本技术涉及人工智能，尤其涉及一种网络环路定位方法和装置、电子设备及存储介质。
背景技术：
1、目前，当旧的网络设备发生环路现象时，无法应用生成树协议(spanning treeprotocol，stp)等机制对旧的网络设备进行环路保护，通常只能根据网络拓扑结构推测发生环路现象的网络设备，定位结果不够准确，容易出现部分旧的网络设备长时间处于环路现象的情况，导致整个网络出现问题，无法正常运行，因此，如何提高旧网络设备的网络环路定位准确性，成为了亟待解决的技术问题。
技术实现思路
1、本技术实施例的主要目的在于提出一种网络环路定位方法和装置、电子设备及存储介质，旨在提高网络环路定位的准确性。
2、为实现上述目的，本技术实施例的第一方面提出了一种网络环路定位方法，所述方法包括：获取原始虚拟局域网的环路网络特征数据；
3、基于预设的目标网络环路检测模型对所述环路网络特征数据进行环路检测，得到目标虚拟局域网，其中，所述目标虚拟局域网是存在环路现象的原始虚拟局域网，所述目标网络环路检测模型是根据所述原始虚拟局域网的正常网络特征数据训练得到；
4、获取所述目标虚拟局域网中原始设备的环路设备特征数据；
5、基于预设的目标设备环路检测模型对所述环路设备特征数据进行环路检测，得到目标设备，其中，所述目标设备是存在环路现象的原始设备，所述目标设备环路检测模型是根据所述原始设备的正常设备特征数据得到；
6、根据所述目标设备的正常设备特征数据及环路设备特征数据，对所述目标设备中环路的端口进行定位，得到目标端口。
7、在一些实施例，所述目标网络环路检测模型通过以下方式训练得到：
8、对所述正常网络特征数据进行数值归一化处理，得到网络样本数据；
9、利用预设的网络环路检测模型对所述网络样本数据进行特征映射，得到网络特征数据；
10、根据所述网络特征数据，构建预设的网络环路检测模型的最优分离超平面函数；
11、将所述最优分离超平面函数转化为决策函数，得到所述目标网络环路检测模型。
12、在一些实施例，所述根据所述网络特征数据，构建预设的网络环路检测模型的最优分离超平面函数，包括：
13、获取所述预设的网络环路检测模型的松弛变量参数及折中参数，其中，所述松弛变量参数及所述折中参数均为所述预设的网络环路检测模型中已提前设置好的参数；
14、根据所述松弛变量参数、所述折中参数及所述网络特征数据，构建约束函数；
15、计算所述约束函数的最小值，得到最小约束值；
16、根据所述最小约束值，计算超平面最优截距；
17、根据所述超平面最优截距，生成所述预设的网络环路检测模型的最优分离超平面函数。
18、在一些实施例，所述根据所述目标设备的正常设备特征数据及环路设备特征数据，对所述目标设备中环路的端口进行定位，得到目标端口，包括：
19、基于预设筛选条件，从所述目标设备的正常设备特征数据中筛选出正常设备端口特征数据，其中，所述预设筛选条件是筛选网络特征数据中与设备端口相关的特征数据，所述正常设备端口特征数据包括正常广播包数量、正常mac地址漂移数量及正常cpu使用率；
20、基于所述预设筛选条件，从所述目标设备的环路设备特征数据中筛选出环路设备端口特征数据，其中，所述环路设备端口特征数据包括环路广播包数量、环路mac地址漂移数量及环路cpu使用率；
21、根据所述正常设备端口特征数据及所述环路设备端口特征数据，计算所述目标设备的端口变化率；
22、基于所述端口变化率，从所述目标设备的端口中筛选出目标端口，其中，所述目标端口的端口变化率最大。
23、在一些实施例，所述根据所述正常设备端口特征数据及所述环路设备端口特征数据，计算所述目标设备的端口变化率，包括：
24、计算所述正常设备端口特征数据中正常广播包数量与所述环路设备端口特征数据中环路广播包数量的变化率，得到广播包数量变化率；
25、计算所述正常设备端口特征数据中正常mac地址漂移数量与所述环路设备端口特征数据中环路mac地址漂移数量的变化率，得到mac地址漂移数量变化率；
26、计算所述正常设备端口特征数据中正常cpu使用率与所述环路设备端口特征数据中环路cpu使用率的变化率，得到cpu使用率变化率；
27、对所述广播包数量变化率、所述mac地址漂移数量变化率及所述cpu使用率变化率进行数据合并，得到所述目标设备的端口变化率。
28、在一些实施例，所述基于预设的目标网络环路检测模型对所述环路网络特征数据进行环路检测，得到目标虚拟局域网，其中，所述目标虚拟局域网是存在环路现象的原始虚拟局域网，所述目标网络环路检测模型是根据所述原始虚拟局域网的正常网络特征数据训练得到，包括：
29、根据所述预设的目标网络环路检测模型中的决策函数，计算所述环路网络特征数据的决策值；
30、若所述决策值小于零，将所述环路网络特征数据对应的原始虚拟局域网作为目标虚拟局域网。
