CN111901134A - 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 - Google Patents
一种基于循环神经网络模型rnn的预测网络质量的方法和装置 Download PDFInfo
- Publication number
- CN111901134A CN111901134A CN201910367263.9A CN201910367263A CN111901134A CN 111901134 A CN111901134 A CN 111901134A CN 201910367263 A CN201910367263 A CN 201910367263A CN 111901134 A CN111901134 A CN 111901134A
- Authority
- CN
- China
- Prior art keywords
- network
- model
- parameter data
- vector
- rnn
- 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
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Abstract
本发明公开了一种基于循环神经网络模型RNN的预测网络质量的方法和装置,用以解决现有的预测网络性能不准确的问题。本申请提供的方案包括:基于与网络性能相关的网络参数数据,通过RNN模型进行向量化处理,得到序列化的向量样本数据;基于所述向量样本数据,通过梯度下降的方法训练向量前向传递模型,所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。本发明能实现RNN前向传播,实现对LTE网络的各类实时业务质量指标数据变化规律的深度学习与无监督学习,向量前向传递模型能用于根据实时采集到的网络参数数据动态地对网络质量进行预测,降低人工成本,提高预测准确性。
Description
技术领域
本发明涉及数据业务网络领域,尤其涉及一种基于循环神经网络模型RNN的预测网络质量的方法和装置。
背景技术
对于现有的LTE(Long Term Evolution)网络,网络性能与用户体验关系密切,只有保证较好的网络性能才能保证用户较优的通信体验。其中,网络性能受到小区用户数量、网络设备负荷等多种因素影响,仅通过人工判断难以对未来的网络性能实现准确预测。
现有技术中往往采用线性判别分析方法实现网络性能预测,但是,这种方法通常需要预先制定线性判别标准。由于网络环境复杂,预先制定的线性判别标准往往难以符合实际网络情况,预测结果往往不准确。
如何提高预测网络性能的准确性,是本申请所要解决的技术问题。
发明内容
本申请实施例的目的是提供一种基于循环神经网络模型RNN的预测网络质量的方法和装置,用以解决现有的预测网络性能不准确的问题。
第一方面,提供了一种基于循环神经网络模型RNN的预测网络质量的方法,包括:
基于与网络性能相关的网络参数数据,通过RNN模型进行向量化处理,得到序列化的向量样本数据;
基于所述向量样本数据,通过梯度下降的方法训练向量前向传递模型,所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。
第二方面,提供了一种电子设备,包括:
处理模块,基于与网络性能相关的网络参数数据,通过RNN模型进行向量化处理,得到序列化的向量样本数据;
训练模块,基于所述向量样本数据,通过梯度下降的方法训练向量前向传递模型,所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。
第三方面,提供了一种电子设备,该电子设备包括处理器、存储器及存储在该存储器上并可在该处理器上运行的计算机程序,该计算机程序被该处理器执行时实现如第一方面该的方法的步骤。
第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质上存储计算机程序,该计算机程序被处理器执行时实现如第一方面该的方法的步骤。
在本申请实施例中,通过向量化处理网络性能相关的网络参数数据,得到序列化的向量样本数据,并通过梯度下降的方法训练向量前向传递模型。本发明能实现RNN前向传播,实现对LTE网络的各类实时业务质量指标数据变化规律的深度学习与无监督学习,向量前向传递模型能用于根据实时采集到的网络参数数据动态地对网络质量进行预测,降低人工成本,提高预测准确性。
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是本发明提供的一种基于循环神经网络模型RNN的预测网络质量的方法流程示意图之一;
图2是本发明提供的一种基于循环神经网络模型RNN的预测网络质量的方法流程示意图之二;
图3是本发明提供的一种基于循环神经网络模型RNN的预测网络质量的方法流程示意图之三;
图4是本发明提供的一种基于循环神经网络模型RNN的预测网络质量的方法流程示意图之四;
图5是本发明提供的一种基于循环神经网络模型RNN的预测网络质量的方法流程示意图之五;
图6a是本发明提供的一种基于循环神经网络模型RNN的预测网络质量的方法流程示意图之六;
图6b是通过本发明生成的网络质量预测结果的示意云图;
图7是本申请的一种基于循环神经网络模型RNN的预测网络质量的装置的结构示意图。
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。本申请中附图编号仅用于区分方案中的各个步骤,不用于限定各个步骤的执行顺序,具体执行顺序以说明书中描述为准。
现有的LTE网络在现代移动通信网络中十分重要。因此,需要提高LTE网络管理、网络性能优化以及网络运行维护支撑的技术手段。
目前,通常采用通信业务相关数据对网络进行综合分析实现监测,进而及时监测到网络故障,或者,实现对网络故障的预测。
具体的,可以采用基于规则的告警关联方案。预先基于网络故障的相关因素制定告警规则,该告警规则中可以包括多个静态告警门限,当网络满足一定条件时触发静态告警门限,根据一定的判断规则对网络情况进行关联判断,实现自动告警与故障判断。
对于这种基于规则的告警关联方案,由于静态的告警门限难以符合实际网络情况,灵活性差,预测准确性差。
另外,还可以采用人工告警方案。收集与网络性能相关的网络数据,根据网络数据的变化趋势生成统计结果,采用人工的方式对网络性能实现监管控制。虽然这种方式灵活性较强,但是,这种人工告警监控方案的监控效果与监控人员息息相关。对于有经验的技术人员,基于网络数据统计结果往往能比较准确地预测网络故障,能够根据统计结果实时了解当前的网络状态。但是对于经验较少的技术人员,通常难以通过网络数据统计结果准确地了解当前网络情况,容易导致错误预警或预警不及时的情况。
而且,这种人工告警方案需要消耗较多的人力,对技术人员的要求较高。现有的LTE网络数据量庞大,技术人员需要考虑的因素越来越复杂,这使得预测网络性能的效率越来越低。另外,仅通过人工的方式难以实现标准统一的网络故障预警,难以对未来的网络情况实现准确预测。
本申请提供的技术方案结合大数据技术、人工智能、机器学习和深度学习技术,提供了一种基于循环神经网络模型RNN的预测网络质量的方法。其中,循环神经网络(Recurrent Neural Network,RNN)是一种节点定向连接成环的人工神经网络。这种网络的内部状态可以展示动态时序行为,循环神经网络可以利用它内部的记忆来处理任意时序的输入序列。循环神经网络的本质特征是在处理单元之间既有内部的反馈连接又有前馈连接。从系统观点看,它是一个反馈动力系统,在计算过程中体现过程动态特性,具有较强的强的动态行为和计算能力。
为了解决现有技术中存在的上述问题,本申请提供了一种基于循环神经网络模型RNN的预测网络质量的方法,如图1所示,包括以下步骤:
S11:基于与网络性能相关的网络参数数据,通过RNN模型进行向量化处理,得到序列化的向量样本数据;
S12:基于所述向量样本数据,通过梯度下降的方法训练向量前向传递模型,所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。
在本申请实施例中以LTE网络为例进行解释说明,但本申请提供的方案也可以应用于其他专业网络。
首先,在步骤S11之前可以预先采集与网络性能相关的网络参数数据,该网络参数数据具体可以包括网络中各信令链路数据、网络业务质量拨测数据、网络设备性能统计数据、测量报告和网络告警等各类与网络性能相关的数据。这些网络参数数据可以实现对网络性能及网络业务质量的监控与分析。
较优的,所述网络参数数据包括以下至少一项:网络设备负荷参数、网络用户数量、网络告警数量、网络单板负荷参数。
其中,网络设备负荷参数也可以称为网络设备负载参数,可以包括网络负载率,具体可以指网络线路的利用率。如果上述网络负载率处于100%,则如果有新的消息需要通过上述网络线路传输,则需要等待传输,进而出现通信延迟的情况。
网络用户数量可以指一个网络小区或网络小区组内的网络用户数量。网络小区也可以称为蜂窝小区,可以指在蜂窝移动通信系统中,其中的一个基站或基站的一部分所覆盖的区域,在这个区域内移动台可以通过无线信道可靠地与基站进行通信。一个网络小区的用户数量如果过大,网路小区的可用资源往往会较少,容易出现网络延迟的情况。
网络告警数量可以是由用户终端提交的网络告警,也可以是通过静态或动态门限自动判断得到的网络告警。该网络告警可以包括与数据传输相关的网络性能告警,也可以包括与网络设备相关的网络硬件状态告警。
网络单板负荷参数可以指网络通信设备中单个电路板的负荷参数,可以通过百分数的形式展现。当网络通信设备中存在单板负荷过高的情况时,有可能出现接纳拒绝与掉话等情况,使得网络性能不稳定。
以上网络参数数据与网络性能关系密切,本申请提供的方案通过获取以上的至少一项网络参数数据,进而基于所述网络特征向量训练循环神经网络模型得到网络质量预测结果,能使得到的网络质量预测结果符合网络实际情况,真实反馈当前网络的状态,提高网络质量预测的准确性。
基于上述实施例提供的方法,较优的,如图2所示,在上述步骤S11之前,还包括:
S101:以预设时间为间隔,采集多个所述网络参数数据;
S102:根据所述多个网络参数数据生成基于时间的离散的网络参数数据。
在本申请提供的实施例中,可以通过周期性采集数据的方式获取一段时间内的网络参数数据。具体可以通过接入分布式消息队列的方式实现对网络参数数据的采集。其中,分布式消息队列可以包括以Kafka为代表的分布式消息系统。在采集网络参数数据的过程中,还可以通过异步速率适配的方式,提高采集到的数据的实时性、可靠性与完整性。
具体的,可以每30分钟采集一次网络信令数据,在连续采集24个小时之后,可以得到48个网络参数数据。其中,每个网络参数数据对应一个时间点,如果对这些网络参数数据进行排序,可以得到基于时间的离散的网络参数数据。
实际上,上述预设时间可以根据实际需求预先设定。对于日常网络质量比较差的区域,设置的间隔可以较短,用以采集得到比较密集的网络参数数据,从而提高生成的网络参数数据的真实性,能一定程度上提高预测网络质量的准确性。对于不容易出现网络告警的区域,设置的间隔可以较长,用以优化系统整体性能,节省系统计算资源。
通过以上方案得到基于时间的离散的网络参数数据之后,可以执行上述步骤S11。较优的,如图3所示,所述步骤S11包括以下步骤:
S111:根据预设处理规则,通过流式实时分布式计算系统处理所述基于时间的离散的网络参数数据,得到基于时间的连续的网络参数数据;
S112:基于特征值方程Av=λv对所述基于时间的连续的网络参数数据进行处理,得到序列化的向量样本数据,其中,A为所述基于时间的连续的网络参数数据,λ为所述网络特征向量在基向量上的投影,v为A的特征向量。
在上述步骤S111中,通过流式实时分布式计算系统对基于时间的离散的网络参数数据进行预处理,预处理可以包括数据清洗。具体可以采用插值算法对上述离散的网络参数数据进行自动填补,从而将离散的网络参数数据处理为连续的网络参数数据。在预处理的过程中还可以包括对网络参数数据的规范化、维度化、降维等计算。
其中,上述流式实时分布式计算系统的数据端口可以与分布式消息队列系统对接。输入端可以连接上述网络参数数据的数据源,输出端可以与RNNs、长短期记忆网络(Long Short-Term Memory,LSTM)等神经网络的输入层对接。
在得到了基于时间的连续的网络参数数据之后,可以通过上述步骤S112将网络参数数据转化为向量的形式。在本申请实例中,网络参数数据可以包括XDR(X DataRecording)数据,XDR是由呼叫数据记录(Call Data Recording,CDR)演变而来的概念。CDR是传统通信网中对通话过程中网络关键信息的记录。XDR是CDR概念的扩展,可以包括对移动网络、承载网络中数据流量的关键信息记录,即网络流量日志。
本申请方案基于特征值方程Av=λv对所述基于时间的连续的网络参数数据进行处理。其中,A可以为基于时间的连续的上述XDR数据。通过本方案上述方法转化为向量形式的XDR数据可以用于生成训练神经网络的数据,例如模型训练数据集。
通过上述实施例提供的方案,通过执行上述步骤S11,得到序列化的向量样本数据之后,可以执行上述步骤S12。较优的,如图4所示,上述步骤S12,包括以下步骤:
S121:建立循环神经网络模型ht=f(hλν(t-1),xt;θ);
S123:通过梯度下降的方法训练所述最小化似然函数模型得到所述向量前向传递模型。
本申请提供的方案,通过步骤S121建立循环神经网络模型,该循环神经网络模型中包括差值系数λv,该差值系数与上述基于时间的连续的网络参数数据相对应。当网络参数数据包括XDR数据时,上述循环神经网络模型能够适用于由XDR数据转变得到的有序列的向量数据。
在建立了循环神经网络模型之后,执行上述步骤S122,具体的,基于向量样本数据和循环神经网络模型建立最小化似然函数模型,推导过程如下式(1.1)所示:
在建立了最小化似然函数模型之后,可以通过梯度下降的方法训练上述最小化似然函数模型。较优的,如图5所示,上述步骤S123,包括以下步骤:
S1231:建立参数梯度模型,所述参数梯度模型包括以下至少一项:
以网络设备负荷为例,上述第一参数梯度模型可用以表征网络设备负荷为理论最大的情况,推导过程如下式(2.1)所示:
上述第二参数梯度模型可用以表征网络设备负荷为理论最小的情况,推导过程如下式(2.2)所示:
上述第三参数梯度模型、第四参数梯度模型以及第五参数梯度模型中的v、w、u均为权值参数,第三参数梯度模型推导过程如下式(2.3)所示:
第四参数梯度模型推导过程如下式(2.4)所示:
第五参数梯度模型推导过程如下式(2.5)所示:
在本申请实施例中,参数梯度模型包括上述五个模型。实际应用过程中,可以根据实际需求对以上模型进行调整,以适应于实际应用场景。
在输入训练数据的过程中,t可以为不同的系数,用以保障数据训练的正确性。例如,基于特征向量Av=λv以及向量前向传递模型,按参数梯度t=k逐次增加输入XDR参数t=[97.23%、91.42%、76.34%、75.18%、88.28%、71.29%、98.37%、99.37%、96.44%、90.50%、95.50%、99.60%、91.98%、98.12%],从而得到训练结果。
在神经网络拟合中,进行数据训练,隐藏神经元的个数分别是t=k-1,结果显示在隐藏神经元的个数大的时候有更好的拟合能力,尤其在数据间变化快、数据波动大的时候可以很好的拟合。
进一步的,当上述网络参数数据包括多项时,还可以预先设置每项网络参数数据的权重。在上述步骤S12中,可以基于所述向量样本数据以及所述向量样本数据对应的网络参数数据的权重,通过梯度下降的方法训练向量前向传递模型。在训练的过程中,不同权重的网络参数对应的向量样本数据对模型的训练程度不同。较优的,预先设置的网络参数数据的权重可以为:网络用户数量>网络告警数量>网络单板负荷参数>网络设备负荷参数>其他网络参数数据。
由于网络用户数量对网络性能的影响较大,因此,对网络用户数量这一网络参数数据预先设置较高的权重,能提高训练得到的模型的灵敏度,进而提高预测网络性能的准确性。
较优的,如图6a所示,在上述步骤S12之后,还包括以下步骤:
S13:根据网络参数数据和所述向量前向传递模型生成网络质量预测结果;
S14:根据所述网络质量预测结果调整与网络性能相关的网络设备。
具体的,根据向量前向传递模型基于网络参数数据对未来的网络质量进行预测。基于上述实施例XDR参数,生成的网络质量预测结果可以通过云图的形式展现。参见图6b,云图中凸起部分M表示网络参数数据为上升趋势,而凹陷部分N表示网络参数数据为下降趋势,该云图能呈现出网络参数数据的未来波动趋势。另外,本方案中所述的网络质量预测结果也可以通过其他形式展现。
基于上述网络质量预测结果,可以根据网络参数数据的趋势特征对网络设备进行调节。具体可以针对网络质量预测结果确定待调节的网络性能,然后根据待调节的网络性能确定一个或多个网络设备,进而对确定的网络设备进行调节。在本方案上述步骤S14中,可以通过人工的方式确定网络设备并调节,也可以由调节模块根据预设的规则基于网络质量预测结果确定网络设备并调节。
通过本申请提供的上述方案,能根据网络质量预测结果对网络设备进行调节。在网络质量预测结果显示出未来部分网络性能不佳时,可以通过调节对应的网络设备的方式实现预防,保证网络性能整体稳定。本申请提供的方案能实现网络质量预测,进而有针对性地对网络设备进行调节,避免盲目的调节。
为了解决现有技术中存在的上述问题,如图7所示,本申请还提供一种基于循环神经网络模型RNN的预测网络质量的装置70,包括:
处理模块71,基于与网络性能相关的网络参数数据,通过RNN模型进行向量化处理,得到序列化的向量样本数据;
训练模块72,基于所述向量样本数据,通过梯度下降的方法训练向量前向传递模型,所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。
在本申请实施例中,通过向量化处理网络性能相关的网络参数数据,得到序列化的向量样本数据,并通过梯度下降的方法训练向量前向传递模型。本发明能实现RNN前向传播,实现对LTE网络的各类实时业务质量指标数据变化规律的深度学习与无监督学习,向量前向传递模型能用于根据实时采集到的网络参数数据动态地对网络质量进行预测,降低人工成本,提高预测准确性。
基于上述实施例提供的装置,较优的,该装置还包括:
采集模块,以预设时间为间隔,采集多个所述网络参数数据;
第一生成模块,根据所述多个网络参数数据生成基于时间的离散的网络参数数据。
基于上述实施例提供的装置,较优的,上述处理模块用于:
根据预设处理规则,通过流式实时分布式计算系统处理所述基于时间的离散的网络参数数据,得到基于时间的连续的网络参数数据;
基于特征值方程Av=λv对所述基于时间的连续的网络参数数据进行处理,得到序列化的向量样本数据,其中,A为所述基于时间的连续的网络参数数据,λ为所述网络特征向量在基向量上的投影,v为A的特征向量。
基于上述实施例提供的装置,较优的,上述训练模块用于:
建立循环神经网络模型ht=f(hλν(t-1),xt;θ);
通过梯度下降的方法训练所述最小化似然函数模型得到所述向量前向传递模型。
基于上述实施例提供的装置,较优的,上述训练模块用于:
建立参数梯度模型,所述参数梯度模型包括以下至少一项:
基于上述实施例提供的装置,较优的,所述装置还包括:
第二生成模块,根据网络参数数据和所述向量前向传递模型生成网络质量预测结果;
调整模块,根据所述网络质量预测结果调整与网络性能相关的网络设备。
基于上述实施例提供的装置,较优的,所述网络参数数据包括以下至少一项:
网络设备负荷参数、网络用户数量、网络告警数量、网络单板负荷参数。
优选的,本发明实施例还提供一种电子设备,包括处理器,存储器,存储在存储器上并可在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述一种图像处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述一种图像处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种基于循环神经网络模型RNN的预测网络质量的方法,其特征在于,包括:
基于与网络性能相关的网络参数数据,通过RNN模型进行向量化处理,得到序列化的向量样本数据;
基于所述向量样本数据,通过梯度下降的方法训练向量前向传递模型,所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。
2.如权利要求1所述的方法,其特征在于,在基于与网络性能相关的网络参数数据,通过RNN模型进行向量化处理,得到序列化的向量样本数据之前,还包括:
以预设时间为间隔,采集多个所述网络参数数据;
根据所述多个网络参数数据生成基于时间的离散的网络参数数据。
3.如权利要求2所述的方法,其特征在于,所述基于与网络性能相关的网络参数数据,通过RNN模型进行向量化处理,得到序列化的向量样本数据,包括:
根据预设处理规则,通过流式实时分布式计算系统处理所述基于时间的离散的网络参数数据,得到基于时间的连续的网络参数数据;
基于特征值方程Av=λv对所述基于时间的连续的网络参数数据进行处理,得到序列化的向量样本数据,其中,A为所述基于时间的连续的网络参数数据,λ为所述网络特征向量在基向量上的投影,v为A的特征向量。
6.如权利要求1~3任一项所述的方法,其特征在于,在基于所述向量样本数据,通过梯度下降的方法训练向量前向传递模型之后,还包括:
根据网络参数数据和所述向量前向传递模型生成网络质量预测结果;
根据所述网络质量预测结果调整与网络性能相关的网络设备。
7.如权利要求1~3任一项所述的方法,其特征在于,所述网络参数数据包括以下至少一项:
网络设备负荷参数、网络用户数量、网络告警数量、网络单板负荷参数。
8.一种基于循环神经网络模型RNN的预测网络质量的装置,其特征在于,包括:
处理模块,基于与网络性能相关的网络参数数据,通过RNN模型进行向量化处理,得到序列化的向量样本数据;
训练模块,基于所述向量样本数据,通过梯度下降的方法训练向量前向传递模型,所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367263.9A CN111901134B (zh) | 2019-05-05 | 2019-05-05 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910367263.9A CN111901134B (zh) | 2019-05-05 | 2019-05-05 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111901134A true CN111901134A (zh) | 2020-11-06 |
CN111901134B CN111901134B (zh) | 2023-04-07 |
Family
ID=73169133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910367263.9A Active CN111901134B (zh) | 2019-05-05 | 2019-05-05 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111901134B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564954A (zh) * | 2020-11-30 | 2021-03-26 | 锐捷网络股份有限公司 | 一种网络质量的预测方法及装置 |
CN113329430A (zh) * | 2021-06-15 | 2021-08-31 | 中国联合网络通信集团有限公司 | 网络优化方法和装置 |
CN113660687A (zh) * | 2021-08-17 | 2021-11-16 | 中国联合网络通信集团有限公司 | 网络差小区处理方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598972A (zh) * | 2015-01-22 | 2015-05-06 | 清华大学 | 一种大规模数据回归神经网络快速训练方法 |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
WO2017201506A1 (en) * | 2016-05-20 | 2017-11-23 | Google Llc | Training neural networks using synthetic gradients |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
CN109376615A (zh) * | 2018-09-29 | 2019-02-22 | 苏州科达科技股份有限公司 | 用于提升深度学习网络预测性能的方法、装置及存储介质 |
CN109698836A (zh) * | 2019-02-01 | 2019-04-30 | 重庆邮电大学 | 一种基于深度学习的无线局域网入侵检测方法和系统 |
-
2019
- 2019-05-05 CN CN201910367263.9A patent/CN111901134B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598972A (zh) * | 2015-01-22 | 2015-05-06 | 清华大学 | 一种大规模数据回归神经网络快速训练方法 |
WO2017201506A1 (en) * | 2016-05-20 | 2017-11-23 | Google Llc | Training neural networks using synthetic gradients |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN109272157A (zh) * | 2018-09-12 | 2019-01-25 | 中交信息技术国家工程实验室有限公司 | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 |
CN109376615A (zh) * | 2018-09-29 | 2019-02-22 | 苏州科达科技股份有限公司 | 用于提升深度学习网络预测性能的方法、装置及存储介质 |
CN109698836A (zh) * | 2019-02-01 | 2019-04-30 | 重庆邮电大学 | 一种基于深度学习的无线局域网入侵检测方法和系统 |
Non-Patent Citations (1)
Title |
---|
王西点: "人工智能及其在网络优化运维中的应用", 《2017全国无线移动通信学术大会论文集》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112564954A (zh) * | 2020-11-30 | 2021-03-26 | 锐捷网络股份有限公司 | 一种网络质量的预测方法及装置 |
CN112564954B (zh) * | 2020-11-30 | 2023-03-21 | 锐捷网络股份有限公司 | 一种网络质量的预测方法及装置 |
CN113329430A (zh) * | 2021-06-15 | 2021-08-31 | 中国联合网络通信集团有限公司 | 网络优化方法和装置 |
CN113660687A (zh) * | 2021-08-17 | 2021-11-16 | 中国联合网络通信集团有限公司 | 网络差小区处理方法、装置、设备及存储介质 |
CN113660687B (zh) * | 2021-08-17 | 2023-07-04 | 中国联合网络通信集团有限公司 | 网络差小区处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111901134B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347668B (zh) | 一种服务质量评估模型的训练方法及装置 | |
US10332056B2 (en) | Features selection and pattern mining for KQI prediction and cause analysis | |
CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
EP1887819A1 (en) | Abnormality detecting method and system, and upkeep method and system | |
CN104102875B (zh) | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统 | |
CN108234247B (zh) | 一种检测网络质量的方法和系统 | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN113055923B (zh) | 移动网络流量预测方法、装置及设备 | |
CN114513470B (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
CN114531662B (zh) | 基于电力5g虚拟专网的终端智能接入认证管理方法 | |
CN114268981A (zh) | 网络故障检测与诊断方法及系统 | |
US11589299B2 (en) | Method of implementing self-organizing network for plurality of access network devices and electronic device for performing the same | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN111953531B (zh) | 网络故障分析方法及装置 | |
CN116566696B (zh) | 一种基于云计算的安全性评估系统及方法 | |
CN117221295A (zh) | 一种基于边缘计算和网络切片的低延迟视频传输系统 | |
CN116361377A (zh) | 基于工业物联网服务平台的负载预测系统、方法及介质 | |
CN113947260A (zh) | 用户满意度预测方法、装置及电子设备 | |
CN106888237A (zh) | 一种数据调度方法及系统 | |
CN114244691A (zh) | 视频业务的故障定位方法、装置及电子设备 | |
WO2024066331A1 (zh) | 网络异常检测方法、装置、电子设备及存储介质 | |
CN114071233B (zh) | 音视频质量评价方法及其装置、设备、介质、产品 | |
CN117014784B (zh) | 一种头戴式耳机的头带故障自检方法及系统 | |
Ahasan et al. | Benchmarking Unsupervised Machine Learning for Mobile Network Anomaly Detection | |
CN116996393A (zh) | 网络通信中kqi和kpi相关性的确定方法、装置、设备及介质 |
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 |