CN112231183B - 通信设备告警预测方法和装置、电子设备和可读存储介质 - Google Patents
通信设备告警预测方法和装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112231183B CN112231183B CN202010670333.0A CN202010670333A CN112231183B CN 112231183 B CN112231183 B CN 112231183B CN 202010670333 A CN202010670333 A CN 202010670333A CN 112231183 B CN112231183 B CN 112231183B
- Authority
- CN
- China
- Prior art keywords
- alarm
- image
- monitoring data
- characteristic values
- values
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本说明书一个或多个实施例提供一种通信设备告警预测方法和装置、电子设备和可读存储介质,其中的方法包括:将通信设备的多组监测数据输入至预先训练完成的告警预测模型;通过告警预测模型中的图像生成模块,生成与监测数据对应的多组图像数据;通过告警预测模型中的预测模块,基于多组图像数据得到网络通信设备对应的预测结果,通过将通信设备的监测数据进行图像化,能够有效克服数据量不足的问题。
Description
技术领域
本说明书一个或多个实施例涉及通信技术领域,尤其涉及一种通信设备告警预测方法和装置、电子设备和可读存储介质。
背景技术
光网络是信息社会的基石,互联网、通信、电力以及金融等行业网络均基于光网络来进行承载,光网络一旦发生故障,最终用户将直接面临业务中断、修复周期长等严重问题。如何在光网络故障发生前及时发现网络隐患,实现网络故障的用户“零”感知,一直是电信运维领域的重要挑战。
通过统计数据可以知晓,大部分光业务故障是由于光路劣化、光模块劣化及误码类问题产生的。传统运维主要基于人工判断,通过设定误码的经验阈值来告警,很难在网络发生故障前及时发现问题;故障发生后,由于业务故障数据分散,缺少有效关联分析,通信运营商因无法实时识别故障类型、快速解决问题,常常引发用户投诉。
基于此,将大数据及人工智能技术,引入光网络预防性维护领域非常有必要。人工智能算法不依赖于人为指定规则,主张由机器学习算法自动地从海量运维数据中不断地学习,不断地提炼并总结规则。在现实应用中,及时发现设备或服务的相关告警信息,可以对故障进行早排查、早修复,从而可以有效地减少因故障而带来的经济损失。如同人体机能老化,硬件或电信业务也存在“亚健康”状态,在发生故障前,会表现出不稳定或性能衰退,传统运维手段无法及时察觉,但通过关键指标的大数据采集,及人工智能技术对各类故障的趋势学习、模型训练及模型部署,网络发生了什么问题、为什么发生问题、将发生什么问题等均能被及时地发现和准确地预测。
申请人在实现本发明的过程,发现相关技术中存在如下技术问题:
当前人工智能技术的应用效果依赖于数据集的质量。在光网络的告警预测过程中,所依赖的数据容易出现类不平衡、出现频次低、数据缺失、有效性差等问题,导致无法进行模型训练、预测准确率低,严重影响了告警预测的效果。
针对上述问题,目前尚未提出有效的解决手段。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种通信设备告警预测方法和装置、电子设备和可读存储介质,以解决相关技术中由于通信设备告警数据集质量差,无法进行进行模型训练,而导致预测准确率低的问题。
基于上述目的,本说明书一个或多个实施例提供了一种通信设备告警预测方法,包括:将通信设备的多组监测数据输入至预先训练完成的告警预测模型,其中,所述监测数据是每隔预设周期在所述通信设备中采集得到的;通过所述告警预测模型中的图像生成模块,生成与所述多组监测数据对应的多组图像数据;通过所述告警预测模型中的预测模块,基于所述多组图像数据得到所述通信设备对应的预测结果。
