发明名称 |
虚拟网络环境下一种基于深度学的网络故障诊断方法 |
摘要 |
本发明公开了网络虚拟化环境下一种基于深度学的网络故障诊断方法,将虚拟网络划分为物理网络和虚拟网络,结合网络故障发生特点,考虑时间影响因素,网络拓扑连接特性和虚拟网络‑物理网络映射关系,以故障严重等级概率综合衡量网络故障;将具有影响度的网络特征参数作为模型学资源,关注网络历史数据的变化趋势和故障标签的对应关系,基于深度学的视角,建立网络虚拟化环境下多故障等级概率的网络故障诊断模型对网络参数进行训练。在训练过程中调整故障预测模型,最后利用优化调整的深度学网络,实现网络虚拟化环境下的故障诊断。本发明可以对网络虚拟化环境下的网络参数进行深入分析,因此,在对网络故障预测的时候具有更高的准确性。 |
申请公布号 |
CN106603293A |
申请公布日期 |
2017.04.26 |
申请号 |
CN201611184602.2 |
申请日期 |
2016.12.20 |
申请人 |
南京邮电大学 |
发明人 |
朱晓荣;张雷;赵夙;冯晓迪;蒋继胜 |
分类号 |
H04L12/24(2006.01)I;H04L12/26(2006.01)I |
主分类号 |
H04L12/24(2006.01)I |
代理机构 |
江苏爱信律师事务所 32241 |
代理人 |
唐小红 |
主权项 |
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。 |
地址 |
210003 江苏省南京市新模范马路66号 |