【技术实现步骤摘要】
本专利技术涉及计算机网络，尤其涉及一种srv6网络故障的智能诊断方法以及装置。
技术介绍
1、srv6 te policy（segment routing ipv6 traffic engineering policy）网络是基于ipv6的分段路由技术的一种应用，主要用于实现流量工程，提升网络质量，满足业务的端到端需求。
2、srv6 te policy出现故障后，对业务的流量和传输质量影响很大。由于目前针对srv6 te policy的大多数运维活动仍然依赖人工参与，常见的维护模式是针对逐个网元设备涉及理解大量设备相关信息，日常维护服务与运维人力成本占比较高，自动化程度较低，效率低下。
3、由此可见，相关技术中srv6 te policy网络的故障诊断方法，存在自动化程度较低且效率低下的技术问题。
技术实现思路
1、本专利技术提供一种srv6网络故障的智能诊断方法以及装置，用以解决现有技术中srv6 te policy网络的故障诊断方法存在自动化程度较低且效率低下的缺陷，实现srv6网络状态的定期检测，减少了srv6 te policy的故障时间，提升srv6 te policy的故障定位效率。
2、本专利技术提供一种srv6网络故障的智能诊断方法，包括如下步骤。获取srv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量，其中，所述流量特征向量包括端到端时延、网络时延抖动、丢包率以及链路带宽利用率；
3、将所述
4、根据本专利技术提供的一种srv6网络故障的智能诊断方法，在所述获取srv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量之前，所述方法还包括：确定单一数据包通过srv6网络中流量工程策略模式下段列表集合中头节点的第一时间戳；确定所述单一数据包通过所述srv6网络中所述流量工程策略模式下所述段列表集合中尾节点的第二时间戳；将所述第二时间戳与所述第一时间戳的差值作为所述srv6网络中流量工程策略模式下所述单一数据包的单条列表时延；确定目标时刻内所有数据包的单条列表时延的加和值，将所述加和值与所述所有数据包的数量的比值作为端到端时延。
5、根据本专利技术提供的一种srv6网络故障的智能诊断方法，在所述确定目标时刻内所有数据包的单条列表时延的加和值，将所述加和值与所述所有数据包的数量的比值作为端到端时延之后，所述方法还包括：确定所述目标时刻内所述所有数据包中每个数据包的单条列表时延；将所述每个数据包的单条列表时延与所述端到端时延的差值的平方的加和值与所述所有数据包的数量的比值，作为网络时延抖动。
6、根据本专利技术提供的一种srv6网络故障的智能诊断方法，在所述获取srv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量之前，所述方法还包括：确定目标时刻内srv6网络中流量工程策略模式下段列表集合中头节点的发送数据包总数；确定所述目标时刻内所述srv6网络中所述流量工程策略模式下所述段列表集合中尾节点的接收数据包总数；将所述接收数据包总数与所述发送数据包总数的比值的百分数，作为丢包率。
7、根据本专利技术提供的一种srv6网络故障的智能诊断方法，在所述获取srv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量之前，所述方法还包括：确定目标时刻内srv6网络中流量工程策略模式下的目标链路的端到端实际使用总带宽；确定所述目标时刻内所述srv6网络中所述流量工程策略模式下的所述目标链路的端到端可用总带宽；将所述端到端实际使用总带宽与所述端到端可用总带宽的比值的百分数，作为链路带宽利用率。
8、根据本专利技术提供的一种srv6网络故障的智能诊断方法，在所述将所述流量特征向量输入至预训练的数据降维聚类模型中，得到所述预训练的数据降维聚类模型输出的多个网络状态标签之前，所述方法还包括：基于训练样本集，对数据降维聚类模型进行目标迭代次数的预训练：根据所述训练样本集中训练样本的个数，设置数据降维聚类模型的竞争层的神经元节点数量，并初始化所述竞争层的神经元节点的节点权重；将预处理后的所述训练样本集输入至数据降维聚类模型，遍历所述竞争层中的每一个所述神经元节点，以确定所述训练样本与所述神经元节点之间的相似度；将所述相似度最高的神经元节点作为优胜节点；基于所述优胜节点根据预设的领域半径确定优胜邻域所包含的邻域神经元节点；对所述邻域神经元节点的节点权重进行更新；在当前迭代次数等于所述目标迭代次数时，得到预训练的数据降维聚类模型。
9、本专利技术还提供一种srv6网络故障的智能诊断装置，包括如下模块：获取模块，用于获取srv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量，其中，所述流量特征向量包括端到端时延、网络时延抖动、丢包率以及链路带宽利用率；输出模块，用于将所述流量特征向量输入至预训练的数据降维聚类模型中，得到所述预训练的数据降维聚类模型输出的多个网络状态标签，其中，所述多个网络状态标签中的每个网络状态标签分别用于表示每个所述流量工程策略模式的网络状态。
10、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述srv6网络故障的智能诊断方法。
11、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述srv6网络故障的智能诊断方法。
12、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述srv6网络故障的智能诊断方法。
13、本专利技术提供的srv6网络故障的智能诊断方法以及装置，通过基于srv6网络特性综合端到端时延、时延抖动、丢包率以及带宽利用率等流量特征向量，调用预训练的数据降维聚类模型基于流量特征向量对srv6网络进行检测，由此，能够根据数据降维聚类模型对流量特征数据进行故障分析，提升srv6 te policy的故障定位效率；进而解决了相关技术中srv6 te policy网络的故障诊断方法，存在自动化程度较低且效率低下的技术问题。
本文档来自技高网...【技术保护点】
1.一种SRv6网络故障的智能诊断方法，其特征在于，包括：
2.根据权利要求1所述的SRv6网络故障的智能诊断方法，其特征在于，在所述获取SRv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量之前，所述方法还包括：
3.根据权利要求2所述的SRv6网络故障的智能诊断方法，其特征在于，在所述确定目标时刻内所有数据包的单条列表时延的加和值，将所述加和值与所述所有数据包的数量的比值作为端到端时延之后，所述方法还包括：
4.根据权利要求1所述的SRv6网络故障的智能诊断方法，其特征在于，在所述获取SRv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量之前，所述方法还包括：
5.根据权利要求1所述的SRv6网络故障的智能诊断方法，其特征在于，在所述获取SRv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量之前，所述方法还包括：
6.根据权利要求1所述的SRv6网络故障的智能诊断方法，其特征在于，在所述将所述流量特征向量输入至预训练的数据降维聚类模型中，得到所述预训练
7.一种SRv6网络故障的智能诊断装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述SRv6网络故障的智能诊断方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述SRv6网络故障的智能诊断方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述SRv6网络故障的智能诊断方法。
...【技术特征摘要】
1.一种srv6网络故障的智能诊断方法，其特征在于，包括：
2.根据权利要求1所述的srv6网络故障的智能诊断方法，其特征在于，在所述获取srv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量之前，所述方法还包括：
3.根据权利要求2所述的srv6网络故障的智能诊断方法，其特征在于，在所述确定目标时刻内所有数据包的单条列表时延的加和值，将所述加和值与所述所有数据包的数量的比值作为端到端时延之后，所述方法还包括：
4.根据权利要求1所述的srv6网络故障的智能诊断方法，其特征在于，在所述获取srv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量之前，所述方法还包括：
5.根据权利要求1所述的srv6网络故障的智能诊断方法，其特征在于，在所述获取srv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量之前，所述方法还...
【专利技术属性】
技术研发人员：喻鹏，王家兴，方宏林，周凡钦，丰雷，李文璟，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。