CN117749603A - 一种网络故障自动化修复方法、装置、电子设备及介质 - Google Patents
一种网络故障自动化修复方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117749603A CN117749603A CN202311535262.3A CN202311535262A CN117749603A CN 117749603 A CN117749603 A CN 117749603A CN 202311535262 A CN202311535262 A CN 202311535262A CN 117749603 A CN117749603 A CN 117749603A
- Authority
- CN
- China
- Prior art keywords
- network equipment
- target network
- data
- network
- decision tree
- 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 44
- 238000003066 decision tree Methods 0.000 claims abstract description 78
- 230000008439 repair process Effects 0.000 claims abstract description 62
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种网络故障自动化修复方法、装置、电子设备和介质，其方法包括：采集网络设备的数据；对网络设备的数据进行清洗和数据转化得到第一数据，将第一数据输入到预设的决策树模型得到网络故障分类决策树模型；从网络故障分类决策树模型中提取规则得到PRC规则库；将目标网络设备的数据输入到故障分类决策树模型中根据PRC规则库预测目标网络设备是否出现故障；在确定目标网络设备存在故障时，网络管理系统连接到目标网络设备，并通过命令对目标网络设备进行修复。本发明可自动修复网络设备的网络故障。
Description
技术领域
本发明涉及网络故障处理技术领域，尤其涉及一种网络故障自动化修复方法、装置、电子设备及介质。
背景技术
在当今高度信息化的时代，网络安全性和稳定性对各行各业都至关重要。然而，网络系统面临的各种威胁和故障，如黑客攻击、病毒传播、硬件故障等，使得网络自动修复成为一项至关重要的任务。为了应对这些挑战，网络自动修复技术得到了广泛的研究和发展，以实现快速、准确和自动化的网络故障诊断和恢复。
现有技术中是采用机器学习的技术对网络故障进行预测，然后根据预测结果对网络故障进行手动修复，无法自动修复网络故障。
发明内容
有鉴于此，有必要提供一种网络故障自动化修复方法、装置、电子设备和介质，用以实现自动修复网络故障的目的。
为了实现上述目的，本发明提供一种网络故障自动化修复方法，包括：
采集网络设备的数据；
对所述网络设备的数据进行清洗和数据转化得到第一数据，将所述第一数据输入到预设的决策树模型得到网络故障分类决策树模型；
从所述网络故障分类决策树模型中提取规则得到PRC规则库；
获取目标网络设备的数据，并将目标网络设备的数据输入到网络故障分类决策树模型中，根据所述PRC规则库确定目标网络设备是否出现故障；
在确定所述目标网络设备存在故障时，基于网络管理系统连接到所述目标网络设备，并发送命令到所述目标网络设备，通过命令对所述目标网络设备进行修复。
在一些可能的实现方式中，所述网络设备的数据包括：网络设备的型号、运行时间、负载情况、网络流量、网络连接数、cpu利用率、内存利用率、磁盘空间、硬件温度、磁盘读写错误信息以及硬件指示灯状态。
在一些可能的实现方式中，所述将所述第一数据输入到预设的决策树模型得到网络故障分类决策树模型，包括：
基于预设的决策树模型根据第一数据的输入特征和目标变量之间的关系构建网络故障分类决策树模型。
在一些可能的实现方式中，所述输入特征包括：网络设备的型号、运行时间、负载情况以及网络流量。
在一些可能的实现方式中，所述将目标网络设备的数据输入到故障分类决策树模型中根据所述PRC规则库预测目标网络设备是否出现故障：
当所述目标网络设备CPU利用率大于80％且所述目标网络设备网络连接数大于100时，确定所述目标网络设备出现故障；
当所述目标网络设备CPU利用率大于80％且所述目标网络设备磁盘空间小于10％时，确定所述目标网络设备出现故障；
