一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法技术

本发明专利技术属于故障检测领域，特别涉及一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，包括构建GRU

【技术实现步骤摘要】
一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法


[0001]本专利技术属于故障检测领域，特别涉及一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法。

技术介绍

[0002]在SDN网络中，传统的网络结构被分为可编程的数据平面和逻辑集中的控制平面，而不是将两者集成在同一个可配置的黑盒子中。SDN将大部分网络控制逻辑(由软件编程指定)放到控制平面，并简化了数据平面，它仅执行由控制平面所安装的转发策略。因此，SDN中控制器变得越发的重要，它是整个网络正常运行的核心组件。SDN控制器的检测的速度和精度直接影响着网络的可靠性，而传统网络中的故障检测方法并未考虑到SDN中的新特性，没有很好的适用性。网络故障具有一定的传播性质，一个故障可能是因另一个故障的发生而引起的。同时，又可能引起其它故障的形成。因此，针对SDN中的控制器故障检测技术的研究是十分有必要的。
[0003]随着故障检测技术成为一大研究热点，很多研究人员开始使用机器学习来攻克故障检测领域的难题，取得了很多实验成果。传统机器学习算法根据训练样本集是否有标签可分为三类：有监督学习(Supervised Learning)、半监督学习(Semi
‑
Supervised Learning)和无监督学习(Unsupervised Learning)。有监督学习的训练样本集都有标签，半监督学习的训练样本集则是部分有标签，而无监督学习的训练样本集则都没有标签。与半监督学习和无监督学习相比，有监督学习虽然学习性能最佳，但却需要足够多的标记样本数据导致成本较高。而半监督学习仅需要小部分标记样本数据，便可结合大量未标记训练样本数据进行学习。另外有监督学习通过分别训练，在不同的数据集都可以获得较好的效果，但并不具有良好的泛化性。
[0004]针对故障检测中对无标签数据的泛化能力，传统的机器学习方法明显存在不足，即普遍依赖一条基本假设，那就是数据的生成机制不随环境而改变。因为场景发生变化时，采集到的数据统计特征也会随之改变，原来场景中学习到的模型去解决新场景中的同一问题将影响学习效果。而迁移学习打破了训练数据与测试数据同分布的假设，因此测试数据(目标领域)可以借助不同概率分布的训练数据(源领域)进行知识迁移，从而提高测试数据的学习性能。

