CN114363194B - 网络设备的隐患分析方法、装置、电子设备及存储介质 - Google Patents
网络设备的隐患分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114363194B CN114363194B CN202111621128.6A CN202111621128A CN114363194B CN 114363194 B CN114363194 B CN 114363194B CN 202111621128 A CN202111621128 A CN 202111621128A CN 114363194 B CN114363194 B CN 114363194B
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- network equipment
- network
- account
- score
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 230000015556 catabolic process Effects 0.000 claims abstract description 34
- 238000006731 degradation reaction Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000003287 optical effect Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Small-Scale Networks (AREA)
Abstract
本申请公开一种网络设备的隐患分析方法、装置、电子设备及存储介质，属于通信技术领域，该方法包括：基于N个连续周期内网络设备服务的目标账户的账户占比，分析网络设备的服务质量是否存在异常隐患，得到第一隐患结果，基于M个连续周期内网络设备服务的目标账户的账户占比，分析网络设备的服务质量是否存在劣化隐患，得到第二隐患结果，进而基于第一隐患结果和第二隐患结果，确定网络设备的隐患情况，其中，目标账户的宽带网络质量低于预设网络质量，M个连续周期与N个连续周期在时间上存在重叠，M大于N。这样，相当于是基于用户能感知的宽带网络质量对网络设备进行隐患分析，更接近于用户侧，所以可及时发现网络设备的隐患。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种网络设备的隐患分析方法、装置、电子设备及存储介质。
背景技术
随着网络用户的激增，通信运营商部署的用于提供网络服务的网络设备的压力也急速增长，为了保证用户的上网体验，对网络设备进行监控是十分有必要的。
相关技术中，对网络设备设置多种性能指标，基于这些性能指标的指标值来监控网络设备的服务质量，但由于指标值的计算要滞后于实际网络状况的变化，所以经常会出现指标值还未超阈值但用户体验已经变差，从而引起用户投诉、甚至离网的情况。并且，该方案对性能指标的选取有非常强的依赖性，若性能指标选取不当也不容易发现网络设备的问题，所以其实很难及时发现网络设备的隐患。
发明内容
本申请实施例提供一种网络设备的隐患分析方法、装置、电子设备及存储介质，用以解决相关技术中不易及时发现网络设备的隐患，难以保证用户上网体验的问题。
第一方面，本申请实施例提供一种网络设备的隐患分析方法，包括：
基于N个连续周期内网络设备服务的目标账户的账户占比，分析所述网络设备的服务质量是否存在异常隐患，得到第一隐患结果，所述目标账户的宽带网络质量低于预设网络质量，N为整数；
基于M个连续周期内所述网络设备服务的所述目标账户的账户占比，分析所述网络设备的服务质量是否存在劣化隐患，得到第二隐患结果，所述M个连续周期与所述N个连续周期在时间上存在重叠，且M为大于N的整数；
基于所述第一隐患结果和所述第二隐患结果，确定所述网络设备的隐患情况。
在一些实施例中，基于N个连续周期内网络设备服务的目标账户的账户占比，分析所述网络设备的服务质量是否存在异常隐患，包括：
确定所述N个连续周期中所述目标账户的账户占比超过预设占比的周期数；
若所述周期数超过预设周期数，则确定所述网络设备的服务质量存在异常隐患。
在一些实施例中，所述预设占比是基于当前的宽带网络状况确定的。
在一些实施例中，基于M个连续周期内所述网络设备服务的所述目标账户的账户占比，分析所述网络设备的服务质量是否存在劣化隐患，包括：
基于所述M个连续周期内所述目标账户的账户占比，确定账户占比的突变点；
若所述账户占比的突变点呈上升趋势，则利用多种投票算法对所述网络设备的劣化趋势进行投票；
若投票数量大于预设数量，则确定所述网络设备的服务质量存在劣化隐患。
在一些实施例中，基于所述第一隐患结果和所述第二隐患结果，确定所述网络设备的隐患情况，包括：
基于所述第一隐患结果，对所述网络设备的隐患情况进行打分，得到第一评分；
基于所述第二隐患结果，对所述网络设备的隐患情况进行打分，得到第二评分；
基于所述第一评分和所述第二评分的加权求和结果，确定所述网络设备的隐患得分；
