CN114338351B - 网络异常根因确定方法、装置、计算机设备及存储介质 - Google Patents
网络异常根因确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114338351B CN114338351B CN202111661987.8A CN202111661987A CN114338351B CN 114338351 B CN114338351 B CN 114338351B CN 202111661987 A CN202111661987 A CN 202111661987A CN 114338351 B CN114338351 B CN 114338351B
- Authority
- CN
- China
- Prior art keywords
- key performance
- performance index
- key
- application service
- index set
- 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 52
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 28
- 230000015556 catabolic process Effects 0.000 claims description 39
- 238000006731 degradation reaction Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Abstract
本发明实施例公开了一种网络异常根因确定方法、装置、计算机设备及存储介质，涉及视人工智能技术领域。其中方法包括：通过获取网络的关键质量指标集以及关键性能指标集；对关键性能指标集进行分析以及分类后进行融合以得到网络中关键性能指标集中引起关键质量指标变化的根因；基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出应用服务的异常节点；根据关键性能指标集中引起关键质量指标变化的根因以及应用服务的异常节点确定网络异常根因。对关键性能指标集进行处理以准确快速得到引起关键质量指标变化的根因，基于预训练的图神经网络模型准确预测出应用服务的异常节点，从网络端以及应用服务端快速有效地确定网络异常根因。
Description
技术领域
本发明涉及视人工智能技术领域，尤其涉及一种网络异常根因确定方法、装置、计算机设备及存储介质。
背景技术
在5G专网业务快速增长、用户增多、新技术和新业务迅速增长的背景下，制定了综合评估用户感知和网络业务质量的KQI指标，对KQI指标的问题分析和原因定位对目前网络服务人员提出了较高的能力要求。同时网络问题和应用服务问题同时会影响用户感知，当用户侧应用服务出现代码质量问题，如代码漏洞、场景考虑不周全和压力不足等，或者是应用服务架构设计问题。传统的网络异常根因确定方法，片面的从网络质量问题、应用服务异常问题定位出发人工“拍脑袋，定门限，主观定位异常事件”确定根因的方式，效率低不能及时确定网络异常的根因，分析较片面导致准确率低。
发明内容
本发明实施例提供了一种网络异常根因确定方法、装置、计算机设备及存储介质，旨在解决使用现有方法确定网络异常根因的效率以及准确率低的问题。
第一方面，本发明实施例提供了一种网络异常根因确定方法，所述网络异常根因确定方法包括：获取网络的关键质量指标集以及关键性能指标集，其中所述关键性能指标集与所述关键质量指标集相对应；对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因；基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点；根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。
第二方面，本发明实施例还提供了一种网络异常根因确定装置，该装置包括：获取单元，用于获取网络的关键质量指标集以及关键性能指标集，其中所述关键性能指标集与所述关键质量指标集相对应；分析融合单元，用于对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因；第一预测单元，用于基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点；确定单元，用于根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行上述计算机程序时实现上述方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时实现上述方法。
