CN113132130B - 网络指标预测方法、装置、设备及存储介质 - Google Patents
网络指标预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113132130B CN113132130B CN201911397860.2A CN201911397860A CN113132130B CN 113132130 B CN113132130 B CN 113132130B CN 201911397860 A CN201911397860 A CN 201911397860A CN 113132130 B CN113132130 B CN 113132130B
- Authority
- CN
- China
- Prior art keywords
- index data
- index
- original
- network
- target
- 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
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种网络指标预测方法、装置、设备及存储介质。该方法包括:获取原始指标数据;原始指标数据表示网络指标在预设时间段内的指标值;原始指标数据包括时间信息;根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整;当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展;当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据;将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值,提高了网络指标预测的准确率。
Description
技术领域
本发明属于网络监控技术领域,尤其涉及一种网络指标预测方法、装置、设备及存储介质。
背景技术
随着第四代移动通信技术的加速普及、互联网应用全方位渗透和智能终端快速更新换代,数据流量迎来了爆发式增长。流量答复增长对无线网、传输网和核心网造成巨大冲击。为了应对流量增长对全网网络带来的冲击,保障重要区域在特殊时期的网络质量,如节假日等短时间内造成人员密集在特定区域,需要推进网络运维智能化,构建网络预测防护能力。
目前,采单一时序预测方法对网络指标的历史数据进行分析,进行网络指标预测,根据网络指标的预测值,规划网络资源,保证网络质量。但是,仅通过对网络指标的历史数据进行分析的分析方式过于单一,还存在网络指标预测的准确性低的问题。
发明内容
本发明实施例提供一种网络指标预测方法、装置、设备及存储介质,能够解决网络指标预测的准确性低的问题。
第一方面,提供了一种网络指标预测方法,该方法包括:
获取原始指标数据;原始指标数据表示网络指标在预设时间段内的指标值;原始指标数据包括时间信息;
根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整;
当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展;
当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据;
将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值。
在一种可能的实现方式中,该方法还包括:
当原始指标数据不完整时,根据原始指标数据的时间信息,确定网络指标到达服务器的时间点;
确定网络指标到达服务器的时间点是否超过预设的时间阈值;
当网络指标到达服务器的时间点未超过预设的时间阈值时,确定原始指标数据是否需要进行维度扩展;
当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据。
在一种可能的实现方式中,该方法还包括:
当网络指标到达服务器的时间点未超过预设的时间阈值时,根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整;
当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展;
当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据。
在一种可能的实现方式中,在将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值之前,方法还包括:
根据目标指标数据和目标指标数据的时间信息,确定目标指标数据的上四分位数和下四分位数;
根据上四分位数和下四分位数,确定目标指标数据的阈值范围;
当目标指标数据的指标值不在阈值范围内时,将目标指标数据置空。
在一种可能的实现方式中,该方法还包括:
根据目标指标数据的时间信息,将相同时间点的目标指标数据的中值填充到置空后的目标指标数据;
或者,
根据目标指标数据的时间信息,将预设时间段内的目标指标数据的中值填充到置空后的目标指标数据。
在一种可能的实现方式中,在将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值之前,方法还包括:
对目标指标数据进行box-cox变换。
在一种可能的实现方式中,趋势预测模型包括STL模型和ARMA模型;将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值,包括:
根据目标指标数据的预设周期,采用STL模型将目标指标数据分解为趋势分量、周期分量和随机分量;
