SRv6融合网络的数据异常检测方法及装置制造方法及图纸

本申请提供一种SRv6融合网络的数据异常检测方法及装置，方法包括：基于数据处理范式对自SRv6融合网络中获取的目标遥测数据进行数据处理，得到综合特征键值对；并确定目标遥测数据对应的分组特征键值对；将这两个键值对输入数据异常检测多重模型，若输出的综合特征键值对所对应的流量特征预估值显示目标遥测数据为异常数据，则继续基于输出的分组特征键值确定异常数据的异常类型。本申请能够解决复杂场景中不同流量特征与不同承载协议之间的数据差异问题，实现对复杂场景的SRv6融合网络中的多维度遥测数据的处理，支持从多角度判断网络异常的类别，能够有效提高针对SRv6融合网络的数据异常检测过程的精度与检测结果的粒度。度。度。

【技术实现步骤摘要】
SRv6融合网络的数据异常检测方法及装置


[0001]本申请涉及SRv6融合网络
，尤其涉及SRv6融合网络的数据异常检测方法及装置。

技术介绍

[0002]由软件定义网络SDN架构和基于IPv6转发平面的段路由SRv6技术结合得到的SRv6融合网络，能够实现大规模网络的管理和灵活配置，但是针对复杂的网络情况，需要网络遥测技术提供更多的网络状态信息数据作为数据管控的支撑。因此，为了保证大规模复杂网络的可靠运行，需要针对SRv6融合网络进行异常检测。
[0003]目前，现有的针对SRv6融合网络的异常检测研究已有部分方案采用带内遥测数据进行检测，虽然带内遥测采集的数据能够支持全网流量状态可视化与网络状态异常检测，但大多受到应用场景与协议兼容性等因素的限制，并不具有通用性。基于带内遥测数据的异常检测方案所面临的问题主要包括：异常检测存在只针对单一特定场景的局限性问题，对于跨域网络、融合网络或部署了多种协议的网络场景，现有的异常检测方案并不支持对网络场景中的多维遥测数据进行数据处理；异常检测精度低且难以确认异常类型，面对融合网络中的复杂场景，控制平面无法保证网络异常状态感知的精度及粒度，无法有效支撑控制与调度策略。