本发明实施例提供了一种网络异常根因确定方法、装置、计算机设备及存储介质，其中该方法通过获取网络的关键质量指标集以及关键性能指标集；对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因；基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点；根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。对关键性能指标集进行处理得到引起关键质量指标变化的根因，能准确快速的确定导致网络端出现异常的根因，基于预训练的图神经网络模型准确预测出应用服务的异常节点，从网络端和应用服务端双管齐下能快速有效地确定网络异常根因。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的一种网络异常根因确定方法流程示意图；
图2为本发明实施例提供的一种网络异常根因确定方法的子流程示意图；
图3为本发明实施例提供的一种网络异常根因确定装置的示意性框图；
图4为本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本发明实施例的网络异常根因确定方法可应用于用户终端，例如手机、平板电脑、笔记本电脑、台式电脑等智能设备。通过安装于所述用户终端上的应用软件来实现相应的功能。
请参阅图1，图1是本发明实施例提供的网络异常根因确定方法的流程示意图。如图1所示，该方法包括以下步骤S1-S4。
S1，获取网络的关键质量指标集以及关键性能指标集。
具体实施中，获取网络的关键质量指标集以及关键性能指标集，其中所述关键性能指标集与所述关键质量指标集相对应，用于后续步骤中对关键性能指标与关键质量指标的分析。具体地，在一实施例中，关键质量指标(Key Quality Indicator，KQI)被用于度量一项业务的好坏，比如语音质量指标(Voice Quality Indicator，VQI)可以衡量一次通话过程中各个小时段的通话质量。同时，人们用一组部署在电信网络中的传感器来观察网络运行的状态，这些传感器传回来的各项指标一般称为关键性能指标(KPI，Key PerformanceIndicator)。关键质量指标是主要针对不同业务提出的贴近用户感受的业务质量参数。关键质量指标是业务层面的关键指标，为不同业务或应用的质量参数，
关键性能指标是网络层面的可监视可测量的重要参数。在当前移动网络的网络管理中，关键性能指标是指网络性能指标，故关键性能指标集与关键质量指标集相对应，一个关键质量指标可能对应多个关键性能指标。
一般将某一关键质量指标下的关键性能指标分为两大类，一类是全网性关键性能指标，用于评价全网的网络质量，另一类是局部劣化关键性能指标，用于关注局部区域关键指标发生劣化的程度。某一关键质量指标下所有全网性关键性能指标合计占100％权重，局部劣化关键性能指标则采用扣分方式，某关键局部指标每发生一次劣化则扣一定权重分。
某一关键质量指标的计算公式：KQI＝∑(全网性KPI-局部劣化KPI)。
具体地，在本实施例中，关键质量指标分为两类：第一类，基于信令面数据的关键质量指标，该指标主要用于网络质量评估。信令监测指标采集的接口较多，基于单个接口信令数据的指标，在信令点定义上可尽量与基于网元统计(计数器)的KPI指标定义保持一致。第二类，基于用户面数据的关键质量指标，该指标主要面向特定用户或特定业务的质量评估，可以在一定程度上间接评估用户的实际感知。
S2，对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因。
具体实施中，对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因。具体地，在一实施例中，请参见图2，所述步骤S2包括：步骤S21～S23。
S21，根据关联分析法对所述关键性能指标集进行分析以得到第一劣化关键性能指标集。
具体实施中，根据关联分析法对所述关键性能指标集进行分析以得到第一劣化关键性能指标集。具体地，在一实施例中，所述步骤S21包括：步骤S211～S212。
S211，计算与每一所述关键质量指标相对应的所述关键性能指标集之间的相关系数。
具体实施中，计算与每一所述关键质量指标相对应的所述关键性能指标集之间的相关系数。具体地，在一实施例中，通过公式(1)计算与关键质量指标相对应的关键性能指标集之间的皮尔森相关系数。
其中，rij为第i个关键质量指标与第j关键性能指标集之间的皮尔森相关系数，Xi为第i个关键质量指标，Xj第j关键性能指标集，cov(Xi,Xj)为第i个关键质量指标与第j关键性能指标集的协方差，D为第i个关键质量指标与第j关键性能指标集的方差。
S212，提取相关系数大于预设阈值的所述关键性能指标集作为第一劣化关键性能指标集。
具体实施中，提取相关系数大于预设阈值的所述关键性能指标集作为第一劣化关键性能指标集。具体地，在一实施例中通过皮尔森相关系数范围判断某一关键质量指标与关键性能指标集之间的相关强度，定义相关系数0.8-1.0为极强相关、0.6-0.8为强相关、0.4-0.6为中等程度相关、0.2为弱相关、0.0-0.2为极弱相关或无相关。按照相关强度等级对劣化指标优先级进行排列，提取相关系数大于预设阈值的所述关键性能指标集作为第一劣化关键性能指标集，包括：指标1、指标2、指标3…指标m。
S22，根据聚类算法对所述关键性能指标集进行聚类以得到第二劣化关键性能指标集。
