使用基于早期学习机器的故障预测来触发重新路由的方法和装置制造方法及图纸

收集并分析网络度量。通过使用机器学习基于经收集并分析的网络度量来预测是否很可能发生网络元件故障。响应于预测到很可能发生网络元件故障，网络中的流量被重新路由以便避免网络元件故障。该应用被应用于低功率有损网络(LLN)。

【技术实现步骤摘要】
【国外来华专利技术】相关申请本申请要求由Vasseur等人于2014年1月6日递交的、题为“基于学习机器的预测性和主动性计算机联网和关联的监控(LEARNING-MACHINE-BASED PREDICTIVE AND PROACTIVE COMPUTERNETWORKING AND ASSOCIATED MONITORING)”、美国临时专利申请号为61/923,910，以及由Vasseur等人于2014年1月27日递交的、题为“使用基于早期学习机器的故障预测来触发重新路由(TRIGGERINGREROUTES USING EARLY LEARNING MACHINE-BASED PREDICTIONOF FAILURES)”、美国临时专利申请号为14/164,567的优先权的权益，其全部内容通过引用被结合于此。
本公开一般地涉及计算机网络，更具体地涉及计算机网络内使用学习机器。
技术介绍
低功率有损网络(LLN)(例如，物联网(IoT)网络)具有大量的应用(例如，传感器网络、智能电网和智能城市)。LLN面临各种挑战，例如有损链路、低带宽、低质量收发机、电池操作、低存储和/或处理能力等。大量的节点(大于“传统”IP网络的数量级)恶化了这些网络的具有挑战性的属性，因此很少提及路由、服务质量(QoS)、安全性、网络安排和极具挑战的流量工程。机器学习(ML)涉及算法的开发和设计，这些算法将经验数据(例如，网络统计和性能指标)作为输入，并且识别这些数据中的复杂模式。然后通常使用这些模式来自动做出决定(即，闭环控制)或帮助做出决
定。ML是用来处理非常难的问题(例如，计算机视觉、机器人学、数据挖掘、搜索引擎等)的非常宽泛的规则，但是最常见的任务为以下各项：线性和非线性回归、分类、聚集、降维、异常检测、最优化、关联规则学习。ML算法中的一个非常常见的模式是使用下层模型M，该下层模型M的参数被优化，用于将与给定输入数据的M相关联的成本函数最小化。例如，在分类的情境下，模型M可以是将数据分成两类的直线，以使得M＝a*x+b*y+c并且成本函数将是误分类点的数量。ML算法然后包括调整参数a、b、c，以使得误分类点的数量最小。在该优化阶段(或学习阶段)之后，模型M可以被非常容易地用来对新的数据点进行分类。M通常是统计模型，并且成本函数与给定输入数据的M的似然成反比。学习机器(LM)是依赖于一个或多个ML算法的计算实体，该ML算法用于执行这些计算实体还未被准确编程以执行的任务。特别地，LM能够根据其环境来调整其行为。在LLN的情境下，更普遍地在IoT(或万联网，IoE)的情境下，由于网络将面临变化的条件和需求，并且网络将变得太大以至于网络操作者不能有效地进行管理，因此这种能力将非常重要。到目前为止，尽管LLN整体水平比较复杂，但在(基于已知算法的)“经典”方法是无效率的情况下，或者当数据量多至人们无法处理来预测考虑一定数量的参数的网络行为时，LM还未普遍用于LLN中。附图说明通过参照以下结合附图的描述可以更好地理解本文的实施例，其中相似的参考标号指示相同的或功能类似的元件，其中：图1示出了示例通信网络；图2示出了示例网络设备/节点；图3示出了图1的通信网络中的示例有向无环图(DAG)；图4示出了示例贝叶斯(Bayesian)网络；图5示出了针对线性回归的示例Bayesian网络；图6示出了用以使用基于早期LM的故障预测来触发重新路由的方法的示例；以及图7示出了用于使用基于早期学习机器的故障预测来触发重新路由的示例简化过程。具体实施方式概述根据本公开的一个或多个实施例，在具有由通信链路互连的节点的网络中，收集并分析网络度量。然后，基于经收集并分析的网络度量来预测是否很可能发生网络元件故障。响应于预测很可能发生网络元件故障，主动地对网络中的流量重新进行路由，以便在可能发生网络元件故障之前避免这种情况。说明计算机网络是由通信链路互连的节点和用于在末端节点(例如，个人计算机和工作站，或者诸如传感器等之类的其他设备)之间传输数据的区段的地理分布式集合。许多类型的网络是可用的，其网络类型的范围从局域网(LAN)到广域网(WAN)。LAN通常通过专用的私有通信链路来连接位于相同的一般物理位置(例如，建筑或校园)中的节点。另一方面，WAN通常通过长距离通信链路(例如，公用载波电话线、光学光路、同步光学网络(SONET)、同步数字体系(SDH)链路或电力线通信(PLC)(例如，IEEE 61334、IEEE P1901.2及其他))来连接地理上分散的节点。此外，移动自适应(Ad-Hoc)网络(MANET)是一种无线自适应网络，其通常被认为是由无线链路连接的移动路由器(和相关联的主机)的自配置的网络，其联合形成了任意拓扑。特别地，智能对象网络(例如，传感器网络)是特定类型的、具有空间分布式的自主设备(例如，传感器、致动器等)的网络，这些空间分布式的自主设备以合作的方式监控不同位置处的物理或环境条件(例如，能量/功率消耗、资源消耗(例如，用于高级计量基础设施或“AMI”应用的水/气等)、温度、压力、振动、声音、辐射、运动、污染等)。其他类型
的智能对象包括，例如负责打开/关断引擎或者执行任意其他动作的致动器。传感器网络(一种类型的智能对象网络)通常是共享介质网络(例如，无线网络或PLC网络)。就是说，除了一个或多个传感器之外，传感器网络中的每一传感器设备(节点)一般地可以被装备有无线电收发机或者其他通信端口(例如，PLC、微控制器和能源(比如，电池))。智能对象网络经常被认为是场域网(FAN)、邻域网(NAN)、个人局域网(PAN)等。一般地，智能对象节点(例如，传感器)的大小和成本约束导致相应的资源(例如，能量、存储器、计算速度和带宽)的约束。图1是示例计算机网络100的示意框图，该示例计算机网络100示意性地包括由各种通信方法互连的节点/设备110(例如，如所示出的标记为“根”、“11”、“12”、…、“45”，以及如下面图2中所描述的)。例如，链路105可以是有线链路或者共享介质(例如，无线链路、PLC链路等)，其中某些节点110(例如，路由器、传感器、计算机等)可以例如基于距离、信号强度、当前操作状态、位置等来与其他节点110进行通信。示意性的根节点(例如，FAN的场域路由器(FAR))可以将本地网络与WAN 130互连，该示意性的根节可以容纳一个或多个其他相关设备，例如管理设备或服务器150(例如，网络管理服务器(NMS)、动态主机配置协议(DHCP)服务器、受限制的应用协议(CoAP)服务器等)。本领域技术人员将理解到，在计算机网络中可以使用任意数量的节点、设备、链路等，并且本文所示的视图是为了简单起见。此外，本领域技术人员还将理解到，尽管网络以某一方向被示出(尤其具有“根”节点)，但是网络100仅仅是示例图示，且不旨在限制本公开。数据分组140(例如，流量和/或消息)可以使用预定义的网络通信协议(例如，某些已知的有线协议、无线协议(比如，IEEE Std.802.15.4、WiFi、等)、PLC协议、或者其他适当的介质共享协议)来在计算机网络100的节点/设备之间进行交换。在该上下文中，协议本文档来自技高网...

