本發明涉及通信網絡技術領域，特別是指一種網絡故障定位方法及裝置。

背景技術：

目前，對網絡進行聯合故障定位較為典型的方法是采用二分圖模型。這種方法通常采用的技術方案是在現有二分圖故障傳播模型中加入虛假故障因素，建立不確定性二分圖故障模型；在二分圖模型的基礎上，將故障定位問題轉化為一個0-1規劃的最小化問題，然后利用拉格朗日松弛和次梯度方法對問題進行求解，最后依賴貝葉斯模型進行定位。

上述方法以二分圖模型為基礎，依賴貝葉斯模型進行網絡故障定位。雖然也能夠一定程度的實現網絡故障定位，但是也存在一下缺陷：

第一，采用二分圖模型進行定位的方法僅僅從單一層面的故障分析入手，缺少對網絡故障的層間依賴關系進行考慮，在準確性上表現不佳；

第二，當整個網絡較為龐大復雜時，不僅算法的收斂性難以得到保證。而且定位效率也有待改善。

技術實現要素：

有鑒于此，本發明的目的在于提出一種網絡故障定位方法及裝置，能夠提高網絡故障定位的精確度和效率。

基于上述目的本發明提供的一種網絡故障定位方法，包括：

根據網絡節點針對不同類型故障發生的概率，將原始網絡域劃分為多個子網絡域；

獲取網絡中的歷史故障數據，并通過神經網絡訓練得到網絡故障定位模型；

獲取當前網絡中的信息網絡故障數據，輸入所述網絡故障定位模型中，計算得到通信網絡故障數據，得到網絡故障的定位結果。

可選的，所述將原始網絡域劃分為多個子網絡域采用的分類算法為K-means聚類算法。

可選的，所述將原始網絡域劃分為多個子網絡域包括：

根據網絡故障類型，將原始網絡域劃分為C個子網絡域；

從原始網絡域中隨機選取C個網絡節點，分別作為C個子網絡域的初始中心；

分別計算剩余網絡節點到所述C個子網絡域初始中心網絡節點的相似度，根據計算結果，將所述剩余網絡節點分別劃分到相似度最高的子網絡域；其中，所述剩余網絡節點為網絡中除去C個子網絡域初始中心網絡節點的其余網絡節點；

對網絡中的所有網絡節點進行聚類分析，根據聚類結果，更新C個子網絡域的中心；

根據更新后的C個子網絡域的中心，重新對網絡節點進行劃分，并根據新的網絡節點劃分結果，再次進行聚類分析；

重復上述步驟，直到C個子網絡域的中心不再發生變化。

可選的，所述相似度的計算公式為：

n_i＝[n_i,1,n_i,2,...,n_i,c]；

其中，i、j表示不同的網絡節點；n_i,c表示網絡節點i發生故障c的概率；n_i表示網絡節點i聚類信息，s(i,j)表示網絡節點i和網絡節點j之間的相似度。

可選的，所述對網絡中的所有網絡節點進行聚類分析，根據聚類結果，更新C個子網絡域的中心還包括：

計算網絡節點與子網絡域的中心網絡節點的節點距離，并計算得到最小節點距離，根據最小節點距離更新子網絡域的中心；

所述節點距離的計算公式為：

其中，D_k為第k個子網絡域的網絡節點集合，γ_k為第k個子網絡域的中心；

所述子網絡域的中心的計算公式為：

其中，N_k為第k個子網絡域的節點個數。

可選的，所述聚類分析還包括：統計通信網的網絡節點集合以及信息網的網絡節點集合。

可選的，所述神經網絡采用BP神經網絡。

可選的，所述通過神經網絡訓練得到網絡故障定位模型包括：

首先，定義子網絡域D_k的輸入向量x＝[x₁,x₂,...,x_n]，當域內信息網絡節點i發生故障時，x_i取值為1，未發生故障時x_i取值為0，其中i取值為1—n；定義輸出向量為y＝[y₁,y₂,...,y_l]，其中，y_i為域內通信網關聯節點i的狀態，且發生故障時取值為1，未發生故障時取值為0；其中，D_k為第k個子網絡域的網絡節點集合，n為輸入層的個數，l為輸出層的個數；

