[发明专利]一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法

权利要求书

1.一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，其特征在于，包括以下步骤：

构建GRU-VAE模型，并将源领域数据作为训练数据对GRU-VAE模型进行训练，将训练获取的领域知识进行知识迁移形成检测器；GRU-VAE模型包括优化的GRU编码器以及优化的GRU解码器，GRU-VAE模型的训练过程包括：

将源领域数据输入优化的GRU编码器获取输入数据的低维表示，生成多个潜在变量z；

从生成的多个潜在变量z中选择i个数据输入优化的GRU解码器进行重构，获取重构数据；

根据目标函数计算重构数据的值是否大于等于1，若大于则计算源领域数据的重构概率，否则重新选择潜在数据通过优化的GRU解码器进行重构；目标函数表示为：

其中，表示高斯混合模型之间的KL散度，即目标函数；为后验概率；p_θ(z^T)为先验概率；K是高斯混合模型中高斯模型的个数；π_i是高斯混合模型的系数，z是潜在变量，和是高斯密度函数的均值向量和协方差矩阵；N()表示求高斯密度，N^′()表示求标准高斯分布；I表示单位矩阵；

判断i是否小于等于潜在变量的分布N，若小于则返回根据损失函数进行反向传播优化的GRU编码器，否则结束训练；

将待检测的数据作为目标领域数据，并将源领域数据和目标领域数据中的特征变换到Grassmann流形空间中；

将变换到Grassmann流形空间中特征基于多核MMD的动态分布进行对齐，计算对齐后源领域数据和目标领域数据的边缘分布差异；基于多核MMD的动态分布进行对齐过程中的优化目标表示为：

其中，Z为变换矩阵；X为源领域和目标领域所有的样本矩阵；当时，M_c则表示为为源领域属于类别c的样本集合，n_c为源领域属于类别c的样本数；当时，M_c则表示为为目标领域属于类别c的样本集合，m_c为目标领域属于类别c的样本数；当且或者且时，m_c则表示为λ为正则化参数；为求二范数；当c＝0表示边缘分布，当c＝1…C时表示条件分布，C表示类别个数；

源领域与目标领域特征分布之间的差异D(D_s,D_t)表示为：

其中，u为平衡因子，其取值区间为(0，1]，当u趋近于0，表示边缘分布D(P(x_s),P(x_t))的影响比较大，当u趋近于1时表示条件分布(P(y_s|x_s),P(y_t|x_t))的影响比较大；W为目标领域中样本的权重；n为源领域的样本个数；为源领域第i个样本；m为目标领域的样本个数；为目标领域第j个样本；为源领域来自c类的样本个数；表示类别c；为源领域来自第c类的样本；为目标领域来自第c类的样本个数；为希伯尔空间H的二范数；

若边缘分布差异大于设定阈值，则更新平衡因子后输入检测器，否则平衡因子置为1后输入检测器；

检测器对数据进行检测，并判断检测结果是否收敛，若收敛则输出检测结果；否则返回重新计算源领域数据和目标领域数据的边缘分布差异。

2.根据权利要求1所述的一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，其特征在于，根据损失函数进行反向传播优化的GRU编码器，即使用反向传播算法对GRU编码器以及优化的GRU解码器的网络参数进行迭代更新，使用反向传播算法时利用损失函数的梯度的一阶矩阵和二阶矩阵进行方向传播，损失函数的梯度的一阶矩阵和二阶矩阵表示为：

其中，s_t为损失函数梯度的一阶矩阵，r_t为损失函数梯度的二阶矩阵；θ为迭代参数，ε为学习率，表示损失函数梯度的一阶距估计的偏置矫正，表示损失函数梯度的二阶距估计的偏置矫正，σ为平滑项；α₁和α₂为衰减系数；f(θ_t-1)为网络的损失函数。