CN110838925B - 一种高危网元操作指令识别方法和装置 - Google Patents
一种高危网元操作指令识别方法和装置 Download PDFInfo
- Publication number
- CN110838925B CN110838925B CN201810927166.6A CN201810927166A CN110838925B CN 110838925 B CN110838925 B CN 110838925B CN 201810927166 A CN201810927166 A CN 201810927166A CN 110838925 B CN110838925 B CN 110838925B
- Authority
- CN
- China
- Prior art keywords
- network element
- instruction
- risk
- identified
- operation instruction
- 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
Links
Images
Classifications
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
-
- 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
- H04L41/02—Standardisation; Integration
- H04L41/0246—Exchanging or transporting network management information using the Internet; Embedding network management web servers in network elements; Web-services-based protocols
- H04L41/0266—Exchanging or transporting network management information using the Internet; Embedding network management web servers in network elements; Web-services-based protocols using meta-data, objects or commands for formatting management information, e.g. using eXtensible markup language [XML]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供一种高危网元操作指令识别方法和装置,其中方法包括:获取待识别网元操作指令;将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,高危指令标记用于指示待识别网元操作指令是否为高危网元操作指令;其中,高危网元指令识别模型是基于样本网元操作指令以及样本网元操作指令的样本高危指令标记进行训练后得到的。本发明实施例提供的方法和装置,不再局限于网元设备类型,也无需依赖专家知识,极大地提高了高危网元操作指令的识别效率和准确率,有效降低了误报率和漏报率,避免了由于人为误操作或人为破坏导致的高危网元操作指令处理不当的问题。
Description
技术领域
本发明实施例涉及电信运维技术领域,尤其涉及一种高危网元操作指令识别方法和装置。
背景技术
电信运维场景中,一线运维人员通过网元操作指令实现日常维护、工程割接和故障处理等。通常,根据网元操作指令可能带来的故障对最终用户通讯业务、计费异常、物理安全、客户信息安全和网管中断几个维度的影响进行度量,按照影响程度对网元操作指令的风险级别进行划分。
其中,高危网元操作指令即风险级别最高的网元操作指令,该类指令操作不当会导致全局CS或者PS用户无法位置更新,被叫类业务中断,业务数据下发失败以及用户数据出现大量错误,营帐无法接入,给系统的安全运行和业务的正常使用带来影响,引发事故。由于网元操作指令的下达涉及人为操作,存在由于人为失误造成的故障的潜在风险。
针对上述风险,当前主要通过关键字匹配和人工审核的方式对高危网元操作指令进行识别,以规避由于高危网元操作指令处理不当导致的事故。然而,由于高危网元操作指令种类繁多,不同厂家、不同网元设备的网元操作指令不尽相同,仅仅通过关键字匹配的方式效率低下,错误率高,容易遗漏,无法做到实时识别,人工审核的方式效率低下、准确率不高。
发明内容
本发明实施例提供一种高危网元操作指令识别方法和装置,用以解决现有的高危网元操作指令识别方法存在的效率低下、准确率不高,无法实时识别的问题。
