[发明专利]一种EIGRP路由网络故障的分析方法和系统

权利要求书

1.一种EIGRP路由网络的FDEMC故障分析方法，所述FDEMC故障分析方法是基于EM算法和高斯混合模型GMM的聚类方法，实现对所述EIGRP路由网络已知故障和未知故障的无监督分析，其特征在于，包括以下步骤：

步骤S1，采集所述EIGRP路由网络中的路由报文进行特征提取和数据预处理，形成训练样本集；

步骤S2，使用所述训练样本集训练所述高斯混合模型GMM以获取训练完成的聚类模型；该训练完成的聚类模型是具有最优参数的高斯混合模型GMM，且该最优参数通过使用EM算法计算得到；

步骤S3，获取所述EIGRP路由网络的测试样本，将所述测试样本输入所述训练完成的聚类模型中，以获取所述测试样本的分类结果进而识别所述EIGRP路由网络的运行状况；

进一步，所述步骤S1中提取的特征至少包括操作码、标记、确认序列号、自助系统号、K值字段、AS域字段、自动汇总、IP地址不连续、源路由器、目标路由器、表示不同域路由器设置的特征。

2.根据权利要求1所述的一种EIGRP路由网络的FDEMC故障分析方法，其特征在于，所述步骤S2包括以下步骤：

步骤S21，将所述训练样本集划分为m个样本子集，每个样本子集表示一个类别，在所述m个样本子集的基础上计算每个类别的均值、协方差和权重三个初始参数值以形成所述m个类别的初始参数向量集合其中分别表示所述m个类别的权重初始值，分别表示所述m个类别的均值初始值，分别表示所述m个类别的协方差初始值；

步骤S22，重复地进行如下两步操作，直到所述高斯混合模型GMM的对数似然函数收敛：

E步骤：在所述训练样本集和当前参数向量集合估计

给定的情况下，计算所述训练样本集的对数似然函数的条件期望值：

所述的w_ij表示第i个样本属于第j类的概率，x表示一个d维的样本，θ表示高斯混合模型的参数向量集合；t＝0，1，…，J，表示EM算法的当前迭代次数，J表示EM算法中的最大迭代次数；表示参数向量集合中第k类在当前t值迭代下的参数值；表示第k类在当前t值迭代下的权重；表示第k类在当前t值迭代下的样本均值；表示第k类在当前t值迭代下的协方差矩阵；

M步骤：更新高斯混合模型GMM的参数使所述对数似然函数的条件期望值最大化：

其中是第j类的权重，是第j类的均值，是第j类的协方差矩阵，N表示所述训练样本中训练样本的个数。

3.根据权利要求2所述的EIGRP路由网络的FDEMC故障分析方法，其特征在于，步骤S21采用随机初始化方法获取所述高斯混合模型GMM的模型启动参数，具体包括以下步骤：

第一，在训练样本集中任意指定m个样本作为聚类的中心，其中m表示类别总数，为正整数；

第二，分别计算训练样本集中其它样本与这m个样本的距离，采用距离最近原则将每个样本划分到m类中的其中一类中，并分配相同的类标号；

第三，根据各类的所有样本值，计算每一类的权重、均值和协方差矩阵。

4.根据权利要求1所述的EIGRP路由网络的FDEMC故障分析方法，其特征在于，当进行高斯混合模型GMM训练时，EM算法的最大迭代次数设置为50次。

5.根据权利要求1所述的EIGRP路由网络的FDEMC故障分析方法，其特征在于，根据训练样本集的实际情况，聚类cluster的数量设置范围为3到10个。