进一步地,将通信设备的多组监测数据输入至预先训练完成的告警预测模型,包括:确定与所述监测数据对应的告警标签;根据所述告警标签对所述监测数据进行分类,以得到告警监测数据以及非告警监测数据;将分类后的监测数据数值输入至所述告警预测模型。
进一步地,通过所述告警预测模型中的图像生成模块,生成与所述多组监测数据对应的多组图像数据,包括:根据所述监测数据中的至少一组设备状态参数以及对应的告警标签,获取所述监测数据对应的多个特征值;根据所述多个特征值生成所述图像数据。
进一步地,根据所述多个特征值生成所述图像数据,包括:对所述多个特征值进行预处理,得到对应的多个通道特征值;根据所述多个通道特征值生成红绿蓝RGB图像。
进一步地,对所述多个特征值进行预处理,得到对应的个通道特征值,包括:获取所述多个特征值的多个绝对值;对所述多个绝对值进行整数化,得到对应的多个整数绝对值;根据图像的灰度范围对所述多个整数绝对值取余,以得到所述多个通道特征值。
进一步地,根据所述多个通道特征值生成红绿蓝RGB图像,包括:根据所述多个通道特征值的数量,确定所述RGB图像的尺寸;根据所述多个通道特征值,确定所述RGB图像中红、绿、蓝三个通道对应的三组灰度值,其中,所述通道特征值的个位数值、十位数值以及百位数值分别与RGB的所述三组灰度值对应。
进一步地,所述图像数据包括与所述告警标签对应的告警图像以及非告警图像,所述预测模块包括预先训练完成的判别子网络,其中,通过所述告警预测模型中的预测模块,基于所述多组图像数据得到所述网络通信设备对应的预测结果,包括:获取所述告警图像对应的第一数量,以及所述非告警图像对应的第二数量;根据所述第一数量以及所述第二数量,对所述告警图像或所述非告警图像进行图像增强,以得到经过增强处理的告警图像以及非告警图像;将所述经过增强处理的告警图像以及非告警图像混合,以得到所述输入图像;将所述输入图像输入至所述判别子网络,以得到所述预测结果。
进一步地,根据所述第一数量以及所述第二数量,对所述告警图像或所述非告警图像进行图像增强,包括:在所述第一数量或所述第二数量小于预设数量阈值的情况下,对所述告警图像或所述非告警图像进行图像增强,以使所述第一数量或所述第二数量等于预设数量阈值;和/或,在所述第一数量或所述第二数量的比例值小于预设比例阈值的情况下,对所述告警图像或所述非告警图像进行数据增强,以使所述比例值等于所述预设比例阈值。
进一步地,所述预测模块中包括预先训练完成的生成对抗网络,其中,根据所述第一数量以及所述第二数量,对所述告警图像或所述非告警图像进行图像增强,包括:通过所述生成对抗网络对所述告警图像或所述非告警图像进行数据增强。
根据本申请的另一个方面,还提出了一种通信设备告警预测装置,包括:操作单元,用于将通信设备的多组监测数据输入至预先训练完成的告警预测模型,其中,所述监测数据是每隔预设周期在所述通信设备中采集得到的;处理单元,用于通过所述告警预测模型中的图像生成模块,生成与所述多组监测数据对应的多组图像数据;预测单元,用于通过所述告警预测模型中的预测模块,基于所述多组图像数据得到所述通信设备对应的预测结果。
根据本申请的另一个方面,还提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述的通信设备告警预测方法。
根据本申请的另一个方面,还提出了一种可读存储介质,其特征在于,所述可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上所述通信设备告警预测方法。
从上面可以看出,本说明书一个或多个实施例提供的通信设备告警预测方法,通过将通信设备的多组监测数据输入至预先训练完成的告警预测模型,其中,监测数据是每隔预设周期在通信设备中采集得到的;通过告警预测模型中的图像生成模块,生成与监测数据对应的多组图像数据;通过告警预测模型中的预测模块,基于多组图像数据得到网络通信设备对应的预测结果。通过将通信设备的监测数据进行图像化,能够有效克服数据量不足的问题,进一步地,将监测数据转换为图像处理问题,能够提高预测结果的准确性。
