CN115208741A - 一种基于网络设备的故障监控方法、装置、设备及介质 - Google Patents

一种基于网络设备的故障监控方法、装置、设备及介质 Download PDF

Info

Publication number
CN115208741A
CN115208741A CN202210790397.3A CN202210790397A CN115208741A CN 115208741 A CN115208741 A CN 115208741A CN 202210790397 A CN202210790397 A CN 202210790397A CN 115208741 A CN115208741 A CN 115208741A
Authority
CN
China
Prior art keywords
network data
time period
network
fault
type
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.)
Pending
Application number
CN202210790397.3A
Other languages
English (en)
Inventor
叶强
张正卿
胡强
张瑞帅
林建森
高娅楠
韩喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202210790397.3A priority Critical patent/CN115208741A/zh
Publication of CN115208741A publication Critical patent/CN115208741A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/064—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供的一种基于网络设备的故障监控方法、装置、设备及介质，包括：监控获取的网络设备中的网络数据，以及该网络数据获取的时间点；确定该网络数据的类型，并根据该网络数据的类型，对该网络数据进行预处理，以确定该网络设备是否满足故障判断条件；在确定该网络设备满足该故障判断条件时，从该网络数据的类型对应的时序特征库中获取涵盖该获取的时间点的时间段所对应的阈值，并根据该网络数据和阈值，在确定该网络设备存在故障时，生成故障报警信息。解决了现有技术中网络设备异常的误判断的技术问题。

Description

一种基于网络设备的故障监控方法、装置、设备及介质
技术领域
本申请涉及通信技术领域，尤其涉及一种基于网络设备的故障监控方法、装置、设备及介质。
背景技术
为了判断网络设备是否存在故障，往往会对网络设备中的网络数据进行监控。网络数据一般分为两类：一类是成功率类型的网络数据，例如核心网网元接入和移动管理功能(Access and Mobility Management Function，简称：AMF)设备中的注册成功率和核心网网元用户平面功能(User Plane Function，简称：UPF)设备中的会话建立成功率；另一类是用户数或者流量类型的网络数据，例如AMF设备中的注册用户数、UPF设备中的用户会话数和流量。
现有技术中，判断网络设备的故障可以通过上述的网络数据是否异常来进行判断，例如：通过为网络数据划定阈值，来判定网络数据是否异常。例如为成功率类型的网络数据设置成功率阈值，为用户数或者流量类型的网络数据设置用户数或者流量阈值，当网络数据小于相应的阈值时，则判定该网络数据异常。
然而，这种异常的判断方法会经常出现误判断，举例来说，以AMF设备中的注册成功率为例，虽然由AMF设备或AMF上的基站故障导致了失败，但是由于该失败发生时属于网络繁忙阶段，即该阶段可能有高达100万次注册请求，因此，其注册业务请求的成功率(即网络数据)还是可能会高于预先设置的成功率阈值，进而基于该成功率而忽略了网络设备的故障。另外，虽然网络设备没有故障，但是判断阶段属于网络较为空闲时段，即该阶段业务请求可能才有1000次，由此对应的注册业务请求的成功率可能反而会低于预先设置的成功率阈值，进而基于该成功率对网络设备进行误判，并由此产生了不必要的故障检查工作。因此，本申请亟需一种方式能够有效地解决现有技术对网络设备异常的误判断。
发明内容
本申请提供一种基于网络设备的故障监控方法、装置、设备及介质，用于解决现有技术中网络设备异常的误判断的技术问题。
第一方面，本申请提供一种基于网络设备的故障监控方法，包括：监控获取的网络设备中的网络数据，以及所述网络数据获取的时间点；确定所述网络数据的类型，并根据所述网络数据的类型，对所述网络数据进行预处理，以确定所述网络设备是否满足故障判断条件；在确定所述网络设备满足所述故障判断条件时，从所述网络数据的类型对应的时序特征库中获取涵盖所述获取的时间点的时间段所对应的阈值，并根据所述网络数据和阈值，在确定所述网络设备存在故障时，生成故障报警信息。
在一种具体实施方式中，所述网络数据的类型为成功率类型，所述根据所述网络数据的类型，对所述网络数据进行预处理，以确定所述网络设备是否满足故障判断条件，包括：判断所述网络数据是否小于第一预设成功率阈值；若判断出所述网络数据小于所述第一预设成功率阈值，则确定所述网络设备满足所述故障判断条件。
在一种具体实施方式中，所述在确定所述网络设备满足所述故障判断条件时，从所述网络数据的类型对应的时序特征库中获取涵盖所述获取的时间点的时间段所对应的阈值，并根据所述网络数据和阈值，在确定所述网络设备存在故障时，生成故障报警信息，包括：在确定所述网络设备满足所述故障判断条件时，从成功率类型对应的第一时序特征库中获取涵盖所述获取的时间点的时间段所对应的第二预设成功率阈值，并在确定所述网络数据小于所述第二预设成功率阈值时，确定所述网络设备故障，并生成故障报警信息。
在一种具体实施方式中，所述网络数据的类型为用户数或者流量类型，所述根据所述网络数据的类型，对所述网络数据进行预处理，以确定所述网络设备是否满足故障判断条件，包括：对所述网络数据和前一网络数据进行误差迭代处理，以获取第一迭代误差值，并判断所述第一迭代误差值是否大于预设迭代误差阈值；其中，所述前一网络数据为所述网络数据获取的时间点的前一时间点监控获取的所述网络设备中的网络数据；若判断出所述第一迭代误差值大于所述预设迭代误差阈值，则确定所述网络设备满足所述故障判断条件。