具体地，在一实施例中，所述步骤S22包括：步骤S221～S222。
S221，从所述关键性能指标集中选取最优关键性能指标以及最劣关键性能指标作为质心。
具体实施中，从所述关键性能指标集中选取最优关键性能指标以及最劣关键性能指标作为质心。具体地，在一实施例中，采用K-means聚类算法对关键性能指标集进行自学习聚类，基于关键性能指标的自主学习，将最为相似的关键性能指标归为一类。选取最优和最劣的关键性能指标作为质心以将关键性能指标集中的指标以最优和最劣的关键性能指标为参考分作两类。
S222，计算剩余每一所述关键性能指标与两个所述质心之间的距离，把剩余每一所述关键性能指标分配给距离自身最近的所述质心，得到聚类于所述最劣关键性能指标的所有关键性能指标作为第二劣化关键性能指标集。
具体实施中，计算剩余每一所述关键性能指标与两个所述质心之间的距离，把剩余每一所述关键性能指标分配给距离自身最近的所述质心，得到聚类于所述最劣关键性能指标的所有关键性能指标作为第二劣化关键性能指标集。具体地，在一实施例中，记第二劣化关键性能指标集包括：指标a、指标b、指标c…指标n。
S23，对所述第一劣化关键性能指标集以及所述第二劣化关键性能指标集进行相关指标融合以得到所述关键性能指标集中引起每一所述关键质量指标变化的根因。
具体实施中，对所述第一劣化关键性能指标集以及所述第二劣化关键性能指标集进行相关指标融合以得到所述关键性能指标集中引起每一所述关键质量指标变化的根因。具体地，在一实施例中，提取所述述第一劣化关键性能指标集以及所述第二劣化关键性能指标集中与同一关键质量指标对应的劣化关键性能指标作为引起每一所述关键质量指标变化的根因。例如在第一劣化关键性能指标集中的指标1、指标2对应于某一关键质量指标，第二劣化关键性能指标集中的指标a、指标b也对应于该关键质量指标，则将指标1、指标2、指标a、指标b融合为引起该关键质量指标变化的根因。通过对关键性能指标集进行分析、聚类以及融合处理便可快速准确得到网络端引起关键质量指标变化的根因，无需依靠大量的专家知识。
需要说明的是，在基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点之前，该方法还包括步骤S3A-S3B：
S3A，根据应用服务结构构建图神经网络模型，将应用服务中的状态信息映射为模型中节点和边的特征值。
具体实施中，根据应用服务结构构建图神经网络模型，将应用服务中的状态信息映射为模型中节点和边的特征值。具体地，在一实施例中，利用图神经网络算法构建应用服务的图神经网络模型，把整个图G，每个节点V，每条边E转化为稠密向量，根据应用服务构建一个图神经网络，图神经网络包含应用服务以及服务部署依赖的主机的配置。
S3B，采集应用服务中设备的状态信息组成数据集，将采集的数据集输入到构建的所述图神经网络模型中进行训练，保存最优的节点和边的神经网络参数以获得预训练的图神经网络模型。
具体实施中，采集应用服务中设备的状态信息组成数据集，将采集的数据集输入到构建的所述图神经网络模型中进行训练，保存最优的节点和边的神经网络参数以获得预训练的图神经网络模型。具体地，在一实施例中，通过对训练图神经网络模型中进行训练以得到模型最优的节点和边的神经网络参数。在实际的应用中，应用服务在图神经网络中的每个节点状态都在随时间发生变化，故通过构建图神经网络模型以确定应用服务中各个节点的关联关系和节点状态异常的内部根因。
S3，基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点。
具体实施中，基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点。具体地，在一实施例中，所述步骤S3包括：步骤S31～S32。
S31，实时采集应用服务的节点特征数据。
具体实施中，实时采集应用服务的节点特征数据。具体地，在一实施例中，预训练的图神经网络模型通过处理应用服务的节点特征数据，对应用服务的节点进行分类和预测。处理边层任务时跟踪微服务调用链和问题根因分析。处理图层面任务时对整个模型和子图进行预测，以预测应用服务中的节点是否异常。
S32，将所述节点特征数据标准化处理后输入预训练的图神经网络模型以预测所述应用服务的异常节点。
具体实施中，将所述节点特征数据标准化处理后输入预训练的图神经网络模型以预测所述应用服务的异常节点。具体地，在一实施例中，构建的图神经网络模型包括输入层、N个隐藏层以及输出层，其中N个隐藏层的修正函数均为非线性激活函数。根据应用服务中设备的状态信息进行迭代训练，可以得到传播公式(2)-(4)。
公式(2)中б是非线性激活函数，D是矩阵梯度，I是单位矩阵，W是卷积权重梯度。用户服务里面每个节点都有自己的特征，包含部署硬件，CPU利用率，内存大小，业务指标，KPI指标等多个维度的数据。
假如采集了k个应用服务中设备的状态信息即节点特征数据矩阵X＝{x11，x12…xij}，对各节点数据标准化处理后得到矩阵后的值为Y＝{y11，y12…yij}，通过公式(5)计算单项节点的指标：
