CN114760339A - 故障预测方法、装置、设备、介质及产品 - Google Patents

Abstract

本申请提供一种故障预测方法、装置、设备、介质及产品，可以应用于人工智能和物联网技术领域。包括：响应于针对目标网络设备的故障预测请求，采集目标网络设备的待预测数据；待预测数据包括至少一个信息字段分别对应的字段数据；基于至少一个信息字段分别对应的字段权重，从至少一个信息字段中选择目标信息字段；根据目标信息字段，确定待预测数据在目标信息字段对应的目标字段数据；基于待预测数据在目标信息字段对应的目标字段数据，确定目标网络设备的目标预测数据；将目标预测数据输入训练获得目标预测模型，获得目标网络设备的故障预测结果。本申请的方法，增加了设备故障预测精度。

Description

故障预测方法、装置、设备、介质及产品

技术领域

本申请涉及人工智能和物联网技术领域，尤其涉及一种故障预测方法、装置、设备、介质及产品。

背景技术

随着移动互联网的迅速发展，智慧城市、智能家居、智慧金融等领域中会使用大量的网络设备，将网络设备接入网络之后可以进行智能控制。因此，网络设备正常使用对上述网络的运行稳定具有重要影响。为了提高网络的运行稳定性，可以及时对网络设备进行检测，以对可能存在出现设备故障的网络设备进行及时预警。

相关技术中，多采用对网络设备的设备使用参数或者特性进行检测，然后利用设置的阈值对采集的参数或者特性进行预判，获得网络设备是否会出现故障。

但是，直接通过阈值判断的方法，获得的网络设备的预判结果并不是十分准确，因此，如何对网络设备进行准确的故障预测是目前亟待解决的技术问题。

发明内容

本申请提供一种故障预测方法、装置、设备、介质及产品，用以解决网络设备故障预测准确度不高的技术问题。

第一方面，本申请提供一种故障预测方法，包括：

响应于针对目标网络设备的故障预测请求，采集所述目标网络设备的待预测数据；所述待预测数据包括至少一个信息字段分别对应的字段数据；

基于至少一个所述信息字段分别对应的字段权重，从至少一个所述信息字段中选择目标信息字段；

基于所述目标信息字段，确定所述待预测数据在所述目标信息字段对应的目标字段数据；

基于所述待预测数据在所述目标信息字段对应的目标字段数据，确定所述目标网络设备的目标预测数据；

将所述目标预测数据输入训练获得目标预测模型，获得所述网络设备的故障预测结果；所述目标预测模型基于第一方面所述的方法故障预测模型的训练方法训练获得。

第二方面，本申请提供一种故障预测装置，包括：

请求响应单元，用于响应于针对目标网络设备的故障预测请求，采集所述目标网络设备的待预测数据；所述待预测数据包括至少一个信息字段分别对应的字段数据；

字段确定单元，用于基于至少一个所述信息字段分别对应的字段权重，从至少一个所述信息字段中选择目标信息字段；

数据确定单元，用于基于所述目标信息字段，确定所述待预测数据在所述目标信息字段对应的目标字段数据；

预测确定单元，用于基于所述待预测数据在所述目标信息字段对应的目标字段数据，确定所述目标网络设备的目标预测数据；

故障预测单元，用于将所述目标预测数据输入训练获得目标预测模型，获得所述网络设备的故障预测结果；所述目标预测模型基于第一方面所述的方法故障预测模型的训练方法训练获得。

第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面所述的故障预测方法。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的故障预测方法。

第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述故障预测方法。

本申请提供的故障预测方法，可以响应于针对目标网络设备的故障预测请求，采集目标网络设备对应的待预测数据。待预测数据可以包括至少一个信息字段分别对应的字段数据。确定至少一个信息字段中的目标信息字段之后，可以基于目标信息字段，确定待预测数据在目标信息字段对应的目标字段数据，以获得目标网络设备的目标预测数据。通过目标预测数据的获取，可以使得目标预测数据的数据类型或者格式与目标信息字段相一致，将目标预测数据输入到目标预测模型可以实现对目标网络设备的准确预测，提高目标网络设备的预测精度。

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。

图1是本公开实施例提供的一种故障预测方法的一个应用系统架构图；

图2是本公开实施例提供的一种故障预测方法的一个实施例的流程图；

图3是本公开实施例提供的一种故障预测方法的又一个实施例的流程图；

图4是本公开实施例提供的一种故障预测方法的又一个实施例的流程图；

图5是本公开实施例提供的一种故障预测方法的又一个实施例的流程图；

图6是本公开实施例提供的一种故障预测装置的一个实施例的结构示意图；

图7是本公开实施例提供的一种故障预测装置的又一个实施例的结构示意图；

图8是用于实现本公开提供的预测模型训练方法或者故障检测方法的一种电子设备的框图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