在一种具体实施方式中，所述在确定所述网络设备满足所述故障判断条件时，从所述网络数据的类型对应的时序特征库中获取涵盖所述获取的时间点的时间段所对应的阈值，并根据所述网络数据和阈值，在确定所述网络设备存在故障时，生成故障报警信息，包括：在确定所述网络设备满足所述故障判断条件时，从用户数或者流量类型对应的第二时序特征库中获取涵盖所述获取的时间点的时间段所对应的预设用户数或者流量值，并对所述网络数据和预设用户数或者流量值进行误差迭代处理，以获取第二迭代误差值；在确定所述第二迭代误差值大于所述预设迭代误差阈值时，确定所述网络设备故障，并生成故障报警信息。
在一种具体实施方式中，所述基于网络设备的故障监控方法还包括：若网络数据的类型为成功率类型，则获取预设时间段内所述网络设备中的待训练的网络数据，并按照预设的时间粒度，分别对所述预设时间段中的每一天进行划分，获取每一天内的不同时间段对应的待训练的网络数据；对所述预设时间段内每天中相同的时间段对应的网络数据进行采样，并将采样的网络数据中频率最高的网络数据作为所述时间段对应的阈值。
在一种具体实施方式中，所述基于网络设备的故障监控方法还包括：若网络数据的类型为用户数或者流量类型，则获取一天内所述网络设备中的待训练的网络数据，并根据波峰和波谷特性，对所述一天进行划分，分别获取波峰时间段、波谷时间段、波峰至波谷时间段，以及波谷至波峰时间段；按照时间粒度分别对所述波峰时间段、波谷时间段、波峰至波谷时间段以及波谷至波峰时间段进行划分，并分别获取每个时间段下每个子时间段对应的待训练的用户数或者流量值；对于每个时间段，分别对每个时间段下的子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为所述子时间段对应的预设用户数或者流量值。
第二方面，本申请提供一种基于网络设备的故障监控装置，包括：获取模块，用于监控获取的网络设备中的网络数据，以及所述网络数据获取的时间点；预处理模块，用于确定所述网络数据的类型，并根据所述网络数据的类型，对所述网络数据进行预处理，以确定所述网络设备是否满足故障判断条件；处理模块，用于在确定所述网络设备满足所述故障判断条件时，从所述网络数据的类型对应的时序特征库中获取涵盖所述获取的时间点的时间段所对应的阈值，并根据所述网络数据和阈值，在确定所述网络设备存在故障时，生成故障报警信息。
在一种具体实施方式中，所述网络数据的类型为成功率类型，所述预处理模块，具体用于：判断所述网络数据是否小于第一预设成功率阈值；若判断出所述网络数据小于所述第一预设成功率阈值，则确定所述网络设备满足所述故障判断条件。
在一种具体实施方式中，所述处理模块，具体用于：在确定所述网络设备满足所述故障判断条件时，从成功率类型对应的第一时序特征库中获取涵盖所述获取的时间点的时间段所对应的第二预设成功率阈值，并在确定所述网络数据小于所述第二预设成功率阈值时，确定所述网络设备故障，并生成故障报警信息。
在一种具体实施方式中，所述网络数据的类型为用户数或者流量类型，所述预处理模块，具体用于：对所述网络数据和前一网络数据进行误差迭代处理，以获取第一迭代误差值，并判断所述第一迭代误差值是否大于预设迭代误差阈值；其中，所述前一网络数据为所述网络数据获取的时间点的前一时间点监控获取的所述网络设备中的网络数据；若判断出所述第一迭代误差值大于所述预设迭代误差阈值，则确定所述网络设备满足所述故障判断条件。
在一种具体实施方式中，所述处理模块，具体用于：在确定所述网络设备满足所述故障判断条件时，从用户数或者流量类型对应的第二时序特征库中获取涵盖所述获取的时间点的时间段所对应的预设用户数或者流量值，并对所述网络数据和预设用户数或者流量值进行误差迭代处理，以获取第二迭代误差值；在确定所述第二迭代误差值大于所述预设迭代误差阈值时，确定所述网络设备故障，并生成故障报警信息。
在一种具体实施方式中，所述基于网络设备的故障监控装置还包括训练模块，用于若网络数据的类型为成功率类型，则获取预设时间段内所述网络设备中的待训练的网络数据，并按照预设的时间粒度，分别对所述预设时间段中的每一天进行划分，获取每一天内的不同时间段对应的待训练的网络数据；所述训练模块还用于对所述预设时间段内每天中相同的时间段对应的网络数据进行采样，并将采样的网络数据中频率最高的网络数据作为所述时间段对应的阈值。
在一种具体实施方式中，所述基于网络设备的故障监控装置还包括训练模块，用于若网络数据的类型为用户数或者流量类型，则获取一天内所述网络设备中的待训练的网络数据，并根据波峰和波谷特性，对所述一天进行划分，分别获取波峰时间段、波谷时间段、波峰至波谷时间段，以及波谷至波峰时间段；所述训练模块还用于按照时间粒度分别对所述波峰时间段、波谷时间段、波峰至波谷时间段以及波谷至波峰时间段进行划分，并分别获取每个时间段下每个子时间段对应的待训练的用户数或者流量值；对于每个时间段，分别对每个时间段下的子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为所述子时间段对应的预设用户数或者流量值。
第三方面，本申请提供一种电子设备，包括：
处理器，存储器，通信接口；
所述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第一方面所述的基于网络设备的故障监控方法。
第四方面，本申请提供一种可读存储介质，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第一方面所述的基于网络设备的故障监控方法。
本申请提供一种基于网络设备的故障监控方法、装置、设备及介质，通过监控获取的网络设备中的网络数据，以及该网络数据获取的时间点；确定该网络数据的类型，并根据该网络数据的类型，对该网络数据进行预处理，以确定该网络设备是否满足故障判断条件；在确定该网络设备满足该故障判断条件时，从该网络数据的类型对应的时序特征库中获取涵盖该获取的时间点的时间段所对应的阈值，并根据该网络数据和阈值，在确定该网络设备存在故障时，生成故障报警信息。由于本申请先根据从网络设备获取的网络数据的类型，对网络数据进行预处理，以选取满足故障判断条件的网络数据进行后续处理，因此，不仅减少了网络数据的处理量，还一定程度提升了网络设备故障判断的效率；另外，由于是以时序特征库中获取的对应时间段的阈值为基准进行异常判断，因此进一步有效地提高了网络设备是否异常的正确率，减少了误判断的可能性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种基于网络设备的故障监控方法的通信系统结构图；
图2为本申请提供的一种基于网络设备的故障监控方法实施例一的流程示意图；
图3为本申请提供的一种基于网络设备的故障监控方法实施例二的流程示意图；
图4为本申请提供的一种基于网络设备的故障监控方法实施例三的流程示意图；
图5为本申请提供的一种基于网络设备的故障监控方法实施例四的流程示意图；