其中，max(yij)表示节点特征数据矩阵X的第j列的最大值，min(xij)表示节点特征数据矩阵X的第j列的最小值，为节点特征数据矩阵X的平均值。
单项指标的信息熵其中/>计算出各个指标的信息熵为e1，e2...ek，通过公式(6)计算各入网指标的权重。
将这些节点特征数据通过标准化处理后得到一个N*M的矩阵H，各个节点会形成一个N*N的相邻矩阵A，通过D和A输入形成拉普拉斯矩阵，将拉普拉斯矩阵代入公式(2)-(4)进行计算以将节点特征数据标签化，通过将标签化处理的数据输入预训练的图神经网络模型以预测得到应用服务中不同节点之间的分类，关联程度以及异常的节点。
S4，根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。
具体实施中，根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。具体地，在一实施例中，从网络端引起关键质量指标变化的根因以及应用服务端的异常节点，两方面入手来确定导致网络异常的根因能快速有效地确定网络异常根因，解决了传统方法确定网络异常根因的效率以及准确率低的问题。
本发明实施例提供的一种网络异常根因确定方法应用于智能电网系统中对电网系统中的异常根因确定。通过从网络端分析根因和应用服务端双管齐下定位导致网络异常的根因，用户可根据网络异常的根因及时调整智能电网系统中的网络参数以及应用服务并及时恢复。通过该网络异常根因确定方法降低了智能电网系统的日常故障率，缩减了庞大的巡检及故障恢复工作量，减少了智能电力网络系统的运维成本；在该应用中将5G电力专网网络故障恢复时间由以天为单位缩减至30分钟以内。
本发明实施例提供了一种网络异常根因确定方法通过获取网络的关键质量指标集以及关键性能指标集，其中所述关键性能指标集与所述关键质量指标集相对应；对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因；基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点；根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。对关键性能指标集进行处理得到引起关键质量指标变化的根因，能准确快速的确定导致网络端出现异常的根因，基于预训练的图神经网络模型准确预测出应用服务的异常节点，从网络端和应用服务端双管齐下能快速有效地确定网络异常根因。
图3是本发明实施例提供的一种网络异常根因确定装置的示意性框图。如图3所示，对应于以上网络异常根因确定方法，本发明还提供一种网络异常根因确定装置100。该网络异常根因确定装置100包括用于执行上述网络异常根因确定方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑等终端中。具体地，请参阅图3，该网络异常根因确定装置100包括：获取单元101、分析融合单元102、第一预测单元103、确定单元104。
所述获取单元101用于获取网络的关键质量指标集以及关键性能指标集，其中所述关键性能指标集与所述关键质量指标集相对应；
所述分析融合单元102用于对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因；所述第一预测单元103用于基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点；所述确定单元104用于根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。
在一实施例中，所述分析融合单元102包括：分析单元、聚类单元以及融合单元。
所述分析单元用于根据关联分析法对所述关键性能指标集进行分析以得到第一劣化关键性能指标集；所述聚类单元用于根据聚类算法对所述关键性能指标集进行聚类以得到第二劣化关键性能指标集；所述融合单元用于对所述第一劣化关键性能指标集以及所述第二劣化关键性能指标集进行相关指标融合以得到所述关键性能指标集中引起每一所述关键质量指标变化的根因。
在一实施例中，所述分析单元包括：第一计算单元以及第一提取单元。
所述第一计算单元用于计算与每一所述关键质量指标相对应的所述关键性能指标集之间的相关系数；所述第一提取单元用于提取相关系数大于预设阈值的所述关键性能指标集作为第一劣化关键性能指标集。
在一实施例中，所述聚类单元包括：选取单元以及第二计算单元。
所述选取单元用于从所述关键性能指标集中选取最优关键性能指标以及最劣关键性能指标作为质心；所述第二计算单元用于计算剩余每一所述关键性能指标与两个所述质心之间的距离，把剩余每一所述关键性能指标分配给距离自身最近的所述质心，得到聚类于所述最劣关键性能指标的所有关键性能指标作为第二劣化关键性能指标集。
在一实施例中，所述融合单元，包括：第二提取单元。
所述第二提取单元用于提取所述述第一劣化关键性能指标集以及所述第二劣化关键性能指标集中与同一关键质量指标对应的劣化关键性能指标作为引起每一所述关键质量指标变化的根因。
在一实施例中，所述第一预测单元包括：采集单元以及第二预测单元。
