CN109981325B - 一种告警阈值的设定方法、装置、计算设备及介质 - Google Patents

一种告警阈值的设定方法、装置、计算设备及介质 Download PDF

Info

Publication number
CN109981325B
CN109981325B CN201711462482.2A CN201711462482A CN109981325B CN 109981325 B CN109981325 B CN 109981325B CN 201711462482 A CN201711462482 A CN 201711462482A CN 109981325 B CN109981325 B CN 109981325B
Authority
CN
China
Prior art keywords
index value
index
alarm threshold
network
representative
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
CN201711462482.2A
Other languages
English (en)
Other versions
CN109981325A (zh
Inventor
高阳
杨宝星
胥健
王一光
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.)
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology Co Ltd
China Mobile Group Jiangsu Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology Co Ltd
China Mobile Group Jiangsu 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 China Mobile Communications Group Co Ltd, China Mobile Suzhou Software Technology Co Ltd, China Mobile Group Jiangsu Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201711462482.2A priority Critical patent/CN109981325B/zh
Publication of CN109981325A publication Critical patent/CN109981325A/zh
Application granted granted Critical
Publication of CN109981325B publication Critical patent/CN109981325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/064—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0681—Configuration of triggering conditions
    • 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
    • H04L43/06—Generation of reports
    • H04L43/067—Generation of reports using time frame reporting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种告警阈值的设定方法、装置、计算设备及介质，具体为：在预设周期内针对每一个网络指标，对该网络指标在第一预设时间段内的指标值进行分组，得到至少一个指标值组；分别选取每一个指标值组作为目标指标值组，对目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；基于每一个指标值类对应的代表指标值，从至少两个指标值类中，选取目标指标值类；从目标指标值类包含的指标值中，选取一个指标值设定为告警阈值。这样，不仅实现了不同场景和/或时间段下的告警阈值的动态设定，而且，通过聚类处理来计算告警阈值，确保了告警阈值的精确度，此外，在告警阈值的设定过程中无需人工参与，进一步地提高了告警阈值的精确度。

