CN109993189A - 一种网络故障预警方法、装置和介质 - Google Patents

一种网络故障预警方法、装置和介质 Download PDF

Info

Publication number
CN109993189A
CN109993189A CN201810001026.6A CN201810001026A CN109993189A CN 109993189 A CN109993189 A CN 109993189A CN 201810001026 A CN201810001026 A CN 201810001026A CN 109993189 A CN109993189 A CN 109993189A
Authority
CN
China
Prior art keywords
alarm data
network
network alarm
time window
data sequence
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.)
Pending
Application number
CN201810001026.6A
Other languages
English (en)
Inventor
赵圣楠
王朝民
邓超
冯俊兰
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 Communications Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications 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 Communications Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201810001026.6A priority Critical patent/CN109993189A/zh
Publication of CN109993189A publication Critical patent/CN109993189A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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
    • H04L41/0677—Localisation of faults

Landscapes

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

Abstract

本发明公开了一种网络故障预警方法、装置和介质，用以在不依赖于网络拓扑结构的前提下，实现网络故障预警，提高网络故障预警方法的实用性。所述网络故障预警方法，包括：从实时网络告警数据中按照预设时间窗口大小提取网络告警数据组成第一网络告警数据序列；针对每一时间窗口对应的第一网络告警数据序列，从该第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；基于所述第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。

