一种针对复杂网络的网络故障分析方法和系统技术方案

本发明专利技术公开了一种针对复杂网络的网络故障分析方法和系统，属于网络故障分析领域。包括：根据节点的度和连接关系，将复杂网络拓扑图分解为紧密相邻的多个子网拓扑图；将每个子网拓扑图的序列化矩阵和该子网拓扑图每次故障信息结合为故障矩阵；将每个子网拓扑图的所有故障矩阵输入卷积神经网络模型进行训练，得到该子网拓扑图的故障诊断模型；将待测复杂网络拓扑进行分割，得到复杂网络拓扑的各子网拓扑，结合告警信息分别引入已训练好的多个子网拓扑图的故障诊断模型进行综合分析，得到网络故障诊断结果。本发明专利技术将复杂网络拓扑分割为多个具有特征的子网，每个子网都是同构图，保持同构性以及连接关系，实现了大面积网络覆盖网络故障分析的可行性。

【技术实现步骤摘要】
一种针对复杂网络的网络故障分析方法和系统
本专利技术属于网络故障分析领域，更具体地，涉及一种针对复杂网络的网络故障分析方法和系统。
技术介绍
通信网网络由多个路由、设备等依次相连接，将连接主体(路由、设备等)当作一个个节点，构成一个环形网，例如，电力通信网。当网络发生故障时，往往是一个或多个节点出现问题，需要对整个网络进行分析从而找到故障的节点以及故障类型。专业网管采集到网络故障告警信息数据，包含：故障类型、故障级别、告警名称、告警源、定位信息、发生时间等字段。告警信息数据具有衍生性、传播性，这对真实的故障告警判断增添了难度。随着科学技术的发展，网络规模不断扩大，网络动态性日益加剧，对网络管理带来了巨大的冲击力。现有的通信网网络故障分析难以覆盖到所有网络和设备，难以应对网络规模的日益增长，尤其是从未出现过的网络故障。此外，由于传统网络故障分析是对网络拓扑进行编号处理，一旦设备编号改变则网络的表示图也变化了，因此对于相同的拓扑结构但是不同编号的网络，系统无法智能化地进行分析。需要大量模型训练的时间，并产生了相同或相似网络的重复性训练。
技术实现思路
针对现有技术的缺陷和改进需求，本专利技术提供了一种针对复杂网络的网络故障分析方法和系统，其目的在于将复杂网络合理地、唯一地分割为多个具有特征的子网拓扑，将各子网拓扑结合其告警信息输入到卷积神经网络进行训练并得到故障模型，联合多个模型则可实现复杂网络的故障分析。为实现上述目的，按照本专利技术的一个方面，提供了一种针对复杂网络的网络故障分析方法，该方法包括以下步骤：S1.根据节点的度和连接关系，将复杂网络拓扑图分解为紧密相邻的多个子网拓扑图；S2.将每个子网拓扑图对应的序列化矩阵和该子网拓扑图每次故障信息结合为一个故障矩阵；S3.将每个子网拓扑图的所有故障矩阵输入卷积神经网络模型进行训练，得到该子网拓扑图的故障诊断模型；S4.将待测复杂网络拓扑通过步骤S1的方式进行分割，得到该复杂网络拓扑的各子网拓扑，结合告警信息分别引入已训练好的多个子网拓扑图的故障诊断模型进行综合分析，得到网络故障诊断结果。优选地，步骤S1包括以下子步骤：S11.遍历复杂通信网络中所有节点，根据网络节点在网络中的重要程度，对所有网络节点进行降序排序；S12.选取排序后序列化顺序中的第一个节点，取ω个邻居节点构成序列化链表，对依据度最大节点的ω个邻居节点按照重要程度降序排列，将其转换成长度为(ω+1)的序列，ω≥排序后序列化顺序中的第一个节点的一阶邻居数量；S13.针对序列化链表中的每个顺序节点，取k个邻居节点按照重要程度进行降序排序，得到包含节点ID、大小为(ω+1)*(k+1)的代表一个中心结构的序列化矩阵，k≥排序后序列化顺序中的第一个节点的一阶邻居数量；S14.去除序列化矩阵中的所有节点，重复遍历网络中剩余节点直至所有节点为空，若剩余节点的最大的度大于α，则进入步骤S12，继续进行序列化矩阵构造操作；若剩余节点的最大的度小于等于α，则舍弃剩余节点。优选地，所述重要程度是指网络节点的度和节点之间的最短路径长度。优选地，所述序列化矩阵的第一个节点是根据各阶邻居数目得到度最大的节点，第一列是度最大的节点和其相邻的邻居节点，每一行都是行头和其相邻的邻居节点；排列的顺序都依照节点各阶邻居数目排序，若没有排满，则用0填充。优选地，步骤S2包括以下步骤：S21.将所有序列化矩阵生成的子网拓扑图，并获取各子网络拓扑图的告警信息；S22.每个子网络拓扑图的告警信息结合序列化矩阵，定义故障矩阵。优选地，所述故障信息为告警故障信息、节点名称和故障时间。优选地，将一段时间内，筛选出来的节点名称和故障信息，转换为节点对应的告警编码；将序列化矩阵内各站点的值用其对应的告警编码替代，无告警信息的填充为0，获得表征子网各站点故障状态的矩阵。为实现上述目的，按照本专利技术的另一个方面，提供了一种针对复杂网络的网络故障分析系统，所述系统采用如第一方面所述的针对复杂网络的网络故障分析方法。总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：(1)本专利技术根据节点的度和连接关系，将复杂网络拓扑进行合理的序列化分割为多个具有特征的子网，每个子网都是同构图，保持了同构性质(依据拓扑形成的序列不随节点名称的变化而改变)以及连接关系(利于神经网络的特征挖掘)，提取具有特征的子网拓扑，由于特征子网较小，有利于告警信息数据的获取以及神经网络的训练，从而对子网进行分析，实现了大面积网络覆盖网络故障分析的可行性。(2)本专利技术将大型网络拓扑分割后的序列化矩阵和告警信息结合起来，充分利用了各子网的特性，使得系统对故障分析具有很强的扩展性和适应性，可以解决目前基于机器学习的网络故障分析技术中存在的网络拓扑表征不具有唯一性、网络拓扑训练模型不具有普适性的问题，能够实现复杂网络拓扑的网络故障分析。(3)本专利技术通过神经网络系统的训练，可以提高故障判断的时间和准确性，同时结合了大型网络拓扑合理的序列化分割，增强了对于动态网络的适应性，保留了重要的子网特征，避免了重复性的网络模型参数训练工作，可以节省大量训练成本和时间。附图说明图1为本专利技术实施例提供的复杂网络网络拓扑示意图；图2为本专利技术实施例提供的序列化矩阵示意图；图3为本专利技术实施例提供的特征子网拓扑图示意图；图4为本专利技术实施例提供的从告警信息筛选出的字段示意图；图5为本专利技术实施例提供的故障信息的对应编码示意图；图6为本专利技术实施例提供的告警编码示意图；图7为本专利技术实施例提供的点故障状态的矩阵示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本专利技术提供了一种针对复杂网络的网络故障分析方法，该方法包括以下步骤：步骤S1.根据节点的度和连接关系，将复杂网络拓扑图分解为紧密相邻的多个子网拓扑图。通信网络由多个路由、设备等依次相连接构成一个环形网。本专利技术将连接主体(路由、设备等)简化为节点，两个节点是否相互连接确定边，形成有向网络拓扑图。本专利技术中，“复杂网络”是指节点数量较多的网络，例如，节点数≥20。复杂的网络拓扑由多个路由、设备相互连接，由于故障告警信息的衍生性和传播性，故障诊断的规则具有一定的原理。因此发生故障时与之相关联的设备、数据都有一定的信息量。通过对复杂网络进行智能化分析，合理分割为多个紧密联系的特征子网，由于特征子网较小，有利于告警信息数据的获取以及神经网络的训练。采用本专利技术设计的分割方法，能够将复杂网络唯一地分割为多个紧密相邻的子网拓扑图。步骤S2.将每个子网拓扑图对应的序列化矩阵和该子网拓扑图本文档来自技高网...