采用sigmoid函數作為BP神經網絡的作用函數，將信息網網絡節點的狀態作為輸入，計算得到隱含層節點的輸出，計算公式為：

f(x)＝1/(1+e^-x)

其中，w_ij為輸入層神經元節點與隱含層神經元節點之間的連接權值，θ_j為隱含層的閥值；x_i為輸入，p為隱含層的個數，k為網絡域個數。

根據隱含層節點的輸出，計算得到輸出層節點的輸出，計算公式為：

其中，v_jt為隱含層神經元節點到輸出層神經元節點的連接權值，γ_t是輸出層的閥值；

根據輸出層節點的輸出與實際輸出的差值計算得到輸出誤差，計算公式為：

其中，為輸出層節點的輸出與實際輸出的差值，E_k為誤差值；

根據梯度下降法，求出w_ij、θ_j、v_jt、γ_t的調整量，并對誤差進行調整，使誤差值最小：

其中，α,β為超參，是常量值。

本發明還提供了一種網絡故障定位裝置，包括：

網絡劃分單元，用于根據網絡節點針對不同類型故障發生的概率，將原始網絡域劃分為多個子網絡域；

模型訓練單元，用于獲取網絡中的歷史故障數據，并通過神經網絡訓練得到網絡故障定位模型；

網絡定位單元，用于獲取當前網絡中的信息網絡故障數據，輸入所述網絡故障定位模型中，計算得到通信網絡故障，得到網絡故障的定位結果。

從上面所述可以看出，本發明提供的網絡故障定位方法及裝置，通過考慮網絡故障在不同層之間的依賴關系，根據網絡節點對不同故障類型發生的概率，將整個網絡域劃分為若干個子網絡域，這樣，不僅將結構復雜、網絡體量大、故障多發的網絡域根據關聯性拆分為結構簡化的子網絡域，使得在子網絡域能夠進行更為準確的故障定位，而且基于多個子網絡域并行定位，大大提高了故障定位的效率。本發明還通過采用神經網絡訓練得到網絡故障定位模型，使得故障定位能夠考慮到網絡節點之間的關聯性，進一步提高了網絡故障定位的準確性。因此，本發明提供的網絡故障定位方法及裝置能夠提高網絡故障定位的精確度和效率。

附圖說明

圖1為本發明提供的網絡故障定位方法的一個實施例的流程圖；

圖2為本發明提供的網絡故障定位方法中子網絡域劃分的流程圖；

圖3為本發明提供的網絡故障定位方法中子網絡域劃分的結構示意圖；

圖4為本發明提供的網絡故障定位方法中神經網絡模型的結構示意圖；

圖5為本發明提供的網絡故障定位方法中通信網絡仿真場景示意圖；

圖6為本發明提供的網絡故障定位方法中一個子網絡域的訓練效果圖；

圖7為本發明提供的網絡故障定位方法中另一個子網絡域的訓練效果圖；

圖8為本發明提供的網絡故障定位方法中一個子網絡域的定位誤差效果圖；

圖9為本發明提供的網絡故障定位方法中另一個子網絡域的定位誤差效果圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照附圖，對本發明進一步詳細說明。

需要說明的是，本發明實施例中所有使用“第一”和“第二”的表述均是為了區分兩個相同名稱非相同的實體或者非相同的參量，可見“第一”“第二”僅為了表述的方便，不應理解為對本發明實施例的限定，后續實施例對此不再一一說明。

本發明針對于當前典型網絡中的特點，尤其是通過對國家電網信息通信網絡現狀的研究，針對目前網絡結構復雜、網絡體量大、故障多發以及難以高效準確定位的特性，結合現有的故障定位算法，提出了一種適用于該網絡環境的信息通信網絡聯合故障定位模型，在確保網絡運行達到一定程度的高效、可靠、安全和經濟的同時，實現簡單、快速、精準地進行信息通信網絡聯合故障定位。

