本技术涉及智能监控领域,且更为具体地,涉及一种路由器的远程故障监控方法及路由器。
背景技术:
1、路由器作为网络的核心设备,一旦发生故障就会导致整个网络不可用。通过对路由器进行远程故障监控,可以及时发现和处理故障,提高网络的稳定性和可靠性。但是路由器的故障类型颇多,有些还不易发现,例如网络拥堵、攻击、安全漏洞等。
2、因此,期待一种优化的路由器的远程故障监控方案。
技术实现思路
1、为了解决上述技术问题,提出了本技术。本技术的实施例提供了一种路由器的远程故障监控方法及路由器,其通过采用深度学习的神经网络模型路由器的日志记录数据的文本语义特征,进一步基于路由器的日志数据进行分析来远程进行路由器的故障类型评估判断,这样,能够实现路由器的远程故障监控,以保证网络的稳定性。
2、根据本技术的一个方面,提供了一种路由器的远程故障监控方法,其包括:
3、获取由路由器提供的预定时间段的路由器日志记录;
4、对所述路由器日志记录进行分词处理后通过词嵌入层以得到日志词嵌入向量的序列;
5、将所述日志词嵌入向量的序列通过基于转换器的上下文编码器以得到第一路由器日志语义理解特征向量;
6、将所述日志词嵌入向量的序列二维排列为词嵌入特征矩阵后通过文本卷积神经网络模型以得到第二路由器日志语义理解特征向量;
7、融合所述第一路由器日志语义理解特征向量和所述第二路由器日志语义理解特征向量以得到路由器日志语义理解特征向量;以及
8、将所述路由器日志语义理解特征向量通过分类器以得到分类结果,所述分类结果用于表示路由器存在各种故障的概率值。
9、在上述路由器的远程故障监控方法中,将所述日志词嵌入向量的序列通过基于转换器的上下文编码器以得到第一路由器日志语义理解特征向量,包括:将所述日志词嵌入向量的序列进行一维排列以得到全局日志特征向量;
10、计算所述全局日志特征向量与所述日志词嵌入向量的序列中各个日志词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述日志词嵌入向量的序列中各个日志词嵌入向量进行加权以得到所述多个上下文语义日志特征向量;以及,将所述多个上下文语义日志特征向量进行级联以得到所述第一路由器日志语义理解特征向量。
11、在上述路由器的远程故障监控方法中,将所述日志词嵌入向量的序列二维排列为词嵌入特征矩阵后通过文本卷积神经网络模型以得到第二路由器日志语义理解特征向量,包括:使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为过滤器的卷积神经网络的最后一层的输出为所述第二路由器日志语义理解特征向量,所述作为过滤器的卷积神经网络的第一层的输入为所述日志词嵌入向量的序列二维排列成的词嵌入特征矩阵。
12、在上述路由器的远程故障监控方法中,融合所述第一路由器日志语义理解特征向量和所述第二路由器日志语义理解特征向量以得到路由器日志语义理解特征向量,包括:以如下级联公式来融合所述第一路由器日志语义理解特征向量和所述第二路由器日志语义理解特征向量以得到路由器日志语义理解特征向量;其中,所述公式为:
13、
14、其中,表示所述第一路由器日志语义理解特征向量,表示所述第二路由器日志语义理解特征向量,表示级联函数,表示所述路由器日志语义理解特征向量。
15、在上述路由器的远程故障监控方法中,还包括对所述基于转换器的上下文编码器、所述文本卷积神经网络模型和所述分类器进行训练;其中,对所述基于转换器的上下文编码器、所述文本卷积神经网络模型和所述分类器进行训练,包括:获取训练数据,所述训练数据包括预定时间段的训练路由器日志记录,以及,所述路由器存在各种故障的概率值的真实值;对所述训练路由器日志记录进行分词处理后通过所述词嵌入层以得到训练日志词嵌入向量的序列;将所述训练日志词嵌入向量的序列通过所述基于转换器的上下文编码器以得到训练第一路由器日志语义理解特征向量;将所述训练日志词嵌入向量的序列二维排列为训练词嵌入特征矩阵后通过所述文本卷积神经网络模型以得到训练第二路由器日志语义理解特征向量;融合所述训练第一路由器日志语义理解特征向量和所述训练第二路由器日志语义理解特征向量以得到训练路由器日志语义理解特征向量;对所述训练路由器日志语义理解特征向量进行特征分布优化以得到优化训练路由器日志语义理解特征向量;将所述优化训练路由器日志语义理解特征向量通过所述分类器以得到分类损失函数值;以及,基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于转换器的上下文编码器、所述文本卷积神经网络模型和所述分类器进行训练。
16、在上述路由器的远程故障监控方法中,对所述训练路由器日志语义理解特征向量进行特征分布优化以得到优化训练路由器日志语义理解特征向量,包括:以如下优化公式对所述训练路由器日志语义理解特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练路由器日志语义理解特征向量;其中,所述优化公式为:
17、
18、其中,表示所述训练路由器日志语义理解特征向量的各个位置的特征值,和分别是所述训练路由器日志语义理解特征向量的各个位置的特征值集合的均值和方差,表示以2为底的对数函数值,表示反正弦函数值,表示反余弦函数值,表示所述优化训练路由器日志语义理解特征向量的各个位置的特征值。
19、在上述路由器的远程故障监控方法中,将所述优化训练路由器日志语义理解特征向量通过所述分类器以得到分类损失函数值,包括:使用所述分类器以如下公式对所述优化训练路由器日志语义理解特征向量进行处理以获得分类损失函数值,其中,所述公式为:
20、,其中,到为权重矩阵,到为偏置向量,为优化训练路由器日志语义理解特征向量。
21、根据本技术的另一方面,提供了一种路由器,其包括:
22、信息采集模块,用于获取由路由器提供的预定时间段的路由器日志记录;
23、词嵌入模块,用于对所述路由器日志记录进行分词处理后通过词嵌入层以得到日志词嵌入向量的序列;
24、上下文编码模块,用于将所述日志词嵌入向量的序列通过基于转换器的上下文编码器以得到第一路由器日志语义理解特征向量;
25、卷积模块,用于将所述日志词嵌入向量的序列二维排列为词嵌入特征矩阵后通过文本卷积神经网络模型以得到第二路由器日志语义理解特征向量;
26、融合模块,用于融合所述第一路由器日志语义理解特征向量和所述第二路由器日志语义理解特征向量以得到路由器日志语义理解特征向量;以及
27、分类结果生成模块,用于将所述路由器日志语义理解特征向量通过分类器以得到分类结果,所述分类结果用于表示路由器存在各种故障的概率值。
28、根据本技术的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的路由器的远程故障监控方法。
29、根据本技术的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的路由器的远程故障监控方法。
30、与现有技术相比,本技术提供的一种路由器的远程故障监控方法及路由器通过采用基于深度学习的神经网络模型挖掘出银行业务系统的测试广度数据、其通过采用深度学习的神经网络模型路由器的日志记录数据的文本语义特征,进一步基于路由器的日志数据进行分析来远程进行路由器的故障类型评估判断,这样,能够实现路由器的远程故障监控,以保证网络的稳定性。