一方面,本发明实施例提供一种高危网元操作指令识别方法,包括:
获取待识别网元操作指令;
将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,高危指令标记用于指示待识别网元操作指令是否为高危网元操作指令;
其中,高危网元指令识别模型是基于样本网元操作指令以及样本网元操作指令的样本高危指令标记进行训练后得到的。
另一方面,本发明实施例提供一种高危网元操作指令识别装置,包括:
获取单元,用于获取待识别网元操作指令;
识别单元,用于将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,高危指令标记用于指示待识别网元操作指令是否为高危网元操作指令;
其中,高危网元指令识别模型是基于样本网元操作指令以及样本网元操作指令的样本高危指令标记进行训练后得到的。
又一方面,本发明实施例提供一种电子设备,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器可以调用存储器中的逻辑指令,以执行如前所述的高危网元操作指令识别方法。
再一方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的高危网元操作指令识别方法。
本发明实施例提供的一种高危网元操作指令识别方法和装置,通过将待识别网元操作指令输入至高危网元指令识别模型,输出高危指令标记,不再局限于网元设备类型,也无需依赖专家知识,即可实现实时的高危网元操作指令的识别,极大地提高了高危网元操作指令的识别效率和准确率,有效降低了误报率和漏报率,避免了由于人为误操作或人为破坏导致的高危网元操作指令处理不当的问题,保障了电信系统的安全运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的高危网元操作指令识别方法的流程示意图;
图2为本发明实施例提供的高危网元指令识别模型的结构示意图;
图3为本发明另一实施例提供的高危网元指令识别模型的结构示意图;
图4为本发明另一实施例提供的高危网元操作指令识别方法的流程示意图;
图5为本发明实施例提供的高危网元操作指令识别装置的结构示意图;
图6为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
目前电信运维场景中,一线运维人员通过网元操作指令实现日常维护、工程割接和故障处理等。网元操作指令处理不当,会对现有业务造成影响,甚至中断。针对上述问题,当前主要通过关键字匹配和人工审核的方式对高危网元操作指令进行识别。然而,由于高危网元操作指令种类繁多,不同厂家、不同网元设备的网元操作指令不尽相同,仅仅通过关键字匹配的方式效率低下,错误率高,容易遗漏,无法做到实时识别,人工审核的方式效率低下、准确率不高。为了提高高危网元操作指令的识别效率,降低错误率,增强实时性,本发明实施例提供了一种高危网元操作指令识别方法,图1为本发明实施例提供的高危网元操作指令识别方法的流程示意图,如图1所示,上述识别方法,包括:
101,获取待识别网元操作指令。
本发明实施例用于对待识别网元操作指令进行识别,判断待识别网元操作指令是否为高危网元操作指令。此处,待识别网元操作指令可以是基于电信运维系统实时获取的网元操作指令,也可以是需要判断是否为高危网元操作指令的历史网元操作指令,本发明实施例对此不作具体限定。
102,将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,高危指令标记用于指示待识别网元操作指令是否为高危网元操作指令。
此处,待识别网元操作指令的高危指令标记即为待识别网元操作指令的高危网元指令识别结果。高危指令标记可以是“1”或“0”,若高危指令标记为“1”则确认待识别网元操作指令为高危网元操作指令,若高危指令标记为“0”则确认待识别网元操作指令为非高危网元操作指令;高危指令标记还可以是待识别网元操作指令为高危网元操作指令的概率,若概率大于等于预设概率则确认待识别网元操作指令为高危网元操作指令,本发明实施例不对此作具体限定。
另外,在执行上述过程之前,还可预先训练得到高危网元指令识别模型,具体可通过如下方式训练得到:首先,收集大量样本网元操作指令,以及与样本网元操作指令一一对应的样本高危指令标记;其中,每一样本网元操作指令对应的样本高危指令标记均是预先设定的风险划分规则确定的。基于样本网元操作指令以及样本高危指令标记对初始模型进行训练,从而得到高危网元指令识别模型。其中,初始模型可以是单一神经网络模型,也可以是多个神经网络模型的组合,本发明实施例不对初始模型的类型和结构作具体限定。
