CN114302418A - 网元设备性能的检测方法、装置及计算机可读介质 - Google Patents

Abstract

本申请属于通信技术领域，具体涉及一种网元设备性能的检测方法、装置及计算机可读介质。该方法包括：获取网元设备的历史通信数据，并根据历史通信数据确定风险源，其中，风险源为对网元设备的性能有影响的因素；基于风险源，构建风险评估指标体系；对风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型；将网元设备的风险评估指标输入风险评估模型，以得到风险评估值；根据风险评估值，确定网元设备的风险等级。这样，通过风险源构建风险评估指标体系，并对风险评估指标体系中的权重和阈值进行优化，有利于构建得到与实际情况更加符合的风险评估模型，从而使得预测得到的风险评估值更加准确，风险评估结果更加可靠。

Description

网元设备性能的检测方法、装置及计算机可读介质

技术领域

本申请属于通信技术领域，具体涉及一种网元设备性能的检测方法、装置及计算机可读介质。

背景技术

5G核心网(5GC)中存在着大量的网元设备，在实际应用场景中，要保证不同类型的网元设备处于正常运行状态，就需要对网元设备性能进行检测并对可能出现的故障风险进行评估，确定风险等级并采取必要的应对措施。

而传统的风险评估方法都是主观分析方法，在分析过程中需要人为设定一些关键风险源的数值，在很大程度上影响了评估结果的准确性及可信度。

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申请的背景的理解，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

本申请的目的在于提供一种网元设备性能的检测方法、装置及计算机可读介质，在一定程度上实现了得到较准确的性能评估结果，从而使得风险评估结果更加可靠。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供一种网元设备性能的检测方法，所述方法包括：

获取网元设备的历史通信数据，并根据所述历史通信数据确定风险源，其中，所述风险源为对网元设备的性能有影响的因素；

基于所述风险源，构建风险评估指标体系；

对所述风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型；

将所述网元设备的风险评估指标输入所述风险评估模型，以得到风险评估值；

根据所述风险评估值，确定所述网元设备的风险等级。

根据本申请实施例的一个方面，提供一种网元设备性能的检测装置，所述装置包括：

获取模块，用于获取网元设备的历史通信数据，并根据所述历史通信数据确定风险源，其中，所述风险源为对网元设备的性能有影响的因素；

构建模块，用于基于所述风险源，构建风险评估指标体系；

优化模块，用于对所述风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型；

评估模块，用于将所述网元设备的风险评估指标输入所述风险评估模型，以得到风险评估值；

确定模块，用于根据所述风险评估值，确定所述网元设备的风险等级。

在本申请的一些实施例中，基于以上技术方案，所述构建模块还用于，根据所述网元设备在运行过程中实际的风险源个数构建目标函数，以得到所述风险评估指标体系。

在本申请的一些实施例中，基于以上技术方案，所述优化模块还用于，构建初始权重及阈值种群；计算所述初始权重及阈值种群的适应度；根据所述初始权重及阈值种群的适应度，对所述初始权重及阈值种群进行选择、交叉、变异，直至满足终止条件，以得到最优权重与最优阈值；将所述最优权重与所述最优阈值代入所述风险评估指标体系，以得到所述风险评估模型。

在本申请的一些实施例中，基于以上技术方案，所述优化模块还用于，对所述风险评估指标体系中的权重和阈值进行编码；将每一组所述权重和所述阈值的集合组成一条染色体，并根据所述权重和所述阈值的不同组合选取多条染色体，以得到所述初始权重及阈值种群。

在本申请的一些实施例中，基于以上技术方案，所述优化模块还用于，根据目标函数计算所述初始权重及阈值种群中各条染色体的目标函数值；根据所述目标函数值以及预设约束条件，以得到所述初始权重及阈值种群的适应度。

在本申请的一些实施例中，基于以上技术方案，所述优化模块还用于，根据所述初始种群的适应度对所述初始权重及阈值种群进行选择，以组建成新的权重及阈值遗传种群；将生成新的权重及阈值遗传种群进行配对，以生成遗传配对风险评估群体；对所述遗传配对风险评估群体进行交叉，以得到遗传交叉风险评估群体；对所述遗传交叉风险评估群体进行变异，形成次遗传风险评估群体。