图6a为AMF设备中获取的预设时间段内的注册成功率的示意图；
图6b为UPF设备中获取的用户数的示意图；
图7为本申请提供的一种基于网络设备的故障监控装置实施例的结构示意图；
图8为本申请提供的另一种基于网络设备的故障监控装置实施例的结构示意图；
图9为本申请提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在根据本实施例的启示下作出的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先对本申请所涉及的名词进行解释：
成功率类型的网络数据：属于量化网络性能指标，用于评价网络设备性能，网络数据值为成功率值。例如核心网网元AMF设备中的注册成功率和核心网网元UPF设备中的会话建立成功率。成功率类型的网络数据的异常往往指向网络设备的故障，例如AMF设备中的注册成功率异常可能是AMF上的基站存在故障导致的。
用户数或者流量类型的网络数据：属于量化网络性能指标，用于评价网络设备性能，网络数据值为用户数或者流量值。例如AMF设备中的注册用户数、UPF设备中的用户会话数和流量。用户数或者流量类型的网络数据的异常往往指向网络设备的故障，例如UPF设备中的用户会话数异常可能是UPF设备存在故障导致的。
现有技术中，一般通过默认阈值来判定获取的上述两种网络数据是否异常，进而判定网络设备是否存在故障。然而，在这种判定方式中，获取的网络数据容易受网络环境影响，例如网络忙时和闲时影响较大，以及网络中存在的不指向网络设备故障的因素，例如已销户的用户识别卡(Subscriber Identity Module，简称SIM)向AMF发起注册请求，被AMF拒绝而导致的请求失败，也被计入注册成功率的计算中，从而导致错误地将正常网络数据判定为异常，或者将异常网络数据判定为正常，进而导致对网络设备是否存在故障的错误判定，且如果一旦错误判定网络设备出现故障，还需要进一步在对网络设备进行维护等工作，进而带来了不必要的工作，造成了成本的浪费。
基于上述技术问题，本申请的发明构思在于：如何准确地识别异常的网络数据，进而准确地判断网络设备是否存在故障。
本申请提供的基于网络设备的故障监控方法，可以适用于图1所示的通信系统架构示意图。如图1所示，该通信系统包括：网络设备11和基于网络设备的故障监控装置12。其中，网络设备11可以是核心网网元AMF设备或UPF设备。网络设备11将网络数据推送给基于网络设备的故障监控装置12，以供基于网络设备的故障监控装置12根据网络数据确定网络设备11是否存在故障，并在确定网络设备11存在故障时，生成故障报警信息。
下面，通过具体实施例对本申请的技术方案进行详细说明。需要说明的是，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。
图2为本申请提供的一种基于网络设备的故障监控方法实施例一的流程示意图。参见图2，该基于网络设备的故障监控方法具体包括以下步骤：
步骤S201：监控获取的网络设备中的网络数据，以及该网络数据获取的时间点。
在本实施例中，网络设备按照一定的时间间隔向基于网络设备的故障监控装置推送网络数据。示例性地，网络设备可以每15分钟进行一次网络数据的推送。
正如上述所示，网络数据包括但不限于成功率类型的网络数据和用户数或者流量类型的网络数据。其中，对于成功率类型的网络数据，例如AMF设备中的注册成功率，AMF设备将15分钟内所有的注册成功次数与所有的注册请求次数相比，得到注册成功率，并将该注册成功率作为网络数据推送给基于网络设备的故障监控装置。对于用户数或者流量类型的网络数据，例如AMF设备中的注册用户数，AMF设备将15分钟内注册用户数的峰值作为网络数据推送给基于网络设备的故障监控装置。
另外，基于网络设备的故障监控装置监控获取网络设备中的网络数据后，同时要记录获取该网络数据获取的时间点，例如，可以以时间字典的方式进行记录，即以{Time＝Value}的方式记录，其中，Value为网络数据值，Time为该网络数据获取的时间点。
步骤S202：确定该网络数据的类型，并根据该网络数据的类型，对该网络数据进行预处理，以确定该网络设备是否满足故障判断条件。
在本实施例中，可以根据网络数据的数据特征确定该网络数据的类型。具体地，若网络数据为百分比型数据，则确定该网络数据的类型是成功率类型；若网络数据为整数型数据，则确定该网络数据的类型是用户数或者流量类型。根据网络数据的类型，对网络数据进行相应的预处理，以确定网络设备是否满足故障判断条件。
举例来说，对于成功率类型的网络数据，当成功率超过一定的阈值时，认为网络设备达到网络性能指标，不存在故障风险。而成功率低于一定的阈值时，则认为网络设备可能存在故障风险，即网络设备满足故障判断条件。因此在根据成功率类型的网络数据判断网络设备是否存在故障之前，可以先对网络数据进行预处理，选取低于一定阈值的网络数据进行后续处理，以减少网络数据的异常处理量，一定程度提升了故障判断的效率。
对于用户数或者流量类型的网络数据，当用户数或者流量值仅小幅度波动，不存在大幅增加或大幅减少时，认为网络设备达到网络性能指标，不存在故障风险。而用户数或者流量值在短时间内有大幅增加或大幅减少时，则认为网络设备存在故障风险，即网络设备满足故障判断条件。因此在根据用户数或者流量类型的网络数据判断网络设备是否存在故障之前，可以对网络数据预处理，选取波动幅度较大的网络数据进行后续处理，减少网络数据的处理量，提升网络设备故障判断的效率。
步骤S203：在确定该网络设备满足该故障判断条件时，从该网络数据的类型对应的时序特征库中获取涵盖该获取的时间点的时间段所对应的阈值，并根据该网络数据和阈值，在确定该网络设备存在故障时，生成故障报警信息。
在本实施例中，不同类型的网络数据对应不同的时序特征库。例如，成功率类型的网络数据对应成功率类型的时序特征库，用户数或者流量类型的网络数据对应用户数或者流量类型的时序特征库。
另外，进一步举例来说，时序特征库可以以时间字典的方式存储各个时间段所对应的阈值来表达：
LV＝[{Time1＝Value1},{Time2＝Value2},…,{TimeN＝ValueN}]
其中，Time1、Time2、…、TimeN分别对应各个时间段，Value1、Value2、…、ValueN为相应时间段所对应的阈值。例如{12:00＝95％}对应时间段12:00-12:15，该时间段对应的阈值为95％。