本公开的技术方案可以应用于网络设备的故障预测场景中，通过对网络数据的信息字段进行筛选，可以获得更有效的信息字段，实现训练样本的准确获取，以更准确的训练样本对故障预测模型进行训练，可以获得预测精度更高的目标预测模型。

相关技术中，网络设备可以指位于互联网络中的电子设备，例如手机、电脑、扫描仪、智能测温器、智能冰箱、智能电视、智能灯等电子设备。网络设备的正常运行对设备的正常使用起到关键作用。目前，对网络设备的故障检测多是通过对网络设备中的网络属性进行采集，例如网速、访问率网络特性，通过对网络属性的数据采集，利用为该网络属性设置的数据阈值进行比较判别，以在数据异常时，确定网络设备异常。但是这种通过阈值直接进行异常判断的准确度并不高。而在一些场景中，可以使用机器学习算法对网络设备进行故障检测，但是，现有的机器学习模型的故障检测的准确度也不高，业界目前并不存在一种具有普适、高精度的故障识别模型。

为了解决上述技术问题，本公开实施例中，考虑对网络设备的字段进行选择，以获得对网络运行影响程度更高的字段进行获取，使得网络设备所对应的参与模型训练以及预测的数据的准确度更高，提高网络预测模型的训练精度。

据此，本公开的技术方案，可以采集至少一个网络设备对应的至少一个历史网络数据。而历史网络数据可以包括至少一个信息字段分别对应的字段数据，至少一个历史网络数据分别对应有设备使用状态。基于至少一个信息字段分别对应的字段权重，可以从至少一个信息字段中选择目标信息字段，实现目标信息字段的有效选择。通过为网络数据确定目标信息字段对应的目标字段数据，可以获得至少一个历史网络数据分别在目标信息字段对应的目标字段数据。目标字段的选择可以对训练样本的确定更具备积极意义。因此，可以根据历史网络数据的设备使用状态和在目标信息字段对应的目标字段数据，实现网络历史数据对应训练样本的准确选取，获得至少一个历史网络数据对应的至少一个训练样本，提高训练样本对网络设备的网络状态的预测效果。利用至少一个训练样本可以训练构建的故障预测模型，获得目标预测模型。通过使用更准确的至少一个训练样本可以提高目标预测模型的模型精度，对网络设备的故障预测精度可以有效提升。

本公开提供的预测模型训练、故障预测方法、装置、设备、存储介质及产品，可以应用于人工智能和物联网技术领域。也可以应用于人工智能和物联网技术领域以外的任意领域。本公开对提供的预测模型训练、故障预测方法、装置、设备、存储介质及产品的具体应用领域并不做出过多限定。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本公开实施例提供的一种故障预测方法的一个应用系统架构图，该故障预测系统可以包括：配置有本公开提供的预测模型训练方法的第一电子设备1，配置有本公开提供的故障预测方法的第二电子设备2以及至少一个网络设备3。第一电子设备1可以与至少一个网络设备3建立有线或者无线的通讯连接，第二电子设备2可以与第一电子设备1建立有线或无线的通信连接。当然，在实际应用中，第二电子设备可以与第一电子设备属于同一电子设备，此时故障预测和模型训练均可以在同一电子设备中执行。

参考图1在实际应用中，第一电子设备1可以为云服务器。第一电子设备1可以采集至少一个网络设备的网络数据，获得至少一个历史网络数据，以通过本公开提供的预测模型训练方法利用至少一个历史网络数据对训练样本进行确定，以利用至少一个训练样本训练构成的故障检测模型，获得目标预测模型。

第二电子设备2可以对外提供故障预测服务，用户可以向第二电子设备发起目标网络设备的故障预测请求，第二电子设备2可以基于本公开提供的故障预测方法，对目标网络设备按照目标信息字段进行目标预测数据的获取，以利用目标预测数据对目标网络设备进行故障预测，获得故障预测结果。通过准确的目标预测模型可以进行设备故障的准确预测，提高故障预测模型的预测准确度。

如图2所示，为本公开实施例提供的一种故障预测方法的一个实施例的流程图，该方法可以配置为一故障预测装置，该故障预测装置可以位于第二电子设备中，其中，故障预测方法可以包括以下几个步骤：

