一种基于机器学习的域内故障检测方法、终端及存储介质技术

本发明专利技术公开了一种基于机器学习的域内故障检测方法、终端及存储介质，通过根据网络拓扑中每个节点的度数以及所述每个节点在所述网络拓扑中跳数最小的路径中出现的频率，确定监测节点；获取所述监测节点的监测数据，对所述监测数据进行特征工程，得到被监测的节点和链路的流量特征变化信息；根据预设分类算法以及所述流量特征变化信息确定故障的节点。可见，本发明专利技术中在进行域内故障检测时完全不需要使用探测包进行检测，即无需受到探测包频率的影响，并且本发明专利技术不会对影响网络性能，也不会造成网络反馈延时，因此解决了现有技术中在进行域内故障检测时难以确定合适的探测包发送频率的问题。

【技术实现步骤摘要】
一种基于机器学习的域内故障检测方法、终端及存储介质
本专利技术涉及域内故障检测领域，尤其涉及的是一种基于机器学习的域内故障检测方法、终端及存储介质。
技术介绍
现行的域内故障检测方法主要基于探测包的检测。然而，基于探测包的域内故障检测方法主要面临发送探测包频率的问题，如果探测包发送频率过高，那么网络中大量的带宽用于转发探测包，而不是数据包，这对于网络性能造成了重大的影响；如果探测包发送频率过低，那么无法及时地反馈网络的实时情况。可见，现有技术中基于探测包频率来实现域内故障检测方法时会影响网络性能，且造成网络反馈延时。因此，现有技术还有待改进和发展。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于机器学习的域内故障检测方法、终端及存储介质，旨在解决现有技术中在进行域内故障检测时难以确定合适的探测包发送频率的问题。本专利技术解决问题所采用的技术方案如下：第一方面，本专利技术实施例提供一种基于机器学习的域内故障检测方法，其中，所述方法包括：根据网络拓扑中每个节点的本文档来自技高网...

【技术保护点】
1.一种基于机器学习的域内故障检测方法，其特征在于，所述方法包括：/n根据网络拓扑中每个节点的度数以及所述每个节点在所述网络拓扑中跳数最小的路径中出现的频率，确定监测节点；/n获取所述监测节点的监测数据，对所述监测数据进行特征工程，得到被监测的节点和链路的流量特征变化信息；/n根据预设分类算法以及所述流量特征变化信息确定故障的节点。/n

【技术特征摘要】
1.一种基于机器学习的域内故障检测方法，其特征在于，所述方法包括：
根据网络拓扑中每个节点的度数以及所述每个节点在所述网络拓扑中跳数最小的路径中出现的频率，确定监测节点；
获取所述监测节点的监测数据，对所述监测数据进行特征工程，得到被监测的节点和链路的流量特征变化信息；
根据预设分类算法以及所述流量特征变化信息确定故障的节点。


2.根据权利要求1所述的一种基于机器学习的域内故障检测方法，其特征在于，所述根据网络拓扑中每个节点的度数以及所述每个节点在所述网络拓扑中跳数最小的路径中出现的频率，确定监测节点包括：
获取网络拓扑中每个节点的度数以及所述每个节点在所述网络拓扑中跳数最小的路径中出现的频率；
将所述度数最大的节点作为监测节点以及将所述频率最大的节点作为监测节点。


3.根据权利要求1所述的一种基于机器学习的域内故障检测方法，其特征在于，所述获取所述监测节点的监测数据，对所述监测数据进行特征工程，得到被监测的节点和链路的流量特征变化信息包括：
获取所述监测节点的监测数据；
建立连续的采样窗口；
根据所述采样窗口以及所述监测数据，对被监测的节点和链路进行特征工程，得到被监测的节点和链路的流量特征变化信息。


4.根据权利要求3所述的一种基于机器学习的域内故障检测方法，其特征在于，所述根据所述采样窗口以及所述监测数据，对被监测的节点和链路进行特征工程，得到被监测的节点和链路的流量特征变化信息包括：
根据所述监测数据和所述采样窗口，获取被监测的节点和链路在每一个采样窗口内的流量特征数据；
对所有采样窗口内的流量特征数据按时间顺序进行分析和整合，得到所述流量特征数据的变化数据，将所述变化数据作为所述被监测的节点和链路的流量特征变化信息。


5.根据权利要求4所述的一种基于机器学习的域内故障检测方法，其特征在于，所述被监测的节点和链路的流量特征数据包括：
以预设地址为源地址的数据包的数量信息；
以预设地址为目的地址的数据包的数量信息；
数据包的数量信息；
起始窗口变量信息；
本级窗口的以预设地址为源地址的数据包的数量信息与上级窗口的以预设地址为源地址的数据包的数量信息的第一比值信息；
本级窗口的以预设地址为目的地址的数据包的数量信息与上级窗口的以预设地址为目的地址的数...

【专利技术属性】
技术研发人员：李清，叶连金，江勇，成剑，王向荣，
申请(专利权)人：鹏城实验室，清华大学深圳国际研究生院，南方科技大学，
类型：发明
国别省市：广东;44