[发明专利]虚拟网络环境下一种基于深度学习的网络故障诊断方法

权利要求书

1.网络虚拟化环境下一种基于深度学习的网络故障诊断方法，其特征在于，通过采集网络虚拟化环境下不同类别的网络状态数据，经过数据预处理后，利用长短时记忆循环神经网络对处理后的数据进行训练，同时引入辅助数据集合，通过误差反向传播算法完成模型参数调整，最后根据得到的最优模型，对网络虚拟化环境下的故障严重等级概率进行预测，包括以下过程：

1)网络虚拟化环境下，网络参数采集；

2)网络参数的预处理；

3)利用长短时记忆循环神经网络LSTM模型对处理后的网络数据进行训练，调整参数；

4)引入辅助数据集合和辅助损失函数；

5)使用误差反向传播算法更新神经网络权重；

6)根据5)得到的LSTM模型对短期的网络故障进行预测。

2.根据权利要求1所述的方法，其特征在于，所述步骤1)中，预先确定影响参数，编写程序上报网络组件参数，获取组件的软件运行日志，把数据保存在数据库中。网络根据预先设定的时间间隔值，上报网络数据，该步骤中网络数据包括：

1-1)拓扑参数向量，包括该网络中网络组件的位置，近邻信息与从属关系，链路和节点数目信息；

1-2)性能参数向量，包括该网络组件的带宽利用率，网络时延，丢包率，传输速率信息；

1-3)功能参数向量，包括网络组件的类型，在网络中的负责的功能以及安全要求级别信息；

1-4)统计参数向量，从概率的角度来描述故障的发生概率问题，包括了该网络组件发生故障的次数，发生故障的严重程度集合，网络组件正常运行的时长。

3.根据权利要求1所述的方法，其特征在于，所述2)的具体实施方法：从数据库中获取网络数据参数，对网络组件的非结构化的日志文件进行处理，得到日志文件中的异常记录，转换成结构化的数据存储起来；取出网络组件上报的网络参数，将所有在同一时间段内处理得到的网络特征参数转换为训练向量；采集到的网络数据集合是一个非平衡数据集合，网络故障数据所占比例很小，正常数据很多，在网络数据集合中有故障的部分采用过采样的方法，正常数据部分采用欠采样的方法实现非平衡数据集的处理，保证长短时记忆循环神经网络的学习精度。

4.根据权利要求1所述的方法，其特征在于，所述3)的具体实施方法：使用服从高斯分布的随机函数进行权重初始化，利用获得的训练数据集合，通过误差反向传播算法最小化损失函数，更新神经元连接权重，优化整个网络结构；最后一层是Softmax多分类器层，在该层通过有监督学习对LSTM循环神经网络进行参数微调，最小化的误差函数值。

5.根据权利要求1所述的方法，其特征在于，所述4)的具体实施方法：选取统计参数作为神经网络训练的辅助数据集合，增加辅助损失函数，达到正则化神经网络的目的，防止过拟合。

6.根据权利要求1所述的方法，其特征在于，所述5)的具体实施方法：利用时间传播算法，对整个网络权重调整，最小化误差函数，得到最优神经网络模型。

7.根据权利要求1所述的方法，其特征在于，所述6)的具体实施方法：根据5)步骤得到的最佳网络参数生成的网络模型，将新检测得到的网络数据作为输入向量输入到模型中，最终输出是网络组件的故障严重度概率。