CN116232851A - 一种网络异常的预警方法、装置、电子设备和存储介质 - Google Patents
一种网络异常的预警方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116232851A CN116232851A CN202211697545.3A CN202211697545A CN116232851A CN 116232851 A CN116232851 A CN 116232851A CN 202211697545 A CN202211697545 A CN 202211697545A CN 116232851 A CN116232851 A CN 116232851A
- Authority
- CN
- China
- Prior art keywords
- network
- layer index
- target
- qoe
- predicted
- 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
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
-
- 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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种网络异常的预警方法、装置、电子设备和存储介质,该方法包括:获取针对网络的目标QOE感知业务层指标和目标网络层指标;目标QOE感知业务层指标包括多个;根据目标QOE感知业务层指标和目标网络层指标,预测网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标;根据预测QOE感知业务层指标和预测网络层指标,确定网络在预设时间段内的目标异常类型;根据目标异常类型,进行网络在预设时间段内的异常告警。通过本发明实施例,实现了基于所预测得到的信息来判断网络是否出现异常;从而,通过预先发现网络的异常来进行预警;进而,避免了异常的网络对用户的影响,提高了用户对网络的满意度。
Description
技术领域
本发明涉及通信的技术领域,特别是涉及一种网络异常的预警方法、装置、电子设备和存储介质。
背景技术
在实际应用中,为了保证为用户提供稳定且高速的网络,需要投入大量的人力和物力来对网络进行检测和检修。
但是,这种方式仅能在网络已经发生异常,且已经对用户造成影响的时候检测到网络的异常,这将大大降低用户使用网络的满意度。
发明内容
鉴于上述问题,提出了以便提供克服上述问题或者至少部分地解决上述问题的一种网络异常的预警方法、装置、电子设备和存储介质,包括:
一种网络异常的预警方法,所述方法包括:
获取针对所述网络的目标体验质量QOE感知业务层指标和目标网络层指标;所述目标QOE感知业务层指标包括多个;
根据所述目标QOE感知业务层指标和所述目标网络层指标,预测所述网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标;
根据所述预测QOE感知业务层指标和所述预测网络层指标,确定所述网络在预设时间段内的目标异常类型;
根据所述目标异常类型,进行所述网络在所述预设时间段内的异常告警。
可选地,所述方法还包括:
获取第一训练数据,所述第一训练数据包括不同时间的QOE感知业务层指标,和不同时间的网络层指标;
将第一训练数据中时序在前的QOE感知业务层指标和网络层指标作为输入数据,将第一训练数据中时序在后的QOE感知业务层指标和网络层指标作为输出数据,对第一预测模型进行训练;
所述根据所述目标QOE感知业务层指标和所述目标网络层指标,预测所述网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标,包括:
将所述目标QOE感知业务层指标和所述目标网络层指标输入至训练后的第一预测模型,并获取所述训练后的第一预测模型输出的所述预测QOE感知业务层指标和所述预测网络层指标。
可选地,所述方法还包括:
确定所述预测QOE感知业务层指标和所述预测网络层指标在所述预设时间段内的目标波动趋势;
根据所述目标波动趋势,判断是否需要执行根据所述目标异常类型,进行所述网络在所述预设时间段内的异常告警的步骤。
可选地,所述方法还包括:
获取第二训练数据,所述第二训练数据包括QOE感知业务层指标和网络层指标,以及对应发生的异常的异常类型;
