[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

说明书

本发明属于故障检测领域，特别涉及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，包括构建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；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流形空间中并基于多核MMD的动态分布对该空间中特征进行对齐，计算对齐后源领域数据和目标领域数据的边缘分布差异；根据边缘分布差异更新检测器平衡因子；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，否则返回重新计算边缘分布差异；本发明减少故障检测中域之间的数据漂移问题。

技术领域

本发明属于故障检测领域，特别涉及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。

背景技术

在SDN网络中，传统的网络结构被分为可编程的数据平面和逻辑集中的控制平面，而不是将两者集成在同一个可配置的黑盒子中。SDN将大部分网络控制逻辑(由软件编程指定)放到控制平面，并简化了数据平面，它仅执行由控制平面所安装的转发策略。因此，SDN中控制器变得越发的重要，它是整个网络正常运行的核心组件。SDN控制器的检测的速度和精度直接影响着网络的可靠性，而传统网络中的故障检测方法并未考虑到SDN中的新特性，没有很好的适用性。网络故障具有一定的传播性质，一个故障可能是因另一个故障的发生而引起的。同时，又可能引起其它故障的形成。因此，针对SDN中的控制器故障检测技术的研究是十分有必要的。

随着故障检测技术成为一大研究热点，很多研究人员开始使用机器学习来攻克故障检测领域的难题，取得了很多实验成果。传统机器学习算法根据训练样本集是否有标签可分为三类：有监督学习(Supervised Learning)、半监督学习(Semi-SupervisedLearning)和无监督学习(Unsupervised Learning)。有监督学习的训练样本集都有标签，半监督学习的训练样本集则是部分有标签，而无监督学习的训练样本集则都没有标签。与半监督学习和无监督学习相比，有监督学习虽然学习性能最佳，但却需要足够多的标记样本数据导致成本较高。而半监督学习仅需要小部分标记样本数据，便可结合大量未标记训练样本数据进行学习。另外有监督学习通过分别训练，在不同的数据集都可以获得较好的效果，但并不具有良好的泛化性。

针对故障检测中对无标签数据的泛化能力，传统的机器学习方法明显存在不足，即普遍依赖一条基本假设，那就是数据的生成机制不随环境而改变。因为场景发生变化时，采集到的数据统计特征也会随之改变，原来场景中学习到的模型去解决新场景中的同一问题将影响学习效果。而迁移学习打破了训练数据与测试数据同分布的假设，因此测试数据(目标领域)可以借助不同概率分布的训练数据(源领域)进行知识迁移，从而提高测试数据的学习性能。

发明内容

为了使得属于相同类的实例距对应类中心更近，增强类的可分性，本发明提出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，具体包括以下步骤：

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；

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；

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，并判断检测结构是否收敛，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。

进一步的，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：