Description

一种网络故障预警方法、装置和介质
技术领域
本发明涉及网络通信技术领域，尤其涉及一种网络故障预警方法、装置和介质。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着技术的发展，通信网络越来越多，其中的设备也越来越多。在如此复杂的网络中，当发生一些性能劣化，但未达到设备告警的情况时，就会影响到用户的正常使用，引起用户投诉。由于通信网络在复杂、异构的网络结构中，网元数量巨大，当网络中发生故障的时候，会因为业务、设备的逻辑或物理关联导致短时间内告警数量爆发，对确定故障原因无意义的大量告警事件非常多，淹没故障的真正原因，从而给管理人员问题发现与排查造成很大困难。但是在告警中，相关的性能告警和设备告警已经发出，只是没有引起网管人员的注意。此时，如果能实时监测出问题的出现，就能投诉之前发出预警，修复问题，提高用户的使用体验。
目前业界使用的告警分析典型方法主要包括基于拓扑的分析方法，其使用通信网络的拓扑结构作为系统模型，结合告警的传播特点和告警之间的相关信息，对故障进行推理。该方法在建立模型的时候需要十分准确的网络设备信息和物理、逻辑拓扑关系，才能达到故障识别定位的目的。因此，建立过程中，要求相关人员具有非常强的专业性，且熟悉网络拓扑和网络中的设备情况；另外，通信网络状况复杂多变，建立这种故障传播模型和网络模型不容易，导致该方法实用性不强。
发明内容
本发明实施例提供一种网络故障预警方法、装置和介质，用以在不依赖于网络拓扑结构的前提下，实现网络故障预警，提高网络故障预警方法的实用性。
第一方面，提供一种网络故障预警方法，包括：
从实时网络告警数据中按照预设时间窗口大小提取网络告警数据组成第一网络告警数据序列；
针对每一时间窗口对应的第一网络告警数据序列，从该第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
基于所述第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。
可选地，按照以下方法获得训练所述分类模型的训练数据样本：
从预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列；
针对每一时间窗口对应的第二网络告警数据序列，从该第二网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
根据每一时间窗口包含的特征向量，基于历史故障数据为得到每一时间窗口添加标签得到训练所述分类模型的训练数据样本。
可选地，从预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列，具体包括：
获得历史网络告警数据；
对获得的历史网络告警数据进行预处理；
对预处理后的历史网络告警数据按照预设时长进行切分；
从切分得到的、预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列。
可选地，所述分类模型为基于获得的训练数据样本利用卷积神经网络CNN算法进行训练得到的。
可选地，针对每一网络告警数据，按照以下公式从该网络告警数据中提取特征词得到特征向量：其中：
C为整个告警数据库中的词库；
v为从该网络告警数据中提取的一个特征词；
Context(v)由v前后各c个词构成，c为正整数；
yv,p表示从该网络告警数据中提取的第p个特征词对应的概率，N为词库中包含的所有词的数量。
第二方面，提供一种网络故障预警装置，包括：
第一提取单元，用于从实时网络告警数据中按照预设时间窗口大小提取网络告警数据组成第一网络告警数据序列；
第二提取单元，用于针对每一时间窗口对应的第一网络告警数据序列，从该第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
故障预警单元，用于基于所述第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。
可选地，所述网络故障预警装置，还包括：
第三提取单元，用于从预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列；
第四提取单元，用于针对每一时间窗口对应的第二网络告警数据序列，从该第二网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
标签添加单元，用于根据每一时间窗口包含的特征向量，基于历史故障数据为得到每一时间窗口添加标签得到训练所述分类模型的训练数据样本。
可选地，所述第三提取单元，具体包括：
获得子单元，用于获得历史网络告警数据；
预处理子单元，用于对获得的历史网络告警数据进行预处理；
切分子单元，用于对预处理后的历史网络告警数据按照预设时长进行切分；
提取子单元，用于从切分得到的、预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列。
可选地，所述分类模型为基于获得的训练数据样本利用卷积神经网络CNN算法进行训练得到的。
可选地，所述第二提取单元，具体用于针对每一网络告警数据，按照以下公式从该网络告警数据中提取特征词得到特征向量：其中：
C为整个告警数据库中的词库；
v为从该网络告警数据中提取的一个特征词；
Context(v)由v前后各c个词构成，c为正整数；
yv,p表示从该网络告警数据中提取的第p个特征词对应的概率，N为词库中包含的所有词的数量。
第三方面，提供一种计算装置，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行上述任一方法所述的步骤。
第四方面，提供一种计算机可读介质，其存储有可由计算装置执行的计算机程序，当所述程序在计算装置上运行时，使得所述计算装置执行上输入恩义方法所述的步骤。
本发明实施例提供的网络故障预警方法、装置和介质，从实时网络告警数据中按照时间窗口大小提取网络告警数据组成第一网络告警数据序列，并从第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量，基于第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。上述过程中，通过将网络告警数据从原始数据空间映射到特征向量空间，并利用预先训练好的分类模型判断当前时间窗口是否存在网络故障，无需知道网络拓扑结构，尤其是当网络拓扑结构发生变化时，仍然可以进行网络故障预警，从而提高了网络故障预警方法的实用性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中，获得分类模型训练数据样本的流程示意图；
图2为本发明实施例中，获得第二告警数据序列的流程示意图；
图3为本发明实施例中，网络故障预警方法的实施流程示意图；
