一种异构通信的网络节点数据异常溯源排查方法及系统与流程

本发明涉及网络节点数据异常溯源排查，尤其涉及一种异构通信的网络节点数据异常溯源排查方法及系统。

背景技术：

1、在工业物联网、智慧城市、车联网等主流应用场景中，通信网络普遍具备典型异构融合特性，兼容以太网、5g、nb-iot、lora、modbus、zigbee等多类通信协议：海量异构节点跨层级、跨链路完成数据采样、协议转发、传输交互与业务解析，网络耦合关系复杂、传输链路动态多变，易发生数据丢包、数据篡改、终端采样异常、网关协议转换错误、链路传输故障等问题，严重影响网络数据传输可靠性与业务运行稳定性；

2、现有异构网络数据异常溯源排查技术存在以下不足：1、传统方案仅支持单层、单链路的表层异常标记与简单告警，根因定位浅层化、跨层故障关联推理能力薄弱，无法区分异常的因果关系与传导层级，难以辨别原生故障与次级传导异常，极易引发告警风暴，导致运维人员无法快速锁定核心故障源；2、现有技术未构建适配异构网络的四层跨层拓扑关联模型，忽略终端、网关、传输、云端各层级的耦合依赖关系，无法实现多节点连锁异常的跨层关联溯源；3、传统固定阈值判别方式无法适配异构节点的差异化数据特征，易出现误检、漏检问题，且无法精准区分硬件故障、协议故障、链路故障、数据攻击等不同根因，溯源精度与排查效率较低；

3、综合上述情况，本技术提出了一种异构通信的网络节点数据异常溯源排查方法及系统。

技术实现思路

1、基于背景技术存在的技术问题，本发明提出了一种异构通信的网络节点数据异常溯源排查方法及系统。

2、本发明提出的一种异构通信的网络节点数据异常溯源排查方法，包括以下步骤：

3、s1：多源异构数据全域采集与标准化预处理：对异构通信网络的终端采样层、网关转发层、网络传输层、云端业务层进行全维度数据采集，并对多源异构数据进行标准化预处理，统一时间戳、节点唯一标识、链路编号及异常特征字段，形成标准化异构溯源数据集；

4、s2：四层异构网络动态拓扑图谱实时构建与更新：基于s1的标准化异构溯源数据集，构建终端采样层-网关转发层-网络传输层-云端业务层的四层异构网络动态拓扑关联图谱，并实时感知节点上下线、路由切换、网关负载变更状态，动态更新拓扑节点与链路依赖关系；

5、s3：异构节点自适应动态阈值异常初筛：针对不同类型异构节点的数据特征，构建差异化数据基线模型，通过滑动窗口迭代更新动态异常判定阈值，并基于动态异常判定阈值完成全网数据异常初筛，标记异常节点、异常链路及异常时段，输出初步异常集合；

6、s4：跨层级故障因果关联与异常主次区分：基于动态拓扑关联图谱与s3输出的初步异常集合，提取异常事件的时序传播特征与拓扑依赖关系，通过层级化故障因果推理模型完成跨层故障关联分析，依据异常发生时序先后及层级传导逻辑，区分原生故障节点与次级受影响节点；

7、s5：虚假溯源路径识别与故障根因精准定位：结合物理拓扑约束与数据传播逻辑识别剔除数学拟合产生的虚假溯源路径，通过故障权重打分机制，结合异常时序、影响范围及层级优先级，筛选出核心故障根因节点与故障类型；

8、s6：溯源结果可视化与故障处置闭环输出：基于根因定位结果生成可视化跨层溯源链路图谱，并匹配故障知识库推送对应的故障处置方案，完成异常溯源闭环。

9、优选地，所述s2的具体逻辑步骤如下：

10、s201：四层异构网络节点与链路实体提取：从标准化异构溯源数据集中，分别提取终端采样层节点集合、网关转发层节点集合、网络传输层链路集合、云端业务层服务节点集合，定义全网异构节点总集与全网传输链路边集；

