[发明专利]一种基于云边协同的隧道网络异常识别方法

说明书

本发明提出一种基于云边协同的隧道网络异常识别方法，该方法针对现有技术下隧道内网络异常识别困难，隧道内以太网设备复杂、网络传输流量采样率较高，传输和服务器压力大。为实现隧道网络异常识别、提高系统响应速度，该方法由边缘计算节点采集并获取不同业务对应的网络流量特征，通过深度自编码器对高维流量特征进行特征提取。在边缘侧进行初步的数据处理及在降维的基础上保证流量数据的特征信息，以减轻传输数据的压力和分担云端网络异常识别的任务。此外，根据隧道网络特点，对传统密度峰值聚类算法在相似性度量和参数自适应选取两个关键技术方面进行改进，实现合理有效的隧道网络异常识别。

技术领域

本发明涉及网络数据处理技术领域，特别涉及一种基于云边协同的隧道网络异常识别方法。

背景技术

随着我国隧道智慧化的发展，隧道内机电系统(如隧道内传感设备和各类控制系统)不断增加。隧道内通讯主系统和隧道监控系统网络目前使用工业以太网交换机组成的冗余环网，并通过光纤连接到监控中心。交换机不仅需要处理视频监控系统的高带宽数据，同样也需要配置成冗余光纤环网连接区域控制器等周边现场设备。随着工业以太网设备越来越多，网络结构越来越复杂，隧道内网络异常识别不仅可以及时发现网络故障、攻击等问题，还可以保障隧道内各业务设备的安全运行以保障隧道网络服务质量。

在目前的隧道监控系统中，区域控制器主要执行数字量、模拟量的输入输出和串口通信等，无法采集交换机等网络设备的信息。虽然网络实际存在，但出现故障时无法自主识别异常情况。目前常用的网络信息获取方式主要通过监控软件实现，即电脑向交换机轮流发送读取指令并统一处理，之后进行数据筛选和处理后显示在监控大屏上。在使用过程中经常面临网络拓扑无法感知、误操作引起网络风暴、感染病毒造成网络宕机等问题。

此外，若将隧道内各业务网络流量上传云端进行集中计算，由于网络流量特征维度过高、处理较为复杂、隧道系统庞大，在进行网络流量异常识别时会占用大量的计算资源和网络带宽，并且无法保证实时性。因此亟需一种兼顾准确性和计算效率的隧道网络流量异常识别方法。

发明内容

针对现有技术下隧道内网络异常识别困难，隧道内以太网设备复杂、网络传输流量采样率较高，若集中至云端进行数据处理会给传输和服务器造成巨大压力。为实现隧道网络异常识别、提高系统响应速度及考虑隧道网络环境的特殊情况，在隧道网络内引入边缘计算节点，直接在设备端对网络流量进行处理，但边缘计算节点的计算资源有限，无法有效完成需要大量计算的数据处理任务。因此，提出一种由边缘端对隧道网络流量特征提取，并根据改进的自适应密度峰值聚类算法进行隧道网络异常识别的云边协同方法。

本发明采用的技术方案为：

一种基于云边协同的隧道网络异常识别方法，该隧道网络异常识别云边协同方法由边缘端对隧道网络流量特征提取，并根据改进的自适应密度峰值聚类算法进行，包括以下步骤：

步骤1，利用历史隧道网络流量数据离线训练深度自编码器DAE特征提取模型，并部署在隧道内的边缘计算节点；

步骤2，边缘计算节点采集隧道不同业务的终端设备传输的实时网络流量原始特征数据样本；

步骤3，将所述步骤2采集的原始特征数据样本输入到训练好的DAE特征提取模型，由前向传播获得特征提取后的编码特征，记为降维后的数据；

步骤4，在隧道内部署的边缘节点完成网络流量采集、预处理及流量特征提取任务后，将降维后的数据经数据链路传输至云平台进行后续的异常识别任务，异常识别任务利用改进的自适应密度峰值聚类算法对隧道内部署的边缘节点传输的降维数据进行异常识别，异常识别采用SKL距离作为聚类算法中的相似性度量，包括由隧道内边缘节点将特征提取后网络流量样本数据进行特征概率处理，计算网络流量样本数据间的SKL距离；