在本申请的一些实施例中，基于以上技术方案，所述优化模块还用于，计算所述次遗传风险评估群体中各个染色体的目标函数值，并以所述次遗传风险评估群体作为下一轮的初始风险评估群体；对下一轮的初始风险评估群体重复迭代计算适应度，以及根据适应度计算得到目标函数值；直至计算得到目标函数值最低时对应的权重和阈值组合群体，以得到最优权重与最优阈值。

根据本申请实施例的一个方面，提供一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如以上技术方案中的网元设备性能的检测方法。

根据本申请实施例的一个方面，提供一种电子设备，该电子设备包括：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，所述处理器被配置为经由执行所述可执行指令来执行如以上技术方案中的网元设备性能的检测方法。

根据本申请实施例的一个方面，提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如以上技术方案中的网元设备性能的检测方法。

在本申请实施例提供的技术方案中，通过风险源构建风险评估指标体系，并对风险评估指标体系中的权重和阈值进行优化，有利于构建得到与实际情况更加符合的风险评估模型，从而使得预测得到的风险评估值更加准确，使得风险评估结果更加可靠。

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，并不能限制本申请。

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，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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示意性地示出了本申请一实施例提供网元设备性能的检测方法步骤流程。

图2示意性地示出了本申请一实施例中对风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型的步骤流程。

图3示意性地示出了本申请一实施例中构建初始权重及阈值种群的步骤流程。

图4示意性地示出了本申请一实施例中计算初始权重及阈值种群的适应度的步骤流程。

图5示意性地示出了本申请一实施例中根据初始权重及阈值种群的适应度，对初始权重及阈值种群进行选择、交叉、变异的步骤流程。

图6示意性地示出了本申请另一实施例提供网元设备性能的检测方法步骤流程。

图7示意性地示出了本申请一实施例系统整体流程图。

图8示意性地示出了本申请实施例提供的网元设备性能的检测装置的结构框图。

图9示意性示出了适于用来实现本申请实施例的电子设备的计算机系统结构框图。

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申请将更加全面和完整，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。

此外，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例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，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。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

5G核心网(5GC)是5G建设的重要组成部分，随着通信网络的运行规模及业务承载量快速膨胀，通信网络的复杂性也在随之日益增加，与此同时也不可避免地带来了一定的安全风险。而通信网络包含着复杂的网络结构，5GC核心网中也存在着大量的网元设备，其运行状况会受到环境等诸多因素的影响，由于受到复杂因素的影响，在实际运行中一旦发生故障，将会对通信产生严重的影响。然而，根据运维人员的实际经验，这些运行过程中的故障并非是偶然性、突发性的，故障发生的过程往往是量变引起质变，即在发生这次故障之前，该网元设备的某些性能指标已经出现了一定的问题，如超出预定正常范围或者是发生错误，因此，有必要对通信网络的实时运行状况进行性能检测及风险评估，判断网元设备的健康状况，并及时发现潜在的风险，这对于降低通信网络发生突发性故障的频率，保证网元设备稳定运行具有重要的意义。

然而在进行风险评估的时候，运维人员采用的传统风险判断方法具有一定的主观性及低效性。例如，传统的方法在分析过程中需要人为设定一些关键风险因素的数值，在很大程度上影响了评估结果的准确性及可信度；其次，低效的手工排查方式也耗费了大量的人力资源，而且依然不能满足复杂的网元设备通信过程中的风险排查要求，另外，也缺乏异常信息的及时预警，时效性存在缺失。

具体地，目前通信网络中网元设备的故障诊断的方式，主要有以下两种方法：

第一种方式为：对网元设备性能指标进行简单对比，依赖于运维人员的人工判别，当网元设备某项性能指标参数超出预定的正常范围或者是处于错误状态时，直接判定为异常数据，并采取相应的措施。

第二种方式为：传统智能化运维方法，结合数据分析的方法，建立机器学习及深度学习的一些理论模型，获取某些网络性能指标的一定周期内的原始时间序列信息，然后通过归一化、去噪等数据处理手段，将处理后的数据作为算法输入，运用K-近邻算法、支持向量机等分类算法，对输入的数据进行分类，根据分类结果结合一定的判定标准，判断异常与否，实现性能检测及异常信息的查找定位。

