CN112333751A - 基于5g核心网的智能运维数据异常检测方法及装置 - Google Patents
基于5g核心网的智能运维数据异常检测方法及装置 Download PDFInfo
- Publication number
- CN112333751A CN112333751A CN202011324346.9A CN202011324346A CN112333751A CN 112333751 A CN112333751 A CN 112333751A CN 202011324346 A CN202011324346 A CN 202011324346A CN 112333751 A CN112333751 A CN 112333751A
- Authority
- CN
- China
- Prior art keywords
- data
- period
- characteristic
- feature
- random fluctuation
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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
- H04W24/08—Testing, supervising or monitoring using real traffic
Abstract
本发明公开了基于5G核心网的智能运维数据异常检测方法及装置,运维数据异常检测方法包括获取网络性能指标的时间序列数据;基于时间序列数据的局部峰值以确定周期长度;根据周期长度进行STL分解,获取时间序列数据的趋势特征、周期特征和随机波动特征;根据随机波动特征,计算网络性能指标的数据异常区间,并当网络性能指标超出数据异常区间时为数据异常。通过获取网络性能指标的时间序列数据而确定周期长度,并进行STL分解以获取趋势特征、周期特征和随机波动特征,最终得到数据异常区间,当后续实时采集的数据落入到数据异常区间内时,表明数据异常,利用人工智能结合网络性能指标对异常数据进行检测,提升5G核心网运维的效率和质量。
Description
技术领域
本发明涉及电子信息技术领域,尤其涉及一种基于5G核心网的智能运维数据异常检测方法及装置。
背景技术
核心网位于网络数据交互的中央,主要负责终端用户的移动性管理、会话管理和数据传输。4G核心网主要包含MME(Mobility Management Entity)、SGW(Serving GateWay,服务网关)、PGW(PDN GateWay,PDN网关)、HSS(Home Subscriber Server)等网元。SGW和PGW不但要处理转发用户面数据,还要负责进行会话管理和承载控制等控制面功能,这种用户面和控制面交织的缺点导致了业务改动复杂,效率难以优化,部署运维难度大的问题。
5G核心网采用基于服务的架构(SBA),引入虚拟化,控制面和用户面分离,计算和存储分离,全面支持网络切片,并可对第三方开放接口。传统网元是一种软硬件结合的紧耦合的黑盒设计,引入虚拟化之后,软件和硬件解耦,从此硬件摆脱了专用设备的束缚,使用通用的服务器即可,成本极大降低。同时,软件也不再关注底层硬件,可扩展性极大提高。通过借鉴IT系统中微服务的架构,把大的单体软件进一步分解为多个小的模块化组件,这些组件就叫做网络功能服务(NFS),它们高度独立自治,并通过开放接口来相互通信,可以像搭积木一样组合成大的网络功能(NF),以提升业务部署的敏捷性和弹性。每个网络功能逻辑上相当于一个网元,并且这些功能都是完全独立自治的,无论是新增,升级,还是扩容都不会影响到其他的功能,这就为网络的升级和扩展提供了极大的便利性。
5G核心网运维根据业务需求来规划信息、网络、服务,通过网络监控、事件预警、业务调度、排障升级等手段,使服务处于长期稳定可用的状态。早期的运维工作大部分是由运维人员手工完成,这种运维模式不仅低效,也消耗了大量的人力资源。受限于人类自身的生理极限以及认识的局限,无法持续地面向大规模、高复杂性的系统提供高质量的运维服务,无法即时对性能指标进异常检测。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种基于5G核心网的智能运维数据异常检测方法,其能实现对网络性能指标实时异常检测,提高运维质量。
