新的特征向量矩阵。
进一步的，基于构建得到的特征向量进行降维映射得到二维特征数据，包括：根据特征向量矩阵并与所述特征数据集中的特征数据进行内积处理，并进行特征空间映射，得到降维特征集为二维特征数据。
进一步的，针对于所述第一故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、下行链路分组丢失率、下行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、下行平均吞吐量、节点传入平均吞吐量、链路误码率。
进一步的，所述第二故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、上行链路分组丢失率、上行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、上行平均吞吐量、节点传出平均吞吐量、链路误码率。
进一步的，所述第三故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、上行链路分组丢失率、下行链路分组丢失率、上行链路信噪比、下行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、上行平均吞吐量、下行平均吞吐量、节点传入平均吞吐量、节点传出平均吞吐量、链路误码率。
进一步的，所述故障诊断模型为神经网络模型，包括卷积层，所述卷积层用于将所述二维特征数据进行特征的变换以及神经元激活；池化层，所述池化层用于对变换后的特征进行非线性映射；全连接层，所述全连接层用于得到关于故障类型的置信度矩阵；分类器，所述分类器为softmax分类器。
进一步的，所述第一故障诊断模型、所述第二故障诊断模型中的所述卷积层和所述池化层的网络结构为16层；所述第三故障诊断模型中的所述卷积层和所述池化层的网络结构为32层；所述第一故障诊断模型、所述第二故障诊断模型和所述第三故障诊断模型中的所述全连接层的输入为1024维向量，输出为5维置信度向量。
第二方面，一种计算机网络的故障诊断系统，包括：状态识别装置，用于将和/或，所述实时下载数据与对应的预设阈值进行比较，得到比较结果，所述比较结果包括第一故障结果、第二故障结果、第三故障结果和无故障；诊断模型确定装置，用于基于比较结果确定对应的故障诊断模型；故障分类装置，用于基于对应的故障诊断模型得到故障分类结果。
本申请实施例提供的技术方案中，通过对计算机网络场景中涉及到的故障类型进行大致的分类，并根据分类结果对计算机网络进行初步识别得到初步故障结果，并根据不同的初步故障结果确定对应的故障诊断模型，通过对应的故障诊断模型实现对于特定类型故障的深度识别与诊断，提高了整体故障识别的整体效率以及故障识别结果的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
图1是本申请实施例提供的计算机网络的故障诊断系统示意图。
图2是本申请实施例提供的计算机网络的故障诊断方法流程图。
实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本申请。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
（1）响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
（2）基于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
本申请实施例提供的技术方案，主要的应用场景为针对计算机局域网中存在的故障进行识别以及对于不同的故障类型进行分类。针对于现有技术中对于针对局域网的网络故障诊断问题，提出了很多诊断方法和工业化的诊断方案，但因局域网的结构、问题的表征以及网络管理的管控程度等复杂度不一，众多网络故障诊断技术，仍然存在着诸多亟待解决的问题。特别地，对于校园网、企业网等局域网，网络故障的出现频次过高又难以快速排除故障势必将给局域网下的网络用户造成极大的用户体验降低，或对校园业务、企业业务造成严重影响。在目前的技术方案中针对于计算机网络的故障诊断主要利用人工神经网络的学习推理去从原始数据中训练获取网络知识，避免从网络专家侧去繁琐的获取知识过程。还可以通过分布式网络故障诊断数据库中的大数据属性选择方法，通过支持向量机对分布式网络故障诊断数据库进行数据深度挖掘，计算故障属性权值，完成网络故障诊断数据库的属性分类，提高网络故障诊断效率。也可以基于分集正则化的故障诊断集成卷积神经网络ISECNN，采用分集正则化在训练过程中生成多个局部极小值并放入迭代训练过程，因多样性的提高使得局部极小值组的泛化能力得到提升，整个故障诊断模型的泛化能力因此提高，并通过测试表明，ISECNN在不降低预测精度的前提下模型泛化能力得到提升。以及融合了主成分分析和长短期记忆网络的新型深度置信网络模型用以进行故障诊断。它可以在早期框架内就诊断故障并设别出早期未归类的新生故障类型，并通过模型评估出故障发生时的严重程度。在四种故障类型和一种盲例仿真测试后得出该模型具备优良可行性。惠普公司的OpenView 网络管理解决方案，通过规则对被管理的网络设备设定监控阈值，并对局域网下网络设备进行轮询，实现对局域网下网络设备的运行状态控制，并以此做故障预警。