附图说明
为了更清楚地说明本说明书一个或多个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简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,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为本实施例中一种可选地通信设备告警预测方法的流程示意图;
图2为本实施例中一种可选地告警预测模型的结构示意图;
图3为本实施例中一种可选地RGB图像的示意图;
图4为本实施例中一种可选地通信设备告警预测装置的结构示意图;
图5为本实施例中一种可选地电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例一
根据本申请实施例的一个方面,提出了一种通信设备告警预测方法,如图1所示,该方法具体可以包括以下步骤:
S102,将通信设备的多组监测数据输入至预先训练完成的告警预测模型,其中,监测数据是每隔预设周期在通信设备中采集得到的;
S104,通过告警预测模型中的图像生成模块,生成与多组监测数据对应的多组图像数据;
S106,通过告警预测模型中的预测模块,基于多组图像数据得到通信设备对应的预测结果。
在本实施例中,通信设备包括但不限于光网络通信设备、数据网络通信设备以及无线通信网络等,通信设备所处的网络包括但不限于广域网、局域网以及城域网等。
在本实施例中,通信设备的监测数据用于表示通信设备的设备状态信息,每个监测数据包括多组设备状态参数,例如SDH(Synchronous Digital Hierarchy,同步数字体系)网络中的监测数据,监测数据中的设备状态参数包括设备ID、监测时间、激光器偏置电流、激光器工作温度、输入光功率、输出光功率、告警类别等,可见,通过监测数据可以了解通信设备的当前设备状态。
在实际的应用场景中,每隔预设周期获取通信设备的监测数据,在获取到一定数量的多组监测数据后,基于多组监测数据进行分析并预测通信设备的设备状态。其中,预设周期可以根据实际经验进行设置,在本实施例中,对预设周期以及多组监测数据的数量不做任何限定。
在本实施例中,在获取到一定数量的多组监测数据之后,将多组监测数据输入至告警预测模型,由告警预测模型中的图像生成模块生成与多组监测数据对应的多组图像数据,然后由预测模块对多组图像数据进行预测,以得到通信设备的设备状态。
在本申请具体实施时,首先需要训练告警预测模型。
本申请的一些实施例中,根据通信设备的监测数据,构建训练样本集。该训练样本集中的每条训练样本包括:相同型号的通信设备对应的监测数据、以及通信设备的设备状态。首先,获取通信设备的设备状态以及对应的监测数据,将设备状态以及对应的监测数据作为训练样本,构建训练样本集,基于构建的训练样本集训练告警预测模型。
在本实施例中,如图2所示,告警预测模型20包括图像生成模块22以及预测模块24,其中,图像生成模块22用于根据监测数据中的特征值确定RGB图像的灰度值,进而构建RGB图像;预测模块24包括但不限于全卷积神经网络CNN,用于对监测数据对应的图像数据进行图像识别,以根据识别结果确定通信设备的设备状态。
需要说明的是,通过将通信设备的多组监测数据输入至预先训练完成的告警预测模型,其中,监测数据是每隔预设周期在通信设备中采集得到的;通过告警预测模型中的图像生成模块,生成与监测数据对应的多组图像数据;通过告警预测模型中的预测模块,基于多组图像数据得到网络通信设备对应的预测结果。通过将通信设备的监测数据进行图像化,能够有效克服数据量不足的问题,进一步地,将监测数据转换为图像处理问题,能够提高预测结果的准确性。
作为本实施例中一种可选地技术方案,将通信设备的多组监测数据输入至预先训练完成的告警预测模型,包括但不限于:确定与监测数据对应的告警标签;根据告警标签对监测数据进行分类,以得到告警监测数据以及非告警监测数据;将分类后的监测数据输入至告警预测模型。
