CN113660128B - 网络设备故障预测方法、电子设备及存储介质 - Google Patents
网络设备故障预测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113660128B CN113660128B CN202110958693.5A CN202110958693A CN113660128B CN 113660128 B CN113660128 B CN 113660128B CN 202110958693 A CN202110958693 A CN 202110958693A CN 113660128 B CN113660128 B CN 113660128B
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- edge network
- network equipment
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 230000003993 interaction Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/082—Configuration setting characterised by the conditions triggering a change of settings the condition being updates or upgrades of network functionality
-
- 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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Telephonic Communication Services (AREA)
Abstract
本公开实施例公开了一种网络设备故障预测方法、电子设备及存储介质,所述方法包括:接收边缘服务器发送的更新权值参数,根据更新权值参数对私有故障预测模型进行更新;将目标时间区间采集的历史设备信息作为输入,将历史故障信息作为输出,对更新后的私有故障预测模型进行训练;当训练后的私有故障预测模型未收敛时,根据训练后的私有故障预测模型获取梯度更新矢量,并发送梯度更新矢量;当训练后的私有故障预测模型收敛时,实时采集边缘网络设备的实时设备信息,并将实时设备信息作为输入,输入至训练后的私有故障预测模型中,得到实时故障信息。该技术方案可以在网络设备未出现故障时确定网络设备未来出现故障的故障时刻及故障类型。
Description
技术领域
本公开涉及网络设备故障预测技术领域,具体涉及一种网络设备故障预测方法、电子设备及存储介质。
背景技术
近年来,随着通信技术的发展,人们在日常生活的方方面面中,对网络的依赖日益提高。通常情况下,人们所使用的终端设备可以通过离自己较近的网络设备接入网络。在日常使用中,网络设备通常长时间处于开机状态,随着开机时间的增加,网络设备出现故障的几率也随之增加,当网络设备出现故障时,用户所使用的终端设备无法通过其正常接入网络,从而会对用户的正常生活造成影响。因此在使用终端设备的过程中,需要及时发现该终端设备是否出现故障。
相关技术中,可以实时采集网络设备的设备指标数据(例如网速、接入设备数等),并将采集的设备指标数据与设备指标阈值数据进行对比,基于对比结果判断该网络设备是否出现故障,以便及时排除该网络设备出现的故障。在该方案中,虽然能够及时判断网络设备是否出现故障,但由于该方案是在网络设备已出现故障后才能确定这一状况,在网络设备出现故障前通过该网络设备接入网络的终端设备会受此影响在一段时间内无法正常接入网络,即仍会对使用该终端设备的用户的正常生活造成影响,损害了用户体验。
发明内容
为了解决相关技术中的问题,本公开实施例提供一种网络设备故障预测方法、电子设备及计算机可读存储介质。
第一方面,本公开实施例中提供了一种网络设备故障预测方法,该方法应用于边缘网络设备,包括:
接收边缘服务器发送的更新权值参数,并根据更新权值参数对私有故障预测模型进行更新;
将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,其中历史故障信息用于指示边缘网络设备出现故障的故障类型及故障时刻,目标时间区间位于故障时刻前,历史设备信息包括性能指标数据、目标业务的传输速率、目标业务并行使用的端口数量以及与目标业务并发的其他业务的数量;
当训练后的私有故障预测模型未收敛时,根据训练后的私有故障预测模型获取梯度更新矢量,并发送梯度更新矢量,边缘服务器用于对梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对边缘服务器的共有故障预测模型的权值参数进行更新,以获取更新权值参数;
当训练后的私有故障预测模型收敛时,实时采集边缘网络设备的实时设备信息,并将实时设备信息作为输入,输入至训练后的私有故障预测模型中,得到实时故障信息,实时故障信息用于指示边缘网络设备未来出现故障的故障时刻及故障类型。
在本公开一种实现方式中,接收边缘服务器发送的更新权值参数,并根据更新权值参数对私有故障预测模型进行更新之前,方法还包括:
接收私有数据上传指令;
响应于私有数据上传指令,发送历史故障信息及历史设备信息;
接收边缘服务器发送的初始权值参数;
根据初始权值参数对初始故障预测模型进行更新,以获取私有故障预测模型。
在本公开一种实现方式中,响应于私有数据上传指令,发送历史故障信息及历史设备信息之前,方法还包括:
对历史设备信息添加噪声,以获取噪声历史设备信息;
发送历史故障信息及历史设备信息,包括:
发送历史故障信息及噪声历史设备信息。
在本公开一种实现方式中,方法还包括:
接收边缘服务器发送的转发路径信息,转发路径信息用于指示转发路由路径,转发路由路径为以边缘网络设备为中间节点,基于边缘网络设备的地址信息计算得到的边缘服务器与边缘服务器对应的互连边缘网络设备之间的路由路径;
根据路由路径转发目标数据流量,目标数据流量为边缘服务器与互连边缘网络设备之间需要通过边缘网络设备进行转发的数据流量。
第二方面,本公开实施例中提供了一种网络设备故障预测方法,方法应用于边缘服务器,包括:
接收边缘网络设备发送的梯度更新矢量;
对梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对共有故障预测模型的权值参数进行更新,以获取更新权值参数;
发送更新权值参数,边缘网络设备用于根据更新权值参数对私有故障预测模型进行更新。