11、其中表示节点到节点的有效通信链路，仅保留握手成功、链路连通状态为正常的有效传输链路，过滤断连、未注册无效节点与链路，完成四层拓扑原始实体建模；

12、s202：分层拓扑邻接关系权重赋值：针对四层异构网络层级耦合特征，构建层级邻接权重矩阵，通过链路连通度、数据转发绑定关系计算链路权重，其使用的公式如下：

13、；

14、其中为节点与的拓扑关联权重，为单位时间内两节点的数据交互频次，为权重调节系数，取值范围为(0,1)；

15、s203：构建四层异构静态拓扑关联图谱：基于节点集合v、链路边集e与层级权重矩阵w，构建初始四层异构网络拓扑图谱：

16、；

17、其中为层级标签集合，为终端采样层、为网关转发层、为网络传输层、为云端业务层，通过层级标签约束跨层关联逻辑，建立“终端-网关-传输链路-云端”的固定层级拓扑映射关系，杜绝跨层乱匹配问题；

18、s204：网络动态状态特征量化计算：实时采集节点上下线状态、路由切换记录、网关负载参数，定义拓扑动态变化系数，计算公式如下：

19、；

20、其中为t时刻节点上下线状态变化量，为路由跳转变更次数，为网关负载波动量，、、为归一化权重系数，通过动态系数量化网络实时波动状态，作为拓扑更新的触发依据；

21、s205：拓扑图谱动态迭代更新：设定更新阈值，当时，触发拓扑图谱动态更新机制，更新公式如下：

22、；

23、其中为上一时刻拓扑权重矩阵，为当前时刻新计算权重矩阵。

24、优选地，所述s3的具体逻辑步骤如下：

25、s301：异构节点数据特征分类与基线样本构建：根据四层异构网络中不同节点的业务属性、数据维度与数值分布特征，对全网异构节点进行类型划分，分为传感采样类节点、网关转发类节点、网络传输类节点以及云端业务解析类节点，针对每一类节点，筛选预设滑动窗口周期内的历史正常稳态数据，剔除极端噪声数据与已知异常数据，构建各类型节点专属的初始基线样本数据集，为后续基线拟合与阈值计算提供合规样本支撑；

26、s302：异构节点数据基线分布拟合：针对各类节点的基线样本数据集，采用高斯分布拟合方式，拟合得到各类型异构节点的数据稳态分布规律，求解数据分布的均值与标准差，构建节点差异化初始数据基线模型，其计算公式如下：

27、；

28、其中为第i类异构节点的基线均值，为第i类异构节点的基线标准差，n为滑动窗口内基线样本数据总量，为第i类节点的第k条稳态样本数据；

29、s303：自适应动态异常阈值迭代更新：结合异构节点的数据漂移特性与实时运行状态，基于初始基线模型构建自适应动态阈值，同时随滑动窗口滚动更新样本数据，实时迭代优化阈值参数，避免固定阈值无法适配设备老化、环境变化导致的缓慢数据漂移问题，其中动态上下限阈值核心计算公式如下：

30、；

31、其中、分别为第i类异构节点的动态异常上限、下限阈值，为自适应波动调节系数，可根据节点业务精度需求动态配置，滑动窗口每更新一组新的稳态数据，将自动重新计算与，完成阈值动态迭代更新；

32、s304：全网异构数据差异化异常判定：遍历全网所有异构节点的实时采集数据，匹配对应节点类型的动态阈值区间进行异常判定，执行差异化筛查规则：若节点实时数据，则判定该条数据为异常数据；若实时数据处于阈值区间内，则判定为正常数据；

33、s305：异常信息标记与初筛集合输出：对所有判定为异常的数据进行全维度信息标记，精准绑定异常对应的节点id、所属网络层级、通信链路编号、异常发生时间戳、异常数据偏移量，完成异常溯源基础信息归档，汇总所有异常节点、异常链路及对应异常时段的关联信息，去重降噪后整合生成标准化初步异常集合，为后续跨层故障因果关联推理提供精准的异常数据源。