当所述目标网络设备CPU利用率大于80％且所述目标网络设备网络流量大于100Mbps且所述目标网络设备硬件温度大于80℃，确定所述目标网络设备出现故障；
当目标网络设备CPU利用率大于80％且目标网络设备网络流量大于100Mbps且所述目标网络设备内存利用率大于90％，确定所述目标网络设备出现故障。
在一些可能的实现方式中，所述网络管理系统连接到所述目标网络设备，并通过命令对所述目标网络设备进行修复，包括：
将所述网络管理系统通过SSH或Telnet协议与所述目标网络设备建立连接；
在所述网络管理系统获取登录所述目标网络设备的权限后，发送命令到所述目标网络设备，通过命令对所述目标网络设备进行网络修复。
在一些可能的实现方式中，还包括：基于所述网络管理系统监控所述修复命令的执行过程，并记录修复过程的日志信息和所述目标网络设备的状态信息。
另一方面，本发明还提供了一种网络故障自动化修复装置，包括：
数据采集模块，用于采集网络设备的数据；
网络故障分类决策树模型获取模块，用于对所述网络设备的数据进行清洗和数据转化得到第一数据，将所述第一数据输入到预设的决策树模型得到网络故障分类决策树模型；
PRC规则库获取模块，用于从所述网络故障分类决策树模型中提取规则得到PRC规则库；
故障判断模块，用于获取目标网络设备的数据，并将目标网络设备的数据输入到网络故障分类决策树模型中，根据所述PRC规则库确定目标网络设备是否出现故障；
故障修复模块，用于在确定所述目标网络设备存在故障时，基于网络管理系统连接到所述目标网络设备，并发送命令到所述目标网络设备，通过命令对所述目标网络设备进行修复。
另一方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任意一种实现方式中所述的一种网络故障自动化修复方法中的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述任意一种实现方式中所述的一种网络故障自动化修复方法中的步骤。
采用上述实施例的有益效果是：本发明提供的一种网络故障自动化修复方法，首先采集网络设备的数据，然后对网络设备的数据进行清洗和数据转化得到第一数据，将第一数据输入决策树模型得到网络故障分类决策树模型，并从网络故障分类决策树模型中提取规则得到PRC规则库；将目标网络设备的数据输入到故障分类决策树模型中根据PRC规则库预测目标网络设备是否出现故障，出现故障，网络管理系统连接到所述目标网络设备，并通过命令对所述目标网络设备进行修复。本发明通过将网络设备数据输入到决策树模型中得到网络故障分类决策树模型，从网络故障分类决策树模型中提取PRC规则库，根据故障原因通过命令对目标网络设备进行修复。
附图说明
图1为本发明提供的一种网络故障自动化修复方法一实施例的方法流程图；
图2为本发明提供的一种网络故障自动化修复装置的一个实施例结构示意图；
图3为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
图1为本发明提供的一种网络故障自动化修复方法的一个实施例流程示意图，如图1所示，一种网络故障自动化修复方法，包括：
S101、采集网络设备的数据；
S102、对所述网络设备的数据进行清洗和数据转化得到第一数据，将所述第一数据输入到预设的决策树模型得到网络故障分类决策树模型；
S103、从所述网络故障分类决策树模型中提取规则得到PRC规则库；
S104、获取目标网络设备的数据，并将目标网络设备的数据输入到网络故障分类决策树模型中，根据所述PRC规则库确定目标网络设备是否出现故障；
S105、在确定所述目标网络设备存在故障时，基于网络管理系统连接到所述目标网络设备，并发送命令到所述目标网络设备，通过命令对所述目标网络设备进行修复。
与现有技术相比，本实施例提供的一种网络故障自动化修复方法，首先采集网络设备的数据，然后对网络设备的数据进行清洗和数据转化得到第一数据，将第一数据输入决策树模型得到网络故障分类决策树模型，并从网络故障分类决策树模型中提取规则得到PRC规则库；将目标网络设备的数据输入到故障分类决策树模型中根据PRC规则库预测目标网络设备是否出现故障，出现故障，网络管理系统连接到所述目标网络设备，并通过命令对所述目标网络设备进行修复。本发明通过将网络设备数据输入到决策树模型中得到网络故障分类决策树模型，从网络故障分类决策树模型中提取PRC规则库，根据故障原因通过命令对目标网络设备进行修复。