基于所述隐患得分，确定所述网络设备的隐患程度。
在一些实施例中，还包括：
若确定所述网络设备的隐患得分高于预设得分，则监测所述网络设备的各种性能指标的指标值；
对指标值异常的性能指标进行告警处理。
在一些实施例中，所述网络设备为无源光纤网络PON口、板卡、光线路终端OLT或宽带接入服务器BRAS。
第二方面，本申请实施例提供一种网络设备的隐患分析装置，包括：
第一分析模块，用于基于N个连续周期内网络设备服务的目标账户的账户占比，分析所述网络设备的服务质量是否存在异常隐患，得到第一隐患结果，所述目标账户的宽带网络质量低于预设网络质量，N为整数；
第二分析模块，用于基于M个连续周期内所述网络设备服务的所述目标账户的账户占比，分析所述网络设备的服务质量是否存在劣化隐患，得到第二隐患结果，所述M个连续周期与所述N个连续周期在时间上存在重叠，且M为大于N的整数；
确定模块，用于基于所述第一隐患结果和所述第二隐患结果，确定所述网络设备的隐患情况。
在一些实施例中，所述第一分析模块具体用于：
确定所述N个连续周期中所述目标账户的账户占比超过预设占比的周期数；
若所述周期数超过预设周期数，则确定所述网络设备的服务质量存在异常隐患。
确定模块，所述预设占比是基于当前的宽带网络状况确定的。
在一些实施例中，所述第二分析模块具体用于：
基于所述M个连续周期内所述目标账户的账户占比，确定账户占比的突变点；
若所述账户占比的突变点呈上升趋势，则利用多种投票算法对所述网络设备的劣化趋势进行投票；
若投票数量大于预设数量，则确定所述网络设备的服务质量存在劣化隐患。
在一些实施例中，所述确定模块具体用于：
基于所述第一隐患结果，对所述网络设备的隐患情况进行打分，得到第一评分；
基于所述第二隐患结果，对所述网络设备的隐患情况进行打分，得到第二评分；
基于所述第一评分和所述第二评分的加权求和结果，确定所述网络设备的隐患得分；
基于所述隐患得分，确定所述网络设备的隐患程度。
在一些实施例中，还包括告警模块，用于：
若确定所述网络设备的隐患得分高于预设得分，则监测所述网络设备的各种性能指标的指标值；
对指标值异常的性能指标进行告警处理。
在一些实施例中，所述网络设备为无源光纤网络PON口、板卡、光线路终端OLT或宽带接入服务器BRAS。
第三方面，本申请实施例提供一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中：
存储器存储有可被至少一个处理器执行的指令，该指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述网络设备的隐患分析方法。
第四方面，本申请实施例提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，所述电子设备能够执行上述网络设备的隐患分析方法。
本申请实施例中，基于从用户侧感知到的宽度网络质量，确定网络设备服务的宽带网络质量低于预设网络质量的目标账户，基于N个连续周期内网络设备服务的目标账户的账户占比，分析网络设备的服务质量是否存在异常隐患，得到第一隐患结果，基于M个连续周期内网络设备服务的目标账户的账户占比，分析网络设备的服务质量是否存在劣化隐患，得到第二隐患结果，进而基于第一隐患结果和第二隐患结果，确定网络设备的隐患情况，其中，M个连续周期与N个连续周期在时间上存在重叠，M为大于N，且M和N均为整数。这样，相当于是基于用户能感知的宽带网络质量对网络设备进行隐患分析，更接近于用户侧，所以可及时发现网络设备的隐患，在用户上网体验变差前解决隐患从而保证用户上网体验。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种网络设备的隐患分析方法的流程图；
图2为本申请实施例提供的一种预警的过程示意图；
图3为本申请实施例提供的一种网络设备的隐患分析装置的结构示意图；
图4为本申请实施例提供的一种用于实现网络设备的隐患分析方法的电子设备的硬件结构示意图。
具体实施方式
为了解决相关技术中不易及时发现网络设备的隐患，难以保证用户上网体验的问题，本申请实施例提供了一种网络设备的隐患分析方法、装置、电子设备及存储介质。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图1为本申请实施例提供的一种网络设备的隐患分析方法的流程图，该方法包括以下步骤。
在步骤101中，基于N个连续周期内网络设备服务的目标账户的账户占比，分析网络设备的服务质量是否存在异常隐患，得到第一隐患结果，目标账户的宽带网络质量低于预设网络质量，N为整数。
其中，每个周期内网络设备服务的目标账户的账户占比＝(该周期内网络设备服务的目标账户的数量)/(该周期内网络设备服务的所有账户的数量)。
具体实施时，可确定N个连续周期中目标账户的账户占比超过预设占比的周期数，若周期数超过预设周期数，则可确定网络设备的服务质量存在异常隐患，若周期数未超过预设周期数，则可确定网络设备的服务质量不存在异常隐患。
在一些实施例中，预设占比可基于当前的宽带网络状况确定，即，预设占比并不是一直不变的，这样，利于提升对网络设备隐患分析的准确性。