具体的，以成功率类型的网络数据为例，获取网络设备中的网络数据{12:05＝94％}，即，时间点12:05获取的成功率为94％。设定成功率低于98％时，成功率94％小于98％，则认为网络设备可能存在故障风险，即网络设备满足故障判断条件。在满足故障判断条件时，从成功率类型对应的时序特征库中获取涵盖该获取的时间点12:05的时间段所对应的阈值，时间段12:00-12:15涵盖时间点12:05，该时间段对应的阈值为95％，时间点12:05获取的成功率为94％小于95％，则可以确定该网络设备是存在故障，从而生成故障报警信息，以提醒维护人员对网络设备进行故障检测。
在本实施例中，基于网络设备的故障监控装置监控获取网络设备中的网络数据，以及该网络数据获取的时间点；确定该网络数据的类型，并根据该网络数据的类型，对该网络数据进行预处理，以确定该网络设备是否满足故障判断条件；在确定该网络设备满足该故障判断条件时，从该网络数据的类型对应的时序特征库中获取涵盖该获取的时间点的时间段所对应的阈值，并根据该网络数据和阈值，在确定该网络设备存在故障时，生成故障报警信息。由于本申请先根据从网络设备获取的网络数据的类型，对网络数据进行预处理，以选取满足故障判断条件的网络数据进行后续处理，因此，不仅减少了网络数据的处理量，还一定程度提升了网络设备故障判断的效率；另外，由于是以时序特征库中获取的对应时间段的阈值为基准进行异常判断，因此进一步有效地提高了网络设备是否异常的正确率，减少了误判断的可能性。
图3为本申请提供的一种基于网络设备的故障监控方法实施例二的流程示意图，在上述图2所示实施例的基础上，参见图3，该步骤202和步骤203的一种具体实现方式为：
步骤S301：确定该网络数据的类型，若确定该网络数据的类型为成功率类型，则判断该网络数据是否小于第一预设成功率阈值，若判断出该网络数据小于该第一预设成功率阈值，则确定该网络设备满足该故障判断条件。
步骤S302：在确定该网络设备满足该故障判断条件时，从成功率类型对应的第一时序特征库中获取涵盖该获取的时间点的时间段所对应的第二预设成功率阈值，并在确定该网络数据小于该第二预设成功率阈值时，确定该网络设备故障，并生成故障报警信息。
在本实施例中，在根据网络数据判断网络设备是否存在故障之前，可以先根据网络数据的类型，对网络数据进行相应的预处理。若确定该网络数据的类型为成功率类型，则判断该网络数据是否小于第一预设成功率阈值。
具体地，以AMF设备中的注册成功率为例，设定第一预设成功率阈值为98％。在时间点12:05获取的注册成功率为94％，小于第一预设成功率阈值98％，则确定该AMF设备满足故障判断条件。
在确定该AMF设备满足故障判断条件时，从注册成功率对应的第一时序特征库中获取涵盖时间点12:05的时间段所对应的第二预设成功率阈值。
示例性地，AMF设备中的注册成功率对应的第一时序特征库为LV1＝[{00:00＝96％},…,{12:00＝95％},…,{23:45＝92％}]，其中，{12:00＝95％}对应时间段12:00-12:15，该时间段对应的阈值为95％。时间段12:00-12:15涵盖时间点12:05，则涵盖时间点12:05的时间段所对应的第二预设成功率阈值为95％。
时间点12:05获取的注册成功率为94％，小于第二预设成功率阈值95％，则确定该AMF设备故障，生成故障报警信息。
在本实施例中，通过判断网络数据是否小于第一预设成功率阈值，对成功率类型的网络数据进行相应的预处理，选取满足故障判断条件的网络数据进行后续处理，进一步减少了网络数据的处理量，提升了网络设备故障判断的效率；将满足故障判断条件的网络数据与从第一时序特征库中获取的对应时间段的第二预设成功率阈值相比较，在确定网络数据小于第二预设成功率阈值时，确定网络设备存在故障，能够以各时间段的成功率阈值为基准进行异常判断，进一步有效地提高了网络设备是否异常的正确率，减少了误判断的可能性。
图4为本申请提供的一种基于网络设备的故障监控方法实施例三的流程示意图，在上述图2所示实施例的基础上，参见图4，该步骤202和步骤203的一种具体实现方式为：
步骤S401：确定该网络数据的类型，若确定该网络数据的类型为用户数或者流量类型，则对该网络数据和前一网络数据进行误差迭代处理，以获取第一迭代误差值，并判断该第一迭代误差值是否大于预设迭代误差阈值。
其中，该前一网络数据为该网络数据获取的时间点的前一时间点监控获取的该网络设备中的网络数据；若判断出该第一迭代误差值大于该预设迭代误差阈值，则确定该网络设备满足该故障判断条件。
步骤S402：在确定该网络设备满足该故障判断条件时，从用户数或者流量类型对应的第二时序特征库中获取涵盖该获取的时间点的时间段所对应的预设用户数或者流量值，并对该网络数据和预设用户数或者流量值进行误差迭代处理，以获取第二迭代误差值；在确定该第二迭代误差值大于该预设迭代误差阈值时，确定该网络设备故障，并生成故障报警信息。
在本实施例中，在根据网络数据判断网络设备是否存在故障之前，可以先根据网络数据的类型，对网络数据进行相应的预处理。若确定该网络数据的类型为用户数或者流量类型，则对该网络数据和前一网络数据进行误差迭代处理，以获取第一迭代误差值，前一网络数据为该网络数据获取的时间点的前一时间点监控获取的该网络设备中的网络数据。
具体地，以AMF设备中的注册用户数为例，对当前时间点获取的注册用户数a[n]和前一时间点获取的注册用户数a[n-1]进行误差迭代处理，采用公式：
Figure BDA0003733671230000121
确定第一迭代误差值ε1。
示例性地，在时间点12:05获取的注册用户数为740k，k代表1000，此时的注册用户数为740000个。在前一时间点11:50获取的注册用户数为710k，采用上述公式进行误差迭代处理，得到第一迭代误差值ε1为4％。
判断第一迭代误差值ε1是否大于预设迭代误差阈值，若第一迭代误差值ε1大于该预设迭代误差阈值，则确定该网络设备满足该故障判断条件。示例性地，预设迭代误差阈值为2％。第一迭代误差值ε1为4％，大于2％，则表明注册用户数有大幅波动，AMF设备存在故障风险，确定该AMF设备满足故障判断条件。
在确定该AMF设备满足故障判断条件时，从注册用户数对应的第二时序特征库中获取涵盖该获取的时间点的时间段所对应的预设注册用户数。对当前时间点获取的注册用户数a[n]和预设注册用户数b[n]进行误差迭代处理，采用公式：
Figure BDA0003733671230000131
确定第二迭代误差值ε2。
在本实施例中，示例性地，注册用户数对应的第二时序特征库为LV2＝[{00:00＝590k},…,{12:00＝715k},…,{23:00＝610k}]，其中，{12:00＝715k}对应时间段12:00-13:00，该时间段对应的预设注册用户数为715k。时间段12:00-13:00涵盖时间点12:05，则涵盖时间点12:05的时间段所对应的预设注册用户数为715k。
