一种计算机网络的故障诊断方法和系统技术方案

本发明专利技术涉及计算机通信技术领域，为一种计算机网络的故障诊断方法和系统。通过对计算机网络场景中涉及到的故障类型进行大致的分类，并根据分类结果对计算机网络进行初步识别得到初步故障结果，并根据不同的初步故障结果确定对应的故障诊断模型，通过对应的故障诊断模型实现对于特定类型故障的深度识别与诊断，提高了整体故障识别的整体效率以及故障识别结果的准确度。果的准确度。果的准确度。

【技术实现步骤摘要】
一种计算机网络的故障诊断方法和系统


[0001]本专利技术涉及计算机通信
，为一种计算机网络的故障诊断方法和系统。

技术介绍

[0002]网络故障诊断现阶段面临的几个方面问题：（1）随着数字化社会的深刻演变和社会事件的推动演进，现阶段计算机网络处于一个网络规模和用户规模都空前巨大，一个大规模网络的故障具备错综复杂的局域网网络组成关系，故障原因与故障现象也较为模糊，在这样的前提之下，网络一旦发生故障而久久未解决，将会给现阶段数字化社会生产和生活乃至于社会政务服务产生重大损失，极大地损坏每一位用户的切身利益：（2）网络设备存在较高复杂性，台式机电脑、笔记本电脑、平板电脑、手机、智能穿戴、以及物联网移动终端等多种上网设备的不断推出，功能多样化明显。特别地，在物联网逐步发展的过程，还会进一步出现各类局域网边缘联网设备，增加网络故障诊断的负荷；（3）专用网络的发展，特别是某些政企专用局域网对于其所承载的社会使命与意义重大，比如：政府的在线政务服务器网络，某科技公司的数据中心网络，其中部分采用了多种融合的网络交互传输技术与网络存储。
[0003]由此可见，网络故障诊断对于数字化进程的发展以及网络的稳定运行和故障管理具有重要意义。传统的网络故障管理，过多的依靠于网络专家和网络运维工程师们以人工方式进行，在现阶段，已经无法满足网络故障管理的要求。现阶段急需智能化的网络故障诊断技术，解放网络专家和网络工程师的人力工作，实现网络故障诊断的自动化进程发展，进而保障现阶段的信息化社会建设和信息化时代跨越。
[0004]针对于现有应用场景中，现有技术中针对于网络故障诊断存在以下两大主要核心问题：（1）网络故障信息采集与分析网络故障发生本身并不能预知，发现网络故障的前提条件，要求我们对网络环境有一定的感知能力，这就要求我们对网络环境有一定的信息采集能力，再结合现阶段的分析技术，得出能够被进一步利用的关键信息。
[0005]（2）网络故障问题发现与检测从数学角度来说，故障属于有别于正常情况的异常状态。但是，如果直接建立抽象的数学模型，用来完成信息的输入输出，立即确定故障，显然对于复杂性和精确性也不能直接达到要求。

