[发明专利]一种针对复杂网络的网络故障分析方法和系统

说明书

本发明公开了一种针对复杂网络的网络故障分析方法和系统，属于网络故障分析领域。包括：根据节点的度和连接关系，将复杂网络拓扑图分解为紧密相邻的多个子网拓扑图；将每个子网拓扑图的序列化矩阵和该子网拓扑图每次故障信息结合为故障矩阵；将每个子网拓扑图的所有故障矩阵输入卷积神经网络模型进行训练，得到该子网拓扑图的故障诊断模型；将待测复杂网络拓扑进行分割，得到复杂网络拓扑的各子网拓扑，结合告警信息分别引入已训练好的多个子网拓扑图的故障诊断模型进行综合分析，得到网络故障诊断结果。本发明将复杂网络拓扑分割为多个具有特征的子网，每个子网都是同构图，保持同构性以及连接关系，实现了大面积网络覆盖网络故障分析的可行性。

技术领域

本发明属于网络故障分析领域，更具体地，涉及一种针对复杂网络的网络故障分析方法和系统。

背景技术

通信网网络由多个路由、设备等依次相连接，将连接主体(路由、设备等)当作一个个节点，构成一个环形网，例如，电力通信网。当网络发生故障时，往往是一个或多个节点出现问题，需要对整个网络进行分析从而找到故障的节点以及故障类型。专业网管采集到网络故障告警信息数据，包含：故障类型、故障级别、告警名称、告警源、定位信息、发生时间等字段。告警信息数据具有衍生性、传播性，这对真实的故障告警判断增添了难度。

随着科学技术的发展，网络规模不断扩大，网络动态性日益加剧，对网络管理带来了巨大的冲击力。现有的通信网网络故障分析难以覆盖到所有网络和设备，难以应对网络规模的日益增长，尤其是从未出现过的网络故障。此外，由于传统网络故障分析是对网络拓扑进行编号处理，一旦设备编号改变则网络的表示图也变化了，因此对于相同的拓扑结构但是不同编号的网络，系统无法智能化地进行分析。需要大量模型训练的时间，并产生了相同或相似网络的重复性训练。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种针对复杂网络的网络故障分析方法和系统，其目的在于将复杂网络合理地、唯一地分割为多个具有特征的子网拓扑，将各子网拓扑结合其告警信息输入到卷积神经网络进行训练并得到故障模型，联合多个模型则可实现复杂网络的故障分析。

为实现上述目的，按照本发明的一个方面，提供了一种针对复杂网络的网络故障分析方法，该方法包括以下步骤：

S1.根据节点的度和连接关系，将复杂网络拓扑图分解为紧密相邻的多个子网拓扑图；

S2.将每个子网拓扑图对应的序列化矩阵和该子网拓扑图每次故障信息结合为一个故障矩阵；

S3.将每个子网拓扑图的所有故障矩阵输入卷积神经网络模型进行训练，得到该子网拓扑图的故障诊断模型；

S4.将待测复杂网络拓扑通过步骤S1的方式进行分割，得到该复杂网络拓扑的各子网拓扑，结合告警信息分别引入已训练好的多个子网拓扑图的故障诊断模型进行综合分析，得到网络故障诊断结果。

优选地，步骤S1包括以下子步骤：

S11.遍历复杂通信网络中所有节点，根据网络节点在网络中的重要程度，对所有网络节点进行降序排序；

S12.选取排序后序列化顺序中的第一个节点，取ω个邻居节点构成序列化链表，对依据度最大节点的ω个邻居节点按照重要程度降序排列，将其转换成长度为(ω+1)的序列，ω≥排序后序列化顺序中的第一个节点的一阶邻居数量；

S13.针对序列化链表中的每个顺序节点，取k个邻居节点按照重要程度进行降序排序，得到包含节点ID、大小为(ω+1)*(k+1)的代表一个中心结构的序列化矩阵，k≥排序后序列化顺序中的第一个节点的一阶邻居数量；

S14.去除序列化矩阵中的所有节点，重复遍历网络中剩余节点直至所有节点为空，若剩余节点的最大的度大于α，则进入步骤S12，继续进行序列化矩阵构造操作；若剩余节点的最大的度小于等于α，则舍弃剩余节点。