本发明实施例不对用于确定样本网元操作指令对应的样本高危指令标记的风险划分规则作具体限定,例如,风险划分规则可以是:将操作不当会导致全局CS或者PS用户无法位置更新,被叫类业务中断,业务数据下发失败以及用户数据出现大量错误,营帐无法接入的样本网元操作指令的样本高危指令标记设置为“1”,指示该样本网元操作指令为高危网元操作指令;将操作不当会导致部分语音或者数据业务异常,出现流控导致数据或者消息丢失,业务指标下降,部分用户数据异常的样本网元操作指令,以及操作不当会导致某些指定模块CPU负荷变高,链路负荷过高导致少量用户业务下发失败,少量用户数据异常的样本网元操作指令的样本高危指令标记设置为“0”,指示该样本网元操作指令为非高危网元操作指令。
本发明实施例提供的方法,通过将待识别网元操作指令输入至高危网元指令识别模型,输出高危指令标记,不再局限于网元设备类型,也无需依赖专家知识,即可实现实时的高危网元操作指令的识别,极大地提高了高危网元操作指令的识别效率和准确率,有效降低了误报率和漏报率,避免了由于人为误操作或人为破坏导致的高危网元操作指令处理不当的问题,保障了电信系统的安全运行。
基于上述实施例,102,将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,具体包括:
一 ,将待识别网元操作指令输入至高危网元指令识别模型的嵌入层,输出向量表示数组。
具体地,嵌入层用于将待识别网元操作指令中的每一单词进行向量映射,转换为对应的词向量表示矩阵,并将每一单词的词向量表示矩阵进行组合,构成向量表示数组并输出。此处,任一词向量表示矩阵为待识别网元操作指令中任一单词的向量表示,向量表示数组则为待识别网元操作指令这一语句的向量表示。
二 ,将向量表示数组输入至高危网元指令识别模型的长短时记忆层,输出特征表示数组。
具体地,长短期记忆(long short-term memory,LSTM)是一种特殊的循环神经网络类型,所谓的循环神经网络即同一个神经网络被重复使用。长短期记忆可以学习长期依赖信息,通过控制缓存中的值保存的时间,记忆长期的信息,适合进行长序列的学习,解决了循环神经网络梯度消失或梯度爆炸的问题。
此处,长短时记忆层由一个或多个长短时记忆网络构成,长短时记忆网络可以是单向长短时记忆网络,还可以是双向长短时记忆网络,每一长短时记忆网络由一个或多个长短时记忆神经元构成,本发明实施例对此不作具体限定。本发明实施例中,长短时记忆层用于从向量表示数组中提取用于判断待识别网元操作指令是否为高危网元操作指令的特征,即特征表示数组。
三 ,将特征表示数组输入至高危网元指令识别模型的输出层,输出待识别网元操作指令的高危指令标记。
具体地,输出层基于长短时记忆层输出的特征表示数组,判断待识别网元操作指令是否为高危网元操作指令,并输出待识别网元操作指令的高危指令标记。需要说明的是,上述步骤一 、二 和三 ,涉及嵌入层、长短时记忆层和输出层,高危网元指令识别模型可以有上述三个分层构成。图2 为本发明实施例提供的高危网元指令识别模型的结构示意图,具体分层结构可参考图2。
本发明实施例提供的方法,基于高危网元指令识别模型,应用长短时记忆在文本长序列学习的优势,通过长短时记忆层提取特征表示数组,进而实现对待识别网元操作指令的高效率、高可靠性的自动识别。
基于上述任一实施例,进一步地,三 ,将特征表示数组输入至高危网元指令识别模型的输出层,输出待识别网元操作指令的高危指令标记,具体包括:
1)将特征表示数组输入至输出层的池化层,输出特征表示矩阵。
具体地,池化层通常用于对输入的特征进行压缩,一方面使得特征变小,简化网络计算复杂度,另一方面进行特征压缩,提取主要特征。本发明实施例中,池化层用于减少特征表示数组的维度,将特征表示数组压缩为特征表示矩阵并输出。
2)将特征表示矩阵输入至输出层的特征分类层,输出高危指令标记。
具体地,经过压缩后的特征表示矩阵,通过特征分类层对特表表示矩阵中能够体现待识别网元操作指令是否为高危网元操作指令的特征进行整合和分类,得到高危指令标记。此处,特征分类层可以由一个或多个全连接层构成,也可以由一个全连接层和一个softmax层构成,本发明实施例不对此作具体限定。
基于上述任一实施例,图3为本发明另一实施例提供的高危网元指令识别模型的结构示意图,如图3所示,进一步地,将特征表示矩阵输入至输出层的特征分类层,输出高危指令标记,具体包括:将特征表示矩阵输入至特征分类层的第一丢弃层,输出第一正则矩阵;将第一正则矩阵输入至特征分类层的第一全连接层,输出第一全连接矩阵;将第一全连接矩阵输入至特征分类层的第二丢弃层,输出第二正则矩阵;将第二正则矩阵输入至特征分类层的第二全连接层,输出高危指令标记。
具体地,特征分类层为丢弃层与全连接层交替的结构,丢弃层用于基于预设的舍弃概率,对丢弃层的神经元进行舍弃,在池化层或全连接层后引入丢弃层,能够有效避免过拟合。本发明实施例中,池化层输出的特征表示矩阵首先输入至特征分类层中的第一丢弃层,第一丢弃层基于预设的舍弃概率对神经元进行舍弃后,输出第一正则矩阵。随后,将第一正则矩阵输入至第一全连接层,经过第一全连接层对特征进行整合后,输出第一全连接矩阵。将第一全连接矩阵输入至第二丢弃层,第二丢弃层基于预设的舍弃概率对神经元进行舍弃后,输出第二正则矩阵。将第二正则矩阵输入至第二全连接层,作为优选,第二全连接层仅包含一个神经元,对第二正则矩阵的特征进行整合后输出高危指令标记“1”或“0”。