根据随机分量,构建ARMA 模型;
采用ARMA 模型拟合目标指标数据中的噪声;
根据趋势分量、周期分量和噪声,确定网络指标的指标预测值。
在一种可能的实现方式中,该方法还包括:
根据目标指标数据的时间信息,确定突发事件时间;
根据突发事件时间对应的目标指标数据和突发事件时间对应的网络指标的指标预测值,确定突发事件对网络指标的影响度。
在一种可能的实现方式中,该方法还包括:
根据网络指标的指标预测值和目标指标数据,确定网络指标的置信区间;
根据置信区间、目标指标数据和指标预测值,确定网络指标的指标阈值范围。
在一种可能的实现方式中,该方法还包括:
根据指标阈值范围确定网络指标的告警阈值;
当告警阈值为第一告警阈值,且指标预测值大于第一告警阈值时,生成告警信息;或者,
当告警阈值为第二告警阈值,且指标预测值小于第二告警阈值,生成告警信息;或者,
当告警阈值为指标阈值范围,且指标预测值不在指标阈值范围内,生成告警信息。
第二方面,提供了一种网络指标预测装置,该装置包括:
获取模块,用于获取原始指标数据;原始指标数据表示网络指标在预设时间段内的指标值;原始指标数据包括时间信息;
第一确定模块,用于根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整;
第二确定模块,用于当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展;
扩展模块,用于当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据;
第三确定模块,用于将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值。
第三方面,提供了一种电子设备,该设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现如第一方面或者第一方面的任一可能实现方式中的方法。
第四方面,提供了一种计算机存储介质,该计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面或者第一方面的任一可能实现方式中的方法。
基于提供的网络指标预测方法、装置、设备及存储介质,通过获取原始指标数据;原始指标数据表示网络指标在预设时间段内的指标值;原始指标数据包括时间信息;根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整;当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展;当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据;将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值,提高了网络指标预测的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,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是本发明实施例提供的一种网络指标预测方法的流程示意图;
图2是本发明实施例提供的一种判断数据完整性的流程示意图;
图3是本发明实施例提供的另一种网络指标预测方法的流程示意图;
图4是本发明实施例提供的一种网络指标预测方法的结构示意图;
图5是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
随着第四代移动通信技术的加速普及、互联网应用全方位渗透和智能终端快速更新换代,数据流量迎来爆发式增长,流量大幅增长对无线网、传输网、核心网造成巨大冲击。日常假期、开学、活动等突发事件造成人员短时聚集在特定区域,进一步加深网络负荷,严重影响用户业务感知和网络安全。为了应对流量增长对全网网络带来的冲击,保障重要区域在特殊时间点网络质量,提升用户服务质量,需要推进网络运维智能化,构建网络预测防护能力,基于网络指标预测值,指导网络设备扩容、针对全网关键指标进行实时告警监控,提前规划资源,应对特殊场景保障工作。
目前,采单一时序预测方法对网络指标的历史数据进行分析,进行网络指标预测,根据网络指标的预测值,规划网络资源,保证网络质量。但是,仅通过对网络指标的历史数据进行分析的分析方式过于单一,还存在网络指标预测的准确性低的问题。
因此,本发明实施例提供了一种网络指标预测方法、装置、设备及存储介质,能够提高网络指标预测的准确性。
为了方便理解本发明实施例,首先对本发明实施例中网络指标预测方法进行详细介绍。
图1是本发明实施例提供的一种网络指标预测方法的流程示意图。
如图1所示,本发明实施例提供的一种网络指标预测方法,包括:
S101:获取原始指标数据;原始指标数据表示网络指标在预设时间段内的指标值;原始指标数据包括时间信息。
原始指标数据是在不同维度,不同场景,不同时间粒度下对不同的网络指标进行采集得到的数据。原始指标数据对应包括以下指标的数据:无线小区、无线场景、核心网元、核心内网管理系统(Intranet Management System,IMS)域、家庭宽带光线路终端(OpticalLine Terminal,OLT)、家宽链路、互联网、骨干网等相关网络设备的关键容量、流量、性能指标。
基于不同维度,不同粒度获取的指标包括如表一中所示的监控指标:
表一
在这里,每隔一定的时间则可以获取预设时间段内的原始指标数据。例如,每隔15分钟获取接入侧中流量的指标数据。又例如,某一天中12:05至12:20这个时间段内的流量的指标数据,可以设置在12:50来获取。
