CN117395176A - 一种网络故障识别方法、装置、设备及存储介质 - Google Patents
一种网络故障识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117395176A CN117395176A CN202311382489.9A CN202311382489A CN117395176A CN 117395176 A CN117395176 A CN 117395176A CN 202311382489 A CN202311382489 A CN 202311382489A CN 117395176 A CN117395176 A CN 117395176A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- fault
- identified
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
-
- 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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种网络故障识别方法、装置、设备及存储介质,涉及数据处理技术领域,包括:获取待识别网络的当前状态数据;利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据;利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型;基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,以完成相应的网络故障识别过程。这样一来,本申请可以从网络的状态数据筛选出表征故障的异常数据,并利用预设深度学习模型处理异常数据,以得到相应网络的故障信息,可以自动识别网络状况。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种网络故障识别方法、装置、设备及存储介质。
背景技术
网络出现故障时,目前常用的方法通常需要手动(配合)操作去识别相应的故障信息,对相关人员的专业素养有一定的要求,还有着一定的劳动强度,并且工作人员耗费较多的时间和精力还不一定能够解决问题;换句话说,通过人工很难快速准确地确定出网络故障的类型和位置。
由此可见,如何自动高效率、高精度地识别网络故障的相关信息是本领域要解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种网络故障识别方法、装置、设备及存储介质,可以从网络的状态数据筛选出表征故障的异常数据,并利用预设深度学习模型处理异常数据,以得到相应网络的故障信息,可以自动识别网络状况。其具体方案如下:
第一方面,本申请提供了一种网络故障识别方法,包括:
获取待识别网络的当前状态数据;
利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据;
利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型;
基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,以完成相应的网络故障识别过程。
可选的,所述获取待识别网络的当前状态数据,包括:
利用预设网络监测工具对待识别网络进行实时监测,以获取所述待识别网络的当前状态数据。
可选的,所述利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据,包括:
利用预设数据处理算法提取所述当前状态数据的数据特征;
基于预设正常状态数据,并根据所述数据特征从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据。
可选的,所述基于预设正常状态数据,并根据所述数据特征从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据,包括:
根据所述数据特征判断所述当前状态数据与所述预设正常状态数据之间是否存在不匹配的数据;
若存在,则将所述当前状态数据中相关的数据确定为表征所述待识别网络出现故障的异常数据。
可选的,所述利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型,包括:
利用预设深度学习模型对所述异常数据进行特征分类处理,得到若干数据类型;
基于所述若干数据类型从预设网络故障类型中筛选出与所述待识别网络对应的故障类型。
可选的,所述基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,包括:
基于所述异常数据和所述故障类型确定所述待识别网络的故障位置;
利用所述异常数据、所述故障类型和所述故障位置生成针对所述待识别网络的故障信息。
可选的,所述基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息之后,还包括:
通过预设人机交互界面展示所述故障信息,以便工作人员根据所述故障信息维护所述待识别网络。
第二方面,本申请提供了一种网络故障识别装置,包括:
状态数据获取模块,用于获取待识别网络的当前状态数据;
数据筛选模块,用于利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据;
故障判断模块,用于利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型;
故障信息生成模块,用于基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,以完成相应的网络故障识别过程。
第三方面,本申请提供了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序以实现如上述的网络故障识别方法。
第四方面,本申请提供了一种计算机可读存储介质,用于保存计算机程序,所述计算机程序被处理器执行时实现如上述的网络故障识别方法。