本发明实施例提供的方法,在特征分类层中引入丢弃层,有效避免了过拟合的问题,提高了特征分类层的分类准确率。
基于上述任一实施例,102,将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,之前还包括:对待识别网元操作指令进行预处理;预处理包括文本补齐、本文清洗和本文序列化中的至少一种。
具体地,本文补齐是指根据预设的文本长度对待识别网元操作指令文本进行操作,若待识别网元操作指令文本长度超过预设的文本长度,则将超过的部分删除,若待识别网元操作指令文本长度小于预设的文本长度,则通过补零将文本长度补齐至预设的文本长度。例如,预设文本长度为200,待识别网元操作指令文本长度为170,则通过补30个零使得待识别网元操作指令文本长度达到200;又例如,预设文本长度为200,待识别网元操作指令文本长度为210,则删除待识别网元操作指令文本的最后十位使得待识别网元操作指令文本长度为200。
文本清洗包括过滤待识别网元操作指令中的所有标点符号,并统一字母大小写,例如将大写字母全部转换为小写字母。文本序列化是指将待识别网元操作指令文本转换为序列,例如keras中的Tokenizer能够用于文本分词并序列化文本,将待识别网元操作指令文本中的每一单词转换为整数序列,其转换规则依据单词在字典中的下标构成的列表,例如:[“execute”:40,“error”: 105,“info”:8,“update”:278,“on”:89,“agent”:164,“modify”:59,“the”: 21,“interrupted”:303,“command”:231,...]。
基于上述任一实施例,102,将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,之前还包括:基于样本网元操作指令以及样本网元操作指令的样本高危指令标记,通过Adam优化算法对高危网元指令识别模型进行训练,直至高危网元指令识别模型的训练次数大于等于预设次数和/或高危网元指令识别模型的损失函数小于等于预设损失值。
其中,损失函数为binary crossentropy二值交叉熵,梯度下降算法选用 Adam优化算法。Adam优化算法是随机梯度下降算法的扩展式,用于基于训练数据迭代地更新神经网络权重,近年来广泛用于深度学习应用中,尤其是计算机视觉和自然语言处理等任务。Adam优化算法能够实现高效计算,且所需内存少,适合解决含大规模数据和参数的优化问题。
基于上述任一实施例,102,将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,之后还包括:
若高危指令标记指示待识别网元操作指令为高危网元操作指令,则发出告警信息。
具体地,当识别获知待识别网元操作指令为高危网元操作指令,则发出告警信息,以提示运维人员,避免误操作。此外,在执行该高危网元操作指令前,还需要获取多重审核授权,以避免人为破坏导致的业务故障。
为了更好地理解与应用本发明提出的高危网元操作指令识别方法,现结合上述实施例的内容,本发明以如下示例对高危网元操作指令识别过程进行解释说明,具体阐述如下:
示例一:
图4为本发明另一实施例提供的高危网元操作指令识别方法的流程示意图,如图4所示,首先对高危网元指令识别模型进行离线训练,随后应用离线训练得到的高危网元指令识别模型对待识别网元操作指令进行识别。
首先,获取大量核心网网元历史操作指令作为样本网元操作指令,保存为“csv”格式,然后对样本网元操作指令进行人工标记,将高危网元操作指令的高危指令标记设置为“1”,非高危网元操作指令的高危指令标记设置标记为“0”。
随后,对分别每条样本网元操作指令进行预处理,编码序列长度设置为 200,未到200长度的样本网元操作指令自动补零,超出200长度的样本网元操作指令将超出部分删除。其次对每条样本网元操作指令进行文本清洗并将文本序列化,过滤掉所有标点符号,统一字母大小写,将大写字母转换成小写字母,通过keras中的Tokenizer类将文本中的每个单词转换为整数序列。
将由样本网元操作指令构成的总数据集划分为训练集和测试集,总数据集的90%划为训练集,总数据集的10%划为测试集。训练集中的操作指令用于训练高危网元指令识别模型,测试集中的操作指令用于测试高危网元指令识别模型。