在本公开一种实现方式中,接收边缘网络设备发送的梯度更新矢量之前,方法还包括:
确定多个目标边缘网络设备,并向目标边缘网络设备发送私有数据上传指令;
接收目标边缘网络设备发送的目标时间区间采集的历史设备信息及历史故障信息,其中历史故障信息用于指示边缘网络设备出现故障的故障类型及故障时刻,目标时间区间位于故障时刻前,历史设备信息包括性能指标数据、目标业务的传输速率、目标业务并行使用的端口数量以及与目标业务并发的其他业务的数量;
根据目标时间区间采集的历史故障信息获取共有故障信息数据,根据历史设备信息获取共有设备信息数据;
将共有设备信息数据作为输入,将共有故障信息数据作为输出,对初始故障预测模型进行训练,以获取共有网络设备故障预测模型;
根据共有网络设备故障预测模型获取初始权值参数,并发送初始权值参数,边缘网络设备用于根据初始权值参数对边缘网络设备的初始故障预测模型进行更新,以获取私有故障预测模型。
在本公开一种实现方式中,确定多个目标边缘网络设备,包括:
获取多个边缘网络设备的网络设备标识信息,网络设备标识信息包括网段信息、位置信息以及用户标识信息;
根据网络设备标识信息在多个边缘网络设备中确定多个目标边缘网络设备。
在本公开一种实现方式中,方法还包括:
获取实时故障信息,并根据实时故障信息确定未来出现故障的故障边缘网络设备,并获取故障边缘网络设备对应的备用边缘网络设备的地址信息;
以备用边缘网络设备为中间节点,基于边缘网络设备的地址信息计算边缘服务器与边缘服务器对应的互连边缘网络设备之间的转发路由路径;
发送转发路径信息,转发路径信息用于指示备用边缘网络设备根据路由路径转发目标数据流量,目标数据流量为边缘服务器与互连边缘网络设备之间需要通过备用边缘网络设备进行转发的数据流量。
第三方面,本公开实施例中提供了一种电子设备,电子设备包括存储器、处理器以及存储在存储器上的计算机程序,其中,处理器执行计算机程序以实现第一方面中任一项或第二方面中任一项的方法。
第四方面,本公开实施例中提供了一种计算机可读存储介质,其上存储有计算机指令,其中,该计算机指令被处理器执行时实现第一方面中任一项或第二方面中任一项的方法。
本公开实施例提供的技术方案可以包括以下有益效果:
上述技术方案中,由边缘网络设备接收的边缘服务器发送的更新权值参数,是边缘服务器根据多个边缘网络设备发送的梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对边缘服务器的共有故障预测模型的权值参数进行更新得到的,因此更新后的共有故障预测模型能够反映上一轮训练中边缘服务器的私有故障预测模型所学习到的、多个边缘网络设备出现故障前的设备信息与该多个边缘网络设备出现故障时的故障信息之间的共有故障规律。通过将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,可以使更新后的私有故障预测模型在学习到共有故障规律的基础上,还能够个性化的针对该边缘网络设备自身进行学习,使训练后的私有故障预测模型能够学习到该边缘网络设备自身出现故障前的设备信息与该网络设备自身出现故障时的故障信息之间的私有故障规律;当训练后的私有故障预测模型未收敛时,说明该训练后的私有故障预测模型仍需要继续训练,通过根据训练后的私有故障预测模型获取梯度更新矢量,并发送梯度更新矢量,可以在不泄露网络设备的用户个人数据的前提下,使边缘服务器能够继续基于多个边缘网络设备上传的梯度更新矢量获取相应的更新权值参数,从而继续对各个边缘网络设备的私有故障预测模型继续进行训练;当训练后的私有故障预测模型收敛时,该收敛的私有故障预测模型能够基于故障发生前的设备信息获取未来发生故障时的故障类型与故障时刻,通过实时采集边缘网络设备的实时设备信息,并将实时设备信息作为输入,输入至收敛的私有故障预测模型中,得到实时故障信息,可以根据该实时故障信息确定该边缘网络设备未来出现故障时的故障时刻及故障类型,便于边缘网络设备在自身未发生故障时执行相应的处理步骤,以避免未来即将出现的故障。因此该技术方案可以在网络设备未出现故障时确定网络设备未来出现故障的故障时刻及故障类型,便于网络设备执行相应的处理步骤,避免网络设备出现故障,改善了用户体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出根据本公开一实施方式的网络设备故障预测系统的示意性结构框图;
图2示出根据本公开一实施方式的网络设备故障预测方法的示意性流程图;
图3示出根据本公开一实施方式的网络设备故障预测方法的示意性流程图;
图4示出根据本公开一实施方式的网络设备故障预测装置的示意性结构框图;
图5示出根据本公开一实施方式的网络设备故障预测装置的示意性结构框图;
图6示出根据本公开一实施方式的电子设备的示意性结构框图;
图7是适于用来实现根据本公开实施方式的网络设备故障预测方法的电子设备的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
下面通过具体实施例详细介绍本公开实施例的细节。
近年来,随着通信技术的发展,人们在日常生活的方方面面中,对网络的依赖日益提高。通常情况下,人们所使用的终端设备可以通过离自己较近的网络设备接入网络。其中,终端设备可以为智能移动通信终端、可穿戴设备、台式机、笔记本电脑、平板电脑等,终端设备可以为无线路由器、有线路由器、无线网关等。
在日常使用中,网络设备通常长时间处于开机状态,随着开机时间的增加,网络设备出现故障的几率也随之增加,例如,网络设备可能将通过其接入网络的终端设备与网络断开,也可能降低终端设备通过网络下载数据的速度,或降低终端设备通过网络上传数据的速度等。当网络设备出现故障时,用户所使用的终端设备无法通过其正常接入网络,从而会对用户的正常生活造成影响。因此在使用终端设备的过程中,需要及时发现该终端设备是否出现故障。
相关技术中,在检测终端设备是否出现故障时,可以实时采集网络设备的设备指标数据(例如网速、接入设备数等),并将采集的设备指标数据与设备指标阈值数据进行对比,基于对比结果判断该网络设备是否出现故障,以便及时排除该网络设备出现的故障。在该方案中,虽然能够及时判断网络设备是否出现故障,但由于该方案是在网络设备出现故障后才能确定这一状况,在网络设备出现故障前通过该网络设备接入网络的终端设备会受此影响在一段时间内无法接入网络,即仍会对使用该终端设备的用户的正常生活造成影响,损害了用户体验。