34、优选地，所述s4的具体逻辑步骤如下：

35、s401：异常事件时序特征标准化提取：遍历初步异常集合中所有异常记录，统一提取各异常事件的节点层级标签、异常起始时间戳、异常持续时长及关联链路信息，构建全网异常时序事件集，并对所有异常事件按时间戳进行时序排序，确立异常发生的先后时序基准，为后续故障传播因果判定提供时序维度依据；

36、s402：构建跨层故障传播时序关联度模型：结合四层拓扑的层级依赖关系与异常发生时间差，量化不同节点异常事件的因果关联程度，定义异常时序关联度，其使用的公式如下：；

37、其中为节点i异常对节点j异常的时序因果关联度，为节点i与节点j的异常发生时间差，为时序衰减系数，为拓扑关联系数，若两节点存在跨层上下游拓扑依赖则取值为1，否则取值为0；

38、s403：层级故障优先级权重量化计算：针对终端采样层、网关转发层、网络传输层、云端业务层四层结构，结合故障传导特性，设置层级故障优先级权重，底层原发故障优先级高于上层传导故障，其优先级量化公式如下：

39、；

40、其中为第k层级的故障优先级权重，分别对应终端采样层、网关转发层、网络传输层、云端业务层，层级越靠近数据源头，优先级权重越高，符合异构网络“底层故障向上逐层传导”的传播规律；

41、s404：层级化故障因果推理与主次异常判别：融合时序关联度与层级优先级权重，构建节点故障置信度评分公式，用于判定节点是否为原生故障节点，其节点故障置信度评分公式如下：

42、；

43、其中为节点i的原生故障置信度评分，评分越高则该节点为初始故障源的概率越大，若某节点异常时序最早、故障置信度最高，且可通过拓扑关联度推导后续多层节点的连锁异常，则判定该节点为原生故障节点，若节点异常滞后于其他节点异常发生，且存在上游节点高关联度故障传导关系，则判定为次级受影响节点；

44、s405：跨层故障类型精准归类与关联输出：基于四层层级交叉校验逻辑完成故障根因归类，终端采样层优先异常且上下游同步异常，判定为终端硬件采样故障；终端正常、网关层优先异常，判定为网关协议转换故障；终端与网关正常、传输层优先异常，判定为网络传输故障；底层三层均正常、云端层优先异常，判定为云端业务解析故障，最终梳理形成包含原生故障、次级传导异常的完整跨层故障关联链路集合。

45、优选地，所述s5的具体逻辑步骤如下：

46、s501：候选溯源路径集合提取与特征解析：汇总s4因果推理输出的所有异常传导链路，提取全部候选溯源路径，构建候选路径集合，针对每一条候选路径，统一解析路径内节点层级序列、异常传播时序顺序、跨层拓扑连接关系、数据转发依赖特征，记录每条路径的算法拟合关联参数，为后续虚假路径识别提供原始校验样本；

47、s502：基于物理拓扑约束的虚假路径判别：依托s2构建的真实四层异构网络拓扑图谱，建立拓扑路径匹配校验机制，通过路径拓扑匹配度量化判别路径真伪，定义路径拓扑匹配度公式：；

48、其中为第m条候选溯源路径的拓扑匹配度，为路径中与真实网络拓扑链路一致的连接边数量，为该候选路径包含的总连接边数量，预设匹配度阈值，若，判定该路径为脱离物理网络逻辑的数学拟合虚假路径，直接剔除，若，保留为有效溯源路径；

49、s503：多维度故障评价指标量化提取：针对筛选后的有效溯源路径中的异常节点，从异常时序优先级、故障影响范围、层级故障优先级三个核心维度提取量化指标，时序指标表征异常发生的先后顺序，越早发生权重越高；影响范围指标表征该节点异常传导触发的次级异常节点数量；层级优先级指标沿用四层网络固有层级权重，底层数据采集层级权重高于上层转发、解析层级，保证根因判定贴合异构网络故障传播机理；

