【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种edgex的节点异常检测方法、装置、设备及存储介质。
技术介绍
1、互联网的网络质量、故障修复以及服务的质量、故障修复在对于用户体验有非常重要的影响。目前在对网络节点进行故障检测时，通常是对网络节点的流量进行监控，若流量发生突降则认为网络节点本身或网络节点与用户之间的链路发生了问题。而根据检测异常时考虑的信息的不同，现有的异常检测方法可以分为三类：一是基于节点自身特征的异常检测，二是基于自我中心网络或社区划分的异常检测，三是基于网络嵌入的异常检测。
2、但是传统的网络节点故障的检测方式一般是根据网络节点流量宏观检测，难以检测到节点的异常因素，导致检测结果不准确。
3、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供了一种edgex的节点异常检测方法、装置、设备及存储介质，旨在传统的网络节点故障的检测方式一般是根据网络节点流量宏观检测，难以检测到节点的异常因素，导致检测结果不准确的技术问题。
2、为实现上述目的，本专利技术提供了一种edgex的节点异常检测方法，所述方法包括以下步骤：
3、采集edgex网络中各网络节点的状态数据；
4、对所述状态数据进行预处理，获得各网络节点的性能数据和异常数据；
5、将各网络节点的节点连接特征、所述异常数据和所述性能数据输入至预设异常节点检测模型中，获得异常网络节点信息
6、根据所述异常网络节点信息和历史故障节点信息对所述网络节点进行数据分析，确定所述网络节点的节点异常因素。
7、可选地，所述采集edgex网络中各网络节点的状态数据之前，还包括：
8、获取所述edgex网络中各网络节点对应的原始数据集，所述原始数据集包括各网络节点的节点性能数据、历史故障数据和流量数据；
9、对所述原始数据集进行预处理，获得所述原始数据集对应的训练数据集；
10、根据所述训练数据集利用反向传播算法对基于遗传算法构建的初始检测模型进行训练，获得预设异常节点检测模型。
11、可选地，所述对所述原始数据集进行预处理，获得所述原始数据集对应的训练数据集，包括：
12、对所述原始数据集进行数据提取，获得异常流量数据和正常流量数据；
13、提取所述异常流量数据的异常行号和异常数量；
14、基于所述异常行号对所述异常流量数据进行异常填充，获得填充后的异常流量数据；
15、根据所述异常数量对所述填充后的异常流量数据和所述正常流量数据进行拼接，获得所述原始数据集对应的训练数据集。
16、可选地，所述根据所述异常数量对所述填充后的异常流量数据和所述正常流量数据进行拼接，获得所述原始数据集对应的训练数据集，包括：
17、判断所述填充后的异常流量数据的异常数量是否达到所述正常流量数据的正常数量；
18、若否，则对所述异常流量数据进行循环填充，直至所述异常数量达到所述正常数量，将达到所述正常数量所对应的填充后的异常流量数据作为异常节点数据；
19、将所述异常节点数据和所述正常流量数据进行交替拼接，获得所述原始数据集对应的训练数据集。
20、可选地，所述根据所述训练数据集利用反向传播算法对基于遗传算法构建的初始检测模型进行训练，获得预设异常节点检测模型，包括：
21、根据遗传算法构建初始检测模型；
22、基于所述初始检测模型产生随机初始种群，对所述随机初始种群的每个种群个体进行编号，获得编号个体；
23、通过所述训练数据集对所述编号个体进行分组聚合处理，获得种群个体适度值；
24、判断所述种群个体适度值是否满足预设终止条件；
25、若不满足，则更新所述随机初始种群，直至所述种群个体适度值满足预设终止条件，将满足所述预设终止条件所对应的随机初始种群作为模型最优种群；
26、根据所述模型最优种群确定预设异常节点检测模型。
27、可选地，所述将各网络节点的节点连接特征、所述异常数据和所述性能数据输入至预设异常节点检测模型中，获得异常网络节点信息，包括：
28、对所述异常数据进行预处理，得到所述网络节点对应的网络流量数据；
29、根据所述网络流量数据确定所述网络流量数据流经的每个网络节点的节点连接特征；
30、将所述节点连接特征、所述异常数据和所述性能数据输入至预设异常节点检测模型中，获得异常网络节点信息。
31、可选地，所述根据所述网络流量数据确定所述网络流量数据流经的每个网络节点的节点连接特征之后，还包括：
32、通过所述节点连接特征获取各个网络节点的网络流量连接图；
33、相应的，所述将所述节点连接特征、所述异常数据和所述性能数据输入至预设异常节点检测模型中，获得异常网络节点信息之后，还包括：
34、根据所述网络流量连接图确定各个异常网络节点的权重等级；
35、按照所述权重等级显示所述异常网络节点的网络流量连接图。
