网络设备故障处理系统的制作方法

1.本发明涉及一种应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统，具体涉及一种网络发生故障时，基于通过感知故障及其历史数据学习到的结果，可自动分步解决故障处理的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统。


背景技术：

2.目前，修复网络系统故障时，由中央集中式网络管理中心(network management center)的专业人员用视觉或听觉认知故障，并按照规定流程修复故障，以达到修复的目的。
3.根据专业人员的技术经验和实力，故障处理需要消耗最短数十分钟(通常30分钟)至最长几个小时。
4.并且，各位专业人员持不同意见时，解决问题需要消耗更长时间，此时，如果人类操作出现失误，一处故障会影响到整个网络。
5.【先行技术文献】
6.【专利文献】
7.(专利文献1)大韩民国专利申请申请号第10-2015-0016862号“智能便利贴以及利用其的学习提醒方法”8.(专利文献2)大韩民国专利申请申请号第10-2003-0087401号“利用学习内容提供服务器和学习内容显示器及学习内容传输程序的互联网自动学习系统”

技术实现要素：

9.所要解决的课题
10.为了解决传统技术的上述弊端，本发明提供一种通过人工智能自动处理模式实时修复网络故障，以提升服务质量的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统。
11.并且，本发明提供一种采用人工智能自动处理模式，实现准确修复故障的技术效果的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统。
12.但是，本发明要达到的目的不受上述目的的限定，本技术领域的技术人员可以依据以下记载内容明确地了解到未提及的另一目的。
13.课题解决方案
14.为了达到本发明的上述目的，本发明的实施例提供一种以如下内容为特征的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统，其包括：
15.l2开关20或路由器30，其是与客户端40连接的网络设备；以及
16.基于ai(artificial intelligence：人工智能)的sdn控制器(software defined network controller based on ai)100，其在连接于客户端40的网络设备l2开关20或路由器30发生网络故障时，为了判定网络上发生故障的类型，由设置于l2开关20和路由器30的
snmp(simple network management system)代理程序(snmp agent)基于通过历史数据学习到的内容，根据不同方案接收处理指令请求，以便于人工智能修复当前故障。
17.此时，接收指令的基于ai的sdn控制器100依据ksb人工智能框架核心类库(knowledge-converged super brain artificial intelligence framework core)200的分析，通过基于开放流协议(open flow protocol)方式的控制路径(control path)，依据方案，向形成于发生问题的客户端40侧的网络设备，即，路由器30和l2开关20提供指令。
18.发明效果
19.本发明实施例的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统可以通过人工智能自动处理模式实时修复网络故障，以提升服务质量。
20.并且，本发明另一实施例的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统可以采用人工智能自动处理模式，实现准确修复故障的技术效果。
附图说明
21.图1示出了本发明实施例的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统。
22.图2示出了本发明实施例的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统的工作过程。
23.*附图标记*
24.1：应用人工智能机器学习技术并支持sdn开放流协议的网路设备故障处理系统
25.10：服务器
26.20：l2开关
27.30：路由器
28.40：客户端
29.100：基于ai的sdn控制器
30.200：ksb人工能框架核心类库
具体实施方式
31.以下，参考附图详细说明本发明的优选实施例。以下说明本发明的过程中，认为相关公知功能或结构会混淆本发明的要点时，将省略其详细说明。
32.本说明书中，某一构件向另一构件传输数据或信号，意味着构件可以直接向另一构件传输所述数据或信号，也可以通过至少一个又另一构件向另一构件传输数据或信号。
33.图1示出了本发明实施例的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统1。图2示出了本发明实施例的应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统1的工作过程。