在本发明的一些实施例中，所述网络设备的数据包括：网络设备的型号、运行时间、负载情况、网络流量、网络连接数、cpu利用率、内存利用率、磁盘空间、硬件温度、磁盘读写的错误信息以及硬件指示灯状态。
在本发明的具体实施例中，在步骤S102中，对所述网络设备的数据进行数据清洗的步骤如下：
第一步：对采集到的数据进行处理和转换：以提取出需要的告警业务数据，并对这些数据进行清洗和整理。具体的清洗内容和最终得到的结果取决于具体的业务需求和数据源。
第二步：数据过滤：首先，对临时数据进行过滤，只选择符合业务需求的数据进行后续处理。这可以基于事先定义好的规则、条件或筛选器进行，以滤除无关或异常的数据。
第三步：数据转换：根据业务需求，对临时数据进行必要的转换和格式调整。例如，将时间戳转换为特定的日期时间格式，将原始数据字段进行重命名或合并，进行单位转换等。这有助于后续的分析和应用。
第四步：数据清理：对数据进行清理和修复，处理缺失值、异常值、重复值和不一致性等问题。这包括填充缺失值、平滑异常值、删除重复值和校验数据的一致性。清理后的数据更具可靠性和一致性。
第五步：数据整合：将来自不同数据源的数据进行整合和合并，以生成更全面和完整的业务数据集。这可能涉及多个临时数据源的数据匹配和关联，以便获取相关的信息和关联分析所需的数据。
第六步：数据聚合：根据业务需求，对清洗后的数据进行聚合和汇总。这可以是统计指标、汇总数据、时间窗口聚合等。聚合操作可以帮助分析和理解数据的总体趋势和特征。
最终，经过临时数据到提取告警业务数据的清洗过程，可以得到经过处理和优化的、适合后续分析和应用的业务数据集。
在本发明的具体实施例中，在步骤S102中，数据转化的具体步骤如下：
(1)对业务数据集进行转化和提取，以创建更有信息量和表达能力的特征。通过对特征选择、特征变换、特征合成等操作，为后续的决策树算法建模提供更具意义和相关性的数据表示。
(2)数据预处理，在应用机器学习决策树算法之前，需要对数据进行预处理，以使其适应算法的要求和特性。这可以包括数据清洗、缺失值填充、异常值处理、标准化、归一化等操作，以确保数据的准确性和一致性，并提高算法的性能和稳定性。
(3)数据编码和嵌入：文本数据可以通过词嵌入技术(Word2Vec、BERT)转化为向量表示，以进行自然语言处理任务。
(4)数据转换和降维：数据的维度过高或具有冗余特征可能导致算法的性能下降。因此，可以使用降维技术(如主成分分析、线性判别分析)将数据转化为更低维度的表示，以保留数据的主要信息并减少计算负担。
(5)数据合并和集成：通过数据匹配、数据连接、数据融合等操作，以生成一个统一的数据集即第一数据供决策树算法使用。
在本发明的一些实施例中，所述将所述第一数据输入决策树模型得到网络故障分类决策树模型，包括：
基于决策树算法根据第一数据的输入特征和目标变量之间的关系构建网络故障分类决策树模型。
需要说明的是，结果转化为规则是一种将机器学习或数据挖掘模型转化为易于理解和解释的规则形式的过程，本专利使用决策树模型提取规则、使用关联规则挖掘算法、逻辑推理。决策树模型可以用于检测网络设备的故障，并基于该模型生成规则库。
在本发明的具体实施例中，决策树算法会根据输入特征和目标变量之间的关系构建决策树结构。输入特征包括设备的型号、运行时间、负载情况、网络流量等，而目标变量是设备是否发生故障(正常或故障)。
从训练得到的网络故障分类决策树模型中提取规则。我们将收集一系列网络设备的观测数据，每条数据包含设备的特征和是否发生故障的信息。然后，我们将使用决策树算法来构建决策树结构。决策树算法会根据特征之间的信息增益或基尼不纯度来选择最佳的划分特征和划分点。通过不断重复这个过程，决策树将逐渐细化，直到满足停止条件(节点中的样本数量、划分后的纯度等)。
在本发明的一些实施例中，所述输入特征包括：网络设备的型号、运行时间、负载情况以及网络流量。
在本发明的一些实施例中，所述将目标网络设备的数据输入到故障分类决策树模型中根据所述PRC规则库预测目标网络设备是否出现故障：
当所述目标网络设备CPU利用率大于80％且所述目标网络设备网络连接数大于100时，确定所述目标网络设备出现故障；
当所述目标网络设备CPU利用率大于80％且所述目标网络设备磁盘空间小于10％时，确定所述目标网络设备出现故障；
当所述目标网络设备CPU利用率大于80％且所述目标网络设备网络流量大于100Mbps且所述目标网络设备硬件温度大于80℃，确定所述目标网络设备出现故障；
当目标网络设备CPU利用率大于80％且目标网络设备网络流量大于100Mbps且所述目标网络设备内存利用率大于90％，确定所述目标网络设备出现故障。