将训练回合数设置为100(epochs=100),批处理大小设置为32 (batch_size=32),选择binary crossentropy二值交叉熵作为损失函数即目标函数(loss='binarycrossentropy'),梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer='adam')。神经网络通过梯度下降,可以找到使目标函数最小的最优权重值,神经网络通过训练会自主学习到权重值。用训练集进行训练,使得目标函数越小越好,并在每轮训练后用测试集来评价验证高危网元指令识别模型。随着训练回合数的增加,训练误差也逐渐下降,模型逐渐收敛,将收敛后的高危网元指令识别模型在测试集上进行测试,最后导出该高危网元指令识别模型的权重。
导出高危网元指令识别模型权重后,当需要在线识别操作指令时直接加载保存的高危网元指令识别模型权重。
通过将用于高危网元指令识别的装置与核心网各网元设备连接,实时检测当前运维人员所输入的网元操作指令是否为高危网元操作指令。首先系统对待识别网元操作指令进行预处理,包括对待识别操作指令进行文本补齐、文本清洗和文本序列化,过滤掉所有标点符号,统一字母大小写,将大写字母转换成小写字母,将文本分词并序列化文本,将指令中的每个单词转换为整数序列。
预处理完毕后将序列化的待识别网元操作指令输入至已训练完毕的高危网元指令识别模型中,输出用于指示所述待识别网元操作指令是否为高危网元操作指令的高危指令标记,若高危指令标记为1,则待识别网元操作指令识别为高危网元操作指令,提醒运维人员,以避免误操作,同时在该指令执行前进行多重审核授权,以避免人为破坏。
本示例提供的方法,通过将待识别网元操作指令输入至高危网元指令识别模型,输出高危指令标记,不再局限于网元设备类型,也无需依赖专家知识,即可实现实时的高危网元操作指令的识别,极大地提高了高危网元操作指令的识别效率和准确率,有效降低了误报率和漏报率,避免了由于人为误操作或人为破坏导致的高危网元操作指令处理不当的问题,保障了电信系统的安全运行。
示例二:
参考图3,高危网元指令识别模型包括嵌入层、长短时记忆层、池化层、第一丢弃层、第一全连接层、第二丢弃层和第二全连接层。
待识别网元操作指令经过预处理后,为编码序列长度为200的整数序列,待识别网元操作指令的形状为(None,200),例如:
待识别网元操作指令#1:[56,9,4,366,71,5,…,92,3]。
待识别网元操作指令#2:[137,11,1299,53,7,588,…,0,0]。
将待识别网元操作指令输入至嵌入层(embedding),将待识别网元操作指令的每一单词对应的整数转换为向量空间的128维度,因此嵌入层输出向量表示数组的形状为(None,200,128)。Embedding(max_features,embed_size), 其中max_features为待识别网元操作指令文本词典的大小,embed_size为转换后向量空间的维度。该层的作用是对待识别网元操作指令中的单词进行向量映射(word embeddings),将从Tokenizer输出的指令文本中的每个单词的整数序列转换为固定形状的向量128维,例如:
“execute”从[4]转换成为[0.296,0.7626,-0.9866,0.3776,0.3194, 0.8286,-0.1686,-1.4558,0.1965,0.3854,-0.3348,-0.6503,-0.2528,-0.11, -0.1545,0.5354,-0.4527,-0.0516,0.1312,0.0744,0.5001,0.2151,0.0688, 0.4347,0.261,-0.0371,0.1385,-1.518,0.0641,0.149,-0.0314,…,0.5038];
将向量表示数组输入至长短时记忆层,长短时记忆层中包含60个长短时记忆神经元,激活函数设置为“relu”,长短时记忆层输出的特征表示数组的形状为(None,200,60)。
将长短时记忆层输出的特征表示数组(3D数据)输入至池化层(GlobalMaxPool1D),将3D数据转换为2D数据。池化层主要用于在CNN 问题中减少图像数据的维度,该层输出的特征表示矩阵的形状为(None,60)。
将特征表示矩阵输入至第一丢弃层(dropout),此处舍弃概率设置为0.2,输出的第一正则矩阵的形状为(None,50)。
将第一正则矩阵输入至第一全连接层(Dense),第一全连接层包含50 个神经元,激活函数设置为“relu”,输出的第一全连接矩阵的形状为(None,50)。
将第一全连接矩阵输入至第二丢弃层(dropout),此处舍弃概率设置为 0.2,输出的第二正则矩阵的形状为(None,50)。
将第二正则矩阵输入至第二全连接层(Dense),第二全连接层包含1个 Dense神经元,激活函数设置为“sigmoid”,输出值为0或1,该层输出的高危指令标记的形状为(None,1)。将sigmoid输出结果,送入二值交叉熵损失函数。
基于上述任一方法实施例,图5为本发明实施例提供的高危网元操作指令识别装置的结构示意图,如图5所示,一种高危网元操作指令识别装置,包括获取单元501和识别单元502:
其中,获取单元501,用于获取待识别网元操作指令;
识别单元502,用于将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,高危指令标记用于指示待识别网元操作指令是否为高危网元操作指令;其中,高危网元指令识别模型是基于样本网元操作指令以及样本网元操作指令的样本高危指令标记进行训练后得到的。
基于上述任一实施例,识别单元502包括嵌入子单元、长短时记忆子单元和输出子单元;
其中嵌入子单元,用于将待识别网元操作指令输入至高危网元指令识别模型的嵌入层,输出向量表示数组;
长短时记忆子单元,用于将向量表示数组输入至高危网元指令识别模型的长短时记忆层,输出特征表示数组;
输出子单元,用于将特征表示数组输入至高危网元指令识别模型的输出层,输出待识别网元操作指令的高危指令标记。
基于上述任一实施例,输出子单元包括池化模块和特征分类模块;
其中池化模块,用于将特征表示数组输入至输出层的池化层,输出特征表示矩阵;
特征分类模块,用于将特征表示矩阵输入至输出层的特征分类层,输出高危指令标记。
基于上述任一实施例,特征分类模块,具体用于:
将特征表示矩阵输入至特征分类层的第一丢弃层,输出第一正则矩阵;
将第一正则矩阵输入至特征分类层的第一全连接层,输出第一全连接矩阵;
将第一全连接矩阵输入至特征分类层的第二丢弃层,输出第二正则矩阵;
将第二正则矩阵输入至特征分类层的第二全连接层,输出高危指令标记。
基于上述任一实施例,还包括:
预处理单元,用于对待识别网元操作指令进行预处理;预处理包括文本补齐、本文清洗和本文序列化中的至少一种。
基于上述任一实施例,还包括:
训练单元,用于基于样本网元操作指令以及样本网元操作指令的样本高危指令标记,通过Adam优化算法对高危网元指令识别模型进行训练,直至高危网元指令识别模型的训练次数大于等于预设次数和/或高危网元指令识别模型的损失函数小于等于预设损失值。
基于上述任一实施例,还包括:
告警单元,用于若高危指令标记指示待识别网元操作指令为高危网元操作指令,则发出告警信息。
图6为本发明实施例提供的电子设备的结构示意图,如图6所示,电子设备包括:处理器(processor)601、通信接口(Communications Interface) 602、存储器(memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行如下方法,例如包括:获取待识别网元操作指令;将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,高危指令标记用于指示待识别网元操作指令是否为高危网元操作指令;其中,高危网元指令识别模型是基于样本网元操作指令以及样本网元操作指令的样本高危指令标记进行训练后得到的。
本发明实施例公开一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待识别网元操作指令;将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,高危指令标记用于指示待识别网元操作指令是否为高危网元操作指令;其中,高危网元指令识别模型是基于样本网元操作指令以及样本网元操作指令的样本高危指令标记进行训练后得到的。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:获取待识别网元操作指令;将待识别网元操作指令输入至高危网元指令识别模型,输出待识别网元操作指令的高危指令标记,高危指令标记用于指示待识别网元操作指令是否为高危网元操作指令;其中,高危网元指令识别模型是基于样本网元操作指令以及样本网元操作指令的样本高危指令标记进行训练后得到的。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的通信设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (9)
1.一种高危网元操作指令识别方法,其特征在于,包括:
获取待识别网元操作指令;
将所述待识别网元操作指令输入至高危网元指令识别模型,输出所述待识别网元操作指令的高危指令标记,所述高危指令标记用于指示所述待识别网元操作指令是否为高危网元操作指令;
其中,所述高危网元指令识别模型是基于样本网元操作指令以及所述样本网元操作指令的样本高危指令标记进行训练后得到的;
所述将所述待识别网元操作指令输入至高危网元指令识别模型,输出所述待识别网元操作指令的高危指令标记,具体包括:
将所述待识别网元操作指令输入至所述高危网元指令识别模型的嵌入层,输出向量表示数组;
将所述向量表示数组输入至所述高危网元指令识别模型的长短时记忆层,输出特征表示数组;
将所述特征表示数组输入至所述高危网元指令识别模型的输出层,输出所述待识别网元操作指令的高危指令标记。
