CN111327449A - 一种网络异常的确定方法、装置、设备及介质 - Google Patents
一种网络异常的确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111327449A CN111327449A CN201811544646.0A CN201811544646A CN111327449A CN 111327449 A CN111327449 A CN 111327449A CN 201811544646 A CN201811544646 A CN 201811544646A CN 111327449 A CN111327449 A CN 111327449A
- Authority
- CN
- China
- Prior art keywords
- performance parameter
- target
- network
- determining
- target performance
- 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
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
-
- 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
Abstract
本发明公开了一种网络异常的确定方法、装置、设备及介质,用于提高确定网络异常的确定性,且无需专业人员制定和更新判定规则。所述网络异常的确定方法,包括:获取通信网络中任一网元节点的性能参数;基于预先预测的网络性能参数与置信区间的对应关系,确定所述性能参数对应的目标置信区间,所述预先预测的网络性能参数与置信区间的对应关系是基于预先获取的历史网络性能参数预测得到的;在确定所述性能参数超出所述目标置信区间时,确定所述通信网络异常。
Description
技术领域
本发明涉及通信领域,尤其涉及一种网络异常的确定方法、装置、设备及介质。
背景技术
从终端到业务平台内容源服务器要经过诸多环节,各个环节的异常都可能影响用户的感知,用户反映接不到电话、无法上网、网页打开缓慢、以及视频播放卡顿等问题,可能涉及到通信网络的各个环节,因此有必要对通信网络各环节进行监控和管理。
传统的网络监控管理,主要是通过将通信网络划分为多个专业,例如,核心网专业,无线网专业,传输专业等,各个专业下再划分子专业,对各个专业涉及的关键指标进行研究和分析,结合用户感知的体验需求,制定能够满足该体验的指标体系和规则。
通过制定的规则体系,对网络进行连续不间断的业务监控,当某关键指标超过固定门限后,即认为用户的体验感知处于不良状态,触发对相关设备的告警,并对设备进行检测和修复,当关键指标恢复到正常区间后,则认为用户的体验感知恢复良好状态。
传统的网络监控管理,主要是通过制定一系列预定义的规则来判别异常。例如,某节点的平均时延低于100毫秒(ms)即为正常,反之为异常;或者某节点的连接建立成功率高于95%为正常,反之为异常。
通过对各环节网元设置大量的预定义规则,可以实现对网络的有效监控。但是上述方法也存在一些不足:首先,网络的性能存在明显的时间差异性,例如,当某网元的预定义规则,定义时延超过100ms为异常,而在业务忙时时延可能会经常超过100ms,会导致误报业务忙时的网络异常,而如果因此放宽预定义的门限,则又不能有效检出非业务忙时的异常;其次,大量预定义规则的维护,需要耗费大量专业人员的时间,由于当前的通信系统已经涉及较多子专业且快速演进,鉴权,移动性管理,核心交换设备,无线基站等专业设备的某一个小的演进,都需要重新检查当前的预定义规则是否需要同步更新,而这种演进每周每月都会发生,确保预定义规则的合理性就变成了一项耗时巨大的工程;最后,对于一些成长类指标,例如网元用户数,业务量等,由于波动不固定于某一区间,难于预定义固定的门限规则来实现监控。
发明内容
本发明实施例提供一种网络异常的确定方法、装置、设备及介质,用以提高确定网络异常的准确性,且无需专业人员制定和更新判定规则。
第一方面,本发明实施例提供了一种网络异常的确定方法,包括:
获取通信网络中任一网元节点的性能参数;
基于预先预测的网络性能参数与置信区间的对应关系,确定性能参数对应的目标置信区间,预先预测的网络性能参数与置信区间的对应关系是基于预先获取的历史网络性能参数预测得到的;
在确定性能参数超出目标置信区间时,确定通信网络异常。
在一种可能的实施方式中,本发明实施例提供的上述方法中,预先预测的网络性能参数与置信区间的对应关系采用如下步骤建立:
获取通信网络中的历史网络性能参数;
针对网络性能参数中的任一目标性能参数,基于目标性能参数的历史值,确定目标性能参数的预测值;
根据预测值以及预先设置的置信水平,确定目标性能参数的置信区间;
建立目标性能参数与置信区间的对应关系。
在一种可能的实施方式中,本发明实施例提供的上述方法中,预先预测的网络性能参数与置信区间的对应关系采用如下步骤建立:
获取通信网络中的历史网络性能参数;
针对网络性能参数中的任一目标性能参数,基于目标性能参数的历史值,确定目标性能参数的预测值;
基于目标性能参数的历史值,确定目标性能参数的波动规律;
根据目标性能参数的预测值和目标性能参数的波动规律,确定目标性能参数的置信区间;
建立目标性能参数与置信区间的对应关系。
在一种可能的实施方式中,本发明实施例提供的上述方法中,获取通信网络中的历史网络性能参数,包括:
获取通信网络包括的多个预设场景的历史网络性能参数;
基于通信网络中各个预设场景的占比,确定各个预设场景的权重系数;
根据各个预设场景的权重系数以及各个预设场景下的历史网络性能参数,确定通信网络中的历史网络性能参数。
在一种可能的实施方式中,本发明实施例提供的上述方法中,基于目标性能参数的历史值,确定目标性能参数的预测值,包括:
根据预设时间间隔,将目标性能参数的历史值转化为样本时间序列;
对样本时间序列进行分析,从样本时间序列中分解出分量序列集,分量序列集包括以下分量序列中的一种或多种:快速周期时间序列、慢速周期时间序列、平稳时间序列、突发变量时间序列以及随机变量序列;
预测分量序列集中各个分量序列的预测值,并将分量序列集中各个分量序列的预测值线性合并,得到网络性能参数的预测值。
在一种可能的实施方式中,本发明实施例提供的上述方法中,基于目标性能参数的历史值,确定目标性能参数的波动规律,包括:
根据预设时间间隔,将目标性能参数的历史值转化为样本时间序列;
对样本时间序列进行数据平稳化处理,得到目标时间序列;
计算目标时间序列中数据与样本时间序列中数据之差的绝对值,得到目标时间序列与样本时间序列的差值绝对值序列;
将差值绝对值序列中的数据与目标时间序列的数据的比值,确定为目标性能参数的波动规律。
在一种可能的实施方式中,本发明实施例提供的上述方法中,根据目标性能参数的预测值和目标性能参数的波动规律,确定目标性能参数的置信区间,包括:
以目标性能参数的预测值为基础值,利用目标性能参数的波动规律,确定目标性能参数波动的上限值和波动的下限值;
基于目标性能参数波动的上限值和波动的下限值,生成目标性能参数的置信区间。
第二方面,本发明实施例还提供了一种网络异常的确定装置,包括:
获取单元,用于获取通信网络中任一网元节点的性能参数;
处理单元,用于基于预先预测的网络性能参数与置信区间的对应关系,确定性能参数对应的目标置信区间,预先预测的网络性能参数与置信区间的对应关系是基于预先获取的历史网络性能参数预测得到的;
确定单元,用于在确定性能参数超出目标置信区间时,确定通信网络异常。
在一种可能的实施方式中,本发明实施例提供的上述装置中,该装置还包括:第一训练单元,用于采用以下步骤建立网络性能参数与置信区间的对应关系:
获取通信网络中的历史网络性能参数;
针对网络性能参数中的任一目标性能参数,基于目标性能参数的历史值,确定目标性能参数的预测值;
根据预测值以及预先设置的置信水平,确定目标性能参数的置信区间;
建立目标性能参数与置信区间的对应关系。
在一种可能的实施方式中,本发明实施例提供的上述装置中,该装置还包括:第二训练单元,用于采用以下步骤建立网络性能参数与置信区间的对应关系:
获取通信网络中的历史网络性能参数;
针对网络性能参数中的任一目标性能参数,基于目标性能参数的历史值,确定目标性能参数的预测值;
基于目标性能参数的历史值,确定目标性能参数的波动规律;
根据目标性能参数的预测值和目标性能参数的波动规律,确定目标性能参数的置信区间;
建立目标性能参数与置信区间的对应关系。
在一种可能的实施方式中,本发明实施例提供的上述装置中,获取单元具体用于:
获取通信网络包括的多个预设场景的历史网络性能参数;
基于通信网络中各个预设场景的占比,确定各个预设场景的权重系数;
根据各个预设场景的权重系数以及各个预设场景下的历史网络性能参数,确定通信网络中的历史网络性能参数。
在一种可能的实施方式中,本发明实施例提供的上述装置中,处理单元具体用于:
根据预设时间间隔,将目标性能参数的历史值转化为样本时间序列;
对样本时间序列进行分析,从样本时间序列中分解出分量序列集,分量序列集包括以下分量序列中的一种或多种:快速周期时间序列、慢速周期时间序列、平稳时间序列、突发变量时间序列以及随机变量序列;
预测分量序列集中各个分量序列的预测值,并将分量序列集中各个分量序列的预测值线性合并,得到网络性能参数的预测值。
在一种可能的实施方式中,本发明实施例提供的上述装置中,处理单元具体用于:
根据预设时间间隔,将目标性能参数的历史值转化为样本时间序列;
对样本时间序列进行数据平稳化处理,得到目标时间序列;
计算目标时间序列中数据与样本时间序列中数据之差的绝对值,得到目标时间序列与样本时间序列的差值绝对值序列;
将差值绝对值序列中的数据与目标时间序列的数据的比值,确定为目标性能参数的波动规律。
在一种可能的实施方式中,本发明实施例提供的上述装置中,处理单元具体用于:
以目标性能参数的预测值为基础值,利用目标性能参数的波动规律,确定目标性能参数波动的上限值和波动的下限值;
基于目标性能参数波动的上限值和波动的下限值,生成目标性能参数的置信区间。
第三方面,本发明实施例还提供了一种网络异常的确定设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现本发明实施例第一方面提供的网络异常的确定方法。
第四方面,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现本发明实施例第一方面提供的网络异常的确定方法。
本发明实施例的有益效果如下:
本发明实施例提供的网络异常的确定方案,获取通信网络中任一网元节点的性能参数;基于预先预测的网络性能参数与置信区间的对应关系,确定性能参数对应的目标置信区间,预先预测的网络性能参数与置信区间的对应关系是基于预先获取的历史网络性能参数预测得到的;在确定性能参数超出目标置信区间时,确定通信网络异常。
本发明实施例提供的网络异常的确定方案,基于预先获取的历史网络性能参数预测网络性能参数与置信区间的对应关系,在获取通信网络中任一网元节点的性能参数之后,将性能参数与其对应的置信区间进行比较,在确定性能参数超出目标置信区间时,确定通信网络异常,与现有技术中需要对各环节网元设置大量的预定义规则相比,无需专业人员制定和更新判定规则,且根据预先获取的历史网络性能参数预测网络性能参数与置信区间的对应关系,能够兼顾网元指标的时间特性和成长特性,提高确定网络异常的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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一种网络异常的确定方法的示意流程图;
图2为本发明实施例提供的一种网络性能参数与置信区间的对应关系建立的流程示意图;
图2a为本发明实施例提供的获取的历史网络性能参数的示意图;
图2b为本发明实施例提供的快速周期时间序列的示意图;
图2c为本发明实施例提供的慢速周期时间序列的示意图;
图2d为本发明实施例提供的平稳时间序列的示意图;
图2e为本发明实施例提供的突发变量时间序列的示意图;
图2f为本发明实施例提供的随机变量序列的示意图;
图2g为本发明实施例提供的快速周期时间预测序列的示意图;
图2h为本发明实施例提供的慢速周期时间预测序列的示意图;
图2i为本发明实施例提供的平稳时间预测序列的示意图;
图2j为本发明实施例提供的突发变量时间预测序列的示意图;
图2k为本发明实施例提供的网络性能参数预测序列的示意图;
图3为本发明实施例提供的另一网络性能参数与置信区间的对应关系建立的流程示意图;
图4为本发明实施例提供的一种网络异常的确定装置的结构示意图;
图5为本发明实施例提供的一种网络异常的确定设备的结构示意图。
具体实施方式
以下结合附图对本申请的实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本申请,并不用于限定本申请。
下面结合说明说附图,对本发明实施例提供的网络异常的确定方法、装置、设备及介质的具体实施方式进行说明。
如图1所示,本发明实施例提供的一种网络异常的确定方法,可以包括如下步骤:
步骤101、获取通信网络中任一网元节点的性能参数。
具体实施时,获取通信网络中任一网元节点的性能参数时,可以通过向网元节点发送请求,请求网元节点上报的方式,也可以直接从网元节点周期性上报的数据中获取,本发明实施例对此不做限定。
需要说明的是,获取通信网络中任一网元节点的性能参数时,可以实时获取,也可以周期性获取,本发明实施例对此不做限定。
步骤102、基于预先预测的网络性能参数与置信区间的对应关系,确定性能参数对应的目标置信区间,预先预测的网络性能参数与置信区间的对应关系是基于预先获取的历史网络性能参数预测得到的。
其中,网络性能参数与置信区间的对应关系中可以存储多个性能参数与置信区间对应关系。
具体实施时,基于预先预测的网络性能参数与置信区间的对应关系,确定性能参数对应的目标置信区间时,在预先预测的网络性能参数与置信区间的对应关系中,查找性能参数对应的目标置信区间。
在一个示例中,假设预先预测的网络性能参数与置信区间的对应关系中,性能参数A对应的置信区间为区间a,性能参数B对应的置信区间为区间b,性能参数C对应的置信区间为区间c,性能参数D对应的置信区间为区间d。若步骤101中获取的性能参数为性能参数C,则根据预先预测的网络性能参数与置信区间的对应关系,可以查找确定性能参数C对应的目标置信区间为置信区间c。
具体实施时,预先预测的网络性能参数与置信区间的对应关系可通过以下两种方式建立,下面结合图2和图3分别进行说明。
如图2所示,本发明实施例提供的一种网络性能参数与置信区间的对应关系,可以采用以下步骤建立:
步骤201、获取通信网络中的历史网络性能参数。
具体实施时,获取通信网络中的历史网络性能参数时,首先获取通信网络包括的多个预设场景的历史网络性能参数,然后基于通信网络中各个预设场景的占比,确定各个预设场景的权重系数,最后根据各个预设场景的权重系数以及各个预设场景下的历史网络性能参数,确定通信网络中的历史网络性能参数。其中,预设场景包括但不限于:别墅区、城中村、城区道路、高校、以及工业园区等。
需要说明的是,通信网络中各个预设场景的占比,需要根据实际情况预先进行确定,本发明实施例对此不做限定。
步骤202、针对网络性能参数中的任一目标性能参数,基于目标性能参数的历史值,确定目标性能参数的预测值。
需要说明的是,网络性能参数可以包括多个性能参数,性能参数的具体数量和类型可以根据通信网络的实际情况设置,本发明实施例对此不做限定。
具体实施时,基于目标性能参数的历史值,确定目标性能参数的预测值时,首先,依据预设时间间隔,将目标性能参数转换为样本时间序列,对样本时间序列进行分析,从样本时间序列中分解出分量序列集,然后预测分量序列集中各个分量序列的预测值,将分量序列集中各个分量序列的预测值线性合并,得到目标性能参数的预测值。
其中,分量序列集包括以下分量序列中的一种或多种:快速周期时间序列、慢速周期时间序列、平稳时间序列、突发变量时间序列以及随机变量序列。
需要说明的是,预设时间间隔可以根据实际需求进行设定,例如:预设时间间隔可以设置为15分钟,也可以是设置为其它时长,本发明实施例对此不做限定。
具体实施时,对样本时间序列进行分析,从样本时间序列中分解出分量序列集时,通过多周期叠加平均的方法,从样本时间序列中得到快速周期时间序列以及慢速周期时间序列;提取样本时间序列中的预设量化值,得到平稳时间序列;从样本时间序列中提取出因节假日等原因造成的数据变化量,作为突发变量时间序列;将快速周期时间序列、慢速周期时间序列、平稳时间序列以及突发变量时间序列中同一时刻的数值进行叠加,得到叠加时间序列,将叠加时间序列与样本时间序列中同一时刻的数值进行比较,得到随机变量序列。
需要说明的是,平稳时间序列、突发变量时间序列以及随机变量序列的周期可以与样本时间序列的周期相同,快速周期时间序列与慢速周期时间序列的周期可根据实际需求进行设定,例如,快速周期时间序列的周期可以设置为7天,慢速周期时间序列的周期可以设置为1天,当然,快速周期时间序列与慢速周期时间序列的周期也可以设置为其它时长,本发明实施例对此不做限定。
其中,预设量化值可以是最大值、最小值、平均值以及斜率等可以表征样本时间序列变化趋势的数值,也可以取其它值,本发明实施例对此不做限定。
在获得分量序列集之后,可以利用自回归积分滑动平均模型(AutorgressiveIntegrated Moving Average Model,ARIMA)对各个分量序列进行预测,得到各个分量序列的预测序列,并将预测序列中同一时刻的预测值进行合并,得到目标性能参数的预测值。
在一种可能的实施方式中,利用ARIMA模型对除随机变量序列外的分量序列进行预测,得到分量序列的预测序列,将预测序列与随机变量序列中同一时刻的数值进行合并,得到目标性能参数的预测值。
为了直观的观测目标序列性能参数的预测值的变化趋势以及方便查找目标性能参数的预测值,在得到目标性能参数的预测值之后,根据预设时间间隔,将各个时刻的目标性能参数的预测值转化为目标性能参数的预测序列。
需要说明的是,预设时间间隔可以根据实际需求进行设置,例如,预设时间间隔可以设置为15分钟,也可以设置为其它时长,本发明实施例对此不做限定。
步骤203、根据预测值以及预先设置的置信水平,确定目标性能参数的置信区间。
需要说明的是,预先设置的置信水平可以根据操作人员的经验或实际情况进行设置,例如:置信水平可以是设置为98%,本发明实施例对此不做限定。
具体实施时,以目标性能参数的预测值为基础值,利用预先设置的置信水平,确定目标性能参数的上限值和下限值,基于目标性能参数的上限值与下限值,生成目标性能参数的置信区间。
步骤204、建立目标性能参数与置信区间的对应关系。
具体实施时,将目标性能参数与目标性能参数的置信区间相关联,得到目标性能参数与置信区间的对应关系。
下面结合实例,对本发明实施例提供的目标性能参数与置信区间的对应关系的具体步骤进行详细说明。
例如,在对某城区目标性能参数进行预测时,首先获取2018年4月27日到2018年6月20日的目标性能参数的历史值作为样本数据,依据获取的目标性能参数历史值预测未来一周目标性能参数的预测值。
如图2a所示,首先将获取的目标性能参数历史值依据15分钟的时间间隔,转化为样本时间序列。
通过多周期叠加平均的方法,得到快速周期时间序列,如图2b所示,慢速周期时间序列,如图2c所示;提取样本时间序列中的最大值,得到平稳时间序列,如图2d所示;从样本时间序列中提取因节假日等原因造成的数据变化值,作为突发变量时间序列,如图2e所示;将快速周期时间序列、慢速周期时间序列、平稳时间序列以及突发变量时间序列的同一时刻的是指进行叠加,得到叠加时间序列,将叠加时间序列与样本时间序列中同一时刻的数值进行比较,得到两个数值的差值,将差值依据预设时间间隔转化为随机变量序列,如图2f所示。
对于得到的分量序列,利用自回归积分滑动平均模型,对快速周期时间序列、慢速周期时间序列、平稳时间序列以及突发变量时间序列进行预测,得到快速周期时间预测序列图2g、慢速周期时间预测序列图2h、平稳时间预测序列图2i以及突发变量时间预测序列图2j。
将快速周期时间预测序列、慢速周期时间序列、平稳时间预测序列、突发变量时间预测序列以及随机变量序列中同一时刻的数值进行叠加,得到目标性能参数的预测值,如图2k所示。
如图3所示,本发明实施例提供的另一网络性能参数与置信区间的对应关系,可以采用以下步骤建立:
步骤301、获取通信网络中的历史网络性能参数。
具体实施时,获取通信网络中的历史网络性能参数时,首先获取通信网络包括的多个预设场景的历史网络性能参数,然后基于通信网络中各个预设场景的占比,确定各个预设场景的权重系数,最后根据各个预设场景的权重系数以及各个预设场景下的历史网络性能参数,确定通信网络中的历史网络性能参数。其中,预设场景包括但不限于:别墅区、城中村、城区道路、高校、以及工业园区等。
需要说明的是,通信网络中各个预设场景的占比,需要根据实际情况预先进行确定,本发明实施例对此不做限定。
步骤302、针对网络性能参数中的任一目标性能参数,基于目标性能参数的历史值,确定目标性能参数的预测值。
需要说明的是,网络性能参数可以包括多个性能参数,性能参数的具体数量和类型可以根据通信网络的实际情况设置,本发明实施例对此不做限定。
具体实施时,基于目标性能参数的历史值,确定目标性能参数的预测值时,首先,依据预设时间间隔,将目标性能参数转换为样本时间序列,对样本时间序列进行分析,从样本时间序列中分解出分量序列集,然后预测分量序列集中各个分量序列的预测值,将分量序列集中各个分量序列的预测值线性合并,得到目标性能参数的预测值。
其中,分量序列集包括以下分量序列中的一种或多种:快速周期时间序列、慢速周期时间序列、平稳时间序列、突发变量时间序列以及随机变量序列。
需要说明的是,预设时间间隔可以根据实际需求进行设定,例如:预设时间间隔可以设置为15分钟,也可以是设置为其它时长,本发明实施例对此不做限定。
具体实施时,对样本时间序列进行分析,从样本时间序列中分解出分量序列集时,通过多周期叠加平均的方法,从样本时间序列中得到快速周期时间序列以及慢速周期时间序列;提取样本时间序列中的预设量化值,得到平稳时间序列;从样本时间序列中提取出因节假日等原因造成的数据变化量,作为突发变量时间序列;将快速周期时间序列、慢速周期时间序列、平稳时间序列以及突发变量时间序列中同一时刻的数值进行叠加,得到叠加时间序列,将叠加时间序列与样本时间序列中同一时刻的数值进行比较,得到随机变量序列。
需要说明的是,平稳时间序列、突发变量时间序列以及随机变量序列的周期可以与样本时间序列的周期相同,快速周期时间序列与慢速周期时间序列的周期可根据实际需求进行设定,例如,快速周期时间序列的周期可以设置为7天,慢速周期时间序列的周期可以设置为1天,当然,快速周期时间序列与慢速周期时间序列的周期也可以设置为其它时长,本发明实施例对此不做限定。
其中,预设量化值可以是最大值、最小值、平均值以及斜率等可以表征样本时间序列变化趋势的数值,也可以取其它值,本发明实施例对此不做限定。
在获得分量序列集之后,需要利用ARIMA对各个分量序列进行预测,得到各个分量序列的预测序列,并将预测序列中同一时刻的预测值进行合并,得到目标性能参数的预测值。
在一种可能的实施方式中,利用ARIMA模型对除随机变量序列外的分量序列进行预测,得到分量序列的预测序列,将预测序列与随机变量序列中同一时刻的数值进行合并,得到目标性能参数的预测值。
为了直观的观测目标序列性能参数的预测值的变化趋势以及方便查找目标性能参数的预测值,在得到目标性能参数的预测值之后,根据预设时间间隔,将各个时刻的目标性能参数的预测值转化为目标性能参数的预测序列。
需要说明的是,预设时间间隔可以根据实际需求进行设置,例如,预设时间间隔可以设置为15分钟,也可以设置为其它时长,本发明实施例对此不做限定。
步骤303、基于目标性能参数的历史值,确定目标性能参数的波动规律。
具体实施时,基于目标性能参数的历史值,确定目标性能参数的波动规律时,根据预设时间间隔,将目标性能参数的历史值转化为样本时间序列,对样本时间序列进行数据平稳化处理,得到目标时间序列,计算目标时间序列中数据与样本时间序列中数据之差的绝对值,得到目标时间序列与样本时间序列的差值绝对值序列,将差值绝对值序列中的数据与目标时间序列的数据的比值,确定为目标性能参数的波动规律。
在一示例中,计算样本时间序列的平均值,将计算后的样本时间序列确定为目标时间序列。
需要说明的是,计算目标时间序列中数据与样本时间序列中数据之差的绝对值时,将目标时间序列与样本时间序列中同一时刻的数值进行作差并计算绝对值,得到两个数据差值的绝对值,并根据预设时间间隔,将差值的绝对值转化为差值绝对值序列。
其中,将差值绝对值序列中的数据与目标时间序列的数据的比值时,将差值绝对值序列与目标时间序列中同一时刻的数值相除,得到目标性能参数的波动规律。
步骤304、根据目标性能参数的预测值和目标性能参数的波动规律,确定目标性能参数的置信区间。
具体实施时,以目标性能参数的预测值为基础值,利用目标性能参数的波动规律,确定目标性能参数波动的上限值和波动的下限值,再基于目标性能参数波动的上限值和波动的下限值,生成目标性能参数的置信区间。
步骤305、建立目标性能参数与置信区间的对应关系。
具体实施时,将目标性能参数与目标性能参数的置信区间相关联,得到目标性能参数与置信区间的对应关系。
步骤103、在确定性能参数超出目标置信区间时,确定通信网络异常。
基于相同的发明构思,本发明实施例还提供一种网络异常的确定装置。
如图4所示,本发明实施例提供的网络异常的确定装置,包括:
获取单元401,用于获取通信网络中任一网元节点的性能参数;
处理单元402,用于基于预先预测的网络性能参数与置信区间的对应关系,确定性能参数对应的目标置信区间,预先预测的网络性能参数与置信区间的对应关系是基于预先获取的历史网络性能参数预测得到的;
确定单元403,用于在确定性能参数超出目标置信区间时,确定通信网络异常。
在一种可能的实施方式中,本发明实施例提供的上述装置中,该装置还包括:第一训练单元404,用于采用以下步骤建立网络性能参数与置信区间的对应关系:
获取通信网络中的历史网络性能参数;针对网络性能参数中的任一目标性能参数,基于目标性能参数的历史值,确定目标性能参数的预测值;
根据预测值以及预先设置的置信水平,确定目标性能参数的置信区间;
建立目标性能参数与置信区间的对应关系。
在一种可能的实施方式中,本发明实施例提供的上述装置中,该装置还包括:第二训练单元405,用于采用以下步骤建立网络性能参数与置信区间的对应关系:
获取通信网络中的历史网络性能参数;
针对网络性能参数中的任一目标性能参数,基于目标性能参数的历史值,确定目标性能参数的预测值;
基于目标性能参数的历史值,确定目标性能参数的波动规律;根据目标性能参数的预测值和目标性能参数的波动规律,确定目标性能参数的置信区间;
建立目标性能参数与置信区间的对应关系。
在一种可能的实施方式中,本发明实施例提供的上述装置中,获取单元401具体用于:
获取通信网络包括的多个预设场景的历史网络性能参数;
基于通信网络中各个预设场景的占比,确定各个预设场景的权重系数;
根据各个预设场景的权重系数以及各个预设场景下的历史网络性能参数,确定通信网络中的历史网络性能参数。
在一种可能的实施方式中,本发明实施例提供的上述装置中,处理单元402具体用于:
根据预设时间间隔,将目标性能参数的历史值转化为样本时间序列;
对样本时间序列进行分析,从样本时间序列中分解出分量序列集,分量序列集包括以下分量序列中的一种或多种:快速周期时间序列、慢速周期时间序列、平稳时间序列、突发变量时间序列以及随机变量序列;
预测分量序列集中各个分量序列的预测值,并将分量序列集中各个分量序列的预测值线性合并,得到网络性能参数的预测值。
在一种可能的实施方式中,本发明实施例提供的上述装置中,处理单元402具体用于:
根据预设时间间隔,将目标性能参数的历史值转化为样本时间序列;
对样本时间序列进行数据平稳化处理,得到目标时间序列;
计算目标时间序列中数据与样本时间序列中数据之差的绝对值,得到目标时间序列与样本时间序列的差值绝对值序列;
将差值绝对值序列中的数据与目标时间序列的数据的比值,确定为目标性能参数的波动规律。
在一种可能的实施方式中,本发明实施例提供的上述装置中,处理单元402具体用于:
以目标性能参数的预测值为基础值,利用目标性能参数的波动规律,确定目标性能参数波动的上限值和波动的下限值;
基于目标性能参数波动的上限值和波动的下限值,生成目标性能参数的置信区间。
另外,结合图1-图4描述的本发明实施例的网络异常的确定方法和装置可以由网络异常的确定设备来实现。图5示出了本发明实施例提供的网络异常的确定设备的硬件结构示意图。
网络异常的确定设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器502可在数据处理装置的内部或外部。在特定实施例中,存储器502是非易失性固态存储器。在特定实施例中,存储器502包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现上述实施例中的任意一种网络异常的确定方法。
在一个示例中,网络异常的确定设备还可包括通信接口503和总线510其中,如图5所示,处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者,将网络异常的确定设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线510可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
网络异常的确定设备可以基于获取的性能参数,执行本发明实施例中的网络异常的确定方法,从而实现结合图1-图4描述的网络异常的确定方法和装置。
另外,结合上述实施例中的网络异常的确定方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种网络异常的确定方法。
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和光学存储器等)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。
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 (10)
1.一种网络异常的确定方法,其特征在于,包括:
获取通信网络中任一网元节点的性能参数;
基于预先预测的网络性能参数与置信区间的对应关系,确定所述性能参数对应的目标置信区间,所述预先预测的网络性能参数与置信区间的对应关系是基于预先获取的历史网络性能参数预测得到的;
在确定所述性能参数超出所述目标置信区间时,确定所述通信网络异常。
2.根据权利要求1所述的方法,其特征在于,所述预先预测的网络性能参数与置信区间的对应关系采用如下步骤建立:
获取所述通信网络中的历史网络性能参数;
针对所述网络性能参数中的任一目标性能参数,基于所述目标性能参数的历史值,确定所述目标性能参数的预测值;
根据所述预测值以及预先设置的置信水平,确定所述目标性能参数的置信区间;
建立所述目标性能参数与所述置信区间的对应关系。
3.根据权利要求1所述的方法,其特征在于,所述预先预测的网络性能参数与置信区间的对应关系采用如下步骤建立:
获取所述通信网络中的历史网络性能参数;
针对所述网络性能参数中的任一目标性能参数,基于所述目标性能参数的历史值,确定所述目标性能参数的预测值;
基于所述目标性能参数的历史值,确定所述目标性能参数的波动规律;
根据所述目标性能参数的预测值和所述目标性能参数的波动规律,确定所述目标性能参数的置信区间;
建立所述目标性能参数与所述置信区间的对应关系。
4.根据权利要求2或3所述的方法,其特征在于,所述获取所述通信网络中的历史网络性能参数,包括:
获取所述通信网络包括的多个预设场景的历史网络性能参数;
基于所述通信网络中各个预设场景的占比,确定各个预设场景的权重系数;
根据各个预设场景的权重系数以及各个预设场景下的历史网络性能参数,确定所述通信网络中的历史网络性能参数。
5.根据权利要求2或3所述的方法,其特征在于,所述基于所述目标性能参数的历史值,确定所述目标性能参数的预测值,包括:
根据预设时间间隔,将所述目标性能参数的历史值转化为样本时间序列;
对所述样本时间序列进行分析,从所述样本时间序列中分解出分量序列集,所述分量序列集包括以下分量序列中的一种或多种:快速周期时间序列、慢速周期时间序列、平稳时间序列、突发变量时间序列以及随机变量序列;
预测所述分量序列集中各个分量序列的预测值,并将所述分量序列集中各个分量序列的预测值线性合并,得到所述网络性能参数的预测值。
6.根据权利要求3所述的方法,其特征在于,所述基于所述目标性能参数的历史值,确定所述目标性能参数的波动规律,包括:
根据预设时间间隔,将所述目标性能参数的历史值转化为样本时间序列;
对所述样本时间序列进行数据平稳化处理,得到目标时间序列;
计算所述目标时间序列中数据与样本时间序列中数据之差的绝对值,得到所述目标时间序列与所述样本时间序列的差值绝对值序列;
将所述差值绝对值序列中的数据与所述目标时间序列的数据的比值,确定为所述目标性能参数的波动规律。
7.根据权利要求3所述的方法,其特征在于,所述根据所述目标性能参数的预测值和所述目标性能参数的波动规律,确定所述目标性能参数的置信区间,包括:
以所述目标性能参数的预测值为基础值,利用所述目标性能参数的波动规律,确定所述目标性能参数波动的上限值和波动的下限值;
基于所述目标性能参数波动的上限值和波动的下限值,生成所述目标性能参数的置信区间。
8.一种网络异常的确定装置,其特征在于,包括:
获取单元,用于获取通信网络中任一网元节点的性能参数;
处理单元,用于基于预先预测的网络性能参数与置信区间的对应关系,确定所述性能参数对应的目标置信区间,所述预先预测的网络性能参数与置信区间的对应关系是基于预先获取的历史网络性能参数预测得到的;
确定单元,用于在确定所述性能参数超出所述目标置信区间时,确定所述通信网络异常。
9.一种网络异常的确定设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811544646.0A CN111327449A (zh) | 2018-12-17 | 2018-12-17 | 一种网络异常的确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811544646.0A CN111327449A (zh) | 2018-12-17 | 2018-12-17 | 一种网络异常的确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111327449A true CN111327449A (zh) | 2020-06-23 |
Family
ID=71170843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811544646.0A Pending CN111327449A (zh) | 2018-12-17 | 2018-12-17 | 一种网络异常的确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111327449A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726758A (zh) * | 2022-06-01 | 2022-07-08 | 山东云天安全技术有限公司 | 工业网络异常确定方法、装置、计算机设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1681800A1 (fr) * | 2005-01-17 | 2006-07-19 | Bouygues Telecom | Procédé de détection d'événements dans un réseau de télécommunications |
US20090106839A1 (en) * | 2007-10-23 | 2009-04-23 | Myeong-Seok Cha | Method for detecting network attack based on time series model using the trend filtering |
CN101651568A (zh) * | 2009-07-01 | 2010-02-17 | 青岛农业大学 | 一种网络流量预测和异常检测方法 |
CN101771758A (zh) * | 2008-12-31 | 2010-07-07 | 北京亿阳信通软件研究院有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
CN102111307A (zh) * | 2009-12-29 | 2011-06-29 | 亿阳信通股份有限公司 | 网络风险监控方法和装置 |
CN104010320A (zh) * | 2011-04-21 | 2014-08-27 | 中国移动通信集团湖南有限公司 | 确定无线网络覆盖率的方法及设备 |
CN104901823A (zh) * | 2014-03-04 | 2015-09-09 | 中国移动通信集团北京有限公司 | 一种告警阈值生成方法、业务性能指标监控方法及装置 |
CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
CN106598822A (zh) * | 2015-10-15 | 2017-04-26 | 华为技术有限公司 | 一种用于容量评估的异常数据检测方法及装置 |
US20180220314A1 (en) * | 2017-01-31 | 2018-08-02 | ARRIS Enterprises, LLC | Anomaly Detection Based on Performance Indicators |
-
2018
- 2018-12-17 CN CN201811544646.0A patent/CN111327449A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1681800A1 (fr) * | 2005-01-17 | 2006-07-19 | Bouygues Telecom | Procédé de détection d'événements dans un réseau de télécommunications |
US20090106839A1 (en) * | 2007-10-23 | 2009-04-23 | Myeong-Seok Cha | Method for detecting network attack based on time series model using the trend filtering |
CN101771758A (zh) * | 2008-12-31 | 2010-07-07 | 北京亿阳信通软件研究院有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
CN101651568A (zh) * | 2009-07-01 | 2010-02-17 | 青岛农业大学 | 一种网络流量预测和异常检测方法 |
CN102111307A (zh) * | 2009-12-29 | 2011-06-29 | 亿阳信通股份有限公司 | 网络风险监控方法和装置 |
CN104010320A (zh) * | 2011-04-21 | 2014-08-27 | 中国移动通信集团湖南有限公司 | 确定无线网络覆盖率的方法及设备 |
CN104901823A (zh) * | 2014-03-04 | 2015-09-09 | 中国移动通信集团北京有限公司 | 一种告警阈值生成方法、业务性能指标监控方法及装置 |
CN106598822A (zh) * | 2015-10-15 | 2017-04-26 | 华为技术有限公司 | 一种用于容量评估的异常数据检测方法及装置 |
CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
US20180220314A1 (en) * | 2017-01-31 | 2018-08-02 | ARRIS Enterprises, LLC | Anomaly Detection Based on Performance Indicators |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726758A (zh) * | 2022-06-01 | 2022-07-08 | 山东云天安全技术有限公司 | 工业网络异常确定方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107333232B (zh) | 一种终端定位方法及网络设备 | |
CN101442762B (zh) | 网络性能分析以及网络故障定位方法和装置 | |
CN107888397B (zh) | 确定故障类型的方法和装置 | |
CN106685750B (zh) | 系统异常检测方法和装置 | |
CN107171831B (zh) | 网络部署方法和装置 | |
CN107547154B (zh) | 一种建立视频流量预测模型的方法及装置 | |
CN111030869B (zh) | 一种网络流量的预测方法及预测装置 | |
CN105471759A (zh) | 数据中心的网络流量调度方法和装置 | |
CN101771758A (zh) | 一种性能指标值正常波动范围的动态确定方法及其装置 | |
CN108549955B (zh) | 一种充电桩异常率确定方法及装置 | |
CN104581749A (zh) | 一种移动网络数据业务业务量的预测方法和装置 | |
CN112308332A (zh) | 轨道交通平行推演系统及方法 | |
CN114168444A (zh) | 一种基于监控大数据的动态运维报修模型 | |
CN111327449A (zh) | 一种网络异常的确定方法、装置、设备及介质 | |
CN111740865A (zh) | 一种流量波动趋势预测方法、装置及电子设备 | |
US11506817B2 (en) | Lighting damage prediction apparatus, method, and program | |
CN111865665A (zh) | 一种网络设备故障自愈方法和装置 | |
CN111523798B (zh) | 一种自动建模的方法、装置、系统、及其电子设备 | |
CN111105070B (zh) | 客流预警方法及系统 | |
CN116016150A (zh) | 物理网络的预警方法、装置、电子设备、存储介质 | |
CN116435995A (zh) | 时间序列的处理方法、计算机可读存储介质和电子设备 | |
CN106912066B (zh) | 一种关键绩效指标的计算方法及装置 | |
CN113947260A (zh) | 用户满意度预测方法、装置及电子设备 | |
CN101170599B (zh) | 网络设备负荷预测方法 | |
CN109936526B (zh) | 一种确定语音质量的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200623 |