在本发明的具体实施例中，PRC规则库具体如下：
规则1：如果CPU利用率大于80％，并且网络连接数大于100，那么设备会出现故障。
规则2：如果CPU利用率大于80％，并且磁盘空间小于10％，那么设备会出现故障。
规则3：如果CPU利用率大于80％，网络流量大于100Mbps，并且硬件温度大于80℃，那么设备会出现故障。
规则4：如果CPU利用率大于80％，网络流量大于100Mbps，并且内存利用率大于90％，那么设备会出现故障。
规则5：如果CPU利用率大于80％，网络流量小于等于100Mbps，那么设备不会出现故障。
规则6：如果CPU利用率小于等于80％，内存利用率大于95％，那么设备可能会出现故障。
规则7：如果CPU利用率小于等于80％，磁盘读取错误数大于1000，那么设备会出现故障。
规则8:如果CPU利用率小于等于80％，硬件故障指示灯亮，那么设备可能会出现故障。
在本发明的一些实施例中，所述网络管理系统连接到所述目标网络设备，并通过命令对所述目标网络设备进行修复，包括：
将所述网络管理系统通过SSH或Telnet协议与所述目标网络设备建立连接；
在所述网络管理系统获取登录所述目标网络设备的权限后，发送命令到所述目标网络设备，通过命令对所述目标网络设备进行网络修复。
在本发明的具体实施例中，具体的修复过程如下：
(1)当有新的网络设备出现时，我们可以提取其特征，并根据决策树的结构进行逐层的判断，最终得到设备是否会发生故障的预测结果,若发生如果网络管理系统将执行如下动作：
(2)连接到网络设备：网络管理系统通过SSH或Telnet协议与目标网络设备建立连接。SSH是一种加密的网络协议，提供安全的远程登录和数据传输，而Telnet是一种明文传输协议，安全性较差。通常推荐使用SSH来确保通信的机密性和完整性。
(3)身份验证：网络管理系统使用登录凭据(用户名和密码)进行身份验证，以获得对网络设备的访问权限。这些凭据通常是预先配置的或由管理员提供的。
(4)执行修复命令：一旦成功登录到网络设备，网络管理系统会执行相应的修复命令。修复命令可以是预定义的命令，也可以根据故障类型和特定情况动态生成。
(5)监控修复过程：网络管理系统会监控修复命令的执行过程，并获取命令执行的结果。这些结果可以包括命令的输出、状态信息、错误消息等。
(6)解析结果：网络管理系统会解析修复命令的执行结果，并根据预定义的规则或算法判断修复是否成功。解析结果可以涉及关键字匹配、正则表达式、状态码判断等。
(7)记录日志和状态：系统会记录修复过程的日志和设备状态信息。这些日志可以用于故障分析、后续追踪和报告生成。
(8)关闭连接：修复完成后，系统会关闭与网络设备的SSH或Telnet连接，释放资源并终止与设备的通信。
在本发明的一些实施例中，所述网络管理系统还对所述修复命令的执行过程进行监控，并记录修复过程的日志信息和所述目标网络设备的状态信息。
在本发明的一些实施例中，还包括将修复结果反馈给决策树算法，具体如下：
(1)执行修复命令：网络管理系统执行相应的修复命令，例如通过SSH或Telnet远程登录到网络设备，并执行修复脚本或命令。
(2)监控修复过程：网络管理系统实时监控修复命令的执行过程，包括命令的启动、执行状态和执行时间等。
(3)解析执行结果：系统解析修复命令的执行结果，包括命令的输出、错误消息、返回状态码等。解析结果的方式可以根据修复命令的输出格式和特定需求进行设计。
(4)判断修复结果：网络管理系统根据预定义的规则或算法对修复结果进行判断。例如，可以根据关键字匹配、正则表达式或状态码判断来确定修复是否成功。
(5)生成反馈信息：根据修复结果，系统生成相应的反馈信息。反馈信息可以包括修复状态(成功/失败)、修复时间、修复命令的执行输出等。
(6)更新状态和记录日志：网络管理系统更新相关设备的状态信息，记录修复过程的日志和结果。这些信息可以用于后续的故障分析、追踪和报告生成。
(7)发送反馈：系网络管理系统将反馈信息发送给相关的监控系统或用户。可以通过消息通知、日志记录、API调用或邮件通知等方式进行反馈。
为了更好实施本发明实施例中的一种网络故障自动化修复方法，在一种网络故障自动化修复方法基础之上，对应地，如图2所示，本发明实施例还提供了一种网络故障自动化修复装置，一种网络故障自动化修复装置200包括：
数据采集模块201，用于采集网络设备的数据；
网络故障分类决策树模型获取模块202，用于对所述网络设备的数据进行清洗和数据转化得到第一数据，将所述第一数据输入到预设的决策树模型得到网络故障分类决策树模型；