Description

一种告警阈值的设定方法、装置、计算设备及介质
技术领域
本发明涉及通信技术领域，尤其涉及一种告警阈值的设定方法、装置、计算设备及介质。
背景技术
第四代移动通信技术(the 4Generation mobile communication technology，4G)网络具有超高的数据传输速度，不仅可以更好地满足用户高速上网的需求，而且，还可以促进移动互联网业务的持续深入，推动移动生产办公、移动电子商务等行业信息化服务的不断扩展。然而，4G网络也面临一些问题，比如，网络覆盖率、网络稳定程度和语音实现程度等，这些问题会导致用户在使用4G网络时出现网络故障，影响用户的正常使用。
为了能够及时获知4G网络是否出现故障，目前，常用的方法是网络告警，即预先为4G网络的各个网络指标分别设定相应的告警阈值，当4G网络的一个或多个网络指标达到为该网络指标设定的告警阈值时，发出网络告警，其中，4G网络的各个网络指标包括但不限于：附着成功率，跟踪区更新(Tracking Area Update，TAU)成功率，寻呼(Paging)成功率，服务请求(Service Request)成功率，传输控制协议(Transmission Control Protocol，TCP)23步握手成功率，TCP23步握手时延，超文本传输协议(Hyper Text TransportProtocol，HTTP)会话时延0～10K，HTTP会话时延10～50K，HTTP下载速度50～100K，HTTP下载速度100～500K，HTTP下载速度大于500K，等等。显然，告警阈值的精确度是评估网络告警的及时性和准确性的重要因素，现有技术中，主要提出了以下三种告警阈值的设定方法：
(1)人工设定法，即人工为各个网络指标设定相应的告警阈值，该方法主观性较强，使得设定的告警阈值的精确度较差，而且，固定的告警阈值也无法适应不同的场景(比如，高铁、小区、高原、市区等)和/或时间段(比如，工作日0点到1点、双休日3点到5点等)。
(2)曲率法，即针对各个网络指标，周期性地采集该网络指标在预设时间段内的指标值，将该网络指标在预设时间段内的指标值拟合成曲线，对该曲线求1次导函数和2次导函数，获取曲率函数，在指定范围内计算出曲率函数的最大值，将该最大值对应的指标值作为该网络指标的告警阈值。该方法由于需要对曲线求1次导函数和2次导函数，所以，在拟合曲线时，需要确保拟合的曲线在指定范围内能够求取1次导函数和2次导函数，而且，为了能够计算出曲率函数的最大值，还需要确保该曲线对应的曲率函数在指定范围内不是单调函数，这给曲线的拟合带来很大难度，需要选择合适的拟合方法才能满足上述要求，换言之，该方法缺乏通用性和实用性。
(3)切线交点法，即针对各个网络指标，周期性地采集该网络指标在预设时间段内的指标值，将该网络指标在预设时间段内的指标值拟合成曲线，根据该曲线的轨迹规律，在该曲线上选取两个点分别作切线，计算出两个切点A和B，以及两条切线的交点C，连接该曲线上的两个切点A和B，形成一条直线L，从两条切线的交点C作直线L的垂直线，计算出该垂直线与曲线的交点D，该交点D对应的指标值即为该网络指标对应的告警阈值。该方法需要根据曲线的轨迹规律，在该曲线上选取两个点分别作切线，这两个点一般是根据经验由人工来选取，在周期性的告警阈值设定中是无法实现自动选取的。
发明内容
本发明实施例提供了一种告警阈值的设定方法、装置、计算设备及介质，用以解决现有技术中的人工设定法存在的精确度较差和无法适应不同场景和/或时间段的问题，曲率法存在的通用性和实用性较差的问题，以及切线交点法存在的无法规避人工操作和精确度较差的问题。
本发明实施例提供的具体技术方案如下：
一种告警阈值的设定方法，包括在预设周期内针对每一个网络指标分别执行以下操作：
采用预设的分组方式，对上述网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组；
分别选取每一个指标值组作为目标指标值组，并对上述目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；
基于每一个指标值类对应的代表指标值，从上述至少两个指标值类中，选取目标指标值类；
从上述目标指标值类包含的指标值中，选取一个指标值设定为上述网络指标的告警阈值。
较佳的，上述预设的分组方式为按照预设场景和/或第二预设时间段进行分组，其中，上述第二预设时间段小于上述第一预设时间段。
较佳的，在对上述目标指标值组包含的指标值进行聚类处理之前，还包括：
从上述目标指标值组包含的所有指标值中，剔除特殊指标值和/或离群指标值，其中，上述特殊指标值为非正常数字指标值，上述离群指标值为不在正常范围内的极限指标值。
较佳的，对上述目标指标值组包含的指标值进行聚类处理，包括：循环执行以下迭代操作，直至满足预设的迭代终止条件为止：
获取至少两个代表指标值，其中，若本次迭代操作是第一次迭代操作，则上述至少两个代表指标值是从上述目标指标值组包含的指标值中选取的；若本次迭代操作不是第一次迭代操作，则上述至少两个代表指标值是在上一次迭代操作过程中获得的；
针对上述目标指标值组中除上述至少两个代表指标值之外的每一个指标值，确定上述指标值与每一个代表指标值之间的接近度，并将上述指标值归类于确定出的接近度最大的代表指标值对应的指标值类中，其中，一个代表指标值对应一个指标值类；
重新计算每一个指标值类对应的代表指标值。
较佳的，重新计算每一个指标值类对应的代表指标值，包括：
基于每一个指标值类包含的指标值的数目和总和，重新计算相应的指标值类对应的代表指标值。
较佳的，基于每一个指标值类对应的代表指标值，从上述至少两个指标值类中，选取目标指标值类，包括：
从上述至少两个指标值类中，选取对应的代表指标值最小的指标值类作为目标指标值类。
较佳的，从上述目标指标值类包含的指标值中，选取一个指标值设定为上述网络指标的告警阈值，包括：
从上述目标指标值类包含的指标值中，选取数值最大的指标值作为上述网络指标的告警阈值。
较佳的，从上述目标指标值类包含的指标值中，选取一个指标值设定为上述网络指标的告警阈值之后，还包括：
若上述网络指标属于第一预设类别，则获取上述网络指标的告警阈值上限，并将上述告警阈值上限与上述告警阈值的平均值，设定为上述网络指标的优化告警阈值，其中，上述第一预设类别为对应的指标值与网络性能成反比例关系的一类网络指标；
若上述网络指标属于第二预设类别，则获取上述网络指标的告警阈值下限，并将上述告警阈值下限与上述告警阈值的平均值，设定为上述网络指标的优化告警阈值，其中，上述第二预设类别为对应的指标值与网络性能成正比例关系的一类网络指标。
较佳的，获取上述网络指标的告警阈值上限或者告警阈值下限，包括：
对上述目标指标值组包含的指标值进行聚类处理，得到至少三个指标值类；
从上述至少两个指标值类对应的代表指标值中，选取与上述目标指标值类对应的代表指标值之间的接近度最大的代表指标值，作为上述告警阈值上限或者上述告警阈值下限。
