本發(fā)明涉及計算機網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別涉及一種智能網(wǎng)絡(luò)故障檢測方法及系統(tǒng)。

背景技術(shù)：

隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)的穩(wěn)定性和可用性顯得尤為重要。在持續(xù)運行的網(wǎng)絡(luò)系統(tǒng)中，當(dāng)網(wǎng)絡(luò)指標(biāo)突然偏離原來的軌跡，超出正常的波動范圍，則可以判斷該時刻發(fā)生網(wǎng)絡(luò)故障。監(jiān)控網(wǎng)絡(luò)的性能，檢測網(wǎng)絡(luò)故障也成了重要的工作之一。目前對網(wǎng)絡(luò)的監(jiān)控都是通過靜態(tài)設(shè)置閾值的方式來實現(xiàn)，該方法需要設(shè)置一個固定的閾值，當(dāng)網(wǎng)絡(luò)指標(biāo)超過該閾值時產(chǎn)生報警，所以在該方法下容易產(chǎn)生很多誤報和漏報，使得監(jiān)控的準確性降低。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是為了克服現(xiàn)有技術(shù)中采用靜態(tài)設(shè)置一固定閾值的方式監(jiān)控網(wǎng)絡(luò)，容易產(chǎn)生誤報和漏報的缺陷，提供一種智能網(wǎng)絡(luò)故障檢測方法及系統(tǒng)。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題：

一種智能網(wǎng)絡(luò)故障檢測方法，所述智能網(wǎng)絡(luò)故障檢測方法包括：

s1、批量采集上一個時間段內(nèi)被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)，得到原始網(wǎng)絡(luò)數(shù)據(jù)；

s2、將所述原始網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化為原始標(biāo)準數(shù)據(jù)；

s3、利用所述原始標(biāo)準數(shù)據(jù)建立高斯模型；

s4、實時采集所述被測網(wǎng)絡(luò)線路的當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)，將所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化為當(dāng)前標(biāo)準數(shù)據(jù)，將所述當(dāng)前標(biāo)準數(shù)據(jù)代入所述高斯模型，計算得到一概率值；

s5、判斷所述概率值是否符合小概率事件的概率取值范圍，若是，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常；若否，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為正常。

較佳地，步驟s1中批量采集被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)的步驟包括：

在所述上一時間段內(nèi)，通過所述被測網(wǎng)絡(luò)線路對多個測試網(wǎng)址持續(xù)發(fā)送測試數(shù)據(jù)包，所述測試網(wǎng)址通過所述被測網(wǎng)絡(luò)線路進行反饋，得到所述原始網(wǎng)絡(luò)數(shù)據(jù)。

較佳地，步驟s2包括：對所述原始網(wǎng)絡(luò)數(shù)據(jù)進行正態(tài)化處理，得到所述原始標(biāo)準數(shù)據(jù)；和/或，步驟s3包括：對所述原始標(biāo)準數(shù)據(jù)求取均值和方差，得到所述高斯模型；和/或，步驟s4包括：對所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)進行正態(tài)化處理，得到所述當(dāng)前標(biāo)準數(shù)據(jù)。

較佳地，所述智能網(wǎng)絡(luò)故障檢測方法還包括：

在步驟s5中，若所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常，則執(zhí)行步驟s6；

s6、對異常網(wǎng)絡(luò)狀態(tài)報警提示。

較佳地，步驟s5中在判斷為否時，將所述當(dāng)前標(biāo)準數(shù)據(jù)加入到所述原始標(biāo)準數(shù)據(jù)中，并刪除所述原始標(biāo)準數(shù)據(jù)中時間最早的數(shù)據(jù)，返回步驟s3。

較佳地，步驟s5包括：

設(shè)置網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量，并將網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量的初始值設(shè)置為零；

在判斷為是時，則將所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量的值加1，判斷所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量是否大于第一閾值，若是，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常，返回步驟s4；若否，則直接返回步驟s4；

判斷為否時，則將所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量清零，將所述當(dāng)前標(biāo)準數(shù)據(jù)加入到所述原始標(biāo)準數(shù)據(jù)中，并刪除所述原始標(biāo)準數(shù)據(jù)中時間最早的數(shù)據(jù)，返回步驟s3。

較佳地，所述原始網(wǎng)絡(luò)數(shù)據(jù)和所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)包括網(wǎng)絡(luò)延時、丟包率、狀態(tài)碼中的至少一種。

一種智能網(wǎng)絡(luò)故障檢測系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、模型建立模塊和異常判斷模塊；