图4为本发明实施例中，网络故障预警装置的结构示意图；
图5为根据本发明实施方式的计算装置的结构示意图。
具体实施方式
为了降低网络故障预警对网络拓扑结构的依赖，提高网络故障预警方法的实用性，本发明实施例提供了一种网络故障预警方法、装置和介质。
以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明实施例中，为了根据实时网络告警数据识别当前时间窗口是否存在网络故障，首先需要训练分类模型。具体实施时，可以采用CNN(卷积神经网络)对训练数据样本进行训练得到分类模型。
具体地，如图1所示，其为本获得训练分类模型所需训练数据样本的流程示意图，可以包括以下步骤：
S11、从预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列。
S 12、针对每一时间窗口对应的第二网络告警数据序列，从该第二网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量。
S13、根据每一时间窗口包含的特征向量，基于历史故障数据为得到每一时间窗口添加标签得到训练所述分类模型的训练数据样本。
其中，步骤S11中，可以按照图2所示的流程获得第二告警数据序列：
S111、获得历史网络告警数据。
S112、对获得的历史网络告警数据进行预处理。
步骤S111和步骤S112中，对采集的历史网络告警数据进行数据清洗：对于从网络设备中收集设备的告警数据，将工程数据、系统错误，字段缺失等异常数据从数据集中清除，去掉无意义告警和误警，筛选出适合的告警字段，得到规范化的网络告警数据。
S113、对预处理后的历史网络告警数据按照预设时长进行切分。
S114、从切分得到的、预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列。
本步骤中，对于步骤S112输出的历史网络告警数据，按照适当的时长进行切分，保证在同一个时间切片中，尽可能保留故障相关的告警信息，使得有关联的告警信息能够同时出现，可以将步骤S112输出的网络告警数据按照五分钟一切片，三十秒滑动的时间窗口进行切分，一个时间窗口中的网络告警数据组成一条网络告警数据序列，所有的网络告警数据序列组成数据样本。具体实施时，可以根据实际需要确定时间窗口大小，本发明实施例中对此不进行限定。
至此，得到了训练所需的第二网络告警数据序列。
针对第二网络告警数据序列中包含的每一网络告警数据，在步骤S12中，可以运用word2vec算法提取每一网络告警数据的特征词得到特征向量。其中，word2vec使用skip-gram模型。基于此，本发明实施例中，针对每一网络告警数据，按照以下公式从该网络告警数据中提取特征词得到特征向量：其中：
C为整个告警数据库中的词库；
v为从该网络告警数据中提取的一个特征词；
Context(v)由v前后各c个词构成，c为正整数；
yv,p表示从该网络告警数据中提取的第p个特征词对应的概率，N为词库中包含的所有词的数量。
这样，每一网络告警数据被转变为K维的特征向量，假设每一时间窗口中包含有M条网络告警数据，则每一个时间窗口对应的网络告警数据序列被映射为一个M*K的矩阵，p为不大于K的正整数。
进一步地，针对获得的每一时间窗口包含的特征向量之后，可以根据历史故障数据，为该时间窗口添加标签，即该时间窗口内是否发生故障。这样，可以得到训练所述的训练数据样本。
基于获得的训练数据样本，利用CNN算法对分类模型进行训练，具体训练过程可以参照现有技术，本发明实施例中不再赘述。
基于获得的分类模型，如图3所示，其为本发明实施例提供的网络故障预警方法的实施流程示意图，可以包括以下步骤：
S31、从实时网络告警数据中按照预设时间窗口大小提取网络告警数据组成第一网络告警数据序列。
S32、针对每一时间窗口对应的第一网络告警数据序列，从该第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量。
具体地，针对每一网络告警数据，按照以下公式从该网络告警数据中提取特征词得到特征向量：其中：
C为整个告警数据库中的词库；
v为从该网络告警数据中提取的一个特征词；
Context(v)由v前后各c个词构成，c为正整数；
yv,p表示从该网络告警数据中提取的第p个特征词对应的概率，N为词库中包含的所有词的数量。
S33、基于所述第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。
在得到当前时间窗口包含的每一网络告警数据各自对应的特征向量之后，将其输入训练好的分类模型中，便可以输出当前时间窗口是否存在网络故障的结果。
本发明实施例提供的网络故障预警方法，从实时网络告警数据中按照时间窗口大小提取网络告警数据组成第一网络告警数据序列，并从第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量，基于第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。上述过程中，通过将网络告警数据从原始数据空间映射到特征向量空间，并利用预先训练好的分类模型判断当前时间窗口是否存在网络故障，无需知道网络拓扑结构，尤其是当网络拓扑结构发生变化时，仍然可以进行网络故障预警，从而提高了网络故障预警方法的实用性。
例如，具体实施时，可以收集两个月的核心网告警数据，假设整理形成了3957623条数据，其中经过去重、去掉缺失字段。此外，其中有些时段会频繁发生人为因素导致的故障，且不可追踪故障发生原因。通过将从网络设备中收集设备的告警数据，将工程数据、系统错误，字段缺失等异常数据从数据集中清除，去掉无意义告警和误警，筛选出适合的告警字段，得到规范化的告警数据样本3157623条。进一步地，为了保证在同一个切片中，尽可能保留故障相关的告警信息，使得有关联的告警信息能够同时出现，将规整过的告警数据按照五分钟一个切片，三十秒滑动的时间窗口切分，一个时间窗口中的告警数据组成一条告警数据序列，所有的告警数据序列组成数据样本。获得滑动时间窗口告警数据序列，共得到68312条滑动窗口告警数据序列。对每一条规范化的告警数据用word2vec算法提取特征词，得到每一个时间窗的告警数据对应的特征向量。对于word2vec算法，假设取向量维度为100。然后，根据每一时间窗口包含的特征向量，用历史故障数据进行打标签，得到具有故障标签的样本数据，本例中，可以得到53609条负样例和15016条正样例，进行数据均衡之后得到训练集。并使用另一个真实告警样本集作为测试集，共5w条。使用CNN分类模型进行分类，使用修正线性单元(Rectified linear units)，代价函数为交叉熵，训练目标是最小化代价函数，滤波器的h大小：3,4,5；对应的Feature Map的数量为100；Dropout率为0.5，L2正则化限制权值大小不超过3；mini-batch的大小为50；优化方法：Adam。得到分类结果假正率为0.004127891356的情况下，Accuracy:0.991961。