201：响应于针对目标网络设备的故障预测请求，采集目标网络设备的待预测数据；待预测数据包括至少一个信息字段分别对应的字段数据。

可选地，第二电子设备可以对外提供故障检测服务。第二电子设备可以检测用户针对目标网络设备发起的故障预测请求。

202：基于至少一个信息字段分别对应的字段权重，从至少一个信息字段中选择目标信息字段。

至少一个信息字段分别对应的字段权重可以通过随机森林算法对至少一个信息字段进行权重计算获得。

203：根据目标信息字段，确定待预测数据在目标信息字段对应的目标字段数据。

其中，基于目标信息字段，确定待预测数据在目标信息字段对应的目标字段数据可以包括：基于目标信息字段，从待预测数据中读取目标信息字段对应的目标字段数据。

204：基于待预测数据在目标信息字段对应的目标字段数据，确定目标网络设备的目标预测数据。

目标预测数据即为待预测数据在目标信息字段对应的目标字段数据。

205：将目标预测数据输入训练获得目标预测模型，获得目标网络设备的故障预测结果。

可选地，将目标预测数据输入训练获得目标预测模型之前，还可以包括：向第一电子设备发起预测模型的获取请求，接收第一电子设备反馈的目标预测模型。第一电子设备可以响应于第二电子设备发送的预测模型的获取请求，将训练获得的目标预测模型发送至第二电子设备。

本公开实施例中，可以响应于针对目标网络设备的故障预测请求，采集目标网络设备对应的待预测数据。待预测数据可以包括至少一个信息字段分别对应的字段数据。确定至少一个信息字段中的目标信息字段之后，可以基于目标信息字段，确定待预测数据在目标信息字段对应的目标字段数据，以获得目标网络设备的目标预测数据。通过目标预测数据的获取，可以使得目标预测数据的数据类型或者格式与目标信息字段相一致，将目标预测数据输入到目标预测模型可以实现对目标网络设备的准确预测，提高目标网络设备的预测精度。

作为一个实施例，步骤202：基于至少一个信息字段分别对应的字段权重，从至少一个信息字段中选择目标信息字段，可以包括：

利用至少一个信息字段分别对应的字段权重，从至少一个信息字段中选择字段权重高于权重阈值的目标信息字段。

其中，字段权重可以标识信息字段对网络设备的设备使用状态的影响程度。信息字段的字段权重越高，信息字段对设备使用状态的影响程度越高。信息字段的字段权重越低，该信息字段对设备使用状态的影响程度越低。

目标信息字段可以为字段权重高于权重阈值的信息字段。权重阈值可以根据实际的使用需求设置。权重阈值越高，信息字段的选择准确度更高，可以筛选出与故障预测更匹配的目标信息字段，进行精度更高的故障检测。反之，权重阈值越低，信息字段的选择面更宽，可以筛选出更多的目标信息字段，实现以更全面的字段信息进行更全面的故障预测。

本公开实施例中，可以采用权重阈值的设置，实现权重的信息字段选择，获得准确的目标字段。

在一种可能的设计中，在执行步骤202：基于至少一个信息字段分别对应的字段权重，从至少一个信息字段中选择目标信息字段之前，还包括：

采集至少一个网络设备对应的至少一个历史网络数据；历史网络数据包括至少一个信息字段分别对应的字段数据；至少一个历史网络数据分别对应有设备使用状态；

将至少一个历史网络数据输入随机森林算法，计算获得至少一个信息字段分别对应的字段权重。

随机森林算法可以基于输入的至少一个历史网络数据对至少一个信息字段进行特征权重的计算，获得至少一个信息字段分别对应的字段权重。可以利用至少一个信息字段分别对应的字段权重对信息字段的重要性进行排序，获得信息字段的字段权重。随机森林算法对至少一个信息字段进行字段权重的计算过程具体可以参考相关技术的描述，在此不再赘述。

本公开实施例中，利用随机森林算法和至少一个历史网络数据对至少一个信息字段分别对应的字段权重进行计算，获得至少一个信息字段分别对应的字段权重。通过字段权重的准确计算，可以对至少一个信息字段的重要性进行选择，实现目标信息字段的准确而有效的选择。

在实际应用中，目标预测模型可以训练获得，如图3所示，为本公开实施例提供的一种故障预测模型的又一个实施例的流程图，其中，目标预测模型的训练步骤可以包括：

301：采集至少一个网络设备对应的至少一个历史网络数据；历史网络数据包括至少一个信息字段分别对应的字段数据；至少一个历史网络数据分别对应有设备使用状态。

至少一个历史网络数据可以用于字段信息的权重计算和预测模型的训练。

信息字段可以为对网络设备的设备运行状态进行记载的信息类型。

历史网络数据可以通过至少一个信息字段采集。

可选地，第一电子设备可以向网络设备发送数据采集请求，数据采集请求中可以包括至少一个信息字段，网络设备可以获取至少一个信息字段分别对应的字段数据，然后将至少一个信息字段分别对应的字段数据发送至第一电子设备。