具体地,在本实施例中,以时间间隔T1采集待测通信设备的监测数据,监测数据包括设备状态参数以及相关的告警。判断监测数据是否存在告警,若存在告警,则确定监测数据的告警标签为告警,确定该监测数据为非告警监测数据;若不存在告警,则确定监测数据的告警标签为非告警,确定该监测数据为非告警监测数据。根据告警标签将监测数据进行分类,分为告警监测数据集以及非告警监测数据集。
作为本实施例中一种可选地技术方案,通过告警预测模型中的图像生成模块,生成与多组监测数据对应的多组图像数据,包括但不限于:根据监测数据中的至少一组设备状态参数以及对应的告警标签,获取监测数据对应的多个特征值;根据多个特征值生成图像数据。
具体地,以SDH网络中的通信设备的监测数据为例进行说明,监测数据,监测数据中的设备状态参数包括设备ID、监测时间、激光器偏置电流、激光器工作温度、输入光功率、输出光功率、告警类别以及告警值,获取监测数据中监测时间、激光器偏置电流、激光器工作温度、输入光功率、输出光功率等5组设备状态参数以及告警标签(告警类别以及告警值),共6个特征值,根据6个特征值生成图像。在具体地应用场景中,设备状态参数中还包括更具体地参数值,例如,输入光功率中包括输入光功率最大值以及输入光功率最小值,则认为是两个特征值。
作为本实施例中一种可选地技术方案,根据多个特征值生成图像数据,包括但不限于:对多个特征值进行预处理,得到对应的多个通道特征值;根据多个通道特征值生成红绿蓝RGB图像。
具体地,仍以上述SDH网络中的通信设备的监测数据为例进行说明,监测数据的6个特征值为激光器偏置电流、激光器工作温度、输入光功率、输出光功率以及告警标签;在具体地应用场景中,激光器偏置电流、激光器工作温度、输入光功率、输出光功率等数值的格式是不同,需要对特征值进行预处理,以使特征值的格式一致,然后根据预处理后的特征值数量确定RGB图像的灰度值,根据特征值的数量确定RGB图像中红绿蓝通道的灰度值。
作为本实施例中一种可选地技术方案,对多个特征值进行预处理,得到对应的个通道特征值,包括但不限于:获取多个特征值的多个绝对值;对多个绝对值进行整数化,得到对应的多个整数绝对值;根据图像的灰度范围对多个整数绝对值取余,以得到多个通道特征值。
仍以上述SDH网络中的通信设备的监测数据为例进行说明,监测数据的设备状态参数为激光器偏置电流、激光器工作温度、输入光功率、输出光功率,以及告警标签。在一个例子中,得到SDH网络中通信设备的监测数据如表1所示,与通信设备的设备状态参数相关的特征值个数为8以及告警标签对应的1个特征值,共9个特征值。
表1:
具体地,对多个特征值的预处理主要包括以下步骤:
S1,对所有特征值的数值取绝对值;
具体地,只保留设备状态参数的正值,对告警标签数值化,有告警则取值为1,无告警则为0,以得到表2所示的绝对值,如表2所示:
表2:
75 | 29.1 | 9.6 | 2.1 | 74.4 | 28.9 | 10.1 | 2.2 | 1 |
S2,对多个绝对值进行整数化;
例如,对设备状态参数进行整数化,对所有设备状态参数乘以10,以得到设备状态参数的整数绝对值。需要说明的是,在本实施例中,对告警标签不作处理。如表3所示:
表3:
750 | 291 | 96 | 21 | 744 | 289 | 101 | 22 | 1 |
S3,根据图像的灰度范围对多个整数绝对值取余
具体地,因为图像的灰度取值范围是0-255,为了避免超过这个范围,将所有数值和255取余,得到主值区间内的数值,即通道特征值。如表4所示:
表4:
240 | 36 | 96 | 21 | 234 | 34 | 101 | 22 | 1 |
通过上述实施例,实现了对监测数据的特征值进行预处理,完成了将监测数图像化的数据准备。
作为本实施例中一种可选地技术方案,根据多个通道特征值生成红绿蓝RGB图像,包括但不限于:根据多个通道特征值的数量,确定RGB图像的尺寸;根据多个通道特征值,确定RGB图像中红、绿、蓝三个通道对应的三组灰度值,其中,通道特征值的个位数值、十位数值以及百位数值分别与RGB的三组灰度值对应。