基于同一发明构思，本发明实施例中还提供了一种网络故障预警装置，由于上述装置及设备解决问题的原理与网络故障预警方法相似，因此上述装置及设备的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，其为本发明实施例提供的网络故障预警装置的结构示意图，可以包括：
第一提取单元41，用于从实时网络告警数据中按照预设时间窗口大小提取网络告警数据组成第一网络告警数据序列；
第二提取单元42，用于针对每一时间窗口对应的第一网络告警数据序列，从该第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
故障预警单元43，用于基于所述第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。
可选地，所述网络故障预警装置，还包括：
第三提取单元，用于从预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列；
第四提取单元，用于针对每一时间窗口对应的第二网络告警数据序列，从该第二网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
标签添加单元，用于根据每一时间窗口包含的特征向量，基于历史故障数据为得到每一时间窗口添加标签得到训练所述分类模型的训练数据样本。
可选地，所述第三提取单元，具体包括：
获得子单元，用于获得历史网络告警数据；
预处理子单元，用于对获得的历史网络告警数据进行预处理；
切分子单元，用于对预处理后的历史网络告警数据按照预设时长进行切分；
提取子单元，用于从切分得到的、预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列。
可选地，所述分类模型为基于获得的训练数据样本利用卷积神经网络CNN算法进行训练得到的。
可选地，所述第二提取单元，具体用于针对每一网络告警数据，按照以下公式从该网络告警数据中提取特征词得到特征向量：其中：
C为整个告警数据库中的词库；
v为从该网络告警数据中提取的一个特征词；
Context(v)由v前后各c个词构成，c为正整数；
yv,p表示从该网络告警数据中提取的第p个特征词对应的概率，N为词库中包含的所有词的数量。
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
在介绍了本发明示例性实施方式的网络故障预警方法和装置之后，接下来，介绍根据本发明的另一示例性实施方式的计算装置。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明的计算装置可以至少包括至少一个处理单元、以及至少一个存储单元。其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本说明书上述描述的根据本发明各种示例性实施方式的网络故障预警方法中的步骤。例如，所述处理单元可以执行如图3中所示的步骤S31、从实时网络告警数据中按照预设时间窗口大小提取网络告警数据组成第一网络告警数据序列，和步骤S32、针对每一时间窗口对应的第一网络告警数据序列，从该第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；步骤S33、基于所述第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。
下面参照图5来描述根据本发明的这种实施方式的计算装置50。图5显示的计算装置50仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算装置50以通用计算设备的形式表现。计算装置50的组件可以包括但不限于：上述至少一个处理单元51、上述至少一个存储单元52、连接不同系统组件(包括存储单元52和处理单元51)的总线53。
总线53表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储单元52可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)521和/或高速缓存存储器522，还可以进一步包括只读存储器(ROM)523。
存储单元52还可以包括具有一组(至少一个)程序模块524的程序/实用工具525，这样的程序模块524包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置50也可以与一个或多个外部设备54(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置50交互的设备通信，和/或与使得该计算装置50能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口55进行。并且，计算装置50还可以通过网络适配器56与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器56通过总线53与用于计算装置50的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本发明提供的网络故障预警方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的网络故障预警方法中的步骤，例如，所述计算机设备可以执行如图3中所示的步骤S31、从实时网络告警数据中按照预设时间窗口大小提取网络告警数据组成第一网络告警数据序列，和步骤S32、针对每一时间窗口对应的第一网络告警数据序列，从该第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；步骤S33、基于所述第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本发明的实施方式的用于网络故障预警的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
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，则可对这些实施例做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进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明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 (12)