考虑到上述缺陷,本公开提供的技术方案中,由边缘网络设备接收的边缘服务器发送的更新权值参数,是边缘服务器根据多个边缘网络设备发送的梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对边缘服务器的共有故障预测模型的权值参数进行更新得到的,因此更新后的共有故障预测模型能够反映上一轮训练中边缘服务器的私有故障预测模型所学习到的、多个边缘网络设备出现故障前的设备信息与该多个边缘网络设备出现故障时的故障信息之间的共有故障规律。通过将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,可以使更新后的私有故障预测模型在学习到共有故障规律的基础上,还能够个性化的针对该边缘网络设备自身进行学习,使训练后的私有故障预测模型能够学习到该边缘网络设备自身出现故障前的设备信息与该网络设备自身出现故障时的故障信息之间的私有故障规律;当训练后的私有故障预测模型未收敛时,说明该训练后的私有故障预测模型仍需要继续训练,通过根据训练后的私有故障预测模型获取梯度更新矢量,并发送梯度更新矢量,可以在不泄露网络设备的用户个人数据的前提下,使边缘服务器能够继续基于多个边缘网络设备上传的梯度更新矢量获取相应的更新权值参数,从而继续对各个边缘网络设备的私有故障预测模型继续进行训练;当训练后的私有故障预测模型收敛时,该收敛的私有故障预测模型能够基于故障发生前的设备信息获取未来发生故障时的故障类型与故障时刻,通过实时采集边缘网络设备的实时设备信息,并将实时设备信息作为输入,输入至收敛的私有故障预测模型中,得到实时故障信息,可以根据该实时故障信息确定该边缘网络设备未来出现故障时的故障时刻及故障类型,便于边缘网络设备在自身未发生故障时执行相应的处理步骤,以避免未来即将出现的故障。因此该技术方案可以在网络设备未出现故障时确定网络设备未来出现故障的故障时刻及故障类型,便于网络设备执行相应的处理步骤,避免网络设备出现故障,改善了用户体验。
图1示出根据本公开一实施方式的网络设备故障预测系统的示意性结构框图,其中,网络设备故障预测系统包括边缘网络设备101、边缘服务器102以及网络103,网络103用于在边缘网络设备101与边缘服务器102之间提供通信链路的介质,网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
边缘网络设备101是具有网络接入功能的各种电子设备,包括但不限于无线路由器、有线路由器、交换机、网关、调制解调器和无线接入点(Wireless Access Point,AP)等等。
边缘服务器102可以是云端服务器,也可以是由网络设备故障预测服务提供商提供的服务器。需要说明的是,本申请实施例中一个边缘服务器102可以对应多个边缘网络设备101,例如,网络设备故障预测服务提供商可以将所管辖的区域分成多块,每一块区域中的多个边缘网络设备101对应一个边缘服务器102。
图2示出根据本公开一实施方式的网络设备故障预测方法的示意性流程图,该网络设备故障预测方法应用于边缘网络设备。如图2所示,该网络设备故障预测方法包括以下步骤:
在步骤S101中,接收边缘服务器发送的更新权值参数,并根据更新权值参数对私有故障预测模型进行更新。
在步骤S102中,将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练。
其中,历史故障信息用于指示边缘网络设备出现故障的故障类型及故障时刻,目标时间区间位于故障时刻前,历史设备信息包括性能指标数据、目标业务的传输速率、目标业务并行使用的端口数量以及与目标业务并发的其他业务的数量。
在本公开一实施方式中,目标时间区间采集的边缘网络设备的历史设备信息,可以通过读取预先储存在边缘网络设备中的历史设备信息以及历史故障信息,根据该历史故障信息中的故障时刻确定目标时间区间,其中,历史设备信息以及历史故障信息可以为边缘网络设备自身采集的,也可以由其他装置或系统采集的。目标时间区间的长度可以根据预先储存在边缘网络设备中的目标时间区间长度配置文件确定,也可以根据其他装置或系统发送的目标时间区间长度配置信息确定。
在本公开一实施方式中,私有故障预测模型可以为神经网络(neural network,NN)模型、卷积神经网络(convolutional neural networks,CNN)模型或长短期记忆网络(long shortterm memory,LSTM)模型等。
在本公开一实施方式中,目标业务为该边缘网络设备中对该边缘网络设备的性能(例如最大上传速度,最大下载速度,储存器最大读写速度、处理器主频等)存在预设要求的业务,且该预设要求较为严苛,例如,目标业务可以为数据下载业务、流媒体业务以及云计算业务等。目标业务可以为根据预先储存在边缘网络设备中的配置文件确定,也可以为获取边缘网络设备不同业务的业务数据,根据业务数据确定目标业务。
在步骤S103中,当训练后的私有故障预测模型未收敛时,根据训练后的私有故障预测模型获取梯度更新矢量,并发送梯度更新矢量。
其中。边缘服务器用于对梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对边缘服务器的共有故障预测模型的权值参数进行更新,以获取更新权值参数。
在本公开一实施方式中,共有故障预测模型可以为神经网络模型、卷积神经网络模型或长短期记忆网络模型等。
在步骤S104中,当训练后的私有故障预测模型收敛时,实时采集边缘网络设备的实时设备信息,并将实时设备信息作为输入,输入至训练后的私有故障预测模型中,得到实时故障信息。
其中,实时故障信息用于指示边缘网络设备未来出现故障的故障时刻及故障类型。
本实施例中,由边缘网络设备接收的边缘服务器发送的更新权值参数,是边缘服务器根据多个边缘网络设备发送的梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对边缘服务器的共有故障预测模型的权值参数进行更新得到的,因此更新后的共有故障预测模型能够反映上一轮训练中边缘服务器的私有故障预测模型所学习到的、多个边缘网络设备出现故障前的设备信息与该多个边缘网络设备出现故障时的故障信息之间的共有故障规律。通过将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,可以使更新后的私有故障预测模型在学习到共有故障规律的基础上,还能够个性化的针对该边缘网络设备自身进行学习,使训练后的私有故障预测模型能够学习到该边缘网络设备自身出现故障前的设备信息与该网络设备自身出现故障时的故障信息之间的私有故障规律;当训练后的私有故障预测模型未收敛时,说明该训练后的私有故障预测模型仍需要继续训练,通过根据训练后的私有故障预测模型获取梯度更新矢量,并发送梯度更新矢量,可以在不泄露网络设备的用户个人数据的前提下,使边缘服务器能够继续基于多个边缘网络设备上传的梯度更新矢量获取相应的更新权值参数,从而继续对各个边缘网络设备的私有故障预测模型继续进行训练;当训练后的私有故障预测模型收敛时,该收敛的私有故障预测模型能够基于故障发生前的设备信息获取未来发生故障时的故障类型与故障时刻,通过实时采集边缘网络设备的实时设备信息,并将实时设备信息作为输入,输入至收敛的私有故障预测模型中,得到实时故障信息,可以根据该实时故障信息确定该边缘网络设备未来出现故障时的故障时刻及故障类型,便于边缘网络设备在自身未发生故障时执行相应的处理步骤,以避免未来即将出现的故障。因此该技术方案可以在网络设备未出现故障时确定网络设备未来出现故障的故障时刻及故障类型,便于网络设备执行相应的处理步骤,避免网络设备出现故障,改善了用户体验。