具体地,仍以上述表1中SDH网络中通信设备的监测数据为例进行说明,RGB图像的每一行最终尺寸等于特征值个数加上一列告警标签列(告警类别),为8+1,将每一行的数据进行复制,使得RGB图像为正方形,最终RGB图像的尺寸为(8+1)*(8+1)。
然后进行RGB图像生成,经过处理后通道特征值的数值有三位,每一位的数值分别代表R、G、B通道的灰度值,之后将长度为(8+1)的行数据进行复制,最终得到大小为(8+1)*(8+1)的RGB图像。R、G、B通道的灰度值如表5所示,生成如图3所示的RGB图像。
表5:
R | 2 | 0 | 0 | 0 | 2 | 0 | 1 | 0 | 0 |
G | 4 | 3 | 9 | 2 | 3 | 3 | 0 | 2 | 0 |
B | 0 | 6 | 6 | 1 | 4 | 4 | 1 | 2 | 1 |
作为本实施例中一种可选地技术方案,图像数据包括与告警标签对应的告警图像以及非告警图像,预测模块包括预先训练完成的判别子网络,其中,通过告警预测模型中的预测模块,基于多组图像数据得到网络通信设备对应的预测结果,包括但不限于:获取告警图像对应的第一数量,以及非告警图像对应的第二数量;根据第一数量以及第二数量,对告警图像或非告警图像进行图像增强,以得到经过增强处理的告警图像以及非告警图像;将经过增强处理的告警图像以及非告警图像混合,以得到输入图像;将输入图像输入至判别子网络,以得到预测结果。
在具体地应用场景中,获取根据监测数据成的图像数据,其中,图像数据包括告警图像以及非告警图像,对告警图像以及非告警图像中数量较少的图像进行图像增强,例如通过翻转、旋转、缩放等方式。将两种告警图像以及非告警图像对应的两种数据集进行混合,得到输入图像,使用判别子网络进行模型训练,训练完成后再基于输入图像数据集得到预测结果。
需要说明的是,判别子网络包括但不限于全卷积神经网络CNN。
作为本实施例中一种可选地技术方案,根据第一数量以及第二数量,对告警图像或非告警图像进行图像增强,包括但不限于:在第一数量或第二数量小于预设数量阈值的情况下,对告警图像或非告警图像进行图像增强,以使第一数量或第二数量等于预设数量阈值;和/或,在第一数量或第二数量的比例值小于预设比例阈值的情况下,对告警图像或非告警图像进行数据增强,以使比例值等于预设比例阈值。
具体地,获取告警图像的第一数量以及非告警图像的第二告警数量,对于未满足预设数量阈值的图像进行图像增强,其中,预设数量阈值为告警预测模型对数据集的数量要求。然后根据预设比例阈值对数量较少的图像进行图像增强。
作为本实施例中一种可选地技术方案,预测模块中包括预先训练完成的生成对抗网络,其中,根据第一数量以及第二数量,对告警图像或非告警图像进行图像增强,包括但不限于:通过生成对抗网络对告警图像或非告警图像进行数据增强。
在具体地应用场景中,通过设置噪声值,将噪声值输入至生成对抗网络GAN,得到假图像,以实现图像数据的数据增强。然后将假图像以及基于监测数据得到的图像数据输入至告警预测模型中的判别子网络,以得到预测结果。
通过本说明书一个或多个实施例,将通信设备的多组监测数据输入至预先训练完成的告警预测模型,其中,监测数据是每隔预设周期在通信设备中采集得到的;通过告警预测模型中的图像生成模块,生成与监测数据对应的多组图像数据;通过告警预测模型中的预测模块,基于多组图像数据得到网络通信设备对应的预测结果。通过将通信设备的监测数据进行图像化,能够有效克服数据量不足的问题,进一步地,将监测数据转换为图像处理问题,能够提高预测结果的准确性。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
实施例2
通过本申请实施例的另一个方面,还提出了一种通信设备告警预测装置,如图4所示,该装置具体可以包括:
1)操作单元40,用于将通信设备的多组监测数据输入至预先训练完成的告警预测模型,其中,所述监测数据是每隔预设周期在所述通信设备中采集得到的;
2)处理单元42,用于通过所述告警预测模型中的图像生成模块,生成与所述多组监测数据对应的多组图像数据;
3)预测单元44,用于通过所述告警预测模型中的预测模块,基于所述多组图像数据得到所述通信设备对应的预测结果.
