CN111245631A - 网元操作结果审查方法及系统 - Google Patents
网元操作结果审查方法及系统 Download PDFInfo
- Publication number
- CN111245631A CN111245631A CN201811437414.5A CN201811437414A CN111245631A CN 111245631 A CN111245631 A CN 111245631A CN 201811437414 A CN201811437414 A CN 201811437414A CN 111245631 A CN111245631 A CN 111245631A
- Authority
- CN
- China
- Prior art keywords
- network element
- element operation
- operation result
- actual
- 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.)
- Granted
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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
-
- 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
- H04L43/16—Threshold monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明实施例提供了一种网元操作结果审查方法及系统,方法包括:获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。本发明实施例提供的一种网元操作结果审查方法及系统,实时根据运维人员输入的网元操作指令来预测对应的操作结果,然后将预期操作结果与实际操作结果进行一致性检查,从而有效对网元操作结果进行审查,最大程度的避免网元故障的发生。
Description
技术领域
本发明实施例涉及通信、人工智能技术领域,尤其涉及一种网元操作结果审查方法及系统。
背景技术
网元操作及割接是通信运维工作的重要部分。网元操作指令主要用于日常维护、工程割接、故障处理等场景,不同的网元操作指令会产生不同的网元操作结果,该网元操作结果可能会对现有业务造成影响,甚至中断。因此在网元设备维护过程中,对操作指令执行后的操作结果进行审查非常有必要。
现有技术中,审查网元操作结果是否正确、是否正常主要依靠专家经验来判断,或者通过人工核对真实操作结果和预期操作结果,来判断真实操作结果是否符合预期。
但人工审核的方式费时费力、还存在漏判和误判的风险,因此,现在亟需一种网元操作结果审查方法来解决上述问题。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种网元操作结果审查方法及系统。
第一方面本发明实施例提供一种网元操作结果审查方法,包括:
获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;
将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;
将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。
第二方面本发明实施例提供了一种网元操作结果审查系统,包括:
获取模块,用于获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;
预测模块,用于将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;
审查模块,用于将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。
第三方面本发明实施例提供了一种电子设备,包括:
处理器、存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的网元操作结果审查方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述的网元操作结果审查方法。
本发明实施例提供的一种网元操作结果审查方法及系统,实时根据运维人员输入的网元操作指令来预测对应的操作结果,然后将预期操作结果与实际操作结果进行一致性检查,从而有效对网元操作结果进行审查,最大程度的避免网元故障的发生。
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是本发明实施例提供的一种网元操作结果审查方法流程示意图;
图2是本发明实施例提供的注意力机制长短期记忆神经网络模型结构示意图;
图3是本发明实施例提供的预测网元操作结果示意图;
图4是本发明实施例提供的一种网元操作结果审查系统结构示意图;
图5是本发明实施例提供的电子设备的结构框图。
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。
现有技术中,对于网元操作结果的审核主要通过专家经验来进行判断。但操作结果审核的难点在于指令种类繁多,不同网元设备类型、不同设备厂家的操作结果不尽相同,因此人工审核的方式效率低下、准确率不高。
针对现有技术审核方法存在的问题,图1是本发明实施例提供的一种网元操作结果审查方法流程示意图,如图1所示,包括:
101、获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;
102、将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;
103、将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。
具体的,在步骤101中,可以理解的是,当操作人员进行网元操作时,本发明实施例能够获取到他所输入的网元操作指令,网元设备根据网元操作指令所反映得到的结果即该网元操作指令所对应的网元操作结果。在步骤101中,本发明实施例对于每一个获取的网元操作指令均可视为当前网元指令,而当前网元操作指令执行所得到的网元操作结果即本发明实施例中的实际网元操作结果。