在步骤102中，基于M个连续周期内网络设备服务的目标账户的账户占比，分析网络设备的服务质量是否存在劣化隐患，得到第二隐患结果，M个连续周期与N个连续周期在时间上存在重叠，且M为大于N的整数。
具体实施时，可基于M个连续周期内目标账户的账户占比，确定账户占比的突变点，若账户占比的突变点呈上升趋势，则说明网络设备的服务质量可能出现劣化趋势，进而可利用多种投票算法对网络设备的劣化趋势进行投票，若投票数量大于预设数量，则确定网络设备的服务质量存在劣化隐患。其它情况，确定网络设备的服务质量不存在劣化隐患。
在一些实施例中，M个连续周期可以完全覆盖N个连续周期。以一个周期为一天为例，M个连续周期如包含今天在内的最近10天，N个连续周期如包含今天在内的最近5天。
在一些实施例中，M个连续周期可以不完全覆盖N个连续周期。仍以一个周期为一天为例，M个连续周期如除今天外的最近10天，N个连续周期如今天在内的最近5天。
这样，M个连续周期与N个连续周期在时间上存在重叠，可保证异常隐患分析和劣化隐患分析之间的时间关联性，保证后续基于两者的分析结果进行隐患情况分析的准确性。
在步骤103中，基于第一隐患结果和第二隐患结果，确定网络设备的隐患情况。
具体实施时，可基于第一隐患结果，对网络设备的隐患情况进行打分，得到第一评分，基于第二隐患结果，对网络设备的隐患情况进行打分，得到第二评分，基于第一评分和第二评分的加权求和结果，确定网络设备的隐患得分，进而基于隐患得分确定网络设备的隐患程度。其中，隐患程度用于表征网络设备出现的隐患的危害大小，危害越大，隐患程度越高，危害越小，隐患程度越低。
假设评分规则为：网络设备存在服务质量变差的隐患时得a分，不存在服务质量变差的隐患时得b分，且a>b，如a＝1，b＝0；网络设备的服务质量出现劣化时得c分，服务质量未出现劣化时得d分，且c>d，如c＝1，d＝0。
并且，可按照以下公式确定网络设备的隐患得分S：
S＝w1*s1+w2*s2；
其中，s1是第一评分，s2是第二评分，w1、w2均是预先确定的权重。
假设w1、w2均为1，并假设a＝1，b＝0，c＝1，d＝0。则当网络设备的隐患得分为2时，确定网络设备出现一级隐患，当网络设备的隐患得分为1时，确定网络设备出现二级隐患，当网络设备的隐患得分为0时，确定网络设备未出现隐患。其中，一级隐患的隐患程度高于二级隐患的隐患程度。
另外，在确定网络设备的隐患得分高于预设得分时，还可进行告警处理如发送告警信息，告警信息中可携带网络设备的隐患等级，以便技术人员能够优先处理隐患等级高的网络设备。
为了能够清楚地得知网络设备是哪里出现了隐患，更好地指导技术人员进行隐患排除处理，在确定网络设备的隐患得分高于预设得分时，还可监测网络设备的各种性能指标的指标值，并对指标值异常(如与预设值不符、超出正常取值区间等情况)的性能指标进行告警处理。即在告警信息中还可携带出现异常的性能指标的指标值，以便技术人员能够更好地处理网络设备出现的隐患。
此外，网络设备可以是无源光纤网络(Passive Optical Network，PON)口、板卡、光线路终端(Optical Line Terminal，OLT)或宽带接入服务器(Broadband Remote AccessServer，BRAS)。
也就是说，本申请实施例提供的网络设备的隐患分析方法具有普适性，不必针对PON口、板卡、OLT或BRAS分别设置多种隐患分析方案。
下面结合具体实施例对本申请的方案进行介绍。
本申请实施例提供一种基于用户感知的网络设备的隐患预警方案，图2为本申请实施例提供的一种预警的过程示意图，该方案可部署于Spark集群上，借助于Spark集群从专业网管、专业系统获取所需数据，对数据进行清洗，对数据进行预处理，调用算法模型对多维度的用户感知数据进行训练，将训练结果持久化到MySQL集群，隐患设备清单关联设备健康档案，定界定段隐患点，持久化到MySQL集群，Spring boot基于MySQL集群中的隐患分析结果在web端展示预警结果。其主要包括以下步骤。
1、获取数据。
从专业网管、专业系统获取业务感知、申告投诉、终端适配、用户行为多维度数据，通过抽取、转换、加载等操作，形成各用户的结构化数据。
2、数据特征工程。
对各用户的结构化数据进行缺失值填补、异常值处理、特征编码、特征交叉、特征筛选、隐患设备打标签等操作。
3、隐患分析。
1)网络设备质差隐患分析：
步骤a、使用孤立森林异常检测算法，将多维空间中分布零星的用户与聚集的用户分离，自适应感知异常的数据，区分质差用户与非质差用户，其中，质差用户对应上述目标账户。
步骤b、结合模型集成算法，通过投票选举方式对步骤a得到的质差用户进行投票选举，基于各质差用户的投票结果是否超过设定票数，重新确认质差用户与非质差用户，以准确区分质差用户与非质差用户，并可对质差用户添加对应标签。
步骤c、基于人工经验规则对质差用户的标签进一步修正，以进一步准确区分质差用户与非质差用户。
步骤d、将用户汇聚到PON口，计算质差用户的占比，若质差用户的占比超过PON口对应的预设占比，则判定PON口可能存在质差隐患(即可能存在服务质量变差的隐患)。
