CN114297453A - 告警预测方法、装置、电子设备及存储介质 - Google Patents
告警预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114297453A CN114297453A CN202111657310.7A CN202111657310A CN114297453A CN 114297453 A CN114297453 A CN 114297453A CN 202111657310 A CN202111657310 A CN 202111657310A CN 114297453 A CN114297453 A CN 114297453A
- Authority
- CN
- China
- Prior art keywords
- alarm
- alarm data
- data
- cluster
- clustering
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims description 17
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种告警预测方法、装置、电子设备及存储介质,涉及通信技术领域。该方法包括采集网络设备的告警数据;对所述告警数据进行聚类处理,得到多簇同类告警数据;将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据;利用训练得到的告警预测模型完成对告警信息的预测。本公开基于告警数据的特点,通过对现有模型的优化,能够在有限的算量下得到准确的告警数据预测结果。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种告警预测方法、装置、电子设备及存储介质。
背景技术
传统波分设备由各个厂家独自管理,告警编码内容等信息定义不同但对于异厂商的设备,告警不同,人员理解不同,具有一定的学习成本,增加了运维难度;基于开放解耦的波分盒式设备,接口模型与告警性能编码属性统一定义。告警信息的一致性为运维人员的理解与处理降低了困难程度。
统一规范的告警信息一定程度上降低了维护难度,但是波分设备出现故障问题时,会产生大量告警,告警中存在冗余告警、关联告警、大量瞬断告警等,存在以下问题:人为分析与排查耗时耗力,较难满足网络的动态变化需求;关键的严重告警若不及时解决会导致业务中断、难以恢复、较长恢复时间等问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种告警预测方法、装置、电子设备及存储介质,至少在一定程度上克服由于相关技术中告警数据无法预测,从而使故障无法预防的技术问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种告警预测方法,包括:
采集网络设备的告警数据;
对所述告警数据进行聚类处理,得到多簇同类告警数据;
将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;
基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据;
利用训练得到的告警预测模型完成对告警信息的预测。
在本公开的一个实施例中,在对所述告警数据进行聚类处理,得到多簇同类告警数据之前,所述方法还包括:
对所述告警数据进行预处理,去除来自非网络设备的告警数据,并筛选告警数据的属性。
在本公开的一个实施例中,所述对所述告警数据进行聚类处理,得到多簇同类告警数据,具体包括:
随机选择每一簇告警数据的聚类中心,并确定聚类属性;
基于聚类中心属性分别计算每个告警数据到每个聚类中心的距离,并将每个告警数据划分至与其距离最小的聚类中心所在的簇;
基于划分结果重新确定聚类中心;
重复执行对告警数据的划分步骤并在每次划分后重新确定聚类中心,直到全部告警数据到各自聚类中心的距离总和达到最小值,从而得到多簇同类告警数据。
在本公开的一个实施例中,所述基于聚类属性分别计算每个告警数据到每个聚类中心的距离,并将每个告警数据划分至与其距离最小的聚类中心所在的簇,具体包括:
将告警数据的每个属性到聚类中心的距离依据每个属性的权重相加,从而得到告警数据到聚类中心的距离,其中,每个属性的权重为聚类中心所在的簇中拥有与其相同属性的告警数据数量和全部告警数据的数量的比值,告警数据首次划分时每个属性的权重相同;
重复以上步骤,直到获得每个告警数据到每个聚类中心的距离;
将每个告警数据划分至与其距离最小的聚类中心所在的簇。
在本公开的一个实施例中,所述基于划分结果重新确定聚类中心,具体包括:
将划分后得到的每一簇告警数据中出现频次最高的告警属性作为新的聚类中心。
在本公开的一个实施例中,所述将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据,具体包括:
将聚类得到的每一簇同类告警数据按照时间排序,随后划分为多个时间窗口,其中,每个时间窗口覆盖的时间长度相同,相邻的时间窗口之间部分覆盖的时间重叠;
剔除每个时间窗口中相同的告警数据。
在本公开的一个实施例中,所述基于各个时间窗口的告警数据训练告警预测模型,具体包括:
利用预设的长短期记忆LSTM神经网络模型,基于各个时间窗口的告警数据训练告警预测模型。
根据本公开的另一个方面,提供一种告警预测装置,包括:
采集模块,用于采集网络设备的告警数据;