设备使用状态可以指网络设备的具体运行状态，设备使用状态可以包括正常状态和异常状态。设备使用状态处于正常状态时，网络设备可以正常使用。设备使用状态处于异常状态时，网络设备不能正常使用，处于异常状态。

在实际应用中，网络设备可以根据至少一个信息字段进行网络数据的采集，可以将采集的网络数据以日志的形式存储。网络数据的数据格式与至少一个信息字段相一致。网络设备还可以定期将日志发送至第一电子设备。第一电子设备可以接收网络设备发送的日志，然后将日志中的网络数据进行读取，获得相应的历史网络数据。每个网络设备可以采集一条或多条历史网络数据，以获得至少一个网络设备对应的至少一个历史网络数据。

302：确定至少一个信息字段中的目标信息字段。

目标信息字段可以基于图2所示的步骤202确定。

303：从历史网络数据在至少一个信息字段分别对应的字段数据中确定目标信息字段对应的目标字段数据，获得至少一个历史网络数据分别在目标信息字段对应的目标字段数据。

每个信息字段对应有字段数据。可以从网络数据在至少一个信息字段分别对应的字段数据中读取目标信息字段对应的目标字段数据。在实际应用中，目标信息字段可以包括至少一个。可以获取至少一个目标信息字段分别对应的目标字段数据。

历史网络数据可以包括至少一个。每个历史网络数据可以在至少一个目标信息字段分别对应的目标字段数据。

304：根据历史网络数据对应的设备使用状态和在目标信息字段对应的目标字段数据，确定历史网络数据对应的训练样本，以获得至少一个历史网络数据对应的至少一个训练样本。

任一个历史网络数据在至少一个目标信息字段分别对应的目标字段数据为该历史网络数据对应的样本数据。历史网络数据对应的设备使用状态可以为该历史网络数据对应的样本标签。历史网络数据的样本数据和样本标签可以作为一个训练样本。也即，任一个训练样本可以包括样本数据和样本标签。其中，样本数据可以为至少一个目标信息字段分别对应的目标字段数据，样本标签可以为设备使用状态。

至少一个训练样本可以从至少一个历史网络数据分别对应的训练样本中随机选取获得。在实际应用中，可以将至少一个历史网络数据分别对应的训练样本，划分为参与训练的至少一个训练样本和参与测试的至少一个测试样本。可以利用至少一个训练样本对故障预测模型进行训练，获得目标预测模型。例如，可以将至少一个历史网络数据分别对应的训练样本中80％的训练样本作为本公开的至少一个训练样本，将剩余的20％的训练样本作为至少一个测试样本。

305：利用至少一个训练样本，训练构建的故障预测模型，获得目标预测模型。

故障预测模型可以预先构建获得，故障预测模型的参数需要使用至少一个训练样本训练获得，训练结束获得的模型参数代入到故障预测模型即可以目标预测模型。故障预测模型可以为能够对网络设备的历史数据进行状态预测的分类模型。

在某些实施例中，获得目标预测模型之后，可以利用至少一个测试样本对目标预测模型进行测试，获得测试结果。若确定测试结果为测试成功，则可以确定该目标预测模型可以用于对网络模型进行故障预测。若确定测试结果为测试失败，则可以确定该目标预测模型需要重新训练，此时可以返回至步骤301采集至少一个网络设备对应的至少一个历史网络数据继续执行。

获得目标预测模型之后，可以利用目标预测模型对图2所示实施例中的目标预测数据进行故障预测，获得目标网络设备的故障预测结果。

本公开实施例中，可以采集至少一个网络设备对应的至少一个历史网络数据。而历史网络数据可以包括至少一个信息字段分别对应的字段数据，至少一个历史网络数据分别对应有设备使用状态。从至少一个信息字段中确定目标信息字段，实现目标信息字段的有效选择。通过为网络数据确定目标信息字段对应的目标字段数据，可以获得至少一个历史网络数据分别在目标信息字段对应的目标字段数据。目标字段的选择可以对训练样本的确定更具备积极意义。因此，可以根据历史网络数据的设备使用状态和在目标信息字段对应的目标字段数据，实现网络历史数据对应训练样本的准确选取，获得至少一个历史网络数据对应的至少一个训练样本，提高训练样本对网络设备的网络状态的预测效果。利用至少一个训练样本可以训练构建的故障预测模型，获得目标预测模型。通过使用更准确的至少一个训练样本可以提高目标预测模型的模型精度，对网络设备的故障预测精度可以有效提升。

