[发明专利]一种基于分布式的网络切片故障检测方法

权利要求书

1.一种基于分布式的网络切片故障检测方法，其特征在于，该方法具体包括以下步骤：

S1：构建基于联邦学习的网络切片故障检测架构，具体包括：

本地训练客户端：一条提供服务的完整服务功能链(Service Function Chain,SFC)由多个虚拟网络功能(Virtual Network Functions,VNFs)有序连接组成，这些组成SFC的VNFs分别部署在多个通用物理服务器上，将这些为一条SFC中的VNFs提供资源的多个物理服务器作为参与联邦学习的本地训练客户端；在各客户端处，基于各自的本地数据集分布式的运行故障检测模型CNN-GRU，并根据联邦学习更新机制上传各自的模型到全局参数聚合器；

全局参数聚合器：以网络切片管理器作为联邦学习的全局参数聚合器，聚集来自同一SFC中各VNFs在各物理节点上的分布训练的故障检测模型参数，并进行全局模型更新；

本地与全局模型参数的更新机制：采用联邦平均方法作为联邦学习框架的更新机制；S2：建立基于CNN-GRU网络的无监督故障检测方法，具体包括以下步骤：

S21：对历史VNF的性能观测数据进行预处理，将经过预处理后的时间序列数据输入到CNN-GRU网络进行模型训练；

S22：利用CNN提取正常时间序列数据的细粒度特征；

S23：将CNN提取的特征输入到堆叠的GRU网络中进行时间序列预测模型的训练；

S24：在正常时间序列测试集上，计算真实时间序列与CNN-GRU网络预测时间序列之间的重构误差，构建重构误差分布；具体包括：通过L2范数计算CNN-GRU预测时间序列与真实时间序列之间的重构误差，并以最小化均方重构误差为优化目标来训练本地模型；并使用正常验证集v_N1序列中各点的误差向量来估计正态分布N(μ；σ)的参数μ和σ；

S25：计算异常分数，预测是否发生异常，测试模型性能，具体包括：对于任意点x(t)，计算其异常分数；根据下一时间窗的实际时间序列与CNN-GRU生成的下一时刻预测时间序列的重构误差来计算故障检测分数A，通过异常分数是否大于阈值τ，来判定预测时间序列是否存在故障；异常分数计算表达式为：A(t)＝(e(t)-μ)^Tσ^-1(e(t)-μ)，其中e(t)为时刻t处的重构误差向量；

通过将正常验证集v_N2和异常验证集v_A输入到训练好的CNN-GRU时间序列重构模型中，通过尝试不同的阈值τ，并预测数据是否异常，使得F_β＝(1+β²)×P×R/(β²P+R)最大化来确定最佳的异常分数阈值τ，F_β为衡量机器学习模型性能的指标，P为精度，R为召回率，β为权衡精度P和召回率R之间重要性的参数；

S3：在联邦学习参数上传时，采用top-k梯度压缩机制进行模型压缩；

S4：采用适用联邦学习的自适应优化器进行全局模型聚合。

2.根据权利要求1所述的网络切片故障检测方法，其特征在于，步骤S1中，在全局参数聚合器处，从所有分布式客户端上聚合的全局损失函数定义为：

其中，F_i(w)为单个客户端上数据样本集合的损失函数，D_i为第i个客户端上对VNF性能数据采集得到的本地数据集，|D_i|为第i个客户端的本地数据集大小，N为物理服务器节点的数量，表示所有客户端数据集的总大小。

3.根据权利要求2所述的网络切片故障检测方法，其特征在于，步骤S1中，全部模型的聚合规则为：

其中，w(t)表示在第t轮全局聚合时期的全局聚合模型，w_i(t)表示在第t轮本地训练过程中得到的本地模型参数；

在联邦学习中，模型的学习问题是找到最优的模型参数w^*使得全局损失函数F(w)最小，即：