本發(fā)明涉及計算機(jī)網(wǎng)絡(luò)，尤其涉及一種srv6網(wǎng)絡(luò)故障的智能診斷方法以及裝置。

背景技術(shù)：

1、srv6?te?policy（segment?routing?ipv6?traffic?engineering?policy）網(wǎng)絡(luò)是基于ipv6的分段路由技術(shù)的一種應(yīng)用，主要用于實現(xiàn)流量工程，提升網(wǎng)絡(luò)質(zhì)量，滿足業(yè)務(wù)的端到端需求。

2、srv6?te?policy出現(xiàn)故障后，對業(yè)務(wù)的流量和傳輸質(zhì)量影響很大。由于目前針對srv6?te?policy的大多數(shù)運維活動仍然依賴人工參與，常見的維護(hù)模式是針對逐個網(wǎng)元設(shè)備涉及理解大量設(shè)備相關(guān)信息，日常維護(hù)服務(wù)與運維人力成本占比較高，自動化程度較低，效率低下。

3、由此可見，相關(guān)技術(shù)中srv6?te?policy網(wǎng)絡(luò)的故障診斷方法，存在自動化程度較低且效率低下的技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種srv6網(wǎng)絡(luò)故障的智能診斷方法以及裝置，用以解決現(xiàn)有技術(shù)中srv6?te?policy網(wǎng)絡(luò)的故障診斷方法存在自動化程度較低且效率低下的缺陷，實現(xiàn)srv6網(wǎng)絡(luò)狀態(tài)的定期檢測，減少了srv6?te?policy的故障時間，提升srv6?te?policy的故障定位效率。

2、本發(fā)明提供一種srv6網(wǎng)絡(luò)故障的智能診斷方法，包括如下步驟。獲取srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點至尾節(jié)點之間的流量特征向量，其中，所述流量特征向量包括端到端時延、網(wǎng)絡(luò)時延抖動、丟包率以及鏈路帶寬利用率；

3、將所述流量特征向量輸入至預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型中，得到所述預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型輸出的多個網(wǎng)絡(luò)狀態(tài)標(biāo)簽，其中，所述多個網(wǎng)絡(luò)狀態(tài)標(biāo)簽中的每個網(wǎng)絡(luò)狀態(tài)標(biāo)簽分別用于表示每個所述流量工程策略模式的網(wǎng)絡(luò)狀態(tài)。

4、根據(jù)本發(fā)明提供的一種srv6網(wǎng)絡(luò)故障的智能診斷方法，在所述獲取srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點至尾節(jié)點之間的流量特征向量之前，所述方法還包括：確定單一數(shù)據(jù)包通過srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點的第一時間戳；確定所述單一數(shù)據(jù)包通過所述srv6網(wǎng)絡(luò)中所述流量工程策略模式下所述段列表集合中尾節(jié)點的第二時間戳；將所述第二時間戳與所述第一時間戳的差值作為所述srv6網(wǎng)絡(luò)中流量工程策略模式下所述單一數(shù)據(jù)包的單條列表時延；確定目標(biāo)時刻內(nèi)所有數(shù)據(jù)包的單條列表時延的加和值，將所述加和值與所述所有數(shù)據(jù)包的數(shù)量的比值作為端到端時延。

5、根據(jù)本發(fā)明提供的一種srv6網(wǎng)絡(luò)故障的智能診斷方法，在所述確定目標(biāo)時刻內(nèi)所有數(shù)據(jù)包的單條列表時延的加和值，將所述加和值與所述所有數(shù)據(jù)包的數(shù)量的比值作為端到端時延之后，所述方法還包括：確定所述目標(biāo)時刻內(nèi)所述所有數(shù)據(jù)包中每個數(shù)據(jù)包的單條列表時延；將所述每個數(shù)據(jù)包的單條列表時延與所述端到端時延的差值的平方的加和值與所述所有數(shù)據(jù)包的數(shù)量的比值，作為網(wǎng)絡(luò)時延抖動。