步骤e、将用户汇聚到板卡，计算质差用户的占比，若质差用户的占比超过板卡对应的预设占比，且板卡上至少存在两个PON口存在质差隐患，则判定板卡可能存在质差隐患。
步骤f、将用户汇聚到OLT，计算质差用户的占比，若质差用户的占比超过OLT对应的预设占比，且OLT上至少两块板卡存在质差隐患，则判定OLT可能存在质差隐患；
步骤g、将用户汇聚到BRAS，计算质差用户的占比，若质差用户的占比超过BRAS对应的预设占比，则判定BRAS可能存在质差隐患。
通过以上步骤可以得到每个周期如每天的质差隐患清单。
步骤h、获取最近5天的质差隐患清单，若任一网络设备包含在至少3天的质差隐患清单中，则确定该网络设备存在质差隐患(即该网络设备的服务质量存在异常隐患)，为质差隐患设备，可输出质差隐患设备清单。
其中，步骤d、e、f、g中每种网络设备对应的预设占比由算法模型根据隐患设备的标签进行迭代训练学习，自适应当前网络状况。即对任一网络设备而言，其所对应的预设占比并不是一直不变的。
另外，需要说明的是，在不冲突的情况下，上述步骤d、e、f、g可并行执行。
2)网络设备劣化隐患分析。
步骤a、使用时间序列突变点检测算法，跟踪最近7天各层网络设备服务的质差用户的占比的突变点，若任一网络设备的突变点呈上升趋势，则判定该网络设备的服务质量可能出现劣化。
步骤b、结合模型集成算法，利用多个不同的时间序列突变点检测算法通过投票选举方式，对步骤a得到的可能出现劣化的网络设备的劣化趋势进行投票，若任一网络设备的投票数量超过预设数量，则确定该网络设备的服务质量存在劣化隐患，为劣化隐患设备，输出劣化隐患设备清单。
4、隐患设备定界定段分析。
1)根据第3步输出的质差隐患设备清单和劣化隐患设备清单，对PON口、板卡、OLT、BRAS等各层网络设备划分置信等级，比如，包含在两个清单中的网络设备的隐患等级为高、包含在一个清单中的网络设备的隐患等级为中。
2)隐患设备清单关联各层网络设备健康档案，定界定段隐患点，指导相关维护人员整治隐患。其中，任一网络设备健康档案保存有监测到的该网络设备的各项性能指标的指标值。
3)若存在BRAS设备性能指标异常，则告警相应性能指标异常，若存在OLT设备性能指标异常，则告警相应性能指标异常，若存在板卡性能指标异常，则告警相应性能指标异常，若存在PON口性能指标异常，则告警相应性能指标异常，若这四类网络设备无性能指标异常，则输出用户质差清单及其相关质差指标。
本申请实施例中，基于用户可感知的宽带网络质量确定出网络设备服务的网络质量比较低的目标账户，基于多个周期内网络设备服务的目标账户的账户占比，并行进行质差、劣化两项预警任务，结合两者的结果进行隐患分析，隐患分析的准确性和及时性都比较高。还可结合网络设备的性能指标，以进一步提升隐患分析的精准性。另外，可同时预警PON口、板卡、OLT、BRAS等各层网络隐患设备，通用性也比较好。
当本申请实施例中提供的方法以软件或硬件或软硬件结合实现的时候，电子设备中可以包括多个功能模块，每个功能模块可以包括软件、硬件或其结合。
基于相同的技术构思，本申请实施例还提供一种网络设备的隐患分析装置，网络设备的隐患分析装置解决问题的原理与上述网络设备的隐患分析方法相似，因此网络设备的隐患分析装置的实施可参见网络设备的隐患分析方法的实施，重复之处不再赘述。
图3为本申请实施例提供的一种网络设备的隐患分析装置的结构示意图，包括第一分析模块301、第二分析模块302、确定模块303。
第一分析模块301，用于基于N个连续周期内网络设备服务的目标账户的账户占比，分析所述网络设备的服务质量是否存在异常隐患，得到第一隐患结果，所述目标账户的宽带网络质量低于预设网络质量，N为整数；
第二分析模块302，用于基于M个连续周期内所述网络设备服务的所述目标账户的账户占比，分析所述网络设备的服务质量是否存在劣化隐患，得到第二隐患结果，所述M个连续周期与所述N个连续周期在时间上存在重叠，且M为大于N的整数；
确定模块303，用于基于所述第一隐患结果和所述第二隐患结果，确定所述网络设备的隐患情况。
在一些实施例中，所述第一分析模块301具体用于：
确定所述N个连续周期中所述目标账户的账户占比超过预设占比的周期数；
若所述周期数超过预设周期数，则确定所述网络设备的服务质量存在异常隐患。
确定模块303，所述预设占比是基于当前的宽带网络状况确定的。
在一些实施例中，所述第二分析模块302具体用于：
基于所述M个连续周期内所述目标账户的账户占比，确定账户占比的突变点；
若所述账户占比的突变点呈上升趋势，则利用多种投票算法对所述网络设备的劣化趋势进行投票；
若投票数量大于预设数量，则确定所述网络设备的服务质量存在劣化隐患。
在一些实施例中，所述确定模块303具体用于：
基于所述第一隐患结果，对所述网络设备的隐患情况进行打分，得到第一评分；
基于所述第二隐患结果，对所述网络设备的隐患情况进行打分，得到第二评分；
基于所述第一评分和所述第二评分的加权求和结果，确定所述网络设备的隐患得分；
基于所述隐患得分，确定所述网络设备的隐患程度。
在一些实施例中，还包括告警模块304，用于：
