[发明专利]基于异常数据分析的网络异常根源定位方法

说明书

本发明公开了一种基于异常数据分析的网络异常根源定位方法，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和过滤；将异常元划分到若干子网中；通过网络拓扑算法生成有向的异常网络拓扑图；计算每个异常元的静态权值和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：判断实时异常元所属的异常网络拓扑图；读取实时异常元的静态权值，并计算实时异常元的动态权值，以判断实时异常元在异常网络拓扑图中的位置，以此定位并标记异常根源。通过本发明的技术方案，实现了快速并且精准的网络异常定位，具有较高的分析准确性，开发、维护成本低，实现IT资源的价值最大化。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于异常数据分析的网络异常根源定位方法。

背景技术

现有的网络故障定位技术主要包括以下三个方面。第一，基于网络运维实践中抽象出的专家经验，采用规则推理、神经网络、决策树等人工智能技术进行故障定位；第二，基于网络硬件的拓扑结构信息，采用依赖图、贝叶斯网络等图论技术进行故障溯源；第三，基于网络组件间的调用关系，采用模型追溯技术进行网络故障根源分析。相关技术均或多或少依赖于既有的网络硬件连接关系或业务逻辑关联信息。

在现有技术解决方案下，在大规模网络系统中，网络硬件间的物理连接关系以及应用间的逻辑依赖关系极其复杂。这些关联关系还会随着业务更新和系统升级而动态变化，因此难以建立和维护准确而全面的网络拓扑关系。另一方面，即使能够建立庞大的应用拓扑关系，在异常根源分析中真实使用的信息量往往也较小。例如，当某些及极其杂的应用调用路径仅偶尔被访问或者运行十分稳定时，相应的网络拓扑信息在异常根源分析中的利用率较低。因此，长期维护网络组件或应用调用等拓扑关系还面临成本收益问题。此外，从异常根源分析的角度，尽管异常传播方向与网络的物理拓扑以及应用调用关系密切相关，这些先验的静态信息也并不能直接反映实际系统中网络故障发生的概率与分布情况。

发明内容

针对上述问题，本发明提供了一种基于异常数据分析的网络异常根源定位方法，包括基于异常历史数据的建模离线分析步骤以及基于实时数据的异常根源在线定位步骤；首先，通过对历史异常数据样本进行分析，挖掘网络异常元之间的时序关联关系，从而建立异常元间的异常网络拓扑图；在此基础上，将实时异常元映射到所建立的异常网络拓扑图中，基于当前异常对应的异常元在异常网络拓扑图中的相对位置推断异常根源。本方法不需要使用网络硬件连接关系、业务逻辑依赖关系以及其他专家经验知识，开发、维护成本低；同时，本方法能够充分利用真实系统中异常发生的概率与分布特征，具有较高的分析准确性。

为实现上述目的，本发明提供了一种基于异常数据分析的网络异常根源定位方法，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；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。

在上述技术方案中，优选地，所述子网划分算法为community函数、communitydetection函数、Fast-Unfolding算法或K-Means算法。