为了对本公开的技术方案中的模型训练步骤进行准确说明。如图4所示，为本公开实施例提供的一种故障预测模型的又一个实施例的流程图，步骤305利用至少一个训练样本，训练构建的故障预测模型，获得目标预测模型，具体可以包括以下几个步骤：

401：对构建的故障检测模型进行参数初始化，获得候选模型参数。

对构建的故障检测模型进行参数初始化，获得候选模型参数可以包括对构建的故障检测模型的模型参数随机设置，以获得候选模型参数。

402：将至少一个训练样本各自的训练数据输入候选模型参数对应的故障检测模型，获得故障检测模型对至少一个训练数据分别预测获得的故障结果。

候选模型参数对应的故障检测模型可以分别对至少一个训练样本分别对应的训练数据进行故障预测，获得至少一个训练数据分别对应的故障结果。故障检测模型可以对输入的训练数据进行故障结果的预测。故障结果可以包括存在故障或者不存在故障。

403：根据至少一个训练样本分别对应的故障结果和样本标签，进行误差计算，获得预测误差。

根据至少一个训练样本分别对应的故障结果和样本标签进行误差计算，获得预测误差可以包括：对于任一个训练样本对应的故障结果和样本标签，确定该训练样本的样本误差，以根据至少一个训练样本分别对应的样本误差相加，获得预测误差。

其中，对于任一个训练样本对应的故障结果和样本标签，确定该训练样本的样本误差，可以包括：若故障结果与样本标签相一致，则确定该训练样本的样本误差为0；若故障结果与样本标签不一致，则确定该训练样本的预测误差为1，以获得至少一个训练样本分别对应的样本误差，确定至少一个训练样本中预测误差为1的数量，基于该数量与至少一个训练样本的样本总量的比值，确定预测误差。

404：若确定预测误差小于预设误差阈值，则确定候选模型参数对应的故障预测模型为目标预测模型。

若预测误差小于预设误差阈值，则确定此时的候选模型参数对应的故障检测模型的预测结果准确度较高，满足收敛条件，可以确定此候选模型参数对应的故障检测模型为目标预测模型。

本公开实施例中，对故障预测模型训练时，可以对构建的故障检测模型进行参数初始化，获得候选模型参数。候选模型参数对应的故障检测模型即可以用于故障预测。因此，将至少一个训练样本各自的训练数据输入到候选模型参数对应的故障检测模型可以实现对故障预测模型的有效训练，获得准确的目标预测模型。

在某些实施例中，根据至少一个训练样本分别对应的故障结果和样本标签，进行误差计算，获得预测误差之后，还包括：

若确定预测误差大于或等于误差阈值，则基于预测误差更新候选模型参数，返回至将至少一个训练样本各自的训练数据输入候选模型参数对应的故障检测模型，获得故障检测模型对至少一个训练数据分别预测获得的故障结果继续执行。

若预测误差大于或等于预设误差阈值，则确定此时的候选模型参数对应的故障检测模型的预测结果准确度较低，不满足收敛条件，需要继续进行训练，可以基于预测误差更新候选模型参数，继续进行模型训练。

可选地，基于预测误差更新候选模型参数可以包括：基于梯度下降算法和预测误差更新候选模型参数。还可以采用参数调整步长，对候选模型参数进行更新，获得新的候选模型参数。

本公开实施例中，在预测误差大于或等于误差阈值时，可以更新候选模型参数，以利用至少一个训练样本对候选模型参数对应的故障检测模型重新进行训练，实现对故障检测模型的模型参数的更新迭代。通过不断更新故障检测模型的模型参数，可以确保故障检测模型的高效训练，获得准确的目标预测模型。

在某些实施例中，对构建的故障检测模型进行参数初始化，获得候选模型参数之前，还包括：

利用梯度增强算法，构建参数未知的故障检测模型。

可选地，梯度增强算法可以包括catboost(Catgorical Boost，梯度提升)算法。利用梯度增强算法构建参数未知的故障检测模型可以与相关技术相同，为了描述的简洁性考虑，在此不再赘述。

本公开实施例中，可以采用梯度增强算法对故障检测模型进行构建，通过梯度增强算法可以实现通过梯度决策对故障进行准确检测，获得故障检测精度更高的故障检测模型。

为了对至少一个历史网络数据进行有效采集，以确保训练数据能够准确训练故障检测模型。如图5所示，为本公开实施例提供的一种故障预测方法的又一个实施例的流程图，其中，采集至少一个网络设备对应的至少一个历史网络数据，具体可以包括以下几个步骤：

