基于全异构元对比学习模型的网络故障预测方法及系统技术方案

本发明专利技术公开了基于全异构元对比学习模型的网络故障预测方法及系统，包括：S100：将网络故障数据转化为时间序列数据，所述网络故障数据至少包括故障类型、故障发生时间以及故障发生位置；S200：构建网络故障预测模型，所述网络故障预测模型包括嵌入模块、异构元路径网络、自监督对比学习模块和预测模块；其中，嵌入模块用来接收时间序列数据，并将时间序列数据转化为嵌入向量；异构元路径网络用来融合故障节点信息；自监督对比学习模块用来对故障节点的故障网络视图进行比对学习；预测模块用来采用损失函数进行故障预测。本发明专利技术可提高网络故障预测的准确性。预测的准确性。预测的准确性。

【技术实现步骤摘要】
基于全异构元对比学习模型的网络故障预测方法及系统


[0001]本申请属于网络故障预测的
，具体涉及基于全异构元对比学习模型的网络故障预测方法及系统。

技术介绍

[0002]随着电子设备种类的增多以及各种软件功能的发展，在使我们生活便利的同时，网络故障也逐渐出现新的情况。如何高效解决网络故障，也是各大运营商广泛关注的问题。这些网络故障包括服务中断、网络速率低以及网络噪声。然而，网络故障的复杂性以及随机性，导致很难利用传统方法对网络故障做出有效预测。传统的统计方法对网络故障进行预测过于机械化，而使用机器学习网络故障后，有望实现网络故障的精准预测，由于特征会随着故障数据信息增多，所以机器学习方法的预测结果也会越加准确。

