买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉湖北工业大学申请的专利一种网络故障预测方法、装置、电子设备获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118740659B 。

龙图腾网通过国家知识产权局官网在2026-04-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410982971.4，技术领域涉及：H04L41/149；该发明授权一种网络故障预测方法、装置、电子设备是由李津;刘洋;高榕设计研发完成，并于2024-07-22向国家知识产权局提交的专利申请。

本一种网络故障预测方法、装置、电子设备在说明书摘要公布了：本发明公开了一种网络故障预测方法、装置、电子设备，包括：将网络故障数据进行预处理，将产生故障的网络节点的反馈数据转化为序列样本数据，生成时间序列数据，每个时间序列数据表示当前节点随时间变化发生的所有故障类型；构建基于动量驱动的课程对比双超图门控卷积网络模型，所述网络模型包括嵌入模块、基于门控的双超图卷积网络的表示学习模块、基于动量驱动优化策略的课程对比学习模块以及预测模块，所述基于动量驱动的课程对比双超图门控卷积网络模型利用输入的所述时间序列数据，对网络故障数据中的故障进行预测。通过上述技术方案，本发明可以解决现有技术不能精准预测异常的问题，实现了精准的网络故障预测。

本发明授权一种网络故障预测方法、装置、电子设备在权利要求书中公布了：1.一种网络故障预测方法，其特征在于，所述方法包括： S1.将网络故障数据进行预处理，将产生故障的网络节点的反馈数据转化为序列样本数据，生成故障时间序列数据，其中，所述网络故障数据包括故障类型、网络节点信息和时间节点信息，每个故障时间序列数据表示当前节点随时间变化发生的所有故障类型，所述故障类型包括但不限于端口故障、网卡故障、路由器故障、断网、断电、网线故障； S2.构建基于动量驱动的课程对比双超图门控卷积网络模型，所述网络模型包括嵌入模块、基于门控的双超图卷积网络的表示学习模块、基于动量驱动优化策略的课程对比学习模块以及预测模块，所述基于动量驱动的课程对比双超图门控卷积网络模型利用输入的所述时间序列数据，对网络故障数据中的故障进行预测，其中，所述构建基于动量驱动的课程对比双超图门控卷积网络模型具体包括： S21、构建嵌入模块，以故障时间序列数据为输入，对故障节点的特征进行初始化，将时间序列数据转化为嵌入向量s；然后，基于嵌入的时间序列构建一个超图图结构gU,j对每个故障数据进行特征表示为： GU＝{gU,base,gU,1...,gU,k}； gU,j＝{U,εU,j}，εU,j分别为超图gU,j中的超边，超图gU,j中所有的超边共享同一个故障网络节点集合U，对于一个故障网络节点u∈U，在gU,j中引入一条超边εU,j连接{u|u∈U,u,i∈Ej}，即在故障网络节点集U中表示通过交互类型Ej与故障网络节点i直接相连的所有节点u； S22、构建基于门控机制的超图卷积网络的表示学习模块，获得基于故障节点超图的节点表示X； S23、对超图gU,j进行图扩散增强操作，获取增强的扩散新超图g′U,j以提取故障节点之间的复杂高阶交互关系，其中，图扩散操作过程公式如下： 其中是控制网络节点扩散率的参数，g′U,j是超图gU,j图扩散变换后的新扩散增强超图； 经过在l层传播之后，通过READOUT函数对超图gU,j和增强的扩散超图g′U,j中学习到的节点特征和进行嵌入操作和并对下游任务采用多层感知器降维得到最终的输出zU和zU′，公式如下： 其中，zU表示超图gU,j节点的嵌入表示，zU′表示扩散超图g′U,j节点的嵌入表示； S24、构建基于动量驱动的课程对比学习模块： 基于课程学习的采样策略，在g′U,j中找到c个不同难度的故障网络节点负采样的嵌入z′c,并定义评分函数S·，将不同的负样本嵌入z′c映射到数值分数Sz′c来衡量难度，即将评分函数S·设置为用simzv,z′c来度量负样本的难度： Sz′c＝simzv,z′c＝zv-z′cTΣ.-1zv-z′c； 其中，zv表示不同于z′c的故障网络节点正采样嵌入； 在获得整个对比学习过程中单个负采样嵌入z′c的分数Sz′c后，使用步调函数δt来安排将负样本引入训练过程，其中，步调函数δt指定在每个步骤t中负采样的样本大小，步骤第t步的中由δt个得分最低的负样本组成，用T表示训练步骤的总数： δt＝tTφ·K； 其中φ是一个平滑参数以控制步调函数引导训练过程中的速度，在对比学习过程中根据simzv,z′c从最低分数到最高分数排序负样本； 最大化超图gU,j和扩散增强超图g′U,j之间的互信息，采用噪声估计对比损失，对比学习模块最终的损失函数可以进行如下表示： 其中，相似度度量函数simzv,zv′用于计算每个正样本对{zv,zv′}和正负样本对{zv,zc′}中相同的节点相似度，τ表示温度参数，表示利用评分函数引导训练过程中C个负样本嵌入； 在对比学习过程中采用动量更新机制对所有参数进行更新，模型参数的动量驱动更新迭代过程如下： 其中a为可调参数控制训练信息提取程度的动量，和分别表示超图gU,j和增强的扩散超图g′U,j在迭代优化训练t轮时学习参数集合； S25、构建预测模块，对每个序列的初始嵌入sg以及当前故障超图网络节点表示XU,j进行内积计算来计算超图中所有节点的分数Ωj，然后使用softmax函数获得预测节点成为下一个段时间可能的故障的输出： Ωj＝sgTXU,j； 其中，表示预测下一段时间是否存在网络故障； 然后，分别使用故障超图网络和扩散增强故障超图中已经存在的节点作为正样本采样的边，通过最大化正样本边缘概率和最小化负样本边缘概率来设计预测损失函数，损失函数定义为： 其中σ是sigmoid激活函数，λ是为了平衡正负样本重要性的权重参数，Pu定义了u候选故障节点的分布，n是负样本数目，将多重二部图中已有的边作为正样本，对于每一个正样本的边u,i，随机抽选n条与节点u和节点i的负边，作为负样本边缘； 最终，将双超图表示学习模块和基于动量驱动优化策略的课程对比学习模块统一为整体的学习框架，最终的预测学习目标损失被定义为： l＝lr+ζlNCE； 其中，ζ是控制对比学习任务的可变因子。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖北工业大学，其通讯地址为：430000 湖北省武汉市洪山区南李路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。