所述采集单元用于实时采集应用服务的节点特征数据；所述第二预测单元用于将所述节点特征数据标准化处理后输入预训练的图神经网络模型以预测所述应用服务的异常节点。
在一实施例中，网络异常根因确定装置还包括：构建单元以及采集训练单元。
所述构建单元用于根据应用服务结构构建图神经网络模型，将应用服务中的状态信息映射为模型中节点和边的特征值；所述采集训练单元用于采集应用服务中设备的状态信息组成数据集，将采集的数据集输入到构建的所述图神经网络模型中进行训练，保存最优的节点和边的神经网络参数以获得预训练的图神经网络模型。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述网络异常根因确定装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述网络异常根因确定装置可以实现为一种计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4，该计算机设备300包括通过系统总线301连接的处理器302、存储器和网络接口305，其中，存储器可以包括非易失性存储介质303和内存储器304。
该非易失性存储介质303可存储操作系统3031和计算机程序3032。该计算机程序3032被执行时，可使得处理器302执行一种网络异常根因确定方法。
该处理器302用于提供计算和控制能力，以支撑整个计算机设备300的运行。
该内存储器304为非易失性存储介质303中的计算机程序3032的运行提供环境，该计算机程序3032被处理器302执行时，可使得处理器302执行一种网络异常根因确定方法。
该网络接口305用于与其它设备进行网络通信。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备300的限定，具体的计算机设备300可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器302用于运行存储在存储器中的计算机程序3032，以实现如下步骤：
获取网络的关键质量指标集以及关键性能指标集，其中所述关键性能指标集与所述关键质量指标集相对应；对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因；基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点；根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。
在一实施例中，所述对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因包括：根据关联分析法对所述关键性能指标集进行分析以得到第一劣化关键性能指标集；根据聚类算法对所述关键性能指标集进行聚类以得到第二劣化关键性能指标集；对所述第一劣化关键性能指标集以及所述第二劣化关键性能指标集进行相关指标融合以得到所述关键性能指标集中引起每一所述关键质量指标变化的根因。
在一实施例中，所述根据关联分析法对所述关键性能指标集进行分析以得到第一劣化关键性能指标集包括：计算与每一所述关键质量指标相对应的所述关键性能指标集之间的相关系数；提取相关系数大于预设阈值的所述关键性能指标集作为第一劣化关键性能指标集。
在一实施例中，所述根据聚类算法对所述关键性能指标集进行聚类以得到第二劣化关键性能指标集包括：从所述关键性能指标集中选取最优关键性能指标以及最劣关键性能指标作为质心；计算剩余每一所述关键性能指标与两个所述质心之间的距离，把剩余每一所述关键性能指标分配给距离自身最近的所述质心，得到聚类于所述最劣关键性能指标的所有关键性能指标作为第二劣化关键性能指标集。
在一实施例中，所述对所述第一劣化关键性能指标集以及所述第二劣化关键性能指标集进行相关指标融合以得到所述关键性能指标集中引起每一所述关键质量指标变化的根因，包括：提取所述述第一劣化关键性能指标集以及所述第二劣化关键性能指标集中与同一关键质量指标对应的劣化关键性能指标作为引起每一所述关键质量指标变化的根因。
在一实施例中，所述基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点包括：实时采集应用服务的节点特征数据；将所述节点特征数据标准化处理后输入预训练的图神经网络模型以预测所述应用服务的异常节点。
在一实施例中，基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点之前还包括：根据应用服务结构构建图神经网络模型，将应用服务中的状态信息映射为模型中节点和边的特征值；采集应用服务中设备的状态信息组成数据集，将采集的数据集输入到构建的所述图神经网络模型中进行训练，保存最优的节点和边的神经网络参数以获得预训练的图神经网络模型。
应当理解，在本申请实施例中，处理器302可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器302还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行本发明网络异常根因确定方法的上述任意实施例。