上述两种方式，在预警的时效性、应用范围、预测结果的可靠性及稳定性等多方面存在着一定的不足，从而在实际运维过程中带来诸多不便。

为了解决上述技术问题，本申请提出了一种网元设备性能的检测方法，该方法利用了5GC网元设备实际通信过程中的大量样本数据以及各类反映网元设备运行状况的性能指标，构建风险评估指标体系，并在现有依靠运维人员人工分析的传统风险评估方法的基础上，结合人工智能领域中的遗传算法，并对其选择保留及交叉变异等遗传操作进行改进，对网元设备性能检测系统中多个性能指标的权重进行优化求解，以得到最优权重和最优阈值，从而构建得到与实际情况更加符合的风险评估模型，从而使得预测得到的风险评估值更加准确，使得风险评估结果更加可靠。这样，避免了传统的5GC网元设备性能及风险评估方法带来的主观性，使风险评估结果更加准确可靠，另外，还提升了运维工作的效率。

下面结合具体实施方式对本申请提供的一种网元设备性能的检测方法、装置及计算机可读介质做出详细说明。

参见图1，图1示意性地示出了本申请一实施例提供网元设备性能的检测方法步骤流程。该方法的执行主体可以为服务器，该方法主要可以包括如下的步骤S101至步骤S105。

步骤S101，获取网元设备的历史通信数据，并根据历史通信数据确定风险源，其中，风险源为对网元设备的性能有影响的因素。

获取网元设备的历史通信记录，并确定风险源，有利于得到历史网元设备的性能及风险评估指标，从而便于后续对风险评估指标体系的构建。这样，通过利用了5GC网元设备实际通信过程中的大量样本数据以及各类反映网元设备运行状况的性能指标，使得所采用的特征数据具备全面性及代表性，有利于构建风险评估指标体系。

利用5GC网元实际通信过程中的大量样本数据以及各类反映网元设备运行状况的性能指标，针对不同种类的网元设备，可以对网元设备在某一时刻的性能进行智能检测，计算性能评估值，并确定风险等级，以对可能出现的风险采取及时的应对措施，减少网元设备故障出现的频率。

步骤S102，基于风险源，构建风险评估指标体系。

其中，风险评估指标体系用于表示风险源与网元设备性能之间的关系，风险评估指标体系包括权重和阈值，权重与阈值的取值对网元设备的性能有影响，通过确定最优权重与最优阈值，从而有利于确定网元设备的风险评估值，从而得到更加准确的风险评估值。

步骤S103，对风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型。

使用遗传算法对风险评估指标体系中的权重与阈值进行优化，以得到最优权重和最优阈值。在得到最优权重和最优阈值之后代入风险评估指标体系，以得到最优的风险评估模型。这样，通过构建得到最优的风险评估模型以有利于后续对网元设备风险的预测，使得预测结果更加准确。

步骤S104，将网元设备的风险评估指标输入风险评估模型，以得到风险评估值。

在构建得到风险评估模型之后，将网元设备的风险评估指标作为自变量输入至风险评估模型，从而得到输出为风险评估值。其中，风险评估值用于预测元设备在通信过程中有可能发生风险的可能性。

步骤S105，根据风险评估值，确定网元设备的风险等级。

在得到风险评估值之后，即可得到网元设备在通信过程中可能出现的风险，接着对有可能出现的风险进行反馈及预警，如异常的网元设备名、IP地址、属地等指标信息，以进行预警。然后，运维人员根据反馈结果采取及时的应对措施，减少网元故障出现的频率。

在本申请实施例提供的技术方案中，通过风险源构建风险评估指标体系，并对风险评估指标体系中的权重和阈值进行优化，有利于构建得到与实际情况更加符合的风险评估模型，从而使得预测得到的风险评估值更加准确，使得风险评估结果更加可靠。另外，计算风险评估值，确定风险等级，并将网元通信过程中可能出现的异常反馈给运维人员及时采取必要的应对措施，减少网元设备故障出现的频率。

在本申请的一个实施例中，基于风险源，构建风险评估指标体系，包括：

根据网元设备在运行过程中实际的风险源个数构建目标函数，以得到风险评估指标体系。

根据运维人员的日常经验，对风险源进行查找，并初步构建风险评估指标体系。其中，目标函数例如可以为线性函数，Y＝WX+b，其中Y指的是网元设备的性能，W指的是权重，X指的是风险评估指标，b指的是阈值。当然对于目标函数的设置，也可以是其他函数，在此不予限定。