36、此外，为实现上述目的，本专利技术还提出一种edgex的节点异常检测装置，所述装置包括：
37、数据采集模块，用于采集edgex网络中各网络节点的状态数据；
38、预处理模块，用于对所述状态数据进行预处理，获得各网络节点的性能数据和异常数据；
39、异常信息模块，用于将各网络节点的节点连接特征、所述异常数据和所述性能数据输入至预设异常节点检测模型中，获得异常网络节点信息；
40、异常分析模块，用于根据所述异常网络节点信息和历史故障节点信息对所述网络节点进行数据分析，确定所述网络节点的节点异常因素。
41、此外，为实现上述目的，本专利技术还提出一种edgex的节点异常检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的edgex的节点异常检测程序，所述edgex的节点异常检测程序配置为实现如上文所述的edgex的节点异常检测方法的步骤。
42、此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有edgex的节点异常检测程序，所述edgex的节点异常检测程序被处理器执行时实现如上文所述的edgex的节点异常检测方法的步骤。
43、本专利技术通过采集edgex网络中各网络节点的状态数据；对所述状态数据进行预处理，获得各网络节点的性能数据和异常数据；然后将各网络节点的节点连接特征、所述异常数据和所述性能数据输入至预设异常节点检测模型中，获得异常网络节点信息；最后根据所述异常网络节点信息和历史故障节点信息对所述网络节点进行数据分析，确定所述网络节点的节点异常因素。由于本专利技术根据网络节点的状态数据获得各网络节点的性能数据和异常数据，并通过预设异常节点检测模型提取出异常网络节本文档来自技高网...
【技术保护点】
1.一种EdgeX的节点异常检测方法，其特征在于，所述EdgeX的节点异常检测包括：
2.如权利要求1所述的EdgeX的节点异常检测方法，其特征在于，所述采集EdgeX网络中各网络节点的状态数据之前，还包括：
3.如权利要求2所述的EdgeX的节点异常检测方法，其特征在于，所述对所述原始数据集进行预处理，获得所述原始数据集对应的训练数据集，包括：
4.如权利要求3所述的EdgeX的节点异常检测方法，其特征在于，所述根据所述异常数量对所述填充后的异常流量数据和所述正常流量数据进行拼接，获得所述原始数据集对应的训练数据集，包括：
5.如权利要求4所述的EdgeX的节点异常检测方法，其特征在于，所述根据所述训练数据集利用反向传播算法对基于遗传算法构建的初始检测模型进行训练，获得预设异常节点检测模型，包括：
6.如权利要求1所述的EdgeX的节点异常检测方法，其特征在于，所述将各网络节点的节点连接特征、所述异常数据和所述性能数据输入至预设异常节点检测模型中，获得异常网络节点信息，包括：
7.如权利要求6所述的Edge
8.一种EdgeX的节点异常检测装置，其特征在于，所述装置包括：
9.一种EdgeX的节点异常检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的EdgeX的节点异常检测程序，所述EdgeX的节点异常检测程序配置为实现如权利要求1至7中任一项所述的EdgeX的节点异常检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有EdgeX的节点异常检测程序，所述EdgeX的节点异常检测程序被处理器执行时实现如权利要求1至7任一项所述的EdgeX的节点异常检测方法的步骤。
...【技术特征摘要】
1.一种edgex的节点异常检测方法，其特征在于，所述edgex的节点异常检测包括：
2.如权利要求1所述的edgex的节点异常检测方法，其特征在于，所述采集edgex网络中各网络节点的状态数据之前，还包括：
3.如权利要求2所述的edgex的节点异常检测方法，其特征在于，所述对所述原始数据集进行预处理，获得所述原始数据集对应的训练数据集，包括：
4.如权利要求3所述的edgex的节点异常检测方法，其特征在于，所述根据所述异常数量对所述填充后的异常流量数据和所述正常流量数据进行拼接，获得所述原始数据集对应的训练数据集，包括：
5.如权利要求4所述的edgex的节点异常检测方法，其特征在于，所述根据所述训练数据集利用反向传播算法对基于遗传算法构建的初始检测模型进行训练，获得预设异常节点检测模型，包括：
6.如权利要求1所述的edgex的节点异常检测方法，其特征在于，所述将...
【专利技术属性】
技术研发人员：屈晟，武斌，武延军，吴敬征，罗天悦，庞海天，
申请(专利权)人：中科南京软件技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。