本发明的目的之二在于提供一种基于5G核心网的智能运维数据异常检测装置,其能实现对网络性能指标实时异常检测,提高运维质量。
本发明的目的之三在于提供一种电子设备,其能实现对网络性能指标实时异常检测,提高运维质量。
本发明的目的之四在于提供一种存储介质,其能实现对网络性能指标实时异常检测,提高运维质量。
本发明的目的之一采用如下技术方案实现:
基于5G核心网的智能运维数据异常检测方法,包括:
获取网络性能指标的时间序列数据;
基于所述时间序列数据的局部峰值以确定周期长度;
根据所述周期长度进行STL分解,分别获取所述时间序列数据的趋势特征、周期特征和随机波动特征;
根据所述随机波动特征,计算网络性能指标的数据异常区间,并当所述网络性能指标超出所述数据异常区间时为数据异常。
进一步地,根据所述周期长度进行STL分解获取时间序列数据的趋势特征,包括:
根据周期长度设置滤波器,将所述滤波器与所述时间序列数据进行卷积运算以得到预趋势特征;
根据预趋势特征进行缺失值拟合填补得到最终的趋势特征。
进一步的,根据所述周期长度进行STL分解获取时间序列数据的周期特征,包括:
去除时间序列数据中的趋势特征,得到仅包含周期特征和随机波动特征的序列数据;
将所述序列数据中的每个周期内相同频率的数据值进行平均化处理,以得到预周期特征;
将所述预周期特征中心化,得到中心化的周期特征。
进一步的,将所述序列数据中的每个周期内相同频率的数据值进行平均化处理以得到预周期特征,包括:
将仅包含周期特征和随机波动特征的所述序列数据中每个周期内相同频率位置的数据值分别求得平均值,并将每个周期中各个相同频率位置的平均值依序合并排列以得到预周期特征。
进一步的,将所述预周期特征中心化,得到中心化的周期特征,包括:
将仅包含周期特征和随机波动特征的所述序列数据中每个周期内相同频率位置的数据值分别求得平均值,并将每个周期中各个相同频率位置的平均值依序合并排列以得到预周期特征。
进一步的,根据所述周期长度进行STL分解获取时间序列数据的随机波动特征,包括:
去除所述时间序列数据中的趋势特征和周期特征,得到该时间序列数据的随机波动特征。
进一步的,根据所述随机波动特征,计算网络性能指标的数据异常区间,包括:
计算随机波动特征的均值和标准差,将所述均值和标准差相加得到上限值,将所述均值和标准差相减得到下限值;
将所述上限值、下限值均与趋势特征和周期特征相加,得到异常上限和异常下限;
所述异常上限和异常下限之间的范围构成所述数据异常区间。
本发明的目的之二采用如下技术方案实现:
基于5G核心网的智能运维数据异常检测装置,包括:
数据获取模块:用于获取网络性能指标的时间序列数据;
周期获取模块:用于基于所述时间序列数据的局部峰值以确定周期长度;
特征分解模块:用于根据所述周期长度进行STL分解,分别获取所述时间序列数据的趋势特征、周期特征和随机波动特征;
区间计算模块:用于根据所述随机波动特征,计算网络性能指标的数据异常区间,并当所述网络性能指标超出所述数据异常区间时为数据异常。
进一步的,在周期获取模块中,具体包括如下子模块:
卷积运算子模块:用于根据周期长度设置滤波器,将所述滤波器与所述时间序列数据进行卷积运算以得到预趋势特征;
趋势特征确定子模块:用于根据预趋势特征进行缺失值拟合填补得到最终的趋势特征。
进一步的,在周期获取模块中,具体还包括如下子模块:
趋势特征去除子模块:用于去除时间序列数据中的趋势特征,得到仅包含周期特征和随机波动特征的序列数据;
数据平均处理子模块:用于将所述序列数据中的每个周期内相同频率的数据值进行平均化处理,以得到预周期特征;
中心化处理子模块:用于将所述预周期特征中心化,得到中心化的周期特征。
进一步的,将所述序列数据中的每个周期内相同频率的数据值进行平均化处理以得到预周期特征,包括:
将仅包含周期特征和随机波动特征的所述序列数据中每个周期内相同频率位置的数据值分别求得平均值,并将每个周期中各个相同频率位置的平均值依序合并排列以得到预周期特征。
进一步的,将所述预周期特征中心化,得到中心化的周期特征,包括:
将所述预周期特征减去自身的平均值得到中心化的预周期特征,再复制至少一个预周期特征,使至少两个预周期特征依次排列,将预周期特征复制,使得所述序列长度等于时间序列数据的长度,以得到中心化的周期特征。
进一步的,根据所述周期长度进行STL分解获取时间序列数据的随机波动特征,包括:
去除所述时间序列数据中的趋势特征和周期特征,得到该时间序列数据的随机波动特征。
进一步的,根据所述随机波动特征,计算网络性能指标的数据异常区间,包括:
计算随机波动特征的均值和标准差,将所述均值和标准差相加得到上限值,将所述均值和标准差相减得到下限值;
将所述上限值、下限值均与趋势特征和周期特征相加,得到异常上限和异常下限;
所述异常上限和异常下限之间的范围构成所述数据异常区间。
本发明的目的之三采用如下技术方案实现:
一种计算机设备,包括处理器、存储器和计算机可读程序;所述计算机可读程序存储于所述存储器中,且可被处理器执行,当所述计算机可读程序被处理器执行时实现如本发明目的之一任一项所述的基于5G核心网的智能运维数据异常检测方法。
本发明的目的之四采用以下技术方案实现:
一种存储介质,其上存储有可被处理器执行的计算机可读程序,所述计算机可读程序被处理器执行时实现如本发明目的之一任一项所述的基于5G核心网的智能运维数据异常检测方法。
相比现有技术,本发明的有益效果在于:
本发明公开的智能运维故数据异常检测方法通过获取网络性能指标的时间序列数据而确定周期长度,并进行STL分解以获取趋势特征、周期特征和随机波动特征,最终得到数据异常区间,当后续实时采集的数据落入到数据异常区间内时,表面数据异常,利用人工智能结合网络性能指标对异常数据进行检测,提升5G核心网运维的效率,提高运维的质量。
附图说明
图1为本发明的基于5G核心网的智能运维数据异常检测方法的流程图;
图2为本发明的基于5G核心网的智能运维数据异常检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
请参阅图1,图1是本发明实施例公开的基于5G核心网的智能运维数据异常检测方法的流程示意图。如图1所示,智能运维数据异常检测方法包括以下操作:
101、获取网络性能指标的时间序列数据。
在本发明实施例中,基于5G核心网的智能运维数据异常检测方法主要应用于网络性能指标时间序列数据,通过指标历史数据预测该指标当前数据,也即是预测器,并对比分析预测数据与真实数据的偏离程度,即比较器,以认定异常。时间序列的数据一般具有趋势性、周期性和随机性、趋势性是指数据呈现某种持续向上或向下的趋势或者规律;周期性是指数据呈现周期性,数据按照一定的规则进行往复出现;随机性是指一些采集过程中的噪声或一些不规则的波动。
本发明实施例基于具备加权回归的时间序列分解(STL)是一种时间序列分解算法,不仅能够处理任何类型的季节性数据(包括但不局限于月度或者季度数据),而且可以轻松处理包含缺失值的时间序列。STL算法可以将某时刻的时间序列数据分解为趋势特征、周期特征和随机波动特征。
102、基于所述时间序列数据的局部峰值以确定周期长度。
在本发明中,通过自相关系数的局部峰值确定周期长度。自相关系数的计算步骤:原始序列先减去均值,即零均值化;再对自身序列进行滑动点积运算,即求解不同滑动间隔长度情况下前后两个序列的线性互相关系数,最终得到首项值为1,波动趋向于0值的自相关系数序列。在该自相关系数序列中寻找局部峰值(局部峰值前后相邻的值都比该局部峰值小)。由于目标数据具备周期性,会存在多个局部峰值,取局部峰值对应的最小时间间隔作为周期长度值即可。
103、根据所述周期长度进行STL分解,分别获取所述时间序列数据的趋势特征、周期特征和随机波动特征。
其中,根据周期长度设置滤波器,将所述滤波器与所述时间序列数据进行卷积运算以得到预趋势特征,根据预趋势特征进行缺失值拟合填补得到最终的趋势特征。具体的,根据周期长度设置滤波器,若周期长度为期数,则滤波器长度为周期长度,滤波器的每个值为等权重系数,其相加和等于1。如果周期长度为偶数,则滤波器长度为周期的长度加1,滤波器前后端的值都为等权重系数,而前后端的值是等权重系数的一般,其相加和和确保等于1。滤波器卷积。滤波器与原始序列进行卷积运算,得到预趋势特征,其长度为时间序列数据减去滤波器长度加1。将卷积运算后得到的预趋势特征进行缺失值拟合填补。第一个周期的缺失值,先通过预趋势特征的第二个周期值进行回归得到直线方程,再用直线方程对第一个周期的缺失值进行拟合填补,最终得到的序列长度与原始序列的长度一致,即得到最终的趋势特征。
本步骤中,根据所述周期长度进行STL分解获取时间序列数据的周期特征,包括:去除时间序列数据中的趋势特征,得到仅包含周期特征和随机波动特征的序列数据;将所述序列数据中的每个周期内相同频率的数据值进行平均化处理,以得到预周期特征;将所述预周期特征中心化,得到中心化的周期特征。