一种告警阈值的设定装置，包括：分组单元，聚类单元，选取单元，以及设定单元，其中，分组单元、聚类单元、选取单元和设定单元用于在预设周期内针对每一个网络指标分别执行以下操作：
分组单元，用于采用预设的分组方式，对上述网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组；
聚类单元，用于分别选取每一个指标值组作为目标指标值组，并对上述目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；
选取单元，用于基于每一个指标值类对应的代表指标值，从上述至少两个指标值类中，选取目标指标值类；
设定单元，用于从上述目标指标值类包含的指标值中，选取一个指标值设定为上述网络指标的告警阈值。
较佳的，分组单元采用的上述预设的分组方式为按照预设场景和/或第二预设时间段进行分组，其中，上述第二预设时间段小于上述第一预设时间段。
较佳的，该设定装置还包括剔除单元，其中，在聚类单元对上述目标指标值组包含的指标值进行聚类处理之前，剔除单元用于：
从上述目标指标值组包含的所有指标值中，剔除特殊指标值和/或离群指标值，其中，上述特殊指标值为非正常数字指标值，上述离群指标值为不在正常范围内的极限指标值。
较佳的，在对上述目标指标值组包含的指标值进行聚类处理时，聚类单元具体用于：循环执行以下迭代操作，直至满足预设的迭代终止条件为止：
获取至少两个代表指标值，其中，若本次迭代操作是第一次迭代操作，则上述至少两个代表指标值是从上述目标指标值组包含的指标值中选取的；若本次迭代操作不是第一次迭代操作，则上述至少两个代表指标值是在上一次迭代操作过程中获得的；
针对上述目标指标值组中除上述至少两个代表指标值之外的每一个指标值，确定上述指标值与每一个代表指标值之间的接近度，并将上述指标值归类于确定出的接近度最大的代表指标值对应的指标值类中，其中，一个代表指标值对应一个指标值类；
重新计算每一个指标值类对应的代表指标值。
较佳的，在重新计算每一个指标值类对应的代表指标值时，聚类单元具体用于：
基于每一个指标值类包含的指标值的数目和总和，重新计算相应的指标值类对应的代表指标值。
较佳的，在基于每一个指标值类对应的代表指标值，从上述至少两个指标值类中，选取目标指标值类时，选取单元具体用于：
从上述至少两个指标值类中，选取对应的代表指标值最小的指标值类作为目标指标值类。
较佳的，在从上述目标指标值类包含的指标值中，选取一个指标值设定为上述网络指标的告警阈值时，设定单元具体用于：
从上述目标指标值类包含的指标值中，选取数值最大的指标值作为上述网络指标的告警阈值。
较佳的，该设定装置还包括优化单元，其中，在设定单元从上述目标指标值类包含的指标值中，选取一个指标值设定为上述网络指标的告警阈值之后，优化单元用于：
若上述网络指标属于第一预设类别，则获取上述网络指标的告警阈值上限，并将上述告警阈值上限与上述告警阈值的平均值，设定为上述网络指标的优化告警阈值，其中，上述第一预设类别为对应的指标值与网络性能成反比例关系的一类网络指标；
若上述网络指标属于第二预设类别，则获取上述网络指标的告警阈值下限，并将上述告警阈值下限与上述告警阈值的平均值，设定为上述网络指标的优化告警阈值，其中，上述第二预设类别为对应的指标值与网络性能成正比例关系的一类网络指标。
较佳的，在获取上述网络指标的告警阈值上限或者告警阈值下限时，优化单元具体用于：
对上述目标指标值组包含的指标值进行聚类处理，得到至少三个指标值类；
从上述至少两个指标值类对应的代表指标值中，选取与上述目标指标值类对应的代表指标值之间的接近度最大的代表指标值，作为上述告警阈值上限或者上述告警阈值下限。
一种计算设备，包括：存储器、处理器和存储在上述存储器上的计算机程序，上述处理器执行上述计算机程序时实现如上述告警阈值的设定方法的步骤。
一种非易失性计算机存储介质，上述非易失性计算机存储有计算机可执行指令，上述计算机可执行指令用于使计算机执行如上述告警阈值的设定方法的步骤。
本发明实施例的有益效果如下：
本发明实施例中，通过对网络指标的指标值进行分组，实现了不同场景和/或时间段的灵活设置，获得了在不同场景和/或时间段下的告警阈值，而且，通过周期性地获取在不同场景和/或时间段下的告警阈值，实现了不同场景和/或时间段下的告警阈值的动态设定，此外，通过聚类处理来计算告警阈值，使得计算出的告警阈值在网络故障时的边界值附近，确保了告警阈值的精确度和网络告警的准确度，再有，在告警阈值的设定过程中，无需人工参与，进一步地提高了告警阈值的精确度。
进一步地，根据告警阈值上限或者告警阈值下限对告警阈值进行优化，保证了后续在根据告警阈值进行网络告警时，不会将过多的指标值认定为异常指标值，提高了告警的精确度。
附图说明
图1为本发明实施例中提供的告警阈值的设定方法的概况示意图；
图2A和图2B为本发明实施例中提供的告警阈值的设定方法的具体流程示意图；
图3为本发明实施例中提供的告警阈值的设定装置的功能结构示意图；
图4为本发明实施例中提供的计算设备的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决现有技术中的人工设定法存在的精确度较差和无法适应不同场景和/或时间段的问题，曲率法存在的通用性和实用性较差的问题，以及切线交点法存在的无法规避人工操作和精确度较差的问题，本发明实施例中，在预设周期内针对每一个网络指标，采用预设的分组方式，对该网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组；分别选取每一个指标值组作为目标指标值组，并对该目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；基于每一个指标值类对应的代表指标值，从该至少两个指标值类中，选取目标指标值类；从该目标指标值类包含的指标值中，选取一个指标值设定为该网络指标的告警阈值。这样，通过对网络指标的指标值进行分组，实现了不同场景和/或时间段的灵活设置，获得了在不同场景和/或时间段下的告警阈值，而且，通过周期性地获取在不同场景和/或时间段下的告警阈值，实现了不同场景和/或时间段下的告警阈值的动态设定，此外，通过聚类处理来计算告警阈值，使得计算出的告警阈值在网络故障时的边界值附近，确保了告警阈值的精确度和网络告警的准确度，再有，在告警阈值的设定过程中，无需人工参与，进一步地提高了告警阈值的精确度。进一步地，根据告警阈值上限或者告警阈值下限对告警阈值进行优化，保证了后续在根据告警阈值进行网络告警时，不会将过多的指标值认定为异常指标值，提高了网络告警的精确度。
下面通过具体实施例对本发明方案进行详细描述，当然，本发明并不限于以下实施例。
本发明实施例提供了一种告警阈值的设定方法，参阅图1所示，该告警阈值的设定方法的流程为在预设周期内针对每一个网络指标分别执行以下操作：
步骤101：采用预设的分组方式，对该网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组。
