[发明专利]基于异常数据分析的网络异常根源定位方法

权利要求书

1.一种基于异常数据分析的网络异常根源定位方法，其特征在于，包括：基于历史数据的离线分析步骤：

对历史异常数据进行数据清洗，并采用异常过滤算法对清洗后的所述历史异常数据进行过滤；

通过子网划分算法将异常元划分到若干子网中；

通过网络拓扑算法将所述子网建立生成有向的异常网络拓扑图，具体包括：

依次计算每一异常元引发其他任一异常元发生异常的条件概率；

将所有异常元引发其他异常元发生异常的条件概率组织形成条件概率矩阵；

将所述条件概率矩阵根据预设的置信度阈值生成邻接矩阵；

根据所述邻接矩阵生成所述异常元之间有向的异常网络拓扑图；

检测所述邻接矩阵中构成环路的异常元数量大于预设环路规模阈值的环路，将构成环路的边按照条件概率值从小到大顺序依次置零直至环路消除；

采用异常预测算法针对生成的所述异常网络拓扑图进行异常预测，并对所述异常网络拓扑图中的边权重进行修正；

采用静态权重算法计算所述异常网络拓扑图中每个异常元的静态权值，采用动态权重算法计算所述异常元之间的相对位置关系矩阵；

基于实时数据的异常根源在线分析步骤：

在检测到实时异常元数据时，判断所述实时异常元所属的异常网络拓扑图；

读取所述实时异常元的静态权值，并计算所述实时异常元的动态权值，以判断所述实时异常元在所述异常网络拓扑图中的位置；

根据所述实时异常元在所述异常网络拓扑图中的位置定位并标记异常根源。

2.根据权利要求1所述的基于异常数据分析的网络异常根源定位方法，其特征在于，所述子网划分算法为community函数、community detection函数、Fast-Unfolding算法或K-Means算法。

3.根据权利要求1所述的基于异常数据分析的网络异常根源定位方法，其特征在于，采用线性加权算法作为所述静态权重算法计算所述异常网络拓扑图中每个异常元的静态权值，采用动态权重算法的离线计算部分计算得到所述异常元之间的相对位置关系矩阵。

4.根据权利要求3所述的基于异常数据分析的网络异常根源定位方法，其特征在于，在检测到实时异常元数据时，通过读取所述异常过滤算法中的过滤参数，将符合过滤参数条件的所述实时异常元隐藏，对于未隐藏的所述实时异常元映射至所述离线分析步骤生成的对应所述异常网络拓扑图中。

5.根据权利要求4所述的基于异常数据分析的网络异常根源定位方法，其特征在于，所述读取所述实时异常元的静态权值，并计算所述实时异常元的动态权值以判断所述实时异常元在所述异常网络拓扑图中的位置具体包括：

由所述异常网络拓扑图中读取在离线分析步骤中计算得到的对应所述实时异常元的静态权值；

采用动态权重算法的在线计算部分计算所述异常元的动态权值，并根据离线分析步骤中计算得到的相对位置关系矩阵，判断所述实时异常元在所述异常 网络拓扑图中的位置。

6.根据权利要求5所述的基于异常数据分析的网络异常根源定位方法，其特征在于，所述根据所述实时异常元在所述异常网络拓扑图中的位置定位并标记异常根源具体包括：

判断所述实时异常元在邻接矩阵中是否存在该实时异常元到其他任意异常元的边且不存在其他任意异常元到该实时异常元的边；

若判定为是，则进一步判断该实时异常元是否为环路合并而成的逻辑异常元，若判定为是，则判断该环路上发生异常的异常元，并将该环路上发生异常的异常元标记为异常根源，若该实时异常元不是环路合并而成的逻辑异常元，则判定并标记该实时异常元为异常根源；

若判定为否，则判定该实时异常元不是异常根源。

7.根据权利要求6所述的基于异常数据分析的网络异常根源定位方法，其特征在于，判断该实时异常元是否为环路合并而成的逻辑异常元具体包括：

当构成环路的异常元数量小于或等于预设的环路规模阈值时，标记环路中的异常元并将其合并为一个逻辑异常元。

8.根据权利要求6所述的基于异常数据分析的网络异常根源定位方法，其特征在于，采用基于DFS的环路检测算法检测异常网络拓扑图中的环路。