这样，通过构建风险评估指标体系，有利于确定风险源与网元设备性能的对应情况，从而有利于后续对网元设备性能的评估预测。

在本申请的一个实施例中，参见图2，图2示意性地示出了本申请一实施例中对风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型的步骤流程。对风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型，主要可以包括如下的步骤S201至步骤S204。

步骤S201，构建初始权重及阈值种群。

由于使用遗传算法对权重与阈值进行优化，一般地，遗传算法在构建初始种群之前，需要先设定遗传算法的初始化因子。具体地，设定遗传算法运行过程中的参数，例如种群大小Nind、个体编码方式、算法终止条件，以及之后的交叉操作算子α、变异操作算子β、选择操作算子γ，以及交叉概率Pc、变异概率Pm等，并基于这些参数建立初始种群。

在构建初始权重及阈值种群时，在指标权重W和阈值b的取值范围内随机选择取值形成基因，并将所有决策变量对应的基因组合在一起形成个体Pi，采用随机函数生成遍布在可行域内初始种群：P＝(P1；P2；…；Pn)^T。

具体地，在本申请的一个实施例中，参见图3，图3示意性地示出了本申请一实施例中构建初始权重及阈值种群的步骤流程。构建初始权重及阈值种群，主要可以包括如下的步骤S301至步骤S302。

步骤S301，对风险评估指标体系中的权重和阈值进行编码。

对风险评估指标体系中的权重和阈值进行编码，对于编码可以进行二进制编码或者格雷码编码。

步骤S302，将每一组权重和阈值的集合组成一条染色体，并根据权重和阈值的不同组合选取多条染色体，以得到初始权重及阈值种群。

将每一个权重和每一个阈值组成的集合确定为一组，组合成一条染色体。将不同的权重与不同的阈值分别进行组合形成多条染色体，从而构建得到初始权重及阈值种群。

这样，通过对风险评估指标体系中的权重和阈值进行编码，接着将权重和阈值的不同组合形成多条染色体，从而有利于构建得到初始权重及阈值种群，以有利于后续得到风险评估模型。

步骤S202，计算初始权重及阈值种群的适应度。

在遗传算法中，在构建初始种群之后，接着确定初始种群的适应度。具体地，在计算初始种群适应度时，对于初始种群的个体Pi，根据目标函数(即评估方法)计算其目标函数值ObjV及适应度值FitnV。

在本申请的一个实施例中，参见图4，图4示意性地示出了本申请一实施例中计算初始权重及阈值种群的适应度的步骤流程。计算初始权重及阈值种群的适应度，主要可以包括如下的步骤S401至步骤S402。

步骤S401，根据目标函数计算初始权重及阈值种群中各条染色体的目标函数值；

步骤S402，根据目标函数值以及预设约束条件，以得到初始权重及阈值种群的适应度。

其中，预设约束条件通过权重、阈值以及满足稳定运行要求的可接受的风险评估范围来约定。

这样，通过计算初始权重及阈值种群的适应度，以有利于得到最优权重与最优阈值。

步骤S203，根据初始权重及阈值种群的适应度，对初始权重及阈值种群进行选择、交叉、变异，直至满足终止条件，以得到最优权重与最优阈值。

在遗传算法中，确定初始种群的适应度之后，根据个体的适应度值，进行种群的选择、交叉、变异。针对传统简单遗传算法的不足之处，本申请基于精英选择的遗传算法(e-GA)，将锦标赛选择法与精英保留策略相结合，并对种群P的选择方法及遗传操作进行改进。

其中，改进的选择保留操作为，在进化过程中，先对父代种群P进行常规遗传操作，待其产生子代之后，将父子两代矩阵求其并集，从而产生一个新种群P'，接着对这个新种群P'进行筛选操作，使用锦标赛选择法从中挑选50％的精英个体，进入到下一代，后代依此往复。这种精英保留与锦标赛法相结合的选择机制保证了算法具有足够的精英保留能力，对算法快速收敛到最优解起到了很大的作用。

对于改进的交叉及变异操作未，改进后的算法采用自适应的设计方法，根据个体的适应度值对交叉概率Pc及变异概率Pm做出动态调整，从而兼顾了算法求解的收敛速度与种群的多样性。其中交叉概率Pc及和变异概率Pm的调节公式如下：

其中，f_max为种群中个体的最大适应度值，f_avg为种群个体的平均适应度值，f为进行交叉操作的两个个体大的适应度值，为变异个体的适应度值，k1、k2、k3及k4均为常数，其中在参数的选取上，满足k1＜k2，k3＜k4。

