CN109660419B - 预测网络设备异常的方法、装置、设备及存储介质 - Google Patents

预测网络设备异常的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109660419B
CN109660419B CN201811168086.3A CN201811168086A CN109660419B CN 109660419 B CN109660419 B CN 109660419B CN 201811168086 A CN201811168086 A CN 201811168086A CN 109660419 B CN109660419 B CN 109660419B
Authority
CN
China
Prior art keywords
network
monitored
position coordinate
network equipment
early warning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811168086.3A
Other languages
English (en)
Other versions
CN109660419A (zh
Inventor
林明锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811168086.3A priority Critical patent/CN109660419B/zh
Publication of CN109660419A publication Critical patent/CN109660419A/zh
Priority to PCT/CN2019/092962 priority patent/WO2020073688A1/zh
Application granted granted Critical
Publication of CN109660419B publication Critical patent/CN109660419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于网络监控技术领域，公开了一种预测网络设备异常的方法、装置、设备及存储介质。该方法包括：根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；对各时段的网络指标数据进行分析，得到待监控网络指标对应的变化率；根据变化率和预设的预警策略，预测待监控网络设备是否将要出现异常；若预测待监控网络设备将要出现异常，则根据变化率和各时段的网络指标数据，生成预警信息。通过上述方式，解决了现有技术中无法提前预测网络设备是否将要出现异常的技术问题。

Description

预测网络设备异常的方法、装置、设备及存储介质
技术领域
本发明涉及网络监控技术领域，尤其涉及一种预测网络设备异常的方法、装置、设备及存储介质。
背景技术
随着互联网业务的发展，网络规模也越来越大，接入网络的网络设备也越来越多，为了保障网络性能，对接入云平台的网络设备的监控和维护工作也变得越来越重要。
目前，常用的一种对网络设备的监控方式是：通过实时监控网络设备产生的某一项网络指标对应的网络数据(以下称为：网络指标数据)的突变情况，来确定网络设备是否存在异常。具体的监控方式是通过使用绝对静态阈值对网络指标数据进行监控，以网络指标数据为网络链路中传输的数据流量为例，在对数据流量的监控过程中，具体是通过预设一个告警阈值，若数据流量高于预设的告警阈值则触发告警。虽然，这种监控方式简单明了，易于实现，但是却无法对网络设备连续时间段内产生的网络指标数据进行一个完整的分析和评估，无法在达到静态阈值之前预测出网络设备的异常。也就是说，现有的监控方法通常都是在异常发生后才做出预警，根本无法达到提前预警的效果。
所以，亟需提供一种能够预测网络设备异常的方法，以提前预测网络设备的异常情况。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种预测网络设备异常的方法、装置、设备及存储介质，旨在解决现有技术无法提前预测网络设备是否将出现异常的技术问题。
为实现上述目的，本发明提供了一种预测网络设备异常的方法，所述方法包括以下步骤:
根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
若预测所述待监控网络设备将要出现异常，则根据所述变化率和各时段的网络指标数据，生成预警信息。
优选地，所述对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率，包括：
基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值；
根据各时段的指标数值，计算所述待监控网络指标对应的变化率。
优选地，其特征在于，所述基于预设的分析模型对各时段的网络指标数据进行分析的步骤之前，所述方法还包括：
基于深度机器学习法，构建所述分析模型；
其中，所述基于深度机器学习法，构建所述分析模型，包括：
根据样本数据构建第一训练模型；
根据预设的分层标准，将所述第一训练模型中各隐藏层的初始网络层拆分为至少两个子网络层；
采用自下上升的非监督训练方式，以与所述第一训练模型中输入层相连的隐藏层为起点，与所述第一训练模型中输出层相连的隐藏层为终点，依次对所述第一训练模型中各隐藏层中的子网络层进行训练，得到第二训练模型；
采用自顶向下的监督训练方式，以与所述第二训练模型中输出层相连的隐藏层为起点，与所述第二训练模型中输入层相连的隐藏层为终点，依次对所述第二训练模型中各隐藏层中的子网络层进行训练，得到所述分析模型。
优选地，所述根据所述变化率和各时段的网络指标数据，生成预警信息的步骤之后，所述方法还包括：
根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员。
优选地，所述将所述预警信息通知给所述待监控网络设备的管理人员的步骤之前，所述方法还包括：
获取所述待监控网络设备的第一位置坐标；