2.根据权利要求1所述的方法,其特征在于,所述将所述特征表示数组输入至所述高危网元指令识别模型的输出层,输出所述待识别网元操作指令的高危指令标记,具体包括:
将所述特征表示数组输入至所述输出层的池化层,输出特征表示矩阵;
将所述特征表示矩阵输入至所述输出层的特征分类层,输出所述高危指令标记。
3.根据权利要求2所述的方法,其特征在于,所述将所述特征表示矩阵输入至所述输出层的特征分类层,输出所述高危指令标记,具体包括:
将所述特征表示矩阵输入至所述特征分类层的第一丢弃层,输出第一正则矩阵;
将所述第一正则矩阵输入至所述特征分类层的第一全连接层,输出第一全连接矩阵;
将所述第一全连接矩阵输入至所述特征分类层的第二丢弃层,输出第二正则矩阵;
将所述第二正则矩阵输入至所述特征分类层的第二全连接层,输出所述高危指令标记。
4.根据权利要求1至3中任一权利要求所述的方法,其特征在于,所述将所述待识别网元操作指令输入至高危网元指令识别模型,输出所述待识别网元操作指令的高危指令标记,之前还包括:
对所述待识别网元操作指令进行预处理;所述预处理包括文本补齐、本文清洗和本文序列化中的至少一种。
5.根据权利要求1至3中任一权利要求所述的方法,其特征在于,所述将所述待识别网元操作指令输入至高危网元指令识别模型,输出所述待识别网元操作指令的高危指令标记,之前还包括:
基于所述样本网元操作指令以及所述样本网元操作指令的样本高危指令标记,通过Adam优化算法对所述高危网元指令识别模型进行训练,直至所述高危网元指令识别模型的训练次数大于等于预设次数和/或所述高危网元指令识别模型的损失函数小于等于预设损失值。
6.根据权利要求1至3中任一权利要求所述的方法,其特征在于,所述将所述待识别网元操作指令输入至高危网元指令识别模型,输出所述待识别网元操作指令的高危指令标记,之后还包括:
若所述高危指令标记指示所述待识别网元操作指令为高危网元操作指令,则发出告警信息。
7.一种高危网元操作指令识别装置,其特征在于,包括:
获取单元,用于获取待识别网元操作指令;
识别单元,用于将所述待识别网元操作指令输入至高危网元指令识别模型,输出所述待识别网元操作指令的高危指令标记,所述高危指令标记用于指示所述待识别网元操作指令是否为高危网元操作指令;
其中,所述高危网元指令识别模型是基于样本网元操作指令以及所述样本网元操作指令的样本高危指令标记进行训练后得到的;
所述识别单元包括:
嵌入子单元,用于将待识别网元操作指令输入至高危网元指令识别模型的嵌入层,输出向量表示数组;
长短时记忆子单元,用于将向量表示数组输入至高危网元指令识别模型的长短时记忆层,输出特征表示数组;
输出子单元,用于将特征表示数组输入至高危网元指令识别模型的输出层,输出待识别网元操作指令的高危指令标记。
8.一种电子设备,其特征在于,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器用于调用存储器中的逻辑指令,以执行如权利要求1至6任一所述的高危网元操作指令识别方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一所述的高危网元操作指令识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927166.6A CN110838925B (zh) | 2018-08-15 | 2018-08-15 | 一种高危网元操作指令识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927166.6A CN110838925B (zh) | 2018-08-15 | 2018-08-15 | 一种高危网元操作指令识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110838925A CN110838925A (zh) | 2020-02-25 |
CN110838925B true CN110838925B (zh) | 2022-05-31 |
Family
ID=69572928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810927166.6A Active CN110838925B (zh) | 2018-08-15 | 2018-08-15 | 一种高危网元操作指令识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838925B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277352B (zh) * | 2021-04-29 | 2023-09-19 | 中国移动通信集团辽宁有限公司 | 网元指令纠错方法、装置、电子设备及计算机存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101252441B (zh) * | 2008-02-20 | 2010-06-02 | 深圳市永达电子股份有限公司 | 基于可设定信息安全目标的获得性安全保障方法及系统 |
