基于全域运营的智能网络态势感知方法及系统与流程
本发明涉及智能网络态势感知,具体为基于全域运营的智能网络态势感知方法及系统。
背景技术:
1、全域运营网络态势感知通常在各个网络区域部署采集节点,按照固定周期采集流量特征、链路质量参数和资产状态信息,并基于阈值比较、统计分析或规则匹配判断网络运行态势。随着网络规模扩大和业务动态变化,各感知域之间存在复杂的时序关联,网络异常往往表现为多个感知域之间的协同变化和状态转移异常。
2、现有感知方法对每个感知域独立处理,各采集节点的数据用于局部状态评估,缺少从时间相位同步角度度量感知域之间耦合关系的手段,难以区分具有耦合联系的感知域集合与孤立感知域,跨域关联异常容易被割裂或忽略。同时,链路质量参数和资产状态信息多采用均匀采样或固定间隔采集,未根据局部变化剧烈程度调整采样密度,导致变化较快的区段采样不足、变化平缓的区段采样冗余,影响异常特征提取的有效性。异常分析过程中多直接利用数值统计或单一阈值判别,未对符号序列内部转移模式及其频次差异进行表征,难以反映簇内状态转移的不均衡性和潜在异常。
3、全域运营网络态势感知需要从时序同步关系中识别域间耦合结构,并在关联后的态势簇内通过密度自适应的采样和符号模式转移分析准确评估异常势能,确定整体态势等级。
技术实现思路
1、针对现有全域运营网络态势感知中感知域耦合关系度量不足和异常特征提取不充分的问题,本发明提供一种基于全域运营的智能网络态势感知方法及系统,通过提取各感知域流量特征序列的时间相位偏移量并构建相位同步矩阵,计算域间耦合度并将满足归并条件的感知域归并为态势关联簇;在态势关联簇内对链路质量参数和资产状态信息进行非均匀采样,生成符号序列矩阵,通过滑动窗口扫描统计符号模式转移频次,计算异常势能值,确定全域运营网络的整体态势等级。
2、为了实现上述目的,本发明提供如下技术方案:作为本发明的一个技术方案,提供一种基于全域运营的智能网络态势感知方法,包括:
3、将全域运营网络划分为多个感知域,每个感知域部署采集节点,采集节点按照预设周期获取流量特征序列、链路质量参数和资产状态信息;
4、根据各感知域的流量特征序列,提取每个感知域的时间相位偏移量,计算每两个感知域的时间相位偏移量之间的差值,得到相位差,由全部相位差构成相位同步矩阵;
5、基于相位同步矩阵对各感知域进行域间耦合度计算,得到两两感知域之间的域间耦合度值;
6、将域间耦合度值满足预设归并条件的感知域归并为态势关联簇,得到态势关联簇集合;
7、对每个态势关联簇内的链路质量参数和资产状态信息进行非均匀采样,得到多个离散采样序列;
8、对所述多个离散采样序列进行符号化映射,生成符号序列矩阵;
9、对所述符号序列矩阵进行滑动窗口扫描,统计窗口内符号模式的转移频次;
10、根据所述转移频次计算每个态势关联簇的异常势能值;
11、根据所述异常势能值确定全域运营网络的整体态势等级。
12、上述方法通过相位同步矩阵反映感知域之间的时间协同特性,并将强耦合感知域归并为态势关联簇,减少全域统一分析时的数据冗余和计算复杂度;通过非均匀采样、符号化映射和符号模式转移频次统计,能够突出异常变化区域,提升态势感知的灵敏度和准确性。
13、优选的,所述根据各感知域的流量特征序列,提取每个感知域的时间相位偏移量,包括:
14、对每个感知域的流量特征序列进行等间隔重采样,得到重采样序列;
15、将重采样序列按照预设周期长度切分为多个周期切片;
16、选取一个感知域作为参考域,将每个其他感知域的各周期切片与参考域的对应周期切片进行互相关运算,得到多个互相关结果;
17、对多个互相关结果进行累加,得到累加互相关函数;
18、获取累加互相关函数峰值位置与预设周期长度中参考点之间的时间间隔,将该时间间隔作为该感知域相对于参考域的时间相位偏移量;