根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值；
根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标；
所述将所述预警信息通知给所述待监控网络设备的管理人员，包括：
将所述预警信息和所述待监控网络设备当前所处的位置坐标通知给所述待监控网络设备的管理人员。
优选地，所述定位差分基站为路灯；所述根据所述第一位置坐标，选取定位差分基站，包括：
根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯；
将距离所述第一位置坐标最近的路灯确定为定位差分基站。
优选地，所述根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，包括：
获取预设区域内所有路灯的位置坐标，所述预设区域为以所述第一位置坐标为圆心，以预设长度为半径确定的区域；
将所述第一位置坐标与获取到的各路灯的位置坐标进行对比，确定距离所述第一位置坐标最近的位置坐标；
将确定的所述位置坐标对应的路灯作为距离所述第一位置坐标最近的路灯。
此外，为实现上述目的，本发明还提出一种预测网络设备异常的装置，所述装置包括：
采集模块，用于根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
分析模块，用于对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
预测模块，用于根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
生成模块，用于在预测所述待监控网络设备将要出现异常时，根据所述变化率和各时段的网络指标数据，生成预警信息。
此外，为实现上述目的，本发明还提出一种预测网络设备异常的设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的预测网络设备异常的程序，所述预测网络设备异常的程序配置为实现如上文所述的预测网络设备异常的方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有预测网络设备异常的程序，所述预测网络设备异常的程序被处理器执行时实现如上文所述的预测网络设备异常的方法的步骤。
本发明提供的预测网络设备异常的方案，通过对多个时间段内待监控网络指标数据的分析来获得能够反应待监控设备中预设待监控网络指标变化情况的变化率，然后将得到变化率和预设的预警策略作为监控待监控网络设备是否会出现异常的预测标准，从而可以预测出如果待监控网络设备按照当前变化率发展下去，是否会在不久之后出现异常，进而实现了提前预测待监控网络设备异常，提前发现设备故障的目的。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的预测网络设备异常的设备的结构示意图；
图2为本发明预测网络设备异常的方法第一实施例的流程示意图；
图3为本发明预测网络设备异常的方法第二实施例的流程示意图；
图4为本发明预测网络设备异常的装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的预测网络设备异常的设备结构示意图。
如图1所示，该预测网络设备异常的设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对预测网络设备异常的设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及预测网络设备异常的程序。
在图1所示的预测网络设备异常的设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明预测网络设备异常的设备中的处理器1001、存储器1005可以设置在预测网络设备异常的设备中，所述预测网络设备异常的设备通过处理器1001调用存储器1005中存储的预测网络设备异常的程序，并执行本发明实施例提供的预测网络设备异常的方法。
本发明实施例提供了一种预测网络设备异常的方法，参照图2，图2为本发明一种预测网络设备异常的方法第一实施例的流程示意图。
本实施例中，所述预测网络设备异常的方法包括以下步骤：
步骤S10，根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据。
具体的说，在实际应用中，为了便于对接入网络的各待监控网络设备的监控，本实施例中的执行主体具体可以是单独部署的用于监控各个待监控网络设备的代理服务器。并且，在部署代理服务器时，可以根据待监控网络设备分布的区域进行设置，然后由该区域的代理服务器来监管这一区域内所有能够与该代理服务器连接的待监控网络设备。
应当理解的是，在具体实现中，所述代理服务器可以选择传统的物理服务器，也可以选用虚拟云服务器，此处不做限制。
此外，上述所说的待监控网络指标，可以是指定网络链路中传输的数据流量、地址解析协议(Address Resolution Protocol，ARP)、介质访问控制(Media Access Control或者Medium Access Control，MAC)地址等常见网络指标，具体的选取可以由本领域的技术人员根据需要设置，本案对此不做限制。
为了便于理解本实施例中所说的网络指标数据所表示的含义，以下举例说明：如果待监控网络指标为ARP，则对应的网络指标数据则为ARP数量；如果待监控网络指标为MAC地址，则对应的网络指标数据则为MAC地址的漂移情况。
此外，本实施例中所说的待监控网络设备，具体可以是计算机(无论其为个人电脑或服务器)、集线器、交换机、网桥、路由器、网关、网络接口卡(network interface card，NIC)、无线访问接入点(Wireless Access Point，WAP)、打印机、调制解调器、光纤收发器、光缆等，此处不再一一列举，本案对此也不做具体限制。
