智能网络故障检测方法及系统与流程

本发明涉及计算机网络技术领域，特别涉及一种智能网络故障检测方法及系统。

背景技术：

随着互联网技术的不断发展，网络的稳定性和可用性显得尤为重要。在持续运行的网络系统中，当网络指标突然偏离原来的轨迹，超出正常的波动范围，则可以判断该时刻发生网络故障。监控网络的性能，检测网络故障也成了重要的工作之一。目前对网络的监控都是通过静态设置阈值的方式来实现，该方法需要设置一个固定的阈值，当网络指标超过该阈值时产生报警，所以在该方法下容易产生很多误报和漏报，使得监控的准确性降低。

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中采用静态设置一固定阈值的方式监控网络，容易产生误报和漏报的缺陷，提供一种智能网络故障检测方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

一种智能网络故障检测方法，所述智能网络故障检测方法包括：

s1、批量采集上一个时间段内被测网络线路的网络数据，得到原始网络数据；

s2、将所述原始网络数据转化为原始标准数据；

s3、利用所述原始标准数据建立高斯模型；

s4、实时采集所述被测网络线路的当前网络数据，将所述当前网络数据转化为当前标准数据，将所述当前标准数据代入所述高斯模型，计算得到一概率值；

s5、判断所述概率值是否符合小概率事件的概率取值范围，若是，则确定所述被测网络线路的网络状态为异常；若否，则确定所述被测网络线路的网络状态为正常。

较佳地，步骤s1中批量采集被测网络线路的网络数据的步骤包括：

在所述上一时间段内，通过所述被测网络线路对多个测试网址持续发送测试数据包，所述测试网址通过所述被测网络线路进行反馈，得到所述原始网络数据。

较佳地，步骤s2包括：对所述原始网络数据进行正态化处理，得到所述原始标准数据；和/或，步骤s3包括：对所述原始标准数据求取均值和方差，得到所述高斯模型；和/或，步骤s4包括：对所述当前网络数据进行正态化处理，得到所述当前标准数据。

较佳地，所述智能网络故障检测方法还包括：

在步骤s5中，若所述被测网络线路的网络状态为异常，则执行步骤s6；

s6、对异常网络状态报警提示。

较佳地，步骤s5中在判断为否时，将所述当前标准数据加入到所述原始标准数据中，并删除所述原始标准数据中时间最早的数据，返回步骤s3。

较佳地，步骤s5包括：

设置网络状态异常标志变量，并将网络状态异常标志变量的初始值设置为零；

在判断为是时，则将所述网络状态异常标志变量的值加1，判断所述网络状态异常标志变量是否大于第一阈值，若是，则确定所述被测网络线路的网络状态为异常，返回步骤s4；若否，则直接返回步骤s4；

判断为否时，则将所述网络状态异常标志变量清零，将所述当前标准数据加入到所述原始标准数据中，并删除所述原始标准数据中时间最早的数据，返回步骤s3。

较佳地，所述原始网络数据和所述当前网络数据包括网络延时、丢包率、状态码中的至少一种。

一种智能网络故障检测系统，包括数据采集模块、数据处理模块、模型建立模块和异常判断模块；

所述数据采集模块，用于批量采集上一个时间段内被测网络线路的网络数据，得到原始网络数据；

所述数据处理模块，用于将所述原始网络数据转化为原始标准数据；

所述模型建立模块，用于利用所述原始标准数据建立高斯模型；

所述数据采集模块，还用于采集当前时刻所述被测网络线路的网络数据，得到当前网络数据；

所述数据处理模块，还用于将所述当前网络数据转化为当前标准数据；

所述异常判断模块，用于将所述当前标准数据代入所述高斯模型，得到一概率值，判断所述概率值是否符合小概率事件的概率取值范围，若是，则确定所述被测网络线路的网络状态为异常；若否，则确定所述被测网络线路的网络状态为正常。

较佳地，所述数据处理模块用于对所述原始网络数据进行正态化处理，得到所述原始标准数据；和/或，所述模型建立模块用于对所述原始标准数据求取均值和方差，得到所述高斯模型；和/或，所述数据处理模块还用于对所述当前网络数据进行正态化处理，得到所述当前标准数据。