S102:根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整。
随着时间的增加,获取原始指标数据的数量也是增加的。但是,在预设的时间点获取原始指标数据可能存在获取的数据不是预设时间段内的所有的指标数据。那么,为了保证网络指标的指标预测值的准确性,需要对原始指标数据的完整性进行验证。
为了确定原始指标数据的完整性,可以根据每个时间点采集的原始指标数据的数据,来确定原始指标数据是否完整。如表二所示,例如,某一天中12:05至12:20这个时间段内的流量的指标数据,可以设置在12:50来获取。可以查看获取的前三条原始指标数据的条数,如果11:20至11.35这个时间段内流量指标数据的条数是16000条,11:35至11.50这个时间段内流量指标数据的条数是17000条,11:50至12.05这个时间段内流量指标数据的条数是18000条,而12:05至12:20这个时间段内流量指标数据的条数为15000条,那么,流量指标数据就是不完整的。
当原始指标数据不完整时,采用原始指标数据得到的网络指标的指标预测值是不准确的。可以采用轮巡补采得到完整的指标数据。
具体的,在S102中,还可以包括下述步骤:
当所述原始指标数据不完整时,根据所述原始指标数据的时间信息,确定所述网络指标到达服务器的时间点;
确定所述网络指标到达服务器的时间点是否超过预设的时间阈值;
当所述网络指标到达服务器的时间点未超过预设的时间阈值时,确定所述原始指标数据是否需要进行维度扩展;
当所述原始指标数据需要进行维度扩展时,扩展所述原始指标数据的维度,得到所述目标指标数据。
不同时间段的原始指标数据对应有获取该原始指标数据的时间信息。该时间信息可以确定原始指标数据到达服务器的时间点。
在这里,确定原始指标数据不完整后,还需要对原始指标数据到达服务器的及时性。其中,对比原始指标数据到达服务器的时间点与预设的时间阈值进行比对。当原始指标数据到达服务器的时间点超过预设的时间阈值时,原始指标数据到达服务器不及时。可以设置时间间隔,根据该时间间隔在继续获取原始指标数据。当原始指标数据到达服务器的时间点未超过预设的时间阈值时,原始指标数据到达服务器及时。
原始指标数据及时到达服务器后,还需要确定原始指标数据是否需要进行维度扩展。
当原始指标数据需要进行维度扩展时,对原始指标数据进行维度扩展,得到目标指标数据。
如果原始指标数据完整,则不需要对原始指标数据进行及时性判断。当确定原始指标数据完整,则需要确定原始指标数据是否进行维度扩展。
具体的,在S102中,还可以包括下述步骤:
当所述网络指标到达服务器的时间点未超过预设的时间阈值时,根据在每个时间点获取所述原始指标数据的数量,确定所述原始指标数据是否完整;
当所述原始指标数据完整时,确定所述原始指标数据是否需要进行维度扩展;
当所述原始指标数据需要进行维度扩展时,扩展所述原始指标数据的维度,得到所述目标指标数据。
当判断原始指标数据及时到达服务器,且确定原始指标数据完整时,还需要确定原始指标数据是否需要进行维度扩展。当原始指标数据需要进行维度扩展时,对原始指标数据进行维度扩展,得到目标指标数据。
S103:当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展。
原始指标数据到达服务器后,判断原始指标数据是完整的,则不需要对原始指标数据到达服务器的及时性,直接确定原始指标数据是否需要进行维度扩展。
S104:当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据。
确定原始指标数据需要进行维度扩展后扩展原始指标数据的维度。
如图2所示,基于上述S102和S103,由原始指标数据确定目标指标数据可以包括下述步骤:
S201:获取原始指标数据。
S202:完整性判断。判断原始指标数据是否完整,若是,执行S203。若否,执行S206。
S203:判断原始指标数据是否需要维度扩展。若是,执行S204。若否,执行S205和S207。
S204:对原始指标数据进行维度扩展。
S205:得到目标指标数据
S206:及时性判断。判断原始指标数到达服务器的时间是否及时。若是,执行S201。若否,执行S206。
其中,对原始指标数据进行完整性判断可以参考表二中的策略。如表一中的指标,不同时间粒度指标可以采取以下策略定时抽取、完整性判断、数据轮巡补采。第一次抽取时间点、完整性要求、间隔补采时间周期、及时性时间周期、补采时间点可以根据实际情况进行调整。
表二
在数据采集层,采用轮巡补采机制和实时计算,兼顾数据完整性和及时性,确保在可容忍的时间内,采集到最新相对完整的指标数据。
执行完S104后,需要执行S105。但是为了保证指标数据的指标预测值的准确性,需要提高目标指标数据的质量。因此,在执行S105之前,本发明实施例提供的指标预测方法还可以包括下述步骤,以提高目标指标数据的质量,保证指标预测值的准确性。
具体的,在S105之前,所述方法还包括:
根据所述目标指标数据和所述目标指标数据的时间信息,确定所述目标指标数据的上四分位数和下四分位数;
根据所述上四分位数和所述下四分位数,确定所述目标指标数据的阈值范围;
当所述目标指标数据的指标值不在所述阈值范围内时,将所述目标指标数据置空。
对目标指标数据进行检测是为了提出目标指标数据由于冲突造成的异常。由于目标指标数据存在周期性,不同时间点的指标数值差距大,需要不仅对目标指标数据整体进行异常检测,还需要对目标指标数据进行不同时间点的异常检测。
其中,可以根据目标指标数据和目标指标数据的时间信息,对不同时间点的目标指标数据进行四分位距(interquartile range,IQR)异常检测。针对不同时间点的目标指标数据,以网元上的目标指标数据为例,对每个网元上的某个指标对应的目标指标数据进行从打到小排序,确定该指标的上四分位数Q3和下四分位数Q1。根据Q3、Q1和实数k确定该指标的阈值范围。其中,该阈值范围的最小阈值满足下述公式(1):