在本公开一种实现方式中,在步骤S101,接收边缘服务器发送的更新权值参数,并根据更新权值参数对私有故障预测模型进行更新之前,网络设备故障预测方法还包括如下步骤:
接收私有数据上传指令;响应于私有数据上传指令,发送历史故障信息及历史设备信息;接收边缘服务器发送的初始权值参数;根据初始权值参数对初始故障预测模型进行更新,以获取私有故障预测模型。
其中,初始故障预测模型可以为神经网络模型、卷积神经网络模型或长短期记忆网络模型等,初始故障预测模型可以理解为未经过训练的模型。
在该实施方式中,通过接收私有数据上传指令,并响应于私有数据上传指令,发送历史故障信息及历史设备信息,可以使边缘服务器基于根据该历史故障信息及历史设备信息获取共有故障信息数据以及共有设备信息数据对自身的初始故障预测模型进行初步训练,得到共有网络设备故障预测模型,此时该共有网络设备故障预测模型可以理解为对多个边缘网络设备的共有故障规律进行了初步学习后的模型。之后边缘网络设备根据该共有网络设备故障预测模型获取的初始权值参数对初始故障预测模型进行更新,以获取私有故障预测模型,私有故障预测模型可以理解已学习到共有网络设备故障预测模型所学习到规律的模型,即此时该私有故障预测模型也可以理解为对多个边缘网络设备的共有故障规律进行了初步学习后的模型,从而方便之后对私有故障预测模型进行多轮的训练,无需基于初始故障预测模型进行训练,降低了训练的难度。
在本公开一种实现方式中,在响应于私有数据上传指令,发送历史故障信息及历史设备信息之前,网络设备故障预测方法还包括如下步骤:
对历史设备信息添加噪声,以获取噪声历史设备信息;发送历史故障信息及历史设备信息,包括如下步骤:发送历史故障信息及噪声历史设备信息。
其中,对历史设备信息添加噪声,可以为对历史设备信息添加随机噪声,也可以为对历史设备信息添加拉普拉斯噪声(Laplace noise)。
在该实施方式中,通过对历史设备信息添加噪声,以获取噪声历史设备信息,并发送历史故障信息及该噪声历史设备信息,可以在尽量不降低噪声历史设备信息以及历史故障信息所反映的边缘网络设备故障发生规律的前提下,避免历史设备信息中较为敏感的用户个人信息发生泄露,改善了用户个人信息的安全性。
在本公开一种实现方式中,网络设备故障预测方法还包括如下步骤:
接收边缘服务器发送的转发路径信息,转发路径信息用于指示转发路由路径,转发路由路径为以边缘网络设备为中间节点,基于边缘网络设备的地址信息计算得到的边缘服务器与边缘服务器对应的互连边缘网络设备之间的路由路径;根据路由路径转发目标数据流量,目标数据流量为边缘服务器与互连边缘网络设备之间需要通过边缘网络设备进行转发的数据流量。
其中,与边缘服务器对应的互连边缘网络设备,可以理解为与边缘服务器存在通信链路,可以通过该通信链路与边缘服务器进行数据交互的路由器。例如,与边缘服务器对应的互连边缘网络设备,可以为与边缘服务器在同一网段的边缘网络设备,也可以为与边缘服务器的距离小于或等于预设距离的边缘网络设备。
当与边缘网络设备对应的另一边缘网络设备即故障边缘网络设备未来会出现故障,当故障边缘网络设备自身出现故障或故障边缘网络设备对自身执行故障预防处理时,故障边缘网络设备与边缘服务器之间的通信链路会失效,从而可能导致互连边缘网络设备与边缘服务器之间的数据交互因故障边缘网络设备与边缘服务器之间的通信链路失效而中断。
针对这一缺陷,在该实施方式中,通过由边缘服务器发送转发路径信息,由边缘网络设备根据路由路径转发边缘服务器与互连边缘网络设备之间需要通过边缘网络设备进行转发的数据流量,使互连边缘网络设备与边缘服务器之间的数据交互不会因故障边缘网络设备与边缘服务器之间的通信链路失效而受到任何影响,提高了互连边缘网络设备与边缘服务器之间数据交互的稳定性。
图3示出根据本公开一实施方式的网络设备故障预测方法的示意性流程图,该网络设备故障预测方法应用于边缘服务器。如图3所示,该网络设备故障预测方法包括以下步骤:
在步骤S201中,接收边缘网络设备发送的梯度更新矢量。
在步骤S202中,对梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对共有故障预测模型的权值参数进行更新,以获取更新权值参数。
在步骤S203中,发送更新权值参数,边缘网络设备用于根据更新权值参数对私有故障预测模型进行更新。
在本公开一实施方式中,共有故障预测模型可以为神经网络模型、卷积神经网络模型或长短期记忆网络模型等。
本实施例中,梯度更新矢量是边缘网络设备将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,当训练后的私有故障预测模型未收敛时,根据训练后的私有故障预测模型获取的。边缘服务器通过对梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对共有故障预测模型的权值参数进行更新,更新后的共有故障预测模型能够反映上一轮训练中边缘服务器的私有故障预测模型所学习到的、多个边缘网络设备出现故障前的设备信息与该多个边缘网络设备出现故障时的故障信息之间的共有故障规律。通过发送该更新权值参数,使边缘网络设备用于根据更新权值参数对私有故障预测模型进行更新,可以使该私有故障预测模型学习到多个边缘网络设备出现故障前的设备信息与该多个边缘网络设备出现故障时的故障信息之间的共有故障规律,提高了训练后的私有故障预测模型在对边缘网络设备未来出现的故障进行预测的准确率。
在本公开一种实现方式中,步骤S201,接收边缘网络设备发送的梯度更新矢量之前,网络设备故障预测方法还包括如下步骤:
确定多个目标边缘网络设备,并向目标边缘网络设备发送私有数据上传指令;
接收目标边缘网络设备发送的目标时间区间采集的历史设备信息及历史故障信息;