较佳地，所述智能网络故障检测系统还包括报警模块，用于在所述被测网络线路的网络状态为异常时，对异常网络状态报警提示。

较佳地，所述异常判断模块，用于判断为否时，将所述当前标准数据加入到所述原始标准数据中，并删除所述原始标准数据中时间最早的数据，调用所述模型建立模块。

较佳地，所述异常判断模块还用于设置网络状态异常标志变量，并将网络状态异常标志变量的初始值设置为零；所述异常判断模块还用于在判断为是时，将所述网络状态异常标志变量的值加1，判断所述网络状态异常标志变量是否大于第一阈值，若是，则确定所述被测网络线路的网络状态为异常，调用所述数据采集模块，采集下一时刻被测网络线路的网络数据；若否，则直接调用所述数据采集模块，采集下一时刻被测网络线路的网络数据；

较佳地，将所述网络状态异常标志变量清零，将所述当前标准数据加入到所述原始标准数据中，并删除所述原始标准数据中时间最早的数据，调用所述数据采集模块，采集下一时刻被测网络线路的网络数据。

本发明的积极进步效果在于：

本发明通过持续建模的方式实现自动判断当前时间点上的各项指标和前一时间段内的指标相比是否出现较大的偏差，如果出现大的偏差，则说明网络状态出现异常，否则，说明网络状态正常。本发明能有效检测网络故障，减少了设置阈值的麻烦以及设置阈值带来的不可靠性，提高了网络监控的准确性，避免了网络抖动产生的误报和网络故障时的漏报。

附图说明

图1为本发明实施例1的智能网络故障检测方法的流程图。

图2为本发明实施例2的智能网络故障检测方法的流程图。

图3为本发明实施例3的智能网络故障检测系统的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

如图1所示，一种智能网络故障检测方法，所述智能网络故障检测方法包括：

步骤101、批量采集上一个时间段内被测网络线路的网络数据，得到原始网络数据，具体通过以下步骤实现：

在所述上一时间段内，通过所述被测网络线路对多个测试网址持续发送测试数据包，所述测试网址通过所述被测网络线路进行反馈，得到所述原始网络数据。

本实施例中，选取0.5至1个小时时间段，通过持续ping各个测试网址得到网络延时、丢包率和状态码数据，对ping的结果进行统计和整理，得到所述原始网络数据。

步骤102、将所述原始网络数据转化为原始标准数据，具体通过以下步骤实现：

对所述原始网络数据进行正态化处理，得到所述原始标准数据。

步骤103、利用所述原始标准数据建立高斯模型，具体通过以下步骤实现：

对所述原始标准数据求取均值和方差，得到所述高斯模型。

步骤104、实时采集所述被测网络线路的当前网络数据，将所述当前网络数据转化为当前标准数据，更具体的，对所述当前网络数据进行正态化处理，得到所述当前标准数据，然后将所述当前标准数据代入所述高斯模型，计算得到一概率值。

步骤105、判断所述概率值是否符合小概率事件的概率取值范围，若是，则确定所述被测网络线路的网络状态为异常；若否，则确定所述被测网络线路的网络状态为正常。

本实施例中，小概率事件的概率取值范围为小于5％，判断所述概率值否小于5％，若是，则可以判定为小概率事件，故可以认为该时间点采集的数据不符合当前模型，即当前时刻网络发生异常；若否，则可以认为该时间点采集的数据符合当前模型，即当前时刻网络正常。

本实施例能实现自动判断当前时间点上的网络延时、丢包率和状态码三个指标和前一小段时间内的对应指标相比是否出现较大的偏差，如果出现大的偏差，则说明网络状态出现异常，否则，说明网络状态正常。

实施例2

本实施例提供一种智能网络故障检测方法，本实施例与实施例1基本相同，如图2所示，本实施例与实施例1相比，区别在于步骤105还包括：

设置网络状态异常标志变量，并将网络状态异常标志变量的初始值设置为零。

判断所述概率值是否符合小概率事件的概率取值范围，若判断为是，则将所述网络状态异常标志变量的值加1，判断所述网络状态异常标志变量是否大于第一阈值，若是，则确定所述被测网络线路的网络状态为异常，返回步骤104；若否，则直接返回步骤104；