31、在一些实施例，所述基于预设的目标设备环路检测模型对所述环路设备特征数据进行环路检测，得到目标设备，其中，所述目标设备是存在环路现象的原始设备，所述目标设备环路检测模型是根据所述原始设备的正常设备特征数据得到，包括：
32、获取所述预设的目标设备环路检测模型中的设备环路最优分离超平面函数；
33、计算所述环路设备特征数据与所述设备环路最优分离超平面函数的特征距离数据；
34、从所述环路设备特征数据中筛选出所述特征距离数据最大的目标设备特征数据；
35、从所述原始设备中查找所述目标设备特征数据的目标设备。
36、为实现上述目的，本技术实施例的第二方面提出了一种网络环路定位装置，所述装置包括：
37、网络特征数据获取模块，用于获取原始虚拟局域网的环路网络特征数据；
38、环路虚拟局域网定位模块，用于基于预设的目标网络环路检测模型对所述环路网络特征数据进行环路检测，得到目标虚拟局域网，其中，所述目标虚拟局域网是存在环路现象的原始虚拟局域网，所述目标网络环路检测模型是根据所述原始虚拟局域网的正常网络特征数据训练得到；
39、环路设备定位模块，用于获取所述目标虚拟局域网中原始设备的环路设备特征数据，基于预设的目标设备环路检测模型对所述环路设备特征数据进行环路检测，得到目标设备，其中，所述目标设备是存在环路现象的原始设备，所述目标设备环路检测模型是根据所述原始设备的正常设备特征数据得到；
40、环路端口定位模块，用于根据所述目标设备的正常设备特征数据及环路设备特征数据，对所述目标设备中环路的端口进行定位，得到目标端口。
41、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备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上述第一方面所述的方法。
42、为实现上述目的，本技术实施例的第四方面提出了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，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
43、本技术实施例通过获取原始虚拟局域网的环路网络特征数据，基于预设的目标网络环路检测模型对所述环路网络特征数据进行环路检测，得到目标虚拟局域网，提高了虚拟局域网层次的网络环路定位的准确率，其次，获取所述目标虚拟局域网中原始设备的环路设备特征数据，基于预设的目标设备环路检测模型对所述环路设备特征数据进行环路检测，得到目标设备，提高了网络设备层次的网络环路定位的准确率，最后，根据所述目标设备的正常设备特征数据及环路设备特征数据，对所述目标设备中环路的端口进行定位，得到目标端口，成功定位发生环路的位置，提高了网络环路定位的准确率。
1.一种网络环路定位方法，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，所述目标网络环路检测模型通过以下方式训练得到：
3.根据权利要求2所述的方法，其特征在于，所述根据所述网络特征数据，构建预设的网络环路检测模型的最优分离超平面函数，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标设备的正常设备特征数据及环路设备特征数据，对所述目标设备中环路的端口进行定位，得到目标端口，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述正常设备端口特征数据及所述环路设备端口特征数据，计算所述目标设备的端口变化率，包括：
6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于预设的目标网络环路检测模型对所述环路网络特征数据进行环路检测，得到目标虚拟局域网，其中，所述目标虚拟局域网是存在环路现象的原始虚拟局域网，所述目标网络环路检测模型是根据所述原始虚拟局域网的正常网络特征数据训练得到，包括：
7.根据权利要求1至5任一项所述的方法，其特征在于，所述基于预设的目标设备环路检测模型对所述环路设备特征数据进行环路检测，得到目标设备，其中，所述目标设备是存在环路现象的原始设备，所述目标设备环路检测模型是根据所述原始设备的正常设备特征数据得到，包括：
8.一种网络环路定位装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备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权利要求1至7任一项所述的网络环路定位方法。
10.一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，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的网络环路定位方法。
