[發(fā)明專利]一種EIGRP路由故障識別方法

有效

• 申請?zhí)枺?/td>: 201710844637.2
• 申請日: 2017-09-19
• 公開（公告）號: CN107483267B
• 公開（公告）日: 2021-01-15
• 發(fā)明（設計）人: 錢葉魁;葉立新;王丙坤;李宇翀;錢葉剛;杜江;楊瑞朋;夏軍波;劉桂奇;黃浩;雒朝峰;郭煜
• 申請（專利權）人: 中國人民解放軍防空兵學院;中國電子科技集團公司第五十四研究所
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L12/703
• 代理公司: 深圳市威世博知識產(chǎn)權代理事務所(普通合伙) 44280
• 代理人: 李慶波

1.一種EIGRP路由故障識別方法，其特征在于，

通過集線器將監(jiān)測節(jié)點并入被監(jiān)測路由系統(tǒng)中，集線器與核心路由器互聯(lián)，并且與監(jiān)測節(jié)點互聯(lián)，監(jiān)測節(jié)點通過集線器接入計算機網(wǎng)絡中，所述監(jiān)測節(jié)點通過抓包程序捕獲所述被監(jiān)測路由系統(tǒng)中進出核心路由器的EIGRP數(shù)據(jù)報文；

從捕獲的所述EIGRP數(shù)據(jù)報文中提取有用字段作為數(shù)據(jù)樣本特征并確定具體的樣本特征值，建立訓練樣本集T；

利用所述訓練樣本集T建立故障類別識別模型，再利用所述故障類別識別模型對未知的EIGRP路由故障樣本進行識別；

所述數(shù)據(jù)樣本特征包括數(shù)據(jù)報文長度，數(shù)據(jù)包類型，單播標識，附加路由標識，重啟標識，路由器編號，AS編號，帶寬，負載，延時，可靠性，丟包率，擴展屬性，內(nèi)部路由數(shù)目，子網(wǎng)掩碼的位數(shù)，外部路由數(shù)目，樣本類型，IP地址的路由條目和/或路由器端口的IP地址連續(xù)性；

當利用所述訓練樣本集T建立的故障類別識別模型是基于決策樹的故障識別FDDT模型時，建立過程包括：

輸入樣本集(T，A)，其中，A為特征值集，若所述訓練樣本集T中的故障類型為同一類故障F，則生成與所述故障F對應的F類葉節(jié)點；

若所述特征值集A不是空集或者所述訓練樣本集T中的樣本在所述特征值集A中的特征值相同，則生成與所述訓練樣本集T中樣本數(shù)最多的類對應的M類葉節(jié)點；

若所述訓練樣本集T中的樣本在所述特征值集A中的特征值不相同，則計算所述特征值集A中不同屬性的信息增益，得到最優(yōu)屬性的樣本子集Ta，若Ta為空集，則生成Y類葉節(jié)點，否則若Ta不為空集，則循環(huán)遞歸輸入樣本集(Ta，A)；

所述信息增益的計算方法是：

其中，特征值a有V個可選的值{a₁，a₂，…，a_V}，使用所述特征值a對訓練集D進行劃分，則會產(chǎn)生V個分支節(jié)點，其中第v個分支節(jié)點包含了訓練集D中所有在特征值a上取值為a_v的樣本，記為D^v，Ent(D)代表信息熵，計算公式為：

p_k是訓練集D中第k類樣本所占的比例，y表示樣本類別的數(shù)量；

構(gòu)建仿真實驗對基于所述FDDT模型的EIGRP路由故障識別方法進行分析，包括：首先，利用GNS3網(wǎng)絡仿真軟件搭建實驗平臺，完成EIGRP路由系統(tǒng)中各個路由器的初始化配置；接著，通過人為設置路由器中的各種參數(shù)，重現(xiàn)EIGRP路由系統(tǒng)中的故障和異常，并在故障發(fā)生的同時，利用Wireshark采集核心路由器的實時路由數(shù)據(jù)報文；采集到EIGRP故障的相關數(shù)據(jù)后，對數(shù)據(jù)進行格式化處理，根據(jù)故障類型，從所述路由數(shù)據(jù)報文中提取出相應的樣本特征，并確定具體的樣本特征值，所述樣本共有八種類型，包括正常類型和故障類型，所述故障類型包括子網(wǎng)掩碼不匹配，K值不匹配，AS號不匹配，分發(fā)列表配置錯誤，在非連續(xù)網(wǎng)絡中過度匯總，ROUTER-ID沖突，手動匯總錯誤；采用不同隨機種子值進行FDDT分類實驗，所述種子值分別取為1、2、3…10；通過改變樹節(jié)點預選的特征個數(shù)M來驗證基于FDDT模型的所述EIGRP路由故障識別方法的魯棒性，當M值小于10時，基于FDDT模型的路由故障識別方法的分類精度下降幅度較大；當M值在10到26之間時，精度基本保持不變。

2.根據(jù)權利要求1所述的EIGRP路由故障識別方法，其特征在于，當利用所述訓練樣本集T建立的故障類別識別模型是基于隨機森林的故障識別FDRF模型時，建立過程包括：

輸入樣本集(T，A)，其中，A為特征值集，通過Bagging方法得到n個訓練集，建立與所述n個訓練集相對應的n個基決策樹模型，每個所述訓練集是每個基決策樹模型的全部訓練數(shù)據(jù)；

在所述每個基決策樹模型的每個節(jié)點處，從所述節(jié)點的特征值集A中隨機挑選一個包含m個特征值的子集，然后從所述m個特征值中選擇一個最優(yōu)特征值劃分。