其中,历史故障信息用于指示边缘网络设备出现故障的故障类型及故障时刻,目标时间区间位于故障时刻前,历史设备信息包括性能指标数据、目标业务的传输速率、目标业务并行使用的端口数量以及与目标业务并发的其他业务的数量;
根据目标时间区间采集的历史故障信息获取共有故障信息数据,根据历史设备信息获取共有设备信息数据;
将共有设备信息数据作为输入,将共有故障信息数据作为输出,对初始故障预测模型进行训练,以获取共有网络设备故障预测模型;
根据共有网络设备故障预测模型获取初始权值参数,并发送初始权值参数,边缘网络设备用于根据初始权值参数对边缘网络设备的初始故障预测模型进行更新,以获取私有故障预测模型。
在该实施方式中,通过确定多个目标边缘网络设备,并向目标边缘网络设备发送私有数据上传指令,使目标边缘网络设备发送目标时间区间采集的历史设备信息及历史故障信息,由边缘服务器基于根据该历史故障信息及历史设备信息获取的共有故障信息数据以及共有设备信息数据,对自身的初始故障预测模型进行初步训练,得到共有网络设备故障预测模型,此时该共有网络设备故障预测模型可以理解为对多个边缘网络设备的共有故障规律进行了初步学习后的模型。之后由边缘服务器根据共有网络设备故障预测模型获取初始权值参数,并发送初始权值参数,使边缘网络设备根据该共有网络设备故障预测模型获取的初始权值参数对初始故障预测模型进行更新,以获取私有故障预测模型,私有故障预测模型可以理解已学习到共有网络设备故障预测模型所学习到规律的模型,即此时该私有故障预测模型也可以理解为对多个边缘网络设备的共有故障规律进行了初步学习后的模型,从而方便之后边缘网络设备对私有故障预测模型进行多轮的训练,无需基于初始故障预测模型进行训练,降低了训练的难度。
在本公开一种实现方式中,确定多个目标边缘网络设备,包括如下步骤:
获取多个边缘网络设备的网络设备标识信息,网络设备标识信息包括网段信息、位置信息以及用户标识信息;根据网络设备标识信息在多个边缘网络设备中确定多个目标边缘网络设备。
在该实施方式中,通过根据多个边缘网络设备的网络设备标识信息在多个边缘网络设备中确定多个目标边缘网络设备,可以方便针对不同应用场景中的边缘网络设备的共有故障预测模型进行学习。
在本公开一种实现方式中,确定多个目标边缘网络设备,包括如下步骤:
获取多个边缘网络设备的故障发生率,并根据故障发生率在多个边缘网络设备中确定多个目标边缘网络设备。
其中,根据故障发生率在多个边缘网络设备中确定多个目标边缘网络设备,可以为在多个边缘网络设备中确定故障发生率大于或等于故障发生率阈值的多个目标边缘网络设备,也可以为在多个边缘网络设备中确定故障发生率属于预设故障发生率区间的多个目标边缘网络设备。
在该实施方式中,通过根据故障发生率在多个边缘网络设备中确定多个目标边缘网络设备,可以方便针对特定故障发生率的边缘网络设备的共有故障预测模型进行学习。
在本公开一种实现方式中,网络设备故障预测方法还包括如下步骤:
确定未来出现故障的故障边缘网络设备,并获取故障边缘网络设备对应的备用边缘网络设备的地址信息;
以备用边缘网络设备为中间节点,基于边缘网络设备的地址信息计算边缘服务器与边缘服务器对应的互连边缘网络设备之间的转发路由路径;
发送转发路径信息,转发路径信息用于指示备用边缘网络设备根据路由路径转发目标数据流量,目标数据流量为边缘服务器与互连边缘网络设备之间需要通过备用边缘网络设备进行转发的数据流量。
其中,与边缘服务器对应的互连边缘网络设备,可以理解为与边缘服务器存在通信链路,可以通过该通信链路与边缘服务器进行数据交互的路由器。例如,与边缘服务器对应的互连边缘网络设备,可以为与边缘服务器在同一网段的边缘网络设备,也可以为与边缘服务器的距离小于或等于预设距离的边缘网络设备。
当与边缘网络设备对应的另一边缘网络设备即故障边缘网络设备未来会出现故障,当故障边缘网络设备自身出现故障或故障边缘网络设备对自身执行故障预防处理时,故障边缘网络设备与边缘服务器之间的通信链路会失效,从而可能导致互连边缘网络设备与边缘服务器之间的数据交互因故障边缘网络设备与边缘服务器之间的通信链路失效而中断。
针对这一缺陷,在该实施方式中,通过由边缘服务器确定未来出现故障的故障边缘网络设备,并获取故障边缘网络设备对应的备用边缘网络设备的地址信息,并以备用边缘网络设备为中间节点,基于边缘网络设备的地址信息计算边缘服务器与边缘服务器对应的互连边缘网络设备之间的转发路由路径,并发送转发路径信息,使边缘网络设备根据路由路径转发边缘服务器与互连边缘网络设备之间需要通过边缘网络设备进行转发的数据流量,确保互连边缘网络设备与边缘服务器之间的数据交互不会因故障边缘网络设备与边缘服务器之间的通信链路失效而受到任何影响,提高了互连边缘网络设备与边缘服务器之间数据交互的稳定性。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
根据本公开一实施方式的网络设备故障预测装置,该网络设备故障预测装置设置于边缘网络设备,该网络设备故障预测装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。图4示出根据本公开一实施方式的网络设备故障预测装置的示意性结构框图,如图4所示,该网络设备故障预测装置400包括:
权值接收模块401,被配置为接收边缘服务器发送的更新权值参数,并根据更新权值参数对私有故障预测模型进行更新;
私有模型训练模块402,被配置为将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,其中历史故障信息用于指示边缘网络设备出现故障的故障类型及故障时刻,目标时间区间位于故障时刻前,历史设备信息包括性能指标数据、目标业务的传输速率、目标业务并行使用的端口数量以及与目标业务并发的其他业务的数量;
矢量发送模块403,被配置为当训练后的私有故障预测模型未收敛时,根据训练后的私有故障预测模型获取梯度更新矢量,并发送梯度更新矢量,边缘服务器用于对梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对边缘服务器的共有故障预测模型的权值参数进行更新,以获取更新权值参数;
故障预测模块404,被配置为当训练后的私有故障预测模型收敛时,实时采集边缘网络设备的实时设备信息,并将实时设备信息作为输入,输入至训练后的私有故障预测模型中,得到实时故障信息,实时故障信息用于指示边缘网络设备未来出现故障的故障时刻及故障类型。