501：获取至少一个网络设备对应的至少一个候选网络数据；至少一个候选网络数据分别对应有设备使用状态；设备使用状态包括：正常状态或异常状态。

设备使用状态为正常状态时，网络设备可以正常使用。设备使用状态为异常状态时，网络设备不能够正常使用。

至少一个候选网络数据可以为初始的网络数据。至少一个候选网络数据中设备使用状态为异常状态的网络数据的数量较少，但是，为了使得正常状态和异常状态的网络数据均衡，可以对故障预测模型的训练精度更高，获得的目标预测模型可以对异常状态和正常状态进行均衡预测，提高预测结果。

502；确定包括正常状态的设备使用状态和包括异常状态的设备使用状态对应的状态采样比例。

可选地，状态采样比例可以为1：1，也即正常状态的网络数据的数量和异常状态的网络数据的数量的相等。

503：按照状态采样比例，从至少一个候选网络数据中采集至少一个历史网络数据。

至少一个历史网络数据中处于正常状态的历史网络数据和处于异常状态的历史网络数据的比例可以为状态采样比例。

本公开实施例中，首先可以获取至少一个网络设备对应的至少一个候选网络数据。该至少一个候选网络数据可以分别对应有设备使用状态。设备使用状态可以包括正常状态或异常状态。通过确定包括正常状态的设备使用状态和包括异常状态的设备使用状态对应的状态采样比例，可以对正常状态和异常状态的候选网络数据按比例采集，通过按照状态采样比例，可以从至少一个候选网络数据中采集至少一个历史网络数据。至少一个历史网络数据中参与训练的正常状态的候选网络数据和异常状态的候选网络数据能够满状态采样比例，可以实现对故障预测模型的准确状态预测，实现正常状态或者异常状态有效分类。

作为又一个实施例，至少一个信息字段包括：告警时间字段、告警类型字段、故障信息字段、每秒正常访问数量字段、每秒异常访问数量字段中的至少一个。

告警时间字段可以记录数据的采集时间。告警类型字段可以记录网络数据的告警类型，例如可以包括紧急类型、正常类型或者普通异常类型等。故障信息字段可以用于记录设备使用状态，也即故障信息字段对应的字段信息可以用于确定设备使用状态，例如，假如故障信息字段的字段数据为1，则确定设备使用状态为设备异常，故障信息字段的字段数据为0，则确定设备使用状态为设备正常。每秒正常访问数量可以指网络设备每秒的正常访问数量。每秒异常访问数量可以指网络设备每秒的异常访问数量。

本公开实施例中，对至少一个信息字段进行了准确定义，也即定义至少一个信息字段可以包括告警时间字段、告警类型字段、故障信息字段、每秒正常访问数量字段、每秒异常访问数量字段中的至少一个，通过至少一个信息字段的准确定义，可以对不同信息字段进行字段分析，以利用至少一个信息字段实现网络数据的准确采集，提高数据的采集效率和准确性。

如图6所示，为本公开实施例提供的一种故障预测装置的一个实施例的结构示意图，该故障预测装置可以配置有前述实施例提供的故障预测方法，故障预测装置可以位于第二电子设备中，该故障预测装置600可以包括以下几个单元：

请求响应单元601，用于响应于针对目标网络设备的故障预测请求，采集目标网络设备的待预测数据；待预测数据包括至少一个信息字段分别对应的字段数据；

字段选择单元602：用于基于至少一个信息字段分别对应的字段权重，从至少一个信息字段中选择目标信息字段。

数据确定单元603：用于基于目标信息字段，确定待预测数据在目标信息字段对应的目标字段数据。

预测确定单元604：用于基于待预测数据在目标信息字段对应的目标字段数据，确定目标网络设备的目标预测数据。

故障预测单元605：用于将目标预测数据输入训练获得目标预测模型，获得网络设备的故障预测结果；目标预测模型基于上述实施例中涉及的故障预测模型的训练方法训练获得。

作为一个实施例，字段选择单元602，可以包括：

字段选择模块，用于利用至少一个信息字段分别对应的字段权重，从至少一个信息字段中选择字段权重高于权重阈值的目标信息字段。

在某些实施例中，该方法还可以包括：

数据采集单元：用于采集至少一个网络设备对应的至少一个历史网络数据；历史网络数据包括至少一个信息字段分别对应的字段数据；至少一个历史网络数据分别对应有设备使用状态。

权重计算单元，用于将至少一个历史网络数据输入随机森林算法，计算获得至少一个信息字段分别对应的字段权重；

在某些实施例中，如图7所示，在图6所示实施例的基础上，该装置还可以包括：

数据采集单元701：用于采集至少一个网络设备对应的至少一个历史网络数据；历史网络数据包括至少一个信息字段分别对应的字段数据；至少一个历史网络数据分别对应有设备使用状态。