聚类模块,用于对所述告警数据进行聚类处理,得到多簇同类告警数据;
划分模块,用于将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;
训练模块,用于基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据;
预测模块,用于利用训练得到的告警预测模型完成对告警信息的预测。
根据本公开的再一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的告警预测方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的告警预测方法。
本公开的实施例所提供的告警预测方法、装置、电子设备及存储介质,通过采集网络设备的告警数据;对告警数据进行聚类处理,得到多簇同类告警数据;将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据;利用训练得到的告警预测模型完成对告警信息的预测。本公开基于告警数据的特点,通过对现有模型的优化,能够在有限的算量下得到准确的告警数据预测结果。
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
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开实施例中一种告警预测方法流程图;
图2示出本公开实施例中一种LSTM训练过程示意图;
图3示出本公开实施例中一种告警预测方法的整体流程示意图;
图4示出本公开实施例中一种告警预测方法的详细流程示意图;
图5示出本公开实施例中一种告警预测装置示意图;和
图6示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本公开提供的方案,采集网络设备的告警数据;对告警数据进行聚类处理,得到多簇同类告警数据;将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据;利用训练得到的告警预测模型完成对告警信息的预测。
人工智能方法相比传统的专家经验等方法更加具有客观性、及时性,通过海量具有时间序列数据的学习与分析,挖掘告警中的关联信息与发生规律,设备发生故障前会存在性能劣化相关告警等问题,运维人员不易发现,人工智能的方法可以及时地反应出设备即将出现的告警或故障,可以尽早排障,一定程度减少损失的发生。
由于长短期记忆神经网络(LSTM,Long short-term memory)对时间序列具有良好的处理能力,而被应用在各个领域的预测技术。盒式波分设备告警预测也符合时间序列的特性,但是对于时间序列较长时会导致计算量过大,因此本公开结合了告警特性,预先聚类降低计算量,提出了改进LSTM神经网络的告警预测方法,对告警预先聚类划分时间窗口,增加关联性的同时,减少了训练复杂度。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先,本公开实施例中提供了一种告警预测方法,该方法可以由任意具备计算处理能力的电子设备执行。
图1示出本公开实施例中一种告警预测方法流程图,如图1所示,本公开实施例中提供的告警预测方法包括如下步骤:
步骤S102,采集网络设备的告警数据;
具体地,本公开实施例可基于管控平台的告警采集模块,从网络采集到告警数据,告警属性包括告警ID、告警编码、所属网元、所属板卡、所属端口、告警对象、故障描述、告警类型、告警严重等级、发生时间、是否清除、清除时间、确认状态、确认时间等。
可选地,在得到告警数据后需要先对其清洗,去除非设备发生的网管级别告警。
可选地,针对告警数据到属性列进行过滤,保留所需属性,例如,告警编码、所属网元、告警类型、告警严重等级、发生时间、清除时间,使属性间的关联程度尽可能低。
在本公开的一个实施例中,上述告警编码表见下表1。
表1
步骤S104,对告警数据进行聚类处理,得到多簇同类告警数据;
具体地,随机选择每一簇告警数据的聚类中心,并确定聚类属性;基于聚类中心属性分别计算每个告警数据到每个聚类中心的距离,并将每个告警数据划分至与其距离最小的聚类中心所在的簇;基于划分结果重新确定聚类中心;重复执行对告警数据的划分步骤并在每次划分后重新确定聚类中心,直到全部告警数据到各自聚类中心的距离总和达到最小值,从而得到多簇同类告警数据。
更具体地,上述基于聚类属性分别计算每个告警数据到每个聚类中心的距离,并将每个告警数据划分至与其距离最小的聚类中心所在的簇,包括:将告警数据的每个属性到聚类中心的距离依据每个属性的权重相加,从而得到告警数据到聚类中心的距离,其中,每个属性的权重为聚类中心所在的簇中拥有与其相同属性的告警数据数量和全部告警数据的数量的比值,告警数据首次划分时每个属性的权重相同;重复以上步骤,直到获得每个告警数据到每个聚类中心的距离;将每个告警数据划分至与其距离最小的聚类中心所在的簇。
为便于理解,以下将通过步骤(1)~(5)举例说明本公开实施例的聚类方法:
(1)由于告警值为离散数据,聚类可采用K-Modes方式,确定K个簇,随机确定K个聚类中心为C1,C2…Ci…CK,进行聚类的属性定为{告警编码、所属网元、告警严重等级},其数量定义为P(P=3),选此三个属性仅为聚类。