具體的，參照圖1所示，為本發明提供的網絡故障定位方法的一個實施例的流程圖。所述網絡故障定位方法包括：

步驟101，根據網絡節點針對不同類型故障發生的概率，將原始網絡域劃分為多個子網絡域；參照圖3所示，為本發明提供的網絡故障定位方法中子網絡域劃分的結構示意圖。本發明從網絡節點可能發生的故障類型出發，把發生故障類型相似度高的網絡節點劃分在相同子網絡域內。不同子網絡域之間由于相似度較低，因此其關聯性也較低，不同子網絡域之間的網絡節點發生故障的因果關系也較弱，即子網絡域A內的網絡故障由子網絡域B引起的可能性較低。基于此，可以將原本復雜龐大的網絡結構采用分治的方法劃分為多個子網絡域，進行子網絡域內的故障定位。

步驟102，獲取網絡中的歷史故障數據，并通過神經網絡訓練得到網絡故障定位模型；其中，所述歷史故障數據是指在網絡中已經發生過的故障，已知故障的位置和結果的一類故障數據。所述神經網絡是指采用機器學習的方法訓練得到能夠由已知的輸入輸出并根據未知的輸入進而計算得到輸出結果的一類計算模型。

步驟103，獲取當前網絡中的信息網絡故障數據，輸入所述網絡故障定位模型中，計算得到通信網絡故障數據，得到網絡故障的定位結果。當獲取得到網絡故障定位模型后，就能夠根據當前的輸入數據計算得到預測的輸出結果，而只要稍稍網絡故障定位模型越準確，那么得到的輸出結果也更可靠。其中，在本發明的網絡中，網絡按功能劃分為通信網和信息網，網絡的每個層面擁有各自獨立的功能，不同層面之間又緊密關聯，網絡的這種層次結構決定了故障告警的傳播特性。在某個層面產生的故障，不但會在本層面傳播，還會在相鄰層面傳播。基于傳統告警關聯分析與故障定位技術，很少考慮到故障的這種層間依賴關系，而是僅僅從單一層面的故障分析入手。因而，本發明的故障定位效果更準確。

由上述實施例可知，在對真實網絡環境的可靠建模基礎上，首先運用多域劃分概念，將構建在龐大網絡環境上的故障定位問題轉化為在多個子域(即子網絡域)內的故障精確定位問題。其次，在每個劃分子域內，通過網絡故障數據，依靠神經網絡訓練符合實際網絡環境的故障定位模型。模型以信息網絡故障作為輸入，以通信網絡故障作為輸出，分析通信網絡與信息網絡間的故障傳播與故障關聯，并實現對信息通信網絡故障的聯合分析。網絡故障定位方法通過考慮網絡故障在不同層之間的依賴關系，根據網絡節點對不同故障類型發生的概率，將整個網絡域劃分為若干個子網絡域，不僅將結構復雜、網絡體量大、故障多發的網絡域根據關聯性拆分為結構簡化的子網絡域，使得在子網絡域能夠進行更為準確的故障定位，而且基于多個子網絡域并行定位，大大提高了故障定位的效率。本發明還通過采用神經網絡訓練得到網絡故障定位模型，使得故障定位能夠考慮到網絡節點之間的關聯性，進一步提高了網絡故障定位的準確性。因此，本發明提供的網絡故障定位方法能夠提高網絡故障定位的精確度和效率。

可選的，本發明所述的網絡故障定位方法尤其適用于國家電網的網絡故障分析。

優選的，通過神經網絡進行故障定位是在不同的子網絡域中分別進行故障定位，進一步，還可以根據不同子網絡域的特點，訓練得到不同的網絡故障定位模型，進一步提高定位的準確性。

在本發明一些可選的實施例中，所述將原始網絡域劃分為多個子網絡域采用的分類算法為K-means聚類算法。這是基于K-means聚類算法的原理符合本發明中網絡劃分的特點。當然，也可以根據網絡劃分的特點，對K-means聚類算法進行一定的變型，以適應本發明中網絡劃分的準確性和效率。

在本發明一些可選的實施例中，參照圖2所示，所述將原始網絡域劃分為多個子網絡域包括：

步驟201，根據網絡故障類型，將原始網絡域劃分為C個子網絡域；其中，所述網絡故障類型是指發生不同網絡故障的類型，具體的，按網絡故障性質劃分為物理故障、邏輯故障；按網絡故障對象劃分為線路故障、設備故障、主機(配置)故障。當然，也可以根據需要，按照不同的故障特性進行故障類型的劃分。優選的，C是指網絡故障類型的數目。