通过上述描述不难发现，本实例中在从待监控网络设备中采集预设的待监控指标对应的网络指标数据时，具体是分时段采集的，从而可以使得后续的分析是针对一个周期内网络指标数据的变化情况进行分析，而并非仅仅对某一时间点的情况进行分析。因此，本案中给出的预测网络设备异常的方法通过结合某一时刻前后各时刻的网络指标数据来进行分析，可以有效的排除瞬时异常的情况，避免误报的情况。
步骤S20，对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率。
具体的说，步骤S20中对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率的操作，具体可以通过如下操作实现：
比如，先基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值；然后，根据各时段的指标数值，计算所述待监控网络指标对应的变化率。
需要说明的是，为了保证实际应用中对各时段的网络指标数据的分析能够顺利执行，分析过程中需要应用到的分析模型需要预先构建。并且，为了使后续预测结果更加精准，在本实施例中分析模型具体是基于深度机器学习法构建而来的。
具体的说，本实施例中所说的深度学习法具体是采用无监督学习方式(如深度置信网(Deep Belief Nets，DBNs))和有监督学习方式(如卷积神经网络(Convolutionalneural networks，CNNs))相结合的方式，来构建所述分析模型。
为了便于理解，以下针对基于深度机器学习法，构建所述分析模型的操作具体简要说明，具体步骤如下：
S201，根据样本数据构建第一训练模型。
具体的说，构建的第一训练模型具体包括一个输入层、一个输出层和多个隐藏层。并且，多个隐藏层均位于输入层和输出层之间，各层之间采用全连接。
此外，为了保证训练结果的准确性，还可以在每层之前加入一个滤波器，用于滤出样本数据中的干扰信息。
此外，应当理解的是，本实施例中在构建第一训练模型时用到的样本数据，具体可以为各大数据平台中存储的海量数据，因而可以保证构建出的第一训练模型能够更好的刻好出数据的丰富内在信息和特征，使得基于第一训练模型训练出的分析模型能够更好的预测出待监控网络指标对应的变化率。
S202，根据预设的分层标准，将所述第一训练模型中各隐藏层的初始网络层拆分为至少两个子网络层。
具体的说，上述所说的分层标准，具体用于规定将初始网络层拆分为至少两个多大尺寸的子网络层。
比如说，在初始网络层的尺寸为5×5的卷积核时，分层标准可以是规定将尺寸为5×5的卷积核拆分为两个3×3的卷积核。
这样，在执行后续的步骤S203和步骤S204时，通过基于初始网络层拆分后的训练模型(第一训练模型和第二训练模型)来进行训练，便可以增加训练模型的网络深度，从而使得后续训练出的分析模型能够根据精准的预测出待监控网络指标对应的变化率。
S203，采用自下上升的非监督训练方式，以与所述第一训练模型中输入层相连的隐藏层为起点，与所述第一训练模型中输出层相连的隐藏层为终点，依次对所述第一训练模型中各隐藏层中的子网络层进行训练，得到第二训练模型。
具体的说，由于在实际应用中，构建第一训练模型的数据可以是由标定的数据，也可以是无标定的数据。而针对不同的训练数据构建的第一训练模型的训练方式也会有所不同，为了便于理解，以下以训练数据为无标定数据为例，进行具体说明。
具体的，在采用自下上升的非监督训练方式，对第一训练模型中各隐藏层中的子网络层进行训练时，需要先训练第一层(与输入层连接的隐藏层)，学习第一层的参数。然后，在学习得到第一层的参数后，将第一层的输出作为第二层的输入，依次类推，在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数。
由于第一训练模型容量的限制以及稀疏性约束，因此在训练过程中能够学习到数据本身的结构，从而得到比输入更具有表示能力特征的第二训练模型。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成限定，在具体实现中，本领域的技术人员可以根据需要选取训练数据进行训练，此处不做限制。
S204，采用自顶向下的监督训练方式，以与所述第二训练模型中输出层相连的隐藏层为起点，与所述第二训练模型中输入层相连的隐藏层为终点，依次对所述第二训练模型中各隐藏层中的子网络层进行训练，得到所述分析模型。
具体的说，通过采用自顶向下的监督训练方式对步骤S203中训练获得的第二训练模型中各层进行训练，使得误差自顶向下传输，从而达到了对整个网络的微调，进而得到能够得到效果更好的分析模型。
应当理解的是，关于上述提到的无监督学习方式和有监督学习方式的具体使用方式，本领域的技术人员可以通过查找相关资料自行实现，此处不再赘述。
步骤S30，根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常。
具体的说，这里所说的预警策略，即为预先设定的，在变化率符合什么条件时，会认为待监控网络设备可能会出现异常，需要触发相应的预警。
比如说，在连续时间内，t1时刻待监控网络设备(如交换机)处理的ARP数量为n1，t2时刻待监控网络设备处理的ARP数量为n2，t3时刻待监控网络设备处理的ARP数量为n3。而设定的预警策略为：如果从t1时刻到t2时刻，t2时刻到t3时刻，每个时间点递增超过20％，则预测所述待监控网络设备按照当前变化率递增下去，将要出现异常。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，本领域的技术人员可以根据需要设置预警策略，此处不做限制。
步骤S40，若预测所述待监控网络设备将要出现异常，则根据所述变化率和各时段的网络指标数据，生成预警信息。
具体的说，在预测所述待监控网络设备将要出现异常时，本实施例通过根据所述变化率和各时段的网络指标数据，生成预警信息，从而可以使得预警信息能够更加清楚的反应出待监控网络设备的现状。
本实施例提供的预测网络设备异常的方法，通过对多个时间段内待监控网络指标数据的分析来获得能够反应待监控设备中预设待监控网络指标变化情况的变化率，然后将得到变化率和预设的预警策略作为监控待监控网络设备是否会出现异常的预测标准，从而可以预测出如果待监控网络设备按照当前变化率发展下去，是否会在不久之后出现异常，进而实现了提前预测待监控网络设备异常，提前发现设备故障的目的。