【技术保护点】
一种方法，包括：在具有由通信链路互连的节点的网络中，收集并分析网络度量；基于经收集并分析的网络度量来预测是否可能发生网络元件故障；以及响应于预测到可能发生网络元件故障，主动式地对所述网络中的流量进行重新路由以便在可能发生所述网络元件故障之前避免这种情况。

【技术特征摘要】
【国外来华专利技术】2014.01.06 US 61/923,910;2014.01.27 US 14/164,5671.一种方法，包括：在具有由通信链路互连的节点的网络中，收集并分析网络度量；基于经收集并分析的网络度量来预测是否可能发生网络元件故障；以及响应于预测到可能发生网络元件故障，主动式地对所述网络中的流量进行重新路由以便在可能发生所述网络元件故障之前避免这种情况。2.如权利要求1所述的方法，还包括：接收关于所述网络中的节点的替换通信路径的信息；以及基于所述节点的所述替换通信路径来对所述网络中的所述流量进行重新路由。3.如权利要求1所述的方法，还包括：将指令发送至所述网络中的一个或多个节点以对每个相应的节点计算本地替换通信路径。4.如权利要求1所述的方法，其中，对流量进行重新路由是基于以下各项中的一个或多个：流量类型、替换通信路径的路径成本和网络元件故障的概率。5.如权利要求1所述的方法，还包括：计算网络元件故障的概率；以及当所计算的概率超过预定的阈值时，预测可能发生所述网络元件故障。6.如权利要求1所述的方法，其中，所述网络元件故障包括有故障的节点和有故障的通信链路中的一个或多个。7.如权利要求1所述的方法，还包括：确定所述网络的路由拓扑；以及基于所确定的路由拓扑来对所述网络中的所述流量进行重新路由。8.如权利要求1所述的方法，还包括：基于经收集并分析的网络度量以及过去预测的结果来构建预测模型，
\t其中，所述预测是否可能发生所述网络元件故障还基于所述预测模型。9.如权利要求8所述的方法，还包括：接收关于所述预测模型的准确度的反馈；以及基于所接收的反馈来改善所述预测模型，其中，所述反馈包括实际上是否发生所预测的网络元件故障，或者响应于在预定的持续时间期满时被发送至所述网络中的节点的探测的信息。10.如权利要求1所述的方法，其中，经收集并分析的网络度量是网络元件故障的指标。11.如权利要求1所述的方法，其中，经收集并分析的网络度量包括以下各项中的一个或多个：电池寿命、天气情况、交通量、通信链路质量、信号强度、节点或通信链路的位置、通信链路的距离以及传输成功率。12.如权利要求1所述的方法，其中，所述预测是否可能发生所述网络元件故障由学习机器(LM)执行。13.一种装置，包括：一个或多个网络接口，所述一个或多个网络接口与网络进行通信；处理器，所述处理器被耦合至所述一个或多个网络接口并且被配置为执行进程；以及存储器，所述存储器被配置为存储包括可由所述处理器执行的所述进程...

【专利技术属性】
技术研发人员：让菲利普·瓦瑟尔，格雷戈瑞·莫穆德，素格力·达斯古普塔，
申请(专利权)人：思科技术公司，
类型：发明
国别省市：美国;US