[发明专利]一种基于卷积神经网络的网络故障诊断方法

权利要求书

1.一种基于卷积神经网络的网络故障诊断方法，其特征在于，所述方法包括以下步骤：

步骤1，采集并预处理网络出现故障时的流量运行图像，并对图像添加标签，生成网络故障图像样本；

步骤2，将步骤1中的网络故障图像样本按照比例划分训练样本集和验证样本集；

步骤3，建立卷积神经网络模型，将步骤2中的训练样本集输入模型并不断迭代训练，同时使用验证样本集验证模型，直至完成训练；

步骤4，将新产生网络故障的流量运行图像进行预处理、输入步骤3中已完成训练的卷积神经网络模型，进行网络故障预测。

2.如权利要求1所述的基于卷积神经网络的网络故障诊断方法，其特征在于，所述步骤1中的生成网络故障图像样本，还包括：

当网络节点发生故障时，使用流量监控软件，可获取拓扑结构中各个节点的流量数据，利用该拓扑结构和流量数据生成网络故障图像；

设置生成的网络故障图像的标签文档，标签即标注发生故障时的原因，采用统一格式指明可能导致网络故障的节点或业务流，并进行排序；

归一化处理生成的网络故障图像，图像格式为分辨率128×128的灰度图。

3.如权利要求1所述的基于卷积神经网络的网络故障诊断方法，其特征在于，所述步骤3中建立卷积神经网络模型，还包括：

建立的卷积神经网络模型分为7层，第1层输入为步骤1中生成的网络故障图像样本，第n+1层使用第n层的输出作为输入(1≤n≤6)，第7层输出为标签(标注发生故障时的原因)；

第1层为卷积层，卷积核采用5乘5的结构，卷积核个数为32，步长为1，边缘填充，输出为32个通道，128×128的特征图像；

第2层为最大池化层，池化窗口高和宽为2，步长为2，输出为32个通道，64×64的特征图像；

第3层为卷积层，卷积核大小为5乘以5，卷积核个数为64，边缘填充，步长为1，输出为64个通道，64×64的特征图像；

第4层为最大池化层，池化窗口高和宽为2，步长为2，输出为64个通道，32×32的特征图像；

第5层为密集连接层，为包含1024个神经元的全连接层，输出为1024个特征值；

第6层为dropout层，用于减少过拟合，以一定的概率将输入的特征值从网络中丢弃，输出为1024个特征值；

第7层为softmax层，softmax层的输出为标签的取值数。

4.如权利要求1所述的基于卷积神经网络的网络故障诊断方法，其特征在于，所述步骤3中的迭代训练和验证模型，还包括：

训练样本集用来训练模型，通过不断迭代来优化参数；

验证样本集用于对完成训练的模型进行验证评估；

首次迭代时，卷积神经网络模型应初始化权重和偏置量，将训练样本集批量输入模型中，通过前向传播算法不断向前传递特征，获取预测结果，根据预测结果和真实结果计算交叉熵，减少交叉熵值，通过反向传播算法向后传递，修正权重参数和偏置量，不断迭代直至收敛；

每当模型使用训练样本集批量训练100次后，将验证样本集输入模型计算识别准确率，若识别准确率未出现两极分化，则继续训练；若识别准确率出现两极分化，则重新训练卷积神经网络模型；

当交叉熵逐渐变小，且训练迭代次数达到5000次，则跳出循环，完成卷积神经网络模型构建。

5.如权利要求1所述的基于卷积神经网络的网络故障诊断方法，其特征在于，所述步骤4中的新产生网络故障的流量运行图像进行预处理，还包括：

新产生网络故障的流量运行图像进行预处理方法，应与步骤1中生成网络故障图像样本中的归一化处理方法一致，归一化为分辨率128×128的灰度图。