步驟202，從原始網絡域中隨機選取C個網絡節點，分別作為C個子網絡域的初始中心；聚類分析需要選定初始聚類中心，對應于子網絡域中的初始中心。隨機選取能夠簡化步驟，加快定位的速度。當然也可以根據網絡節點的分布特性，按照一定的算法選定網絡節點作為初始中心。

步驟203，分別計算剩余網絡節點到所述C個子網絡域初始中心網絡節點的相似度，根據計算結果，將所述剩余網絡節點分別劃分到相似度最高的子網絡域；其中，所述剩余網絡節點為網絡中除去C個子網絡域初始中心網絡節點的其余網絡節點；也即，除去初始中心的網絡節點，其余節點采用就近原則進行分域處理，將可能誘發相似故障類型的網絡節點劃分到同一個子網絡域中。

步驟204，對網絡中的所有網絡節點進行聚類分析，根據聚類結果，更新C個子網絡域的中心；

步驟205，根據更新后的C個子網絡域的中心，重新對網絡節點進行劃分，并根據新的網絡節點劃分結果，再次進行聚類分析；

步驟206，判斷子網絡域的中心是否發生變化，若是，則重復步驟204和步驟205，直到C個子網絡域的中心均不再發生變化。其中，所述變化是指當前的網絡中心相對于上一次的中心，是否保持相同。因此，通過上述網絡域的劃分，不僅能夠使得關聯性較高的網絡節點準確劃分到同一個子網絡域中，同時又將結構復雜的原始網絡域拆分為多個子網絡域，使得后續的故障定位更為準確、高效。

為了便于理解計算公式和對故障定位方法的描述，本發明實施例還定義了一下要素：

定義1：網絡中所有節點的集合為S，|S|表示網絡節點的個數；

定義2：網絡節點所有可能發生的故障類型集合為R，|R|表示故障類型個數；

定義3：網絡域集合為D＝{D₁,…,D_C}，其中|D|表示網絡域的個數；

定義4：網絡域中心集合為γ＝{γ₁,…,γ_C}。

在本發明一些可選的實施例中，所述相似度的計算公式為：

n_i＝[n_i,1,n_i,2,...,n_i,c]；

其中，i、j表示不同的網絡節點；n_i,c表示網絡節點i發生故障c的概率；n_i表示網絡節點i的聚類信息，s(i,j)表示網絡節點i和網絡節點j之間的相似度。

構建網絡故障定位模型的目的是為了定位故障源節點，從而找到網絡的根本癥結所在，提高網絡的魯棒性。本發明實施例提出了一種分布式的故障定位機制，首先根據網絡節點不同類型故障的發生概率，將原網絡劃分為多個域，然后同時對這些子域進行檢測，通過小范圍內的并行定位，找出網絡故障源節點，實現整個網絡的快速故障定位。

對于每個網絡節點i，構建一個對應的故障類型發生概率向量，即：

n_i＝[n_i,1,n_i,2,...,n_i,c]

每個網絡節點對應一個故障發生概率向量，該向量反映了不同的網絡節點容易誘發的故障類型。

而通過計算不同網絡節點之間的相似度，能夠快速、準確的進行網絡域的劃分，進而提高網絡故障定位的效率和準確性。

需要說明的是，在進行網絡子域劃分時，是將通信網絡與信息網絡作為一個整體進行考慮。因此，劃分的子域內既包含通信網絡節點也包含信息網絡節點。

在本發明一些可選的實施例中，所述對網絡中的所有網絡節點進行聚類分析，根據聚類結果，更新C個子網絡域的中心還包括：

計算網絡節點與子網絡域的中心網絡節點的節點距離，并計算得到最小節點距離，根據最小節點距離更新子網絡域的中心；

所述節點距離的計算公式為：

其中，D_k為第k個子網絡域的網絡節點集合，γ_k為第k個子網絡域的中心；

所述子網絡域的中心的計算公式為：

其中，N_k為第k個子網絡域的節點個數。

聚類分析的目的是將原始網絡域D分成C類子網絡域，即D＝{D₁,…,D_C}，其中D_i表示子網絡域i內的網絡節點集合，使用K-means聚類算法對網絡節點集合D內的節點進行聚類，及求得最小的節點距離。