参考图3，图3为本发明一种预测网络设备异常的方法第二实施例的流程示意图。
基于上述第一实施例，本实施例预测网络设备异常的方法在所述步骤S40之后，还包括：
步骤S50，根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员。
应当理解的是，上述所说的预警通知方式，具体可以是短信、邮件等通知方式，此处不再一一列举，对此也不做限制。
具体的，在采用上述通知方式，将所述预警信息通知给所述待监控网络设备的管理人员时，为了能够更加快速的通知到管理人员，可以预先为设置的通知方式设置好对应的模板，从而在得到预警信息后，直接将预警信息输入的模板中，然后发送给管理人员预留的手机号码或者邮箱中。
此外，为了能够让管理人员及时查看预警信息，及时针对待监控网络设备可能存在的异常作出应对措施，比如修改针对待监控网络设备的监控任务，远程调整待监控网络设备的参数，或者直接到现场检查待监控网络设备的状况。在将预警信息发送给管理人员收到预警信息的设备后，还可以控制收到预警信息的设备作出响铃、震动、屏幕闪烁等预警。
此外，值得一提的时，上述所说的管理人员，具体可以是专门监控待监控网络设备的监管人员，比如在待监控网络设备为某一企业的服务器时，监管人员可以该企业的运维人员；也可以是待监控设备的使用者、拥有者，比如在待监控网络设备为任一用户终端时，管理人员则为该用户终端的拥有者。
需要说明的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，本领域的技术人员可以根据需要设置，此处不做限制。
此外，为了方便管理人员在收到预警信息后及时、准确的赶到待监控设备所在的地点，在将所述预警信息通知给所述待监控网络设备的管理人员的时候可以将待监控网络设备的位置坐标一同发给管理人。
相应地，为了能够在将所述预警信息通知给所述待监控网络设备的管理人员的时候可以将待监控网络设备的位置坐标一同发给管理人，需要在预测到待监控网络设备将要出现异常时，先获取待监控网络设备的位置坐标。同时，为了保证发送给管理人员的位置坐标足够精确，还可以对获取到的待监控网络设备的位置坐标进行校正。
为了便于理解，以下给出一种具体的方式，进行说明：
首先，获取所述待监控网络设备的第一位置坐标。
具体的说，如果待监控网络设备为固定不会运动的，则获取到的第一位置坐标是当初部署待监控网络设备时预设的位置坐标；如果待监控网络设备是可以移动的，则获取的第一位置坐标具体可以通过待监控网络设备内部的卫星定位模块采集到的实时位置坐标。
然后，根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值。
具体的说，上述所说的定位差分基站，具体可以是采用实时动态(Real-timekinematic，RTK)载波相位差分技术制备的专用定位设备进行定位校正处理的设备，其位置坐标可以看出是绝对位置坐标。
最后，根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标。
即，在所述第一位置坐标的基础上，增加或减去目标差分值，以使第一位置坐标的精确度能够与定位差分基站的绝对位置坐标具有相同的精度。
此外，值得一提的是，为了减少不必要的投入，本实施例中所说的定位差分基站具体可以选用目前较为常见的路灯。这是因为，在当前的城市建设中，路灯已经是必不可少的基础设备，并且为了方便对不同区域设置的路灯维护和管理，通常会在路灯内设置其所处为在的坐标信息，并且为了保证其精确度，在安装路灯时，还会采用实时动态(Real-timekinematic，RTK)载波相位差分技术制备的专用定位设备对路灯的坐标进行校准，从而便可确定路灯的绝对位置坐标。因而，本实施例中选用具有绝对位置坐标的路灯作为定位差分基站，在不增加资金投入的情况下，就可以实现对待监控网络设备的第一位置坐标的修正，从而获取到待监控网络设备的绝对位置坐标，进而保证管理人员能够快速找到待监控网络设备。
为了便于理解，以下针对所述定位差分基站为路灯时，所述根据所述第一位置坐标，选取定位差分基站时所作的操作进行简要说明。
比如，可以通过根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，将距离所述第一位置坐标最近的路灯确定为定位差分基站。
此外，应当理解的是，上述所说的根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，在具体应用中，可以通过如下操作实现：获取预设区域内所有路灯的位置坐标，所述预设区域为以所述第一位置坐标为圆心，以预设长度为半径确定的区域；将所述第一位置坐标与获取到的各路灯的位置坐标进行对比，确定距离所述第一位置坐标最近的位置坐标；将确定的所述位置坐标对应的路灯作为距离所述第一位置坐标最近的路灯。
需要说明的，以上仅为举例说明，对本发明的技术方案并不构成任何限定，本领域的技术人员可以根据需要划分所述预测网络设备异常的装置中包括的功能模块，此处不做限制。
本实施例提供的测网络设备异常的方法，在预测出不久之后待监控网络设备可能会出现异常后，通过按照预设的预警通知方式，将根据所述变化率和各时段的网络指标数据生成的预警信息，通知给可能出现异常的待监控网络设备的管理人员，从而可以使管理人员提前根据预警信息作为针对待监控网络设备可能出现的异常的应用措施，尽可能的降低该异常给待监控网络设备，及与待监控网络设备通信的其他网络设备、接入的网络等造成的危害与损失，做到防患于未然。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有预测网络设备异常的程序，所述预测网络设备异常的程序被处理器执行时实现如上文所述的预测网络设备异常的方法的步骤。
参照图4，图4为本发明预测网络设备异常的装置第一实施例的结构框图。
如图4所示，本发明实施例提出的预测网络设备异常的装置包括：采集模块4001、分析模块4002、预测模块4003和生成模块4004。
