[发明专利]一种EIGRP路由故障识别方法

权利要求书

1.一种EIGRP路由故障识别方法，其特征在于，

通过集线器将监测节点并入被监测路由系统中，集线器与核心路由器互联，并且与监测节点互联，监测节点通过集线器接入计算机网络中，所述监测节点通过抓包程序捕获所述被监测路由系统中进出核心路由器的EIGRP数据报文；

从捕获的所述EIGRP数据报文中提取有用字段作为数据样本特征并确定具体的样本特征值，建立训练样本集T；

利用所述训练样本集T建立故障类别识别模型，再利用所述故障类别识别模型对未知的EIGRP路由故障样本进行识别；

所述数据样本特征包括数据报文长度，数据包类型，单播标识，附加路由标识，重启标识，路由器编号，AS编号，带宽，负载，延时，可靠性，丢包率，扩展属性，内部路由数目，子网掩码的位数，外部路由数目，样本类型，IP地址的路由条目和/或路由器端口的IP地址连续性；

当利用所述训练样本集T建立的故障类别识别模型是基于决策树的故障识别FDDT模型时，建立过程包括：

输入样本集(T，A)，其中，A为特征值集，若所述训练样本集T中的故障类型为同一类故障F，则生成与所述故障F对应的F类叶节点；

若所述特征值集A不是空集或者所述训练样本集T中的样本在所述特征值集A中的特征值相同，则生成与所述训练样本集T中样本数最多的类对应的M类叶节点；

若所述训练样本集T中的样本在所述特征值集A中的特征值不相同，则计算所述特征值集A中不同属性的信息增益，得到最优属性的样本子集Ta，若Ta为空集，则生成Y类叶节点，否则若Ta不为空集，则循环递归输入样本集(Ta，A)；

所述信息增益的计算方法是：

其中，特征值a有V个可选的值{a₁，a₂，…，a_V}，使用所述特征值a对训练集D进行划分，则会产生V个分支节点，其中第v个分支节点包含了训练集D中所有在特征值a上取值为a_v的样本，记为D^v，Ent(D)代表信息熵，计算公式为：

p_k是训练集D中第k类样本所占的比例，y表示样本类别的数量；

构建仿真实验对基于所述FDDT模型的EIGRP路由故障识别方法进行分析，包括：首先，利用GNS3网络仿真软件搭建实验平台，完成EIGRP路由系统中各个路由器的初始化配置；接着，通过人为设置路由器中的各种参数，重现EIGRP路由系统中的故障和异常，并在故障发生的同时，利用Wireshark采集核心路由器的实时路由数据报文；采集到EIGRP故障的相关数据后，对数据进行格式化处理，根据故障类型，从所述路由数据报文中提取出相应的样本特征，并确定具体的样本特征值，所述样本共有八种类型，包括正常类型和故障类型，所述故障类型包括子网掩码不匹配，K值不匹配，AS号不匹配，分发列表配置错误，在非连续网络中过度汇总，ROUTER-ID冲突，手动汇总错误；采用不同随机种子值进行FDDT分类实验，所述种子值分别取为1、2、3…10；通过改变树节点预选的特征个数M来验证基于FDDT模型的所述EIGRP路由故障识别方法的鲁棒性，当M值小于10时，基于FDDT模型的路由故障识别方法的分类精度下降幅度较大；当M值在10到26之间时，精度基本保持不变。

2.根据权利要求1所述的EIGRP路由故障识别方法，其特征在于，当利用所述训练样本集T建立的故障类别识别模型是基于随机森林的故障识别FDRF模型时，建立过程包括：

输入样本集(T，A)，其中，A为特征值集，通过Bagging方法得到n个训练集，建立与所述n个训练集相对应的n个基决策树模型，每个所述训练集是每个基决策树模型的全部训练数据；

在所述每个基决策树模型的每个节点处，从所述节点的特征值集A中随机挑选一个包含m个特征值的子集，然后从所述m个特征值中选择一个最优特征值划分。