若判断为否，则将所述网络状态异常标志变量清零，将所述当前标准数据加入到所述原始标准数据中，并删除所述原始标准数据中时间最早的数据，返回步骤103。

本实施例中，第一阈值设置为3。

本实施例与实施例1相比，通过设置网络状态异常标志变量标志连续网络状态异常次数，当判断所述概率值是否符合小概率事件的概率取值范围时，若判断为否，与第一阈值3比较，若大于第一阈值3，表示连续3次异常，确定为当前网络状态异常。通过设置第一阈值这种方式，与实施例1相比，通过连续判断，累计达到3次异常，即确定网络状态异常，这样可以避免网络抖动产生的误报，更进一步提高网络监控的准确性。判断所述概率值若不符合小概率事件的概率取值范围，则将网络状态异常标志变量清零，返回步骤103，实现持续替换新原始标准数据，持续建模；返回步骤104，实现连续获取当前网络数据，两个返回步骤，实现持续自动判断当前时间点上的网络延时、丢包率和状态码三个指标和前一段时间内的对应指标相比是否出现较大的偏差，如果出现大的偏差，则说明网络状态出现异常，否则，说明网络状态正常。该方法能有效检测网络故障，减少了设置阈值的麻烦以及设置阈值带来的不可靠性，提高了网络监控的准确性，避免了网络抖动产生的误报和网络故障时的漏报。

优选地，步骤105判断网络状态异常标志变量是否大于第一阈值，若是，则确定所述被测网络线路的网络状态为异常，执行步骤106；步骤106、对异常网络状态报警提示；以方便相关人员及时处理故障。

实施例3

如图3所示，一种智能网络故障检测系统，包括数据采集模块201、数据处理模块202、模型建立模块203和异常判断模块204；

所述数据采集模块201，用于批量采集上一个时间段内被测网络线路的网络数据，得到原始网络数据。

所述数据处理模块202，用于将所述原始网络数据转化为原始标准数据；

更具体的，用于对所述原始网络数据进行正态化处理，得到所述原始标准数据。

所述模型建立模块203，用于利用所述原始标准数据建立高斯模型；

更具体的，所述模型建立模块用于对所述原始标准数据求取均值和方差，得到所述高斯模型。

所述数据采集模块201，还用于采集当前时刻所述被测网络线路的网络数据，得到当前网络数据。

所述数据处理模块202，还用于将所述当前网络数据转化为当前标准数据；

更具体的，所述数据处理模块还用于对所述当前网络数据进行正态化处理，得到所述当前标准数据。

所述异常判断模块204，用于将所述当前标准数据代入所述高斯模型，得到一概率值，判断所述概率值是否符合小概率事件的概率取值范围，若是，则确定所述被测网络线路的网络状态为异常；若否，则确定所述被测网络线路的网络状态为正常。

实施例4

本实施例提供一种智能网络故障检测系统，本实施例与实施例3基本相同，其区别在于所述异常判断模块还用于设置网络状态异常标志变量，并将网络状态异常标志变量的初始值设置为零；所述异常判断模块还用于在判断为是时，将所述网络状态异常标志变量的值加1，判断所述网络状态异常标志变量是否大于第一阈值，若是，则确定所述被测网络线路的网络状态为异常，调用所述数据采集模块，采集下一时刻被测网络线路的网络数据；若否，则直接调用所述数据采集模块，采集下一时刻被测网络线路的网络数据。

所述异常判断模块还用于在判断为否时，将所述网络状态异常标志变量清零，将所述当前标准数据加入到所述原始标准数据中，并删除所述原始标准数据中时间最早的数据，调用所述数据采集模块，采集下一时刻被测网络线路的网络数据。

优选地，所述智能网络故障检测系统还包括报警模块，用于在所述被测网络线路的网络状态为异常时，对异常网络状态报警提示。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。