所述數(shù)據(jù)采集模塊，用于批量采集上一個時間段內(nèi)被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)，得到原始網(wǎng)絡(luò)數(shù)據(jù)；

所述數(shù)據(jù)處理模塊，用于將所述原始網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化為原始標(biāo)準數(shù)據(jù)；

所述模型建立模塊，用于利用所述原始標(biāo)準數(shù)據(jù)建立高斯模型；

所述數(shù)據(jù)采集模塊，還用于采集當(dāng)前時刻所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)，得到當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)；

所述數(shù)據(jù)處理模塊，還用于將所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化為當(dāng)前標(biāo)準數(shù)據(jù)；

所述異常判斷模塊，用于將所述當(dāng)前標(biāo)準數(shù)據(jù)代入所述高斯模型，得到一概率值，判斷所述概率值是否符合小概率事件的概率取值范圍，若是，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常；若否，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為正常。

較佳地，所述數(shù)據(jù)處理模塊用于對所述原始網(wǎng)絡(luò)數(shù)據(jù)進行正態(tài)化處理，得到所述原始標(biāo)準數(shù)據(jù)；和/或，所述模型建立模塊用于對所述原始標(biāo)準數(shù)據(jù)求取均值和方差，得到所述高斯模型；和/或，所述數(shù)據(jù)處理模塊還用于對所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)進行正態(tài)化處理，得到所述當(dāng)前標(biāo)準數(shù)據(jù)。

較佳地，所述智能網(wǎng)絡(luò)故障檢測系統(tǒng)還包括報警模塊，用于在所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常時，對異常網(wǎng)絡(luò)狀態(tài)報警提示。

較佳地，所述異常判斷模塊，用于判斷為否時，將所述當(dāng)前標(biāo)準數(shù)據(jù)加入到所述原始標(biāo)準數(shù)據(jù)中，并刪除所述原始標(biāo)準數(shù)據(jù)中時間最早的數(shù)據(jù)，調(diào)用所述模型建立模塊。

較佳地，所述異常判斷模塊還用于設(shè)置網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量，并將網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量的初始值設(shè)置為零；所述異常判斷模塊還用于在判斷為是時，將所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量的值加1，判斷所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量是否大于第一閾值，若是，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常，調(diào)用所述數(shù)據(jù)采集模塊，采集下一時刻被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)；若否，則直接調(diào)用所述數(shù)據(jù)采集模塊，采集下一時刻被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)；

較佳地，將所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量清零，將所述當(dāng)前標(biāo)準數(shù)據(jù)加入到所述原始標(biāo)準數(shù)據(jù)中，并刪除所述原始標(biāo)準數(shù)據(jù)中時間最早的數(shù)據(jù)，調(diào)用所述數(shù)據(jù)采集模塊，采集下一時刻被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)。

本發(fā)明的積極進步效果在于：

本發(fā)明通過持續(xù)建模的方式實現(xiàn)自動判斷當(dāng)前時間點上的各項指標(biāo)和前一時間段內(nèi)的指標(biāo)相比是否出現(xiàn)較大的偏差，如果出現(xiàn)大的偏差，則說明網(wǎng)絡(luò)狀態(tài)出現(xiàn)異常，否則，說明網(wǎng)絡(luò)狀態(tài)正常。本發(fā)明能有效檢測網(wǎng)絡(luò)故障，減少了設(shè)置閾值的麻煩以及設(shè)置閾值帶來的不可靠性，提高了網(wǎng)絡(luò)監(jiān)控的準確性，避免了網(wǎng)絡(luò)抖動產(chǎn)生的誤報和網(wǎng)絡(luò)故障時的漏報。

附圖說明

圖1為本發(fā)明實施例1的智能網(wǎng)絡(luò)故障檢測方法的流程圖。

圖2為本發(fā)明實施例2的智能網(wǎng)絡(luò)故障檢測方法的流程圖。

圖3為本發(fā)明實施例3的智能網(wǎng)絡(luò)故障檢測系統(tǒng)的模塊示意圖。

具體實施方式

下面通過實施例的方式進一步說明本發(fā)明，但并不因此將本發(fā)明限制在所述的實施例范圍之中。

實施例1

如圖1所示，一種智能網(wǎng)絡(luò)故障檢測方法，所述智能網(wǎng)絡(luò)故障檢測方法包括：

步驟101、批量采集上一個時間段內(nèi)被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)，得到原始網(wǎng)絡(luò)數(shù)據(jù)，具體通過以下步驟實現(xiàn)：