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
实施例3
通过本申请实施例的另一个方面,还提出了一种电子设备,参照图5,示出了本实施例所提供的一种电子设备的结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
实施例4
根据本申请实施例的又一个方面,还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述通信设备告警预测方法的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,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本说明书一个或多个实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本说明书一个或多个实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (4)
1.一种通信设备告警预测方法,其特征在于,包括:
将通信设备的多组监测数据输入至预先训练完成的告警预测模型,其中,所述监测数据是每隔预设周期在所述通信设备中采集得到的;
通过所述告警预测模型中的图像生成模块,生成与所述多组监测数据对应的多组图像数据;
通过所述告警预测模型中的预测模块,基于所述多组图像数据得到所述通信设备对应的预测结果;
其中,所述将通信设备的多组监测数据输入至预先训练完成的告警预测模型,包括:
确定与所述监测数据对应的告警标签;
根据所述告警标签对所述监测数据进行分类,以得到告警监测数据以及非告警监测数据;
将分类后的监测数据数值输入至所述告警预测模型;
其中,所述通过所述告警预测模型中的图像生成模块,生成与所述多组监测数据对应的多组图像数据,包括:
根据所述监测数据中的至少一组设备状态参数以及对应的告警标签,获取所述监测数据对应的多个特征值;
根据所述多个特征值生成所述图像数据;
其中,所述根据所述多个特征值生成所述图像数据,包括:
对所述多个特征值进行预处理,得到对应的多个通道特征值;
根据所述多个通道特征值生成红绿蓝RGB图像;
其中,对所述多个特征值进行预处理,得到对应的个通道特征值,包括:
获取所述多个特征值的多个绝对值;
对所述多个绝对值进行整数化,得到对应的多个整数绝对值;
根据图像的灰度范围对所述多个整数绝对值取余,以得到所述多个通道特征值;
其中,所述根据所述多个通道特征值生成红绿蓝RGB图像,包括:
根据所述多个通道特征值的数量,确定所述RGB图像的尺寸;
根据所述多个通道特征值,确定所述RGB图像中红、绿、蓝三个通道对应的三组灰度值,其中,所述通道特征值的个位数值、十位数值以及百位数值分别与RGB的所述三组灰度值对应;
其中,所述图像数据包括与所述告警标签对应的告警图像以及非告警图像,所述预测模块包括预先训练完成的判别子网络,其中,
所述通过所述告警预测模型中的预测模块,基于所述多组图像数据得到所述通信设备对应的预测结果,包括:
获取所述告警图像对应的第一数量,以及所述非告警图像对应的第二数量;
根据所述第一数量以及所述第二数量,对所述告警图像或所述非告警图像进行图像增强,以得到经过增强处理的告警图像以及非告警图像;
将所述经过增强处理的告警图像以及非告警图像混合,以得到输入图像;
将所述输入图像输入至所述判别子网络,以得到所述预测结果。
2.根据权利要求1所述的方法,其特征在于,根据所述第一数量以及所述第二数量,对所述告警图像或所述非告警图像进行图像增强,包括:
在所述第一数量或所述第二数量小于预设数量阈值的情况下,对所述告警图像或所述非告警图像进行图像增强,以使所述第一数量或所述第二数量等于预设数量阈值;和/或,
在所述第一数量或所述第二数量的比例值小于预设比例阈值的情况下,对所述告警图像或所述非告警图像进行数据增强,以使所述比例值等于所述预设比例阈值。
3.根据权利要求1所述的方法,其特征在于,所述预测模块中包括预先训练完成的生成对抗网络,其中,
根据所述第一数量以及所述第二数量,对所述告警图像或所述非告警图像进行图像增强,包括:
通过所述生成对抗网络对所述告警图像或所述非告警图像进行数据增强。
4.一种通信设备告警预测装置,其特征在于,包括:
操作单元,用于将通信设备的多组监测数据输入至预先训练完成的告警预测模型,其中,所述监测数据是每隔预设周期在所述通信设备中采集得到的;
处理单元,用于通过所述告警预测模型中的图像生成模块,生成与所述多组监测数据对应的多组图像数据;
预测单元,用于通过所述告警预测模型中的预测模块,基于所述多组图像数据得到所述通信设备对应的预测结果;
其中,所述操作单元还用于:
确定与所述监测数据对应的告警标签;
根据所述告警标签对所述监测数据进行分类,以得到告警监测数据以及非告警监测数据;
将分类后的监测数据数值输入至所述告警预测模型;
其中,所述处理单元还用于:
根据所述监测数据中的至少一组设备状态参数以及对应的告警标签,获取所述监测数据对应的多个特征值;
根据所述多个特征值生成所述图像数据;
其中,所述根据所述多个特征值生成所述图像数据,包括:
对所述多个特征值进行预处理,得到对应的多个通道特征值;
根据所述多个通道特征值生成红绿蓝RGB图像;
其中,对所述多个特征值进行预处理,得到对应的个通道特征值,包括:
获取所述多个特征值的多个绝对值;
对所述多个绝对值进行整数化,得到对应的多个整数绝对值;
根据图像的灰度范围对所述多个整数绝对值取余,以得到所述多个通道特征值;