其中，采集模块4001，用于根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据。分析模块4002，用于对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率。预测模块4003，用于根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常。生成模块4004，用于在预测所述待监控网络设备将要出现异常时，根据所述变化率和各时段的网络指标数据，生成预警信息。
具体的说，在实际应用中，所述分析模块4002可以细化为：指标数值分析确定子模块和变化率计算子模块。
相应地，所述分析模块4002所执行的对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率的操作，具体可以细化为：由所述指标数值分析确定子模块，基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值；由所述变化率计算子模块，根据各时段的指标数值，计算所述待监控网络指标对应的变化率。
此外，应当理解的是，为了保证所述指标数值分析确定子模块能够基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值，需要预先构建分析过程中用到的分析模型。
因而，本实施例中提供的预测网络设备异常的装置还可以包括：分析模型构建模块。
需要说明的是，为了使后续预测结果更加精准，在本实施例中，分析模型构建模块具体是基于深度机器学习法来构建所述分析模型的。
同样，在实际应用中，也可以根据具体的构建步骤对所述分析模型构建模块进行细化，比如将所述分析模型构建模块细化为：第一训练模型构建子模块、预处理子模块、第一训练模型训练子模块和第二训练模块训练子模块。
具体的，所述第一训练模型构建子模块，用于根据样本数据构建第一训练模型。
所述预处理子模块，用于根据预设的分层标准，将所述第一训练模型中各隐藏层的初始网络层拆分为至少两个子网络层。
所述第一训练模型训练子模块，用于采用自下上升的非监督训练方式，以与所述第一训练模型中输入层相连的隐藏层为起点，与所述第一训练模型中输出层相连的隐藏层为终点，依次对所述第一训练模型中各隐藏层中的子网络层进行训练，得到第二训练模型。
所述第二训练模块训练子模块，用于采用自顶向下的监督训练方式，以与所述第二训练模型中输出层相连的隐藏层为起点，与所述第二训练模型中输入层相连的隐藏层为终点，依次对所述第二训练模型中各隐藏层中的子网络层进行训练，得到所述分析模型。
需要说明的，以上仅为举例说明，对本发明的技术方案并不构成任何限定，本领域的技术人员可以根据需要划分所述预测网络设备异常的装置中包括的功能模块，此处不做限制。
本实施例提供的预测网络设备异常的装置，通过对多个时间段内待监控网络指标数据的分析来获得能够反应待监控设备中预设待监控网络指标变化情况的变化率，然后将得到变化率和预设的预警策略作为监控待监控网络设备是否会出现异常的预测标准，从而可以预测出如果待监控网络设备按照当前变化率发展下去，是否会在不久之后出现异常，进而实现了提前预测待监控网络设备异常，提前发现设备故障的目的。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的预测网络设备异常的方法，此处不再赘述。
基于上述预测网络设备异常的装置的第一实施例，提出本发明预测网络设备异常的装置第二实施例。
在本实施例中，所述预测网络设备异常的装置还包括通知模块。
其中，所述通知模块，用于根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员。
进一步地，为了方便管理人员及时赶到待监控网络设备所在地，对待监控网络设备进行检修。所述预测网络设备异常的装置还可以包括待监控网络设备位置坐标确定模块。
具体的，所述待监控网络设备位置坐标确定模块主要通过如下操作，确定待监控网络设备的位置坐标：
首先，获取所述待监控网络设备的第一位置坐标。
然后，根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值。
最后，根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标。
相应地，所述通知模块在根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员时，还用于根据预设的预警通知方式，将所述待监控网络设备的位置坐标通知给所述待监控网络设备的管理人员。
此外，值得一提的是，为了减少不必要的投入，本实施例中所说的定位差分基站具体可以选用目前较为常见的路灯。这是因为，在当前的城市建设中，路灯已经是必不可少的基础设备，并且为了方便对不同区域设置的路灯维护和管理，通常会在路灯内设置其所处为在的坐标信息，并且为了保证其精确度，在安装路灯时，还会采用实时动态(Real-timekinematic，RTK)载波相位差分技术制备的专用定位设备对路灯的坐标进行校准，从而便可确定路灯的绝对位置坐标。因而，本实施例中选用具有绝对位置坐标的路灯作为定位差分基站，在不增加资金投入的情况下，就可以实现对待监控网络设备的第一位置坐标的修正，从而获取到待监控网络设备的绝对位置坐标，进而保证管理人员能够快速找到待监控网络设备。
为了便于理解，以下针对所述定位差分基站为路灯时，所述待监控网络设备位置坐标确定模块根据所述第一位置坐标，选取定位差分基站时所作的操作进行简要说明。
比如，可以设置所述待监控网络设备位置坐标确定模块根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，并将距离所述第一位置坐标最近的路灯确定为定位差分基站。
此外，应当理解的是，上述所说的根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，在具体应用中，可以通过如下操作实现：获取预设区域内所有路灯的位置坐标，所述预设区域为以所述第一位置坐标为圆心，以预设长度为半径确定的区域；将所述第一位置坐标与获取到的各路灯的位置坐标进行对比，确定距离所述第一位置坐标最近的位置坐标；将确定的所述位置坐标对应的路灯作为距离所述第一位置坐标最近的路灯。