最小阈值=Q1-k(Q3-Q1) (1)
其中,Q3为上四分位数,Q1为下四分位数,k为实数。
阈值范围的最大阈值满足下述公式(2):
最大阈值=Q3+k(Q3-Q1) (2)
其中,Q3为上四分位数,Q1为下四分位数,k为实数。
如果目标指标数据的指标值不在范围内时,该目标指标数异常。当目标指标数据异常时,将该异常的目标指标数据置空。例如,可以将该目标指标数据设置为“NULL”字段。
此外,由于目标指标数据数量庞大,在这里,可以为IQR设置倍数,例如,才有3倍IQR进行目标指标数据的异常检测。
对不同时间点的目标指标数据进行异常检测完成后,在将所有的目标指标数据进行异常检测。对所有的目标指标数据进行从小到大排序,确定上四分位数Q3和下四分位数Q1。根据Q3、Q1和四分位差k确定该指标的阈值范围。其中,阈值范围的最小阈值和最大阈值的计算方式如公式 (1)和公式(2)所示。
如果目标指标数据的指标值不在范围内时,该目标指标数异常。当目标指标数据异常时,将该异常的目标指标数据置空。例如,可以将该目标指标数据设置为“NULL”字段。
其中,k=1.5中度异常;k=3极度异常。IQR估计由于采用分位数评估,相对3σ准则容忍性高,适用于各种不同分布的数据。在异常自动检测处理,采用3倍IQR估计,实际应用可根据情况进行调整。
异常自动检测处理对不同时间点和整体同时进行异常检测,全面检测目标指标数据异常,采用稳定异常检测算法,适用于不同分布的数据。
对目标指标数据进行异常检测完毕后,还可以继续对置空后的目标指标数据进行缺失填补,进而保证目标指标数据的连续性和完整性,得到更加准确的指标预测值。
具体的,在S105之前,还可以包括下述步骤:
根据目标指标数据的时间信息,将相同时间点的目标指标数据的中值填充到置空后的目标指标数据;
或者,
根据目标指标数据的时间信息,将预设时间段内的目标指标数据的中值填充到置空后的目标指标数据。
构造连续时间点目标指标数据,确定缺失值。其中缺失值即为置空后的目标指标数据。
周期中值填充法填充:对缺失值,采用相同时间点目标指标数据中值进行填充
缺失值判断:如果仍存在缺数,说明相同时间点均无数。
插补填充法填充:选取缺失时间点前后n(n>=1)时间点的目标指标数据的中值进行填充
缺失数据动态填补,对同一时间点有数的,按照相同区间目标指标数据进行填充,充分考虑数据周期性;对同一时间点都缺数的,考虑数据趋势性进行填补。
在将目标指标数据输入至趋势预测模型中之前,还可以包括对目标指标数据进行box-cox变换。基于目标指标数据变换是为了保证预测前目标指标数据满足算法要求,预测后预测数据满足业务要求。采用Box-Cox变换在预测前后进行相应数据变换。
例如,目标指标数据x位于区间(a,b),趋势预测模型需要的数据是实数集(-∞,+∞),可以通过数据变换公式y=log((x-a)/(b-x)),将位于区间 (a,b)的x转化为实数集的y。
预测值y位于区间(-∞,+∞),目标指标数据实际值位于(a,b),可以通过数据变换公式x=(b-a)ey/(1+ey)+a,将位于实数集的y转化为位于区间(a,b) 的x。
业务指标x位于区间(a,+∞),趋势预测模型需要的数据是实数集(- ∞,+∞),可以通过数据变换公式y=log(x-a),将位于区间(a,+∞)的x转化为实数集的y。
预测值y位于区间(-∞,+∞),业务指标实际值位于(a,+∞),可以通过数据变换公式x=ey+a,将位于实数集的y转化为位于区间(a,+∞)的x。
其中,x为目标指标数据原始值,y为转化值,a为指标值的下限,b 为指标值上限。
基于数据变换,将目标指标数据转换到实数集范围,分布趋于稳定,提高预测准确性,将预测值转换到业务范围,保证业务合理性,适用于不同业务范围的数据。
S105:将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值。
网络指标智能预测要面向网络域不同设备不同时间粒度不同类型指标,单独某个算法无法全面准确应对所有指标的预测,最终选择STL分解 +ARMA组合模型,综合两类算法的优点,可以全面拟合指标长期趋势、周期波动和不规则波动。
具体步骤如下:
根据所述目标指标数据的预设周期,采用所述STL模型将所述目标指标数据分解为趋势分量、周期分量和随机分量;
根据所述随机分量,构建所述ARMA 模型;
采用所述ARMA 模型拟合所述目标指标数据中的噪声;
根据所述趋势分量、周期分量和噪声,确定所述网络指标的指标预测值。
STL模型:对目标指标数据,设定数据时间周期,采用STL分解,分解成趋势分量T、周期分量S和随机分量R。
ARMA模型:基于STL分解出的随机分量R,建立ARMA模型,拟合随机波动中非白噪声部分。
预测:采用STL模型预测趋势分量和周期分量未来值,采用ARMA模型预测随机波动非白噪声部分,综合这三部分,全面拟合指标长期趋势、周期波动和不规则波动。
时序数据可分解成长期性、周期性、随机性和突发性四部分趋势。其中长期性趋势、周期性波动可采用时序分解算法进行评估预测。业界常用时序分解算法包括古典分解、X11分解、SEATS分解和STL分解。STL 分解在所有算法中通用性和稳定性最强,是时序分解最优算法。STL是以鲁棒局部加权回归作为平滑方法的时间序列分解方法。STL分为内循环和外循环,其中,内循环主要做趋势拟合与周期分类计算,外层循环主要用于调节异常值容忍度。STL分解具有周期访问广、周期趋势可变、长期趋势可控和异常容忍度高的特点,可以适用于不同粒度不同周期的指标。
