一种系统故障模式识别的方法和系统技术方案

本发明专利技术提供一种系统故障模式识别的方法和系统，通过先将数据流信号经过频谱过滤、卷积运算处理后，得到去除噪声干扰的数据流，再将该数据流与故障样本模式集合匹配，分离出认定为匹配的特征向量，重组恢复出第二数据流，进行分流、输入用户行为模型，检测其分别包含的用户行为字段，以及分析该用户行为字段与当前速率的映射关系，综合得出当前网络环境下的用户行为模式，判断其是否为攻击性，从而最后判断系统是否发生故障。判断系统是否发生故障。判断系统是否发生故障。

【技术实现步骤摘要】
一种系统故障模式识别的方法和系统


[0001]本申请涉及网络多媒体领域，尤其涉及一种系统故障模式识别方法和系统。

技术介绍

[0002]模式识别的数据分析方法广泛应用于各种场景中，其中就包括系统故障的识别，可以帮助本领域技术人员利用已有的故障模式来识别新出现的故障。
[0003]然而现有的故障模式识别方法，仍然不能满足由网络数据流攻击导致的系统故障，原因在于数据流本身的灵活多变和干扰众多。
[0004]因此，急需一种针对性的系统故障模式识别的方法和系统。

技术实现思路

[0005]本专利技术的目的在于提供一种系统故障模式识别方法和系统，通过先将数据流信号经过频谱过滤、卷积运算处理后，得到去除噪声干扰的数据流，再将该数据流与故障样本模式集合匹配，分离出认定为匹配的特征向量，重组恢复出第二数据流，进行分流、输入用户行为模型，检测其分别包含的用户行为字段，以及分析该用户行为字段与当前速率的映射关系，综合得出当前网络环境下的用户行为模式，判断其是否为攻击性，从而最后判断系统是否发生故障。
[0006]第一方面，本申请提供一种系统故障模式识别方法，所述方法包括：
[0007]服务器采集网络数据流的信号，进行快速傅里叶变换，得到该信号的频域特征，根据当前网络环境预先设定过滤频谱窗口，将所述信号的频域特征经过过滤频谱窗口，得到过滤后的频谱，输入卷积神经网络；
[0008]提取所述卷积神经网络输出后的信号，将该信号重组为第一数据流，提取出该第一数据流的特征向量，送入故障样本模式集合匹配，所述匹配是将每个特征向量与所述故障样本模式集合中的向量值进行共轭运算，根据得到的运算结果判断是否高于阈值，如果是则认定匹配，否则则认定不匹配；
[0009]分离出认定为匹配的特征向量，重组所述特征向量，插入冗余信号，恢复出第二数据流，监测该第二数据流的速率，按照速率高低档位，分流得到对应高速率、中速率和低速率的三个数据流集合；
[0010]分别依次将所述三个数据流集合输入用户行为模型，检测所述三个数据流集合中包含哪些用户行为字段，分析所述用户行为字段的访问对象，统计所述用户行为字段出现频率，判断是否包含攻击倾向的用户行为，得到第一结果；
[0011]分析用户行为字段的类型与所述新数据流的速率之间的映射关系，判断该用户行为字段对应的用户行为出现在当前速率下是否合理，得到第二结果；
[0012]结合所述第一结果和第二结果，得出当前网络环境下的用户行为模式，若该用户行为模式为攻击型，则判断系统发生故障，记录该故障信息为新的故障模式，若该用户行为模式为普通型，则判断系统未发生故障。
[0013]结合第一方面，在第一方面第一种可能的实现方式中，所述得出当前网络环境下的用户行为模式，还可以包括进一步分析用户行为模式的强弱程度，根据该强弱程度判断用户行为的急迫程度。
[0014]结合第一方面，在第一方面第二种可能的实现方式中，所述记录该故障信息包括与服务器存储的历史故障信息对比，若相同则覆盖，若不同则记录该故障信息为新的故障模式。
[0015]结合第一方面，在第一方面第三种可能的实现方式中，所述用户行为模型使用了神经网络模型。
[0016]第二方面，本申请提供一种系统故障模式识别系统，所述系统包括处理器以及存储器：
[0017]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0018]所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的方法。
[0019]第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面四种可能中任一项所述的方法。