进一步的,在步骤102中,本发明实施例为了提供网元操作结果的自动验证,预先训练好一个注意力机制长短期记忆神经网络,通过将当前网元操作指令输入到该注意力机制长短期记忆神经网络中,能够自动输出一个网元操作结果的预测数据,本发明实施例将该预测数据称为预测网元操作结果。需要说明的是,长短期记忆(LSTM,long short-termmemory)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。LSTM可以学习长期依赖信息,通过控制缓存中的值保存的时间,可以记住长期的信息,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。每个神经元有四个输入和一个输出,每个神经元内有一个Cell存放记忆的数值,每一个LSTM神经元中含有三个门控:遗忘门、输入门、输出门。LSTM主要包括编码器和解码器,编码器负责将输入的时间序列进行逐字编码,编码成一个固定长度的向量,即上下文向量(context vector),而解码器负责读取上下文向量,并按时间序列将其逐个解码,从而得到预测向量。但是传统的LSTM编解码结构问题在于当输入或输出序列较长时,性能会较差。为了解决该问题,本发明实施例在LSTM中融合了注意力机制,注意力(attention)机制解决了编码器结构的局限,首先它将从编码器获得的更加丰富的上下文提供给解码器,同时注意力提供这样一种学习机制,当预测每一个时步上输出的序列时,解码器可以学习在更加丰富的上下文中需要聚焦于何处。注意力机制使得模型可以按需要聚焦于输入序列中的相关部分,注意力网络会给每一个输入分配一个注意力权重,如果该输入与当前操作越相关则注意力权重越接近于1,反之则越接近于0,这些注意力权重在每一个输出步骤都会重新计算。在对上述注意力机制长短期记忆神经网络进行训练后,能够实施预测目的,输出理想状况的预测网元操作结果。
最后在步骤103中,本发明实施例将输出的预测网元操作结果和步骤101中获取的实际网元操作结果进行一致性比较,即判别两个网元操作结果之间的区分度,如果区分度过高则证明实际网元操作结果和理想状况下的网元操作结果有较大差异,很有可能出现了问题,故而审核不通过。
本发明实施例提供的一种网元操作结果审查方法,实时根据运维人员输入的网元操作指令来预测对应的操作结果,然后将预期操作结果与实际操作结果进行一致性检查,从而有效对网元操作结果进行审查,最大程度的避免网元故障的发生。
在上述实施例的基础上,在所述获取当前网元操作指令之前,所述方法还包括:
获取历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果;
将所述历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果作为训练样本集对预设的注意力机制长短期记忆神经网络进行训练。
由上述实施例的内容可知,本发明实施例提供了一个训练后的注意力机制长短期记忆神经网络来对网元操作结果进行预测。那么预测之前,本发明实施例需要获取训练样本,并根据训练样本对预设的注意力机制长短期记忆神经网络进行训练。
其中,训练样本本发明实施例会从核心网侧获取大量的历史网元操作指令以及历史网元操作指令对应的历史网元操作结果。可以理解的是,每个历史网元操作指令会对应一个历史网元操作结果。每个历史网元操作指令以及其对应的历史网元操作结果构成一个训练样本,所有训练样本组成一个训练样本集。再将训练样本集输入至注意力机制长短期记忆神经网络进行训练直至神经网络收敛,从而得到训练后的注意力机制长短期记忆神经网络。
训练过程主要是通过梯度下降,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模型。随着训练回合数的增加,训练误差也逐渐下降,神经网络模型逐渐收敛,将收敛后的模型在测试集上进行测试,最后导出该神经网络的权重。例如:将训练回合数设置为1000(epochs=1000),批处理大小设置为64(batch_size=64),选择categorical crossentropy多类交叉熵作为损失函数即目标函数(loss=′categorical_crossentropy′),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′)。
在上述实施例的基础上,在所述获取历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果之后,所述方法还包括:
对所述历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果进行文本清洗和文本序列化。
由上述实施例的内容可知,本发明实施例获取了历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果作为训练样本集对注意力机制长短期记忆神经网络进行训练。
在训练之前,本发明实施例需要对训练样本集进行预处理,使得训练过程更为快速和准确。预处理的工序包括文本清洗和文本序列化。文本清洗是指统一文本的所有内容,例如:本发明实施例会移除所有标点符号,统一字母大小写,将大写字母转换成小写字母,从而使得所有数据的格式均为小写字母的形式。文本序列化是指将文本格式转换为序列格式。具体的,每个输入和输出序列需要被编码为整数,并且未达到最大文本长度的序列自动补零。对输入序列使用词嵌入(word embedding),对输出序列使用独热编码(one hotencode),本发明实施例通过keras中的Tokenizer类(keras.preprocessing.text.Tokenizer)实现文本分词并序列化文本,将操作指令和操作结果文本中的每个单词映射为整数序列。例如:[“execute”:40,“error”:105,“info”:8,“update”:278,“on”:89,“agent”:164,“modify”:59,“the”:21,“interrupted”:303,“command”:231,...]。
在上述实施例的基础上,在所述获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果之后,所述方法还包括:
对所述当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果进行文本清洗和文本序列化。
由上述实施例的内容可知,在进行训练之前会对训练样本集中的训练样本进行数据预处理,从而加速训练过程并取得最好的训练效果。那么同样的,在实际进行预测时,为了取得更好的预测效果以及方便后续一致性检查的比对。本发明实施例会对当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果也进行数据预处理。和上述数据预处理的过程一致,同样包括文本清洗和文本序列化。