6、根據(jù)本發(fā)明提供的一種srv6網(wǎng)絡(luò)故障的智能診斷方法，在所述獲取srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點至尾節(jié)點之間的流量特征向量之前，所述方法還包括：確定目標(biāo)時刻內(nèi)srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點的發(fā)送數(shù)據(jù)包總數(shù)；確定所述目標(biāo)時刻內(nèi)所述srv6網(wǎng)絡(luò)中所述流量工程策略模式下所述段列表集合中尾節(jié)點的接收數(shù)據(jù)包總數(shù)；將所述接收數(shù)據(jù)包總數(shù)與所述發(fā)送數(shù)據(jù)包總數(shù)的比值的百分?jǐn)?shù)，作為丟包率。

7、根據(jù)本發(fā)明提供的一種srv6網(wǎng)絡(luò)故障的智能診斷方法，在所述獲取srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點至尾節(jié)點之間的流量特征向量之前，所述方法還包括：確定目標(biāo)時刻內(nèi)srv6網(wǎng)絡(luò)中流量工程策略模式下的目標(biāo)鏈路的端到端實際使用總帶寬；確定所述目標(biāo)時刻內(nèi)所述srv6網(wǎng)絡(luò)中所述流量工程策略模式下的所述目標(biāo)鏈路的端到端可用總帶寬；將所述端到端實際使用總帶寬與所述端到端可用總帶寬的比值的百分?jǐn)?shù)，作為鏈路帶寬利用率。

8、根據(jù)本發(fā)明提供的一種srv6網(wǎng)絡(luò)故障的智能診斷方法，在所述將所述流量特征向量輸入至預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型中，得到所述預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型輸出的多個網(wǎng)絡(luò)狀態(tài)標(biāo)簽之前，所述方法還包括：基于訓(xùn)練樣本集，對數(shù)據(jù)降維聚類模型進(jìn)行目標(biāo)迭代次數(shù)的預(yù)訓(xùn)練：根據(jù)所述訓(xùn)練樣本集中訓(xùn)練樣本的個數(shù)，設(shè)置數(shù)據(jù)降維聚類模型的競爭層的神經(jīng)元節(jié)點數(shù)量，并初始化所述競爭層的神經(jīng)元節(jié)點的節(jié)點權(quán)重；將預(yù)處理后的所述訓(xùn)練樣本集輸入至數(shù)據(jù)降維聚類模型，遍歷所述競爭層中的每一個所述神經(jīng)元節(jié)點，以確定所述訓(xùn)練樣本與所述神經(jīng)元節(jié)點之間的相似度；將所述相似度最高的神經(jīng)元節(jié)點作為優(yōu)勝節(jié)點；基于所述優(yōu)勝節(jié)點根據(jù)預(yù)設(shè)的領(lǐng)域半徑確定優(yōu)勝鄰域所包含的鄰域神經(jīng)元節(jié)點；對所述鄰域神經(jīng)元節(jié)點的節(jié)點權(quán)重進(jìn)行更新；在當(dāng)前迭代次數(shù)等于所述目標(biāo)迭代次數(shù)時，得到預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型。

9、本發(fā)明還提供一種srv6網(wǎng)絡(luò)故障的智能診斷裝置，包括如下模塊：獲取模塊，用于獲取srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點至尾節(jié)點之間的流量特征向量，其中，所述流量特征向量包括端到端時延、網(wǎng)絡(luò)時延抖動、丟包率以及鏈路帶寬利用率；輸出模塊，用于將所述流量特征向量輸入至預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型中，得到所述預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型輸出的多個網(wǎng)絡(luò)狀態(tài)標(biāo)簽，其中，所述多個網(wǎng)絡(luò)狀態(tài)標(biāo)簽中的每個網(wǎng)絡(luò)狀態(tài)標(biāo)簽分別用于表示每個所述流量工程策略模式的網(wǎng)絡(luò)狀態(tài)。

10、本發(fā)明還提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機(jī)程序，所述處理器執(zhí)行所述程序時實現(xiàn)如上述任一種所述srv6網(wǎng)絡(luò)故障的智能診斷方法。