对在时间点12:05获取的注册用户数740k和预设注册用户数715k采用上述公式进行误差迭代处理，得到第二迭代误差值ε2为3.5％。
判断第二迭代误差值ε2是否大于预设迭代误差阈值，在确定第二迭代误差值ε2大于预设迭代误差阈值时，确定该网络设备故障，并生成故障报警信息。示例性地，预设迭代误差阈值为2％。第二迭代误差值ε2为3.5％，大于2％，则确定该AMF设备故障。
在本实施例中，通过对当前网络数据和前一网络数据进行误差迭代处理，获取第一迭代误差值，并判断该第一迭代误差值是否大于预设迭代误差阈值，对用户数或者流量类型的网络数据进行相应的预处理，选取满足故障判断条件的网络数据进行后续处理，进一步减少了网络数据的处理量，提升了网络设备故障判断的效率；将满足故障判断条件的网络数据与从第二时序特征库中获取的对应时间段的预设用户数或者流量值进行误差迭代处理，获取第二迭代误差值，在确定该第二迭代误差值大于预设迭代误差阈值时，确定网络设备存在故障，能够以各时间段的预设用户数或者流量值为基准进行异常判断，进一步有效地提高了网络设备是否异常的正确率，减少了误判断的可能性。
图5为本申请提供的一种基于网络设备的故障监控方法实施例四的流程示意图，在上述图2至图4所示任一实施例的基础上，参见图5，该基于网络设备的故障监控方法还包括如下步骤：
步骤S501：若网络数据的类型为成功率类型，则获取预设时间段内该网络设备中的待训练的网络数据，并按照预设的时间粒度，分别对该预设时间段中的每一天进行划分，获取每一天内的不同时间段对应的待训练的网络数据；对该预设时间段内每天中相同的时间段对应的网络数据进行采样，并将采样的网络数据中频率最高的网络数据作为该时间段对应的阈值。
在本实施例中，若网络数据的类型为成功率类型，则获取预设时间段内该网络设备中的待训练的网络数据，预设时间段可以为1个月。图6a为AMF设备中获取的预设时间段内的注册成功率的示意图。例如，图6a中可以具体以6月13日至6月23日作为预设时间段。
具体的，按照预设的时间粒度，对该预设时间段中的每天进行划分，时间粒度可以为15分钟。即，按照15分钟的时间粒度对每天进行划分，得到多个时间段00:00-00:15、00:16-00:30、…、23:30-23:45、23:46-24:00，获取每天的不同时间段对应的待训练的注册成功率值。
对一个月内每天中的相同的时间段对应的网络数据进行采样，例如对每天12:00-12:15对应的网络数据进行采样，例如得到采样的注册成功率值为95％，一个月就得到30个采样的注册成功率值，将30个采样的注册成功率值中出现频率最高的注册成功率值作为12:00-12:15对应的阈值。例如30个采样的注册成功率值中，95％出现了15次，96％出现了10次，93％出现了5次，则将95％作为12:00-12:15对应的阈值。
以时间字典的方式存储各个时间段所对应的阈值，得到成功率类型对应的第一时序特征库LV1＝[{Time1＝Value1},{Time2＝Value2},…,{TimeN＝ValueN}]。其中，Time1、Time2、…、TimeN分别对应各个时间段，Value1、Value2、…、ValueN为相应时间段所对应的阈值。例如{12:00＝95％}对应时间段12:00-12:15，该时间段对应的阈值为95％。
步骤S502：若网络数据的类型为用户数或者流量类型，则获取一天内该网络设备中的待训练的网络数据，并根据波峰和波谷特性，对一天进行划分，分别获取波峰时间段、波谷时间段、波峰至波谷时间段，以及波谷至波峰时间段。
步骤S503：按照时间粒度分别对波峰时间段、波谷时间段、波峰至波谷时间段以及波谷至波峰时间段进行划分，并分别获取每个时间段下每个子时间段对应的待训练的用户数或者流量值，对于每个时间段，分别对每个时间段下的子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为该子时间段对应的预设用户数或者流量值。
具体的，按照时间粒度对该波峰时间段进行划分，获取多个波峰子时间段对应的待训练的用户数或者流量值，对每个波峰子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为该波峰子时间段对应的预设用户数或者流量值。
按照时间粒度对该波谷时间段进行划分，获取多个波谷子时间段对应的待训练的用户数或者流量值，对每个波谷子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为该波谷子时间段对应的预设用户数或者流量值。
按照时间粒度对该波峰至波谷时间段进行划分，获取多个波峰至波谷子时间段对应的待训练的用户数或者流量值，对每个波峰至波谷子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为该波峰至波谷子时间段对应的预设用户数或者流量值。
按照时间粒度对该波谷至波峰时间段进行划分，获取多个波谷至波峰子时间段对应的待训练的用户数或者流量值，对每个波谷至波峰子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为该波谷至波峰子时间段对应的预设用户数或者流量值。
在本实施例中，若网络数据的类型为用户数或者流量类型，则获取一天内网络设备中的待训练的网络数据。图6b为UPF设备中获取的用户数的示意图。
根据波形图的波峰和波谷特性，可以在时间轴上将一天划分为波峰时间段、波谷时间段、波峰至波谷时间段以及波谷至波峰时间段。以6月20日UPF设备获取中的用户数为例，波峰时间段为09:00-18:00，波谷时间段为00:00-06:00，波峰至波谷时间段为18:00-24:00，波谷至波峰时间段为06:00-09:00。
以波峰时间段为例，按照时间粒度对该波峰时间段进行划分，时间粒度可以为1小时，按照1小时的时间粒度对波峰时间段09:00-18:00进行划分，得到9个波峰子时间段09:00-10:00、10:00-11:00、…、17:00-18:00，获取9个波峰子时间段对应的待训练的用户数。
按照15分钟的采样间隔，对每个波峰子时间段对应的用户数进行采样，每个波峰子时间段采样得到4个用户数，取4个用户数中出现频率最高的，作为该波峰子时间对应的预设用户数。以波峰子时间段09:00-10:00为例，采样得到4个用户数709k、710k、710k、712k，取4个用户数中出现频率最高的710k，作为波峰子时间段09:00-10:00对应的预设用户数。