1.一种网络故障预警方法，其特征在于，包括：
从实时网络告警数据中按照预设时间窗口大小提取网络告警数据组成第一网络告警数据序列；
针对每一时间窗口对应的第一网络告警数据序列，从该第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
基于所述第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。
2.如权利要求1所述的方法，其特征在于，按照以下方法获得训练所述分类模型的训练数据样本：
从预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列；
针对每一时间窗口对应的第二网络告警数据序列，从该第二网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
根据每一时间窗口包含的特征向量，基于历史故障数据为得到每一时间窗口添加标签得到训练所述分类模型的训练数据样本。
3.如权利要求2所述的方法，其特征在于，从预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列，具体包括：
获得历史网络告警数据；
对获得的历史网络告警数据进行预处理；
对预处理后的历史网络告警数据按照预设时长进行切分；
从切分得到的、预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列。
4.如权利要求2或3所述的方法，其特征在于，所述分类模型为基于获得的训练数据样本利用卷积神经网络CNN算法进行训练得到的。
5.如权利要求1所述的方法，其特征在于，针对每一网络告警数据，按照以下公式从该网络告警数据中提取特征词得到特征向量：其中：
C为整个告警数据库中的词库；
v为从该网络告警数据中提取的一个特征词；
Context(v)由v前后各c个词构成，c为正整数；
yv,p表示从该网络告警数据中提取的第p个特征词对应的概率，N为词库中包含的所有词的数量。
6.一种网络故障预警装置，其特征在于，包括：
第一提取单元，用于从实时网络告警数据中按照预设时间窗口大小提取网络告警数据组成第一网络告警数据序列；
第二提取单元，用于针对每一时间窗口对应的第一网络告警数据序列，从该第一网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
故障预警单元，用于基于所述第一网络告警数据序列中包含的每一网络告警数据对应的特征向量，利用预先训练得到的分类模型确定当前提取网络告警数据序列对应的时间窗口是否存在故障。
7.如权利要求6所述的装置，其特征在于，还包括：
第三提取单元，用于从预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列；
第四提取单元，用于针对每一时间窗口对应的第二网络告警数据序列，从该第二网络告警数据序列中包含的网络告警数据中提取特征词得到特征向量；
标签添加单元，用于根据每一时间窗口包含的特征向量，基于历史故障数据为得到每一时间窗口添加标签得到训练所述分类模型的训练数据样本。
8.如权利要求7所述的装置，其特征在于，所述第三提取单元，具体包括：
获得子单元，用于获得历史网络告警数据；
预处理子单元，用于对获得的历史网络告警数据进行预处理；
切分子单元，用于对预处理后的历史网络告警数据按照预设时长进行切分；
提取子单元，用于从切分得到的、预设时长内的历史网络告警数据中按照预设的时间窗口大小提取历史网络告警数据组成第二网络告警数据序列。
9.如权利要求7或8所述的装置，其特征在于，所述分类模型为基于获得的训练数据样本利用卷积神经网络CNN算法进行训练得到的。
10.如权利要求6所述的装置，其特征在于，
所述第二提取单元，具体用于针对每一网络告警数据，按照以下公式从该网络告警数据中提取特征词得到特征向量：其中：
C为整个告警数据库中的词库；
v为从该网络告警数据中提取的一个特征词；
Context(v)由v前后各c个词构成，c为正整数；
yv,p表示从该网络告警数据中提取的第p个特征词对应的概率，N为词库中包含的所有词的数量。
11.一种计算装置，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～5任一权利要求所述方法的步骤。
12.一种计算机可读介质，其特征在于，其存储有可由计算装置执行的计算机程序，当所述程序在计算装置上运行时，使得所述计算装置执行权利要求1～5任一所述方法的步骤。
CN201810001026.6A 2018-01-02 2018-01-02 一种网络故障预警方法、装置和介质 Pending CN109993189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810001026.6A CN109993189A (zh) 2018-01-02 2018-01-02 一种网络故障预警方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810001026.6A CN109993189A (zh) 2018-01-02 2018-01-02 一种网络故障预警方法、装置和介质