此外,为了网络指标极易受节假日、开学、活动等突发事件影响。这些突发事件无法从指标目标指标数据挖掘内在影响。
具体的,根据所述目标指标数据的时间信息,确定突发事件时间;
根据所述突发事件时间对应的目标指标数据和所述突发事件时间对应的网络指标的指标预测值,确定突发事件对所述网络指标的影响度。
建立突发因素评估模型。对于没有同类突发事件历史相关数据的情形,可以引入业务经验,采用专家经验进行评估。如果存在历史相关数据,可以根据类似突发事件的目标指标数据建立突发因素评估模型,评估突发因素影响。下面重点阐述存在目标指标数据的突发因素评估。其中,突发因此评估模型也是有STL模型和ARMA模型构成。突发因素评估模型的输入数据为突发事件时间对应的目标指标数据。
如果只有类似突发事件发生前后预测指标的目标指标数据,可以根据以下步骤评估:
预测未来值:基于突发事件发生前目标指标数据,建立预测模型,预测该时间点后指标预测值。
评估突发因素影响:根据突发时间发生后目标指标数据和预测值,评估突发因素带来的增幅和增值。
如果还有类似突发事件发生前后事件相关特征、其他相关特征数据,可以建立突发时间后增幅和相关特征的回归模型,基于本次突发事件相关特征,预测本次突发时间带来的增幅。
确定指标预测值后,还可以基于指标预测值进行指标实时监控告警,具体的,包括下述步骤:
根据所述网络指标的指标预测值和所述目标指标数据,确定所述网络指标的置信区间;
根据所述置信区间、所述目标指标数据和所述指标预测值,确定网络指标的指标阈值范围。
确定指标阈值范围后,基于下述步骤进行监控告警:
根据所述指标阈值范围确定所述网络指标的告警阈值;
当所述告警阈值为第一告警阈值,且所述指标预测值大于所述第一告警阈值时,生成告警信息;或者,
当所述告警阈值为第二告警阈值,且所述指标预测值小于所述第二告警阈值,生成告警信息;或者,
当所述告警阈值为所述指标阈值范围,且所述指标预测值不在所述指标阈值范围内,生成告警信息。
其中,第一告警阈值时指标阈值范围内的最小阈值,第二告警阈值是指标阈值范围内的最大阈值。
动态阈值:根据不同维度、不同粒度、不同指标的波动情况,设置阈值置信度,基于指标历史值和预测值,计算指标未来时间点上下阈值。
告警规则制定:基于指标阈值范围,制定指标告警触发规则。
其中,告警规则为,当所述告警阈值为第一告警阈值,且所述指标预测值大于所述第一告警阈值时,生成告警信息;当所述告警阈值为第二告警阈值,且所述指标预测值小于所述第二告警阈值,生成告警信息;当所述告警阈值为所述指标阈值范围,且所述指标预测值不在所述指标阈值范围内,生成告警信息。
根据告警信息进行实时告警。
告警存储:存储指标告警。
除了告警监控以外,还可根据网络关键设备容量指标未来预测值,指导扩容,根据突发时间和特殊场景的关键容量指标预测值,提前进行保障。
告警监控层通过对不同指标动态设置置信度、结合指标业务阈值,提高告警准确性和有效性。
基于上述实施例,下面对本发明实施例中的整体流程架构进行描述。
如图3所示,S301:对原始指标数据进行轮巡补采。
S302:对原始指标数据进行汇总存储,得到目标指标数据。
S303:对目标指标数据进行异常自动检测处理。
S304:对目标指标数据进行缺失数据动态填补。
S305:对目标指标数据进行数据变换。
S306:将数据变换后的目标指标数据输入至趋势预测模型。执行S309。
S307:将突发事件时间和数据变换后的目标指标数据输入至突发因素评估模型。执行S309。
S308:阈值置信度设定。
S309:对预测值进行数据逆变换。
S310:根据阈值置信度确定指标阈值范围。
S311:基于预测值和指标阈值范围对指标进行告警监控。
本发明实施例提供的网络指标预测方法,通过获取原始指标数据;原始指标数据表示网络指标在预设时间段内的指标值;原始指标数据包括时间信息;根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整;当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展;当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据;将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值,提高了网络指标预测的准确率。
图4是本发明实施例提供的一种网络指标预测装置的结构示意图。
如图4所示,本发明实施例提供的网络指标预测装置可以包括:获取模块401,第一确定模块402,第二确定模块403,扩展模块404,第三确定模块405。
获取模块401,用于获取原始指标数据;原始指标数据表示网络指标在预设时间段内的指标值;原始指标数据包括时间信息;
第一确定模块402,用于根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整;
第二确定模块403,用于当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展;
扩展模块404,用于当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据;
第三确定模块405,用于将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值。
可选的,在本发明的一个实施例中,该装置还包括:
第二确定模块403,还用于当原始指标数据不完整时,根据原始指标数据的时间信息,确定网络指标到达服务器的时间点;
第二确定模块403,还用于确定网络指标到达服务器的时间点是否超过预设的时间阈值;
第二确定模块403,还用于当网络指标到达服务器的时间点未超过预设的时间阈值时,确定原始指标数据是否需要进行维度扩展;
