网络拓扑生成方法、装置、设备及存储介质与流程

本发明涉及网络，特别是涉及一种网络拓扑生成方法、装置、设备及存储介质。

背景技术：

1、为降低网络运维技术门槛，运维成本，也随着物联网新兴行业的发展，越来越多的企业选择将通信设备托管到物联网平台进行管理和运维。随着企业对于网络的可靠性、可用性提出了越来越高的要求，以及企业网络变得越来越复杂，通常需要通过网络拓扑图来快速直观地展示企业网络的链路，从而为网络运维人员提供运维思路。

2、现有技术中，网络拓扑生成方法依赖用户将网络设备分类添加至平台，平台通过获取出口设备及交换机等的arp数据信息及mac表项信息，再通过mac地址关联设备端口形成拓扑。当项目中没有出口设备或者存在环路的网络时，依照经验便无法找到根节点，从而导致拓扑无法形成。此外，通过出口设备向下探测过程耗时，计算复杂。

技术实现思路

1、本发明实施例旨在提供一种网络拓扑生成方法、装置、设备及存储介质，以解决现有技术中网络拓扑生成方法在某些复杂网络中无法找到根节点以及拓扑生成的计算复杂度高的问题。

2、为解决上述技术问题，本发明实施例提供以下技术方案：

3、根据本发明的第一方面，提供一种网络拓扑生成方法，所述方法包括：

4、获取历史网络拓扑数据，对所述历史网络拓扑数据进行分析处理，得到训练数据集；

5、利用所述训练数据集对预设的浅层神经网络模型进行训练，得到根节点识别模型；

6、获取目标网络中各待组网设备的设备信息；

7、将各所述待组网设备的设备信息输入至所述根节点识别模型中，得到每一所述待组网设备识别为根节点的概率；

8、基于每一所述待组网设备识别为根节点的概率确定出拓扑根节点和各所述待组网设备之间的链路关系，生成所述目标网络的网络拓扑图。

9、可选地，所述训练数据集包括若干训练样本，每一所述训练样本包括若干个拓扑中的已组网设备，所述训练样本的输入特征为所述训练样本中各已组网设备的设备信息组成的特征集合，所述训练样本的标签值为所述训练样本中每一设备信息在所述训练样本中作为根节点的概率组成的概率集合。

10、可选地，所述设备信息包括静态设备信息和动态设备信息，所述静态设备信息包括设备型号、设备类型和设备成本中任意一个或多个的组合，所述动态设备信息包括设备是否有地址池、设备是否有公网ip和设备是否有arp数据中任意一个或多个的组合。

11、可选地，所述根节点识别模型接收到各所述待组网设备的设备信息后，对各所述待组网设备的设备信息进行嵌入操作得到矩阵式特征向量。

12、可选地，所述基于每一所述待组网设备识别为根节点的概率确定出拓扑根节点和各所述待组网设备之间的链路关系，生成所述目标网络的网络拓扑图的步骤包括：

13、选取概率最大的待组网设备作为所述目标网络的拓扑根节点；

14、基于所述拓扑根节点向下探测出各所述待组网设备之间的链路关系，根据所述链路关系生成所述目标网络的网络拓扑图。

15、可选地，所述基于所述拓扑根节点向下探测出各所述待组网设备之间的链路关系，根据所述链路关系生成所述目标网络的网络拓扑图的步骤包括：

16、基于每一所述待组网设备识别为根节点的概率，确定出每一所述待组网设备所属的层级；

17、基于所述拓扑根节点和每一所述待组网设备所属的层级，从所述拓扑根节点出发，按照层级依次探测出当前层级的待组网设备与下一层级的待组网设备之间的链路关系，再根据各层级间待组网设备之间的链路关系生成所述目标网络的网络拓扑图。