本实施例中,由边缘网络设备接收的边缘服务器发送的更新权值参数,是边缘服务器根据多个边缘网络设备发送的梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对边缘服务器的共有故障预测模型的权值参数进行更新得到的,因此更新后的共有故障预测模型能够反映上一轮训练中边缘服务器的私有故障预测模型所学习到的、多个边缘网络设备出现故障前的设备信息与该多个边缘网络设备出现故障时的故障信息之间的共有故障规律。通过将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,可以使更新后的私有故障预测模型在学习到共有故障规律的基础上,还能够个性化的针对该边缘网络设备自身进行学习,使训练后的私有故障预测模型能够学习到该边缘网络设备自身出现故障前的设备信息与该网络设备自身出现故障时的故障信息之间的私有故障规律;当训练后的私有故障预测模型未收敛时,说明该训练后的私有故障预测模型仍需要继续训练,通过根据训练后的私有故障预测模型获取梯度更新矢量,并发送梯度更新矢量,可以在不泄露网络设备的用户个人数据的前提下,使边缘服务器能够继续基于多个边缘网络设备上传的梯度更新矢量获取相应的更新权值参数,从而继续对各个边缘网络设备的私有故障预测模型继续进行训练;当训练后的私有故障预测模型收敛时,该收敛的私有故障预测模型能够基于故障发生前的设备信息获取未来发生故障时的故障类型与故障时刻,通过实时采集边缘网络设备的实时设备信息,并将实时设备信息作为输入,输入至收敛的私有故障预测模型中,得到实时故障信息,可以根据该实时故障信息确定该边缘网络设备未来出现故障时的故障时刻及故障类型,便于边缘网络设备在自身未发生故障时执行相应的处理步骤,以避免未来即将出现的故障。因此该技术方案可以在网络设备未出现故障时确定网络设备未来出现故障的故障时刻及故障类型,便于网络设备执行相应的处理步骤,避免网络设备出现故障,改善了用户体验。
根据本公开一实施方式的网络设备故障预测装置,该网络设备故障预测装置设置于边缘服务器,该网络设备故障预测装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。图5示出根据本公开一实施方式的网络设备故障预测装置的示意性结构框图,如图5所示,该网络设备故障预测装置500包括:
矢量接收模块501,被配置为接收边缘网络设备发送的梯度更新矢量;
矢量聚合模块502,被配置为对梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对共有故障预测模型的权值参数进行更新,以获取更新权值参数;
权值发送模块503,被配置为发送更新权值参数,边缘网络设备用于根据更新权值参数对私有故障预测模型进行更新。
本实施例中,梯度更新矢量是边缘网络设备将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,当训练后的私有故障预测模型未收敛时,根据训练后的私有故障预测模型获取的。边缘服务器通过对梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对共有故障预测模型的权值参数进行更新,更新后的共有故障预测模型能够反映上一轮训练中边缘服务器的私有故障预测模型所学习到的、多个边缘网络设备出现故障前的设备信息与该多个边缘网络设备出现故障时的故障信息之间的共有故障规律。通过发送该更新权值参数,使边缘网络设备用于根据更新权值参数对私有故障预测模型进行更新,可以使该私有故障预测模型学习到多个边缘网络设备出现故障前的设备信息与该多个边缘网络设备出现故障时的故障信息之间的共有故障规律,提高了训练后的私有故障预测模型在对边缘网络设备未来出现的故障进行预测的准确率。
本公开还公开了一种电子设备,图6示出根据本公开一实施方式的电子设备的示意性结构框图,如图6所示,所述电子设备600包括存储器601和处理器602;其中,
所述存储器601用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器602执行以实现本公开实施方式中的任一方法。
图7是适于用来实现根据本公开实施方式的网络设备故障预测方法的电子设备的结构示意图。
如图7所示,电子设备700包括处理单元701,其可实现为CPU、GPU、FPGA、NPU等处理单元。处理单元701可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行本公开上述任一方法的实施方式中的各种处理。在RAM703中,还存储有电子设备700操作所需的各种程序和数据。处理单元701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施方式,上文参考本公开实施方式中的任一方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行本公开实施方式中任一方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种网络设备故障预测方法,所述方法应用于边缘网络设备,包括:
接收边缘服务器发送的更新权值参数,并根据所述更新权值参数对私有故障预测模型进行更新;
将目标时间区间采集的所述边缘网络设备的历史设备信息作为输入,将所述边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,其中所述历史故障信息用于指示所述边缘网络设备出现故障的故障类型及故障时刻,所述目标时间区间位于所述故障时刻前,所述历史设备信息包括性能指标数据、目标业务的传输速率、所述目标业务并行使用的端口数量以及与所述目标业务并发的其他业务的数量;
当训练后的私有故障预测模型未收敛时,根据所述训练后的私有故障预测模型获取梯度更新矢量,并发送所述梯度更新矢量,所述边缘服务器用于对所述梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对所述边缘服务器的共有故障预测模型的权值参数进行更新,以获取所述更新权值参数;
当训练后的私有故障预测模型收敛时,实时采集所述边缘网络设备的实时设备信息,并将所述实时设备信息作为输入,输入至所述训练后的私有故障预测模型中,得到实时故障信息,所述实时故障信息用于指示所述边缘网络设备未来出现故障的故障时刻及故障类型。
2.根据权利要求1所述的网络设备故障预测方法,所述接收边缘服务器发送的更新权值参数,并根据所述更新权值参数对私有故障预测模型进行更新之前,所述方法还包括:
接收私有数据上传指令;
响应于所述私有数据上传指令,发送所述历史故障信息及所述历史设备信息;
接收边缘服务器发送的初始权值参数;
根据所述初始权值参数对初始故障预测模型进行更新,以获取所述私有故障预测模型。
