[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

说明书

技术领域

本发明涉及虚拟网络环境下一种基于深度学习的网络故障诊断方法，属于网络故障诊断领域。

背景技术

网络虚拟化，是解决网络僵化的重要方法。网络虚拟化的主要工作是通过对底层物理基础设施资源的合理抽象，分配和隔离，实现了对传统网络的细化分割，相对于传统的网络，在网络的安全性，灵活性，可管理性和能源效率方面更有前景。网络虚拟化将传统网络分成底层网络(Substrate Network，简称SN)和虚拟网络(Virtual Network，简称VN)。底层网络由基础设施服务提供商(Infrastructure Providers，简称InPs)提供维护和运营，虚拟网络由虚拟网络服务提供商(Service Providers，简称SPs)运营。InPs为SPs提供底层网络资源组建面向不同服务的虚拟网络，由SPs在虚拟网络上部署用户服务和应用。

随着各类SPs的不断产生，越来越多的应用和网络服务运行在虚拟网络上，新的映射机制也使得虚拟网络的资源利用率也越来越高，这使得底层网络上的虚拟网络映射更加复杂；底层网络虚拟化，虚拟网络动态化使得各种虚拟网络对应的底层网络资源之间更容易互相干扰；底层网络对上层的虚拟网络是透明的，虚拟网络运营商无法获取底层基础设施的故障数据和映射信息。网络虚拟化环境下资源关系的复杂性和资源之间的相互影响导致一旦虚拟网络或者底层网络某处出现故障，这种故障会转播和蔓延，最终可能致使整个网络的瘫痪。

深度学习是一种从复杂数据中提取有用信息的有效方法，用以研究动态系统，将系统的数据从无序演变为有序，从无规律演变为有规律，以自组织的方式，形成宏观时间纬度的特征向量。虚拟化网络故障的判断需要从时间维度上分析，根据过去的一段时间内网络的参数的变趋势，深度学习的循环神经网络具有长时记忆的功能，更适用于该场景下，网络故障特征的挖掘和分析。该方法关注链路参数信息和故障标签类别，屏蔽了网络故障之间的关联性，利用深度学习自身自主学习，特征提取的优势，在样本训练的过程中找到属性之间的关联性，降低了建模过程中考虑各种约束关系的复杂性。同时该方法也不必关心底层网络和上层虚拟网络之间的映射关系，利用虚拟网络的症状信息，去预测虚拟网络上的故障位置，起到提前预警的作用。在网络虚拟化环境下，运营商更关注服务QoS的保证，因此，本文力求保证虚拟网络的服务QoS，通过故障预警，让虚拟网络运营商提前对网络故障做好准备，保证了服务的QoS。

基于深度学习基本理论，面向网络虚拟化环境下新型网络结构和不同业务QoS需求，采用深度学习循环神经网络，结合网络的链路参数，拓扑结构，故发生概率关于时间的统计特征等多个域，建立基于深度学习的故障严重度概率模型。随着网络虚拟化的发展，网络规模不断扩大，复杂度逐渐上升，用深度学习的方法来解决网络中的故障问题是网络虚拟化发展的必然趋势。

发明内容

技术问题：本发明目的是基于深度学习理论，综合分析网络虚拟化环境下物理网络和虚拟网络参数构成，结合网络故障发生统计特性，网络拓扑结构等多个域，建立了网络虚拟化环境下基于深度学习的虚拟网络故障严重度诊断模型，应用于网络虚拟化环境中的网络故障诊断。

技术方案：本发明是以网络虚拟化的基本架构为基础，以多层次网络故障诊断模型研究为主线，以深度学习理论为主要研究工具，结合故障发生概率统计模型，综合考虑虚拟网络结构，故障发生与时间的概率统计关系，旨在实现网络虚拟化环境下，网络故障诊断。

本发明将网络虚拟化环境下的网络结构参数划分为物理参数和虚拟参数两大类。物理参数是指在网络层面的相关参数，虚拟参数是指在虚拟网络层面的相关参数。物理链路和虚拟链路参数又分为：拓扑参数，性能参数，功能参数，统计参数。针对物理网络和虚拟网络不同，四种参数考虑的重点也不同。拓扑参数表征网络组件在网络中的位置特性和邻居节点分布；性能参数对于链路衡量其传输性能，对于节点衡量计算和通信性能；功能参数表征网络组件在虚拟网络中的组件类型，以及该组件所具有的功能；统计参数表征故障的统计信息，以及和故障发生时间之间的关系。通过性能参数变化趋势，结合拓扑参数、功能参数和统计参数共同预测网络的故障等级概率。