34.首先，如图1所示，应用机器学习技术并支持sdn开放流协议的网络设备故障处理系统1可以包括：服务器10、l2开关20、路由器30、客户端、40、基于ai的sdn控制器(software defined network controller based on ai)100以及图2所示ksb人工智能框架核心类库(knowledge-converged super brain artificial intelligence framework core)200。
35.相当于主机的服务器10和客户端40分别与l2开关20连接。服务器10和客户端40可
以通过网络生成用于传输到其他客户端或服务器的数据包。
36.服务器10和客户端40可以通过网络接口，经由l2开关20和路由器30，将生成的数据包传输到目标服务器及客户端。
37.其中，l2开关20作为网络使用的网络设备，意味着能够以mac地址分类设备实施通信的开关，如上所述，可以与服务器10和客户端40连接。并且，本发明中，l2开关20的前提条件可以是得到开放流协议的支持。
38.另外，路由器30作为网络使用的网络设备，可以与l2开关20连接。
39.如上所述，服务器10、l2开关20、路由器30和客户端40是网络上普通的公知内容，这里省略具体说明。
40.基于ai的sdn控制器100起到管理路由器30的功能，能够通过中央集中模式管理和控制一个以上路由器30。
41.具体地，基于ai的sdn控制器100可以装载起到拓扑管理(topology management)、数据包处理相关路径管理(path management)、链路发现(link discovery)、数据包流流程管理(flow management)等功能的软件。
42.另外，每次打开/关闭l2开关20，基于ai的sdn控制器100可以把开关的配置、状态、端口信息等信息记录在存储器中，也可以将端口或链接状态变更信息记录在存储器中。并且，基于ai的sdn控制器100从存储器查询l2开关信息、链接信息等，以便于设置用于控制路由器30的路由路径，设置路由路径之后，将相应路径信息记录在存储器中。
43.l2开关20或路由器30作为通过上述构成与客户端40连接的网络设置，在发生网络故障时，为了判定网络上发生的故障的类型，以及基于历史数据学习到的内容，采用人工智能修复目前故障，按照不同方案，向基于ai的sdn控制器(software defined network controller based on ai)100提供处理指令请求。
44.接收到指令的基于ai的sdn控制器100可以通过基于开放流协议(open flow protocol)方式的控制路径(control path)，向形成于发生相应问题的客户端40侧的网络设备，即，路由器30和l2开关20提供基于ksb人工智能框架核心类库200所分析方案的指令。
45.依据基于ai的sdn控制器100所提供方案的指令可以是：1)确保紧急迂回路径；2)确保替代路径；3)作为最低优先级修复方案，端口(port)分离及接入(reset)；4)重新启动(rebooting)整个系统等。
46.更具体地，关于依据方案的指令，如图1所示，基于ai的sdn控制器100在连接有形成于客户端40侧的l2开关20和路由器30的两个通信线路中，第1通信线路#1的错误(error)发生率增高，历史数据上，截止当前月份起发生通信量(traffic)暴增及延迟时，由于客户端(client)引起不便及损失，可以通过ksb人工智能框架核心类库200接收方案信息。随之，由ksb人工智能框架核心类库200提供的ai算法可以指示l2开关20由l2开关20从第1通信线路#1切换到第2通信线路#2。其结果，l2开关20切断与第1通信线路#1之间的链接，提供与第2通信线路#2之间的链接服务。
47.关于依据另一方案的指令，如图1所示，基于ai的sdn控制器100在连接有形成于客户端40侧的l2开关20和路由器30的两个通信线路中，第1通信线路#1的错误率增高，可以通过ksb人工智能框架核心类库200接收历史数据上，当前是星期日且几乎不发生通信量的方案信息。随之，由ksb人工智能框架核心类库200提供的ai算法可以指示l2开关20接入相当
于第1通信线路#1的第1端口(port)。并且，第1端口恢复正常时，由ksb人工智能框架核心类库200提供的ai算法可以实施服务。反之，相当于第1端口的第1通信线路#1无法恢复正常时，由ksb人工智能框架核心类库200提供的ai算法可以指示l2开关20由l2开关20从第1通信线路#1切换到第2通信线路#2。其结果，l2开关20切断与第1通信线路#1之间的链接，提供与第2通信线路#2之间的链接服务。
48.如上述方案提供的示例，基于ai的sdn控制器100可以形成为另外的模块型式，或者得到可以形成于服务器10等的ksb人工智能框架核心类库200的协助。