扩展模块404,用于当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据。
可选的,在本发明的一个实施例中,该装置还包括:
第二确定模块403,还用于当网络指标到达服务器的时间点未超过预设的时间阈值时,根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整;
第二确定模块403,还用于当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展;
扩展模块404,用于当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据。
可选的,在本发明的一个实施例中,该装置还包括:第三确定模块 405,还用于根据目标指标数据和目标指标数据的时间信息,确定目标指标数据的上四分位数和下四分位数;
根据上四分位数和下四分位数,确定目标指标数据的阈值范围;
当目标指标数据的指标值不在阈值范围内时,将目标指标数据置空。
可选的,在本发明的一个实施例中,该装置还包括置空模块,用于:
根据目标指标数据的时间信息,将相同时间点的目标指标数据的中值填充到置空后的目标指标数据;
或者,
根据目标指标数据的时间信息,将预设时间段内的目标指标数据的中值填充到置空后的目标指标数据。
可选的,在本发明的一个实施例中,该装置还包括变换模块,用于:
对目标指标数据进行box-cox变换。
可选的,在本发明的一个实施例中,第三确定模块405,具体用于:
根据目标指标数据的预设周期,采用STL模型将目标指标数据分解为趋势分量、周期分量和随机分量;
根据随机分量,构建ARMA 模型;
采用ARMA 模型拟合目标指标数据中的噪声;
根据趋势分量、周期分量和噪声,确定网络指标的指标预测值。
可选的,在本发明的一个实施例中,第三确定模块405还用于:
根据目标指标数据的时间信息,确定突发事件时间;
根据突发事件时间对应的目标指标数据和突发事件时间对应的网络指标的指标预测值,确定突发事件对网络指标的影响度。
可选的,在本发明的一个实施例中,第三确定模块405还用于:
根据网络指标的指标预测值和目标指标数据,确定网络指标的置信区间;
根据置信区间、目标指标数据和指标预测值,确定网络指标的指标阈值范围。
可选的,在本发明的一个实施例中,该装置还包括:生成模块,用于:
根据指标阈值范围确定网络指标的告警阈值;
当告警阈值为第一告警阈值,且指标预测值大于第一告警阈值时,生成告警信息;或者,
当告警阈值为第二告警阈值,且指标预测值小于第二告警阈值,生成告警信息;或者,
当告警阈值为指标阈值范围,且指标预测值不在指标阈值范围内,生成告警信息。
本发明实施例提供的网络指标预测装置执行图1所示的方法中的各个步骤,并能够达到提高网络指标预测的准确率的技术效果,为简洁描述,再此不在详细赘述。
本发明实施例提供的网络指标预测装置,通过获取模块401,用于获取原始指标数据;原始指标数据表示网络指标在预设时间段内的指标值;原始指标数据包括时间信息;第一确定模块402,用于根据在每个时间点获取原始指标数据的数量,确定原始指标数据是否完整;第二确定模块 403,用于当原始指标数据完整时,确定原始指标数据是否需要进行维度扩展;扩展模块404,用于当原始指标数据需要进行维度扩展时,扩展原始指标数据的维度,得到目标指标数据;第三确定模块405,用于将目标指标数据输入至预先建立的趋势预测模型中,确定网络指标的指标预测值,提高了网络指标预测的准确率。
图5示出了本发明实施例提供的一种电子设备的硬件结构示意图。
在电子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可在综合网关容灾设备的内部或外部。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指标预测方法。
在一个示例中,电子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,将电子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。
该电子设备可以执行本发明实施例中的网络指标预测方法,从而实现结合图1描述的网络指标预测方法。
另外,结合上述实施例中的网络指标预测方法,本发明实施例可提供一种计算机存储介质来实现。该计算机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指标预测方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需数据的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种网络指标预测方法,其特征在于,所述方法包括:
获取原始指标数据;所述原始指标数据表示网络指标在预设时间段内的指标值;所述原始指标数据包括时间信息;
根据在每个时间点获取所述原始指标数据的数量,确定所述原始指标数据是否完整;
当所述原始指标数据完整时,确定所述原始指标数据是否需要进行维度扩展;
当所述原始指标数据需要进行维度扩展时,扩展所述原始指标数据的维度,得到目标指标数据;
将所述目标指标数据输入至预先建立的趋势预测模型中,确定所述网络指标的指标预测值;
所述方法还包括:
根据所述目标指标数据的时间信息,确定突发事件时间;
根据所述突发事件时间对应的目标指标数据和所述突发事件时间对应的网络指标的指标预测值,确定突发事件对所述网络指标的影响度;
所述方法还包括:
当所述原始指标数据不完整时,根据所述原始指标数据的时间信息,确定所述网络指标到达服务器的时间点;