而将所述序列数据中的每个周期内相同频率的数据值进行平均化处理以得到预周期特征,包括:将仅包含周期特征和随机波动特征的所述序列数据中每个周期内相同频率位置的数据值分别求得平均值,并将每个周期中各个相同频率位置的平均值依序合并排列以得到预周期特征。
进一步的,将所述预周期特征中心化,得到中心化的周期特征,包括:
将所述预周期特征减去自身的平均值得到中心化的预周期特征,再复制至少一个预周期特征,使至少两个预周期特征依次排列,将预周期特征复制,使得所述序列长度等于时间序列数据的长度,以得到中心化的周期特征。
具体的,剔除趋势特征主要采用加法原理,按时间序列减去趋势特征,得到周期特征和随机波动特征的序列。将各个周期相同频率下的值平均化处理,将上个步骤的得到的序列中各个周期内相同频率位置下的值进行均值计算,之后将均值合并,最终得到预周期特征,其特征长度为一个周期。预周期特征中心化即是将预周期特征减去自身均值,再进行特征复制,使其序列长度为原始的时间序列数据的长度,即可得到最终的周期特征。
分解随机波动特征即是根据所述周期长度进行STL分解获取时间序列数据的随机波动特征,包括:
去除所述时间序列数据中的趋势特征和周期特征,得到该时间序列数据的随机波动特征。
上述采用加法原理,将时间序列数据减去趋势特征和周期特征,即可得到最终的随机波动特征的序列,而趋势特征和周期特征为序列预测结果。
104、根据所述随机波动特征,计算网络性能指标的数据异常区间,并当所述网络性能指标超出所述数据异常区间时为数据异常。
在本步骤中,具体的,根据所述随机波动特征,计算网络性能指标的数据异常区间,包括:计算随机波动特征的均值和标准差,将所述均值和标准差相加得到上限值,将所述均值和标准差相减得到下限值;将所述上限值、下限值均与趋势特征和周期特征相加,得到异常上限和异常下限;所述异常上限和异常下限之间的范围构成所述数据异常区间。
另外一方面,参见图2,本发明实施例还提供一种基于5G核心网的智能运维数据异常检测装置,包括数据获取模块201、周期获取模块202、特征分解模块203、区间计算模块204。数据获取模块201用于获取网络性能指标的时间序列数据;周期获取模块202用于基于所述时间序列数据的局部峰值以确定周期长度;特征分解模块203用于根据所述周期长度进行STL分解,分别获取所述时间序列数据的趋势特征、周期特征和随机波动特征;区间计算模块204用于根据所述随机波动特征,计算网络性能指标的数据异常区间,并当所述网络性能指标超出所述数据异常区间时为数据异常。
作为优选的实施方式,在周期获取模块202中,具体包括如下子模块:卷积运算子模块:用于根据周期长度设置滤波器,将所述滤波器与所述时间序列数据进行卷积运算以得到预趋势特征;趋势特征确定子模块:用于根据预趋势特征进行缺失值拟合填补得到最终的趋势特征。
作为优选的实施方式,在周期获取模块202中,具体还包括如下子模块:趋势特征去除子模块:用于去除时间序列数据中的趋势特征,得到仅包含周期特征和随机波动特征的序列数据;数据平均处理子模块:用于将所述序列数据中的每个周期内相同频率的数据值进行平均化处理,以得到预周期特征;中心化处理子模块:用于将所述预周期特征中心化,得到中心化的周期特征。
进一步优选的,将所述序列数据中的每个周期内相同频率的数据值进行平均化处理以得到预周期特征,包括将仅包含周期特征和随机波动特征的所述序列数据中每个周期内相同频率位置的数据值分别求得平均值,并将每个周期中各个相同频率位置的平均值依序合并排列以得到预周期特征。
另一方面,将所述预周期特征中心化,得到中心化的周期特征,包括:
将所述预周期特征减去自身的平均值得到中心化的预周期特征,再复制至少一个预周期特征,使至少两个预周期特征依次排列,将预周期特征复制,使得所述序列长度等于时间序列数据的长度,以得到中心化的周期特征。例如,得到预周期特征为A,对预周期特征进行复制,复制数量为3个,再依次排列得到AAAA.,该AAAA的长度等于时间序列数据的长度。
在本发明实施例中,根据所述周期长度进行STL分解获取时间序列数据的随机波动特征,包括去除所述时间序列数据中的趋势特征和周期特征,得到该时间序列数据的随机波动特征。进一步还可以根据所述随机波动特征,计算网络性能指标的数据异常区间,计算随机波动特征的均值和标准差,将所述均值和标准差相加得到上限值,将所述均值和标准差相减得到下限值;将所述上限值、下限值均与趋势特征和周期特征相加,得到异常上限和异常下限;所述异常上限和异常下限之间的范围构成所述数据异常区间。