将所述第二训练数据中的QOE感知业务层指标和网络层指标作为输入数据,将对应的发生的异常的异常类型作为输出数据,对第二预测模型进行训练;
所述根据所述预测QOE感知业务层指标和所述预测网络层指标,确定所述网络在预设时间段内的目标异常类型,包括:
将所述预测QOE感知业务层指标和所述预测网络层指标输入训练后的第二预测模型,并获取所述训练后的第二预测模型输出的所述目标异常类型。
可选地,所述方法还包括:
根据所述目标异常类型,分析用户需求。
可选地,所述网络包括网元、光路和网站;所述目标异常类型包括以下任一项:
针对网元的异常类型、针对光路的异常类型、针对网站的异常类型。
可选地,所述目标网络层指标包括:下载速率、首屏时延、丢包率,以及终端重启次数。
本发明实施例还提供了一种网络异常的预警装置,所述装置包括:
获取模块,用于获取针对所述网络的目标体验质量QOE感知业务层指标和目标网络层指标;所述目标QOE感知业务层指标包括多个;
第一预测模块,用于根据所述目标QOE感知业务层指标和所述目标网络层指标,预测所述网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标;
第二预测模块,用于根据所述预测QOE感知业务层指标和所述预测网络层指标,确定所述网络在预设时间段内的目标异常类型;
告警模块,用于根据所述目标异常类型,进行所述网络在所述预设时间段内的异常告警。
可选地,所述装置还包括:
第一训练模块,用于获取第一训练数据,所述第一训练数据包括不同时间的QOE感知业务层指标,和不同时间的网络层指标;将第一训练数据中时序在前的QOE感知业务层指标和网络层指标作为输入数据,将第一训练数据中时序在后的QOE感知业务层指标和网络层指标作为输出数据,对第一预测模型进行训练;
所述第一预测模块,用于将所述目标QOE感知业务层指标和所述目标网络层指标输入至训练后的第一预测模型,并获取所述训练后的第一预测模型输出的所述预测QOE感知业务层指标和所述预测网络层指标。
可选地,所述装置还包括:
判断模块,用于确定所述预测QOE感知业务层指标和所述预测网络层指标在所述预设时间段内的目标波动趋势;根据所述目标波动趋势,判断是否需要执行根据所述目标异常类型,进行所述网络在所述预设时间段内的异常告警的步骤。
可选地,所述装置还包括:
第二训练模块,用于获取第二训练数据,所述第二训练数据包括QOE感知业务层指标和网络层指标,以及对应发生的异常的异常类型;将所述第二训练数据中的QOE感知业务层指标和网络层指标作为输入数据,将对应的发生的异常的异常类型作为输出数据,对第二预测模型进行训练;
所述第二预测模块,用于将所述预测QOE感知业务层指标和所述预测网络层指标输入训练后的第二预测模型,并获取所述训练后的第二预测模型输出的所述目标异常类型。
可选地,所述装置还包括:
分析模块,用于根据所述目标异常类型,分析用户需求。
可选地,所述网络包括网元、光路和网站;所述目标异常类型包括以下任一项:
针对网元的异常类型、针对光路的异常类型、针对网站的异常类型。
可选地,所述目标网络层指标包括:下载速率、首屏时延、丢包率,以及终端重启次数。
本发明实施例还提供了一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上的网络异常的预警方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上的网络异常的预警方法。
本发明实施例具有以下优点:
本发明实施例中,获取针对网络的目标QOE感知业务层指标和目标网络层指标;目标QOE感知业务层指标包括多个;根据目标QOE感知业务层指标和目标网络层指标,预测网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标;根据预测QOE感知业务层指标和预测网络层指标,确定网络在预设时间段内的目标异常类型;根据目标异常类型,进行网络在预设时间段内的异常告警。通过本发明实施例,实现了基于所预测得到的信息来判断网络是否出现异常;从而,通过预先发现网络的异常来进行预警;进而,避免了异常的网络对用户的影响,提高了用户对网络的满意度。另外,基于多维度的QOE感知业务层指标进行预测,可以提高异常预测的准确率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种网络异常的预警方法的步骤流程图;
图2是本发明实施例的另一种网络异常的预警方法的步骤流程图;
图3是本发明实施例的一种网络的结构示意图;