以时间字典的方式存储各个时间段所对应的阈值，得到用户数或者流量类型对应的第二时序特征库LV2＝[{Time1＝Value1},{Time2＝Value2},…,{TimeN＝ValueN}]。其中，Time1、Time2、…、TimeN分别对应各个时间段，Value1、Value2、…、ValueN为相应时间段所对应的阈值。例如{09:00＝710k}对应时间段09:00-10:00，该时间段对应的阈值为710k。
在本实施例中，分别根据网络数据的类型，获取网络设备中的待训练的网络数据进行训练，得到各时间段对应的成功率阈值或预设用户数或者流量值，进而形成成功率类型对应的第一时序特征库或用户数或者流量类型对应的第二时序特征库，为判断网络数据是否异常，进而进行网络设备的故障判断，提供了依据。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图7为本申请提供的一种基于网络设备的故障监控装置实施例的结构示意图；如图7所示，该基于网络设备的故障监控装置70包括：获取模块71，预处理模块72和处理模块73。其中，获取模块71用于监控获取的网络设备中的网络数据，以及该网络数据获取的时间点。预处理模块72用于确定该网络数据的类型，并根据该网络数据的类型，对该网络数据进行预处理，以确定该网络设备是否满足故障判断条件。处理模块73用于在确定该网络设备满足该故障判断条件时，从该网络数据的类型对应的时序特征库中获取涵盖该获取的时间点的时间段所对应的阈值，并根据该网络数据和阈值，在确定该网络设备存在故障时，生成故障报警信息。
本申请实施例提供的基于网络设备的故障监控装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
在一种可能的实施方案中，该网络数据的类型为成功率类型，预处理模块72具体用于判断该网络数据是否小于第一预设成功率阈值；若判断出该网络数据小于该第一预设成功率阈值，则确定该网络设备满足该故障判断条件。
在一种可能的实施方案中，处理模块73具体用于在确定该网络设备满足该故障判断条件时，从成功率类型对应的第一时序特征库中获取涵盖该获取的时间点的时间段所对应的第二预设成功率阈值，并在确定该网络数据小于该第二预设成功率阈值时，确定该网络设备故障，并生成故障报警信息。
本申请实施例提供的基于网络设备的故障监控装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
在一种可能的实施方案中，该网络数据的类型为用户数或者流量类型，预处理模块72具体用于对该网络数据和前一网络数据进行误差迭代处理，以获取第一迭代误差值，并判断该第一迭代误差值是否大于预设迭代误差阈值；其中，该前一网络数据为该网络数据获取的时间点的前一时间点监控获取的该网络设备中的网络数据；若判断出该第一迭代误差值大于该预设迭代误差阈值，则确定该网络设备满足该故障判断条件。
在一种可能的实施方案中，处理模块73具体用于在确定该网络设备满足该故障判断条件时，从用户数或者流量类型对应的第二时序特征库中获取涵盖该获取的时间点的时间段所对应的预设用户数或者流量值，并对该网络数据和预设用户数或者流量值进行误差迭代处理，以获取第二迭代误差值；在确定该第二迭代误差值大于该预设迭代误差阈值时，确定该网络设备故障，并生成故障报警信息。
本申请实施例提供的基于网络设备的故障监控装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
图8为本申请提供的另一种基于网络设备的故障监控装置实施例的结构示意图；如图8所示，该基于网络设备的故障监控装置80包括：获取模块81，预处理模块82，处理模块83和训练模块84。其中，获取模块81用于监控获取的网络设备中的网络数据，以及该网络数据获取的时间点。预处理模块82用于确定该网络数据的类型，并根据该网络数据的类型，对该网络数据进行预处理，以确定该网络设备是否满足故障判断条件。处理模块83用于在确定该网络设备满足该故障判断条件时，从该网络数据的类型对应的时序特征库中获取涵盖该获取的时间点的时间段所对应的阈值，并根据该网络数据和阈值，在确定该网络设备存在故障时，生成故障报警信息。
若网络数据的类型为成功率类型，训练模块84用于获取预设时间段内该网络设备中的待训练的网络数据，并按照预设的时间粒度，分别对该预设时间段中的每一天进行划分，获取每一天内的不同时间段对应的待训练的网络数据；对该预设时间段内每天中相同的时间段对应的网络数据进行采样，并将采样的网络数据中频率最高的网络数据作为该时间段对应的阈值。
若网络数据的类型为用户数或者流量类型，训练模块84用于获取一天内该网络设备中的待训练的网络数据，并根据波峰和波谷特性，对一天进行划分，分别获取波峰时间段、波谷时间段、波峰至波谷时间段，以及波谷至波峰时间段；按照时间粒度分别对波峰时间段、波谷时间段、波峰至波谷时间段以及波谷至波峰时间段进行划分，并分别获取每个时间段下每个子时间段对应的待训练的用户数或者流量值；对于每个时间段，分别对每个时间段下的子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为该子时间段对应的预设用户数或者流量值。
本申请实施例提供的基于网络设备的故障监控装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
图9为本申请提供的一种电子设备的结构示意图。如图9所示，该电子设备90包括：处理器91，存储器92，以及通信接口93；其中，存储器92用于存储处理器91的可执行指令；处理器91配置为经由执行可执行指令来执行前述任一方法实施例中的技术方案。
可选的，存储器92既可以是独立的，也可以跟处理器91集成在一起。
可选的，当存储器92是独立于处理器91之外的器件时，电子设备90还可以包括：总线94，用于将上述器件连接起来。
该电子设备用于执行前述任一方法实施例中的技术方案，其实现原理和技术效果类似，在此不再赘述。
本申请实施例还提供一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现前述任一实施例提供的技术方案。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (16)

1.一种基于网络设备的故障监控方法，其特征在于，包括：
监控获取的网络设备中的网络数据，以及所述网络数据获取的时间点；
确定所述网络数据的类型，并根据所述网络数据的类型，对所述网络数据进行预处理，以确定所述网络设备是否满足故障判断条件；
在确定所述网络设备满足所述故障判断条件时，从所述网络数据的类型对应的时序特征库中获取涵盖所述获取的时间点的时间段所对应的阈值，并根据所述网络数据和阈值，在确定所述网络设备存在故障时，生成故障报警信息。