需要说明的，以上仅为举例说明，对本发明的技术方案并不构成任何限定，本领域的技术人员可以根据需要划分所述预测网络设备异常的装置中包括的功能模块，此处不做限制。
本实施例提供的测网络设备异常的装置，在预测出不久之后待监控网络设备可能会出现异常后，通过按照预设的预警通知方式，将根据所述变化率和各时段的网络指标数据生成的预警信息，通知给可能出现异常的待监控网络设备的管理人员，从而可以使管理人员提前根据预警信息作为针对待监控网络设备可能出现的异常的应用措施，尽可能的降低该异常给待监控网络设备，及与待监控网络设备通信的其他网络设备、接入的网络等造成的危害与损失，做到防患于未然。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的预测网络设备异常的方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种预测网络设备异常的方法，其特征在于，所述方法包括以下步骤：
根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
若预测所述待监控网络设备将要出现异常，则根据所述变化率和各时段的网络指标数据，生成预警信息；
其中，所述待监控网络指标包括数据流量、地址解析协议、介质访问控制地址，若所述待监控网络指标为ARP，则对应的网络指标数据则为ARP数量，若待监控网络指标为MAC地址，则对应的网络指标数据则为MAC地址的漂移情况；
所述若预测所述待监控网络设备将要出现异常，则根据所述变化率和各时段的网络指标数据，生成预警信息的步骤之后，所述方法还包括：
获取所述待监控网络设备的第一位置坐标；
根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值；
根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标；
将所述预警信息和所述待监控网络设备当前所处的位置坐标通知给所述待监控网络设备的管理人员；
其中，所述定位差分基站为路灯。
2.如权利要求1所述的方法，其特征在于，所述对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率，包括：
基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值；
根据各时段的指标数值，计算所述待监控网络指标对应的变化率。
3.如权利要求2所述的方法，其特征在于，所述基于预设的分析模型对各时段的网络指标数据进行分析的步骤之前，所述方法还包括：
基于深度机器学习法，构建所述分析模型；
其中，所述基于深度机器学习法，构建所述分析模型，包括：
根据样本数据构建第一训练模型；
根据预设的分层标准，将所述第一训练模型中各隐藏层的初始网络层拆分为至少两个子网络层；
采用自下上升的非监督训练方式，以与所述第一训练模型中输入层相连的隐藏层为起点，与所述第一训练模型中输出层相连的隐藏层为终点，依次对所述第一训练模型中各隐藏层中的子网络层进行训练，得到第二训练模型；
采用自顶向下的监督训练方式，以与所述第二训练模型中输出层相连的隐藏层为起点，与所述第二训练模型中输入层相连的隐藏层为终点，依次对所述第二训练模型中各隐藏层中的子网络层进行训练，得到所述分析模型。
4.如权利要求1至3任一项所述的方法，其特征在于，所述根据所述变化率和各时段的网络指标数据，生成预警信息的步骤之后，所述方法还包括：
根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员。
5.如权利要求4所述的方法，其特征在于，所述根据所述第一位置坐标，选取定位差分基站，包括：
根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯；
将距离所述第一位置坐标最近的路灯确定为定位差分基站。
6.如权利要求5所述的方法，其特征在于，所述根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，包括：
获取预设区域内所有路灯的位置坐标，所述预设区域为以所述第一位置坐标为圆心，以预设长度为半径确定的区域；
将所述第一位置坐标与获取到的各路灯的位置坐标进行对比，确定距离所述第一位置坐标最近的位置坐标；
将确定的所述位置坐标对应的路灯作为距离所述第一位置坐标最近的路灯。
7.一种预测网络设备异常的装置，其特征在于，所述装置包括：
采集模块，用于根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
分析模块，用于对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
预测模块，用于根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
生成模块，用于在预测所述待监控网络设备将要出现异常时，根据所述变化率和各时段的网络指标数据，生成预警信息；
其中，所述待监控网络指标包括数据流量、地址解析协议、介质访问控制地址，若所述待监控网络指标为ARP，则对应的网络指标数据则为ARP数量，若待监控网络指标为MAC地址，则对应的网络指标数据则为MAC地址的漂移情况；
所述装置，还用于获取所述待监控网络设备的第一位置坐标；根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值；根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标；将所述预警信息和所述待监控网络设备当前所处的位置坐标通知给所述待监控网络设备的管理人员；其中，所述定位差分基站为路灯。
8.一种预测网络设备异常的设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的预测网络设备异常的程序，所述预测网络设备异常的程序配置为实现如权利要求1至6中任一项所述的预测网络设备异常的方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有预测网络设备异常的程序，所述预测网络设备异常的程序被处理器执行时实现如权利要求1至6任一项所述的预测网络设备异常的方法的步骤。