字段确定单元702：确定至少一个信息字段中的目标信息字段。

数据选择单元703：用于从历史网络数据在至少一个信息字段分别对应的字段数据中，确定目标信息字段对应的目标字段数据，获得至少一个历史网络数据分别在目标信息字段对应的目标字段数据。

样本确定单元704：用于根据历史网络数据对应的设备使用状态和在目标信息字段对应的目标字段数据，确定历史网络数据对应的训练样本，以获得至少一个历史网络数据对应的至少一个训练样本。

模型训练单元705：用于利用至少一个训练样本，训练构建的故障预测模型，获得目标预测模型。

在某些实施例中，模型训练单元，可以包括：

参数确定模块，用于对构建的故障检测模型进行参数初始化，获得候选模型参数；

故障预测模块，用于将至少一个训练样本各自的训练数据输入候选模型参数对应的故障检测模型，获得故障检测模型对至少一个训练数据分别预测获得的故障结果；

误差计算模块，用于根据至少一个训练样本分别对应的故障结果和样本标签，进行误差计算，获得预测误差；

模型确定模块，用于若确定预测误差小于预设误差阈值，则确定候选模型参数对应的故障预测模型为目标预测模型。

作为又一个实施例，模型训练单元，还可以包括：

参数更新模块，用于若确定预测误差大于或等于误差阈值，则基于预测误差更新候选模型参数，返回至将至少一个训练样本各自的训练数据输入候选模型参数对应的故障检测模型，获得故障检测模型对至少一个训练数据分别预测获得的故障结果继续执行。

在某些实施例中，还包括：

模型构建单元，用于利用梯度增强算法，构建参数未知的故障检测模型。

作为一个实施例，数据采集单元，可以包括：

数据获取模块，用于获取至少一个网络设备对应的至少一个候选网络数据；至少一个候选网络数据分别对应有设备使用状态；设备使用状态包括：正常状态或异常状态；

比例确定模块，用于确定包括正常状态的设备使用状态和包括异常状态的设备使用状态对应的状态采样比例；

数据采样模块，用于按照状态采样比例，从至少一个候选网络数据中采集至少一个历史网络数据。

作为一个实施例，至少一个信息字段包括：告警时间字段、告警类型字段、故障信息字段、每秒正常访问数量字段、每秒异常访问数量字段中的至少一个。

本公开的预测模型训练装置可以用于执行预测模型训练方法，关于各个步骤的具体执行方式和技术效果可以参考与预测模型训练方法相关的实施例，在此不再赘述。

本公开的故障预测装置可以用于执行故障预测方法，关于各个步骤的具体执行方式和技术效果可以参考与故障预测方法相关的实施例，在此不再赘述。

上述电子设备可以是无线终端也可以是有线终端。无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端可以经无线接入网(Radio Access Network，简称RAN)与一个或多个核心网设备进行通信，无线终端可以是移动终端，如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。再例如，无线终端还可以是个人通信业务(Personal Communication Service，简称PCS)电话、无绳电话、会话发起协议(Session Initiation Protocol，简称SIP)话机、无线本地环路(Wireless Local Loop，简称WLL)站、个人数字助理(Personal Digital Assistant，简称PDA)等设备。无线终端也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station)，移动站(MobileStation)、移动台(Mobile)、远程站(Remote Station)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(User Agent)、用户设备(User Device or User Equipment)，在此不作限定。可选的，上述电子设备还可以是智能手表、平板电脑等设备。

图8是根据一示例性实施例示出的一种电子设备的框图，该设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的故障预测模型训练方法或者故障预测方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述故障预测模型训练方法或者故障预测方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，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。

一种非临时性计算机可读存储介质，当该存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述电子设备的故障预测模型训练方法或者故障预测方法。

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。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。

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书来限制。

Claims (13)

