基于深度学习的交换机故障智能预测方法及系统与流程

本申请涉及智能预测，且更为具体地，涉及一种基于深度学习的交换机故障智能预测方法及系统。

背景技术：

1、交换机是计算机网络中的重要设备，用于在不同网络节点之间转发数据包。在大规模的网络中，交换机的故障可能导致网络中断、数据丢失和性能下降等问题，给网络运维和用户带来不便和损失。因此，准确、及时地预测交换机故障成为了网络管理和维护的重要任务。

2、传统的交换机故障预测方法主要基于阈值、规则和简单的统计分析等技术。这些方法往往需要人工设置阈值或规则，这意味着如果数据的分布发生变化或者出现新的故障模式，需要人工重新调整阈值或规则以适应网络环境的变化，这不仅增加了人工成本和时间成本，并且无法满足实时性要求。因此，期待一种基于深度学习的交换机故障智能预测方法及系统。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于深度学习的交换机故障智能预测方法及系统，其利用基于深度学习的人工智能技术来监测和分析交换机的运行状态时间序列数据，例如网络流量、端口状态和cpu利用率，从中挖掘关于交换机的异常状态特征，进而来判断交换机是否存在故障。这样，能够实现交换机故障的实时监测，为网络管理和维护人员提供重要的决策支持，减少交换机故障对网络的影响。

2、相应地，根据本申请的一个方面，提供了一种基于深度学习的交换机故障智能预测方法，其包括：获取被监控交换机的运行状态数据时间序列，其中，所述运行状态数据包括网络流量、端口状态和cpu利用率；提取所述运行状态数据时间序列的局部时序特征以得到交换机运行状态局部时序特征向量的序列；提取所述交换机运行状态局部时序特征向量的序列的时序关联语义特征以得到交换机运行状态时序关联语义编码特征向量；基于所述交换机运行状态时序关联语义编码特征向量，确定所述被监控交换机是否存在故障。

3、在上述基于深度学习的交换机故障智能预测方法中，提取所述运行状态数据时间序列的局部时序特征以得到交换机运行状态局部时序特征向量的序列，包括：对所述运行状态数据时间序列进行基于预定时间尺度的序列划分以得到运行状态数据局部时间序列的序列；使用深度学习模型对所述运行状态数据局部时间序列的序列进行时序编码以得到所述交换机运行状态局部时序特征向量的序列。

4、在上述基于深度学习的交换机故障智能预测方法中，所述深度学习模型为基于卷积神经网络模型的交换机运行状态特征提取器。

5、在上述基于深度学习的交换机故障智能预测方法中，使用深度学习模型对所述运行状态数据局部时间序列的序列进行时序编码以得到所述交换机运行状态局部时序特征向量的序列，包括：使用基于卷积神经网络模型的交换机运行状态特征提取器分别对所述运行状态数据局部时间序列的序列中的各个运行状态数据局部时间序列进行编码以得到所述交换机运行状态局部时序特征向量的序列。

6、在上述基于深度学习的交换机故障智能预测方法中，提取所述交换机运行状态局部时序特征向量的序列的时序关联语义特征以得到交换机运行状态时序关联语义编码特征向量，包括：将所述交换机运行状态局部时序特征向量的序列通过基于转换器模块的上下文编码器以得到所述交换机运行状态时序关联语义编码特征向量。

7、在上述基于深度学习的交换机故障智能预测方法中，基于所述交换机运行状态时序关联语义编码特征向量，确定所述被监控交换机是否存在故障，包括：将所述交换机运行状态时序关联语义编码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所述被监控交换机是否存在故障。

8、在上述基于深度学习的交换机故障智能预测方法中，将所述交换机运行状态时序关联语义编码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所述被监控交换机是否存在故障，包括：使用所述分类器的全连接层对所述交换机运行状态时序关联语义编码特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述交换机运行状态时序关联语义编码特征向量归属于各个分类标签的概率值，所述分类标签包括所述被监控交换机存在故障和所述被监控交换机不存在故障；将所述概率值中最大者对应的分类标签确定为所述分类结果。

