一种基于分布式的网络切片故障检测方法技术

本发明专利技术涉及一种基于分布式的网络切片故障检测方法，属于移动通信技术领域。该方法包括：S1：构建基于联邦学习的网络切片故障检测架构；S2：建立基于CNN‑GRU网络的无监督故障检测方法；S3：在联邦学习参数上传时，采用top‑k梯度压缩机制进行模型压缩；S4：采用适用联邦学习的自适应优化器进行全局模型聚合。本发明专利技术能够在保障故障检测模型准确性的同时，减少通信开销，提高模型泛化效果。

【技术实现步骤摘要】
一种基于分布式的网络切片故障检测方法
本专利技术属于移动通信
，涉及一种基于分布式的网络切片故障检测方法。
技术介绍
网络切片是解决网络僵化、服务定制化和资源高效利用的有效解决方案。但网络切片架构给5G网络带来极大灵活性的同时，也为网络的运维提出了新的要求。随着用户流量的指数级增长和网络结构的日益复杂，目前基于人工的网络运维方式不仅效率低下且成本高昂。为了减少运维支出，提高运维效率，5G网络引入了自组织网络(Self-organizingnetwork,SON)技术，即利用自配置、自优化、自愈合这三个关键功能，实现网络的自我管理。其中，故障检测作为网络性能分析的主体，是实现自愈合措施的首要前提。随着网络的发展，用户以及多样化的业务需求的不断增长，使得VNFs的功能和类型不断增加，导致网络切片越加复杂变化，发生故障的概率以及检测故障的难度大大增加。因此，针对网络切片的故障检测也愈加重要。目前，现有的技术中存在着如下的缺点：首先，随着网络规模的不断扩大，连接的设备和数据量呈爆炸式增长，各类业务需求的增加，将导致切片数量也将随之本文档来自技高网...

【技术保护点】
1.一种基于分布式的网络切片故障检测方法，其特征在于，该方法具体包括以下步骤：/nS1：构建基于联邦学习的网络切片故障检测架构；/nS2：建立基于CNN-GRU网络的无监督故障检测方法；/nS3：在联邦学习参数上传时，采用top-k梯度压缩机制进行模型压缩；/nS4：采用适用联邦学习的自适应优化器进行全局模型聚合。/n

【技术特征摘要】
1.一种基于分布式的网络切片故障检测方法，其特征在于，该方法具体包括以下步骤：
S1：构建基于联邦学习的网络切片故障检测架构；
S2：建立基于CNN-GRU网络的无监督故障检测方法；
S3：在联邦学习参数上传时，采用top-k梯度压缩机制进行模型压缩；
S4：采用适用联邦学习的自适应优化器进行全局模型聚合。


2.根据权利要求1所述的网络切片故障检测方法，其特征在于，步骤S1中，构建的基于联邦学习的网络切片故障检测架构，具体包括：
本地训练客户端：一条提供服务的完整服务功能链(ServiceFunctionChain,SFC)由多个虚拟网络功能(VirtualNetworkFunctions,VNFs)有序连接组成，这些组成SFC的VNFs分别部署在多个通用物理服务器上，将这些为一条SFC中的VNFs提供资源的多个物理服务器作为参与联邦学习的本地训练客户端；在各客户端处，基于各自的本地数据集分布式的运行故障检测模型CNN-GRU，并根据联邦学习更新机制上传各自的模型到全局参数聚合器；
全局参数聚合器：以网络切片管理器作为联邦学习的全局参数聚合器，聚集来自同一SFC中各VNFs在各物理节点上的分布训练的故障检测模型参数，并进行全局模型更新；
本地与全局模型参数的更新机制：采用联邦平均方法作为联邦学习框架的更新机制。


3.根据权利要求2所述的网络切片故障检测方法，其特征在于，步骤S1中，在全局参数聚合器处，从所有分布式客户端上聚合的全局损失函数定义为：



其中，Fi(w)为单个客户端上数据样本集合的损失函数，Di为第i个客户端上对VNF性能数据采集得到的本地数据集，|Di|为第i个客户端的本地数据集大小，N为物理服务器节点的数量，表示所有客户端数据集的总大小。


4.根据权利要求3所述的网络切片故障检测方法，其特征在于，步骤S2中，全部模型的聚合规则为：



其中，w(t)表示在第t轮全局聚合时期的全局聚合模型，wi(t)表示在第t轮本地训练过程中得到的本地模型参数；
在联邦学习中，模型的学习问题是找到最优的模型参数w*使得全局损失函数F(w)最小，即：


5.根据权利要求1所述的网络切片故障检测方法，其特征在于，步骤S2中，建立基于CNN-GRU网络的无监督故障检测方法，具体包括以下步骤：
S21：对历史VNF的性能观测数据进行预处理，将经过预处理后的时间序列数据输入到C...

【专利技术属性】
技术研发人员：唐伦，唐浩，张亚，孙移星，曹晖，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50