美国IBM公司开发的Tivoli NetView，通过对局域网内终端设备进行独立分开的性能轮询与状态轮询，实现对局域网下的网络设备监控和故障管理，但因性能轮询与状态轮询独立，因而易导致故障响应的延迟。SUN公司开发的Net Manager广泛部署于服务器集群，用于网络运维管理人员进行网络监控和故障排查。华为针对自己的服务器集群，开发有服务器FDM故障诊断系统以及BMC为中心的华为私有的故障处理系统，可以实现宕机截屏、宕机录像、网络故障系统级上报管理等功能。北京六方云科技的六方云智SSA产品，可以实现攻击、安全隐患等故障的故障溯源、预警，维护工业互联网的网络安全稳定。北京智和信通开发的SugarNMS网络管理系统，通过对众多协议的分析和数据统计，对局域网下的故障事件流量进行记录，实现故障分析。
针对于以上的技术背景，本实施例提供一种计算机网络的故障诊断方法，具体包括以下步骤：
步骤S210.对计算机运行网络进行初步识别，得到初步识别结果。
在本申请实施例中，针对于计算机运行的网络系统进行初步识别用于对后续的故障识别诊断进行初步状态信息的获得。
具体的处理过程为获取目标计算机的目标通信协议接口，并确定所述目标通信协议接口连接网络中的实时上传数据和实时下载数据，将所述实时上传数据，和/或，所述实时下载数据与对应的预设阈值进行比较，得到比较结果，所述比较结果包括第一故障结果、第二故障结果、第三故障结果和无故障。
具体的在本申请实施例中第一故障结果为数据上传过程中的网络故障，第二故障结果为数据下载过程中的网络故障，第三故障结果为数据上传以及数据下载过程中的网络故障。
步骤S220.基于第一故障结果、第二故障结果、第三故障结果确定对应的训练后的故障诊断模型。
在本申请实施例中针对于第一故障、第二故障以及第三故障结果涉及到的故障原因不同，涉及到处理的数据也不同，则对应的故障处理逻辑也不同。则针对于第一故障结果、第二故障结果和第三故障结果所对应的故障诊断模型也不同，针对于此应用场景，通过设置不同结构的故障诊断模型根据步骤S210获得故障初步识别结果进行故障诊断过程配置，提高了故障诊断的针对性以及准确率。
步骤S230.基于确定的故障诊断模型采集对应的特征数据，并将所述特征数据输入至所述对应的故障诊断模型，得到故障分类结果。
在本申请实施例中，针对于特征数据为对于不同的故障诊断模型的输入数据，所以针对于不同的故障结果以及不同故障结果对应不同的故障诊断模型的输入数据也不同，即不同的故障诊断模型处理的特征数据不同。则针对于本申请实施例中，对于以上的特征数据对于不同的故障诊断模型进行详细说明。
对于第一故障诊断模型对应为第一故障结果，第一故障结果初步表征下载中存在故障，则对于第一故障诊断模型对应的特征数据为能够判断下载中存在故障的特征数据，具体包括参考信号接收功率、参考信号接收质量、下行链路分组丢失率、下行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、下行平均吞吐量、节点传入平均吞吐量、链路误码率。
同理，针对于第二故障诊断模型对应为第二故障结果，第二故障结果初步表征上传中存在故障，则对于第二故障诊断模型对应的特征数据为能够判断上传中存在故障的特征数据，具体包括参考信号接收功率、参考信号接收质量、上行链路分组丢失率、上行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、上行平均吞吐量、节点传出平均吞吐量、链路误码率。
针对于第三故障诊断模型对应为第三故障结果，第三故障结果初步表征下载以及上传中存在故障，则对于第三故障诊断模型对应的特征数据即包括第一故障诊断模型以及第二故障诊断模型中的全部数据，具体为参考信号接收功率、参考信号接收质量、上行链路分组丢失率、下行链路分组丢失率、上行链路信噪比、下行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、上行平均吞吐量、下行平均吞吐量、节点传入平均吞吐量、节点传出平均吞吐量、链路误码率。
针对于对应的故障诊断模型将以上的特征数据作为输入至模型中，得到最终的故障类型输出。
在本申请实施例中，针对于故障诊断模型为神经网络模型，其中神经网络模型的结构包括卷积层、池化层、全连接层和分类器。其中，卷积层用于将所述二维特征数据进行特征的变换以及神经元激活；池化层用于对变换后的特征进行非线性映射；全连接层用于得到关于故障类型的置信度矩阵；分类器为softmax分类器，用于对故障进行分类。
而针对于不同的故障诊断模型即第一故障诊断模型、第二故障诊断模型和第三故障诊断模型因为涉及到的特征数据类型以及数量不同，则对应的神经网络结构也不同。
具体的，针对于第一故障诊断模型、所述第二故障诊断模型中的所述卷积层和所述池化层的网络结构为16层，第三故障诊断模型中的所述卷积层和所述池化层的网络结构为32层，第一故障诊断模型、所述第二故障诊断模型和所述第三故障诊断模型中的所述全连接层的输入为1024维向量，输出为5维置信度向量。
通过以上的特征数据作为输入以及以上的神经网络结构，能够实现最终故障类型的分类。