Publications (1)

Publication Number Publication Date
CN109993189A true CN109993189A (zh) 2019-07-09

Family

ID=67128213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810001026.6A Pending CN109993189A (zh) 2018-01-02 2018-01-02 一种网络故障预警方法、装置和介质

Country Status (1)

Country Link
CN (1) CN109993189A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111010306A (zh) * 2020-03-10 2020-04-14 清华大学 动态网络告警分析方法、装置、计算机设备及存储介质
CN111666171A (zh) * 2020-06-04 2020-09-15 中国工商银行股份有限公司 故障识别方法及装置、电子设备和可读存储介质
CN111931872A (zh) * 2020-09-27 2020-11-13 北京工业大数据创新中心有限公司 一种趋势性征兆的异常确定方法及装置
CN112839059A (zh) * 2021-02-22 2021-05-25 北京六方云信息技术有限公司 Web入侵检测处理方法、装置及电子设备
CN113541980A (zh) * 2020-04-14 2021-10-22 中国移动通信集团浙江有限公司 网络切片故障根因定位方法、装置、计算设备及存储介质
CN113672467A (zh) * 2021-08-24 2021-11-19 中国电信股份有限公司 运维预警方法及装置、电子设备、存储介质
CN114124654A (zh) * 2020-08-10 2022-03-01 中国移动通信集团浙江有限公司 告警合并方法、装置、计算设备及计算机存储介质
CN114143163A (zh) * 2020-08-14 2022-03-04 中国移动通信集团浙江有限公司 基于图注意力网络的切片误告警识别方法及装置
CN114297453A (zh) * 2021-12-30 2022-04-08 中国电信股份有限公司 告警预测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101242549A (zh) * 2007-11-22 2008-08-13 中国移动通信集团山东有限公司 通信网络告警关联的神经网络构建方法
CN104317892A (zh) * 2014-10-23 2015-01-28 深圳市腾讯计算机系统有限公司 可移植可执行文件的时序特征处理方法及装置
CN104468191A (zh) * 2014-11-05 2015-03-25 国家电网公司 基于时间窗和网络模型的电力通信故障预警方法及系统
CN105407103A (zh) * 2015-12-19 2016-03-16 中国人民解放军信息工程大学 一种基于多粒度异常检测的网络威胁评估方法
CN106095928A (zh) * 2016-06-12 2016-11-09 国家计算机网络与信息安全管理中心 一种事件类型识别方法及装置
CN107203199A (zh) * 2017-06-12 2017-09-26 北京匡恩网络科技有限责任公司 一种工控网络安全预警方法及系统
CN107291991A (zh) * 2017-05-25 2017-10-24 华侨大学 一种基于动态网络标志的风电机组早期缺陷预警方法
CN107341145A (zh) * 2017-06-21 2017-11-10 华中科技大学 一种基于深度学习的用户情感分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101242549A (zh) * 2007-11-22 2008-08-13 中国移动通信集团山东有限公司 通信网络告警关联的神经网络构建方法
CN104317892A (zh) * 2014-10-23 2015-01-28 深圳市腾讯计算机系统有限公司 可移植可执行文件的时序特征处理方法及装置
CN104468191A (zh) * 2014-11-05 2015-03-25 国家电网公司 基于时间窗和网络模型的电力通信故障预警方法及系统
CN105407103A (zh) * 2015-12-19 2016-03-16 中国人民解放军信息工程大学 一种基于多粒度异常检测的网络威胁评估方法
CN106095928A (zh) * 2016-06-12 2016-11-09 国家计算机网络与信息安全管理中心 一种事件类型识别方法及装置
CN107291991A (zh) * 2017-05-25 2017-10-24 华侨大学 一种基于动态网络标志的风电机组早期缺陷预警方法
CN107203199A (zh) * 2017-06-12 2017-09-26 北京匡恩网络科技有限责任公司 一种工控网络安全预警方法及系统
CN107341145A (zh) * 2017-06-21 2017-11-10 华中科技大学 一种基于深度学习的用户情感分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚东: "基于流的大规模网络安全态势感知关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