19、将参考域的时间相位偏移量设为零,得到各感知域的时间相位偏移量。
20、该方式利用多周期累加互相关抑制随机波动,使时间相位偏移量估计更加稳定,提升相位同步矩阵的可靠性。
21、优选的,所述基于相位同步矩阵对各感知域进行域间耦合度计算,得到两两感知域之间的域间耦合度值,包括:
22、获取相位同步矩阵中任意两个感知域对应的矩阵元素,将所述矩阵元素的绝对值作为该两个感知域之间的域间耦合度值;
23、对所有两两感知域重复上述操作,得到全部域间耦合度值。
24、通过矩阵元素绝对值表征耦合程度,计算过程简洁,能够直接反映感知域间相位同步强弱。
25、优选的,所述将域间耦合度值满足预设归并条件的感知域归并为态势关联簇,得到态势关联簇集合,包括:
26、将每个感知域作为图节点,将每两个感知域之间的域间耦合度值作为对应图节点之间的边权重;
27、设定权重阈值,将边权重不低于权重阈值的边保留,形成关联图;
28、对关联图中的图节点进行连通性标记,将相互连通的图节点集合作为一个态势关联簇;
29、将孤立图节点单独作为一个态势关联簇;
30、输出全部态势关联簇,得到态势关联簇集合。
31、通过图连通性归并,能够自适应发现具有强耦合关系的感知域群组,避免误将弱关联感知域合并,提升态势关联簇的合理性。
32、优选的,所述对每个态势关联簇内的链路质量参数和资产状态信息进行非均匀采样,得到多个离散采样序列,包括:
33、获取态势关联簇内每个采集节点的链路质量参数和资产状态信息分别对应的原始时间戳序列,并将每个采集节点的链路质量参数和资产状态信息分别作为一个采样对象;
34、对于每个采样对象,计算相邻时间戳之间的时间间隔,得到时间间隔序列;
35、计算每个时间间隔与其相邻时间间隔之间的差值绝对值,将最大差值绝对值作为该时间间隔的局部变化率;
36、根据所述局部变化率动态调整采样间隔,局部变化率增大时缩短采样间隔,局部变化率减小时增大采样间隔;
37、按照调整后的采样间隔从该采样对象中抽取数据点;
38、将每个采样对象抽取的数据点作为一个离散采样序列,得到多个离散采样序列。
39、该方式对变化剧烈区域加密采样,对平缓区域稀疏采样,在减少数据量的同时保留异常关键特征。
40、优选的,所述对所述多个离散采样序列进行符号化映射,生成符号序列矩阵,包括:
41、统计所述多个离散采样序列中所有采样值的幅值分布;
42、将幅值分布按照分位数划分为预设数量的符号区间,每个符号区间对应一个符号;
43、对于每个离散采样序列,将该离散采样序列中的每个采样值映射到其对应的符号区间,得到该离散采样序列的符号序列;
44、将态势关联簇内所有符号序列按照预设排列顺序进行拼接,生成符号序列矩阵。
45、通过分位数分区进行符号化映射,能够适应不同量纲和分布差异,使后续符号模式分析更具通用性。
46、优选的,所述对所述符号序列矩阵进行滑动窗口扫描,统计窗口内符号模式的转移频次,包括:
47、设定滑动窗口长度和滑动步长;
48、从符号序列矩阵的每一行中依次截取窗口,将当前窗口内连续出现的符号组合记录为符号模式;
49、统计每个符号模式在当前窗口的下一个位置出现的符号,并将该符号的出现记录为一次转移事件;
50、对每个符号模式的所有转移事件进行累加计数,更新转移频次表;
51、将转移频次表中每个符号模式对应的各转移事件的计数数值作为所述转移频次。
52、该扫描方式能够捕捉符号序列中的局部转移规律,为异常势能计算提供有效的统计依据。
53、优选的,所述根据所述转移频次计算每个态势关联簇的异常势能值,包括:
54、将每个符号模式对应的各转移频次排列为频次向量;
55、计算每个频次向量中最大频次与最小频次的差值,得到该符号模式的转移差异值;