所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述，仅为本发明的具体实施方式，但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。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种网络异常根因确定方法，其特征在于，包括：
获取网络的关键质量指标集以及关键性能指标集，其中所述关键性能指标集与所述关键质量指标集相对应；
对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因；
基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点；
根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。
2.根据权利要求1所述的网络异常根因确定方法，其特征在于，所述对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因包括：
根据关联分析法对所述关键性能指标集进行分析以得到第一劣化关键性能指标集；
根据聚类算法对所述关键性能指标集进行聚类以得到第二劣化关键性能指标集；
对所述第一劣化关键性能指标集以及所述第二劣化关键性能指标集进行相关指标融合以得到所述关键性能指标集中引起每一所述关键质量指标变化的根因。
3.根据权利要求2所述的网络异常根因确定方法，其特征在于，所述根据关联分析法对所述关键性能指标集进行分析以得到第一劣化关键性能指标集包括：
计算与每一所述关键质量指标相对应的所述关键性能指标集之间的相关系数；
提取相关系数大于预设阈值的所述关键性能指标集作为第一劣化关键性能指标集。
4.根据权利要求2所述的网络异常根因确定方法，其特征在于，所述根据聚类算法对所述关键性能指标集进行聚类以得到第二劣化关键性能指标集包括：
从所述关键性能指标集中选取最优关键性能指标以及最劣关键性能指标作为质心；
计算剩余每一所述关键性能指标与两个所述质心之间的距离，把剩余每一所述关键性能指标分配给距离自身最近的所述质心，得到聚类于所述最劣关键性能指标的所有关键性能指标作为第二劣化关键性能指标集。
5.根据权利要求2所述的网络异常根因确定方法，其特征在于，所述对所述第一劣化关键性能指标集以及所述第二劣化关键性能指标集进行相关指标融合以得到所述关键性能指标集中引起每一所述关键质量指标变化的根因，包括：
提取所述述第一劣化关键性能指标集以及所述第二劣化关键性能指标集中与同一关键质量指标对应的劣化关键性能指标作为引起每一所述关键质量指标变化的根因。
6.根据权利要求3所述的网络异常根因确定方法，其特征在于，所述基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点包括：
实时采集应用服务的节点特征数据；
将所述节点特征数据标准化处理后输入预训练的图神经网络模型以预测所述应用服务的异常节点。
7.根据权利要求2所述的网络异常根因确定方法，其特征在于，基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点之前还包括：
根据应用服务结构构建图神经网络模型，将应用服务中的状态信息映射为模型中节点和边的特征值；
采集应用服务中设备的状态信息组成数据集，将采集的数据集输入到构建的所述图神经网络模型中进行训练，保存最优的节点和边的神经网络参数以获得预训练的图神经网络模型。
8.一种网络异常根因确定装置，其特征在于，包括：
获取单元，用于获取网络的关键质量指标集以及关键性能指标集，其中所述关键性能指标集与所述关键质量指标集相对应；
分析融合单元，用于对所述关键性能指标集进行分析以及分类后进行融合以得到网络中所述关键性能指标集中引起每一所述关键质量指标变化的根因；
第一预测单元，用于基于预训练的图神经网络模型，根据应用服务的节点特征数据预测出所述应用服务的异常节点；
确定单元，用于根据所述关键性能指标集中引起每一所述关键质量指标变化的根因以及所述应用服务的异常节点确定网络异常根因。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111661987.8A CN114338351B (zh) | 2021-12-31 | 2021-12-31 | 网络异常根因确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111661987.8A CN114338351B (zh) | 2021-12-31 | 2021-12-31 | 网络异常根因确定方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114338351A CN114338351A (zh) | 2022-04-12 |
| CN114338351B true CN114338351B (zh) | 2024-01-12 |
Family