李酉戌: "基于卷积神经网络的网络故障诊断模型", 《软件导刊》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111010306B (zh) * 2020-03-10 2020-06-02 清华大学 动态网络告警分析方法、装置、计算机设备及存储介质
CN111010306A (zh) * 2020-03-10 2020-04-14 清华大学 动态网络告警分析方法、装置、计算机设备及存储介质
CN113541980A (zh) * 2020-04-14 2021-10-22 中国移动通信集团浙江有限公司 网络切片故障根因定位方法、装置、计算设备及存储介质
CN111666171A (zh) * 2020-06-04 2020-09-15 中国工商银行股份有限公司 故障识别方法及装置、电子设备和可读存储介质
CN114124654A (zh) * 2020-08-10 2022-03-01 中国移动通信集团浙江有限公司 告警合并方法、装置、计算设备及计算机存储介质
CN114124654B (zh) * 2020-08-10 2023-10-27 中国移动通信集团浙江有限公司 告警合并方法、装置、计算设备及计算机存储介质
CN114143163B (zh) * 2020-08-14 2023-11-14 中国移动通信集团浙江有限公司 基于图注意力网络的切片误告警识别方法及装置
CN114143163A (zh) * 2020-08-14 2022-03-04 中国移动通信集团浙江有限公司 基于图注意力网络的切片误告警识别方法及装置
CN111931872A (zh) * 2020-09-27 2020-11-13 北京工业大数据创新中心有限公司 一种趋势性征兆的异常确定方法及装置
CN111931872B (zh) * 2020-09-27 2021-11-16 北京工业大数据创新中心有限公司 一种趋势性征兆的异常确定方法及装置
CN112839059B (zh) * 2021-02-22 2022-08-30 北京六方云信息技术有限公司 Web入侵检测自适应告警过滤处理方法、装置及电子设备
CN112839059A (zh) * 2021-02-22 2021-05-25 北京六方云信息技术有限公司 Web入侵检测处理方法、装置及电子设备
CN113672467A (zh) * 2021-08-24 2021-11-19 中国电信股份有限公司 运维预警方法及装置、电子设备、存储介质
CN114297453A (zh) * 2021-12-30 2022-04-08 中国电信股份有限公司 告警预测方法、装置、电子设备及存储介质
CN114297453B (zh) * 2021-12-30 2023-12-15 中国电信股份有限公司 告警预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109993189A (zh) 一种网络故障预警方法、装置和介质
CN106301971A (zh) 基于流量分析的电力应用性能监控系统
CN107093431A (zh) 一种对服务质量进行质检的方法及装置
CN101945009A (zh) 基于案例和模式匹配的电力通信网故障定位方法及装置
CN109844549A (zh) 基于热分析的计算设备和/或非易失性存储设备的重新配置
CN112148772A (zh) 告警根因识别方法、装置、设备和存储介质
CN109992484B (zh) 一种网络告警相关性分析方法、装置和介质
CN109241169A (zh) 配电网运行信息多源异构数据融合数据库集成方法
CN110162445A (zh) 基于主机日志及性能指标的主机健康评价方法及装置
CN109765863A (zh) 一种基于云平台的设备参数边缘计算方法
CN107749778B (zh) 一种通信光缆故障预警方法及装置
CN105389341A (zh) 一种客服电话重复来电工单的文本聚类与分析方法
CN109800995A (zh) 一种电网设备故障识别方法及系统
CN109240895A (zh) 一种分析日志故障的处理方法及装置
CN110019519A (zh) 数据处理方法、装置、存储介质和电子装置
CN109547251B (zh) 一种基于监控数据的业务系统故障与性能预测方法
CN108712433A (zh) 一种网络安全检测方法和系统
CN109873790A (zh) 网络安全检测方法、装置以及计算机可读存储介质
CN115660431A (zh) 用于评估智能运维系统的方法、装置、电子设备及存储介质
CN114978877A (zh) 一种异常处理方法、装置、电子设备及计算机可读介质
CN107562768A (zh) 一种数据处理过程动态回溯追踪方法
CN113065580A (zh) 一种基于多信息融合的电厂设备管理方法及系统
CN107025293A (zh) 一种电力二次设备缺陷数据挖掘方法及系统
CN112448919B (zh) 网络异常检测方法、装置和系统、计算机可读存储介质
CN108248641A (zh) 一种城市轨道交通数据处理方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190709

RJ01 Rejection of invention patent application after publication