在具体实施时，可以将预设的分组方式设定为按照预设场景和/或第二预设时间段进行分组，其中，第二预设时间段不大于第一预设时间段。具体地，预设场景包括但不限于：高铁、小区、高原、市区等；第二预设时间段可以是工作日0点到1点、双休日3点到5点等。
值得说的是，在实际应用中，大多数的终端设备都具备上报网络指标的指标值的功能，因此，为了能够对各个网络指标在不同场景和/或时间段的指标值进行分析，可以将各个终端设备上报的指标值存储在指定区域的数据库中，这样，在到达预设周期时，就可以从指定区域的数据库中获取到各个网络指标在第一预设时间段内的所有指标值，此外，还可以利用对应表来统计获取到的所有指标值，具体地，该对应表可以是但不限于场景对应表、时间段对应表，场景和时间段对应表等，其中，场景对应表用于记录各个网络指标在不同场景下的指标值，时间段对应表用于记录各个网络指标在不同时间段下的指标值，场景和时间段对应表用于记录各个网络指标在不同场景和时间段下的指标值，这样，通过对应表来统计获取到的所有指标值，可以更加方便清楚地对指标值进行分组。
步骤102：分别选取每一个指标值组作为目标指标值组，并对该目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类。
较佳的，为了使获得的告警阈值更加精确，尽可能地减少不必要的计算量，在对目标指标值组包含的指标值进行聚类处理之前，还可以从该目标指标值组包含的所有指标值中，剔除特殊指标值和/或离群指标值，其中，该特殊指标值为非正常数字指标值，比如，空值(Null)等，该离群指标值为不在正常范围内的极限指标值，比如，不在正常范围内的极大值和/或极小值。具体地，在剔除离群指标值时，可以采用但不限于局部异常因子(LocalOutlier Factor，LOF)检测方法筛选出离群指标值，即针对每一个指标值，通过比较该指标值与其相邻的各个指标值的密度，来判断该指标值是否为离群指标值，其中，密度可以通过该指标值与其相邻的指标值之间的距离来确定，距离越远，密度越低，越可能是离群指标值，距离越近，密度越高，越不可能是离群指标值，这样，就可以筛选出离群指标值。
进一步地，在剔除特殊指标值和/或离群指标值之后，可以采用但不限于K均值(K-Means)聚类方法(其中，K是不小于2的正整数)对该目标指标值组包含的指标值进行聚类处理，具体包括循环执行以下迭代操作，直至满足预设的迭代终止条件(其中，该预设的迭代终止条件可以是但不限于是：本次迭代获得的每一个指标值类对应的代表指标值，与上一次迭代获得的相应指标值类对应的代表指标值之间的差值小于预设阈值)为止：
首先，获取至少两个代表指标值，其中，若本次迭代操作是第一次迭代操作，则该至少两个代表指标值是从该目标指标值组包含的指标值中选取的；若本次迭代操作不是第一次迭代操作，则该至少两个代表指标值是在上一次迭代操作过程中获得的。
然后，针对该目标指标值组中除该至少两个代表指标值之外的每一个指标值，确定该指标值与每一个代表指标值之间的接近度，并将该指标值归类于确定出的接近度最大的代表指标值对应的指标值类中，其中，一个代表指标值对应一个指标值类。
在具体实施时，指标值与代表指标值之间的接近度可以采用该指标值与该代表指标值之间的距离来确定，距离越小，接近度越大，距离越大，接近度越小，当然，还可以采用该指标值与该代表指标值之间的差值来确定，差值越小，接近度越大，差值越大，接近度越小，接近度的确定方式在此不作具体限定。下面仅以通过该指标值与该代表指标值之间的距离来确定接近度为例作进一步详细说明，具体地，针对该目标指标值组中除该至少两个代表指标值之外的每一个指标值，计算该指标值与每一个代表指标值之间的距离，将该指标值归类于计算出的距离最小的代表指标值对应的指标值类中。
当然，也可以采用公式
Figure BDA0001530430300000111
对该目标指标值组中除该至少两个代表指标值之外的每一个指标值进行分类，其中，x(i)为该目标指标值组中的第i个指标值，c(i)为第i个指标值x(i)对应的指标值类，μj为第j个代表指标值，//x(i)-μj//2为第i个指标值x(i)与第j个代表指标值μj之间的欧氏距离，
Figure BDA0001530430300000112
为当//x(i)-μj//2取最小值时得到代表指标值对应的指标值类。
最后，重新计算每一个指标值类对应的代表指标值。
较佳的，在重新计算每一个指标值类对应的代表指标值时，可以采用但不限于以下方式：基于每一个指标值类包含的指标值的数目和总和，重新计算相应的指标值类对应的代表指标值。
具体地，在基于每一个指标值类包含的指标值的数目和总和，计算相应的指标值类对应的代表指标值时，可以采用公式
Figure BDA0001530430300000113
其中，μj为第j个代表指标值，x(i)为目标指标值组中的第i个指标值，c(i)为第i个指标值x(i)对应的指标值类，m为指标值类c(i)中包含的指标值的数目，1{c(i)＝j}表征当c(i)＝j时取1，当c(i)≠j时取0。
步骤103：基于每一个指标值类对应的代表指标值，从该至少两个指标值类中，选取目标指标值类。
较佳的，可以从该至少两个指标值类中，选取对应的代表指标值最小的指标值类作为目标指标值类，具体地，可以采用但不限于以下方式：按照代表指标值从小到大的顺序，对该至少两个指标值类进行排序，获取指标值类队列，并从该指标值类队列中，选取第一个指标值类作为目标指标值类。
步骤104：从该目标指标值类包含的指标值中，选取一个指标值设定为该网络指标的告警阈值。
较佳的，可以从该目标指标值类包含的指标值中，选取数值最大的指标值作为该网络指标的告警阈值，具体地，可以采用但不限于以下方式：按照指标值从大到小的顺序，对该目标指标值类包含的指标值进行排序，获取指标值队列，并从该指标值队列中，选取第一个指标值作为该网络指标的告警阈值。
进一步地，为了使获得的告警阈值更加精确，确保后续在根据告警阈值进行网络告警时，不会将过多的指标值认定为异常指标值，在设定该网络指标的告警阈值之后，还可以对该告警阈值进行优化，具体如下：
若该网络指标属于第一预设类别，则获取该网络指标的告警阈值上限，并将该告警阈值上限与该告警阈值的平均值，设定为该网络指标的优化告警阈值。其中，该第一预设类别为对应的指标值与网络性能成反比例关系的一类网络指标，即该第一预设类别为对应的指标值越小网络性能越好的一类网络指标，比如，TCP23步握手时延、HTTP会话时延等。
若该网络指标属于第二预设类别，则获取该网络指标的告警阈值下限，并将该告警阈值下限与该告警阈值的平均值，设定为该网络指标的优化告警阈值，其中，该第二预设类别为对应的指标值与网络性能成正比例关系的一类网络指标，即该第二预设类别为对应的指标值越大网络性能越好的一类网络指标，比如，HTTP下载速度、Paging成功率、TAU成功率、Service Request成功率、TCP23步握手成功率等。
较佳的，在获取该网络指标的告警阈值上限或者告警阈值下限时，可以采用但不限于以下方式：
首先，对该目标指标值组包含的指标值进行聚类处理，得到至少三个指标值类。