PRC规则库获取模块203，用于从所述网络故障分类决策树模型中提取规则得到PRC规则库；
故障判断模块204，用于获取目标网络设备的数据，并将目标网络设备的数据输入到网络故障分类决策树模型中，根据所述PRC规则库确定目标网络设备是否出现故障；
故障修复模块205，用于在确定所述目标网络设备存在故障时，网络管理系统连接到所述目标网络设备，并发送命令到所述目标网络设备，通过命令对所述目标网络设备进行修复。
上述实施例提供的一种网络故障自动化修复装置200可实现上述自一种网络故障自动化修复方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述一种网络故障自动化修复方法实施例中的相应内容，此处不再赘述。
如图3所示，本发明还相应提供了一种电子设备300。该电子设备300包括处理器301、存储器302及显示器303。图3仅示出了电子设备300的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
处理器301在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其他数据处理芯片，用于运行存储器302中存储的程序代码或处理数据，例如本发明中的一种网络故障自动化修复方法。
在一些实施例中，处理器301可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器301可为本地的或远程的。在一些实施例中，处理器301可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等，或以上的任意组合。
存储器302在一些实施例中可以是电子设备300的内部存储单元，例如电子设备300的硬盘或内存。存储器302在另一些实施例中也可以是电子设备300的外部存储设备，例如电子设备300上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
进一步地，存储器303还可既包括电子设备300的内部储存单元也包括外部存储设备。存储器302用于存储安装电子设备300的应用软件及各类数据。
显示器303在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器303用于显示在电子设备300的信息以及用于显示可视化的用户界面。电子设备300的部件301-303通过系统总线相互通信。
在一实施例中，当处理器301执行存储器302中的一种网络故障自动化修复程序时，可实现以下步骤：
采集网络设备的数据；
对所述网络设备的数据进行清洗和数据转化得到第一数据，将所述第一数据输入到预设的决策树模型得到网络故障分类决策树模型；
从所述网络故障分类决策树模型中提取规则得到PRC规则库；
获取目标网络设备的数据，并将目标网络设备的数据输入到网络故障分类决策树模型中，根据所述PRC规则库确定目标网络设备是否出现故障；
在确定所述目标网络设备存在故障时，基于网络管理系统连接到所述目标网络设备，并发送命令到所述目标网络设备，通过命令对所述目标网络设备进行修复。
应当理解的是：处理器301在执行存储器302中的一种网络故障自动化修复程序时，除了上面的功能之外，还可实现其他功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备300的类型不作具体限定，电子设备300可以为手机、平板电脑、个人数字助理(personal digitalassistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备300也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种网络故障自动化修复方法，其特征在于，包括：
采集网络设备的数据；
对所述网络设备的数据进行清洗和数据转化得到第一数据，将所述第一数据输入到预设的决策树模型得到网络故障分类决策树模型；
从所述网络故障分类决策树模型中提取规则得到PRC规则库；
获取目标网络设备的数据，并将目标网络设备的数据输入到网络故障分类决策树模型中，根据所述PRC规则库确定目标网络设备是否出现故障；
在确定所述目标网络设备存在故障时，基于网络管理系统连接到所述目标网络设备，并发送命令到所述目标网络设备，通过命令对所述目标网络设备进行修复。