其中,所述根据所述多个通道特征值生成红绿蓝RGB图像,包括:
根据所述多个通道特征值的数量,确定所述RGB图像的尺寸;
根据所述多个通道特征值,确定所述RGB图像中红、绿、蓝三个通道对应的三组灰度值,其中,所述通道特征值的个位数值、十位数值以及百位数值分别与RGB的所述三组灰度值对应;
其中,所述图像数据包括与所述告警标签对应的告警图像以及非告警图像,所述预测模块包括预先训练完成的判别子网络,其中,
所述预测单元还用于:
获取所述告警图像对应的第一数量,以及所述非告警图像对应的第二数量;
根据所述第一数量以及所述第二数量,对所述告警图像或所述非告警图像进行图像增强,以得到经过增强处理的告警图像以及非告警图像;
将所述经过增强处理的告警图像以及非告警图像混合,以得到输入图像;
将所述输入图像输入至所述判别子网络,以得到所述预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670333.0A CN112231183B (zh) | 2020-07-13 | 2020-07-13 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670333.0A CN112231183B (zh) | 2020-07-13 | 2020-07-13 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112231183A CN112231183A (zh) | 2021-01-15 |
CN112231183B true CN112231183B (zh) | 2022-09-30 |
Family
ID=74115356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010670333.0A Active CN112231183B (zh) | 2020-07-13 | 2020-07-13 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231183B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052338B (zh) * | 2021-03-31 | 2022-11-08 | 上海天旦网络科技发展有限公司 | 基于规则与模型增强的运维告警规则生成方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108011782A (zh) * | 2017-12-06 | 2018-05-08 | 北京百度网讯科技有限公司 | 用于推送告警信息的方法和装置 |
US10049427B1 (en) * | 2017-08-15 | 2018-08-14 | Apple Inc. | Image data high throughput predictive compression systems and methods |
CN109269556A (zh) * | 2018-09-06 | 2019-01-25 | 深圳市中电数通智慧安全科技股份有限公司 | 一种设备风险预警方法、装置、终端设备及存储介质 |
CN109445371A (zh) * | 2018-12-07 | 2019-03-08 | 新疆信息产业有限责任公司 | 机房设备运行状态自动告警装置、系统及方法 |
CN109783322A (zh) * | 2018-11-22 | 2019-05-21 | 远光软件股份有限公司 | 一种企业信息系统运行状态的监控分析系统及其方法 |
CN110610463A (zh) * | 2019-08-07 | 2019-12-24 | 深圳大学 | 一种图像增强方法及装置 |
CN110782639A (zh) * | 2019-10-28 | 2020-02-11 | 深圳奇迹智慧网络有限公司 | 异常行为告警方法、装置、系统和存储介质 |
CN110808864A (zh) * | 2019-11-12 | 2020-02-18 | 国家电网有限公司 | 通信预警方法、装置及系统 |
CN110955590A (zh) * | 2019-10-15 | 2020-04-03 | 北京海益同展信息科技有限公司 | 界面检测方法、图像处理方法、装置、电子设备及存储介质 |
CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5568584B2 (ja) * | 2012-03-12 | 2014-08-06 | 富士フイルム株式会社 | 内視鏡システム、内視鏡システムのプロセッサ装置、及び内視鏡システムの作動方法 |
CN103279930B (zh) * | 2013-05-27 | 2015-10-21 | 辽宁工程技术大学 | 一种图像的同步去噪增强方法 |
CN109754007A (zh) * | 2018-12-27 | 2019-05-14 | 武汉唐济科技有限公司 | 前列腺手术中外包膜智能检测和预警方法及系统 |
-
2020
- 2020-07-13 CN CN202010670333.0A patent/CN112231183B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10049427B1 (en) * | 2017-08-15 | 2018-08-14 | Apple Inc. | Image data high throughput predictive compression systems and methods |