【技术保护点】
1.一种针对复杂网络的网络故障分析方法，其特征在于，该方法包括以下步骤：/nS1.根据节点的度和连接关系，将复杂网络拓扑图分解为紧密相邻的多个子网拓扑图；/nS2.将每个子网拓扑图对应的序列化矩阵和该子网拓扑图每次故障信息结合为一个故障矩阵；/nS3.将每个子网拓扑图的所有故障矩阵输入卷积神经网络模型进行训练，得到该子网拓扑图的故障诊断模型；/nS4.将待测复杂网络拓扑通过步骤S1的方式进行分割，得到该复杂网络拓扑的各子网拓扑，结合告警信息分别引入已训练好的多个子网拓扑图的故障诊断模型进行综合分析，得到网络故障诊断结果。/n

【技术特征摘要】
1.一种针对复杂网络的网络故障分析方法，其特征在于，该方法包括以下步骤：
S1.根据节点的度和连接关系，将复杂网络拓扑图分解为紧密相邻的多个子网拓扑图；
S2.将每个子网拓扑图对应的序列化矩阵和该子网拓扑图每次故障信息结合为一个故障矩阵；
S3.将每个子网拓扑图的所有故障矩阵输入卷积神经网络模型进行训练，得到该子网拓扑图的故障诊断模型；
S4.将待测复杂网络拓扑通过步骤S1的方式进行分割，得到该复杂网络拓扑的各子网拓扑，结合告警信息分别引入已训练好的多个子网拓扑图的故障诊断模型进行综合分析，得到网络故障诊断结果。


2.如权利要求1所述的方法，其特征在于，步骤S1包括以下子步骤：
S11.遍历复杂通信网络中所有节点，根据网络节点在网络中的重要程度，对所有网络节点进行降序排序；
S12.选取排序后序列化顺序中的第一个节点，取ω个邻居节点构成序列化链表，对依据度最大节点的ω个邻居节点按照重要程度降序排列，将其转换成长度为(ω+1)的序列，ω≥排序后序列化顺序中的第一个节点的一阶邻居数量；
S13.针对序列化链表中的每个顺序节点，取k个邻居节点按照重要程度进行降序排序，得到包含节点ID、大小为(ω+1)*(k+1)的代表一个中心结构的序列化矩阵，k≥排序后序列化顺序中的第一个节点的一阶邻居数量；
S14.去除序列化矩阵中的所有节点，重复遍历网络中剩余节点直至所有节点...

【专利技术属性】
技术研发人员：戴彬，伍仲丽，莫益军，曹园园，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42