2.根据权利要求1所述的一种网络故障自动化修复方法，其特征在于，所述网络设备的数据包括：网络设备的型号、运行时间、负载情况、网络流量、网络连接数、cpu利用率、内存利用率、磁盘空间、硬件温度、磁盘读写的错误信息以及硬件指示灯状态。
3.根据权利要求1所述的一种网络故障自动化修复方法，其特征在于，所述将所述第一数据输入到预设的决策树模型得到网络故障分类决策树模型，包括：
基于预设的决策树模型根据第一数据的输入特征和目标变量之间的关系构建网络故障分类决策树模型。
4.根据权利要求1所述的一种网络故障自动化修复方法，其特征在于，所述输入特征包括：网络设备的型号、运行时间、负载情况以及网络流量。
5.根据权利要求1所述的一种网络故障自动化修复方法，其特征在于，所述将目标网络设备的数据输入到故障分类决策树模型中根据所述PRC规则库预测目标网络设备是否出现故障：
当所述目标网络设备CPU利用率大于80％且所述目标网络设备网络连接数大于100时，确定所述目标网络设备出现故障；
当所述目标网络设备CPU利用率大于80％且所述目标网络设备磁盘空间小于10％时，确定所述目标网络设备出现故障；
当所述目标网络设备CPU利用率大于80％且所述目标网络设备网络流量大于100Mbps且所述目标网络设备硬件温度大于80℃，确定所述目标网络设备出现故障；
当目标网络设备CPU利用率大于80％且目标网络设备网络流量大于100Mbps且所述目标网络设备内存利用率大于90％，确定所述目标网络设备出现故障。
6.根据权利要求1所述的一种网络故障自动化修复方法，其特征在于，所述网络管理系统连接到所述目标网络设备，并通过命令对所述目标网络设备进行修复，包括：
将所述网络管理系统通过SSH或Telnet协议与所述目标网络设备建立连接；
在所述网络管理系统获取登录所述目标网络设备的权限后，发送命令到所述目标网络设备，通过命令对所述目标网络设备进行网络修复。
7.根据权利要求6所述的一种网络故障自动化修复方法，其特征在于，还包括：
基于所述网络管理系统监控所述修复命令的执行过程，并记录修复过程的日志信息和所述目标网络设备的状态信息。
8.一种网络故障自动化修复装置，其特征在于，包括：
数据采集模块，用于采集网络设备的数据；
网络故障分类决策树模型获取模块，用于对所述网络设备的数据进行清洗和数据转化得到第一数据，将所述第一数据输入到预设的决策树模型得到网络故障分类决策树模型；
PRC规则库获取模块，用于从所述网络故障分类决策树模型中提取规则得到PRC规则库；
故障判断模块，用于获取目标网络设备的数据，并将目标网络设备的数据输入到网络故障分类决策树模型中，根据所述PRC规则库确定目标网络设备是否出现故障；
故障修复模块，用于在确定所述目标网络设备存在故障时，网络管理系统连接到所述目标网络设备，并发送命令到所述目标网络设备，通过命令对所述目标网络设备进行修复。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任意一项所述的一种网络故障自动化修复方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的一种网络故障自动化修复方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311535262.3A CN117749603A (zh) | 2023-11-15 | 2023-11-15 | 一种网络故障自动化修复方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311535262.3A CN117749603A (zh) | 2023-11-15 | 2023-11-15 | 一种网络故障自动化修复方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117749603A true CN117749603A (zh) | 2024-03-22 |
Family
ID=90280142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311535262.3A Pending CN117749603A (zh) | 2023-11-15 | 2023-11-15 | 一种网络故障自动化修复方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117749603A (zh) |
-
2023