3.根据权利要求2所述的网络设备故障预测方法,所述响应于所述私有数据上传指令,发送所述历史故障信息及所述历史设备信息之前,所述方法还包括:
对所述历史设备信息添加噪声,以获取噪声历史设备信息;
所述发送所述历史故障信息及所述历史设备信息,包括:
发送所述历史故障信息及所述噪声历史设备信息。
4.根据权利要求1所述的网络设备故障预测方法,所述方法还包括:
接收所述边缘服务器发送的转发路径信息,所述转发路径信息用于指示转发路由路径,所述转发路由路径为以所述边缘网络设备为中间节点,基于所述边缘网络设备的地址信息计算得到的所述边缘服务器与所述边缘服务器对应的互连边缘网络设备之间的路由路径;
根据所述路由路径转发目标数据流量,所述目标数据流量为所述边缘服务器与所述互连边缘网络设备之间需要通过所述边缘网络设备进行转发的数据流量。
5.一种网络设备故障预测方法,所述方法应用于边缘服务器,包括:
接收边缘网络设备发送的梯度更新矢量,其中梯度更新矢量是边缘网络设备将目标时间区间采集的边缘网络设备的历史设备信息作为输入,将边缘网络设备的历史故障信息作为输出,对更新后的私有故障预测模型进行训练,当训练后的私有故障预测模型未收敛时,根据训练后的私有故障预测模型获取的;
对所述梯度更新矢量进行聚合,并根据聚合后的梯度更新矢量对共有故障预测模型的权值参数进行更新,以获取更新权值参数;
发送所述更新权值参数,所述边缘网络设备用于根据所述更新权值参数对私有故障预测模型进行更新。
6.根据权利要求5所述的网络设备故障预测方法,所述接收边缘网络设备发送的梯度更新矢量之前,所述方法还包括:
确定多个目标边缘网络设备,并向所述目标边缘网络设备发送私有数据上传指令;
接收所述目标边缘网络设备发送的目标时间区间采集的历史设备信息及历史故障信息,其中所述历史故障信息用于指示所述边缘网络设备出现故障的故障类型及故障时刻,所述目标时间区间位于所述故障时刻前,所述历史设备信息包括性能指标数据、目标业务的传输速率、所述目标业务并行使用的端口数量以及与所述目标业务并发的其他业务的数量;
根据所述目标时间区间采集的历史故障信息获取共有故障信息数据,根据所述历史设备信息获取共有设备信息数据;
将所述共有设备信息数据作为输入,将所述共有故障信息数据作为输出,对初始故障预测模型进行训练,以获取共有网络设备故障预测模型;
根据所述共有网络设备故障预测模型获取初始权值参数,并发送所述初始权值参数,所述边缘网络设备用于根据所述初始权值参数对所述边缘网络设备的初始故障预测模型进行更新,以获取私有故障预测模型。
7.根据权利要求6所述的网络设备故障预测方法,所述确定多个目标边缘网络设备,包括:
获取多个边缘网络设备的网络设备标识信息,所述网络设备标识信息包括网段信息、位置信息以及用户标识信息;
根据所述网络设备标识信息在所述多个边缘网络设备中确定多个所述目标边缘网络设备。
8.根据权利要求6所述的网络设备故障预测方法,所述方法还包括:
获取实时故障信息,并根据所述实时故障信息确定未来出现故障的故障边缘网络设备,并获取所述故障边缘网络设备对应的备用边缘网络设备的地址信息;
以所述备用边缘网络设备为中间节点,基于所述边缘网络设备的地址信息计算所述边缘服务器与所述边缘服务器对应的互连边缘网络设备之间的转发路由路径;
发送转发路径信息,所述转发路径信息用于指示所述备用边缘网络设备根据所述路由路径转发目标数据流量,所述目标数据流量为所述边缘服务器与所述互连边缘网络设备之间需要通过所述备用边缘网络设备进行转发的数据流量。
9.一种电子设备,所述电子设备包括存储器、处理器以及存储在存储器上的计算机程序,其中,所述处理器执行所述计算机程序以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机指令,其中,该计算机指令被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110958693.5A CN113660128B (zh) | 2021-08-20 | 2021-08-20 | 网络设备故障预测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110958693.5A CN113660128B (zh) | 2021-08-20 | 2021-08-20 | 网络设备故障预测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113660128A CN113660128A (zh) | 2021-11-16 |
CN113660128B true CN113660128B (zh) | 2023-10-20 |
Family
ID=78481511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110958693.5A Active CN113660128B (zh) | 2021-08-20 | 2021-08-20 | 网络设备故障预测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113660128B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114205134A (zh) * | 2021-12-07 | 2022-03-18 | 北京神州新桥科技有限公司 | 网络策略检测方法、电子设备及存储介质 |
CN114726713B (zh) * | 2022-03-02 | 2024-01-12 | 阿里巴巴(中国)有限公司 | 节点故障模型训练方法、检测方法、设备、介质及产品 |
CN115081543A (zh) * | 2022-07-22 | 2022-09-20 | 北京智芯微电子科技有限公司 | 模型训练方法、电能质量评估方法、装置、设备及介质 |
CN115062730B (zh) * | 2022-08-08 | 2023-01-31 | 北京芯可鉴科技有限公司 | 输电线检测方法、模型训练方法、装置、设备及介质 |
CN115426244B (zh) * | 2022-08-09 | 2024-03-15 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的网络设备故障检测方法 |
CN115473692A (zh) * | 2022-08-16 | 2022-12-13 | 北京神州新桥科技有限公司 | 业务请求处理方法、装置、设备及介质 |