具体地，在对该目标指标值组包含的指标值进行聚类处理时采用的聚类处理方式与上述描述的聚类处理方式相同，在此不再赘述。
值得说的是，由于本次聚类处理是为了对获得的告警阈值进行优化，因此，本次聚类处理得到的指标值类的数目需大于上一次聚类处理得到的指标值类的数目，具体地，在上一次聚类处理时，可以在第一次迭代操作之前，从该目标指标值组包含的指标值中选取第一数目的指标值作为代表指标值，而在本次聚类处理时，可以在第一次迭代操作之前，从该目标指标值组包含的指标值中选取第二数目的指标值作为代表指标值，其中，第二数目大于第一数目，从而实现了对指标值类的数目的区分，比如，在上一次聚类处理时，可以在第一次迭代操作之前，从该目标指标值组包含的指标值中选取2个指标值作为代表指标值，而在本次聚类处理时，可以在第一次迭代操作之前，从该目标指标值组包含的指标值中选取10个指标值作为代表指标值。
然后，从该至少三个指标值类对应的代表指标值中，选取与该目标指标值类对应的代表指标值之间的接近度最大的代表指标值，作为该告警阈值上限或者告警阈值下限。
在具体实施时，指标值类对应的代表指标值与该目标指标值类对应的代表指标值之间的接近度可以采用该指标值类对应的代表指标值与该目标指标值类对应的代表指标值之间的差值来确定，差值越小，接近度越大，差值越大，接近度越小，当然，也可以采用该指标值类对应的代表指标值与该目标指标值类对应的代表指标值之间的距离来确定，距离越小，接近度越大，距离越大，接近度越小，接近度的确定方式在此不作具体限定。
下面采用具体的应用场景对上述实施例作进一步详细说明，参阅图2A和图2B所示，本发明实施例提供的告警阈值的设定方法的具体流程如下：
步骤201：确定到达预设周期时，从指定区域的数据库中获取各个网络指标在第一预设时间段内的所有指标值。
比如，预设周期为24小时，第一预设时间段内为2017.12.12从0点到24点的24小时。
步骤202：按照预设场景和(或)第二预设时间段，对获得的各个网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组。
比如，预设场景包括高铁、小区、高原、市区等，第二预设时间段可以是6小时。
步骤203：分别选取每一个指标值组作为目标指标值组，并从该目标指标值组包含的所有指标值中，剔除特殊指标值和(或)离群指标值。
步骤204：从剔除特殊指标值和(或)离群指标值的目标指标值组中，选取2个指标值作为代表指标值。
具体地，可以从剔除特殊指标值和(或)离群指标值的目标指标值组中，随机选取2个指标值作为代表指标值。
步骤205：针对该目标指标值组中除2个代表指标值之外的每一个指标值，计算该指标值与每一个代表指标值之间的距离，将该指标值归类于计算出的距离最小的代表指标值对应的指标值类中，从而得到2个指标值类。
步骤206：基于2个指标值类各自包含的指标值的数目和总和，计算相应指标值类对应的代表指标值。
步骤207：判断是否满足预设的迭代终止条件，若是，则执行步骤208；若否，则返回步骤205。
其中，该预设的迭代终止条件可以是但不限于：本次迭代获得的2个指标值类的代表指标值，与上一次迭代获得的相应指标值类的代表指标值之间的差值均小于预设阈值。
步骤208：从最后一次迭代操作得到2个指标值类中，选取对应的代表指标值较小的指标值类作为目标指标值类。
步骤209：从该目标指标值类包含的指标值中，选取数值最大的指标值设定为该网络指标的告警阈值。
步骤210：从剔除特殊指标值和(或)离群指标值的目标指标值组中，选取10个指标值作为代表指标值。
具体地，可以从剔除特殊指标值和(或)离群指标值的目标指标值组中，随机选取10个指标值作为代表指标值。
步骤211：针对该目标指标值组中除该10个代表指标值之外的每一个指标值，计算该指标值与每一个代表指标值之间的距离，并将该指标值归类于计算出的距离最小的代表指标值对应的指标值类中，从而得到10个指标值类。
步骤212：基于10个指标值类各自包含的指标值的数目和总和，计算相应指标值类对应的代表指标值。
步骤213：判断是否满足预设的迭代终止条件，若是，则执行步骤214；若否，则返回步骤211。
其中，该预设的迭代终止条件可以是但不限于：本次迭代获得的10个指标值类的代表指标值，与上一次迭代获得的相应指标值类的代表指标值之间的差值均小于预设阈值。
步骤214：从最后一次迭代操作得到的10个指标值类对应的代表指标值中，选取与该目标指标值类对应的代表指标值之间的差值最小的代表指标值作为该网络指标的告警阈值上限或者告警阈值下限，并将该告警阈值上限或者告警阈值下限与该告警阈值的平均值，设定为该网络指标的优化告警阈值。
具体地，若该网络指标属于第一预设类别(即对应的指标值与网络性能成反比例关系的一类网络指标)，则从最后一次迭代操作得到的10个指标值类对应的代表指标值中，选取与该目标指标值类对应的代表指标值之间的差值最小的代表指标值作为该网络指标的告警阈值上限；若该网络指标属于第二预设类别(即对应的指标值与网络性能成正比例关系的一类网络指标)，则从最后一次迭代操作得到的10个指标值类对应的代表指标值中，选取与该目标指标值类对应的代表指标值之间的差值最小的代表指标值作为该网络指标的告警阈值下限。
值得说的是，在具体实施时，还可以通过以下方式获取该网络指标的告警阈值上限或者告警阈值下限：按照代表指标值从小到大的顺序，对最后一次迭代操作得到的10个指标值类进行排序，获取指标值类队列，若该网络指标属于第一预设类别，则从该指标值类队列中选取第9个指标值类对应的代表指标值作为告警阈值上限；若该网络指标属于第二预设类别，则从该指标值类队列中选取第2个指标值类对应的代表指标值作为告警阈值下限。经实验表明，若该网络指标属于第一预设类别，则该指标值类队列中的第9个指标值类对应的代表指标值与该目标指标值类对应的代表指标值之间的差值最小；若该网络指标属于第二预设类别，则该指标值类队列中的第2个指标值类对应的代表指标值与该目标指标值类对应的代表指标值之间的差值最小。
基于上述实施例，本发明实施例提供了一种告警阈值的设定装置，参阅图3所示，该告警阈值的设定装置至少包括：分组单元301，聚类单元302，选取单元303，以及设定单元304，其中，分组单元301、聚类单元302、选取单元303和设定单元304用于在预设周期内针对每一个网络指标分别执行以下操作：
分组单元301，用于采用预设的分组方式，对上述网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组；
聚类单元302，用于分别选取每一个指标值组作为目标指标值组，并对上述目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；
选取单元303，用于基于每一个指标值类对应的代表指标值，从上述至少两个指标值类中，选取目标指标值类；
设定单元304，用于从上述目标指标值类包含的指标值中，选取一个指标值设定为上述网络指标的告警阈值。