2.根据权利要求1所述的方法，其特征在于，所述网络数据的类型为成功率类型，所述根据所述网络数据的类型，对所述网络数据进行预处理，以确定所述网络设备是否满足故障判断条件，包括：
判断所述网络数据是否小于第一预设成功率阈值；
若判断出所述网络数据小于所述第一预设成功率阈值，则确定所述网络设备满足所述故障判断条件。
3.根据权利要求2所述的方法，其特征在于，所述在确定所述网络设备满足所述故障判断条件时，从所述网络数据的类型对应的时序特征库中获取涵盖所述获取的时间点的时间段所对应的阈值，并根据所述网络数据和阈值，在确定所述网络设备存在故障时，生成故障报警信息，包括：
在确定所述网络设备满足所述故障判断条件时，从成功率类型对应的第一时序特征库中获取涵盖所述获取的时间点的时间段所对应的第二预设成功率阈值，并在确定所述网络数据小于所述第二预设成功率阈值时，确定所述网络设备故障，并生成故障报警信息。
4.根据权利要求1所述的方法，其特征在于，所述网络数据的类型为用户数或者流量类型，所述根据所述网络数据的类型，对所述网络数据进行预处理，以确定所述网络设备是否满足故障判断条件，包括：
对所述网络数据和前一网络数据进行误差迭代处理，以获取第一迭代误差值，并判断所述第一迭代误差值是否大于预设迭代误差阈值；其中，所述前一网络数据为所述网络数据获取的时间点的前一时间点监控获取的所述网络设备中的网络数据；
若判断出所述第一迭代误差值大于所述预设迭代误差阈值，则确定所述网络设备满足所述故障判断条件。
5.根据权利要求4所述的方法，其特征在于，所述在确定所述网络设备满足所述故障判断条件时，从所述网络数据的类型对应的时序特征库中获取涵盖所述获取的时间点的时间段所对应的阈值，并根据所述网络数据和阈值，在确定所述网络设备存在故障时，生成故障报警信息，包括：
在确定所述网络设备满足所述故障判断条件时，从用户数或者流量类型对应的第二时序特征库中获取涵盖所述获取的时间点的时间段所对应的预设用户数或者流量值，并对所述网络数据和预设用户数或者流量值进行误差迭代处理，以获取第二迭代误差值；
在确定所述第二迭代误差值大于所述预设迭代误差阈值时，确定所述网络设备故障，并生成故障报警信息。
6.根据权利要求1至3中任一项所述的方法，其特征在于，还包括：
若网络数据的类型为成功率类型，则获取预设时间段内所述网络设备中的待训练的网络数据，并按照预设的时间粒度，分别对所述预设时间段中的每一天进行划分，获取每一天内的不同时间段对应的待训练的网络数据；
对所述预设时间段内每天中相同的时间段对应的网络数据进行采样，并将采样的网络数据中频率最高的网络数据作为所述时间段对应的阈值。
7.根据权利要求4或5所述的方法，其特征在于，还包括：
若网络数据的类型为用户数或者流量类型，则获取一天内所述网络设备中的待训练的网络数据，并根据波峰和波谷特性，对所述一天进行划分，分别获取波峰时间段、波谷时间段、波峰至波谷时间段，以及波谷至波峰时间段；
按照时间粒度分别对所述波峰时间段、波谷时间段、波峰至波谷时间段以及波谷至波峰时间段进行划分，并分别获取每个时间段下每个子时间段对应的待训练的用户数或者流量值；
对于每个时间段，分别对每个时间段下的子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为所述子时间段对应的预设用户数或者流量值。
8.一种基于网络设备的故障监控装置，其特征在于，包括：
获取模块，用于监控获取的网络设备中的网络数据，以及所述网络数据获取的时间点；
预处理模块，用于确定所述网络数据的类型，并根据所述网络数据的类型，对所述网络数据进行预处理，以确定所述网络设备是否满足故障判断条件；
处理模块，用于在确定所述网络设备满足所述故障判断条件时，从所述网络数据的类型对应的时序特征库中获取涵盖所述获取的时间点的时间段所对应的阈值，并根据所述网络数据和阈值，在确定所述网络设备存在故障时，生成故障报警信息。
9.根据权利要求8所述的装置，其特征在于，所述网络数据的类型为成功率类型，所述预处理模块，具体用于：
判断所述网络数据是否小于第一预设成功率阈值；
若判断出所述网络数据小于所述第一预设成功率阈值，则确定所述网络设备满足所述故障判断条件。
10.根据权利要求9所述的装置，其特征在于，所述处理模块，具体用于：
在确定所述网络设备满足所述故障判断条件时，从成功率类型对应的第一时序特征库中获取涵盖所述获取的时间点的时间段所对应的第二预设成功率阈值，并在确定所述网络数据小于所述第二预设成功率阈值时，确定所述网络设备故障，并生成故障报警信息。
11.根据权利要求8所述的装置，其特征在于，所述网络数据的类型为用户数或者流量类型，所述预处理模块，具体用于：
对所述网络数据和前一网络数据进行误差迭代处理，以获取第一迭代误差值，并判断所述第一迭代误差值是否大于预设迭代误差阈值；其中，所述前一网络数据为所述网络数据获取的时间点的前一时间点监控获取的所述网络设备中的网络数据；
若判断出所述第一迭代误差值大于所述预设迭代误差阈值，则确定所述网络设备满足所述故障判断条件。
12.根据权利要求11所述的装置，其特征在于，所述处理模块，具体用于：
在确定所述网络设备满足所述故障判断条件时，从用户数或者流量类型对应的第二时序特征库中获取涵盖所述获取的时间点的时间段所对应的预设用户数或者流量值，并对所述网络数据和预设用户数或者流量值进行误差迭代处理，以获取第二迭代误差值；
在确定所述第二迭代误差值大于所述预设迭代误差阈值时，确定所述网络设备故障，并生成故障报警信息。
13.根据权利要求8至10中任一项所述的装置，其特征在于，还包括训练模块，用于若网络数据的类型为成功率类型，则获取预设时间段内所述网络设备中的待训练的网络数据，并按照预设的时间粒度，分别对所述预设时间段中的每一天进行划分，获取每一天内的不同时间段对应的待训练的网络数据；
所述训练模块还用于对所述预设时间段内每天中相同的时间段对应的网络数据进行采样，并将采样的网络数据中频率最高的网络数据作为所述时间段对应的阈值。
14.根据权利要求11或12所述的装置，其特征在于，还包括训练模块，用于若网络数据的类型为用户数或者流量类型，则获取一天内所述网络设备中的待训练的网络数据，并根据波峰和波谷特性，对所述一天进行划分，分别获取波峰时间段、波谷时间段、波峰至波谷时间段，以及波谷至波峰时间段；
所述训练模块还用于按照时间粒度分别对所述波峰时间段、波谷时间段、波峰至波谷时间段以及波谷至波峰时间段进行划分，并分别获取每个时间段下每个子时间段对应的待训练的用户数或者流量值；
对于每个时间段，分别对每个时间段下的子时间段对应的用户数或者流量值进行采样，并将采样的用户数或者流量值中频率最高的待训练的用户数或者流量值作为所述子时间段对应的预设用户数或者流量值。