确定所述网络指标到达服务器的时间点是否超过预设的时间阈值;
当所述网络指标到达服务器的时间点未超过预设的时间阈值时,确定所述原始指标数据是否需要进行维度扩展;
当所述原始指标数据需要进行维度扩展时,扩展所述原始指标数据的维度,得到所述目标指标数据。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述网络指标到达服务器的时间点未超过预设的时间阈值时,根据在每个时间点获取所述原始指标数据的数量,确定所述原始指标数据是否完整;
当所述原始指标数据完整时,确定所述原始指标数据是否需要进行维度扩展;
当所述原始指标数据需要进行维度扩展时,扩展所述原始指标数据的维度,得到所述目标指标数据。
3.根据权利要求1所述的方法,其特征在于,在将所述目标指标数据输入至预先建立的趋势预测模型中,确定所述网络指标的指标预测值之前,所述方法还包括:
根据所述目标指标数据和所述目标指标数据的时间信息,确定所述目标指标数据的上四分位数和下四分位数;
根据所述上四分位数和所述下四分位数,确定所述目标指标数据的阈值范围;
当所述目标指标数据的指标值不在所述阈值范围内时,将所述目标指标数据置空。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据目标指标数据的时间信息,将相同时间点的目标指标数据的中值填充到置空后的目标指标数据;
或者,
根据目标指标数据的时间信息,将预设时间段内的目标指标数据的中值填充到置空后的目标指标数据。
5.根据权利要求1-4任一项所述的方法,其特征在于,在将所述目标指标数据输入至预先建立的趋势预测模型中,确定所述网络指标的指标预测值之前,所述方法还包括:
对所述目标指标数据进行box-cox变换。
6.根据权利要求5所述的方法,其特征在于,所述趋势预测模型包括STL模型和ARMA模型;将所述目标指标数据输入至预先建立的趋势预测模型中,确定所述网络指标的指标预测值,包括:
根据所述目标指标数据的预设周期,采用所述STL模型将所述目标指标数据分解为趋势分量、周期分量和随机分量;
根据所述随机分量,构建所述ARMA模型;
采用所述ARMA模型拟合所述目标指标数据中的噪声;
根据所述趋势分量、周期分量和噪声,确定所述网络指标的指标预测值。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述网络指标的指标预测值和所述目标指标数据,确定所述网络指标的置信区间;
根据所述置信区间、所述目标指标数据和所述指标预测值,确定网络指标的指标阈值范围。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
根据所述指标阈值范围确定所述网络指标的告警阈值;
当所述告警阈值为第一告警阈值,且所述指标预测值大于所述第一告警阈值时,生成告警信息;或者,
当所述告警阈值为第二告警阈值,且所述指标预测值小于所述第二告警阈值,生成告警信息;或者,
当所述告警阈值为所述指标阈值范围,且所述指标预测值不在所述指标阈值范围内,生成告警信息。
9.一种网络指标预测装置,其特征在于,所述装置包括:
获取模块,用于获取原始指标数据;所述原始指标数据表示网络指标在预设时间段内的指标值;所述原始指标数据包括时间信息;
第一确定模块,用于根据在每个时间点获取所述原始指标数据的数量,确定所述原始指标数据是否完整;
第二确定模块,用于当所述原始指标数据完整时,确定所述原始指标数据是否需要进行维度扩展;
扩展模块,用于当所述原始指标数据需要进行维度扩展时,扩展所述原始指标数据的维度,得到目标指标数据
第三确定模块,用于将所述目标指标数据输入至预先建立的趋势预测模型中,确定所述网络指标的指标预测值;
所述第三确定模块,还用于:
根据所述目标指标数据的时间信息,确定突发事件时间;
根据所述突发事件时间对应的目标指标数据和所述突发事件时间对应的网络指标的指标预测值,确定突发事件对所述网络指标的影响度;
所述装置还包括第二确定模块,所述第二确定模块用于:
当所述网络指标到达服务器的时间点未超过预设的时间阈值时,根据在每个时间点获取所述原始指标数据的数量,确定所述原始指标数据是否完整;
当所述原始指标数据完整时,确定所述原始指标数据是否需要进行维度扩展;
当所述原始指标数据需要进行维度扩展时,扩展所述原始指标数据的维度,得到所述目标指标数据。
10.一种电子设备,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1-8中任一项所述的方法。
11.一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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911397860.2A CN113132130B (zh) | 2019-12-30 | 2019-12-30 | 网络指标预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911397860.2A CN113132130B (zh) | 2019-12-30 | 2019-12-30 | 网络指标预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113132130A CN113132130A (zh) | 2021-07-16 |
CN113132130B true CN113132130B (zh) | 2023-04-07 |
Family