较佳的，分组单元301采用的上述预设的分组方式为按照预设场景和/或第二预设时间段进行分组，其中，上述第二预设时间段不大于上述第一预设时间段。
较佳的，该设定装置还包括剔除单元305，其中，在聚类单元302对上述目标指标值组包含的指标值进行聚类处理之前，剔除单元305用于：
从上述目标指标值组包含的所有指标值中，剔除特殊指标值和/或离群指标值，其中，上述特殊指标值为非正常数字指标值，上述离群指标值为不在正常范围内的极限指标值。
较佳的，在对上述目标指标值组包含的指标值进行聚类处理，获取至少两个指标值类时，聚类单元302具体用于：循环执行以下迭代操作，直至满足预设的迭代终止条件为止：
获取至少两个代表指标值，其中，若本次迭代操作是第一次迭代操作，则上述至少两个代表指标值是从上述目标指标值组包含的指标值中选取的；若本次迭代操作不是第一次迭代操作，则上述至少两个代表指标值是在上一次迭代操作过程中获得的；
针对上述目标指标值组中除上述至少两个代表指标值之外的每一个指标值，确定上述指标值与每一个代表指标值之间的接近度，并将上述指标值归类于确定出的接近度最大的代表指标值对应的指标值类中，其中，一个代表指标值对应一个指标值类；
重新计算每一个指标值类对应的代表指标值。
较佳的，在重新计算每一个指标值类对应的代表指标值时，聚类单元302具体用于：
基于每一个指标值类包含的指标值的数目和总和，重新计算相应的指标值类对应的代表指标值。
较佳的，在基于每一个指标值类对应的代表指标值，从上述至少两个指标值类中，选取目标指标值类时，选取单元303具体用于：
从上述至少两个指标值类中，选取对应的代表指标值最小的指标值类作为上述目标指标值类。
较佳的，在从上述目标指标值类包含的指标值中，选取一个指标值设定为上述网络指标的告警阈值时，设定单元304具体用于：
从上述目标指标值类包含的指标值中，选取数值最大的指标值作为上述网络指标的告警阈值。
较佳的，该设定装置还包括优化单元306，其中，在设定单元304从上述目标指标值类包含的指标值中，选取一个指标值设定为上述网络指标的告警阈值之后，优化单元306用于：
若上述网络指标属于第一预设类别，则获取上述网络指标的告警阈值上限，并将上述告警阈值上限与上述告警阈值的平均值，设定为上述网络指标的优化告警阈值，其中，上述第一预设类别为对应的指标值与网络性能成反比例关系的一类网络指标；
若上述网络指标属于第二预设类别，则获取上述网络指标的告警阈值下限，并将上述告警阈值下限与上述告警阈值的平均值，设定为上述网络指标的优化告警阈值，其中，上述第二预设类别为对应的指标值与网络性能成正比例关系的一类网络指标。
较佳的，在获取上述网络指标的告警阈值上限或者告警阈值下限时，优化单元306具体用于：
对上述目标指标值组包含的指标值进行聚类处理，得到至少三个指标值类；
从上述至少两个指标值类对应的代表指标值中，选取与上述目标指标值类对应的代表指标值之间的接近度最大的代表指标值，作为上述告警阈值上限或者上述告警阈值下限。
在介绍了本发明示例性实施方式的方法和装置之后，接下来，对本发明示例性实施方式的用于告警阈值的设定的非易失性计算机存储介质进行介绍。本发明实施例提供了一种非易失性计算机存储介质，该非易失性计算机存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述告警阈值的设定方法的步骤，比如执行如图1中所示的步骤101：采用预设的分组方式，对该网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组；步骤102：分别选取每一个指标值组作为目标指标值组，并对该目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；步骤103：基于每一个指标值类对应的代表指标值，从该至少两个指标值类中，选取目标指标值类；步骤104：从该目标指标值类包含的指标值中，选取一个指标值设定为该网络指标的告警阈值。
在介绍了本发明示例性实施方式的方法、装置和非易失性计算机存储介质之后，接下来，对本发明示例性实施方式的用于告警阈值的设定的计算设备进行介绍。本发明实施例提供了一种计算设备，参阅图4所示，该计算设备可以包括：存储器401、处理器402和存储在存储器401上的计算机程序，处理器402执行该计算机程序时实现上述告警阈值的设定方法的步骤，比如实现如图1中所示的步骤101：采用预设的分组方式，对该网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组；步骤102：分别选取每一个指标值组作为目标指标值组，并对该目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；步骤103：基于每一个指标值类对应的代表指标值，从该至少两个指标值类中，选取目标指标值类；步骤104：从该目标指标值类包含的指标值中，选取一个指标值设定为该网络指标的告警阈值。
较佳的，存储器401可以包括只读存储器(ROM)和随机存取存储器(RAM)，处理器402可以是并向处理器。
进一步地，本发明实施例中的用于告警阈值的设定的计算设备还可以包括输入装置403和输出装置404等。输入装置403可以包括触控笔、键盘、鼠标、触摸屏等；输出装置404可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(CathodeRay Tube，CRT)，触摸屏等。存储器401，处理器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中仅以通过总线连接为例。
综上所述，本发明实施例中，在预设周期内针对每一个网络指标，采用预设的分组方式，对该网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组；分别选取每一个指标值组作为目标指标值组，并对该目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；基于每一个指标值类对应的代表指标值，从该至少两个指标值类中，选取目标指标值类；从该目标指标值类包含的指标值中，选取一个指标值设定为该网络指标的告警阈值。这样，通过对网络指标的指标值进行分组，实现了不同场景和/或时间段的灵活设置，获得了在不同场景和/或时间段下的告警阈值，而且，通过周期性地获取在不同场景和/或时间段下的告警阈值，实现了不同场景和/或时间段下的告警阈值的动态设定，此外，通过聚类处理来计算告警阈值，使得计算出的告警阈值在网络故障时的边界值附近，确保了告警阈值的精确度和网络告警的准确度，再有，在告警阈值的设定过程中，无需人工参与，进一步地提高了告警阈值的精确度。进一步地，根据告警阈值上限或者告警阈值下限对告警阈值进行优化，保证了后续在根据告警阈值进行网络告警时，不会将过多的指标值认定为异常指标值，提高了网络告警的精确度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (16)