由此可见,本申请可以获取待识别网络的当前状态数据;然后利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据;之后利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型;再基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,以完成相应的网络故障识别过程。这样一来,本申请通过预设正常状态数据从待识别网络的当前状态数据中筛选出可以表征故障信息的异常数据,之后利用预设深度学习模型可以基于异常数据生成相应的故障信息,这样可以及时识别网络的故障情况,便于后续人工维护,提高故障处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种网络故障识别方法流程图;
图2为本申请公开的一种具体的网络故障识别方法流程图;
图3为本申请公开的一种网络故障识别装置结构框图;
图4为本申请公开的一种网络故障识别装置结构示意图;
图5为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
参见图1所示,本发明实施例公开了一种网络故障识别方法,包括:
步骤S11、获取待识别网络的当前状态数据。
本申请中,首先需要获取待识别网络的当前状态数据,在具体的实施例中,所述获取待识别网络的当前状态数据,可以包括:利用预设网络监测工具对待识别网络进行实时监测,以获取所述待识别网络的当前状态数据。具体的,本申请可以利用预设网络监测工具实时对待识别网络进行监测,实时获取待识别网络的当前状态数据。这样在网络出现故障时,也可以获取出现故障前的状态数据,甚至获取故障时的(异常)数据。
步骤S12、利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据。
进一步的,本申请中,可以利用预设数据处理规则对从待识别网络得到的当前状态数据进行分析处理,具体可以基于预设正常状态数据从当前状态数据中筛选出表征待识别网络出现故障的异常数据。在具体的实施例中,所述利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据,可以包括:利用预设数据处理算法提取所述当前状态数据的数据特征;基于预设正常状态数据,并根据所述数据特征从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据。具体的,可以通过预设的数据处理算法提取当前状态数据的数据特征,之后根据预设正常状态数据,并基于当前状态数据对应的数据特征(从当前状态数据中)筛选出表征待识别网络出现故障的异常数据。进一步的,可以通过预设的深度学习算法对当前状态数据进行分析,以提取出有关网络故障的异常数据。需要指出的是,获取到当前网络状态数据后,可以先进行数据清洗和压缩等预处理,之后再进行特征提取。
在另一种具体的实施例中,所述基于预设正常状态数据,并根据所述数据特征从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据,可以包括:根据所述数据特征判断所述当前状态数据与所述预设正常状态数据之间是否存在不匹配的数据;若存在,则将所述当前状态数据中相关的数据确定为表征所述待识别网络出现故障的异常数据。具体的,可以根据数据特征判断当前状态数据与预设正常状态数据之间是否存在不匹配的数据,这样可以将当前状态数据中与预设正常状态数据不匹配的相关数据确定为表征待识别网络出现故障的异常数据。
步骤S13、利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型。
本申请中,通过前述步骤可以从待识别网络的当前状态数据中筛选出表征出现故障的异常数据,之后,可以利用预设深度学习模型对得到的异常数据进行处理,这样可以基于异常数据从预设网络故障类型中确定与待识别网络对应的故障类型。在一种具体的实施例中,所述利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型,可以包括:利用预设深度学习模型对所述异常数据进行特征分类处理,得到若干数据类型;基于所述若干数据类型从预设网络故障类型中筛选出与所述待识别网络对应的故障类型。具体的,首先通过预设深度学习模型可以对异常数据进行特征分类处理,得到若干数据类型;可以理解的是,根据数据类型可以确定出相关的故障情况,可以从预设网络故障类型中筛选出与待识别网络对应的故障类型。
步骤S14、基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,以完成相应的网络故障识别过程。
本申请中,确定故障类型之后,可以利用异常数据和故障类型生成针对待识别网络的故障信息,以完成相应的网络故障识别过程。在具体的实施例中所述基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,可以包括:基于所述异常数据和所述故障类型确定所述待识别网络的故障位置;利用所述异常数据、所述故障类型和所述故障位置生成针对所述待识别网络的故障信息。具体的,首先可以基于异常数据和相应的故障类型确定待识别网络的故障位置,然后利用异常数据、故障类型和故障位置生成针对待识别网络的故障信息。
在另一种具体的实施例中,所述基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息之后,还可以包括:通过预设人机交互界面展示所述故障信息,以便工作人员根据所述故障信息维护所述待识别网络。具体的,通过预设人机交互界面可以展示待识别网络的故障信息,后续工作人员可以及时对待识别网络进行维护。
由此可见,本申请通过预设正常状态数据从待识别网络的当前状态数据中筛选出可以表征故障信息的异常数据,之后利用预设深度学习模型可以基于异常数据生成相应的故障信息,这样可以及时识别网络的故障情况,降低了后续人工维护的难度,可以提高网络故障处理效率。
如图2所示,本申请实施例公开了一种网络故障识别方法,包括:
本申请实施例中,通过实时的网络监测可以获取待识别网络的当前状态数据,可以将状态数据保存至数据库,后续从待识别网络对应的当前状态数据(以及历史的状态数据)检测出能够表征待识别网络出现故障的错误数据(异常数据)。进一步的,可以利用预设的深度学习模型(训练模型)对错误数据进行处理,通过该模型进行诊断,可以确定相应的故障类型。同时,针对错误数据可以进行程序检测,即利用预设的匹配模型(用于查找之前是否出现过类似情况)从历史记录中查找是否出现过类似的网络状况,进一步的,还可以获取相应的处理过程。之后可以对通过预审深度学习模型得到的针对待识别网络的故障类型以及通过预设匹配模型得到的相应的网络状况信息和相应处理过程进行整合,得到与待识别网络对应的需要展示的网络状况信息,再通过用户界面展示,以便工作人员及时维护待识别网络。
如图3为一种具体的网络故障识别装置结构框图,其中,数据采集过程可以包括从待识别网络中收集数据包并进行预处理,具体可以进行数据清洗和数据压缩,评估网络KPI(Key Performance Indicator,即网络适应度水平),这样可以识别网络的工作状况,以生成相应的使用建议。之后在数据处理过程中可以利用深度学习算法对数据包进行分析,提取有关网络故障的特征。进一步的,在数据诊断过程中,包含了一个预设的深度学习模型,利用该模型可以对有关网络故障的数据特征进行分类和诊断,可以得到与待识别网络对应的故障信息。然后可以通过用户界面或Android(安卓)终端显示故障信息,并且允许用户与网络进行交互。
由此可见,本实施例中,在网络状况异常或发现潜在安全隐患时,能够自动识别并通知用户,用户界面可自由配置;采用友好的用户界面设计,用户可以快速上手并进行操作。并且,可以根据用户的网络使用情况,为用户提供个性化的网络优化建议,以优化网络使用效率。
如图4所示,本申请实施例公开了一种网络故障识别装置,包括:
状态数据获取模块11,用于获取待识别网络的当前状态数据;
数据筛选模块12,用于利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据;
故障判断模块13,用于利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型;
故障信息生成模块14,用于基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,以完成相应的网络故障识别过程。
由此可见,本申请通过预设正常状态数据从待识别网络的当前状态数据中筛选出可以表征故障信息的异常数据,之后利用预设深度学习模型可以基于异常数据生成相应的故障信息,这样可以及时识别网络的故障情况,便于后续人工维护,提高故障处理效率。
在一种具体的实施例中,所述状态数据获取模块11,可以包括:
状态数据获取单元,用于利用预设网络监测工具对待识别网络进行实时监测,以获取所述待识别网络的当前状态数据。
在一种具体的实施例中,所述数据筛选模块12,可以包括:
特征提取单元,用于利用预设数据处理算法提取所述当前状态数据的数据特征;
数据筛选子模块,用于基于预设正常状态数据,并根据所述数据特征从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据。
在另一种具体的实施例中,所述数据筛选子模块,可以包括:
数据判断单元,用于根据所述数据特征判断所述当前状态数据与所述预设正常状态数据之间是否存在不匹配的数据;
数据确定单元,用于当所述数据特征判断所述当前状态数据与所述预设正常状态数据之间存在不匹配的数据时,则将所述当前状态数据中相关的数据确定为表征所述待识别网络出现故障的异常数据。
在一种具体的实施例中,所述故障判断模块13,可以包括:
数据分类单元,用于利用预设深度学习模型对所述异常数据进行特征分类处理,得到若干数据类型;
故障类型筛选单元,用于基于所述若干数据类型从预设网络故障类型中筛选出与所述待识别网络对应的故障类型。
在一种具体的实施例中,所述故障信息生成模块14,可以包括:
故障位置确定单元,用于基于所述异常数据和所述故障类型确定所述待识别网络的故障位置;
故障信息生成单元,用于利用所述异常数据、所述故障类型和所述故障位置生成针对所述待识别网络的故障信息。
在一种具体的实施例中,所述装置还可以包括:
故障信息展示单元,用于通过预设人机交互界面展示所述故障信息,以便工作人员根据所述故障信息维护所述待识别网络。
进一步的,本申请实施例还公开了一种电子设备,图5是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的网络故障识别方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的网络故障识别方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的网络故障识别方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种网络故障识别方法,其特征在于,包括:
获取待识别网络的当前状态数据;
利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据;
利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型;
基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,以完成相应的网络故障识别过程。
2.根据权利要求1所述的网络故障识别方法,其特征在于,所述获取待识别网络的当前状态数据,包括:
利用预设网络监测工具对待识别网络进行实时监测,以获取所述待识别网络的当前状态数据。
3.根据权利要求1所述的网络故障识别方法,其特征在于,所述利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据,包括:
利用预设数据处理算法提取所述当前状态数据的数据特征;
基于预设正常状态数据,并根据所述数据特征从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据。
4.根据权利要求3所述的网络故障识别方法,其特征在于,所述基于预设正常状态数据,并根据所述数据特征从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据,包括:
根据所述数据特征判断所述当前状态数据与所述预设正常状态数据之间是否存在不匹配的数据;
若存在,则将所述当前状态数据中相关的数据确定为表征所述待识别网络出现故障的异常数据。