若确定所述网络设备的隐患得分高于预设得分，则监测所述网络设备的各种性能指标的指标值；
对指标值异常的性能指标进行告警处理。
在一些实施例中，所述网络设备为无源光纤网络PON口、板卡、光线路终端OLT或宽带接入服务器BRAS。
本申请实施例中对模块的划分是示意性的，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，另外，本申请各实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。各个模块相互之间的耦合可以是通过一些接口实现，这些接口通常是电性通信接口，但是也不排除可能是机械接口或其它的形式接口。因此，作为分离部件说明的模块可以是或者也可以不是物理上分开的，既可以位于一个地方，也可以分布到同一个或不同设备的不同位置上。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
在介绍了本申请示例性实施方式的对比学习方法和装置之后，接下来，介绍根据本申请的另一示例性实施方式的电子设备。
下面参照图4来描述根据本申请的这种实施方式实现的电子设备130。图4显示的电子设备130仅仅是一个示例，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4所示，电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1321和/或高速缓存存储器1322，还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324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。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备130交互的设备通信，和/或与使得该电子设备130能与一个或多个其它电子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135进行。并且，电子设备130还可以通过网络适配器136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136通过总线133与用于电子设备130的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备130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、冗余处理器、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。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器132，上述指令可由处理器131执行以完成上述对比学习方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本申请提供的任一示例性方法的步骤。
在示例性实施例中，还提供一种计算机程序产品，当计算机程序产品被电子设备执行时，电子设备能够实现本申请提供的任一示例性方法。
并且，计算机程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、RAM、ROM、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、闪存、光纤、光盘只读存储器(Compact Disk 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。
本申请实施例中用于网络设备的隐患分析的程序产品可以采用CD-ROM并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，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。
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、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。
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申请操作的程序代码，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如局域网(Local AreaNetwork，LAN)或广域网(Wide Area Network，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装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，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操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种网络设备的隐患分析方法，其特征在于，包括：