56、将转移差异值乘以该符号模式在滑动窗口内出现的次数,得到该符号模式的局部异常势能;
57、将态势关联簇内所有符号模式的局部异常势能进行累加,得到该态势关联簇的异常势能值。
58、通过转移差异与出现次数加权,能够突出频发且状态变化不稳定的符号模式,提高异常势能计算的针对性。
59、优选的,所述根据所述异常势能值确定全域运营网络的整体态势等级,包括:
60、预设多个阈值区间,每个阈值区间对应一个态势等级;
61、将每个态势关联簇的异常势能值与预设多个阈值区间进行比对,确定每个态势关联簇所在的阈值区间,得到每个态势关联簇的局部态势等级;
62、对所述局部态势等级分别赋予等级编码,得到等级编码序列;
63、统计等级编码序列中每种等级编码的数量占比,将数量占比最大的等级编码所对应的态势等级作为全域运营网络的整体态势等级。
64、该方式综合各态势关联簇的局部态势分布,以占比最大等级作为整体态势等级,能够反映全域运营网络的主导态势状态。
65、作为本发明的一个技术方案,还提供一种基于全域运营的智能网络态势感知系统,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本发明提供的基于全域运营的智能网络态势感知方法。该系统中的存储器和处理器协同工作,可自动完成全域运营网络的分域采集、相位同步分析、态势关联簇归并、非均匀采样、符号化扫描、异常势能计算和整体态势等级判定,适用于大规模网络环境。
66、在上述技术方案中,本发明提供的技术效果和优点:
67、通过提取各感知域流量特征序列的时间相位偏移量,计算两两感知域时间相位偏移量之间的差值,由全部相位差构成相位同步矩阵;基于相位同步矩阵计算两两感知域之间的域间耦合度值,将满足预设归并条件的感知域归并为态势关联簇。具体地,对各感知域流量特征序列进行等间隔重采样并按周期切片,选取参考域进行互相关运算,由累加互相关函数峰值位置确定时间相位偏移量;将相位同步矩阵元素的绝对值作为域间耦合度值,以感知域为图节点、域间耦合度值为边权重构建关联图,保留边权重不低于阈值的边并将连通节点集合归并为态势关联簇。该方案从时间序列相位同步关系中识别具有协同变化特征的感知域,使态势分析单元与实际网络运行耦合结构一致,减少因独立分析造成的跨域关联异常漏判,增强对协同性异常和关联故障的感知能力。相较于仅依据静态拓扑或地理位置划分感知域的方式,该归并过程能够捕捉不同感知域在时间相位上的协同变化,使跨域关联异常在关联簇内集中显现,减少因感知域割裂导致的漏判。
68、对态势关联簇内的链路质量参数和资产状态信息进行非均匀采样,根据原始时间戳序列中相邻时间间隔的局部变化率动态调整采样间隔,局部变化率增大时缩短采样间隔,局部变化率减小时增大采样间隔,由此对变化剧烈的数据区段加密采样,对变化平缓的数据区段稀疏采样,保留关键瞬态特征并抑制冗余数据。将非均匀采样得到的离散采样序列进行符号化映射,按采样值幅值分布的分位数划分符号区间并生成符号序列矩阵;对符号序列矩阵进行滑动窗口扫描,统计窗口内符号模式的转移频次;根据符号模式对应的最大频次与最小频次的差值及该符号模式的出现次数计算局部异常势能,累加得到态势关联簇的异常势能值。该方案能够反映簇内状态转移的不均衡性,捕捉早期异常和潜在运行风险,使整体态势等级的判定更符合全域运营网络的实际状态。非均匀采样根据局部变化率分配采样密度,使得短时突变和快速劣化过程不被均匀采样间隔抹平,符号模式下的转移频次差异能够识别非均匀采样序列中的状态转换异常,即使参数未出现明显越限也能形成异常势能累积。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com