5.根据权利要求1所述的网络故障识别方法,其特征在于,所述利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型,包括:
利用预设深度学习模型对所述异常数据进行特征分类处理,得到若干数据类型;
基于所述若干数据类型从预设网络故障类型中筛选出与所述待识别网络对应的故障类型。
6.根据权利要求1所述的网络故障识别方法,其特征在于,所述基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,包括:
基于所述异常数据和所述故障类型确定所述待识别网络的故障位置;
利用所述异常数据、所述故障类型和所述故障位置生成针对所述待识别网络的故障信息。
7.根据权利要求1至6任一项所述的网络故障识别方法,其特征在于,所述基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息之后,还包括:
通过预设人机交互界面展示所述故障信息,以便工作人员根据所述故障信息维护所述待识别网络。
8.一种网络故障识别装置,其特征在于,包括:
状态数据获取模块,用于获取待识别网络的当前状态数据;
数据筛选模块,用于利用预设数据处理规则对所述当前状态数据进行分析处理,以基于预设正常状态数据从所述当前状态数据中筛选出表征所述待识别网络出现故障的异常数据;
故障判断模块,用于利用预设深度学习模型对所述异常数据进行处理,以从预设网络故障类型中确定与所述待识别网络对应的故障类型;
故障信息生成模块,用于基于所述异常数据以及所述故障类型生成针对所述待识别网络的故障信息,以完成相应的网络故障识别过程。
9.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至7任一项所述的网络故障识别方法。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的网络故障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311382489.9A CN117395176A (zh) | 2023-10-24 | 2023-10-24 | 一种网络故障识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311382489.9A CN117395176A (zh) | 2023-10-24 | 2023-10-24 | 一种网络故障识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117395176A true CN117395176A (zh) | 2024-01-12 |
Family
ID=89437004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311382489.9A Pending CN117395176A (zh) | 2023-10-24 | 2023-10-24 | 一种网络故障识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117395176A (zh) |
-
2023
- 2023-10-24 CN CN202311382489.9A patent/CN117395176A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8504679B2 (en) | Methods, systems and computer program products for managing execution of information technology (IT) processes | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN111290913A (zh) | 一种基于运维数据预测的故障定位可视化系统和方法 | |
CN112836972A (zh) | 一种it设备故障缺陷处理系统及故障缺陷处理方法 | |
US7617313B1 (en) | Metric transport and database load | |
CN110543658A (zh) | 基于大数据的电厂设备诊断方法 | |
CN111767193A (zh) | 一种服务器数据异常检测方法、装置、存储介质及设备 | |
CN112506754A (zh) | 一种系统性能监测方法及平台 | |
CN111784865A (zh) | 加氢站巡检数据处理方法及加氢站巡检装置 | |
CN116933108A (zh) | 变电站设备运行状态监测方法、系统、设备及存储介质 | |
CN117240527A (zh) | 一种网络安全风险防范系统及方法 | |
CN117395176A (zh) | 一种网络故障识别方法、装置、设备及存储介质 | |
CN116468423A (zh) | 一种运维应急协同方法、系统和终端设备 | |
CN111124805A (zh) | 数据采集方法、装置、设备及存储介质 | |
CN108122036B (zh) | 一种变电站带电运检辅助分析方法 | |
CN110888782A (zh) | 设备处理方法、系统、电子设备及计算机可读存储介质 | |
CN115509854A (zh) | 一种巡检处理方法、巡检服务器及系统 | |
CN108199482B (zh) | 维护提示方法及装置 | |
CN112231185A (zh) | 基于应用系统告警信息的知识获取方法及装置 | |
CN113225219B (zh) | 一种服务器监测用心跳数据采集存储方法 | |
CN114333179B (zh) | 一种基于大数据技术的金融终端故障预判警示方法及系统 | |
CN114579347B (zh) | 页面的异常检测方法、装置、计算机设备及可读存储介质 | |
CN118051043A (zh) | 一种整车检测方法、装置、设备及存储介质 | |
KR20170081383A (ko) | 제조공정 가시화 장치 및 방법 | |
CN117608979A (zh) | 一种规则可视化方法、装置、电子设备及存储介质 |
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 |