从整体进化来看，当进化种群中基因单一、种群个体的多样性较差且连续几代徘徊与局部最优解附近时，Pc及Pm值趋于增加；反之，当种群中个体基因多样性良好，且适应度值有较大的离散性时，Pc及Pm值趋于减小，因此，对于具体的某一代种群，可以达到保留精英个体，及时淘汰适应度较差个体的目的。

具体地，在本申请的一个实施例中，参见图5，图5示意性地示出了本申请一实施例中根据初始权重及阈值种群的适应度，对初始权重及阈值种群进行选择、交叉、变异的步骤流程。根据初始权重及阈值种群的适应度，对初始权重及阈值种群进行选择、交叉、变异，主要可以包括如下的步骤S501至步骤S504。

步骤S501，根据初始种群的适应度对初始权重及阈值种群进行选择，以组建成新的权重及阈值遗传种群；

步骤S502，将生成新的权重及阈值遗传种群进行配对，以生成遗传配对风险评估群体；

步骤S503，对遗传配对风险评估群体进行交叉，以得到遗传交叉风险评估群体；

步骤S504，对遗传交叉风险评估群体进行变异，形成次遗传风险评估群体。

这样，通过根据初始权重及阈值种群的适应度，对初始权重及阈值种群进行选择、交叉、变异，以得到进化后的子代。

在本申请的一个实施例中，参见图6，图6示意性地示出了本申请另一实施例提供网元设备性能的检测方法步骤流程。对遗传交叉风险评估群体进行变异，形成次遗传风险评估群体的步骤之后，主要可以包括如下的步骤S601至步骤S603。

步骤S601，计算次遗传风险评估群体中各个染色体的目标函数值，并以次遗传风险评估群体作为下一轮的初始风险评估群体；

步骤S602，对下一轮的初始风险评估群体重复迭代计算适应度，以及根据适应度计算得到目标函数值；

步骤S603，直至计算得到目标函数值最低时对应的权重和阈值组合群体，以得到最优权重与最优阈值。

种群经过一轮完整的进化，产生子代，并判断是否满足终止条件，如果满足终止条件，则进化终止，输出最优个体，通过染色体解码之后即得到最优权重W及阈值b；如不满足，重新进入新一轮进化，依此循环往复。从而实现以比较高的运算速度找到适应度最高的个体，即得到实际问题的最优解。

这样，结合人工智能领域中的遗传算法，并对其遗传操作进行改进，对指标权重和阈值进行优化，获取最优权重和最优阈值，与传统的遗传算法相比，在寻找全局最优解及算法收敛性方面具有更好的性能，使风险评估结果更加准确可靠。

在本申请的一个实施例中，为了避免“早熟现象”(最优解局部收敛)，寻找全局最优解。种群在进化过程中，当性能评估模型在整个求解空间中包含较多的局部最优解时，对进化过程造成一定的干扰性，使种群的进化过程过早地陷入局部最优，最后收敛到局部最优解而非全局最优解。针对此问题，本方法通过选取多种群遗传策略，每个种群选取不同的交叉及变异概率，并改变算子，适当调整增大变异的概率，以及对变异过程使用两点交叉或多点交叉，在避免早熟现象产生的同时提升了寻优效果。

步骤S204，将最优权重与最优阈值代入风险评估指标体系，以得到风险评估模型。

这样，通过得到风险评估模型，将网元设备的风险评估指标作为自变量输入至风险评估模型，输出风险评估值。

为了便于理解本申请的技术方案，下面整体对该方案的整体流程进行描述，参见图7，图7示意性地示出了本申请一实施例系统整体流程图。一种网元设备性能的检测方法如下：首先对网元实际通信中的风险因素进行查找，确定性能及风险评估指标，并构建风险评估指标体系；然后，结合改进遗传操作的遗传算法对指标权重和阈值进行优化，获取最优权重和最优阈值。其中，在获取最优权重和最优阈值时使用遗传算法实现，其主要包括初始化种群个体并进行染色体编码，评估种群个体的适应度、进行种群的选择交叉变异等操作、算法终止条件判断等步骤；最后，计算风险评估值，确定风险等级，并将网元设备通信过程中可能出现的异常反馈给运维人员及时采取必要的应对措施，减少网元故障出现的频率。