9、在上述基于深度学习的交换机故障智能预测方法中，还包括训练步骤：对所述基于卷积神经网络模型的交换机运行状态特征提取器、所述基于转换器模块的上下文编码器和所述分类器进行训练。

10、在上述基于深度学习的交换机故障智能预测方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括被监控交换机的训练运行状态数据时间序列，其中，所述训练运行状态数据包括训练网络流量、训练端口状态和训练cpu利用率，以及所述被监控交换机是否存在故障的真实值；对所述训练运行状态数据时间序列进行基于预定时间尺度的序列划分以得到训练运行状态数据局部时间序列的序列；使用所述基于卷积神经网络模型的交换机运行状态特征提取器分别对所述训练运行状态数据局部时间序列的序列中的各个训练运行状态数据局部时间序列进行编码以得到训练交换机运行状态局部时序特征向量的序列；将所述训练交换机运行状态局部时序特征向量的序列通过所述基于转换器模块的上下文编码器以得到训练交换机运行状态时序关联语义编码特征向量；将所述训练交换机运行状态时序关联语义编码特征向量通过所述分类器以得到分类损失函数值；计算所述训练交换机运行状态局部时序特征向量的序列与所述训练交换机运行状态时序关联语义编码特征向量的特定损失函数值；以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值，来对所述基于卷积神经网络模型的交换机运行状态特征提取器、所述基于转换器模块的上下文编码器和所述分类器进行训练。

11、根据本申请的另一个方面，提供了一种基于深度学习的交换机故障智能预测系统，其包括：交换机运行状态监控模块，用于获取被监控交换机的运行状态数据时间序列，其中，所述运行状态数据包括网络流量、端口状态和cpu利用率；运行状态局部时序编码模块，用于提取所述运行状态数据时间序列的局部时序特征以得到交换机运行状态局部时序特征向量的序列；运行状态时序关联语义编码模块，用于提取所述交换机运行状态局部时序特征向量的序列的时序关联语义特征以得到交换机运行状态时序关联语义编码特征向量；故障诊断模块，用于基于所述交换机运行状态时序关联语义编码特征向量，确定所述被监控交换机是否存在故障。

12、与现有技术相比，本申请提供的基于深度学习的交换机故障智能预测方法及系统，其利用基于深度学习的人工智能技术来监测和分析交换机的运行状态时间序列数据，例如网络流量、端口状态和cpu利用率，从中挖掘关于交换机的异常状态特征，进而来判断交换机是否存在故障。这样，能够实现交换机故障的实时监测，为网络管理和维护人员提供重要的决策支持，减少交换机故障对网络的影响。

技术特征：

1.一种基于深度学习的交换机故障智能预测方法，其特征在于，包括：获取被监控交换机的运行状态数据时间序列，其中，所述运行状态数据包括网络流量、端口状态和cpu利用率；提取所述运行状态数据时间序列的局部时序特征以得到交换机运行状态局部时序特征向量的序列；提取所述交换机运行状态局部时序特征向量的序列的时序关联语义特征以得到交换机运行状态时序关联语义编码特征向量；基于所述交换机运行状态时序关联语义编码特征向量，确定所述被监控交换机是否存在故障。

2.根据权利要求1所述的基于深度学习的交换机故障智能预测方法，其特征在于，提取所述运行状态数据时间序列的局部时序特征以得到交换机运行状态局部时序特征向量的序列，包括：对所述运行状态数据时间序列进行基于预定时间尺度的序列划分以得到运行状态数据局部时间序列的序列；使用深度学习模型对所述运行状态数据局部时间序列的序列进行时序编码以得到所述交换机运行状态局部时序特征向量的序列。

3.根据权利要求2所述的基于深度学习的交换机故障智能预测方法，其特征在于，所述深度学习模型为基于卷积神经网络模型的交换机运行状态特征提取器。

4.根据权利要求3所述的基于深度学习的交换机故障智能预测方法，其特征在于，使用深度学习模型对所述运行状态数据局部时间序列的序列进行时序编码以得到所述交换机运行状态局部时序特征向量的序列，包括：使用基于卷积神经网络模型的交换机运行状态特征提取器分别对所述运行状态数据局部时间序列的序列中的各个运行状态数据局部时间序列进行编码以得到所述交换机运行状态局部时序特征向量的序列。