技术实现思路

[0003]本申请的目的是提供基于全异构元对比学习模型的网络故障预测方法及系统，该方法及系统可提高网络故障预测的准确性。
[0004]为达到上述目的，本申请实施例一方面提供了基于全异构元对比学习模型的网络故障预测方法，包括：
[0005]S100：将网络故障数据转化为时间序列数据，所述网络故障数据至少包括故障类型、故障发生时间以及故障发生位置；
[0006]S200：构建网络故障预测模型，所述网络故障预测模型包括嵌入模块、异构元路径网络、自监督对比学习模块和预测模块；其中，嵌入模块用来接收时间序列数据，并将时间序列数据转化为嵌入向量；异构元路径网络包括第一异构元路径网络和第二异构元路径网络分别基于不同的元路径构建；自监督对比学习模块用来对故障节点的故障网络视图进行比对学习；预测模块用来采用损失函数进行故障概率预测；
[0007]所述第一异构元路径网络的构建为：从时间序列数据获得故障类型和故障发生时间数据，以故障类型和故障发生时间为节点对象，以故障和故障发生时间间的关系，故障和故障间的关系，故障发生时间和故障发生时间间的关系为边，构建第一异构元路径网络；加入随机游走从而分别计算各实例路径中节点间的关联度并输出；
[0008]所述第二异构元路径网络的构建为：从时间序列数据获取故障类型、故障发生时间和故障发生位置数据，以故障类型、故障发生时间和故障发生位置为节点对象，以故障类型和故障发生时间间的关系，故障类型和故障类型间的关系，故障发生时间和故障发生时间间的关系，故障类型和故障发生位置间的关系为边，构建第二异构元路径网络；分别计算第二异构元路径网络中各节点对象的投影特征，设计两条使用不同节点对象的元路径并使用注意力机制融合两条元路径的嵌入并输出。
[0009]进一步的，各实例路径中节点间的关联度其中，
Pro(a
f
,a
f+1
)表示在实例路径p的随机游走里节点a
f
到a
f+1
的概率，a
f+1
为在节点a
f
周围随机选择的节点，即a
f+1
为节点a
f
的一随机邻居节点。
[0010]进一步的，第二异构元路径网络输出的嵌入其中：
[0011]βp
n
是衡量元路径的重要权重，
[0012]ωp
n
用来权衡p
n
的重要性，
[0013]T为转置，tanh表示激活函数，为卷积神经网络编码的特性，W∈R
d
×
d
和r∈R
d
×1都是可学习参数，代表语义注意力向量，V表示节点集。
[0014]进一步的，自监督对比学习模块用来构建故障节点的视图故障网络进行自监督学习，进一步包括：
[0015]所构建的视图故障网络包括正对和负对，其中，将相同故障节点的视图故障网络作为正对，同一故障节点的两视图故障网络分别为第一异构元路径网络和第二异构元路径网络的输出；将任意不同的两个故障节点的视图故障网络作为负对，两个不同故障节点的视图故障网络分别为第一异构元路径网络和第二异构元路径网络的输出。
[0016]本申请实施例另一方面提供了基于全异构元对比学习模型的网络故障预测系统，包括：
[0017]第一模块，用来将网络故障数据转化为时间序列数据，所述网络故障数据至少包括故障类型、故障发生时间以及故障发生位置；
[0018]第二模块，进一步包括嵌入模块、异构元路径网络、自监督对比学习模块和预测模块；其中，嵌入模块用来接收时间序列数据，并将时间序列数据转化为嵌入向量；异构元路径网络包括第一异构元路径网络和第二异构元路径网络分别基于不同的元路径构建；自监督对比学习模块用来对故障节点的故障网络视图进行比对学习；预测模块用来采用损失函数进行故障概率预测；
[0019]所述第一异构元路径网络的构建为：从时间序列数据获得故障类型和故障发生时间数据，以故障类型和故障发生时间为节点对象，以故障和故障发生时间间的关系，故障和故障间的关系，故障发生时间和故障发生时间间的关系为边，构建第一异构元路径网络；加入随机游走从而分别计算各实例路径中节点间的关联度并输出；
[0020]所述第二异构元路径网络的构建为：从时间序列数据获取故障类型、故障发生时间和故障发生位置数据，以故障类型、故障发生时间和故障发生位置为节点对象，以故障类型和故障发生时间间的关系，故障类型和故障类型间的关系，故障发生时间和故障发生时间间的关系，故障类型和故障发生位置间的关系为边，构建第二异构元路径网络；分别计算第二异构元路径网络中各节点对象的投影特征，设计两条使用不同节点对象的元路径并使用注意力机制融合两条元路径的嵌入并输出。
[0021]与现有技术相比，本申请具有如下优点和有益效果：
[0022]通过两种不同的元学习方法来构建元路径，使得故障节点信息得到更丰富的表达和特征提取，从而更好地理解不同故障的影响关系；通过自监督对比学习框架，最大化两个
视图中的所有故障信息交互，对全局进行学习，进一步提升模型的预测准确度。所以本申请可提高网络故障预测的准确性。
附图说明
[0023]图1为本专利技术实施例的流程示意图；
[0024]图2为本专利技术实施例中异构元对比学习模型的框架图。
[0025]具体实施方式
[0026]下面将结合附图对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0027]通常情况下，对故障的预测操作只符合其部分特征，即网络本身对某些故障有一定的潜在特征表示，针对以上问题，受到元学习表示学习的启发，本申请提出了异构元对比学习模型并加以预测模块，通过自监督对比学习来捕获故障高级节点信息产生不同的预测方式，使模型更具有泛化能力，从而实现网络故障的精确预测。
[0028]为本申请技术方案及有益效果更加清楚明白，以下将结合实施例对本申请实施例做进一步说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于全异构元对比学习模型的网络故障预测方法，其特征是，包括：S100：将网络故障数据转化为时间序列数据，所述网络故障数据至少包括故障类型、故障发生时间以及故障发生位置；S200：构建网络故障预测模型，所述网络故障预测模型包括嵌入模块、异构元路径网络、自监督对比学习模块和预测模块；其中，嵌入模块用来接收时间序列数据，并将时间序列数据转化为嵌入向量；异构元路径网络包括第一异构元路径网络和第二异构元路径网络分别基于不同的元路径构建；自监督对比学习模块用来对故障节点的故障网络视图进行比对学习；预测模块用来采用损失函数进行故障概率预测；所述第一异构元路径网络的构建为：从时间序列数据获得故障类型和故障发生时间数据，以故障类型和故障发生时间为节点对象，以故障和故障发生时间间的关系，故障和故障间的关系，故障发生时间和故障发生时间间的关系为边，构建第一异构元路径网络；加入随机游走从而分别计算各实例路径中节点间的关联度并输出；所述第二异构元路径网络的构建为：从时间序列数据获取故障类型、故障发生时间和故障发生位置数据，以故障类型、故障发生时间和故障发生位置为节点对象，以故障类型和故障发生时间间的关系，故障类型和故障类型间的关系，故障发生时间和故障发生时间间的关系，故障类型和故障发生位置间的关系为边，构建第二异构元路径网络；分别计算第二异构元路径网络中各节点对象的投影特征，设计两条使用不同节点对象的元路径并使用注意力机制融合两条元路径的嵌入并输出。2.如权利要求1所述的基于全异构元对比学习模型的网络故障预测方法，其特征是：所述各实例路径中节点间的关联度其中，Pro(a
f
,a
f+1
)表示在实例路径p的随机游走里节点a
f
到a
f+1
的概率，a
f+1
为在节点a
f
周围随机选择的节点，即a
f+1
为节点a
f
的一随机邻居节点。3.如权利要求1所述的基于全异构元对比学习模型的网络故障预测方法，其特征是：所述第二异构元路径网络输出的嵌入其中：βp
n
是衡量元路径的重要权重，ωp
n
用来权...

【专利技术属性】
技术研发人员：高榕，江慧馨，严灵毓，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：