在上述实施例的基础上,所述注意力机制长短期记忆神经网络为5层层级结构,其中,第一层为输入层、第二层为嵌入层、第三层为长短期记忆LSTM编码层、第四层为注意力LSTM解码层以及第五层为输出层。
由上述实施例的内容可知,本发明实施例构建了一个注意力机制长短期记忆神经网络,图2是本发明实施例提供的注意力机制长短期记忆神经网络模型结构示意图,如图2所示,本发明实施例通过开源深度学习框架tensorflow和keras来搭建注意力机制长短期记忆神经网络,主要包括编码器和解码器两部分。其中具体的可以分为5层的层级结构。
分别是输入层:将输入经编码后的操作指令,每条指令的编码序列长度为command_length,因此该层输出数据的形状为(None,command_length)。
嵌入层(embedding):利用词嵌入(word embedding)将每个单词转化为向量,输入数据维度为command_vocab_size,输出设置为需要将单词转换为128维度的向量,输入序列长度为command_length,因此该层输出数据的形状为(None,command_length,128)。该层的作用是对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128维向量。
LSTM编码层:含128个LSTM神经元,激活函数设置为“relu”,该层输出数据的形状为(None,command_length,128)。
注意力LSTM解码层:含128个注意力机制LSTM神经元,激活函数设置为“relu”。该层输出数据的形状为(None,command_length,128)。
全连接(Dense)层(输出层):包含Dense神经元个数为outcome_vocab_size,激活函数设置为“softmax”,将softmax输出结果,送入多类交叉熵损失函数。该层输出数据的形状为(None,outcome_vocab_size)。将注意力解码层的输出形状转换成最终输出的维度。
如图2所示,以网元LSTP(诺基亚设备)为例,输入的操作指令为ZNBD::NP=1∶86182583,输出的预测网元输出结果如图3所示。
可以理解的是,本发明实施例提供的注意力机制长短期记忆神经网络与传统序列到序列模型的区别主要为:
1)编码器会传递更多的数据给解码器,相比传统模型中编码器只传递编码阶段的最后一个隐藏状态,而注意力机制模型中编码器传递所有的隐藏状态给解码器;
2)注意力解码器在输出序列之前会执行一个额外的步骤,为了将注意力集中在与解码器输出序列最相关的部分输入上,解码器将执行以下内容:查看从编码器收到的所有隐藏状态,每个编码器隐藏状态都是和输入语句中的某个词最相关的,给每个隐藏状态分配一个分数,将每个隐藏状态与其softmax后的分数相乘,因此扩大了拥有高分数的隐藏状态,并缩小了低分数的隐藏状态。这个打分的操作是在解码器侧的每一个时步都会执行。
那么通过本发明实施例提供的注意力机制长短期记忆神经网络,能够较好的完成预测任务,并输出准确的预测网元操作结果。
在上述实施例的基础上,所述将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查,包括:
若所述预测网元操作结果与所述实际网元操作结果一致,则判定所述实际网元操作结果审查通过。
由上述实施例的内容可知,在通过注意力机制长短期记忆神经网络输出预测网元操作结果后,会将预测网元操作结果和实际网元操作结果进行一致性检查,如果预测网元操作结果与所述实际网元操作结果一致,则判定所述实际网元操作结果审查通过。具体的,一致是指预测网元操作结果与所述实际网元操作结果的误差在预设阈值以内,预设阈值可根据实际情况进行设置,本发明实施例对此不作具体限定。
在上述实施例的基础上,所述将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查,包括:
若所述预测网元操作结果与所述实际网元操作结果不一致,则判定所述实际网元操作结果审查不通过,并生成相应的告警信息。
由上述实施例的内容可知,在通过注意力机制长短期记忆神经网络输出预测网元操作结果后,会将预测网元操作结果和实际网元操作结果进行一致性检查,如果预测网元操作结果与所述实际网元操作结果不一致,则判定所述实际网元操作结果审查不通过。具体的,不一致是指预测网元操作结果与所述实际网元操作结果的误差大于预设阈值,预设阈值可根据实际情况进行设置,本发明实施例对此不作具体限定。并且,当判定结果不一致后,需要生成相应的告警信息,并将该告警信息发送给运维人员,从而提示运维人员刚刚进行的网元操作结果有异常,需要及时进行排修。
图4是本发明实施例提供的一种网元操作结果审查系统结构示意图,如图4所示,包括:获取模块401、预测模块402以及审查模块403,其中:
获取模块401用于获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;
预测模块402用于将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;
审查模块403用于将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。
具体的如何通过获取模块401、预测模块402以及审查模块403对网元操作结果审查可用于执行图1所示的网元操作结果审查方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本发明实施例提供的一种网元操作结果审查系统,实时根据运维人员输入的网元操作指令来预测对应的操作结果,然后将预期操作结果与实际操作结果进行一致性检查,从而有效对网元操作结果进行审查,最大程度的避免网元故障的发生。
在上述实施例的基础上,所述系统还包括:
训练集获取模块,用于获取历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果;
训练模块,用于将所述历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果作为训练样本集对预设的注意力机制长短期记忆神经网络进行训练。
在上述实施例的基础上,所述系统还包括:
训练集预处理模块,用于对所述历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果进行文本清洗和文本序列化。
在上述实施例的基础上,所述系统还包括:
数据预处理模块,用于对所述当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果进行文本清洗和文本序列化。
在上述实施例的基础上,所述注意力机制长短期记忆神经网络为5层层级结构,其中,第一层为输入层、第二层为嵌入层、第三层为长短期记忆LSTM编码层、第四层为注意力LSTM解码层以及第五层为输出层。
在上述实施例的基础上,所述系统还包括:
审查通过模块,用于判断若所述预测网元操作结果与所述实际网元操作结果一致,则判定所述实际网元操作结果审查通过。
在上述实施例的基础上,所述系统还包括:
告警模块,用于判断若所述预测网元操作结果与所述实际网元操作结果不一致,则判定所述实际网元操作结果审查不通过,并生成相应的告警信息。
本发明实施例提供一种电子设备,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
图5是本发明实施例提供的电子设备的结构框图,参照图5,所述电子设备,包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和总线504,其中,处理器501,通信接口502,存储器503通过总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行如下方法:获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。
本发明实施例公开一种计算机程序产品,所述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,所述计算机程序包括程序指令,当所述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:获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。
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)执行每个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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各实施例技术方案的精神和范围。
Claims (10)
1.一种网元操作结果审查方法,其特征在于,包括:
获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;
将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;
将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。
2.根据权利要求1所述的方法,其特征在于,在所述获取当前网元操作指令之前,所述方法还包括:
获取历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果;
将所述历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果作为训练样本集对预设的注意力机制长短期记忆神经网络进行训练。
3.根据权利要求2所述的方法,其特征在于,在所述获取历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果之后,所述方法还包括:
对所述历史网元操作指令以及所述历史网元操作指令对应的历史网元操作结果进行文本清洗和文本序列化。
4.根据权利要求1所述的方法,其特征在于,在所述获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果之后,所述方法还包括:
对所述当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果进行文本清洗和文本序列化。
5.根据权利要求2所述的方法,其特征在于,所述注意力机制长短期记忆神经网络为5层层级结构,其中,第一层为输入层、第二层为嵌入层、第三层为长短期记忆LSTM编码层、第四层为注意力LSTM解码层以及第五层为输出层。
6.根据权利要求1所述的方法,其特征在于,所述将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查,包括:
若所述预测网元操作结果与所述实际网元操作结果一致,则判定所述实际网元操作结果审查通过。
7.根据权利要求1所述的方法,其特征在于,所述将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查,包括:
若所述预测网元操作结果与所述实际网元操作结果不一致,则判定所述实际网元操作结果审查不通过,并生成相应的告警信息。
8.一种网元操作结果审查系统,其特征在于,包括:
获取模块,用于获取当前网元操作指令以及所述当前网元操作指令对应的实际网元操作结果;
预测模块,用于将所述当前网元操作指令输入到训练后的注意力机制长短期记忆神经网络中,输出预测网元操作结果;
审查模块,用于将所述预测网元操作结果与所述实际网元操作结果进行一致性检查,以对所述实际网元操作结果进行审查。
9.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811437414.5A CN111245631B (zh) | 2018-11-28 | 2018-11-28 | 网元操作结果审查方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811437414.5A CN111245631B (zh) | 2018-11-28 | 2018-11-28 | 网元操作结果审查方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111245631A true CN111245631A (zh) | 2020-06-05 |
CN111245631B CN111245631B (zh) | 2022-08-23 |
Family
ID=70875742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811437414.5A Active CN111245631B (zh) | 2018-11-28 | 2018-11-28 | 网元操作结果审查方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111245631B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277352A (zh) * | 2021-04-29 | 2022-11-01 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1964279A (zh) * | 2006-09-25 | 2007-05-16 | 华为技术有限公司 | 一种对网元数据的处理方法 |
CN101068273A (zh) * | 2007-06-05 | 2007-11-07 | 中国移动通信集团公司 | 电信网管预警系统及方法 |
WO2008116405A1 (fr) * | 2007-03-27 | 2008-10-02 | Huawei Technologies Co., Ltd. | Procédé pour produire une demande de service et système de commande en ligne |
US20160378835A1 (en) * | 2015-06-25 | 2016-12-29 | Adp, Llc | Macrocosm monitor service platform |
CN106357458A (zh) * | 2016-10-31 | 2017-01-25 | 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 |
CN106685674A (zh) * | 2015-11-05 | 2017-05-17 | 华为技术有限公司 | 网络事件预测以及建立网络事件预测模型的方法和装置 |
CN107146003A (zh) * | 2017-04-20 | 2017-09-08 | 北京市天元网络技术股份有限公司 | 一单到底模型的建模方法及装置 |
-
2018
- 2018-11-28 CN CN201811437414.5A patent/CN111245631B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1964279A (zh) * | 2006-09-25 | 2007-05-16 | 华为技术有限公司 | 一种对网元数据的处理方法 |
WO2008116405A1 (fr) * | 2007-03-27 | 2008-10-02 | Huawei Technologies Co., Ltd. | Procédé pour produire une demande de service et système de commande en ligne |
CN101068273A (zh) * | 2007-06-05 | 2007-11-07 | 中国移动通信集团公司 | 电信网管预警系统及方法 |
US20160378835A1 (en) * | 2015-06-25 | 2016-12-29 | Adp, Llc | Macrocosm monitor service platform |
CN106685674A (zh) * | 2015-11-05 | 2017-05-17 | 华为技术有限公司 | 网络事件预测以及建立网络事件预测模型的方法和装置 |
CN106357458A (zh) * | 2016-10-31 | 2017-01-25 | 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 |
CN107146003A (zh) * | 2017-04-20 | 2017-09-08 | 北京市天元网络技术股份有限公司 | 一单到底模型的建模方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277352A (zh) * | 2021-04-29 | 2022-11-01 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111245631B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021139279A1 (zh) | 基于分类模型的数据处理方法、装置、电子设备及介质 | |
CN111435366A (zh) | 设备故障诊断方法、装置和电子设备 | |
CN109857865B (zh) | 一种文本分类方法及系统 | |
CN114490950B (zh) | 编码器模型的训练方法及存储介质、相似度预测方法及系统 | |
CN112560486A (zh) | 基于多层神经网络的电力实体识别方法、存储介质和设备 | |
CN112084769B (zh) | 依存句法模型优化方法、装置、设备及可读存储介质 | |
CN110942774A (zh) | 一种人机交互系统、其对话方法、介质和设备 | |
CN115640200A (zh) | 对话系统的评估方法、装置、电子设备及存储介质 | |
CN111245631B (zh) | 网元操作结果审查方法及系统 | |
CN112394973A (zh) | 一种基于伪孪生网络的多语言代码剽窃检测方法 | |
CN115757695A (zh) | 一种日志语言模型训练方法及系统 | |
CN117251559B (zh) | 基于自然语言大模型的工程标准规范获取方法及系统 | |
CN111241843A (zh) | 基于复合神经网络的语义关系推断系统和方法 | |
CN116821339A (zh) | 滥用语言检测方法、装置及存储介质 | |
CN117114707A (zh) | 出险反欺诈预测模型的训练方法、预测方法和装置 | |
CN115017015B (zh) | 一种边缘计算环境下程序异常行为检测方法及系统 | |
CN111666734B (zh) | 序列标注方法及装置 | |
CN115358233A (zh) | 语言命名实体识别方法、语言识别装置、电子设备及介质 | |
CN112685555B (zh) | 投诉工单质量检测方法及装置 | |
CN110838925B (zh) | 一种高危网元操作指令识别方法和装置 | |
CN114611485A (zh) | 结合文本分析和机器学习方法的智能车辆故障诊断方法 | |
CN117332090B (zh) | 一种敏感信息识别方法、装置、设备和存储介质 | |
CN112668345B (zh) | 语法缺陷数据识别模型构建方法和语法缺陷数据识别方法 | |
CN117173530B (zh) | 目标异常检测方法及装置 | |
CN116703075B (zh) | 电力调度决策方法、装置、电子设备及存储介质 |
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 |