本发明实施例还提供一种计算机设备,包括处理器、存储器和计算机可读程序;所述计算机可读程序存储于所述存储器中,且可被处理器执行,当所述计算机可读程序被处理器执行时实现如本发明任一项所述的基于5G核心网的智能运维数据异常检测方法。
本发明实施例还提供一种存储介质,其上存储有可被处理器执行的计算机可读程序,所述计算机可读程序被处理器执行时实现如本发明任一项所述的基于5G核心网的智能运维数据异常检测方法,该智能运维数据异常检测方法包括:获取网络性能指标的时间序列数据;基于所述时间序列数据的局部峰值以确定周期长度;根据所述周期长度进行STL分解,分别获取所述时间序列数据的趋势特征、周期特征和随机波动特征;根据所述随机波动特征,计算网络性能指标的数据异常区间,并当所述网络性能指标超出所述数据异常区间时为数据异常。
本发明公开的智能运维故数据异常检测方法通过获取网络性能指标的时间序列数据而确定周期长度,并进行STL分解以获取趋势特征、周期特征和随机波动特征,最终得到数据异常区间,当后续实时采集的数据落入到数据异常区间内时,表面数据异常,利用人工智能结合网络性能指标对异常数据进行检测,提升5G核心网运维的效率,提高运维的质量。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.基于5G核心网的智能运维数据异常检测方法,其特征在于,包括:
获取网络性能指标的时间序列数据;
基于所述时间序列数据的局部峰值以确定周期长度;
根据所述周期长度进行STL分解,分别获取所述时间序列数据的趋势特征、周期特征和随机波动特征;
根据所述随机波动特征,计算网络性能指标的数据异常区间,并当所述网络性能指标超出所述数据异常区间时为数据异常。
2.根据权利要求1所述的智能运维数据异常检测方法,其特征在于,根据所述周期长度进行STL分解获取时间序列数据的趋势特征,包括:
根据周期长度设置滤波器,将所述滤波器与所述时间序列数据进行卷积运算以得到预趋势特征;
根据预趋势特征进行缺失值拟合填补得到最终的趋势特征。
3.根据权利要求2所述的智能运维数据异常检测方法,其特征在于,根据所述周期长度进行STL分解获取时间序列数据的周期特征,包括:
去除时间序列数据中的趋势特征,得到仅包含周期特征和随机波动特征的序列数据;
将所述序列数据中的每个周期内相同频率的数据值进行平均化处理,以得到预周期特征;
将所述预周期特征中心化,得到中心化的周期特征。
4.根据权利要求3所述的智能运维数据异常检测方法,其特征在于,将所述序列数据中的每个周期内相同频率的数据值进行平均化处理以得到预周期特征,包括:
将仅包含周期特征和随机波动特征的所述序列数据中每个周期内相同频率位置的数据值分别求得平均值,并将每个周期中各个相同频率位置的平均值依序合并排列以得到预周期特征。
5.根据权利要求4所述的智能运维数据异常检测方法,其特征在于,
将所述预周期特征中心化,得到中心化的周期特征,包括:
将所述预周期特征减去自身的平均值得到中心化的预周期特征,再复制至少一个预周期特征,使至少两个预周期特征依次排列,将预周期特征复制,使得所述序列长度等于时间序列数据的长度,以得到中心化的周期特征。
6.根据权利要求3所述的智能运维数据异常检测方法,其特征在于,根据所述周期长度进行STL分解获取时间序列数据的随机波动特征,包括:
去除所述时间序列数据中的趋势特征和周期特征,得到该时间序列数据的随机波动特征。
7.根据权利要求1或6所述的智能运维数据异常检测方法,其特征在于,根据所述随机波动特征,计算网络性能指标的数据异常区间,包括:
计算随机波动特征的均值和标准差,将所述均值和标准差相加得到上限值,将所述均值和标准差相减得到下限值;
将所述上限值、下限值均与趋势特征和周期特征相加,得到异常上限和异常下限;
所述异常上限和异常下限之间的范围构成所述数据异常区间。
8.基于5G核心网的智能运维数据异常检测装置,其特征在于,包括:
数据获取模块:用于获取网络性能指标的时间序列数据;
周期获取模块:用于基于所述时间序列数据的局部峰值以确定周期长度;
特征分解模块:用于根据所述周期长度进行STL分解,分别获取所述时间序列数据的趋势特征、周期特征和随机波动特征;
区间计算模块:用于根据所述随机波动特征,计算网络性能指标的数据异常区间,并当所述网络性能指标超出所述数据异常区间时为数据异常。