US9049135B2 (en) * | 2012-10-09 | 2015-06-02 | Ciena Corporation | Network spares audit optimization and maintenance systems and methods |
CN103516563A (zh) * | 2013-10-18 | 2014-01-15 | 北京奇虎科技有限公司 | 一种用于监控命令是否异常的设备和方法 |
CN107347016B (zh) * | 2016-05-06 | 2022-03-25 | 中兴通讯股份有限公司 | 一种信令流程模型识别方法及异常信令流程辨识方法 |
US10375143B2 (en) * | 2016-08-26 | 2019-08-06 | Cisco Technology, Inc. | Learning indicators of compromise with hierarchical models |
CN106357458B (zh) * | 2016-10-31 | 2019-08-06 | 中国联合网络通信集团有限公司 | 网元异常检测方法及装置 |
-
2018
- 2018-08-15 CN CN201810927166.6A patent/CN110838925B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110838925A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108737406B (zh) | 一种异常流量数据的检测方法及系统 | |
CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN110119447B (zh) | 自编码神经网络处理方法、装置、计算机设备及存储介质 | |
CN112131383A (zh) | 特定目标的情感极性分类方法 | |
WO2023016007A1 (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN110581834A (zh) | 一种通信能力开放异常检测方法和装置 | |
CN110019758B (zh) | 一种核心要素提取方法、装置及电子设备 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
CN110858812B (zh) | 网元割接值守方法及装置 | |
CN110113327A (zh) | 一种检测dga域名的方法及装置 | |
CN111709790B (zh) | 一种日前市场异常电价辨识方法、装置、设备和存储介质 | |
CN115454706A (zh) | 一种系统异常确定方法、装置、电子设备及存储介质 | |
CN115659244A (zh) | 故障预测方法、装置及存储介质 | |
CN110838925B (zh) | 一种高危网元操作指令识别方法和装置 | |
CN115455194A (zh) | 铁路故障的知识抽取分析方法及装置 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114612659A (zh) | 一种基于融合模态对比学习的电力设备分割方法及系统 | |
CN111241843A (zh) | 基于复合神经网络的语义关系推断系统和方法 | |
CN113435208A (zh) | 学生模型的训练方法、装置及电子设备 | |
CN116662307A (zh) | 一种基于多源数据融合的智能预警方法、系统及设备 | |
WO2014173271A1 (zh) | 数字化人机界面监视单元数量优化方法及系统 | |
CN115828161A (zh) | 一种基于循环神经网络的汽车故障类型预测方法及装置 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
WO2019118455A1 (en) | System and method for the detection and reporting of occupational safety incidents | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 |
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 |