针对于特征数据为一维数据，而针对于神经网络结构在处理二维数据时具备更优异的检测性能，所以需要将一维数据转换为卷积神经网络接收的二维数据。具体的，针对与第一故障诊断模型、第二故障诊断模型对应的特征数据从11到9的数据维度降低，并将降维后的1×9 向量重构为3×3的灰度矩阵。而针对于第三故障诊断模型的特征数据从16到9数据维度降低，并将降维后的1×9 向量重构为3×3的灰度矩阵。
针对于以上的处理过程具体为：
平均值衰减，对每一位特征，应用一次减法，去除各自特征的平均值净值，表示为：
，其中/>。
计算特征集原特征空间的协方差矩阵C，表示为：
。
通过奇异值分解，求解协方差矩阵的特征值与其对应地特征向量/>，表示为：。
原特征空间的m个特征值按从大到小排序，即，筛选出前k个特征值与其对应特征向量，并通过组合，构造全新的特征向量矩阵P：
。
根据特征向量矩阵P，与原始输入X，做内积进行特征空间映射，使原始特征集到降维特征集的降维映射，表示为：
。
通过以上的处理为线性映射的方法，从最大化投影后特征间的方差角度出发，在降低维度过程中，依旧保持着对特征的数据类别映射的最大可分性，因此，对于检测模型的输入，起到了很好地特征选择工作。
参阅图1，针对于本申请实施例提供的诊断方法，还包括一种系统100，所述系统包括处理器以及存储器，其中处理器包括状态识别装置110、诊断模型确定装置120和故障分类装置130。其中以上装置包含步骤S210-步骤S230中的处理过程。
下面对处理器的各个构成部件进行具体的介绍：
其中，在本实施例中，处理器是特定集成电路（application specificintegrated circuit，ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器（digital signal processor，DSP），或，一个或者多个现场可编程门阵列（field programmable gate array，FPGA）。
可选地，处理器可以通过运行或执行存储在存储器内的软件程序，以及调用存储在存储器内的数据，执行各种功能，例如执行上述图2所示的方法。
在具体的实现中，作为一种实施例，处理器可以包括一个或多个微处理器。
其中，所述存储器用于存储执行本申请方案的软件程序，并由处理器来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
可选地，存储器可以是只读存储器（read-only memory，ROM）或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器（random access memory，RAM）或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器（electrically erasable programmable read-only memory，EEPROM）、只读光盘（compactdisc read-only memory，CD-ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以和处理器集成在一起，也可以独立存在，并通过处理器的接口电路与处理单元进行耦合，本申请实施例对此不作具体限定。
需要说明的是，在本实施例中示出的处理器的结构并不构成对该装置的限定，实际的装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，处理器的技术效果可以参考上述方法实施例所述的方法的技术效果，此处不再赘述。
应理解，在本申请实施例中的处理器可以是其他通用处理器、数字信号处理器（digital signal processor，DSP）、专用集成电路（application specific integratedcircuit，ASIC）、现成可编程门阵列（field programmable gate array，FPGA）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。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random accessmemory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。
上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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。
所述功能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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种计算机网络的故障诊断方法，其特征在于，所述方法包括：
获取目标计算机的目标通信协议接口，并确定所述目标通信协议接口连接网络中的实时上传数据和实时下载数据，将所述实时上传数据，和/或，所述实时下载数据与对应的预设阈值进行比较，得到比较结果，所述比较结果包括第一故障结果、第二故障结果、第三故障结果和无故障；
基于第一故障结果、第二故障结果、第三故障结果确定对应的训练后的故障诊断模型；