在本發明一些可選的實施例中，所述聚類分析還包括：統計通信網的網絡節點集合T_i＝{t_i1,…,t_ij}以及信息網的網絡節點集合C_i＝{c_i1,…,c_ik}。這樣，能夠使得模型能夠準確定位故障源，從而提高了故障定位的準確性。

優選的，所述神經網絡采用BP神經網絡。基于BP神經網絡具有極強的非線性映射能力，因而特別適用于本發明實施例中的故障定位分析的計算。

在本發明一些可選的實施例中，所述通過神經網絡訓練得到網絡故障定位模型包括：

首先，定義子網絡域D_k的輸入向量x＝[x₁,x₂,...,x_n]，當域內信息網絡節點i發生故障時，x_i取值為1，未發生故障時x_i取值為0,其中i取值為1—n；定義輸出向量為y＝[y₁,y₂,...,y_l]，其中，y_i為域內通信網關聯節點i的狀態，且發生故障時取值為1，未發生故障時取值為0；其中，D_k為第k個子網絡域的網絡節點集合，n為輸入層的個數，l為輸出層的個數；

采用sigmoid函數作為BP神經網絡的作用函數，將信息網網絡節點的狀態作為輸入，計算得到隱含層節點的輸出，計算公式為：

f(x)＝1/(1+e^-x)

其中，w_ij為輸入層神經元節點與隱含層神經元節點之間的連接權值，θ_j為隱含層的閥值；x_i為輸入，p為隱含層的個數，k為網絡域個數。

根據隱含層節點的輸出，計算得到輸出層節點的輸出，計算公式為：

其中，v_jt為隱含層神經元節點到輸出層神經元節點的連接權值，γ_t是輸出層的閥值；

根據輸出層節點的輸出與實際輸出的差值計算得到輸出誤差，計算公式為：

其中，為輸出層節點的輸出與實際輸出的差值，E_k為誤差值；

根據梯度下降法，求出w_ij、θ_j、v_jt、γ_t的調整量，并對誤差進行調整，使誤差值最小：

其中，α,β為超參，是常量值。

在本實施例中，通過使用神經網絡的方式訓練大規模的歷史故障數據，從而提煉出精確的域內信息通信網絡故障判別模型。參照圖4所示，為一個簡單的神經網絡模型。本實施例將域內信息網網絡節點的狀態作為輸入特征，將通信網的網絡節點作為輸出結果。本實施例算法的核心在于使得誤差進行法相傳播，通過誤差來調整w_ij和v_jt。進一步，為了使得算法收斂的更快，可以將誤差函數更換為log誤差函數，也可以通過添加正則化項來抑制算法的過擬合。

在一些可選的實施例中，本發明模擬復雜的信息通信網絡環境，并對該網絡模型應用提出的基于多域劃分的信息通信網絡故障定位算法進行分析，圖5為針對國家電網信息通信網絡的仿真場景示例圖。

本發明實施例主要研究通信網故障對信息網的影響。

首先，采用K-means聚類算法進行網絡節點聚類，把整個網絡聚類成多個網絡域。

然后，依靠域內神經網絡故障定位模型，以域內信息網網絡節點的故障狀態為輸入，通信網網絡的各個節點故障狀態為輸出，使用從真實環境中提取的大量故障數據，訓練出真實有效的網絡聯合故障定位模型。

把國家電網日常網絡運維系統中的故障歷史數據作為數據集，這些數據包含了信息網的故障初始節點狀態以及通信網的故障關聯節點狀態，并假設節點發生故障為1，未發生故障為0。以信息網關聯節點的故障狀態作為輸入，通信網節點故障狀態作為輸出，通過這些數據可以真實的模擬通信網以及信息網之間的故障關聯關系，從而利用神經網絡的高度準確性訓練出一個符合實際網絡情況的故障定位模型。

最后，在訓練得出模型的基礎上使用驗證集進行定位效果的驗證。觀測到的網絡節點狀態數據按照所在網絡域進行劃分，每個網絡域使用120組樣本數據。對其中的兩個網絡域進行測試。將數據中的前100組數據作為訓練數據，后20數據組作為測試數據。