ID=76768010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911397860.2A Active CN113132130B (zh) | 2019-12-30 | 2019-12-30 | 网络指标预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113132130B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108989124A (zh) * | 2018-08-10 | 2018-12-11 | 中国移动通信集团海南有限公司 | 网络故障发现方法、电子装置及计算机可读存储介质 |
EP3537658A1 (en) * | 2016-12-07 | 2019-09-11 | Huawei Technologies Co., Ltd. | Network detection method and apparatus |
CN110275878A (zh) * | 2019-06-25 | 2019-09-24 | 北京达佳互联信息技术有限公司 | 业务数据检测方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9204319B2 (en) * | 2014-04-08 | 2015-12-01 | Cellco Partnership | Estimating long term evolution network capacity and performance |
-
2019
- 2019-12-30 CN CN201911397860.2A patent/CN113132130B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3537658A1 (en) * | 2016-12-07 | 2019-09-11 | Huawei Technologies Co., Ltd. | Network detection method and apparatus |
CN108989124A (zh) * | 2018-08-10 | 2018-12-11 | 中国移动通信集团海南有限公司 | 网络故障发现方法、电子装置及计算机可读存储介质 |
CN110275878A (zh) * | 2019-06-25 | 2019-09-24 | 北京达佳互联信息技术有限公司 | 业务数据检测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113132130A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107819631B (zh) | 一种设备异常检测方法、装置及设备 | |
CN109150564B (zh) | 一种用于小区故障告警的预测方法及装置 | |
CN109951306B (zh) | 告警的处理方法、装置、设备及介质 | |
CN104518905A (zh) | 一种故障定位方法及装置 | |
CN116366374B (zh) | 基于大数据的电网网络管理的安全评估方法、系统及介质 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN112749097B (zh) | 一种模糊测试工具性能测评方法、装置 | |
Cui et al. | Probabilistic wind power ramp forecasting based on a scenario generation method | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
CN114997607A (zh) | 一种基于工程检测数据的异常评估预警方法及系统 | |
CN114564370B (zh) | 告警阈值的确定方法、装置、设备及计算机存储介质 | |
WO2017220107A1 (en) | Method and network node for detecting degradation of metric of telecommunications network | |
CN115291108A (zh) | 数据生成方法、装置、设备及计算机程序产品 | |
CN113132130B (zh) | 网络指标预测方法、装置、设备及存储介质 | |
CN111339211A (zh) | 网络问题分析的方法、装置、设备及介质 | |
CN114828055A (zh) | 用户业务感知评估方法、装置、设备、介质和程序产品 | |
CN111160603B (zh) | 一种端到端电力通信业务可靠性保障方法及系统 | |
CN109993388B (zh) | 劣化小区主因判断方法、装置、设备及介质 | |
CN114741690A (zh) | 网络安全监测方法、装置、设备及计算机存储介质 | |
CN115688961A (zh) | 基于深度学习的电力设备故障预测方法及系统 | |
CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 | |
CN113986659A (zh) | 故障分析方法、装置、设备及计算机存储介质 | |
CN111385814A (zh) | 小区网络负荷的评估方法、装置、设备及介质 | |
CN101923605A (zh) | 铁路防灾风预警方法 | |
CN116483820A (zh) | 预警方法、装置、设备及计算机可读存储介质 |
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 |