在所述上一時間段內(nèi)，通過所述被測網(wǎng)絡(luò)線路對多個測試網(wǎng)址持續(xù)發(fā)送測試數(shù)據(jù)包，所述測試網(wǎng)址通過所述被測網(wǎng)絡(luò)線路進行反饋，得到所述原始網(wǎng)絡(luò)數(shù)據(jù)。

本實施例中，選取0.5至1個小時時間段，通過持續(xù)ping各個測試網(wǎng)址得到網(wǎng)絡(luò)延時、丟包率和狀態(tài)碼數(shù)據(jù)，對ping的結(jié)果進行統(tǒng)計和整理，得到所述原始網(wǎng)絡(luò)數(shù)據(jù)。

步驟102、將所述原始網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化為原始標(biāo)準數(shù)據(jù)，具體通過以下步驟實現(xiàn)：

對所述原始網(wǎng)絡(luò)數(shù)據(jù)進行正態(tài)化處理，得到所述原始標(biāo)準數(shù)據(jù)。

步驟103、利用所述原始標(biāo)準數(shù)據(jù)建立高斯模型，具體通過以下步驟實現(xiàn)：

對所述原始標(biāo)準數(shù)據(jù)求取均值和方差，得到所述高斯模型。

步驟104、實時采集所述被測網(wǎng)絡(luò)線路的當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)，將所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化為當(dāng)前標(biāo)準數(shù)據(jù)，更具體的，對所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)進行正態(tài)化處理，得到所述當(dāng)前標(biāo)準數(shù)據(jù)，然后將所述當(dāng)前標(biāo)準數(shù)據(jù)代入所述高斯模型，計算得到一概率值。

步驟105、判斷所述概率值是否符合小概率事件的概率取值范圍，若是，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常；若否，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為正常。

本實施例中，小概率事件的概率取值范圍為小于5％，判斷所述概率值否小于5％，若是，則可以判定為小概率事件，故可以認為該時間點采集的數(shù)據(jù)不符合當(dāng)前模型，即當(dāng)前時刻網(wǎng)絡(luò)發(fā)生異常；若否，則可以認為該時間點采集的數(shù)據(jù)符合當(dāng)前模型，即當(dāng)前時刻網(wǎng)絡(luò)正常。

本實施例能實現(xiàn)自動判斷當(dāng)前時間點上的網(wǎng)絡(luò)延時、丟包率和狀態(tài)碼三個指標(biāo)和前一小段時間內(nèi)的對應(yīng)指標(biāo)相比是否出現(xiàn)較大的偏差，如果出現(xiàn)大的偏差，則說明網(wǎng)絡(luò)狀態(tài)出現(xiàn)異常，否則，說明網(wǎng)絡(luò)狀態(tài)正常。

實施例2

本實施例提供一種智能網(wǎng)絡(luò)故障檢測方法，本實施例與實施例1基本相同，如圖2所示，本實施例與實施例1相比，區(qū)別在于步驟105還包括：

設(shè)置網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量，并將網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量的初始值設(shè)置為零。

判斷所述概率值是否符合小概率事件的概率取值范圍，若判斷為是，則將所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量的值加1，判斷所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量是否大于第一閾值，若是，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常，返回步驟104；若否，則直接返回步驟104；

若判斷為否，則將所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量清零，將所述當(dāng)前標(biāo)準數(shù)據(jù)加入到所述原始標(biāo)準數(shù)據(jù)中，并刪除所述原始標(biāo)準數(shù)據(jù)中時間最早的數(shù)據(jù)，返回步驟103。

本實施例中，第一閾值設(shè)置為3。

本實施例與實施例1相比，通過設(shè)置網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量標(biāo)志連續(xù)網(wǎng)絡(luò)狀態(tài)異常次數(shù)，當(dāng)判斷所述概率值是否符合小概率事件的概率取值范圍時，若判斷為否，與第一閾值3比較，若大于第一閾值3，表示連續(xù)3次異常，確定為當(dāng)前網(wǎng)絡(luò)狀態(tài)異常。通過設(shè)置第一閾值這種方式，與實施例1相比，通過連續(xù)判斷，累計達到3次異常，即確定網(wǎng)絡(luò)狀態(tài)異常，這樣可以避免網(wǎng)絡(luò)抖動產(chǎn)生的誤報，更進一步提高網(wǎng)絡(luò)監(jiān)控的準確性。判斷所述概率值若不符合小概率事件的概率取值范圍，則將網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量清零，返回步驟103，實現(xiàn)持續(xù)替換新原始標(biāo)準數(shù)據(jù)，持續(xù)建模；返回步驟104，實現(xiàn)連續(xù)獲取當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)，兩個返回步驟，實現(xiàn)持續(xù)自動判斷當(dāng)前時間點上的網(wǎng)絡(luò)延時、丟包率和狀態(tài)碼三個指標(biāo)和前一段時間內(nèi)的對應(yīng)指標(biāo)相比是否出現(xiàn)較大的偏差，如果出現(xiàn)大的偏差，則說明網(wǎng)絡(luò)狀態(tài)出現(xiàn)異常，否則，說明網(wǎng)絡(luò)狀態(tài)正常。該方法能有效檢測網(wǎng)絡(luò)故障，減少了設(shè)置閾值的麻煩以及設(shè)置閾值帶來的不可靠性，提高了網(wǎng)絡(luò)監(jiān)控的準確性，避免了網(wǎng)絡(luò)抖動產(chǎn)生的誤報和網(wǎng)絡(luò)故障時的漏報。