技术实现思路

[0005]为了使得属于相同类的实例距对应类中心更近，增强类的可分性，本专利技术提出一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，具体包括以下步骤：
[0006]构建GRU
‑
VAE模型，并将源领域数据作为训练数据对GRU
‑
VAE模型进行训练，将训练获取的领域知识进行知识迁移形成检测器；
[0007]将待检测的数据作为目标领域数据，并将源领域数据和目标领域数据中的特征变
换到Grassmann流形空间中；
[0008]将变换到Grassmann流形空间中特征基于多核MMD的动态分布进行对齐，计算对齐后源领域数据和目标领域数据的边缘分布差异；
[0009]若边缘分布差异大于设定阈值，则更新平衡因子后输入检测器，否则平衡因子置为1后输入检测器；
[0010]检测器对数据进行检测，并判断检测结构是否收敛，若收敛则输出检测结果；否则返回重新计算源领域数据和目标领域数据的边缘分布差异。
[0011]进一步的，GRU
‑
VAE模型包括优化的GRU编码器以及优化的GRU解码器，GRU
‑
VAE模型的训练过程包括：
[0012]从生成的多个潜在变量z中选择i个数据输入优化的GRU解码器进行重构，获取重构数据；
[0013]根据目标函数计算重构数据的值是否大于等于1，若大于则计算源领域数据的重构概率，否则重新选择潜在数据通过优化的GRU解码器进行重构；
[0014]判断i是否小于等于潜在变量的分布N，若小于则返回根据损失函数进行反向传播优化的GRU编码器，否则结束训练。
[0015]进一步的，目标函数表示为：
[0016][0017]其中，表示高斯混合模型之间的KL散度，即目标函数；为后验概率；p
θ
(z
T
)为先验概率；K是高斯混合模型的个数；π
i
是高斯混合模型的系数，z是潜在变量，和是高斯密度函数的均值向量和协方差矩阵；N()表示求高斯密度，N
′
()表示求标准高斯分布；I表示单位矩阵。
[0018]进一步的，根据损失函数进行反向传播优化的GRU编码器，即使用反向传播算法对GRU编码器以及优化的GRU解码器的网络参数进行迭代更新，包括：
[0019][0020][0021]其中，s
t
为损失函数梯度的一阶矩阵，r
t
为损失函数梯度的二阶矩阵；θ为迭代参数，ε为学习率，表示损失函数梯度的一阶距估计的偏置矫正，表示损失函数梯度的二阶距估计的偏置矫正，σ为平滑项；α1和α2为衰减系数；f(θ
t
‑1)为网络的损失函数，本专利技术中该损失函数为关于噪声的函数，即关于参数的θ的随机标量函数。
[0022]进一步的，将特征变换到Grassmann流形空间中包括：
[0023][0024]其中，z表示变换到Grassmann流形空间中的特征；G为半正定矩阵，通过变换到
Distribution Alignment)方法可以应用在故障检测中，减少域之间的数据漂移问题；同时，考虑到源域与目标域的差异，本专利技术将引入源域类内散度约束核目标域类内散度约束，使得属于相同类的实例距对应类中心更近，增强类的可分性，以此提高迁移的性能。
附图说明
[0036]图1为本专利技术一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法流程图；
[0037]图2为本专利技术采用的GRU结构示意图；
[0038]图3为本专利技术基于基于标准化流的高斯混合VAE
‑
GRU模型示意图；
[0039]图4为本专利技术实施例中离线建模阶段工作流程图；
[0040]图5为本专利技术实施例中在线监测阶段工作流程图。
具体实施方式
[0041]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0042]本专利技术提出一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，具体包括以下步骤：
[0043]构建GRU
‑
VAE模型，并将源领域数据作为训练数据对GRU
‑
VAE模型进行训练，将训练获取的领域知识进行知识迁移形成检测器；
[0044]将待检测的数据作为目标领域数据，并将源领域数据和目标领域数据中的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，其特征在于，包括以下步骤：构建GRU
‑
VAE模型，并将源领域数据作为训练数据对GRU
‑
VAE模型进行训练，将训练获取的领域知识进行知识迁移形成检测器；将待检测的数据作为目标领域数据，并将源领域数据和目标领域数据中的特征变换到Grassmann流形空间中；将变换到Grassmann流形空间中特征基于多核MMD的动态分布进行对齐，计算对齐后源领域数据和目标领域数据的边缘分布差异；若边缘分布差异大于设定阈值，则更新平衡因子后输入检测器，否则平衡因子置为1后输入检测器；检测器对数据进行检测，并判断检测结果是否收敛，若收敛则输出检测结果；否则返回重新计算源领域数据和目标领域数据的边缘分布差异。2.根据权利要求1所述的一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，其特征在于，GRU
‑
VAE模型包括优化的GRU编码器以及优化的GRU解码器，GRU
‑
VAE模型的训练过程包括：将源领域数据输入优化的GRU编码器获取输入数据的低维表示，生成多个潜在变量z；从生成的多个潜在变量z中选择i个数据输入优化的GRU解码器进行重构，获取重构数据；根据目标函数计算重构数据的值是否大于等于1，若大于则计算源领域数据的重构概率，否则重新选择潜在数据通过优化的GRU解码器进行重构；判断i是否小于等于潜在变量的分布N，若小于则返回根据损失函数进行反向传播优化的GRU编码器，否则结束训练。3.根据权利要求2所述的一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，其特征在于，目标函数表示为：其中，表示高斯混合模型之间的KL散度，即目标函数；为后验概率；p
θ
(z
T
)为先验概率；K是高斯混合模型中高斯模型的个数；π
i
是高斯混合模型的系数，z是潜在变量，和是高斯密度函数的均值向量和协方差矩阵；N()表示求高斯密度，N
′
()表示求标准高斯分布；I表示单位矩阵。4.根据权利要求1所述的一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，其特征在于，根据损失函数进行反向传播优化的GRU编码器，即使用反向传播算法对GRU编码器以及优化的GRU解码器的网络参数进行迭代更新，使用反向传播算法时利用损失函数的梯度的一阶矩阵和二阶矩阵进行方向传播，损失函数的梯度的一阶矩阵和二阶矩阵表示为：
其中，s
t
为损失函数梯度的一阶矩阵，r
t
为损失函数梯度的二阶矩阵；θ为迭代参数，ε为学习率，表示损失函数梯度的一阶距估计的偏置矫正，表示损失函数梯度的二阶距估计的偏置矫正，σ为平滑项；α1和α2为衰减系数；f(θ
t
‑1)为网络的损失函数。5.根据权利要求1所述的一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，其特征在于，将特征变换到Grassmann流形空间中包括：其中，z表示变换到Grassmann流形空间中的特征；G为半正定矩阵，通过变换到Grassmann流形空间中的任意两个特征之间的内积定义一个半正定的测地线流式核，即通过矩阵奇异值分解求取半正定矩阵G，z
i...

【专利技术属性】
技术研发人员：尚凤军，孙凤印，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：