9.一种计算机设备,包括处理器、存储器和计算机可读程序;其特征在于,所述计算机可读程序存储于所述存储器中,且可被处理器执行,当所述计算机可读程序被处理器执行时实现如权利要求1-7任一项所述的基于5G核心网的智能运维数据异常检测方法。
10.一种存储介质,其上存储有可被处理器执行的计算机可读程序,其特征在于,所述计算机可读程序被处理器执行时实现如权利要求1-7任一项所述的基于5G核心网的智能运维数据异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011324346.9A CN112333751A (zh) | 2020-11-23 | 2020-11-23 | 基于5g核心网的智能运维数据异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011324346.9A CN112333751A (zh) | 2020-11-23 | 2020-11-23 | 基于5g核心网的智能运维数据异常检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112333751A true CN112333751A (zh) | 2021-02-05 |
Family
ID=74321066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011324346.9A Pending CN112333751A (zh) | 2020-11-23 | 2020-11-23 | 基于5g核心网的智能运维数据异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112333751A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114816750A (zh) * | 2022-04-24 | 2022-07-29 | 江苏鼎集智能科技股份有限公司 | 大数据数据治理任务运行方法 |
CN115292304A (zh) * | 2022-10-09 | 2022-11-04 | 深圳市明源云科技有限公司 | 时序数据的异常检测方法、设备及计算机可读存储介质 |
CN115994248A (zh) * | 2023-03-24 | 2023-04-21 | 青岛精锐机械制造有限公司 | 阀门故障的数据检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095655A (zh) * | 2016-05-31 | 2016-11-09 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
CN107528722A (zh) * | 2017-07-06 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种时间序列中异常点检测方法及装置 |
CN108681542A (zh) * | 2018-02-12 | 2018-10-19 | 阿里巴巴集团控股有限公司 | 一种异常检测的方法及装置 |
CN110750429A (zh) * | 2019-09-06 | 2020-02-04 | 平安科技(深圳)有限公司 | 运维管理系统的异常检测方法、装置、设备及存储介质 |
US10635565B2 (en) * | 2017-10-04 | 2020-04-28 | Servicenow, Inc. | Systems and methods for robust anomaly detection |
-
2020
- 2020-11-23 CN CN202011324346.9A patent/CN112333751A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095655A (zh) * | 2016-05-31 | 2016-11-09 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
CN107528722A (zh) * | 2017-07-06 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种时间序列中异常点检测方法及装置 |
