[發(fā)明專利]一種網(wǎng)絡(luò)異常檢測方法、裝置、電子設(shè)備和存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011388343.1
• 申請日: 2020-12-01
• 公開（公告）號: CN112637132B
• 公開（公告）日: 2022-03-11
• 發(fā)明（設(shè)計）人: 楊輝;李雪婷;管琳;姚秋彥;包博文;李超;張杰
• 申請（專利權(quán)）人: 北京郵電大學(xué)
• 主分類號: H04L9/40
• 分類號: H04L9/40
• 代理公司: 北京風(fēng)雅頌專利代理有限公司 11403
• 代理人: 王剛

1.一種網(wǎng)絡(luò)異常檢測方法，其特征在于，包括：

獲取一組網(wǎng)絡(luò)指標(biāo)，包括：時延，抖動和丟包率；

計算所述網(wǎng)絡(luò)指標(biāo)間的相關(guān)性，得到關(guān)聯(lián)指標(biāo)數(shù)據(jù)集；

將所述關(guān)聯(lián)指標(biāo)數(shù)據(jù)集輸入預(yù)先訓(xùn)練的傳輸質(zhì)量預(yù)測模型，得到傳輸質(zhì)量預(yù)測值；所述傳輸質(zhì)量預(yù)測模型由歷史關(guān)聯(lián)指標(biāo)數(shù)據(jù)集訓(xùn)練得到；

將所述傳輸質(zhì)量預(yù)測值輸入預(yù)先訓(xùn)練的異常標(biāo)注模型，得到異常數(shù)據(jù)，所述異常數(shù)據(jù)用于對網(wǎng)絡(luò)進(jìn)行管理；所述異常標(biāo)注模型由異常樣本集訓(xùn)練得到；所述異常樣本集由密度聚類算法對所述歷史關(guān)聯(lián)指標(biāo)數(shù)據(jù)集進(jìn)行異常標(biāo)注后得到，

其中，所述計算所述網(wǎng)絡(luò)指標(biāo)間的相關(guān)性，得到關(guān)聯(lián)指標(biāo)數(shù)據(jù)集，具體包括：

首先，將所述網(wǎng)絡(luò)指標(biāo)根據(jù)所述時延進(jìn)行升序排序，排序后的位置表示為秩次r_t，根據(jù)所述抖動進(jìn)行升序排序，排序后的位置表示為秩次r_j，根據(jù)如下公式計算等級差R：

然后，根據(jù)所述等級差R和如下公式，計算相關(guān)性ρ：

其中，K表示所述網(wǎng)絡(luò)指標(biāo)的維度；

最后，根據(jù)所述相關(guān)性ρ得到與提前設(shè)定的指標(biāo)數(shù)據(jù)集強(qiáng)相關(guān)的關(guān)聯(lián)指標(biāo)數(shù)據(jù)集。

2.根據(jù)權(quán)利要求1所述的一種網(wǎng)絡(luò)異常檢測方法，其特征在于，所述傳輸質(zhì)量預(yù)測模型分為兩層，每一層都接受四十九個輸入數(shù)據(jù)作為特征，得到一個輸出特征，再通過一個線性層將所述輸出特征回歸到具體數(shù)值。

3.根據(jù)權(quán)利要求1所述的一種網(wǎng)絡(luò)異常檢測方法，其特征在于，所述密度聚類算法，具體包括：

使用歐幾里得距離來測量關(guān)聯(lián)指標(biāo)數(shù)據(jù)之間的距離，具體計算公式如下

其中，S′為所述關(guān)聯(lián)指標(biāo)數(shù)據(jù)集，s_i∈S′，s_j∈S′，d_i，j即表示關(guān)聯(lián)指標(biāo)數(shù)據(jù)s_i和關(guān)聯(lián)指標(biāo)數(shù)據(jù)s_j之間的距離，s_i，k是s_i的第k維，s_j，k是s_j的第k維。

4.根據(jù)權(quán)利要求3所述的一種網(wǎng)絡(luò)異常檢測方法，其特征在于，所述密度聚類算法，還包括：

定義δ_i表示在所述關(guān)聯(lián)指標(biāo)數(shù)據(jù)s_i鄰域E_i內(nèi)的關(guān)聯(lián)指標(biāo)數(shù)據(jù)的密度，ε表示與所述關(guān)聯(lián)指標(biāo)數(shù)據(jù) s_i的距離在ε之內(nèi)：

MinPts為算法的預(yù)設(shè)參數(shù)，如果δ_i≥MinPts，那么稱從所述關(guān)聯(lián)指標(biāo)數(shù)據(jù)s_j至所述關(guān)聯(lián)指標(biāo)數(shù)據(jù)s_i密度可達(dá)。

5.一種網(wǎng)絡(luò)異常檢測裝置，其特征在于，包括：

網(wǎng)絡(luò)指標(biāo)獲取模塊，被配置為，獲取一組網(wǎng)絡(luò)指標(biāo)，包括：時延，抖動，丟包率；

網(wǎng)絡(luò)指標(biāo)計算模塊，被配置為，計算所述網(wǎng)絡(luò)指標(biāo)間的相關(guān)性，得到關(guān)聯(lián)指標(biāo)數(shù)據(jù)集；

傳輸質(zhì)量預(yù)測模塊，被配置為，將所述關(guān)聯(lián)指標(biāo)數(shù)據(jù)集輸入預(yù)先訓(xùn)練的傳輸質(zhì)量預(yù)測模型，得到傳輸質(zhì)量預(yù)測值；所述傳輸質(zhì)量預(yù)測模型由歷史關(guān)聯(lián)指標(biāo)數(shù)據(jù)集訓(xùn)練得到；

異常數(shù)據(jù)檢測模塊，被配置為，將所述傳輸質(zhì)量預(yù)測值輸入預(yù)先訓(xùn)練的異常標(biāo)注模型，得到異常數(shù)據(jù)，所述異常數(shù)據(jù)用于對網(wǎng)絡(luò)進(jìn)行管理；所述異常標(biāo)注模型由異常樣本集訓(xùn)練得到；所述異常樣本集由密度聚類算法對所述歷史關(guān)聯(lián)指標(biāo)數(shù)據(jù)集進(jìn)行異常標(biāo)注后得到，

其中，所述網(wǎng)絡(luò)指標(biāo)計算模塊具體被配置為：

首先，將所述網(wǎng)絡(luò)指標(biāo)根據(jù)所述時延進(jìn)行升序排序，排序后的位置表示為秩次r_t，根據(jù)所述抖動進(jìn)行升序排序，排序后的位置表示為秩次r_j，根據(jù)如下公式計算等級差R：

然后，根據(jù)所述等級差R和如下公式，計算相關(guān)性ρ：

其中，K表示所述網(wǎng)絡(luò)指標(biāo)的維度；

最后，根據(jù)所述相關(guān)性ρ找到與提前設(shè)定的指標(biāo)數(shù)據(jù)集強(qiáng)相關(guān)的關(guān)聯(lián)指標(biāo)數(shù)據(jù)集。