一种基于卷积神经网络的网络拓扑推断方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的网络拓扑推断方法与系统，通过卷积神经网络来判别三路子拓扑结构，以此信息作为输入，使用本发明专利技术中的拓扑推断算法推断网络拓扑。与多数传统的拓扑推断算法相同的是，本发明专利技术中的算法也是通过确定分支节点的位置以及连接到分支节点上的节点来构建拓扑，不同之处在于本算法输入为三路子拓扑结构信息，这种定性的数据相比传统方法中输入的相似度量那种定量数据，对误差容忍程度更高，因此具有更好的健壮性。

A Network Topology Inference Method and System Based on Convolutional Neural Network

【技术实现步骤摘要】
一种基于卷积神经网络的网络拓扑推断方法及系统
本专利技术涉及网络层析成像领域，更具体地说，涉及一种基于卷积神经网络的网络拓扑推断方法及系统。
技术介绍
基于路由器协作的外部测量技术在网络边缘发起测量过程，通过内部节点对探测数据的反馈获得待测参数。其中，比较常见的工具包括用于诊断网络连通性的ping，获取网络拓扑的traceroute，测量链路带宽、时延等性能参数的pathchar等。当内部节点因为网络安全等因素不支持协作时，这类方法将会失效。此外，这类方法大多采用ICMP(InternetControlMeasurementProtocol)报文作为探测数据，而实际网络中ICMP报文的优先级较低，因此测得的性能参数可能无法准确反映网络的实际状态。端到端测量通过在网络边缘节点之间收发数据，获得网络的端到端性能参数。这种方法只需要使用路由器的基本存储转发功能，对网络本身的依赖最小，网络层析成像技术(NetworkTomography,NT)是一种根据端到端测量数据，推断链路性能参数、拓扑结构等网络内部参数的方法。由于它能够在没有内部节点协作的情况下获得网络内部性能参数，与当今互联网非协作本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的网络拓扑推断方法，其特征在于，包括如下步骤：S1、在待推断的网络上收集三路子拓扑数据；S2、建立CNN模型；S3、格式化收集的三路子拓扑数据以训练CNN模型；S4、在待推断的网络上进行端到端测量；S5、将测量得到的端到端数据输入到训练完成后的CNN模型中进行三路子拓扑推断；S6、将CNN模型输出的三路子拓扑信息输入到拓扑推断算法中进行拓扑推断。

【技术特征摘要】
1.一种基于卷积神经网络的网络拓扑推断方法，其特征在于，包括如下步骤：S1、在待推断的网络上收集三路子拓扑数据；S2、建立CNN模型；S3、格式化收集的三路子拓扑数据以训练CNN模型；S4、在待推断的网络上进行端到端测量；S5、将测量得到的端到端数据输入到训练完成后的CNN模型中进行三路子拓扑推断；S6、将CNN模型输出的三路子拓扑信息输入到拓扑推断算法中进行拓扑推断。2.根据权利要求1所述的一种基于卷积神经网络的网络拓扑推断方法，其特征在于，步骤S1中收集数据的方法，借助简单网络管理协议和网络控制报文协议方法，收集的数据包括时延、丢包数据。3.根据权利要求1所述的一种基于卷积神经网络的网络拓扑推断方法，其特征在于，步骤S2中CNN模型包括六层，一层二维卷积层，一层二维最大池化，然后又是一层二维卷积层，一层二维最大池化层，最后两层全连接层分类，卷积层激励函数使用“relu”，第一层全连接层也使用“relu”，最后一层全连接层激励函数使用“softmax”分类；CNN模型构建参数具体包括：第一层卷积层的输入：长为3，为路径个数，宽为一个输入样本中测量得到路径时延的个数，深度为1；滤波器宽度为3，高度为3，共有32个滤波器，步长为1，填充方式为“same”；根据公式：计算卷积层输出，其中A为卷积层输出，f为激活函数，此处为“relu”，实质为函数f(x)＝max(0,x)，Xd为上层的输入，*为卷积操作，Wd为滤波器的值，wd为该层的偏置项，D为输入的深度；第二层卷积层有64个3*3的滤波器，两层最大池化层的输入为为上一卷积层的输出，填充方式为“same”，下采样大小为2*2，步幅为2*2，输出为采样中的最大值；最后两全连接层中，第一层将最后的最大池化层的输入抹平连接到1024个神经元上，最后一层为输出层，用于分类，为四个神经元，对应三路子拓扑结构的4种类型。4.根据权利要求1所述的一种基于卷积神经网络的网络拓扑推断方法，其特征在于，步骤S3中格式化收集的数据的方法具体包括：首先把三条路径构成的拓扑结构称为三路子拓扑结构，有四种类型，本质上是三条路径所形成两个分支节点的相对位置；然后，将三条路径上时延组成一个时延样本，并对应给出三条路径组成的拓扑结构，即三路子拓扑结构信息；CNN模型的输入即为此三路时延数据，输出即为对应的三路子拓扑结构信息。5.根据权利要求1所述的一种基于卷积神经网络的网络拓扑推断方法，其特征在于，步骤S3中CNN模型训练中，卷积层训练原理使用链式求导法则计算损失函数对每个权重的偏导数，然后根据梯度下降公式更新权重，采用反向传播算法，具体包括：A1、前向计算每个神经元的输出值；A2、反向计算每个神经元的误差项；A3、计算每个神经元链接权重的梯度；A4、根据梯度下降法更新每个权重；根据计算误差项，其中D为输出输入的深度或通道数，l指示所...

【专利技术属性】
技术研发人员：潘胜利，曾德泽，张宗旺，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42