圖6、圖7為兩個子域的訓練效果圖。可以看出，在第一個子網絡域中，RBF(徑向基函數)神經網絡模型經過180次迭代后收斂，BP神經網絡模型經過160次迭代后收斂，從而可以判斷，本發明中的神經網絡的訓練誤差是逐步下降并且收斂的。這說明使用神經網絡訓練大量故障數據得出的定位模型是有效的，定位模型的誤差在逐步趨于0。此外，定位誤差的收斂速度依賴神經網絡初始權重，初始權重選擇越合適，收斂速度越快。這是由于神經網絡的非線性造成的，也是目前神經網絡可以改進的方向。從圖中還可以看出，BP網絡的收斂速度明顯快于RBF網絡。

使用驗證集對兩個子域進行故障分析定位。驗證集使用國家電網運維系統的歷史數據。使用上述的神經網絡訓練模型，以信息網節點故障狀態為輸入，得出訓練模型定位出的通信網故障源，之后再與真實統計的故障源數據作對比，定位準確則為0，定位錯誤則為1。圖8、圖9為兩個子域的定位誤差效果圖，可以看出，BP網絡的故障定位的準確性明顯好于RBF網絡。以圖8為例，20個測試樣本中定位錯誤的僅有1個，準確率達到了95％，而同樣的測試樣本在RBF網絡中有3個樣本定位錯誤，準確率為85％。

因此，本發明提出一種基于多域劃分的信息通信網絡聯合故障定位模型，一定程度上解決了故障定位的難題。模型首先將整個網絡通過子域劃分算法劃分為多個故障關聯性較高的子域，將發生相近故障的節點定位在較小的子域內，使原問題清晰簡單化，如此便不用盲目地對整個網絡進行故障檢測，很大程度上解決了故障定位高效性的問題；之后，通過在子域內引用BP神經網絡模型對故障的源發節點進行定位，并通過仿真實驗驗證了BP神經網絡的定位結果的有效性和準確性。

在本發明實施例的另一方面，本發明還提供了一種網絡故障定位裝置，包括：

網絡劃分單元，用于根據網絡節點針對不同類型故障發生的概率，將原始網絡域劃分為多個子網絡域；

模型訓練單元，用于獲取網絡中的歷史故障數據，并通過神經網絡訓練得到網絡故障定位模型；

網絡定位單元，用于獲取當前網絡中的信息網絡故障數據，輸入所述網絡故障定位模型中，計算得到通信網絡故障，得到網絡故障的定位結果。

上述網絡故障定位裝置實現了與所述網絡故障定位方向相同的功能和效果。

所屬領域的普通技術人員應當理解：以上任何實施例的討論僅為示例性的，并非旨在暗示本公開的范圍(包括權利要求)被限于這些例子；在本發明的思路下，以上實施例或者不同實施例中的技術特征之間也可以進行組合，步驟可以以任意順序實現，并存在如上所述的本發明的不同方面的許多其它變化，為了簡明它們沒有在細節中提供。

另外，為簡化說明和討論，并且為了不會使本發明難以理解，在所提供的附圖中可以示出或可以不示出與集成電路(IC)芯片和其它部件的公知的電源/接地連接。此外，可以以框圖的形式示出裝置，以便避免使本發明難以理解，并且這也考慮了以下事實，即關于這些框圖裝置的實施方式的細節是高度取決于將要實施本發明的平臺的(即，這些細節應當完全處于本領域技術人員的理解范圍內)。在闡述了具體細節(例如，電路)以描述本發明的示例性實施例的情況下，對本領域技術人員來說顯而易見的是，可以在沒有這些具體細節的情況下或者這些具體細節有變化的情況下實施本發明。因此，這些描述應被認為是說明性的而不是限制性的。

盡管已經結合了本發明的具體實施例對本發明進行了描述，但是根據前面的描述，這些實施例的很多替換、修改和變型對本領域普通技術人員來說將是顯而易見的。例如，其它存儲器架構(例如，動態RAM(DRAM))可以使用所討論的實施例。

本發明的實施例旨在涵蓋落入所附權利要求的寬泛范圍之內的所有這樣的替換、修改和變型。因此，凡在本發明的精神和原則之內，所做的任何省略、修改、等同替換、改進等，均應包含在本發明的保護范圍之內。