基于确定的故障诊断模型采集对应的特征数据，并将所述特征数据输入至所述对应的故障诊断模型，得到故障分类结果，所述特征数据为预设时间段内采集到的特征数据集。
2.根据权利要求1所述的计算机网络的故障诊断方法，其特征在于，所述方法还包括对所述特征数据集中的特征数据进行特征向量构建，并基于构建得到的特征向量进行降维映射得到二维特征数据。
3.根据权利要求2所述的计算机网络的故障诊断方法，其特征在于，对所述特征数据集中的特征数据进行特征向量构建，包括：获取所述特征数据集的原特征空间的协方差矩阵，对所述协方差矩阵进行奇异值分解得到协方差矩阵的特征值与其对应地特征向量，在所述特征向量中筛选出多个特征值与其对应特征向量，并对其进行组合构造全新的特征向量矩阵。
4.根据权利要求3所述的计算机网络的故障诊断方法，其特征在于，基于构建得到的特征向量进行降维映射得到二维特征数据，包括：根据特征向量矩阵并与所述特征数据集中的特征数据进行内积处理，并进行特征空间映射，得到降维特征集为二维特征数据。
5.根据权利要求1或2或3或4所述的计算机网络的故障诊断方法，其特征在于，针对于所述第一故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、下行链路分组丢失率、下行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、下行平均吞吐量、节点传入平均吞吐量、链路误码率。
6.根据权利要求1或2或3或4所述的计算机网络的故障诊断方法，其特征在于，所述第二故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、上行链路分组丢失率、上行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、上行平均吞吐量、节点传出平均吞吐量、链路误码率。
7.根据权利要求1或2或3或4所述的计算机网络的故障诊断方法，其特征在于，所述第三故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、上行链路分组丢失率、下行链路分组丢失率、上行链路信噪比、下行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、上行平均吞吐量、下行平均吞吐量、节点传入平均吞吐量、节点传出平均吞吐量、链路误码率。
8.根据权利要求4所述的计算机网络的故障诊断方法，其特征在于，所述故障诊断模型为神经网络模型，包括卷积层，所述卷积层用于将所述二维特征数据进行特征的变换以及神经元激活；池化层，所述池化层用于对变换后的特征进行非线性映射；全连接层，所述全连接层用于得到关于故障类型的置信度矩阵；分类器，所述分类器为softmax分类器。
9.根据权利要求8所述的计算机网络的故障诊断方法，其特征在于，所述第一故障诊断模型、所述第二故障诊断模型中的所述卷积层和所述池化层的网络结构为16层；所述第二故障诊断模型中的所述卷积层和所述池化层的网络结构为32层；所述第一故障诊断模型、所述第二故障诊断模型和所述第三故障诊断模型中的所述全连接层的输入为1024维向量，输出为5维置信度向量。
10.一种计算机网络的故障诊断系统，其特征在于，包括：
状态识别装置，用于将和/或，所述实时下载数据与对应的预设阈值进行比较，得到比较结果，所述比较结果包括第一故障结果、第二故障结果、第三故障结果和无故障；
诊断模型确定装置，用于基于比较结果确定对应的故障诊断模型；
故障分类装置，用于基于对应的故障诊断模型得到故障分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310433083.2A CN116488992A (zh) | 2023-04-21 | 2023-04-21 | 一种计算机网络的故障诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310433083.2A CN116488992A (zh) | 2023-04-21 | 2023-04-21 | 一种计算机网络的故障诊断方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116488992A true CN116488992A (zh) | 2023-07-25 |
Family
ID=87213260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310433083.2A Withdrawn CN116488992A (zh) | 2023-04-21 | 2023-04-21 | 一种计算机网络的故障诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116488992A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116723083A (zh) * | 2023-08-10 | 2023-09-08 | 山东智拓大数据有限公司 | 一种云服务器在线故障诊断方法及装置 |
-
2023