CN116155627B (zh) * | 2023-04-20 | 2023-11-03 | 深圳市黑金工业制造有限公司 | 一种基于互联网的显示屏访问数据管理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011602A (zh) * | 2021-03-03 | 2021-06-22 | 中国科学技术大学苏州高等研究院 | 一种联邦模型训练方法、装置、电子设备和存储介质 |
CN113258995A (zh) * | 2020-09-27 | 2021-08-13 | 中兴通讯股份有限公司 | 故障预测方法、装置和计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013115807A1 (en) * | 2012-01-31 | 2013-08-08 | Hewlett-Packard Development Company, L.P. | Determination of spoofing of a unique machine identifier |
US10424045B2 (en) * | 2017-06-21 | 2019-09-24 | International Business Machines Corporation | Machine learning model for automatic image registration quality assessment and correction |
-
2021
- 2021-08-20 CN CN202110958693.5A patent/CN113660128B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113258995A (zh) * | 2020-09-27 | 2021-08-13 | 中兴通讯股份有限公司 | 故障预测方法、装置和计算机可读存储介质 |
CN113011602A (zh) * | 2021-03-03 | 2021-06-22 | 中国科学技术大学苏州高等研究院 | 一种联邦模型训练方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
面向泛在电力物联网的配电网过电压类故障识别边缘计算节点架构研究;张增强;陈伟伟;薛静杰;徐龙秀;翟旭京;吴伟丽;;电气应用;第39卷(第09期);86-92 * |
Also Published As
Publication number | Publication date |
---|---|
CN113660128A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113660128B (zh) | 网络设备故障预测方法、电子设备及存储介质 | |
EP3541016B1 (en) | Telecommunications network troubleshooting systems | |
US20190268240A1 (en) | Using machine learning to monitor link quality and predict link faults | |
US11876697B2 (en) | Extensible network traffic engineering platform for increasing network resiliency in cloud applications | |
EP3553710B1 (en) | Artificial intelligence optimized telecommunications systems | |
CN103761309A (zh) | 一种运营数据处理方法及系统 | |
WO2022105090A1 (zh) | 基于回调机制的细粒度数据流可靠卸载方法 | |
CN101621548A (zh) | 基于对等连接系统的终端资源共享的实现方法及系统 | |
US20240223503A1 (en) | Data transmission control method and apparatus, computer-readable storage medium, computer device, and computer program product | |
CN113660158B (zh) | Overlay虚拟链路动态路由的调度方法、服务器及存储介质 | |
CN114205134A (zh) | 网络策略检测方法、电子设备及存储介质 | |
CN114492854A (zh) | 训练模型的方法、装置、电子设备以及存储介质 | |
CN113132479A (zh) | 流量切换、模型生成方法、装置、设备、存储介质及程序 | |
CN110896544B (zh) | 故障定界方法及装置 | |
CN115022278B (zh) | Cdn处理方法和系统 | |
CN104081728B (zh) | 网络管理 | |
US11451513B2 (en) | Notification device and notification method | |
CN107707383B (zh) | 放通处理方法、装置、第一网元及第二网元 | |
CN117835099B (zh) | 基于fttr的故障自诊断与自修复方法、装置、设备及介质 | |
Mikhailenko et al. | Analysis of the adaptive neural network router | |
CN116436844B (zh) | 路由震荡的定位方法及装置、存储介质及电子设备 | |
CN115031750B (zh) | 阻断路段的状态确定方法、装置及计算机程序产品 | |
US20240259875A1 (en) | Preventing service interruptions by predicting outages in a satellite network | |
US10693793B2 (en) | Mitigating network saturation following periods of device disconnection and subsequent reconnection | |
CN117376446A (zh) | 数据上传方法、装置、设备及存储介质 |
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 |