基于卷积神经网络的网络故障诊断方法及装置制造方法及图纸

本公开提供了一种基于卷积神经网络的网络故障诊断方法，包括：收集网络节点参数信息，利用PCA降维对所述参数信息进行筛选，得到特征信息；将所述特征信息输入多层次卷积神经网络，进行特征提取，得到多层次特征；将所述多层次特征输入全连接层分类神经网络进行故障诊断，根据全连接网络的输出确定故障类别，以便根据所述故障类型确定故障原因。本公开能够在降低计算时间的基础上提高模型分辨故障的能力。

【技术实现步骤摘要】
基于卷积神经网络的网络故障诊断方法及装置
本公开涉及人工智能领域，尤其涉及一种基于卷积神经网络的网络故障诊断方法及装置。
技术介绍
最近几年，随着信息技术的快速发展，尤其是5G等新兴产业的快速发展，为我们的生活带来了极大的方便。人们足不出户就可以在家欣赏到高清视频直播(4K，8K)、远程无线视频通话等。同时，通信技术的进步也使得自动驾驶、高性能计算等需要依靠极强的信息传输能力的行业蓬勃发展。但是，在复杂的有线、无线网络背景下，迫切需要一种能够自动进行网络故障检测的系统来避免人力的大量浪费。该故障检测系统最主要的功能就是根据观察网络症状来识别有故障的小区，故障诊断就是对故障的原因或类别进行识别。与计算机网络中的故障定位相比，由于多个无线网络的覆盖共存和无线信道的广播特性，无线网络中的故障定位也变得更加复杂。在网络故障的检测和定位方面，有的研究人员针对分布式故障检测系统中存在的负载过大问题提出了具有自适应探测间隔的故障检测模型。有的研究人员提出了基于改进的动态贝叶斯网络推理算法来降低计算的复杂度，解决大规模网络故障诊断的时间过长问题。...

【技术保护点】
1.一种基于卷积神经网络的网络故障诊断方法，包括：/n收集发生故障的网络的节点参数信息，利用PCA降维对所述参数信息进行筛选，得到特征信息；/n将所述特征信息输入多层次卷积神经网络，进行特征提取，得到多层次特征；以及/n将所述多层次特征输入全连接层分类神经网络进行故障诊断，根据全连接网络的输出确定故障类别，以便根据所述故障类型确定故障原因。/n

【技术特征摘要】
1.一种基于卷积神经网络的网络故障诊断方法，包括：
收集发生故障的网络的节点参数信息，利用PCA降维对所述参数信息进行筛选，得到特征信息；
将所述特征信息输入多层次卷积神经网络，进行特征提取，得到多层次特征；以及
将所述多层次特征输入全连接层分类神经网络进行故障诊断，根据全连接网络的输出确定故障类别，以便根据所述故障类型确定故障原因。


2.根据权利要求1所述的网络故障诊断方法，其中，所述多层次卷积神经网络包括多个叠加的卷积层模块，所述进行特征提取，得到多层次特征包括：
对不同卷积层模块输出的卷积特征进行提取，以及
将提取出的所述卷积特征进行综合输出，得到多层次特征。


3.根据权利要求2所述的网络故障诊断方法，其中，所述对不同卷积层模块输出的卷积特征进行提取，以及将提取出的所述卷积特征进行综合输出，得到多层次特征包括：
将所述不同卷积层模块输出的卷积特征分别输入最大池化层，提取高级特征；
将所述高级特征分别输入不同的全连网络，通过所述全连接网络分别对不同层的高级特征进行展开，每一个卷积模块的高级特征被展开为1*N的维度作为输出特征，其中，N为全连接网络的输出维度；以及
通过相加求和对全连接神经网络的输出特征进行融合，得到多层次特征。


4.根据权利要求2所述的网络故障诊断方法，其中，每一个所述卷积层模块均包括卷积层+BatchNorm层+非线性激活函数层。


5.根据权利要求1所述的网络故障诊断方法，其中，所述将所述多层次特征输入全连接层分类神经网络进行故障诊断包括：
将多层次特征输入全连接层分类神经网络，将所述多层次特征匹配至故障分类特征空间，输出故障类别，以便根据所述故障类型确定故障原因，所述故障类别确定所述故障类别包括无故障和多种故障类型。


6.根据权利要求1所述的网络故障诊断方法，其中，所述收集发生故障的网络的节点参数信息，利用PCA降维对所述参数信息进行筛选，得到特征信息包括：
通过线上的检测程序实时运行来收集节点的参数信息，构成参数信息矩阵；以...

【专利技术属性】
技术研发人员：单光存，王红宇，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11