基于N个连续周期内网络设备服务的目标账户的账户占比，分析所述网络设备的服务质量是否存在异常隐患，得到第一隐患结果，所述目标账户的宽带网络质量低于预设网络质量，N为整数；
基于M个连续周期内所述网络设备服务的所述目标账户的账户占比，分析所述网络设备的服务质量是否存在劣化隐患，得到第二隐患结果，所述M个连续周期与所述N个连续周期在时间上存在重叠，且M为大于N的整数；
基于所述第一隐患结果和所述第二隐患结果，确定所述网络设备的隐患情况；
基于M个连续周期内所述网络设备服务的所述目标账户的账户占比，分析所述网络设备的服务质量是否存在劣化隐患，包括：
基于所述M个连续周期内所述目标账户的账户占比，确定账户占比的突变点；
若所述账户占比的突变点呈上升趋势，则利用多种投票算法对所述网络设备的劣化趋势进行投票；
若投票数量大于预设数量，则确定所述网络设备的服务质量存在劣化隐患。
2.如权利要求1所述的方法，其特征在于，基于N个连续周期内网络设备服务的目标账户的账户占比，分析所述网络设备的服务质量是否存在异常隐患，包括：
确定所述N个连续周期中所述目标账户的账户占比超过预设占比的周期数；
若所述周期数超过预设周期数，则确定所述网络设备的服务质量存在异常隐患。
3.如权利要求2所述的方法，其特征在于，所述预设占比是基于当前的宽带网络状况确定的。
4.如权利要求1-3任一所述的方法，其特征在于，基于所述第一隐患结果和所述第二隐患结果，确定所述网络设备的隐患情况，包括：
基于所述第一隐患结果，对所述网络设备的隐患情况进行打分，得到第一评分；
基于所述第二隐患结果，对所述网络设备的隐患情况进行打分，得到第二评分；
基于所述第一评分和所述第二评分的加权求和结果，确定所述网络设备的隐患得分；
基于所述隐患得分，确定所述网络设备的隐患程度。
5.如权利要求4所述的方法，其特征在于，还包括：
若确定所述网络设备的隐患得分高于预设得分，则监测所述网络设备的各种性能指标的指标值；
对指标值异常的性能指标进行告警处理。
6.如权利要求1所述的方法，其特征在于，所述网络设备为无源光纤网络PON口、板卡、光线路终端OLT或宽带接入服务器BRAS。
7.一种网络设备的隐患分析装置，其特征在于，包括：
第一分析模块，用于基于N个连续周期内网络设备服务的目标账户的账户占比，分析所述网络设备的服务质量是否存在异常隐患，得到第一隐患结果，所述目标账户的宽带网络质量低于预设网络质量，N为整数；
第二分析模块，用于基于M个连续周期内所述网络设备服务的所述目标账户的账户占比，分析所述网络设备的服务质量是否存在劣化隐患，得到第二隐患结果，所述M个连续周期与所述N个连续周期在时间上存在重叠，且M为大于N的整数；
确定模块，用于基于所述第一隐患结果和所述第二隐患结果，确定所述网络设备的隐患情况；
所述第二分析模块，具体用于基于所述M个连续周期内所述目标账户的账户占比，确定账户占比的突变点；若所述账户占比的突变点呈上升趋势，则利用多种投票算法对所述网络设备的劣化趋势进行投票；若投票数量大于预设数量，则确定所述网络设备的服务质量存在劣化隐患。
8.如权利要求7所述的装置，其特征在于，所述第一分析模块具体用于：
确定所述N个连续周期中所述目标账户的账户占比超过预设占比的周期数；
若所述周期数超过预设周期数，则确定所述网络设备的服务质量存在异常隐患。
9.如权利要求8所述的装置，其特征在于，所述预设占比是基于当前的宽带网络状况确定的。
10.如权利要求7-9任一所述的装置，其特征在于，所述确定模块具体用于：
基于所述第一隐患结果，对所述网络设备的隐患情况进行打分，得到第一评分；
基于所述第二隐患结果，对所述网络设备的隐患情况进行打分，得到第二评分；
基于所述第一评分和所述第二评分的加权求和结果，确定所述网络设备的隐患得分；
基于所述隐患得分，确定所述网络设备的隐患程度。
11.如权利要求10所述的装置，其特征在于，还包括告警模块，用于：
若确定所述网络设备的隐患得分高于预设得分，则监测所述网络设备的各种性能指标的指标值；
对指标值异常的性能指标进行告警处理。
12.如权利要求7所述的装置，其特征在于，所述网络设备为无源光纤网络PON口、板卡、光线路终端OLT或宽带接入服务器BRAS。
13.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中：
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6任一所述的方法。
14.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，所述电子设备能够执行如权利要求1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111621128.6A CN114363194B (zh) | 2021-12-28 | 2021-12-28 | 网络设备的隐患分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111621128.6A CN114363194B (zh) | 2021-12-28 | 2021-12-28 | 网络设备的隐患分析方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114363194A CN114363194A (zh) | 2022-04-15 |
