[发明专利]一种基于卷积神经网络的网络故障诊断方法

说明书

本发明涉及一种基于卷积神经网络的网络故障诊断方法，该方法包括：采集并预处理网络出现故障时的流量运行图像，添加标签，生成网络故障图像样本；将网络故障图像样本按比例划分训练和验证样本集；建立卷积神经网络模型，将训练样本集输入模型迭代训练，使用验证样本集验证模型，直至完成训练；将网络流量运行图像预处理后，输入已完成训练的模型，进行网络故障预测。本发明通过生成网络故障图像样本，划分训练和验证样本集，建立卷积神经网络模型，完成模型训练，将网络流量运行图像预处理后，输入已完成训练的模型，进行网络故障预测，解决现有技术依靠网络管理员的经验，排错周期长等问题，为网络故障诊断提供了合理的预测参考。

技术领域

本发明涉及网络故障诊断技术领域，尤其涉及一种基于卷积神经网络的网络故障诊断方法。

背景技术

随着网络信息技术的快速发展，通信网络的传输速率越来越高，网络基础设施在通信系统中的地位愈发重要。在网络的路由交换节点上，通过多个队列处理不同的数据流，各队列的上游和下游的数据流也存在差异。

当网络节点出现故障时，其供给的网络资源突然变化，会引起资源争用问题，资源争用的影响会在节点之间传播，并随着时间推移进行扩散，造成很难定位引起网络故障的节点或业务流的位置，而只有快速识别定位引起网络故障的节点或业务流，才能尽快恢复网络正常运行。

当前网络故障诊断方法主要依靠网络管理员的经验，通过网络管理员的经验来确定引起网络故障的节点或业务流，或通过依次在各个节点上进行测试排错。

可见，现有技术中网络故障诊断方法存在依靠网络管理员的经验，排错周期长等问题，并难以为网络故障诊断提供合理的预测参考。

上述缺陷是本领域技术人员期望克服的。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提出了一种基于卷积神经网络的网络故障诊断方法，解决现有技术依靠网络管理员的经验，排错周期长等问题，为网络故障诊断提供了合理的预测参考。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

本发明一实施例提供一种基于卷积神经网络的网络故障诊断方法，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。

本发明的一个实施例中，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。

本发明的一个实施例中，所述步骤2中按照比例划分训练样本集和验证样本集，还包括：

训练样本集是模型拟合的数据样本的集合，用于训练模型；

验证样本集是训练模型过程中预留的样本的集合，用于对模型的能力进行验证评估；