(2)K-Modes容易出现大量距离相等的数据,因此可每轮聚类为每个聚类中心的属性赋予不同的权重,来表示该属性在此中心的重要程度。针对每个聚类中心分配各个属性的权重,首先平均分配初始权重。再在每轮的聚类中,将聚类中心Ci中具有该属性cip的告警数据数量numi prop与该聚类中心中所有告警数量numall数量之比作为该属性的权重wp i,wp i=numpi prop/numall。
(3)假设具有N条告警数据,P个告警聚类属性的告警数据矩阵为:
其中,xNP用于标识告警数据的属性。
计算N条告警数据中第n条数据Xn=[xn1,…,xnp,…,xnP]到每个聚类中心Ci=[ci1,…,cip,…,ciP]的加权距离
d(Xn,Ci)=∑P p=1wp i·f(xnp,cip)
f(xnp,cip)=1,xnp∩cip=cip&&xnp∪cip=cip
f(xnp,cip)=0,xnp∩cip≠cip||xnp∪cip≠cip
(4)将Xn划分至d(Xn,Ci)最小的Ci中,全部数据划分完后,重新确定聚类中心每簇中的新中心为最多的类别。
(5)重复上述(2)-(4)步,每次重新计算所有数据距离其各自的簇中心的总距离和∑N,K n=1,i=1d(Xn,Ci),直至此总距离和到达极小值,得到K簇聚类的告警数据集。
步骤S106,将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;
可选地,设定时间窗口宽度为W,由于告警数据为时序特征,因此W取固定时长。每一时间窗口包含该簇内相同时长内的告警数据,第一个时间窗口的起点为该簇第一个告警,最后一个时间窗口的终点为该簇最后一个告警。设定时间窗口的滑动步长为h,即每个时间窗口之间的时间间隔为h,从而得到一个簇中的所有时间窗口;
可选地,上述滑动步长h小于时间窗口宽度W。
可选地,在划分时间窗口的时候,若出现相同告警则跳过除第一次以外发生的告警。
步骤S108,基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据。
具体地,如图2所示,制作好Q个时间窗口后,在第q个时间窗口的所有告警Xq作为输入数据;第q+1个时间窗口的t时段内的告警Yq作为输出数据,其中t时段为用户希望预测的时段。
每次LSTM接收上次的训练参数,Sq为当前适合细胞的状态,hq为当前隐藏层状态。
在本公开的一个实施例中,LSTM的遗忘门、输入门、输出门可以选择激活函数sigmoid,候选记忆细胞选择tanh函数作为激活函数。损失函数,可以是均方误差MSE函数,通过神经网络的不断迭代优化以使损失函数最小。
本领域技术人员可以理解,针对聚类后不同簇的告警数据均需依次带入LSTM模型进行训练,以得到本公开中的告警预测模型。
步骤S110,利用训练得到的告警预测模型完成对告警信息的预测。
具体地,获取一定时间段的告警数据,并将格式统一,随后输入至训练好的告警预测模型;告警预测模型输出未来一定时间内的预测告警序列。
图3示出了本公开实施例提供的一种告警预测方法的整体流程,图3所示,本公开实施例提供的告警预测方法包括以下步骤:
1.对盒式波分设备定义网络拓扑和告警属性,告警信息包括告警编码、告警设备、告警严重等级、告警对象、所属板卡、端口、告警发生时间、告警清除时间、清除状态等信息。通过管控平台的网元管理、告警管理等模块获取设备的板卡端口信息与告警信息;
2.预处理告警数据,对告警有效性检测、删除无效数据、精炼属性、处残缺数据;
3.告警聚类分析,使用K-Modes聚类方法,针对告警设备、告警编码、告警严重等级三个属性进行聚类,划分为K类,达到尽可能簇内相似性高,而簇间相似性低;
4.针对聚类得到的每一类,划分告警时间窗口;
5.每个时间窗口作为LSTM的输入,构建神经网络训练模型;
6.告警输入训练模型进行预测。
此外,图4示出了上述方法的详细流程,由于该方法实施例解决问题的原理与技术细节与上述实施例相似,故该方法实施例对步骤不再赘述。
基于同一发明构思,本公开实施例中还提供了一种告警预测装置,如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图5示出本公开实施例中一种告警预测装置示意图,如图5所示,该装置500包括:
采集模块501,用于采集网络设备的告警数据;
聚类模块502,用于对所述告警数据进行聚类处理,得到多簇同类告警数据;
划分模块503,用于将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;
训练模块504,用于基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据;
预测模块505,用于利用训练得到的告警预测模型完成对告警信息的预测。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元610可以执行上述方法实施例的如下步骤:采集网络设备的告警数据;对告警数据进行聚类处理,得到多簇同类告警数据;将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据;利用训练得到的告警预测模型完成对告警信息的预测。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备640(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,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可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种告警预测方法,其特征在于,包括:
采集网络设备的告警数据;
对所述告警数据进行聚类处理,得到多簇同类告警数据;
将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;
基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据;
利用训练得到的告警预测模型完成对告警信息的预测。
2.根据权利要求1所述的告警预测方法,其特征在于,在对所述告警数据进行聚类处理,得到多簇同类告警数据之前,所述方法还包括:
对所述告警数据进行预处理,去除来自非网络设备的告警数据,并筛选告警数据的属性。
3.根据权利要求1所述的告警预测方法,其特征在于,所述对所述告警数据进行聚类处理,得到多簇同类告警数据,具体包括:
随机选择每一簇告警数据的聚类中心,并确定聚类属性;
基于聚类中心属性分别计算每个告警数据到每个聚类中心的距离,并将每个告警数据划分至与其距离最小的聚类中心所在的簇;
基于划分结果重新确定聚类中心;
重复执行对告警数据的划分步骤并在每次划分后重新确定聚类中心,直到全部告警数据到各自聚类中心的距离总和达到最小值,从而得到多簇同类告警数据。
4.根据权利要求3所述的告警预测方法,其特征在于,所述基于聚类属性分别计算每个告警数据到每个聚类中心的距离,并将每个告警数据划分至与其距离最小的聚类中心所在的簇,具体包括:
将告警数据的每个属性到聚类中心的距离依据每个属性的权重相加,从而得到告警数据到聚类中心的距离,其中,每个属性的权重为聚类中心所在的簇中拥有与其相同属性的告警数据数量和全部告警数据的数量的比值,告警数据首次划分时每个属性的权重相同;
重复以上步骤,直到获得每个告警数据到每个聚类中心的距离;
将每个告警数据划分至与其距离最小的聚类中心所在的簇。
5.根据权利要求3所述的告警预测方法,其特征在于,所述基于划分结果重新确定聚类中心,具体包括:
将划分后得到的每一簇告警数据中出现频次最高的告警属性作为新的聚类中心。
6.根据权利要求1所述的告警预测方法,其特征在于,所述将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据,具体包括:
将聚类得到的每一簇同类告警数据按照时间排序,随后划分为多个时间窗口,其中,每个时间窗口覆盖的时间长度相同,相邻的时间窗口之间部分覆盖的时间重叠;
剔除每个时间窗口中相同的告警数据。
7.根据权利要求1所述的告警预测方法,其特征在于,所述基于各个时间窗口的告警数据训练告警预测模型,具体包括:
利用预设的长短期记忆LSTM神经网络模型,基于各个时间窗口的告警数据训练告警预测模型。
8.一种告警预测装置,其特征在于,包括:
采集模块,用于采集网络设备的告警数据;
聚类模块,用于对所述告警数据进行聚类处理,得到多簇同类告警数据;
划分模块,用于将每一簇同类告警数据划分为多个时间窗口,并剔除每个时间窗口中相同的告警数据;
训练模块,用于基于各个时间窗口的告警数据训练告警预测模型,其中,每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据;
预测模块,用于利用训练得到的告警预测模型完成对告警信息的预测。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7中任意一项所述的告警预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~7中任意一项所述的告警预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657310.7A CN114297453B (zh) | 2021-12-30 | 2021-12-30 | 告警预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657310.7A CN114297453B (zh) | 2021-12-30 | 2021-12-30 | 告警预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114297453A true CN114297453A (zh) | 2022-04-08 |
CN114297453B CN114297453B (zh) | 2023-12-15 |
Family
ID=80973959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111657310.7A Active CN114297453B (zh) | 2021-12-30 | 2021-12-30 | 告警预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297453B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766401A (zh) * | 2023-01-09 | 2023-03-07 | 北京安帝科技有限公司 | 工业告警信息解析方法、装置、电子设备与计算机介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789138A (zh) * | 2015-11-23 | 2017-05-31 | 中国移动通信集团广西有限公司 | 一种网络告警关联分析的方法及装置 |