US10635565B2 (en) * | 2017-10-04 | 2020-04-28 | Servicenow, Inc. | Systems and methods for robust anomaly detection |
CN108681542A (zh) * | 2018-02-12 | 2018-10-19 | 阿里巴巴集团控股有限公司 | 一种异常检测的方法及装置 |
CN110750429A (zh) * | 2019-09-06 | 2020-02-04 | 平安科技(深圳)有限公司 | 运维管理系统的异常检测方法、装置、设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114816750A (zh) * | 2022-04-24 | 2022-07-29 | 江苏鼎集智能科技股份有限公司 | 大数据数据治理任务运行方法 |
CN114816750B (zh) * | 2022-04-24 | 2022-12-23 | 江苏鼎集智能科技股份有限公司 | 大数据数据治理任务运行方法 |
CN115292304A (zh) * | 2022-10-09 | 2022-11-04 | 深圳市明源云科技有限公司 | 时序数据的异常检测方法、设备及计算机可读存储介质 |
CN115994248A (zh) * | 2023-03-24 | 2023-04-21 | 青岛精锐机械制造有限公司 | 阀门故障的数据检测方法及系统 |
CN115994248B (zh) * | 2023-03-24 | 2023-06-20 | 青岛精锐机械制造有限公司 | 阀门故障的数据检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112333751A (zh) | 基于5g核心网的智能运维数据异常检测方法及装置 | |
CN110851338A (zh) | 异常检测方法、电子设备及存储介质 | |
CN109389518A (zh) | 关联分析方法及装置 | |
CN108984370A (zh) | 一种确定监控阈值的方法和装置 | |
CN109743356B (zh) | 工业互联网数据采集方法及装置、可读存储介质和终端 | |
CN108733698B (zh) | 一种日志消息的处理方法及后台服务系统 | |
CN110475124A (zh) | 视频卡顿检测方法及装置 | |
CN110661660B (zh) | 告警信息根源分析方法及装置 | |
CN114116390A (zh) | 一种故障预测方法、装置、设备及可读存储介质 | |
CN100413257C (zh) | 网元告警数据获取方法 | |
US10009246B1 (en) | Monitoring service | |
CN110971435A (zh) | 一种报警方法及装置 | |
CN111932348B (zh) | 针对异常订单的报警方法、装置、电子设备和可读介质 | |
CN112419094A (zh) | 配电物联网数据产品构建方法、装置及可读存储介质 | |
CN111291021A (zh) | 一种数据库管理方法、装置、电子设备及存储介质 | |
CN111327487A (zh) | 基于深度学习的电力通信网络运行状态监测方法和装置 | |
Aunali et al. | Bayesian approach in control charts techniques | |
CN105446707A (zh) | 一种数据转换方法 | |
CN114861678A (zh) | 时间信息的确定方法和装置、存储介质及电子装置 | |
CN112488326A (zh) | 基于5g核心网的智能运维故障预警方法及装置 | |
CN109427177B (zh) | 一种监控报警方法及装置 | |
CN113746862A (zh) | 一种基于机器学习的异常流量检测方法、装置和设备 | |
CN107678905B (zh) | 一种监控方法和装置 | |
CN112087331A (zh) | 基于大数据的告警管理系统及方法 | |
CN113190946A (zh) | 一种配网线路分布图用于展示开关信息的方法及相关装置 |
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: 20210205 |