18、可选地，所述方法还包括：

19、当所述目标网络中包含多个拓扑根节点时，通过ping指令依次判断任意两个拓扑根节点是否可以通信，若是，则在可以通信的两个拓扑根节点之间生成链路。

20、根据本发明的第二方面，提供一种网络拓扑生成装置，所述装置包括：信息处理模块，用于获取历史网络拓扑数据，对所述历史网络拓扑数据进行分析处理，得到训练数据集；

21、模型训练模块，用于利用所述训练数据集对预设的浅层神经网络模型进行训练，得到根节点识别模型；

22、信息获取模块，用于获取目标网络中各待组网设备的设备信息；

23、根节点识别模块，用于将各所述待组网设备的设备信息输入至所述根节点识别模型中，得到每一所述待组网设备识别为根节点的概率；

24、拓扑生成模块，用于基于每一所述待组网设备识别为根节点的概率确定出拓扑根节点和各所述待组网设备之间的链路关系，生成所述目标网络的网络拓扑图。

25、根据本发明的第三方面，提供一种电子设备，所述电子设备包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述网络拓扑生成方法的步骤。

26、根据本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，所述处理器执行上述任一项所述网络拓扑生成方法的步骤。

27、本发明实施例的有益效果是：区别于现有技术的情况，本发明实施例中，提供了一种网络拓扑生成方法，首先，通过对现有百万计历史拓扑数据进行分析处理，得到训练数据集，并利用训练数据集对预设的浅层神经网络模型进行训练，得到根节点识别模型；再获取目标网络中待组网设备的设备信息，将设备信息输入到该根节点识别模型中，得到每一待组网设备识别为根节点的概率；最后，基于每一待组网设备识别为根节点的概率确定出拓扑根节点和各待组网设备之间的链路关系，生成目标网络的网络拓扑图。采用本发明的方法，不仅能识别出各种复杂网络的拓扑根节点，而且利用每一待组网设备识别为根节点的概率可对待组网设备进行分层处理后再探测出层级间的链路关系，大大减少了网络拓扑生成的计算量，有效提高了网络拓扑的生成效率与准确度。

技术特征：

1.一种网络拓扑生成方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述训练数据集包括若干训练样本，每一所述训练样本包括若干个拓扑中的已组网设备，所述训练样本的输入特征为所述训练样本中各已组网设备的设备信息组成的特征集合，所述训练样本的标签值为所述训练样本中每一设备信息在所述训练样本中作为根节点的概率组成的概率集合。

3.根据权利要求2所述的方法，其特征在于，所述设备信息包括静态设备信息和动态设备信息，所述静态设备信息包括设备型号、设备类型和设备成本中任意一个或多个的组合，所述动态设备信息包括设备是否有地址池、设备是否有公网ip和设备是否有arp数据中任意一个或多个的组合。

4.根据权利要求1所述的方法，其特征在于，所述根节点识别模型接收到各所述待组网设备的设备信息后，对各所述待组网设备的设备信息进行嵌入操作得到矩阵式特征向量。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述基于每一所述待组网设备识别为根节点的概率确定出拓扑根节点和各所述待组网设备之间的链路关系，生成所述目标网络的网络拓扑图的步骤包括：

6.根据权利要求5所述的方法，其特征在于，所述基于所述拓扑根节点向下探测出各所述待组网设备之间的链路关系，根据所述链路关系生成所述目标网络的网络拓扑图的步骤包括：

7.根据权利要求5所述的方法，其特征在于，所述方法还包括：

8.一种网络拓扑生成装置，其特征在于，所述装置包括：

9.一种电子设备，所述电子设备包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述的网络拓扑生成方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，所述处理器执行如权利要求1-7任一项所述方法的步骤。

技术总结本发明公开了一种网络拓扑生成方法、装置、设备及存储介质，其中方法包括：获取历史网络拓扑数据，对历史网络拓扑数据进行分析处理，得到训练数据集；利用训练数据集对预设的浅层神经网络模型进行训练，得到根节点识别模型；获取目标网络中各待组网设备的设备信息；将各待组网设备的设备信息输入至根节点识别模型中，得到每一待组网设备识别为根节点的概率；基于每一待组网设备识别为根节点的概率确定出拓扑根节点和各待组网设备之间的链路关系，生成目标网络的网络拓扑图。采用本发明的方法，不仅能识别出各种复杂网络的拓扑根节点，而且大大减少了网络拓扑生成的计算量，有效提高了网络拓扑的生成效率与准确度。技术研发人员：李园,李鲲受保护的技术使用者：一米无线（深圳）网络技术有限公司技术研发日：技术公布日：2024/9/12