CN201811168086.3A 2018-10-08 2018-10-08 预测网络设备异常的方法、装置、设备及存储介质 Active CN109660419B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811168086.3A CN109660419B (zh) 2018-10-08 2018-10-08 预测网络设备异常的方法、装置、设备及存储介质
PCT/CN2019/092962 WO2020073688A1 (zh) 2018-10-08 2019-06-26 预测网络设备异常的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811168086.3A CN109660419B (zh) 2018-10-08 2018-10-08 预测网络设备异常的方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109660419A CN109660419A (zh) 2019-04-19
CN109660419B true CN109660419B (zh) 2022-06-17

Family

ID=66110688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811168086.3A Active CN109660419B (zh) 2018-10-08 2018-10-08 预测网络设备异常的方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN109660419B (zh)
WO (1) WO2020073688A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109660419B (zh) * 2018-10-08 2022-06-17 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质
CN112994965B (zh) * 2019-12-13 2022-09-02 北京金山云网络技术有限公司 一种网络异常检测方法、装置和服务器
CN113114480B (zh) * 2020-01-10 2023-06-06 华为技术有限公司 一种数据的上报方法及相关设备
CN111464390B (zh) * 2020-03-31 2022-06-10 中国建设银行股份有限公司 网络应用系统监控预警方法及系统
CN111679885B (zh) * 2020-05-29 2023-10-13 泰康保险集团股份有限公司 确定虚拟机漂移方法、装置、介质及电子设备
CN112039689B (zh) * 2020-07-21 2023-09-08 网宿科技股份有限公司 网络设备性能评估方法、装置、设备及存储介质
CN112104618A (zh) * 2020-08-27 2020-12-18 深信服科技股份有限公司 一种信息确定方法、信息确定设备和计算机可读存储介质
CN114598618A (zh) * 2020-12-07 2022-06-07 中国移动通信有限公司研究院 一种数据处理方法、装置及设备
CN113759785A (zh) * 2021-04-28 2021-12-07 龙坤(无锡)智慧科技有限公司 一种基于大数据分析技术实现设备故障预警的方法
CN115514686A (zh) * 2021-06-23 2022-12-23 深信服科技股份有限公司 一种流量采集方法、装置及电子设备和存储介质
CN113378245A (zh) * 2021-07-07 2021-09-10 北京安天网络安全技术有限公司 安全状态数据的运维方法、装置、电子设备及存储介质
CN114241266B (zh) * 2021-12-21 2023-11-28 国网甘肃省电力公司酒泉供电公司 一种光缆智能预警的处理方法及系统
CN114301803B (zh) * 2021-12-24 2024-03-08 北京百度网讯科技有限公司 网络质量检测方法、装置、电子设备及存储介质
CN114723082B (zh) * 2022-04-19 2023-08-18 镇江西门子母线有限公司 一种智能低压成套设备的异常预警方法及系统
CN114925753A (zh) * 2022-04-28 2022-08-19 南通东升灯饰有限公司 一种led地灯的使用异常报警系统
CN115986945B (zh) * 2023-03-21 2023-06-16 山东聚发数字工业技术有限公司 一种基于工业互联网的电力设备监测方法、设备及介质
CN116541251B (zh) * 2023-07-04 2023-10-20 天津通信广播集团有限公司 显示设备状态预警方法、装置、设备和计算机可读介质
CN116847222B (zh) * 2023-09-01 2023-11-14 西安格威石油仪器有限公司 应用于石油测井下的设备远程监控方法及系统
CN117082561B (zh) * 2023-10-12 2024-01-02 北京绿色苹果技术有限公司 一种通信网络智能监测评估方法、系统和介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721881A (zh) * 2012-06-05 2012-10-10 广东电网公司电力科学研究院 一种变电站站用交直流一体化电源系统在线预警系统
CN103716180A (zh) * 2013-12-04 2014-04-09 国网上海市电力公司 基于网络流量实际预测的网络异常预警方法