ID=81020341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111661987.8A Active CN114338351B (zh) | 2021-12-31 | 2021-12-31 | 网络异常根因确定方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114338351B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114721860B (zh) * | 2022-05-23 | 2023-04-07 | 北京航空航天大学 | 一种基于图神经网络的微服务系统故障定位方法 |
| CN117880055A (zh) * | 2024-03-12 | 2024-04-12 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108463973A (zh) * | 2016-01-08 | 2018-08-28 | 华为技术有限公司 | 蜂窝系统中指纹识别根本原因分析 |
| CN109947760A (zh) * | 2017-07-26 | 2019-06-28 | 华为技术有限公司 | 一种挖掘kpi根因的方法及装置 |
| CN110474786A (zh) * | 2018-05-10 | 2019-11-19 | 上海大唐移动通信设备有限公司 | 基于随机森林分析VoLTE网络故障原因的方法及装置 |
| CN110690982A (zh) * | 2018-07-05 | 2020-01-14 | 北京亿阳信通科技有限公司 | 一种电信网络管理性能数据关联分析方法及系统 |
| CN111064614A (zh) * | 2019-12-17 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 一种故障根因定位方法、装置、设备及存储介质 |
| CN111158977A (zh) * | 2019-12-12 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种异常事件根因定位方法及装置 |
| WO2020119711A1 (zh) * | 2018-12-13 | 2020-06-18 | 中兴通讯股份有限公司 | 一种根因定位方法、服务器和存储介质 |
| CN112702224A (zh) * | 2020-12-10 | 2021-04-23 | 北京直真科技股份有限公司 | 一种针对家庭宽带用户质差的分析方法和装置 |
| CN113051525A (zh) * | 2019-12-26 | 2021-06-29 | 中国移动通信集团北京有限公司 | 关键质量指标kqi的分析方法、装置、设备及介质 |
| WO2021179574A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技（深圳）有限公司 | 根因定位方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9961571B2 (en) * | 2015-09-24 | 2018-05-01 | Futurewei Technologies, Inc. | System and method for a multi view learning approach to anomaly detection and root cause analysis |
| US10944776B2 (en) * | 2018-07-13 | 2021-03-09 | Ribbon Communications Operating Company, Inc. | Key performance indicator anomaly detection in telephony networks |
| US20210150335A1 (en) * | 2019-11-20 | 2021-05-20 | International Business Machines Corporation | Predictive model performance evaluation |
-
2021
- 2021-12-31 CN CN202111661987.8A patent/CN114338351B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108463973A (zh) * | 2016-01-08 | 2018-08-28 | 华为技术有限公司 | 蜂窝系统中指纹识别根本原因分析 |
| CN109947760A (zh) * | 2017-07-26 | 2019-06-28 | 华为技术有限公司 | 一种挖掘kpi根因的方法及装置 |
| CN110474786A (zh) * | 2018-05-10 | 2019-11-19 | 上海大唐移动通信设备有限公司 | 基于随机森林分析VoLTE网络故障原因的方法及装置 |