49.即，如图2所示，ksb人工智能框架核心类库200在客户端400上，可以针对源数据实施数据装载、数据处理、非识别处理的数据处理过程。然后，ksb人工智能框架核心类库200可以依据各个源数据的类型，实施人工智能模型选择过程，其选自：利用训练数据及训练模型并基于spark ml的机器学习、基础机器学习、自动机器学习(automl)、分散学习集群中至少一个以上学习过程。
50.然后，ksb人工智能框架核心类库200依据各个不同的源数据，实施故障预测过程，其选自：利用被选人工智能模型的机器学习/深度学习、按需随选(on-demand)服务、流服务之一，从而生成相应方案，将与网络相应的方案提供到基于ai的sdn控制器100，以提升方案的具体性。
51.其中，非识别处理可以依据基于ai的sdn控制器100对于源数据做出的标注，另行处理已经生成的标注信息，而源数据根据标注，可以分成主要源数据和文件系统元数据、日志数据等。对此，ksb人工智能框架核心类库200辨别以标注信息分类的数据并单独处理的同时，按照各个不同标注信息诊断出方案，该各个不同标注信息分成各主要源数据以及除此之外的元数据、日志数据等。
52.另外，本发明另一实施例中，非识别处理的可以是数据装载、数据处理时发生的网络错误类。
53.随之，ksb人工智能框架核心类库200能够基于客户端40的历史数据，利用依据机器学习的线性回归(linear regression)模型学习的网络模型，在报告具有时间信息的故障时，对其生成相应的方案，提供给基于ai的snd控制器100。
54.这里，在机器学习的线性回归(linear regression)模型中，ksb人工智能框架核心类库200可以通过机器学习算法，分析按照错误类型分布式存储的收集数据，发出状态管理方案指令。
55.更具体地，ksb人工智能框架核心类库200使用的机器学习算法可以是决策树(dt，decision tree)分类算法、随机森林分类算法、svm(support vector machine)分类算法之一。
56.ksb人工智能框架核心类库200可以通过分布式文件程序，分析分布式存储于dcs db的收集数据，依据其分析结果提取多个特征信息，利用多个机器学习算法中至少一个以上学习提取的特征信息，并依据学习结果判断状态是否异常。
57.即，为了提升状态是否异常的判断结果的精准度，ksb人工智能框架核心类库200可以适用由多个互补性机器学习算法组成的集成结构。
58.决策树分类算法是采用树结构学习并导出结果的方式，其易于解释和理解结果，数据处理速度快，还可以基于搜索树导出规律。可以适用rf(random foreset)，以作为改善
dt(descision tree)分类准确度低的方案。随机森林分类算法用于导出集成学习多个dt的结果，其理解结果比dt难，但，准确度比dt高。可以适用svm(support vector machine)，以作为改善dt或rf学习可能产生过拟合的方案。svm分类算法是基于平面分类属于不同类型的数据的方式，通常准确度高，结构上，过拟合(overfitting)敏感度低。
59.如上所述，根据本发明，应用机器学习技术并支持sdn开放流(openflow)协议的网络设备故障处理系统议1的ksb人工智能框架核心类库200通过实现sdn(software defined network)系统的技术以及实现开放流协议(openflow protocol)的技术，构筑控制系统，以控制支持开放流协议(openflow protocol)的网络设备。
60.其中，为了获取状态信息，ksb人工智能框架核心类库200可以应用标准snmp mib(management information base)，通过相当于网络设备的l2开关20以及设置于路由器30的snmp代理(snmp agent)，获取网络故障事件(event)信息。
61.然后，ksb人工智能框架核心类库200可以基于大数据，采用包括历史数据在内的具有时间含义的数据构筑数据库。
62.并且，ksb人工智能框架核心类库200标注存储的数据，以便于学习人工智能算法。
63.然后，ksb人工智能框架核心类库200可以将实际数据输入到学习到的模型进行评估，并适用经过评估的系统，针对网络以及性能与时间变化具有深层关系的产业领域(公路交通)，依据以往趋势预测未来，根据预测到的结果，制定出应对方案。
64.本发明可以在计算机可读记录介质上，通过计算机可读代码实现。计算机可读记录介质包括可以存储计算机系统可读数据的所有记录器。
65.计算机可读记录介质的例子有：rom、ram、cd-rom、磁带、软盘、光数据存储器等，并且，包括通过载波(例如，通过互联网传输)形态实现的。
66.并且，计算机可读记录介质可以分布在通过网络连接的计算机系统，以分布式存储和实施计算机可读代码。并且，用于实现本发明的功能性(functional)程序、代码及代码段容易被本发明所属技术领域的程序设计员经推理而导出。
67.如上所述，本说明书和附图记载了本发明的优选实施例，虽然使用了特定术语，但其使用目的仅在于容易说明本发明的技术内容，帮助理解发明，本发明的权利要求范围不受其限定。显然，除了本文记载的实施例之外，本发明所属技术领域的通常技术人员还可以实施基于本发明技术思想的其他变形例。