優(yōu)選地，步驟105判斷網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量是否大于第一閾值，若是，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常，執(zhí)行步驟106；步驟106、對異常網(wǎng)絡(luò)狀態(tài)報警提示；以方便相關(guān)人員及時處理故障。

實施例3

如圖3所示，一種智能網(wǎng)絡(luò)故障檢測系統(tǒng)，包括數(shù)據(jù)采集模塊201、數(shù)據(jù)處理模塊202、模型建立模塊203和異常判斷模塊204；

所述數(shù)據(jù)采集模塊201，用于批量采集上一個時間段內(nèi)被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)，得到原始網(wǎng)絡(luò)數(shù)據(jù)。

所述數(shù)據(jù)處理模塊202，用于將所述原始網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化為原始標(biāo)準數(shù)據(jù)；

更具體的，用于對所述原始網(wǎng)絡(luò)數(shù)據(jù)進行正態(tài)化處理，得到所述原始標(biāo)準數(shù)據(jù)。

所述模型建立模塊203，用于利用所述原始標(biāo)準數(shù)據(jù)建立高斯模型；

更具體的，所述模型建立模塊用于對所述原始標(biāo)準數(shù)據(jù)求取均值和方差，得到所述高斯模型。

所述數(shù)據(jù)采集模塊201，還用于采集當(dāng)前時刻所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)，得到當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)。

所述數(shù)據(jù)處理模塊202，還用于將所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)轉(zhuǎn)化為當(dāng)前標(biāo)準數(shù)據(jù)；

更具體的，所述數(shù)據(jù)處理模塊還用于對所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)進行正態(tài)化處理，得到所述當(dāng)前標(biāo)準數(shù)據(jù)。

所述異常判斷模塊204，用于將所述當(dāng)前標(biāo)準數(shù)據(jù)代入所述高斯模型，得到一概率值，判斷所述概率值是否符合小概率事件的概率取值范圍，若是，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常；若否，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為正常。

實施例4

本實施例提供一種智能網(wǎng)絡(luò)故障檢測系統(tǒng)，本實施例與實施例3基本相同，其區(qū)別在于所述異常判斷模塊還用于設(shè)置網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量，并將網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量的初始值設(shè)置為零；所述異常判斷模塊還用于在判斷為是時，將所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量的值加1，判斷所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量是否大于第一閾值，若是，則確定所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常，調(diào)用所述數(shù)據(jù)采集模塊，采集下一時刻被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)；若否，則直接調(diào)用所述數(shù)據(jù)采集模塊，采集下一時刻被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)。

所述異常判斷模塊還用于在判斷為否時，將所述網(wǎng)絡(luò)狀態(tài)異常標(biāo)志變量清零，將所述當(dāng)前標(biāo)準數(shù)據(jù)加入到所述原始標(biāo)準數(shù)據(jù)中，并刪除所述原始標(biāo)準數(shù)據(jù)中時間最早的數(shù)據(jù)，調(diào)用所述數(shù)據(jù)采集模塊，采集下一時刻被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)數(shù)據(jù)。

優(yōu)選地，所述智能網(wǎng)絡(luò)故障檢測系統(tǒng)還包括報警模塊，用于在所述被測網(wǎng)絡(luò)線路的網(wǎng)絡(luò)狀態(tài)為異常時，對異常網(wǎng)絡(luò)狀態(tài)報警提示。

雖然以上描述了本發(fā)明的具體實施方式，但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，這僅是舉例說明，本發(fā)明的保護范圍是由所附權(quán)利要求書限定的。本領(lǐng)域的技術(shù)人員在不背離本發(fā)明的原理和實質(zhì)的前提下，可以對這些實施方式做出多種變更或修改，但這些變更和修改均落入本發(fā)明的保護范圍。