图4是本发明实施例的一种网络异常的预警方法的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。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作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。
在实际应用中,如果当网络已经发生异常时再进行检修的话,可能导致用户对网络的满意度大大降低;为了保证使用为用户提高稳定且高速的网络,本发明实施例提供了一种网络异常的预警方法,其基于在先的QOE(Quality of Experience,体验质量)感知业务层指标和网络层指标来预测网络未来一时间的QOE感知业务层指标和网络层指标,并基于所预测得到的信息来判断网络是否出现异常;从而,通过预先发现网络的异常来进行预警;进而,避免了异常的网络对用户的影响,提高了用户对网络的满意度。
另外,基于多维度的QOE感知业务层指标进行预测,可以提高异常预测的准确率。
参照图1,示出了本发明实施例的一种网络异常的预警方法的步骤流程图,可以包括如下步骤:
步骤101、获取针对网络的目标体验质量QOE感知业务层指标和目标网络层指标;目标QOE感知业务层指标包括多个。
作为一示例,目标网络层指标包括以下任一项或多项:下载速率、首屏时延、丢包率,以及终端重启次数。目标QOE感知业务层指标可以包括以下任一项或多项:用户满意度、用户故障申告等,本发明实施例对此不作限制。
其中,目标网络层指标可以指从网络层的角度,对网络的质量进行的评估;目标感知业务层指标可以指从用户和业务的角度,对网络的质量进行的评估。
目标网络层指标和目标感知业务层指标既可以是当前时刻的数据,也可以是在先历史时刻的数据,本发明实施例对此不作限制。
在实际应用中,当需要对网络的异常进行预测的时候,可以先获取针对网络的多个目标QOE感知业务层指标,和一个或多个目标网络层指标。
步骤102、根据目标QOE感知业务层指标和目标网络层指标,预测网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标。
在获取到多个目标QOE感知业务层指标和目标网络层指标,可以基于多个目标QOE感知业务层指标和目标网络层指标来预测网络在一预设时间段内的时候,可能出现的预测QOE感知业务层指标和预测网络层指标;其中,预设时间段可以是根据实际情况设定的一未来的一时间段,本发明实施例对此不作限制。
步骤103、根据预测QOE感知业务层指标和预测网络层指标,确定网络在预设时间段内的目标异常类型。
在得到预测QOE感知业务层指标和预测网络层指标之后,可以再基于所获取到的预测QOE感知业务层指标和预测网络层指标来确定网络可能在预设时间段内发生的异常的目标异常类型;例如:是哪里可能发生异常、发生何种异常等,本发明实施例对此不作限制。
步骤104、根据目标异常类型,进行网络在预设时间段内的异常告警。
在确定网络可能在预设时间段内发生的异常的目标异常类型后,可以根据该目标异常类型,来对网络在预设时间段内的异常进行异常告警,例如:生成针对预设时间段内的异常告警提示,以便相关工作人员可以提前对网络进行检修,从而避免在网络发生异常时才进行检修而影响到用户的体验。
本发明实施例中,获取针对网络的目标QOE感知业务层指标和目标网络层指标;目标QOE感知业务层指标包括多个;根据目标QOE感知业务层指标和目标网络层指标,预测网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标;根据预测QOE感知业务层指标和预测网络层指标,确定网络在预设时间段内的目标异常类型;根据目标异常类型,进行网络在预设时间段内的异常告警。通过本发明实施例,实现了基于所预测得到的信息来判断网络是否出现异常;从而,通过预先发现网络的异常来进行预警;进而,避免了异常的网络对用户的影响,提高了用户对网络的满意度。另外,基于多维度的QOE感知业务层指标进行预测,可以提高异常预测的准确率。
参照图2,示出了本发明实施例的另一种网络异常的预警方法的步骤流程图,可以包括如下步骤:
步骤201、获取针对网络的目标QOE感知业务层指标和目标网络层指标。
在实际应用中,当需要对网络的异常进行预测的时候,可以先获取针对网络的多个目标QOE感知业务层指标,和一个或多个目标网络层指标。
步骤202、将目标QOE感知业务层指标和目标网络层指标输入至训练后的第一预测模型,并获取训练后的第一预测模型输出的预测QOE感知业务层指标和预测网络层指标。