[0020]本专利技术提供一种系统故障模式识别方法和系统，通过先将数据流信号经过频谱过滤、卷积运算处理后，得到去除噪声干扰的数据流，再将该数据流与故障样本模式集合匹配，分离出认定为匹配的特征向量，重组恢复出第二数据流，进行分流、输入用户行为模型，检测其分别包含的用户行为字段，以及分析该用户行为字段与当前速率的映射关系，综合得出当前网络环境下的用户行为模式，判断其是否为攻击性，从而最后判断系统是否发生故障。
附图说明
[0021]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1为本专利技术方法的流程图。
具体实施方式
[0023]下面结合附图对本专利技术的优选实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0024]图1为本申请提供的系统故障模式识别方法的流程图，包括：
[0025]服务器采集网络数据流的信号，进行快速傅里叶变换，得到该信号的频域特征，根据当前网络环境预先设定过滤频谱窗口，将所述信号的频域特征经过过滤频谱窗口，得到过滤后的频谱，输入卷积神经网络；
[0026]提取所述卷积神经网络输出后的信号，将该信号重组为第一数据流，提取出该第一数据流的特征向量，送入故障样本模式集合匹配，所述匹配是将每个特征向量与所述故障样本模式集合中的向量值进行共轭运算，根据得到的运算结果判断是否高于阈值，如果是则认定匹配，否则则认定不匹配；
[0027]分离出认定为匹配的特征向量，重组所述特征向量，插入冗余信号，恢复出第二数据流，监测该第二数据流的速率，按照速率高低档位，分流得到对应高速率、中速率和低速率的三个数据流集合；
[0028]分别依次将所述三个数据流集合输入用户行为模型，检测所述三个数据流集合中包含哪些用户行为字段，分析所述用户行为字段的访问对象，统计所述用户行为字段出现频率，判断是否包含攻击倾向的用户行为，得到第一结果；
[0029]分析用户行为字段的类型与所述新数据流的速率之间的映射关系，判断该用户行为字段对应的用户行为出现在当前速率下是否合理，得到第二结果；
[0030]结合所述第一结果和第二结果，得出当前网络环境下的用户行为模式，若该用户行为模式为攻击型，则判断系统发生故障，记录该故障信息为新的故障模式，若该用户行为模式为普通型，则判断系统未发生故障。
[0031]在一些优选实施例中，所述得出当前网络环境下的用户行为模式，还可以包括进一步分析用户行为模式的强弱程度，根据该强弱程度判断用户行为的急迫程度。
[0032]在一些优选实施例中，所述记录该故障信息包括与服务器存储的历史故障信息对比，若相同则覆盖，若不同则记录该故障信息为新的故障模式。
[0033]在一些优选实施例中，所述用户行为模型使用了神经网络模型。
[0034]本申请提供一种系统故障模式识别系统，所述系统包括：所述系统包括处理器以及存储器：
[0035]所述存储器用于存储程序代码，并将所述程序代码传输给所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统故障模式识别方法，其特征在于，所述方法包括：服务器采集网络数据流的信号，进行快速傅里叶变换，得到该信号的频域特征，根据当前网络环境预先设定过滤频谱窗口，将所述信号的频域特征经过过滤频谱窗口，得到过滤后的频谱，输入卷积神经网络；提取所述卷积神经网络输出后的信号，将该信号重组为第一数据流，提取出该第一数据流的特征向量，送入故障样本模式集合匹配，所述匹配是将每个特征向量与所述故障样本模式集合中的向量值进行共轭运算，根据得到的运算结果判断是否高于阈值，如果是则认定匹配，否则则认定不匹配；分离出认定为匹配的特征向量，重组所述特征向量，插入冗余信号，恢复出第二数据流，监测该第二数据流的速率，按照速率高低档位，分流得到对应高速率、中速率和低速率的三个数据流集合；分别依次将所述三个数据流集合输入用户行为模型，检测所述三个数据流集合中包含哪些用户行为字段，分析所述用户行为字段的访问对象，统计所述用户行为字段出现频率，判断是否包含攻击倾向的用户行为，得到第一结果；分析用户行为字段的类型与所述新数据流的速率之间的映射关系，判断该用户行为字段对应的用户行为出现在当前速率下是否合理，得到第二结果；结合所述第一结果和第二结果，得出当...

【专利技术属性】
技术研发人员：苏长君，曾祥禄，
申请(专利权)人：北京智美互联科技有限公司，
类型：发明
国别省市：