50、s504：构建多融合维度故障根因打分模型：融合时序因子、影响范围因子、层级优先级因子，构建节点综合故障权重打分公式，量化评估各异常节点为核心根因的概率，其节点综合故障权重打分公式如下：

51、；

52、其中为节点i的综合故障根因得分，为节点时序归一化得分，异常发生时间越早，分值越高，为故障影响范围归一化得分，关联次级异常节点越多，分值越高，为s4定义的节点层级优先级权重，、、为对应维度权重系数，各系数可根据异构网络场景自适应微调；

53、s505：根因节点筛选与故障类型精准定位：对所有有效异常节点的综合故障根因得分进行降序排序，将得分最高的节点判定为核心故障根因节点，结合四层层级归属与跨层故障校验逻辑，匹配对应故障类型，根因节点位于终端采样层判定为硬件采样故障，位于网关转发层判定为协议转换故障，位于网络传输层判定为链路传输故障，位于云端业务层判定为业务解析故障，最终输出唯一核心根因节点、精准故障类型及纯净有效的溯源传播链路。

54、优选地，所述s6的具体逻辑步骤如下：

55、s601：溯源链路结构化数据重构与特征编码：对s5最终确定的有效跨层溯源链路、根因节点、次级异常节点、异常时序序列、层级关联关系进行结构化重组，构建标准化溯源结果数据集，对全网故障节点与传播链路进行统一特征编码，生成唯一故障特征向量，用于表征本次异常的层级分布、传播路径、故障程度多维特征，为后续可视化渲染与知识库匹配提供标准化数据输入；

56、s602：故障影响程度量化评估：结合故障持续时长、异常偏移程度、受影响节点数量，构建故障综合影响度计算公式，量化本次异常的危害等级，为可视化权重渲染、故障优先级标注提供数值依据，其公式如下：

57、；

58、其中为故障综合影响度，、分别为当前时间与故障起始时间，为预设标准故障评估时长，为异常节点数量，为监测域总节点数量，为异常数据相对基线的平均偏移量，、、为权重系数，依据计算结果将故障划分为轻微、一般、严重、紧急四个等级；

59、s603：跨层溯源链路可视化图谱动态渲染：基于四层网络拓扑结构，结合根因位置与异常传播时序，动态渲染生成可视化溯源链路图谱，图谱分层展示终端采样层、网关转发层、网络传输层、云端业务层的节点分布，以差异化颜色标注根因节点、次级异常节点与正常节点，依据故障影响度q调整链路线条粗细与高亮程度，直观呈现异常从原生故障节点逐层向上传导的完整路径、故障发生时段与影响范围；

60、s604：基于相似度匹配的故障处置方案智能推送：预构建包含各类故障类型、对应排查流程与修复策略的故障知识库，通过余弦相似度算法计算本次故障特征向量与知识库历史故障样本的匹配程度，实现智能方案匹配，其使用的公式如下：

61、；

62、其中为本次故障特征向量；为知识库历史故障样本特征向量，为故障相似度，相似度越高则历史故障场景与本次故障一致性越强，选取相似度最高的历史故障案例，调取对应的故障排查步骤、设备校验方式、故障修复策略，完成处置方案精准推送；

63、s605：标准化溯源报告生成与故障运维闭环：整合根因定位结果、故障等级、可视化溯源链路、故障匹配度、智能处置方案，自动生成标准化异常溯源排查报告，报告完整记录故障发生时间、异常传播路径、核心根因、故障影响范围、分级告警信息与落地修复建议，支撑运维人员快速完成故障整改，整改完成后，将本次故障数据、溯源过程、处置结果同步更新至故障知识库，实现故障识别、溯源定位、智能处置、知识迭代的全流程溯源闭环。