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN104102773B (zh) * 2014-07-05 2017-06-06 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN104935464B (zh) * 2015-06-12 2018-07-06 北京奇虎科技有限公司 一种网站系统的故障预警方法和装置
CN105184386A (zh) * 2015-07-22 2015-12-23 中国寰球工程公司 一种结合专家经验和历史数据建立异常事件预警系统的方法
CN105842711A (zh) * 2016-01-27 2016-08-10 乐卡汽车智能科技（北京）有限公司 差分基站、路侧设备、车载定位设备以及差分定位方法
US20190327130A1 (en) * 2017-01-03 2019-10-24 Telefonaktiebolaget Lm Ericsson (Publ) Methods, control node, network element and system for handling network events in a telecomunications network
CN107391341A (zh) * 2017-07-21 2017-11-24 郑州云海信息技术有限公司 一种故障预警方法及装置
CN107730087A (zh) * 2017-09-20 2018-02-23 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN108199795B (zh) * 2017-12-29 2019-05-10 北京百分点信息科技有限公司 一种设备状态的监测方法和装置
CN108510718A (zh) * 2018-05-28 2018-09-07 深圳市零度智控科技有限公司 基于大数据的报警方法、装置、终端设备及可读存储介质
CN109660419B (zh) * 2018-10-08 2022-06-17 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2020073688A1 (zh) 2020-04-16
CN109660419A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109660419B (zh) 预测网络设备异常的方法、装置、设备及存储介质
US11315024B2 (en) Cognitive computing systems and services utilizing internet of things environment
EP3467657B1 (en) Smart priority system for enterprise alerts
CA2932582C (en) Wi-fi access point performance management
US20220036264A1 (en) Real-time adaptive operations performance management system
CN109639516B (zh) 分布式网络系统的监控方法、装置、设备及存储介质
CN112559303B (zh) 向量空间中的日志分析
JP7007243B2 (ja) 異常検知システム
US9397906B2 (en) Scalable framework for monitoring and managing network devices
US20190363950A1 (en) Ai-enabled adaptive tca thresholding for sla assurance
US11423326B2 (en) Using machine-learning methods to facilitate experimental evaluation of modifications to a computational environment within a distributed system
US20210286849A1 (en) Graphical User Interfaces for Assessment of Digital Transformation
EP4199449A1 (en) Automatic classification of correlated anomalies from a network through interpretable clustering
US11119453B2 (en) System and method for remote non-intrusive monitoring of assets and entities
CN109672716B (zh) 网络设备的监控方法、装置、设备及存储介质
FI20216298A1 (en) Method and system for modifying the state of the device based on detected abnormal activity
CN115080397A (zh) 系统可靠性测试方法、装置、设备和存储介质
CN111162929B (zh) 一种分级管理方法和系统
CN113744888A (zh) 区域流行病趋势预测预警方法及系统
Fatkieva Systems of Information Security Indicators for Industrial Enterprises
CN112904807B (zh) 工业分析系统、方法和非暂态计算机可读介质
TW201929584A (zh) 基地台之障礙辨識伺服器及方法
CN115442216B (zh) 网络切片故障自愈方法、装置、设备及计算机存储介质
CN116451792B (zh) 解决大规模故障预测问题的方法、系统、设备及储存介质
CN118135349A (zh) 检测模型训练方法、云平台异常检测方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant