CN112104467A - 割接操作风险评级方法、装置及计算设备 - Google Patents

Abstract

本发明实施例涉及通信技术领域，公开了一种割接操作风险评级方法、装置、计算设备及计算机存储介质，该方法包括：获取割接操作的割接信息；将割接信息输入评级深度神经网络，得到割接操作的风险等级，所述评级深度神经网络是通过多组训练数据训练得到的，所述多组训练数据中每一组训练数据均包括：割接信息和用来标识该割接信息风险等级的标识信息。通过上述方式，本发明实施例实现了对割接操作的风险等级的自动评估。

Description

割接操作风险评级方法、装置及计算设备

技术领域

本发明实施例涉及通信技术领域，具体涉及一种割接操作风险评级方法、装置及计算设备。

背景技术

割接是运营商针对现网设备进行的扩容、升级、改造、替换以及配置等操作。割接操作伴随着风险存在，尤其是随着网元环境日趋复杂，网络操作的复杂度和难度响应增加，割接操作的风险进一步增大。目前对网络操作风险的判定方法是人工的对割接风险影响因素逐个分析，确定各影响因素的权重，根据各风险等级对应的权重建立风险评估模型，从而确定网络割接操作的风险等级。

在实现本发明实施例的过程中，发明人发现由于设备种类繁杂，割接操作的风险影响因素较多，人为判定割接操作的风险等级存在主观性，判断不准确。

发明内容

鉴于上述问题，本发明实施例提供了一种割接操作风险评级方法、装置、及计算设备，克服了上述问题或者至少部分地解决了上述问题。

根据本发明实施例的一个方面，提供了一种割接操作风险评级方法，所述方法包括：

获取割接操作的割接信息；将割接信息输入评级深度神经网络，得到割接操作的风险等级，所述评级深度神经网络是通过多组训练数据训练得到的，所述多组训练数据中每一组训练数据均包括：割接信息和用来标识该割接信息风险等级的标识信息。

在一种可选的方式中，在获取割接操作的割接信息之后，所述方法还包括：将割接信息进行归一化处理，得到标准割接信息；将割接信息输入评级深度神经网络，得到割接操作的风险等级。

在一种可选的方式中，在获取割接操作的割接信息之前，所述方法还包括：构建深度神经网络模型；根据输入的训练数据对深度神经网络模型进行训练，得到评级深度神经网络。

在一种可选的方式中，构建深度神经网络模型，包括：构建包含一个输入层、一个输出层及十二个隐藏层的深度神经网络模型，其中，十二个隐藏层包含六个全连接层和六个dropout层，每一全连接层连接一个dropout层。

在一种可选的方式中，根据输入的训练数据对深度神经网络模型进行训练，得到评级深度神经网络，包括：

根据输入的训练数据得到所述深度神经网络模型的权重；

根据所述权重计算损失函数值；

根据优化算法重复更新所述权重，直至所述损失函数值最小；

根据所述损失函数值最小的权重，得到评级深度神经网络。

在一种可选的方式中，根据权重计算损失函数值，包括：根据权重计算多类对数损失函数值。

在一种可选方式中，根据优化算法重复更新权重，直至损失函数值最小，包括：根据Adam算法重复更新权重，直至损失函数值最小。

根据本发明实施例的另一方面，提供了一种割接操作风险评级装置，包括：获取模块和输入模块。其中，获取模块用于获取割接操作的割接信息。输入模块用于将割接信息输入评级深度神经网络，得到割接操作的风险等级。

在一种可选的方式中，割接操作风险评级装置还包括：归一化模块，用于将割接信息进行归一化处理，得到标准割接信息。输入模块进一步用于：将标准割接信息输入评级深度神经网络，得到割接操作的风险等级，所述评级深度神经网络是通过多组训练数据训练得到的，所述多组训练数据中每一组训练数据均包括：割接信息和用来标识该割接信息风险等级的标识信息。

在一种可选的方式中，割接操作风险评级装置还包括：构建模块和训练模块，其中，构建模块用于构建深度神经网络模型。训练模块用于根据输入的训练数据对深度神经网络模型进行训练，得到评级深度神经网络。

在一种可选的方式中，构建模块进一步用于：构建包含一个输入层、一个输出层及十二个隐藏层的深度神经网络模型，其中，所述十二个隐藏层包含六个全连接层和六个dropout层，每一全连接层连接一个dropout层。

在一种可选的方式中，训练模块进一步用于：根据输入的训练数据得到深度神经网络模型的权重；根据权重计算损失函数值；根据优化算法重复更新权重，直至损失函数值最小；根据损失函数值最小的权重，得到评级深度神经网络。

在一种可选的方式中，根据权重计算损失函数值，包括：根据权重计算多类对数损失函数值。

在一种可选的方式中，根据优化算法重复更新权重，直至损失函数值最小，包括：

根据Adam算法重复更新权重，直至损失函数值最小。

根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行上述一种割接操作风险评级方法对应的操作。

根据本发明实施例的又一方面，提供了一种计算机存储介质，该计算机存储介质中存储有至少一可执行执行，该可执行指令使处理器执行上述一种割接操作风险评级方法对应的操作。

根据本发明实施例的还一方面，提供了一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在计算机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，使所述计算机执行上述一种割接操作风险评级方法对应的操作。

本发明实施例通过将割接操作的割接信息输入评级深度神经网络，得到割接操作的风险等级，其中，评级深度神经网络是根据输入的训练数据得到的，由此可见，本发明方案能够根据割接操作的割接信息，实现风险等级的自动评估。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明第一实施例提供的一种割接操作风险评估方法的流程图；

图2示出了本发明第二实施例提供的一种割接操作风险评估方法的流程图；

图3示出了本发明实施例提供的一种深度学习模型的结构示意图；

图4示出了本发明第三实施例提供的一种割接操作风险评估装置的功能框图；

图5示出了本发明第四实施例提供的一种计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了本发明第一实施例的一种割接操作风险评级方法的流程图，如图1所示，该方法包括以下步骤：

步骤110：获取割接操作的割接信息。

其中，割接操作的割接信息是运维人员填报的网络更改相关的割接信息。在一种具体的实施方式中，割接操作的割接信息包括专业类型、网元类型、设备容量、业务容灾方式、影响用户数、影响业务情况、割接类型、割接影响业务时长、倒回影响业务时长、割接时间段、预计割接时长、设备所在地、割接层级和涉及网元数量共十四个信息。其中，专业类型包括网络类型，例如，核心网、物联网、传输网、云计算等。网元类型包括网络节点、用户服务器等。业务容灾方式包括本地备份、异地热备、异地互备等。影响业务情况包括CE脱网、网络中断、计算节点不可用等。割接类型包括设备入网、业务上线、硬件扩容、版本升级等。

可以理解的是，在获取到割接操作的割接信息之后，需要对割接信息进行处理，主要包括将割接信息进行归一化处理，得到标准割接信息。在进行归一化处理时，对于非数值型的割接信息转化为数值型，例如，对于设备所在地信息，对地区使用数字编号，并用该编号表示该设备所在地信息，例如，北京用1表示、上海用2表示。对所有割接信息进行归一化处理，使所有割接信息归一化为均值为0、方差为1的标准割接信息，以消除数值型割接信息和非数值型割接信息之间的数量级差异。

步骤120：将割接信息输入评级深度神经网络，得到割接操作的风险等级。

在本步骤中，评级深度神经网络是根据构建的深度神经网络模型，使用多组训练数据训练得到的，多组训练数据中每一组训练数据均包括：割接信息和用来识别该割接信息风险等级的标识信息。风险等级是根据割接操作的风险设定的，用于表示割接操作的危险程度。评级深度神经网络的输入是割接信息，输出是风险等级对应的标识信息。其中，输入的割接信息是归一化之后的割接信息。输出的风险等级对应的具体标识信息可以由本领域的技术人员在实施本领域的过程中人为设定。例如，在一种具体的实施方式中，割接风险等级分为A至F六个风险等级，输出的风险等级用六个六位的二进制数表示，A为100000，B为010000，C为001000，D为000100，E为000010，F为000001。

本发明实施例通过将割接操作的割接信息输入评级深度神经网络，得到割接操作的风险等级，其中，评级深度神经网络是根据输入的训练数据得到的，由此可见，本发明方案能够根据割接操作的割接信息，实现风险等级的自动评估。

图2示出了本发明第二实施例的一种割接操作风险评级方法的流程图。与第一实施例相比，本发明实施例在步骤110之前，还包括如图2所示的以下步骤：

步骤210：构建深度神经网络模型。

在本步骤中，深度神经网络模型是使用深度学习框架tensorflow搭建的深度神经网络模型，深度神经网络模型的隐藏层有多层，所以，深度神经网络模型本质上是包含多个隐藏层的神经网络模型。在深度神经网络模型中，每一层包含若干个神经元，神经元是神经网络的基本单位，也称为节点，它从外部或其他节点收到输入，并通过一个激活函数计算其输出，每一个输入对应一个权重，表示这个节点收到的每一个输入的相对重要性。除权重外，输入还包括一个偏置信息，目的是使网络能够更好的实现数据分类。

在一些具体的实施方式中，构建的深度神经网络模型包含一个输入层、一个输出层及十二个隐藏层，其中，十二个隐藏层包含六个全连接层和六个dropout层，每一全连接层连接一个dropout层。该神经网络模型的结构示意图如图3所示。其中，输入层包含14个神经元，用x₁至x₁₄表示输入的14种割接信息。第一个和第二个全连接层包含128个神经元，第三个和第四个全连接层包含64个神经元，第五个和第六个全连接层包含32个神经元。

值得说明的是，隐藏层的设置层数以及每一层包含的神经元个数是本发明实施例的发明人在多次调试后得到的最优值。本领域的技术人员可以在实施本发明实施例的过程中，结合具体场景及多次调试结果，对隐藏层的层数及每一层包含的神经元个数进行人为设置。

考虑到全连接层包含的神经元数量较多，因此，全连接层使用的激活函数均为线性整流函数，以降低深度神经网络的计算成本。在每一个全连接层后面，增加一个dropout层，用来以概率p舍弃全连接层的神经元，并让其他神经元以概率q＝1-p保留，以避免神经元过多引起的过拟合问题。dropout层相当于一个神经元过滤函数。概率p的值可以进行人为设置。优选的，p设置为0.2，即随机忽略每一个全连接层20％的神经元，使其不参与计算。

输出层共包含六个神经元，用A至F六个字母表示输出的风险等级。在实际应用中，各割接信息的风险等级用概率表示。输出层包含的神经元个数较少，使用sigmoid函数将输出结果映射至(0,1)区间。

步骤220：根据输入的训练数据对深度神经网络模型进行训练，得到评级深度神经网络。

在本步骤中，输入的训练数据是历史已经正确分类风险等级的割接操作，包含割接信息及其对应的风险等级。同样的，输入深度神经网络的训练数据是将割接信息及其对应的风险等级归一化之后的割接信息及风险等级。

在进行训练时，根据输入的训练数据得到深度神经网络模型的权重，以步骤210中构建的深度神经网络模型为例，在该模型中共包含34182个待训练参数。设置训练回合数(epoches)和批量处理大小(batch size)，深度神经网楼模型会自主学习到权重值。根据该权重值计算损失函数值，并根据优化算法重复更新权重，直到损失函数值最小，使得损失函数值最小的权重，即为深度神经网络模型训练的最终权重，使用该权重连接的深度神经网络模型即为评级深度神经网络。

在一种具体的实施方式中，损失函数选择多类对数损失函数(categorical_crossentropy)，更新权重的优化算法选择“Adam”算法，将训练回合数(epoch)设置为1000，批处理大小(batch_size)设置为64，通过“Adam”算法找到使损失函数值最小的权重。

本发明实施例通过构建深度神经网络模型，并通过训练数据训练该深度神经网络模型，得到评级深度神经网络。通过本发明实施例，可以得到最优的评级深度神经网络，便于通过输入的割接信息进行割接操作的风险评级。

图4示出了本发明第三实施例的一种割接操作风险评级装置的功能框图。如图4所示，该装置包括：获取模块410和输入模块420。其中，获取模块410用于获取割接操作的割接信息。输入模块420用于将割接信息输入评级深度神经网络，得到割接操作的风险等级。

在一种可选的方式中，割接操作风险评级装置还包括：归一化模块430，用于将割接信息进行归一化处理，得到标准割接信息。输入模块420进一步用于：将标准割接信息输入评级深度神经网络，得到割接操作的风险等级。

在一种可选的方式中，割接操作风险评级装置还包括：构建模块440和训练模块450，其中，构建模块440用于构建深度神经网络模型。训练模块450用于根据输入的训练数据对深度神经网络模型进行训练，得到评级深度神经网络。

在一种可选的方式中，构建模块440进一步用于：构建包含一个输入层、一个输出层及十二个隐藏层的深度神经网络模型，其中，十二个隐藏层包含六个全连接层和六个dropout层，每一全连接层连接一个dropout层。

在一种可选的方式中，训练模块450进一步用于：根据输入的训练数据得到深度神经网络模型的权重；根据权重计算损失函数值；根据优化算法重复更新权重，直至损失函数值最小；根据损失函数值最小的权重，得到评级深度神经网络。

在一种可选的方式中，根据权重计算损失函数值，包括：根据权重计算多类对数损失函数值。

在一种可选的方式中，根据优化算法重复更新权重，直至损失函数值最小，包括：

根据Adam算法重复更新权重，直至损失函数值最小。

本发明实施例通过构建模块440构建深度神经网络模型，并通过训练模块450训练数据训练该深度神经网络模型，得到评级深度神经网络。通过本发明实施例，可以得到最优的评级深度神经网络，便于通过输入的割接信息进行割接操作的风险评级。此外，通过输入模块420将割接操作的割接信息输入评级深度神经网络，得到割接操作的风险等级，由此可见，本发明方案能够根据割接操作的割接信息，实现风险等级的自动评估。

本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意一种割接操作风险评级方法对应的操作。

本发明实施例提供了一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在计算机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，使所述计算机执行上述任意一种割接操作风险评级方法对应的操作。

图5示出了本发明第五实施例的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。

其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。处理器502，用于执行程序510，具体可以执行上述用于割接操作风险评级方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

获取割接操作的割接信息；将割接信息输入评级深度神经网络，得到割接操作的风险等级。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：

将所述割接信息进行归一化处理，得到标准割接信息。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：将所述标准割接信息输入评级深度神经网络，得到所述割接操作的风险等级。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：构建深度神经网络模型；根据输入的训练数据对所述深度神经网络模型进行训练，得到评级深度神经网络。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：构建包含一个输入层、一个输出层及十二个隐藏层的深度神经网络模型，其中，所述十二个隐藏层包含六个全连接层和六个dropout层，每一全连接层连接一个dropout层。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：根据输入的训练数据得到所述深度神经网络模型的权重；根据所述权重计算损失函数值；根据优化算法重复更新所述权重，直至所述损失函数值最小；根据所述损失函数值最小的权重，得到评级深度神经网络。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：根据所述权重计算多类对数损失函数值。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：根据Adam算法重复更新所述权重，直至所述损失函数值最小

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种割接操作风险评级方法，其特征在于，所述方法包括：

获取割接操作的割接信息；

将所述割接信息输入评级深度神经网络，得到所述割接操作的风险等级，所述评级深度神经网络是通过多组训练数据训练得到的，所述多组训练数据中每一组训练数据均包括：割接信息和用来标识该割接信息风险等级的标识信息。

2.根据权利要求1所述的方法，其特征在于，所述获取割接操作的割接信息之后，所述方法还包括：

将所述割接信息进行归一化处理，得到标准割接信息；

所述将所述割接信息输入评级深度神经网络，得到所述割接操作的风险等级，包括：

将所述标准割接信息输入评级深度神经网络，得到所述割接操作的风险等级。

3.根据权利要求1所述的方法，其特征在于，在获取割接操作的割接信息之前，所述方法还包括：

构建深度神经网络模型；

根据输入的训练数据对所述深度神经网络模型进行训练，得到评级深度神经网络。

4.根据权利要求3所述的方法，其特征在于，所述构建深度神经网络模型，包括：

构建包含一个输入层、一个输出层及十二个隐藏层的深度神经网络模型，其中，所述十二个隐藏层包含六个全连接层和六个dropout层，每一全连接层连接一个dropout层。

5.根据权利要求3所述的方法，其特征在于，所述根据输入的训练数据对所述深度神经网络模型进行训练，得到评级深度神经网络，包括：

根据输入的训练数据得到所述深度神经网络模型的权重；

根据所述权重计算损失函数值；

根据优化算法重复更新所述权重，直至所述损失函数值最小；

根据所述损失函数值最小的权重，得到评级深度神经网络。

6.根据权利要求5所述的方法，其特征在于，所述根据所述权重计算损失函数值，包括：

根据所述权重计算多类对数损失函数值。

7.根据权利要求5所述的方法，其特征在于，所述根据优化算法重复更新所述权重，直至所述损失函数值最小，包括：

根据Adam算法重复更新所述权重，直至所述损失函数值最小。

8.一种割接操作风险评级装置，其特征在于，所述装置包括：

获取模块，用于获取割接操作的割接信息；

输入模块，用于将所述割接信息输入评级深度神经网络，得到所述割接操作的风险等级，所述评级深度神经网络是通过多组训练数据训练得到的，所述多组训练数据中每一组训练数据均包括：割接信息和用来标识该割接信息风险等级的标识信息。

9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7任一项所述的一种割接操作风险评级方法。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7任一项所述的一种割接操作风险评级方法。

Images