64、优选地，所述s605中，故障知识库迭代更新与运维闭环实现方式包括：将本次故障的故障特征向量、故障层级类型、溯源传播链路、综合故障影响度、人工整改结果、故障匹配相似度数据进行结构化归档，采用增量更新方式同步录入故障知识库，不断丰富故障样本库容量与故障策略维度；同时基于持续迭代的故障知识库，动态优化后续故障相似度匹配精度与处置方案适配性，实现异构网络异常溯源排查、智能修复指导、运维知识沉淀的持续自优化闭环迭代。

65、本发明还提出了一种异构通信的网络节点数据异常溯源排查系统，包括数据采集预处理模块、动态拓扑构建模块、自适应异常筛查模块、跨层因果推理模块、虚假路径识别模块以及可视化溯源输出模块；

66、所述数据采集预处理模块用于采集终端采样层、网关转发层、网络传输层、云端业务层的全维度运行数据与日志数据，完成多源异构数据的格式统一、时间对齐、去噪融合，输出标准化异构溯源数据集；

67、所述动态拓扑构建模块用于搭建四层异构网络拓扑关联图谱，实时监测网络节点状态与路由链路变化，动态更新拓扑连接关系与链路权重；

68、所述自适应异常筛查模块用于针对不同类型异构节点构建差异化数据基线，迭代更新动态异常阈值，完成全网节点数据的异常初筛，输出初步异常集合；

69、所述跨层因果推理模块用于基于动态拓扑关联图谱与异常初筛结果，结合异常时序传播特征与层级耦合关系，完成跨层故障关联分析，区分原生根因故障与次级传导故障；

70、所述虚假路径识别模块用于结合物理拓扑约束与数据传播逻辑校验溯源路径有效性，剔除虚假拟合路径，并通过故障权重打分完成精准根因定位；

71、所述可视化溯源输出模块用于可视化展示全层级异常溯源链路、故障根因、异常影响范围，匹配故障知识库推送修复方案，生成标准化溯源排查报告。

72、与现有的技术相比，本发明的有益效果是：

73、通过构建层级化故障因果推理机制，能够精准识别异常传播时序与拓扑传导关系，有效区分原生故障节点与次级受影响节点，从根源上解决异构网络多节点连锁异常场景下因果混淆、主次不分的问题，避免大量无效告警堆叠形成的告警风暴，帮助运维人员直接锁定初始故障根因，大幅提升故障溯源的针对性与准确性；

74、通过构建终端采样层、网关转发层、网络传输层、云端业务层四层动态拓扑关联图谱，完整刻画异构网络各层级之间的耦合依赖关系，打破传统技术单层独立排查的局限，可针对多链路、跨层级的连锁异常场景实现跨层关联推理，还原真实数据异常传播路径，解决了传统方案跨层溯源缺失、溯源链路不完整、贴合网络真实度低的问题；

75、3、采用异构节点自适应动态阈值机制，针对不同类型设备的数据特征构建差异化基线模型，动态迭代更新异常判定标准，有效适配异构网络多制式、多维度的数据分布差异，大幅降低假阳性误检和隐性数据漂移漏检概率，同时可精准区分终端硬件故障、网关协议转换故障、链路传输故障、云端解析异常等多类故障类型，彻底解决传统技术根因区分模糊、排查效率低的痛点，全面提升大规模异构网络异常溯源的智能化与精准度；

76、本发明通过构建四层异构网络动态拓扑关联图谱，突破传统单层排查局限，实现跨层级故障关联推理，真实还原异常传播路径，通过自适应动态阈值筛查机制，适配各类异构节点数据特征，有效改善传统固定阈值存在的误检、漏检问题，提升异常识别精度，同时，依托层级化因果推理与权重打分机制甄别虚假溯源路径，精准区分原生故障与次级传导异常，避免告警风暴，可快速锁定故障根因并识别故障类型，有效提升了异构通信网络异常溯源的精准度与排查效率。