1.一种告警阈值的设定方法，其特征在于，包括在预设周期内针对每一个网络指标分别执行以下操作：
采用预设的分组方式，对所述网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组；
分别选取每一个指标值组作为目标指标值组，并对所述目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；
基于每一个指标值类对应的代表指标值，从所述至少两个指标值类中，选取目标指标值类；
从所述目标指标值类包含的指标值中，选取一个指标值设定为所述网络指标的告警阈值；
其中，所述基于每一个指标值类对应的代表指标值，从所述至少两个指标值类中，选取目标指标值类，包括：
从所述至少两个指标值类中，选取对应的代表指标值最小的指标值类作为所述目标指标值类；
其中，所述对所述目标指标值组包含的指标值进行聚类处理，包括：循环执行以下迭代操作，直至满足预设的迭代终止条件为止：
获取至少两个代表指标值，其中，若本次迭代操作是第一次迭代操作，则所述至少两个代表指标值是从所述目标指标值组包含的指标值中选取的；若本次迭代操作不是第一次迭代操作，则所述至少两个代表指标值是在上一次迭代操作过程中获得的；
针对所述目标指标值组中除所述至少两个代表指标值之外的每一个指标值，确定所述指标值与每一个代表指标值之间的接近度，并将所述指标值归类于确定出的接近度最大的代表指标值对应的指标值类中，其中，一个代表指标值对应一个指标值类；
重新计算每一个指标值类对应的代表指标值。
2.如权利要求1所述的设定方法，其特征在于，所述预设的分组方式为按照预设场景和/或第二预设时间段进行分组，其中，所述第二预设时间段小于所述第一预设时间段。
3.如权利要求1或2所述的设定方法，其特征在于，在对所述目标指标值组包含的指标值进行聚类处理之前，还包括：
从所述目标指标值组包含的所有指标值中，剔除特殊指标值和/或离群指标值，其中，所述特殊指标值为非正常数字指标值，所述离群指标值为不在正常范围内的极限指标值。
4.如权利要求3所述的设定方法，其特征在于，重新计算每一个指标值类对应的代表指标值，包括：
基于每一个指标值类包含的指标值的数目和总和，重新计算相应的指标值类对应的代表指标值。
5.如权利要求1所述的设定方法，其特征在于，从所述目标指标值类包含的指标值中，选取一个指标值设定为所述网络指标的告警阈值，包括：
从所述目标指标值类包含的指标值中，选取数值最大的指标值作为所述网络指标的告警阈值。
6.如权利要求1所述的设定方法，其特征在于，从所述目标指标值类包含的指标值中，选取一个指标值设定为所述网络指标的告警阈值之后，还包括：
若所述网络指标属于第一预设类别，则获取所述网络指标的告警阈值上限，并将所述告警阈值上限与所述告警阈值的平均值，设定为所述网络指标的优化告警阈值，其中，所述第一预设类别为对应的指标值与网络性能成反比例关系的一类网络指标；
若所述网络指标属于第二预设类别，则获取所述网络指标的告警阈值下限，并将所述告警阈值下限与所述告警阈值的平均值，设定为所述网络指标的优化告警阈值，其中，所述第二预设类别为对应的指标值与网络性能成正比例关系的一类网络指标。
7.如权利要求6所述的设定方法，其特征在于，获取所述网络指标的告警阈值上限或者告警阈值下限，包括：
对所述目标指标值组包含的指标值进行聚类处理，得到至少三个指标值类；
从所述至少三个指标值类对应的代表指标值中，选取与所述目标指标值类对应的代表指标值之间的接近度最大的代表指标值，作为所述告警阈值上限或者所述告警阈值下限。
8.一种告警阈值的设定装置，其特征在于，包括：分组单元，聚类单元，选取单元，以及设定单元，其中，所述分组单元、所述聚类单元、所述选取单元和所述设定单元用于在预设周期内针对每一个网络指标分别执行以下操作：
所述分组单元，用于采用预设的分组方式，对所述网络指标在第一预设时间段内的所有指标值进行分组，得到至少一个指标值组；
所述聚类单元，用于分别选取每一个指标值组作为目标指标值组，并对所述目标指标值组包含的指标值进行聚类处理，得到至少两个指标值类；
所述选取单元，用于基于每一个指标值类对应的代表指标值，从所述至少两个指标值类中，选取目标指标值类；
所述设定单元，用于从所述目标指标值类包含的指标值中，选取一个指标值设定为所述网络指标的告警阈值；
其中，在所述基于每一个指标值类对应的代表指标值，从所述至少两个指标值类中，选取目标指标值类时，所述选取单元具体用于：
从所述至少两个指标值类中，选取对应的代表指标值最小的指标值类作为所述目标指标值类；
其中，在对所述目标指标值组包含的指标值进行聚类处理时，所述聚类单元具体用于：循环执行以下迭代操作，直至满足预设的迭代终止条件为止：
获取至少两个代表指标值，其中，若本次迭代操作是第一次迭代操作，则所述至少两个代表指标值是从所述目标指标值组包含的指标值中选取的；若本次迭代操作不是第一次迭代操作，则所述至少两个代表指标值是在上一次迭代操作过程中获得的；
针对所述目标指标值组中除所述至少两个代表指标值之外的每一个指标值，确定所述指标值与每一个代表指标值之间的接近度，并将所述指标值归类于确定出的接近度最大的代表指标值对应的指标值类中，其中，一个代表指标值对应一个指标值类；
重新计算每一个指标值类对应的代表指标值。
9.如权利要求8所述的设定装置，其特征在于，所述分组单元采用的所述预设的分组方式为按照预设场景和/或第二预设时间段进行分组，其中，所述第二预设时间段小于所述第一预设时间段。
10.如权利要求8或9所述的设定装置，其特征在于，还包括剔除单元，其中，在所述聚类单元对所述目标指标值组包含的指标值进行聚类处理之前，所述剔除单元用于：
从所述目标指标值组包含的所有指标值中，剔除特殊指标值和/或离群指标值，其中，所述特殊指标值为非正常数字指标值，所述离群指标值为不在正常范围内的极限指标值。
11.如权利要求8所述的设定装置，其特征在于，在重新计算每一个指标值类对应的代表指标值时，所述聚类单元具体用于：
基于每一个指标值类包含的指标值的数目和总和，重新计算相应的指标值类对应的代表指标值。
12.如权利要求8所述的设定装置，其特征在于，在从所述目标指标值类包含的指标值中，选取一个指标值设定为所述网络指标的告警阈值时，所述设定单元具体用于：
从所述目标指标值类包含的指标值中，选取数值最大的指标值作为所述网络指标的告警阈值。
13.如权利要求8所述的设定装置，其特征在于，还包括优化单元，其中，在所述设定单元从所述目标指标值类包含的指标值中，选取一个指标值设定为所述网络指标的告警阈值之后，所述优化单元用于：
若所述网络指标属于第一预设类别，则获取所述网络指标的告警阈值上限，并将所述告警阈值上限与所述告警阈值的平均值，设定为所述网络指标的优化告警阈值，其中，所述第一预设类别为对应的指标值与网络性能成反比例关系的一类网络指标；
若所述网络指标属于第二预设类别，则获取所述网络指标的告警阈值下限，并将所述告警阈值下限与所述告警阈值的平均值，设定为所述网络指标的优化告警阈值，其中，所述第二预设类别为对应的指标值与网络性能成正比例关系的一类网络指标。
14.如权利要求13所述的设定装置，其特征在于，在获取所述网络指标的告警阈值上限或者告警阈值下限时，所述优化单元具体用于：
对所述目标指标值组包含的指标值进行聚类处理，得到至少三个指标值类；
从所述至少三个指标值类对应的代表指标值中，选取与所述目标指标值类对应的代表指标值之间的接近度最大的代表指标值，作为所述告警阈值上限或者所述告警阈值下限。
15.一种计算设备，其特征在于，包括：存储器、处理器和存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的告警阈值的设定方法的步骤。
16.一种非易失性计算机存储介质，其特征在于，所述非易失性计算机存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-7任一项所述的告警阈值的设定方法的步骤。
CN201711462482.2A 2017-12-28 2017-12-28 一种告警阈值的设定方法、装置、计算设备及介质 Active CN109981325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711462482.2A CN109981325B (zh) 2017-12-28 2017-12-28 一种告警阈值的设定方法、装置、计算设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711462482.2A CN109981325B (zh) 2017-12-28 2017-12-28 一种告警阈值的设定方法、装置、计算设备及介质

