[发明专利]一种数据驱动的SDN控制器故障诊断系统

说明书

本发明公开了一种数据驱动的SDN控制器故障诊断系统。本发明包括数据采集模块，滑动窗口采样器，故障诊断模块，离线训练模块和基于LSTM的故障分类器。通过采集SDN控制器产生的行为数据，历史的行为数据用于离线训练和评估故障分类器，实时的行为数据用滑动窗口采样器进行时序采样后，输入由离线训练模块生成的故障分类器中，由LSTM神经网络提取输入数据中的时序特征，得出在线故障诊断结果。整个故障诊断流程由控制器本身产生的行为数据驱动，不需要人工制定诊断规则，大大减少了人力诊断成本。本发明可以应用于数据中心网络中进行SDN控制器的自动化故障管理，提高诊断效率。

技术领域

本发明属于软件定义网络与人工智能的交叉领域，尤其是涉及数据驱动的SDN控制器的故障诊断方法。

背景技术

通过将控制平面与数据转发平面分离并引入逻辑上集中的控制器，软件定义网络(SDN)可以提高网络和设备管理的灵活性。SDN的控制平面是监督和管理网络的关键组件。它利用南向协议(例如OpenFlow(OF))来控制数据平面中的流量，并为外部应用程序或其他高层事务(例如NFV编排器)公开各种北向接口(NBI)以控制网络。SDN控制器上传下达，掌握着SDN网络的全局视野，一旦控制器出现故障，整个SDN网络都可能因之而瘫痪。

不幸的是，作为一个面对复杂网络动态的软件系统，SDN控制平面是容易出错的。逻辑/设计缺陷和编码错误是SDN控制器软件中最常见的故障类别。这些故障可能导致各种软件错误或网络错误，例如，数据争用，空指针异常和错误的流表项分配。如果控制器中存在很多不合理的内存分配，这可能导致控制器崩溃。由于控制器通常安装在运算能力和I/O能力有限的普通服务器上，因此SDN控制器在实际应用中也会出现运行时性能故障。例如，如果工作负载超出控制器可以承受的范围，则控制器的服务性能将下降。这些过载故障可能导致控制器的功能服务异常，整个SDN网络也可能会随之瘫痪。

在复杂的实际场景中，SDN控制器不可避免地会发生多种故障。在检测到故障后网络管理员不得不人工诊断控制器故障，然后根据诊断出的故障类别采取相应的对策。那么故障的恢复时间就取决于故障检测和故障诊断的效率。随着SDN技术在云计算数据中心网络中的广泛应用，SDN网络的规模不断扩大，人工诊断难以满足企业对于运维效率的需求。准确而自动的故障检测和诊断方法将有助于提高SDN控制器故障管理的效率。但是,现有的与控制器有关的故障诊断工作集中在基于规则和基于策略的方法上，这些方法时间复杂度高且在生产环境中实现困难。

近年来，得到广泛发展的机器学习技术为这个问题带来了新的思路。机器学习是一类算法的统称，这些算法企图从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类，更具体的说，机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，只是这个函数过于复杂，以至于不太方便形式化表达，但可以通过大量数据的训练，自动的逼近最理想的函数。可以说机器学习技术最重要的就是数据。而SDN控制器在生产环境中通常配备详细的多维度的行为日志数据来记录其运行状态，这些数据为应用机器学习技术提供了可能性。

发明内容

本发明针对SDN控制器现有的故障诊断方法存在的效率低，复杂度高，生产环境实现困难等问题，提出一种数据驱动的SDN控制器故障诊断系统。

本发明的技术方案为1.一种数据驱动的SDN控制器故障诊断系统，其特征在于，包括以下模块：

数据采集模块：负责从控制器所在的服务器上采集控制器产生的行为数据，行为数据包括控制器的进程状态，北向服务，南向服务三个维度的统计特征数据，并以由应用场景需求设定的采集频率，将采集到的行为数据发送给数据预处理模块并同步储存到历史数据库；

数据预处理模块：负责对数据采集模块发送过来的行为数据进行处理，先将数据中出现的空缺值用上下文平均值平滑填充，避免空缺值对诊断模型输出结果的影响，再对数据进行归一化处理，消除数据特征值不同量级的影响；