| CN114363194B true CN114363194B (zh) | 2024-04-30 |
Family
ID=81103532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111621128.6A Active CN114363194B (zh) | 2021-12-28 | 2021-12-28 | 网络设备的隐患分析方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114363194B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107135090A (zh) * | 2016-02-29 | 2017-09-05 | 华为技术有限公司 | 一种实现网络质差问题定位的方法及装置 |
| CN107360586A (zh) * | 2016-05-10 | 2017-11-17 | 中国移动通信集团黑龙江有限公司 | 一种网络质量的评估方法及装置 |
| WO2019114947A1 (en) * | 2017-12-13 | 2019-06-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Technique for analyzing quality of service in a telecommunications network |
| CN111212330A (zh) * | 2018-11-22 | 2020-05-29 | 华为技术有限公司 | 一种网络性能瓶颈值的确定方法及装置 |
| CN111818560A (zh) * | 2019-04-11 | 2020-10-23 | 中国移动通信集团福建有限公司 | 质差小区的确定方法及装置 |
| CN112804599A (zh) * | 2019-11-14 | 2021-05-14 | 中盈优创资讯科技有限公司 | 网络质差点确定方法、装置、计算机设备及可读存储介质 |
| CN112866016A (zh) * | 2017-11-02 | 2021-05-28 | 华为技术有限公司 | 网络质量的确定方法、装置及存储介质 |
| CN113128693A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团北京有限公司 | 一种信息处理方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2364540B1 (en) * | 2008-11-13 | 2015-09-02 | Telecom Italia S.p.A. | Method for estimating the 'quality of experience' of a user in respect of audio and/or video contents distributed through telecommunications networks |
| EP2679044B1 (en) * | 2011-02-21 | 2016-04-20 | Telefonaktiebolaget LM Ericsson (publ) | Service problem diagnosis for mobile wireless networks |
-
2021
- 2021-12-28 CN CN202111621128.6A patent/CN114363194B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107135090A (zh) * | 2016-02-29 | 2017-09-05 | 华为技术有限公司 | 一种实现网络质差问题定位的方法及装置 |
| CN107360586A (zh) * | 2016-05-10 | 2017-11-17 | 中国移动通信集团黑龙江有限公司 | 一种网络质量的评估方法及装置 |
| CN112866016A (zh) * | 2017-11-02 | 2021-05-28 | 华为技术有限公司 | 网络质量的确定方法、装置及存储介质 |
| WO2019114947A1 (en) * | 2017-12-13 | 2019-06-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Technique for analyzing quality of service in a telecommunications network |