15.一种电子设备，其特征在于，包括：
处理器，存储器，通信接口；
所述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中任一项所述的基于网络设备的故障监控方法。
16.一种可读存储介质，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至7中任一项所述的基于网络设备的故障监控方法。
CN202210790397.3A 2022-07-06 2022-07-06 一种基于网络设备的故障监控方法、装置、设备及介质 Pending CN115208741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210790397.3A CN115208741A (zh) 2022-07-06 2022-07-06 一种基于网络设备的故障监控方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210790397.3A CN115208741A (zh) 2022-07-06 2022-07-06 一种基于网络设备的故障监控方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115208741A true CN115208741A (zh) 2022-10-18

Family

ID=83580526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210790397.3A Pending CN115208741A (zh) 2022-07-06 2022-07-06 一种基于网络设备的故障监控方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115208741A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108123849A (zh) * 2017-12-20 2018-06-05 国网冀北电力有限公司信息通信分公司 检测网络流量的阈值的确定方法、装置、设备及存储介质
CN109039821A (zh) * 2018-08-21 2018-12-18 平安科技（深圳）有限公司 网络流量监控方法、装置、计算机设备及存储介质
CN109688188A (zh) * 2018-09-07 2019-04-26 平安科技（深圳）有限公司 监控告警方法、装置、设备及计算机可读存储介质
CN111756706A (zh) * 2020-06-05 2020-10-09 腾讯科技（深圳）有限公司 一种异常流量检测方法、装置及存储介质
CN111817891A (zh) * 2020-07-07 2020-10-23 中国联合网络通信集团有限公司 网络故障处理方法、装置、存储介质及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108123849A (zh) * 2017-12-20 2018-06-05 国网冀北电力有限公司信息通信分公司 检测网络流量的阈值的确定方法、装置、设备及存储介质
CN109039821A (zh) * 2018-08-21 2018-12-18 平安科技（深圳）有限公司 网络流量监控方法、装置、计算机设备及存储介质
CN109688188A (zh) * 2018-09-07 2019-04-26 平安科技（深圳）有限公司 监控告警方法、装置、设备及计算机可读存储介质
CN111756706A (zh) * 2020-06-05 2020-10-09 腾讯科技（深圳）有限公司 一种异常流量检测方法、装置及存储介质
CN111817891A (zh) * 2020-07-07 2020-10-23 中国联合网络通信集团有限公司 网络故障处理方法、装置、存储介质及电子设备

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
EP3379419B1 (en) Situation analysis
CN108667856B (zh) 一种网络异常检测方法、装置、设备及存储介质
CN106657057B (zh) 反爬虫系统及方法
US10467087B2 (en) Plato anomaly detection
CN110457175B (zh) 业务数据处理方法、装置、电子设备及介质
CN113992340B (zh) 用户异常行为识别方法、装置、设备和存储介质
CN113392893A (zh) 业务故障的定位方法、装置、存储介质及计算机程序产品
CN112327095B (zh) 电缆故障检测方法、装置、计算机设备和存储介质
CN116739829B (zh) 一种基于大数据的电力数据分析方法、系统及介质
CN111181757A (zh) 信息安全风险预测方法、装置以及计算设备、存储介质
CN115208741A (zh) 一种基于网络设备的故障监控方法、装置、设备及介质
CN111858108A (zh) 一种硬盘故障预测方法、装置、电子设备和存储介质
CN113123955A (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
CN112801156B (zh) 用于人工智能机器学习的业务大数据采集方法及服务器
Afshinpour et al. Correlating test events with monitoring logs for test log reduction and anomaly prediction
CN112541106A (zh) 网络数据获取方法、装置、计算机设备和存储介质
CN113676377A (zh) 基于大数据的在线用户数评估方法、装置、设备及介质
CN113505039A (zh) 一种通信故障分析方法、设备及系统
CN116304763B (zh) 一种电力数据预分析方法、系统、设备及介质
CN110113228B (zh) 一种网络连接检测方法及装置
CN115964248A (zh) 系统日志评价方法、装置、设备及介质
CN114756399A (zh) 一种故障检测方法及相关装置
CN117579524A (zh) 一种微服务异常检测方法及装置、电子设备
CN114691459A (zh) 一种软件系统老化预测方法及系统

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