CN108011782A (zh) * | 2017-12-06 | 2018-05-08 | 北京百度网讯科技有限公司 | 用于推送告警信息的方法和装置 |
CN109269556A (zh) * | 2018-09-06 | 2019-01-25 | 深圳市中电数通智慧安全科技股份有限公司 | 一种设备风险预警方法、装置、终端设备及存储介质 |
CN109783322A (zh) * | 2018-11-22 | 2019-05-21 | 远光软件股份有限公司 | 一种企业信息系统运行状态的监控分析系统及其方法 |
CN109445371A (zh) * | 2018-12-07 | 2019-03-08 | 新疆信息产业有限责任公司 | 机房设备运行状态自动告警装置、系统及方法 |
CN110610463A (zh) * | 2019-08-07 | 2019-12-24 | 深圳大学 | 一种图像增强方法及装置 |
CN110955590A (zh) * | 2019-10-15 | 2020-04-03 | 北京海益同展信息科技有限公司 | 界面检测方法、图像处理方法、装置、电子设备及存储介质 |
CN110782639A (zh) * | 2019-10-28 | 2020-02-11 | 深圳奇迹智慧网络有限公司 | 异常行为告警方法、装置、系统和存储介质 |
CN110808864A (zh) * | 2019-11-12 | 2020-02-18 | 国家电网有限公司 | 通信预警方法、装置及系统 |
CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
Non-Patent Citations (3)
Title |
---|
基于告警日志的网络故障预测;钟将等;《计算机应用》;20160610;全文 * |
改进的DCGAN在SAR图像分类中的应用;鲁力等;《控制工程》;20200320(第03期);全文 * |
智能变电站站控层设备监测系统设计及应用;邓科等;《电力系统保护与控制》;20181015(第19期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112231183A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
CN107346388A (zh) | Web攻击检测方法及装置 | |
US9933772B2 (en) | Analyzing SCADA systems | |
CN112448947A (zh) | 网络异常确定方法、设备及存储介质 | |
KR20160045866A (ko) | 툴 프로세스 데이터에 대한 다-변량 분석을 제공하기 위한 k-최근접 이웃-기반 방법 및 시스템 | |
CN112231183B (zh) | 通信设备告警预测方法和装置、电子设备和可读存储介质 | |
Iturrino-García et al. | An innovative single shot power quality disturbance detector algorithm | |
CN116915442A (zh) | 漏洞测试方法、装置、设备和介质 | |
Grover | Anomaly detection for application log data | |
CN117371875B (zh) | 基于数据分析的音箱生产质量评价方法及系统 | |
KR20200034545A (ko) | 중첩 산점도를 이용한 데이터 변환 방법 및 장치 | |
CN111026087B (zh) | 基于数据的含权重非线性工业系统故障检测方法及装置 | |
CN117272145A (zh) | 转辙机的健康状态评估方法、装置和电子设备 | |
CN114745407B (zh) | 电力物联网的安全态势感知方法、装置、设备及介质 | |
CN111585830A (zh) | 一种用户行为分析方法、装置、设备及存储介质 | |
CN115656747A (zh) | 基于异构数据的变压器缺陷诊断方法、装置和计算机设备 | |
US20150365303A1 (en) | Analyzing scada systems | |
CN114357449A (zh) | 异常进程检测方法及装置、电子设备和存储介质 | |
CN112465259B (zh) | 一种基于深度神经网络的开关故障预测方法 | |
TW201929584A (zh) | 基地台之障礙辨識伺服器及方法 | |
CN117671303B (zh) | 基于孪生网络的立体测距隐患预警方法及系统 | |
Ahasan et al. | Deep Learning Autoencoder based Anomaly Detection Model on 4G Network Performance Data | |
CN115980279B (zh) | 氖气纯度检测系统的稳定性优化方法及系统 | |
CN114237962B (zh) | 告警根因判断方法、模型训练方法、装置、设备和介质 | |
CN115631448B (zh) | 一种音视频质检处理方法及系统 |
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 |