技术实现思路

[0004]鉴于此，本申请实施例提供了SRv6融合网络的数据异常检测方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷。
[0005]本申请的一个方面提供了一种SRv6融合网络的数据异常检测方法，包括：
[0006]基于预设的数据处理范式，对当前自SRv6融合网络的业务流量中提取的目标遥测数据进行数据处理，得到该目标遥测数据对应的一维的综合特征键值对；并确定所述目标遥测数据对应的分组特征键值对；
[0007]将所述综合特征键值对和分组特征键值对输入预设的数据异常检测多重模型，若该数据异常检测多重模型输出的所述综合特征键值对所对应的流量特征预估值显示所述目标遥测数据为异常数据，则继续基于所述数据异常检测多重模型输出的所述分组特征键值对所对应的异常类型投票结果确定所述异常数据所属的异常类型。
[0008]在本申请的一些实施例中，还包括：
[0009]基于预设的数据处理范式对所述SRv6融合网络真实的各个遥测数据分别进行数据处理，得到各个所述遥测数据各自对应的综合特征键值对；并确定各个所述遥测数据对应的分组特征键值对；
[0010]根据各个所述综合特征键值对和各个所述分组特征键值对分别训练预设的机器学习模型，以得到用于进行遥测数据异常判断及数据异常类型确定的数据异常检测多重模型。
[0011]在本申请的一些实施例中，所述数据异常检测多重模型包括：基于所述SRv6融合网络真实的各个遥测数据各自应的综合特征键值对训练得到的综合预测模型，以及，基于所述SRv6融合网络真实的各个遥测数据各自应的分组特征键值对训练得到的分类模型。
[0012]在本申请的一些实施例中，所述基于预设的数据处理范式对所述SRv6融合网络真实的各个遥测数据分别进行数据处理，得到各个所述遥测数据各自对应的综合特征键值对，包括：
[0013]针对所述SRv6融合网络真实的每一个遥测数据的各维度的特征信息，采用不用的预处理方式进行处理，得到各个遥测数据各自对应的预处理后的各项数据；
[0014]对各个遥测数据各自对应的预处理后的各项数据分别进行加权计算处理，以得到降维后的各个所述遥测数据各自对应的综合特征键值对，其中，所述综合特征键值对包括：时间戳及遥测数据对应的综合特征值。
[0015]在本申请的一些实施例中，所述确定各个所述遥测数据对应的分组特征键值对，包括：
[0016]分别对各个遥测数据各自对应的预处理后的各项数据添加标签及权重，以形成中间数据；
[0017]根据所述中间数据对应的各个分类，遍历所述中间数据，通过预设的循环标签检索与加权计算的方式生成各个所述遥测数据对应的分组特征键值对，其中，所述分组特征键值对包括：时间戳及遥测数据对应的分组结果值。
[0018]在本申请的一些实施例中，所述将所述综合特征键值对和分组特征键值对输入预设的数据异常检测多重模型，若该数据异常检测多重模型输出的所述综合特征键值对所对应的流量特征预估值显示所述目标遥测数据为异常数据，则继续基于所述数据异常检测多重模型输出的所述分组特征键值对所对应的异常类型投票结果确定所述异常数据所属的异常类型，包括：
[0019]将所述综合特征键值对输入所述综合预测模型，以使该综合预测模型输出所述目标遥测数据对应的流量特征预估值，判断该流量特征预估值是否超过预设的偏差值，若是，则判定所述综合特征键值对应的遥测数据为异常数据；
[0020]将所述分组特征键值对输入所述分类模型，以使该分类模型输出所述目标遥测数据对应的各个分组预测结果值，并基于预设的投票规则生成所述目标遥测数据所属的异常类型判定结果。
[0021]在本申请的一些实施例中，还包括：
[0022]若所述异常类型判定结果显示所述目标遥测数据存在任一异常类型，则直接输出该异常类型；
[0023]若所述异常类型判定结果显示所述目标遥测数据中存在多个异常类型，则生成并输出第一告知消息，其中，该第一告知消息用于表示：当前网络异常状态复杂，需要操作者进一步排查；
[0024]若所述异常类型判定结果显示所述目标遥测数据存在异常类型，但异常类型的投票结果显示该异常类型不存在，则生成并输出第二告知消息，其中，该第二告知消息用于表示：检测到未知异常，请进一步排查，并更新异常分类。
[0025]本申请的另一个方面提供了一种SRv6融合网络的数据异常检测装置，包括：
[0026]数据处理模块，用于基于预设的数据处理范式，对当前自SRv6融合网络的业务流量中提取的目标遥测数据进行数据处理，得到该目标遥测数据对应的一维的综合特征键值对；并确定所述目标遥测数据对应的分组特征键值对；
[0027]异常检测及类型划分模块，用于将所述综合特征键值对和分组特征键值对输入预设的数据异常检测多重模型，若该数据异常检测多重模型输出的所述综合特征键值对所对应的流量特征预估值显示所述目标遥测数据为异常数据，则继续基于所述数据异常检测多重模型输出的所述分组特征键值对所对应的异常类型投票结果确定所述异常数据所属的异常类型。
[0028]本申请的另一个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的SRv6融合网络的数据异常检测方法。
[0029]本申请的另一个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的SRv6融合网络的数据异常检测方法。
[0030]本申请提供的SRv6融合网络的数据异常检测方法，基于预设的数据处理范式，对当前自SRv6融合网络的业务流量中提取的目标遥测数据进行数据处理，得到该目标遥测数据对应的一维的综合特征键值对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SRv6融合网络的数据异常检测方法，其特征在于，包括：基于预设的数据处理范式，对当前自SRv6融合网络的业务流量中提取的目标遥测数据进行数据处理，得到该目标遥测数据对应的一维的综合特征键值对；并确定所述目标遥测数据对应的分组特征键值对；将所述综合特征键值对和分组特征键值对输入预设的数据异常检测多重模型，若该数据异常检测多重模型输出的所述综合特征键值对所对应的流量特征预估值显示所述目标遥测数据为异常数据，则继续基于所述数据异常检测多重模型输出的所述分组特征键值对所对应的异常类型投票结果确定所述异常数据所属的异常类型。2.根据权利要求1所述的SRv6融合网络的数据异常检测方法，其特征在于，还包括：基于预设的数据处理范式对所述SRv6融合网络真实的各个遥测数据分别进行数据处理，得到各个所述遥测数据各自对应的综合特征键值对；并确定各个所述遥测数据对应的分组特征键值对；根据各个所述综合特征键值对和各个所述分组特征键值对分别训练预设的机器学习模型，以得到用于进行遥测数据异常判断及数据异常类型确定的数据异常检测多重模型。3.根据权利要求1或2所述的SRv6融合网络的数据异常检测方法，其特征在于，所述数据异常检测多重模型包括：基于所述SRv6融合网络真实的各个遥测数据各自应的综合特征键值对训练得到的综合预测模型，以及，基于所述SRv6融合网络真实的各个遥测数据各自应的分组特征键值对训练得到的分类模型。4.根据权利要求2所述的SRv6融合网络的数据异常检测方法，其特征在于，所述基于预设的数据处理范式对所述SRv6融合网络真实的各个遥测数据分别进行数据处理，得到各个所述遥测数据各自对应的综合特征键值对，包括：针对所述SRv6融合网络真实的每一个遥测数据的各维度的特征信息，采用不用的预处理方式进行处理，得到各个遥测数据各自对应的预处理后的各项数据；对各个遥测数据各自对应的预处理后的各项数据分别进行加权计算处理，以得到降维后的各个所述遥测数据各自对应的综合特征键值对，其中，所述综合特征键值对包括：时间戳及遥测数据对应的综合特征值。5.根据权利要求4所述的SRv6融合网络的数据异常检测方法，其特征在于，所述确定各个所述遥测数据对应的分组特征键值对，包括：分别对各个遥测数据各自对应的预处理后的各项数据添加标签及权重，以形成中间数据；根据所述中间数据对应的各个分类，遍历所述中间数据，通过预设的循环标签检索与加权计算的方式生成各个所述遥测数据对应的分组特征键值对，其中，所述分组特征键值对包括：时间戳及遥测数据对应的分组结果值。6.根据权利要求3所述的SRv6...

【专利技术属性】
技术研发人员：刘江，王冰清，吴畏虹，李思佳，黄韬，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：