| CN111212330A (zh) * | 2018-11-22 | 2020-05-29 | 华为技术有限公司 | 一种网络性能瓶颈值的确定方法及装置 |
| CN111818560A (zh) * | 2019-04-11 | 2020-10-23 | 中国移动通信集团福建有限公司 | 质差小区的确定方法及装置 |
| CN112804599A (zh) * | 2019-11-14 | 2021-05-14 | 中盈优创资讯科技有限公司 | 网络质差点确定方法、装置、计算机设备及可读存储介质 |
| CN113128693A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团北京有限公司 | 一种信息处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于用户访问感知的家宽业务质差识别研究与实践;张延盛;徐银;;电信工程技术与标准化;20200811(第08期);全文 * |
| 宽带互联网业务感知质量优化及系统;彭巍;吕和凯;曹维华;高敏;;广东通信技术;20180315(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114363194A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
| US11429821B2 (en) | Machine learning clustering models for determining the condition of a communication system | |
| US9331897B2 (en) | Recovery from multiple faults in a communications network | |
| AU2019275633B2 (en) | System and method of automated fault correction in a network environment | |
| CN111309565B (zh) | 告警处理方法、装置、电子设备以及计算机可读存储介质 | |
| CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
| US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
| CN110647446A (zh) | 一种日志故障关联与预测方法、装置、设备及存储介质 | |
| CN112183758A (zh) | 用于实现模型训练的方法及装置、计算机存储介质 | |
| CN109992484B (zh) | 一种网络告警相关性分析方法、装置和介质 | |
| US11796993B2 (en) | Systems, methods, and devices for equipment monitoring and fault prediction | |
| CN111459692A (zh) | 用于预测驱动器故障的方法、设备和计算机程序产品 | |
| CN115705406A (zh) | 关联干扰事件与事故或凭单 | |
| CN111813644A (zh) | 系统性能的评价方法、装置、电子设备和计算机可读介质 | |
| CN114978877A (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
| CN114363194B (zh) | 网络设备的隐患分析方法、装置、电子设备及存储介质 | |
| CN117667570A (zh) | 一种统一监控数字化平台 | |
| CN112016800A (zh) | 一种基于有效性指标的特征选择方法与系统 | |
| US11860727B2 (en) | Data quality-based computations for KPIs derived from time-series data | |
| CN116346405A (zh) | 基于数据统计的网络安全运维能力评估系统及方法 | |
| CN116232851A (zh) | 一种网络异常的预警方法、装置、电子设备和存储介质 | |
| JP2022037107A (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
| CN113537519A (zh) | 一种识别异常设备的方法和装置 | |
| EP3706048A1 (en) | Anomaly prediction in an industrial system | |
| CN117240700B (zh) | 一种基于贝叶斯分类器的网络故障诊断方法及装置 |
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 |