1.一种故障预测方法，其特征在于，包括：

响应于针对目标网络设备的故障预测请求，采集所述目标网络设备的待预测数据；所述待预测数据包括至少一个信息字段分别对应的字段数据；

基于至少一个所述信息字段分别对应的字段权重，从至少一个所述信息字段中选择目标信息字段；

根据所述目标信息字段，确定所述待预测数据在所述目标信息字段对应的目标字段数据；

基于所述待预测数据在所述目标信息字段对应的目标字段数据，确定所述目标网络设备的目标预测数据；

将所述目标预测数据输入训练获得目标预测模型，获得所述目标网络设备的故障预测结果。

2.根据权利要求1所述的方法，其特征在于，所述基于至少一个所述信息字段分别对应的字段权重，从至少一个所述信息字段中选择目标信息字段，包括：

利用至少一个所述信息字段分别对应的字段权重，从至少一个所述信息字段中选择字段权重高于权重阈值的目标信息字段。

3.根据权利要求1所述的方法，其特征在于，所述基于至少一个所述信息字段分别对应的字段权重，从至少一个所述信息字段中选择目标信息字段之前，还包括：

采集至少一个网络设备对应的至少一个历史网络数据；所述历史网络数据包括至少一个信息字段分别对应的字段数据；至少一个所述历史网络数据分别对应有设备使用状态；

将至少一个所述历史网络数据输入随机森林算法，计算获得至少一个所述信息字段分别对应的字段权重。

4.根据权利要求1所述的方法，其特征在于，所述目标预测模型的训练步骤包括：

采集至少一个网络设备对应的至少一个历史网络数据；所述历史网络数据包括至少一个信息字段分别对应的字段数据；至少一个所述历史网络数据分别对应有设备使用状态；

确定至少一个所述信息字段中的目标信息字段；

从所述历史网络数据在至少一个所述信息字段分别对应的字段数据中确定目标信息字段对应的目标字段数据，获得至少一个所述历史网络数据分别在所述目标信息字段对应的目标字段数据；

根据所述历史网络数据对应的设备使用状态和在所述目标信息字段对应的目标字段数据，确定所述历史网络数据对应的训练样本，以获得至少一个所述历史网络数据对应的至少一个训练样本；

利用至少一个所述训练样本，训练构建的故障预测模型，获得目标预测模型。

5.根据权利要求4所述的方法，其特征在于，所述利用至少一个所述训练样本，训练构建的故障预测模型，获得目标预测模型，包括：

对构建的所述故障检测模型进行参数初始化，获得候选模型参数；

将至少一个所述训练样本各自的训练数据输入所述候选模型参数对应的所述故障检测模型，获得所述故障检测模型对至少一个所述训练数据分别预测获得的故障结果；

根据至少一个所述训练样本分别对应的故障结果和样本标签，进行误差计算，获得预测误差；

若确定所述预测误差小于预设误差阈值，则确定所述候选模型参数对应的所述故障预测模型为所述目标预测模型。

6.根据权利要求5所述的方法，其特征在于，所述根据至少一个所述训练样本分别对应的故障结果和样本标签，进行误差计算，获得预测误差之后，还包括：

若确定所述预测误差大于或等于所述误差阈值，则基于所述预测误差更新所述候选模型参数，返回至所述将至少一个所述训练样本各自的训练数据输入所述候选模型参数对应的所述故障检测模型，获得所述故障检测模型对至少一个所述训练数据分别预测获得的故障结果继续执行。

7.根据权利要求4所述的方法，其特征在于，所述对构建的所述故障检测模型进行参数初始化，获得候选模型参数之前，还包括：

利用梯度增强算法，构建参数未知的所述故障检测模型。

8.根据权利要求3或4所述的方法，其特征在于，所述采集至少一个网络设备对应的至少一个历史网络数据，包括：

获取至少一个所述网络设备对应的至少一个候选网络数据；至少一个所述候选网络数据分别对应有设备使用状态；所述设备使用状态包括：正常状态或异常状态；

确定包括正常状态的设备使用状态和包括异常状态的设备使用状态对应的状态采样比例；

按照所述状态采样比例，从至少一个所述候选网络数据中采集至少一个所述历史网络数据。

9.根据权利要求1所述的方法，其特征在于，所述至少一个信息字段包括：告警时间字段、告警类型字段、故障信息字段、每秒正常访问数量字段、每秒异常访问数量字段中的至少一个。

10.一种故障预测装置，其特征在于，包括：

请求响应单元，用于响应于针对目标网络设备的故障预测请求，采集所述目标网络设备的待预测数据；所述待预测数据包括至少一个信息字段分别对应的字段数据；

字段确定单元，用于确定至少一个所述信息字段中的目标信息字段；

数据确定单元，用于基于至少一个所述信息字段分别对应的字段权重，从至少一个所述信息字段中选择目标信息字段；

预测确定单元，用于基于所述待预测数据在所述目标信息字段对应的目标字段数据，确定所述目标网络设备的目标预测数据；

故障预测单元，用于将所述目标预测数据输入训练获得目标预测模型，获得所述网络设备的故障预测结果。

11.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-9所述的故障预测方法中的任一种。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-9所述的故障预测方法中的任一种。

13.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-9所述的故障预测方法中的任一种。

Images