| CN110690982A (zh) * | 2018-07-05 | 2020-01-14 | 北京亿阳信通科技有限公司 | 一种电信网络管理性能数据关联分析方法及系统 |
| WO2020119711A1 (zh) * | 2018-12-13 | 2020-06-18 | 中兴通讯股份有限公司 | 一种根因定位方法、服务器和存储介质 |
| CN111327435A (zh) * | 2018-12-13 | 2020-06-23 | 中兴通讯股份有限公司 | 一种根因定位方法、服务器和存储介质 |
| CN111158977A (zh) * | 2019-12-12 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种异常事件根因定位方法及装置 |
| CN111064614A (zh) * | 2019-12-17 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 一种故障根因定位方法、装置、设备及存储介质 |
| CN113051525A (zh) * | 2019-12-26 | 2021-06-29 | 中国移动通信集团北京有限公司 | 关键质量指标kqi的分析方法、装置、设备及介质 |
| WO2021179574A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技（深圳）有限公司 | 根因定位方法、装置、计算机设备和存储介质 |
| CN112702224A (zh) * | 2020-12-10 | 2021-04-23 | 北京直真科技股份有限公司 | 一种针对家庭宽带用户质差的分析方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114338351A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
| CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
| CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
| CN105325023B (zh) | 用于小区异常检测的方法和网络设备 | |
| CN111669384B (zh) | 融合深度神经网络和层级注意力机制的恶意流量检测方法 | |
| CN111262750B (zh) | 一种用于评估基线模型的方法及系统 | |
| CN112800116A (zh) | 一种业务数据的异常检测方法及装置 | |
| Ali-Tolppa et al. | Self-healing and resilience in future 5G cognitive autonomous networks | |
| CN111669385B (zh) | 融合深度神经网络和层级注意力机制的恶意流量监测系统 | |
| CN110119758A (zh) | 一种用电数据异常检测及模型训练方法、装置 | |
| CN111310139A (zh) | 行为数据识别方法、装置及存储介质 | |
| CN113900844A (zh) | 一种基于服务码级别的故障根因定位方法、系统及存储介质 | |
| CN110830467A (zh) | 基于模糊预测的网络可疑资产识别方法 | |
| CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
| CN115038088B (zh) | 一种智能网络安全检测预警系统和方法 | |
| CN112101692B (zh) | 移动互联网质差用户的识别方法及装置 | |
| CN117094184B (zh) | 基于内网平台的风险预测模型的建模方法、系统及介质 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| CN116010228B (zh) | 面向网络安全扫描的时间预估方法及装置 | |
| CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| CN115378928B (zh) | 基于云服务的监控方法及系统 | |
| CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
| CN114936614A (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
| CN113807716A (zh) | 一种基于人工智能的网络运维自动化方法 | |
| CN110969209B (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 |
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 |