CN109993189A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 一种网络故障预警方法、装置和介质 |
WO2021016978A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 电信网络告警预测方法及系统 |
CN113297183A (zh) * | 2021-07-21 | 2021-08-24 | 国网汇通金财(北京)信息科技有限公司 | 一种时间窗口的告警分析方法及装置 |
-
2021
- 2021-12-30 CN CN202111657310.7A patent/CN114297453B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789138A (zh) * | 2015-11-23 | 2017-05-31 | 中国移动通信集团广西有限公司 | 一种网络告警关联分析的方法及装置 |
CN109993189A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 一种网络故障预警方法、装置和介质 |
WO2021016978A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 电信网络告警预测方法及系统 |
CN113297183A (zh) * | 2021-07-21 | 2021-08-24 | 国网汇通金财(北京)信息科技有限公司 | 一种时间窗口的告警分析方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766401A (zh) * | 2023-01-09 | 2023-03-07 | 北京安帝科技有限公司 | 工业告警信息解析方法、装置、电子设备与计算机介质 |
CN115766401B (zh) * | 2023-01-09 | 2023-04-21 | 北京安帝科技有限公司 | 工业告警信息解析方法、装置、电子设备与计算机介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114297453B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509325B (zh) | 系统超时时间的动态确定方法与装置 | |
CN102576311B (zh) | 用于通过优化性能模型提高软件执行时间的方法和系统 | |
CN106534291A (zh) | 基于大数据处理的电压监测方法 | |
CN114598539B (zh) | 根因定位方法、装置、存储介质及电子设备 | |
US11704186B2 (en) | Analysis of deep-level cause of fault of storage management | |
CN110895495A (zh) | 人因失误分析方法、系统、计算机设备及存储介质 | |
CN114327964A (zh) | 业务系统的故障原因处理方法、装置、设备及存储介质 | |
CN114297453B (zh) | 告警预测方法、装置、电子设备及存储介质 | |
CN114090393B (zh) | 一种告警级别的确定方法、装置及设备 | |
CN109272165B (zh) | 注册概率预估方法、装置、存储介质及电子设备 | |
CN116593883A (zh) | 一种智能化高压开关的断路器本体故障诊断方法、装置、设备及存储介质 | |
CN114500075B (zh) | 用户异常行为检测方法、装置、电子设备及存储介质 | |
CN114723303A (zh) | 机房节能空间确定方法、装置、设备及存储介质 | |
KR20080087571A (ko) | 상황 예측 시스템 및 그 방법 | |
CN107566193A (zh) | 模糊故障Petri网及其网络故障诊断方法 | |
CN111461344B (zh) | 高阶特征的自动生成方法、系统、设备和介质 | |
CN114298188A (zh) | 一种电力设备故障智能分析方法及系统 | |
CN113626070B (zh) | 代码质量指标的配置方法、装置、设备及存储介质 | |
CN115242482B (zh) | 越权访问风险检测方法、装置、电子设备及可读存储介质 | |
CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 | |
CN114629785B (zh) | 一种告警位置的检测与预测方法、装置、设备及介质 | |
CN115168597A (zh) | 调控系统运行事件规则分析方法及装置、介质及设备 | |
Zhang et al. | Research on data-driven model for power grid fault diagnosis fusing topological quantification information | |
CN115348179A (zh) | 网络流量边界预测方法、装置、设备及介质 | |
CN116910624A (zh) | 异常指标检测方法、装置、存储介质及电子设备 |
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 |