11、本發(fā)明還提供一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如上述任一種所述srv6網(wǎng)絡(luò)故障的智能診斷方法。

12、本發(fā)明還提供一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如上述任一種所述srv6網(wǎng)絡(luò)故障的智能診斷方法。

13、本發(fā)明提供的srv6網(wǎng)絡(luò)故障的智能診斷方法以及裝置，通過基于srv6網(wǎng)絡(luò)特性綜合端到端時延、時延抖動、丟包率以及帶寬利用率等流量特征向量，調(diào)用預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型基于流量特征向量對srv6網(wǎng)絡(luò)進(jìn)行檢測，由此，能夠根據(jù)數(shù)據(jù)降維聚類模型對流量特征數(shù)據(jù)進(jìn)行故障分析，提升srv6?te?policy的故障定位效率；進(jìn)而解決了相關(guān)技術(shù)中srv6?te?policy網(wǎng)絡(luò)的故障診斷方法，存在自動化程度較低且效率低下的技術(shù)問題。

技術(shù)特征：

1.一種srv6網(wǎng)絡(luò)故障的智能診斷方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的srv6網(wǎng)絡(luò)故障的智能診斷方法，其特征在于，在所述獲取srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點至尾節(jié)點之間的流量特征向量之前，所述方法還包括：

3.根據(jù)權(quán)利要求2所述的srv6網(wǎng)絡(luò)故障的智能診斷方法，其特征在于，在所述確定目標(biāo)時刻內(nèi)所有數(shù)據(jù)包的單條列表時延的加和值，將所述加和值與所述所有數(shù)據(jù)包的數(shù)量的比值作為端到端時延之后，所述方法還包括：

4.根據(jù)權(quán)利要求1所述的srv6網(wǎng)絡(luò)故障的智能診斷方法，其特征在于，在所述獲取srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點至尾節(jié)點之間的流量特征向量之前，所述方法還包括：

5.根據(jù)權(quán)利要求1所述的srv6網(wǎng)絡(luò)故障的智能診斷方法，其特征在于，在所述獲取srv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點至尾節(jié)點之間的流量特征向量之前，所述方法還包括：

6.根據(jù)權(quán)利要求1所述的srv6網(wǎng)絡(luò)故障的智能診斷方法，其特征在于，在所述將所述流量特征向量輸入至預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型中，得到所述預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型輸出的多個網(wǎng)絡(luò)狀態(tài)標(biāo)簽之前，所述方法還包括：

7.一種srv6網(wǎng)絡(luò)故障的智能診斷裝置，其特征在于，包括：

8.一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)如權(quán)利要求1至6任一項所述srv6網(wǎng)絡(luò)故障的智能診斷方法。

9.一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至6任一項所述srv6網(wǎng)絡(luò)故障的智能診斷方法。

10.一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至6任一項所述srv6網(wǎng)絡(luò)故障的智能診斷方法。

技術(shù)總結(jié)
本發(fā)明提供一種SRv6網(wǎng)絡(luò)故障的智能診斷方法以及裝置，其中，上述方法包括：獲取SRv6網(wǎng)絡(luò)中流量工程策略模式下段列表集合中頭節(jié)點至尾節(jié)點之間的流量特征向量，其中，流量特征向量包括端到端時延、網(wǎng)絡(luò)時延抖動、丟包率以及鏈路帶寬利用率；將流量特征向量輸入至預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型中，得到預(yù)訓(xùn)練的數(shù)據(jù)降維聚類模型輸出的多個網(wǎng)絡(luò)狀態(tài)標(biāo)簽，其中，多個網(wǎng)絡(luò)狀態(tài)標(biāo)簽中的每個網(wǎng)絡(luò)狀態(tài)標(biāo)簽分別用于表示每個流量工程策略模式的網(wǎng)絡(luò)狀態(tài)；通過本發(fā)明能夠提升SRv6網(wǎng)絡(luò)的故障定位效率。

技術(shù)研發(fā)人員：喻鵬,王家興,方宏林,周凡欽,豐雷,李文璟
受保護(hù)的技術(shù)使用者：北京郵電大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26