- 2023-04-21 CN CN202310433083.2A patent/CN116488992A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116723083A (zh) * | 2023-08-10 | 2023-09-08 | 山东智拓大数据有限公司 | 一种云服务器在线故障诊断方法及装置 |
| CN116723083B (zh) * | 2023-08-10 | 2024-01-26 | 山东智拓大数据有限公司 | 一种云服务器在线故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mulvey et al. | Cell fault management using machine learning techniques | |
| US10462688B2 (en) | Association rule analysis and data visualization for mobile networks | |
| US9716633B2 (en) | Alarm prediction in a telecommunication network | |
| CN111541661A (zh) | 基于因果知识的电力信息网络攻击场景重构方法及系统 | |
| Janabi et al. | Convolutional neural network based algorithm for early warning proactive system security in software defined networks | |
| CN117113262B (zh) | 网络流量识别方法及其系统 | |
| CN116488992A (zh) | 一种计算机网络的故障诊断方法和系统 | |
| CN113348691B (zh) | 用于网络管理中的故障预测的方法和装置 | |
| CN112202783A (zh) | 一种基于自适应深度学习的5g网络异常检测方法及系统 | |
| CN115185760A (zh) | 异常检测方法以及装置 | |
| CN111209564A (zh) | 一种云平台安全状态预测方法、装置、设备及存储介质 | |
| WO2020052741A1 (en) | Managing event data in a network | |
| Nediyanchath et al. | Anomaly detection in mobile networks | |
| US12007759B2 (en) | Geometric aging data reduction for machine learning applications | |
| CN114362994A (zh) | 多层异粒度智能聚合铁路系统运行行为安全风险识别方法 | |
| Shen et al. | Prior knowledge based advanced persistent threats detection for IoT in a realistic benchmark | |
| Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
| Shi et al. | Towards automatic troubleshooting for user-level performance degradation in cellular services | |
| US11652701B2 (en) | Predicting network anomalies based on event counts | |
| Mulinka et al. | Information processing and data visualization in networked industrial systems | |
| Oğuz et al. | Anomaly detection in multi-tiered cellular networks using LSTM and 1D CNN | |
| CN113726810A (zh) | 入侵检测系统 | |
| Catillo et al. | Traditional vs Federated Learning with Deep Autoencoders: a Study in IoT Intrusion Detection | |
| Martins et al. | A privacy‐focused approach for anomaly detection in IoT networks | |
| US20240179155A1 (en) | Method and system for network security situation assessment |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230725 |
|
| WW01 | Invention patent application withdrawn after publication |