【技术实现步骤摘要】
本专利技术属于网络技术安全领域，具体涉及一种基于智能预测的sdn网络维护方法。
技术介绍
1、随着云资源池承载it系统、业务系统的全面普及，以及基于sdn网络在云数据中心的的规模应用，sdn网络维护对原有的硬件设备维护模式提出了新的挑战。sdn将控制平面和数据平面解耦，实现集中控制下的全局视图和软件化管理的灵活性，提供了网络运维自动化统一的配置和控制接口，从而能够更好地实现对云计算业务的敏捷部署、变更、扩展的支撑。随着sdn网络规模的扩大，集中控制的架构越趋复杂，传统的手工运维和“故障找厂家”的后维护模式，已难以满足敏捷运维的要求和业务高质量发展的要求。
2、传统的sdn监控技术，是通过各个网元和sdn控制器定期发送心跳信息，由云管理平台实现跨厂家的sdn控制器的协同管理，实现网元的实时监控；当发现网络心跳信息异常时，进行网络状态告警并启动修复程序。只能在异常发生后，进行修复，通常造成一定的业务影响，且故障排查及修复时间较长，不能对故障进行有效的预测。
3、sdn(software defined network，软件定义网络)是由美国斯坦福大学clean-slate课题研究组提出的一种新型网络创新架构，是网络虚拟化的一种实现方式。其核心技术openflow通过将网络设备的控制面与数据面分离开来，从而实现了网络流量的灵活控制，使网络作为管道变得更加智能，为核心网络及应用的创新提供了良好的平台。
4、kg(knowledge graph，知识图谱)，在图书情报界称为知识域可视化或知识领域映射地图
5、rf(random forest，随机森林)，指的是利用多棵树对样本进行训练并预测的一种分类器。该分类器最早由leo breiman和adele cutler提出，本质上属于机器学习的一大分支——集成学习(ensemble learning)，是将许多棵决策树(decision tree)整合成森林并用来预测最终结果的方法。
技术实现思路
1、本专利技术针对现有技术的不足，提供一种通过对历史故障数据中关联节点监测数据进行机器学习训练，建立故障预测模型，进而实现sdn网络中的故障预测，当监测数据与历史故障模型特征匹配时，创建冗余网元及冗余链路，通过“治未病”的方式实现高质量运维的基于智能预测的sdn网络维护方法。
2、本专利技术的技术方案如下：
3、一种基于智能预测的sdn网络维护方法，所述方法采用维护系统实现，所述系统包括：sdn监控数据收集模块、故障预测监测模块、故障单元预测模块、机器学习训练预测模块、运维ui模块以及预修复策略生成模块；
4、所述方法包括以下步骤:
5、(1)sdn监控数据收集模块收集由各个sdn控制器提交的网元信息和链路信息，包括vtep、vfw、vlb等网元的心跳数据、时延、丢包率等信息，将各个sdn控制器发送的监控数据进行预处理和存储；
6、(2)故障预测监测模块将时间域内的监控数据发送到机器学习训练预测模块，与训练模型进行特征匹配，定期预测是否存在符合故障特征的网元或者链路，同时将预测到的故障信息发送至故障单元预测模块；
7、(3)故障单元预测模块接受故障预测监测模块提供的预测故障信息，并分析具体可能发生故障的网元或链路，将具体的预测故障信息发送至预修复策略生成模块；
8、(4)机器学习训练预测模块将历史故障节点的关联节点和链路进行状态特征提取和模型训练，当发生新的故障时，重新启动模型训练，并负责将故障预测监测模块发送的时间域数据进行特征匹配，返回匹配结构供其决策；
9、(5)运维ui模块与网络管理员用户进行交互，实时显示最新的预测结果和处理过程，尤其是发现故障预测信息时，将预测的故障信息进行可视化展示，向管理员用户发送预警信息；(6)预修复策略生成模块根据输入的预测单元信息，确定冗余策略，包括生成新的网元和链路，指定冗余调度策略，发送至主sdn控制器进行调度实施。
10、对本专利技术的进一步说明，所述故障预测监测模块采用random-forest的故障预测算法生成故障预测模型进行预测，具体为：
11、(1)构建知识图谱，将网络分割为网元节点和链路两个基本监测类型，分别建立两个类型的属性图谱；
12、(2)建立网元状态图谱和链路状态图谱；
13、(3)将网元状态图谱和链路状态图谱的数据通过邻域聚合算法处理；同时设定降维目标，所述降维目标是保留至少90％的原始数据信息；然后将各个三元组拼接后，输入到phython库中的pca函数并采用默认超参数中进行处理，设定输出的目标维度；
14、(4)使用余弦相似度(cosine similarity)算法，计算故障时状态向量和当前状态向量的相似度；
15、(5)将生成的相似度序列，基于随机森林回归(random-forest)模型，选择plurality voting相对多数投票法模型进行训练，通过历史故障记录数据，训练预测故障；
16、(6)最后使用sklearn.ensemble里的randomforestclassifier进行决策树建模，生成故障预测模型。
17、对本专利技术的进一步说明，所述余弦相似度(cosine similarity)算法为，其中a和b是两个向量，ai和bi分别表示向量a和b中的第i个元素，σ表示求和运算，即对向量中的所有元素进行求和，分子部分计算了两个向量中对应元素的点积之和，分母部分分别计算了两个向量中对应元素的平方和的平方根。
18、本专利技术的有益效果：
19、通过本专利技术方法，将网元和链路的状态数据作为监测实体的三元组数据，并通过pca降维算法，实现故障网元特征的提取和监测网元的状态比对，相比传统的监测模型，能够全面进行特征比配，提升异常分析的可靠性。新增定义一种基于随机森林的预测模型，通过图比对方式，获得各个网元及链路与故障时状态特征的相似度匹配，进而将相似度参数序列通过随机森林进行预测，有效实现故障关联网元和链路的融合分析，提升故障预测的准确性，进一步提升sdn网络的服务质量，降低运维难度及风险。
本文档来自技高网...【技术保护点】
1.一种基于智能预测的SDN网络维护方法，其特征在于：所述方法采用维护系统实现，所述系统包括：SDN监控数据收集模块、故障预测监测模块、故障单元预测模块、机器学习训练预测模块、运维UI模块以及预修复策略生成模块；
2.根据权利要求1所述的一种基于智能预测的SDN网络维护方法，其特征在于：所述故障预测监测模块采用Random-Forest的故障预测算法生成故障预测模型进行预测，具体为：
3.根据权利要求2所述的一种基于智能预测的SDN网络维护方法，其特征在于：所述余弦相似度(Cosine Similarity)算法为，
【技术特征摘要】
1.一种基于智能预测的sdn网络维护方法，其特征在于：所述方法采用维护系统实现，所述系统包括：sdn监控数据收集模块、故障预测监测模块、故障单元预测模块、机器学习训练预测模块、运维ui模块以及预修复策略生成模块；
2.根据权利要求1所述的一种基于智能预测的sdn...
【专利技术属性】
技术研发人员：梁德成，黄子君，黄美燕，
申请(专利权)人：广西壮族自治区公众信息产业有限公司，
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。