5.根据权利要求4所述的基于深度学习的交换机故障智能预测方法，其特征在于，提取所述交换机运行状态局部时序特征向量的序列的时序关联语义特征以得到交换机运行状态时序关联语义编码特征向量，包括：将所述交换机运行状态局部时序特征向量的序列通过基于转换器模块的上下文编码器以得到所述交换机运行状态时序关联语义编码特征向量。

6.根据权利要求5所述的基于深度学习的交换机故障智能预测方法，其特征在于，基于所述交换机运行状态时序关联语义编码特征向量，确定所述被监控交换机是否存在故障，包括：将所述交换机运行状态时序关联语义编码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所述被监控交换机是否存在故障。

7.根据权利要求6所述的基于深度学习的交换机故障智能预测方法，其特征在于，将所述交换机运行状态时序关联语义编码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所述被监控交换机是否存在故障，包括：使用所述分类器的全连接层对所述交换机运行状态时序关联语义编码特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的softmax分类函数以得到所述交换机运行状态时序关联语义编码特征向量归属于各个分类标签的概率值，所述分类标签包括所述被监控交换机存在故障和所述被监控交换机不存在故障；将所述概率值中最大者对应的分类标签确定为所述分类结果。

8.根据权利要求7所述的基于深度学习的交换机故障智能预测方法，其特征在于，还包括训练步骤：对所述基于卷积神经网络模型的交换机运行状态特征提取器、所述基于转换器模块的上下文编码器和所述分类器进行训练。

9.根据权利要求8所述的基于深度学习的交换机故障智能预测方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括被监控交换机的训练运行状态数据时间序列，其中，所述训练运行状态数据包括训练网络流量、训练端口状态和训练cpu利用率，以及所述被监控交换机是否存在故障的真实值；对所述训练运行状态数据时间序列进行基于预定时间尺度的序列划分以得到训练运行状态数据局部时间序列的序列；使用所述基于卷积神经网络模型的交换机运行状态特征提取器分别对所述训练运行状态数据局部时间序列的序列中的各个训练运行状态数据局部时间序列进行编码以得到训练交换机运行状态局部时序特征向量的序列；将所述训练交换机运行状态局部时序特征向量的序列通过所述基于转换器模块的上下文编码器以得到训练交换机运行状态时序关联语义编码特征向量；将所述训练交换机运行状态时序关联语义编码特征向量通过所述分类器以得到分类损失函数值；计算所述训练交换机运行状态局部时序特征向量的序列与所述训练交换机运行状态时序关联语义编码特征向量的特定损失函数值；以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值，来对所述基于卷积神经网络模型的交换机运行状态特征提取器、所述基于转换器模块的上下文编码器和所述分类器进行训练。

10.一种基于深度学习的交换机故障智能预测系统，其特征在于，包括：交换机运行状态监控模块，用于获取被监控交换机的运行状态数据时间序列，其中，所述运行状态数据包括网络流量、端口状态和cpu利用率；运行状态局部时序编码模块，用于提取所述运行状态数据时间序列的局部时序特征以得到交换机运行状态局部时序特征向量的序列；运行状态时序关联语义编码模块，用于提取所述交换机运行状态局部时序特征向量的序列的时序关联语义特征以得到交换机运行状态时序关联语义编码特征向量；故障诊断模块，用于基于所述交换机运行状态时序关联语义编码特征向量，确定所述被监控交换机是否存在故障。

技术总结
本申请涉及智能预测技术领域，其具体地公开了一种基于深度学习的交换机故障智能预测方法及系统，其利用基于深度学习的人工智能技术来监测和分析交换机的运行状态时间序列数据，例如网络流量、端口状态和CPU利用率，从中挖掘关于交换机的异常状态特征，进而来判断交换机是否存在故障。这样，能够实现交换机故障的实时监测，为网络管理和维护人员提供重要的决策支持，减少交换机故障对网络的影响。

技术研发人员：张胜,蒋明波
受保护的技术使用者：杭州奥博瑞光通信有限公司
技术研发日：
技术公布日：2024/4/17