技术实现思路

[0006]为了解决以上的技术问题，本申请提供基于人工智能的计算机网络的故障诊断方法和系统，通过设置不同故障场景下的故障诊断模型，通过神经网络的多层结构处理得到最终的网络故障。
[0007]为了达到上述目的，本申请实施例采用的技术方案如下：
第一方面，提供一种计算机网络的故障诊断方法，所述方法包括：获取目标计算机的目标通信协议接口，并确定所述目标通信协议接口连接网络中的实时上传数据和实时下载数据，将所述实时上传数据，和/或，所述实时下载数据与对应的预设阈值进行比较，得到比较结果，所述比较结果包括第一故障结果、第二故障结果、第三故障结果和无故障；基于第一故障结果、第二故障结果、第三故障结果确定对应的训练后的故障诊断模型；基于确定的故障诊断模型采集对应的特征数据，并将所述特征数据输入至所述对应的故障诊断模型，得到故障分类结果，所述特征数据为预设时间段内采集到的特征数据集。
[0008]进一步的，所述方法还包括对所述特征数据集中的特征数据进行特征向量构建，并基于构建得到的特征向量进行降维映射得到二维特征数据。
[0009]进一步的，对所述特征数据集中的特征数据进行特征向量构建，包括：获取所述特征数据集的原特征空间的协方差矩阵，对所述协方差矩阵进行奇异值分解得到协方差矩阵的特征值与其对应地特征向量，在所述特征向量中筛选出多个特征值与其对应特征向量，并对其进行组合构造全新的特征向量矩阵。
[0010]进一步的，基于构建得到的特征向量进行降维映射得到二维特征数据，包括：根据特征向量矩阵并与所述特征数据集中的特征数据进行内积处理，并进行特征空间映射，得到降维特征集为二维特征数据。
[0011]进一步的，针对于所述第一故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、下行链路分组丢失率、下行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、下行平均吞吐量、节点传入平均吞吐量、链路误码率。
[0012]进一步的，所述第二故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、上行链路分组丢失率、上行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、上行平均吞吐量、节点传出平均吞吐量、链路误码率。
[0013]进一步的，所述第三故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、上行链路分组丢失率、下行链路分组丢失率、上行链路信噪比、下行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、上行平均吞吐量、下行平均吞吐量、节点传入平均吞吐量、节点传出平均吞吐量、链路误码率。
[0014]进一步的，所述故障诊断模型为神经网络模型，包括卷积层，所述卷积层用于将所述二维特征数据进行特征的变换以及神经元激活；池化层，所述池化层用于对变换后的特征进行非线性映射；全连接层，所述全连接层用于得到关于故障类型的置信度矩阵；分类器，所述分类器为softmax分类器。
[0015]进一步的，所述第一故障诊断模型、所述第二故障诊断模型中的所述卷积层和所述池化层的网络结构为16层；所述第三故障诊断模型中的所述卷积层和所述池化层的网络结构为32层；所述第一故障诊断模型、所述第二故障诊断模型和所述第三故障诊断模型中的所述全连接层的输入为1024维向量，输出为5维置信度向量。
[0016]第二方面，一种计算机网络的故障诊断系统，包括：状态识别装置，用于将和/或，所述实时下载数据与对应的预设阈值进行比较，得到比较结果，所述比较结果包括第一故
障结果、第二故障结果、第三故障结果和无故障；诊断模型确定装置，用于基于比较结果确定对应的故障诊断模型；故障分类装置，用于基于对应的故障诊断模型得到故障分类结果。
[0017]本申请实施例提供的技术方案中，通过对计算机网络场景中涉及到的故障类型进行大致的分类，并根据分类结果对计算机网络进行初步识别得到初步故障结果，并根据不同的初步故障结果确定对应的故障诊断模型，通过对应的故障诊断模型实现对于特定类型故障的深度识别与诊断，提高了整体故障识别的整体效率以及故障识别结果的准确度。
附图说明
[0018]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
[0020]图1是本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机网络的故障诊断方法，其特征在于，所述方法包括：获取目标计算机的目标通信协议接口，并确定所述目标通信协议接口连接网络中的实时上传数据和实时下载数据，将所述实时上传数据，和/或，所述实时下载数据与对应的预设阈值进行比较，得到比较结果，所述比较结果包括第一故障结果、第二故障结果、第三故障结果和无故障；基于第一故障结果、第二故障结果、第三故障结果确定对应的训练后的故障诊断模型；基于确定的故障诊断模型采集对应的特征数据，并将所述特征数据输入至所述对应的故障诊断模型，得到故障分类结果，所述特征数据为预设时间段内采集到的特征数据集。2.根据权利要求1所述的计算机网络的故障诊断方法，其特征在于，所述方法还包括对所述特征数据集中的特征数据进行特征向量构建，并基于构建得到的特征向量进行降维映射得到二维特征数据。3.根据权利要求2所述的计算机网络的故障诊断方法，其特征在于，对所述特征数据集中的特征数据进行特征向量构建，包括：获取所述特征数据集的原特征空间的协方差矩阵，对所述协方差矩阵进行奇异值分解得到协方差矩阵的特征值与其对应地特征向量，在所述特征向量中筛选出多个特征值与其对应特征向量，并对其进行组合构造全新的特征向量矩阵。4.根据权利要求3所述的计算机网络的故障诊断方法，其特征在于，基于构建得到的特征向量进行降维映射得到二维特征数据，包括：根据特征向量矩阵并与所述特征数据集中的特征数据进行内积处理，并进行特征空间映射，得到降维特征集为二维特征数据。5.根据权利要求1或2或3或4所述的计算机网络的故障诊断方法，其特征在于，针对于所述第一故障诊断模型对应的特征数据包括参考信号接收功率、参考信号接收质量、下行链路分组丢失率、下行链路信噪比、资源控制连接建立成功率、接入承载建立成功率、切换成功率、平均吞吐量、误码率、下行平均吞吐量、节点传入平均吞吐量、链路误码率。6.根据权利要求1或2或3或4所述的计算机网络的故障诊断方法...

【专利技术属性】
技术研发人员：郭强，尹鸿坦，
申请(专利权)人：黄淮学院，
类型：发明
国别省市：