Publications (2)

Publication Number Publication Date
CN109981325A CN109981325A (zh) 2019-07-05
CN109981325B true CN109981325B (zh) 2022-07-29

Family

ID=67074811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711462482.2A Active CN109981325B (zh) 2017-12-28 2017-12-28 一种告警阈值的设定方法、装置、计算设备及介质

Country Status (1)

Country Link
CN (1) CN109981325B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116708150B (zh) * 2022-12-29 2024-04-02 荣耀终端有限公司 网络诊断方法和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101984415A (zh) * 2010-11-02 2011-03-09 中兴通讯股份有限公司 一种设定监控指标阈值的方法和装置
CN106557401A (zh) * 2016-10-13 2017-04-05 中国铁道科学研究院电子计算技术研究所 一种it设备监控指标的动态阈值设定方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9608856B2 (en) * 2013-11-03 2017-03-28 Teoco Ltd. System, method, and computer program product for identification and handling of a flood of alarms in a telecommunications system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101984415A (zh) * 2010-11-02 2011-03-09 中兴通讯股份有限公司 一种设定监控指标阈值的方法和装置
CN106557401A (zh) * 2016-10-13 2017-04-05 中国铁道科学研究院电子计算技术研究所 一种it设备监控指标的动态阈值设定方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
网络态势感知系统的告警阈值确定方法研究;张羽等;《世界科技研究与发展》;20080831;第30卷(第4期);中文1-3页 *

Also Published As

Publication number Publication date
CN109981325A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
US10248528B2 (en) System monitoring method and apparatus
US10181982B2 (en) Distributed multi-data source performance management
CN106912015B (zh) 一种基于移动网络数据的人员出行链识别方法
CN111176953B (zh) 一种异常检测及其模型训练方法、计算机设备和存储介质
CN107995682A (zh) 无线接入点定位方法、装置、电子设备及存储介质
CN111061624A (zh) 策略执行效果确定方法、装置、电子设备及存储介质
CN117078048A (zh) 基于数字孪生的智慧城市资源管理方法及系统
CN113283824A (zh) 智慧园区数据综合管理方法及系统
CN110413927B (zh) 在发布订阅系统中基于匹配实时性的优化方法及系统
CN109981325B (zh) 一种告警阈值的设定方法、装置、计算设备及介质
CN113869700A (zh) 一种绩效指标预测方法、装置、电子设备和存储介质
CN113222245A (zh) 居民用户月度电量电费异常核查方法及系统、存储介质
CN111800807A (zh) 一种基站用户数量告警的方法及装置
CN111160614B (zh) 资源转移预测模型的训练方法、装置及计算设备
CN112541047A (zh) 一种适用于多级网格化管理系统的海量数据聚合方法
CN114297323A (zh) 一种一机多号识别方法、装置及其存储介质
CN112307075B (zh) 用户关系识别方法及装置
CN109981327B (zh) 一种业务量的预测方法及系统
CN113568898A (zh) 电力数据漏点补全方法、装置、设备及可读存储介质
CN107316056B (zh) 一种网络安防等级自动化评定系统、自动评定方法
CN111490889A (zh) 一种无线业务增长预估方法及装置
CN112996015A (zh) 一种指标关联关系的构建方法及装置
CN111768021A (zh) 订单价格调整方法、装置、服务器及存储介质
CN112488743A (zh) 一种满意度预测方法、网络设备及存储介质
CN113867621B (zh) 一种区块链本地化云计算大数据应用分析方法

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