其中，对于获取最优权重与最优阈值的具体方法如下：

步骤A，根据网元设备运行过程中实际风险源的个数构建目标函数模型，如线性模型等，并基于评估模型中的指标权重、阈值以及满足稳定运行要求的可接受的风险评估范围构建约束条件；

步骤B，对指标权重和阈值进行二进制编码或者格雷码编码，某一组权重以及阈值的集合组成一条染色体个体，根据指标权重和阈值的不同组合选取多条染色体，组成初始权重及阈值种群；

步骤C，计算初始权重及阈值种群中各染色个体的风险评估值，即目标函数值，并根据风险评估目标函数值和权重及阈值的约束条件，计算初始权重及阈值种群的适应度；

步骤D，根据初始种群的适应度对初始种群进行选择，组建新的权重及阈值遗传种群；

步骤E，对上一步中生成的遗传种群进行配对，生成遗传配对风险评估群体，对遗传配对风险评估群体进行交叉，得到遗传交叉风险评估群体，对遗传交叉风险评估群体进行变异，形成次遗传风险评估群体；

步骤F，计算次遗传风险评估群体中各染色个体的风险评估目标函数值，并以次遗传风险评估群体为下一轮的初始风险评估群体，重复步骤C至步骤E，直到计算出满足稳定运行要求的实际风险评估值最低的权重阈值组合群体，此时即可输出最优计算结果。

应当注意，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，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。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的网元设备性能的检测方法。图8示意性地示出了本申请实施例提供的网元设备性能的检测装置的结构框图。如图8所示，网元设备性能的检测装置800包括：

获取模块801，用于获取网元设备的历史通信数据，并根据历史通信数据确定风险源，其中，风险源为对网元设备的性能有影响的因素；

构建模块802，用于基于风险源，构建风险评估指标体系；

优化模块803，用于对风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型；

评估模块804，用于将网元设备的风险评估指标输入风险评估模型，以得到风险评估值；

确定模块805，用于根据风险评估值，确定网元设备的风险等级。

在本申请的一些实施例中，基于以上技术方案，构建模块802还用于，根据网元设备在运行过程中实际的风险源个数构建目标函数，以得到风险评估指标体系。

在本申请的一些实施例中，基于以上技术方案，优化模块803还用于，构建初始权重及阈值种群；计算初始权重及阈值种群的适应度；根据初始权重及阈值种群的适应度，对初始权重及阈值种群进行选择、交叉、变异，直至满足终止条件，以得到最优权重与最优阈值；将最优权重与最优阈值代入风险评估指标体系，以得到风险评估模型。

在本申请的一些实施例中，基于以上技术方案，优化模块803还用于，对风险评估指标体系中的权重和阈值进行编码；将每一组权重和阈值的集合组成一条染色体，并根据权重和阈值的不同组合选取多条染色体，以得到初始权重及阈值种群。

在本申请的一些实施例中，基于以上技术方案，优化模块803还用于，根据目标函数计算初始权重及阈值种群中各条染色体的目标函数值；根据目标函数值以及预设约束条件，以得到初始权重及阈值种群的适应度。

在本申请的一些实施例中，基于以上技术方案，优化模块803还用于，根据初始种群的适应度对初始权重及阈值种群进行选择，以组建成新的权重及阈值遗传种群；将生成新的权重及阈值遗传种群进行配对，以生成遗传配对风险评估群体；对遗传配对风险评估群体进行交叉，以得到遗传交叉风险评估群体；对遗传交叉风险评估群体进行变异，形成次遗传风险评估群体。

在本申请的一些实施例中，基于以上技术方案，优化模块803还用于，计算次遗传风险评估群体中各个染色体的目标函数值，并以次遗传风险评估群体作为下一轮的初始风险评估群体；对下一轮的初始风险评估群体重复迭代计算适应度，以及根据适应度计算得到目标函数值；直至计算得到目标函数值最低时对应的权重和阈值组合群体，以得到最优权重与最优阈值。

本申请各实施例中提供的网元设备性能的检测装置的具体细节已经在对应的方法实施例中进行了详细的描述，此处不再赘述。

图9示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。

需要说明的是，图9示出的电子设备的计算机系统900仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图9所示，计算机系统900包括中央处理器901(Central Processing Unit，CPU)，其可以根据存储在只读存储器902(Read-Only Memory，ROM)中的程序或者从存储部分908加载到随机访问存储器903(Random Access Memory，RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器903中，还存储有系统操作所需的各种程序和数据。中央处理器901、在只读存储器902以及随机访问存储器903通过总线904彼此相连。输入/输出接口905(Input/Output接口，即I/O接口)也连接至总线904。