- 2023-11-15 CN CN202311535262.3A patent/CN117749603A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200295942A1 (en) | Computer-implemented systems and methods for linking a blockchain to a set of digital twins | |
| US9569325B2 (en) | Method and system for automated test and result comparison | |
| US20230129123A1 (en) | Monitoring and Management System for Automatically Generating an Issue Prediction for a Trouble Ticket | |
| EP3567496A1 (en) | Systems and methods for indexing and searching | |
| CN110088744B (zh) | 一种数据库维护方法及其系统 | |
| CN111709527A (zh) | 运维知识图谱库的建立方法、装置、设备及存储介质 | |
| CN113535677B (zh) | 数据分析查询管理方法、装置、计算机设备及存储介质 | |
| US11897527B2 (en) | Automated positive train control event data extraction and analysis engine and method therefor | |
| CN111737227A (zh) | 数据修改方法及系统 | |
| CN110063042A (zh) | 一种数据库故障的响应方法及其终端 | |
| CN111586022A (zh) | 防火墙开墙验证方法、电子装置、计算机设备及存储介质 | |
| CN113836237A (zh) | 对数据库的数据操作进行审计的方法及装置 | |
| US10754748B2 (en) | System and method for constructing extensible event log with javascript object notation (JSON) encoded payload data | |
| CN111628924B (zh) | 电子邮件的发送方法、系统、存储介质以及电子设备 | |
| US20180069774A1 (en) | Monitoring and reporting transmission and completeness of data upload from a source location to a destination location | |
| CN112256532A (zh) | 测试界面生成方法、装置、计算机设备及可读存储介质 | |
| CN117194382A (zh) | 中台数据处理方法、装置、电子设备及存储介质 | |
| US11838171B2 (en) | Proactive network application problem log analyzer | |
| US20230261877A1 (en) | Blockchain-based collaborative maintenance platform | |
| CN117749603A (zh) | 一种网络故障自动化修复方法、装置、电子设备及介质 | |
| CN113449035B (zh) | 数据同步方法、装置、计算机设备及可读存储介质 | |
| da Silva Rocha et al. | Aggregating data center measurements for availability analysis | |
| CN115484150B (zh) | 告警信息的处理方法、系统、设备及存储介质 | |
| CN116389315A (zh) | 接口监控方法、装置、计算机设备及存储介质 | |
| JP2023072547A (ja) | 状態分析装置、及び状態推定方法 |
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 |