以下部件连接至输入/输出接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至输入/输出接口905。可拆卸介质911，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910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908。

特别地，根据本申请的实施例，各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理器901执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。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(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机可读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、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，流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，上述模块、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，框图或流程图中的每个方框、以及框图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。

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，根据本申请的实施方式，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。

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，根据本申请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、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种网元设备性能的检测方法，其特征在于，所述方法包括：

获取网元设备的历史通信数据，并根据所述历史通信数据确定风险源，其中，所述风险源为对网元设备的性能有影响的因素；

基于所述风险源，构建风险评估指标体系；

对所述风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型；

将所述网元设备的风险评估指标输入所述风险评估模型，以得到风险评估值；

根据所述风险评估值，确定所述网元设备的风险等级。

2.根据权利要求1所述的网元设备性能的检测方法，其特征在于，所述基于所述风险源，构建风险评估指标体系，包括：

根据所述网元设备在运行过程中实际的风险源个数构建目标函数，以得到所述风险评估指标体系。

3.根据权利要求1或2所述的网元设备性能的检测方法，其特征在于，所述对所述风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型，包括：

构建初始权重及阈值种群；

计算所述初始权重及阈值种群的适应度；

根据所述初始权重及阈值种群的适应度，对所述初始权重及阈值种群进行选择、交叉、变异，直至满足终止条件，以得到最优权重与最优阈值；

将所述最优权重与所述最优阈值代入所述风险评估指标体系，以得到所述风险评估模型。

4.根据权利要求3所述的网元设备性能的检测方法，其特征在于，所述构建初始权重及阈值种群，包括：

对所述风险评估指标体系中的权重和阈值进行编码；

将每一组所述权重和所述阈值的集合组成一条染色体，并根据所述权重和所述阈值的不同组合选取多条染色体，以得到所述初始权重及阈值种群。

5.根据权利要求4所述的网元设备性能的检测方法，其特征在于，所述计算所述初始权重及阈值种群的适应度，包括：

根据目标函数计算所述初始权重及阈值种群中各条染色体的目标函数值；

根据所述目标函数值以及预设约束条件，以得到所述初始权重及阈值种群的适应度。

6.根据权利要求5所述的网元设备性能的检测方法，其特征在于，所述根据所述初始权重及阈值种群的适应度，对所述初始权重及阈值种群进行选择、交叉、变异，包括：

根据所述初始种群的适应度对所述初始权重及阈值种群进行选择，以组建成新的权重及阈值遗传种群；

将生成新的权重及阈值遗传种群进行配对，以生成遗传配对风险评估群体；

对所述遗传配对风险评估群体进行交叉，以得到遗传交叉风险评估群体；

对所述遗传交叉风险评估群体进行变异，形成次遗传风险评估群体。

7.根据权利要求6所述的网元设备性能的检测方法，其特征在于，所述对所述遗传交叉风险评估群体进行变异，形成次遗传风险评估群体的步骤之后，所述方法还包括：

计算所述次遗传风险评估群体中各个染色体的目标函数值，并以所述次遗传风险评估群体作为下一轮的初始风险评估群体；

对下一轮的初始风险评估群体重复迭代计算适应度，以及根据适应度计算得到目标函数值；

直至计算得到目标函数值最低时对应的权重和阈值组合群体，以得到最优权重与最优阈值。

8.一种网元设备性能的检测装置，其特征在于，所述装置包括：

获取模块，用于获取网元设备的历史通信数据，并根据所述历史通信数据确定风险源，其中，所述风险源为对网元设备的性能有影响的因素；

构建模块，用于基于所述风险源，构建风险评估指标体系；

优化模块，用于对所述风险评估指标体系中的权重和阈值进行优化，以得到风险评估模型；

评估模块，用于将所述网元设备的风险评估指标输入所述风险评估模型，以得到风险评估值；

确定模块，用于根据所述风险评估值，确定所述网元设备的风险等级。

9.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1至7中任意一项所述的网元设备性能的检测方法。

10.一种电子设备，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至7中任意一项所述的网元设备性能的检测方法。

Images