在获取到多个目标QOE感知业务层指标和目标网络层指标,可以基于多个目标QOE感知业务层指标和目标网络层指标来预测网络在一预设时间段内的时候,可能出现的预测QOE感知业务层指标和预测网络层指标。
具体的,可以将目标QOE感知业务层指标和目标网络层指标输入至一训练后的第一预测模型中;训练后的第一预测模型可以基于所输入的目标QOE感知业务层指标和目标网络层指标,预测网络在一预设时间段内的时候,可能出现的预测QOE感知业务层指标和预测网络层指标。
训练后的第一预测模型在预测得到网络在一预设时间段内的时候,可能出现的预测QOE感知业务层指标和预测网络层指标后,可以输出该预测QOE感知业务层指标和预测网络层指标。
在本发明一实施例中,第一预测模型可以通过如下方式进行训练:
获取第一训练数据,第一训练数据包括不同时间的QOE感知业务层指标,和不同时间的网络层指标;将第一训练数据中时序在前的QOE感知业务层指标和网络层指标作为输入数据,将第一训练数据中时序在后的QOE感知业务层指标和网络层指标作为输出数据,对第一预测模型进行训练。
首先,可以获取不同时间的QOE感知业务层指标,和不同时间的网络层指标,并由不同时间的QOE感知业务层指标,和不同时间的网络层指标组成第一训练数据。
然后,可以将时序在前的QOE感知业务层指标和网络层指标作为输入数据,将时序在后的QOE感知业务层指标和网络层指标作为输出数据,来对第一预测模型进行训练;例如:可以将2022年12月1日—2022年12月7日的QOE感知业务层指标和网络层指标作为输入数据,将2022年12月8日—2022年12月10日的QOE感知业务层指标和网络层指标作为输出数据,来对第一预测模型进行训练。
步骤203、将预测QOE感知业务层指标和预测网络层指标输入训练后的第二预测模型,并获取训练后的第二预测模型输出的目标异常类型。
在得到预测QOE感知业务层指标和预测网络层指标之后,可以再基于所获取到的预测QOE感知业务层指标和预测网络层指标来确定网络可能在预设时间段内发生的异常的目标异常类型。
具体的,可以将预测QOE感知业务层指标和预测网络层指标输出至一预先训练后得到的第二预测模型;训练后的第二预测模型可以基于预测QOE感知业务层指标和预测网络层指标,来预测网络可能在预设时间段内发生的异常的目标异常类型。
训练后的第二预测模型在预测得到网络可能在预设时间段内发生的异常的目标异常类型后,可以输出该目标异常类型。
作为一示例,网络可以包括有网元、光路和网站;目标异常类型包括以下任一项:
针对网元的异常类型、针对光路的异常类型、针对网站的异常类型。
作为另一示例,为了进一步对网元、光路和网站的异常进行细分,针对网元的异常类型也可以包括多种,针对光路的异常类型也可以包括多种,针对网站的异常类型也可以包括多种,本发明实施例对此不作限制。
如图3,可以发现网络中的光猫的异常,或者OLT(Optical Line Terminal,光线路终端)的异常,或者MSE(Multi service edge,多服务边缘)的异常;或者,测试网络的异常等。
在本发明一实施例中,第二预测模型可以通过如下方式进行训练:
获取第二训练数据,第二训练数据包括QOE感知业务层指标和网络层指标,以及对应发生的异常的异常类型;将第二训练数据中的QOE感知业务层指标和网络层指标作为输入数据,将对应的发生的异常的异常类型作为输出数据,对第二预测模型进行训练。
首先,可以获取QOE感知业务层指标和网络层指标,以及对应发生的异常的异常类型,并由QOE感知业务层指标和网络层指标,以及对应发生的异常的异常类型组成第二训练数据。
然后,可以将第二训练数据中的QOE感知业务层指标和网络层指标作为输入数据,将第二训练数据中的对应发生的异常的异常类型作为输出数据,来对第二预测模型进行训练。
步骤204、根据目标异常类型,进行网络在预设时间段内的异常告警。
在确定网络可能在预设时间段内发生的异常的目标异常类型后,可以根据该目标异常类型,来对网络在预设时间段内的异常进行异常告警,例如:生成针对预设时间段内的异常告警提示,以便相关工作人员可以提前对网络进行检修,从而避免在网络发生异常时才进行检修而影响到用户的体验。
在本发明一实施例中,还可以包括如下步骤:
确定预测QOE感知业务层指标和预测网络层指标在预设时间段内的目标波动趋势;根据目标波动趋势,判断是否需要执行根据目标异常类型,进行网络在预设时间段内的异常告警的步骤。
在实际应用中,在执行根据目标异常类型,进行网络在预设时间段内的异常告警的步骤之前,可以先确定预测QOE感知业务层指标和预测网络层指标在预设时间段内的目标波动趋势。
具体的,预测QOE感知业务层指标可以包括多个,预测网络层指标也可以包括多个,多个预测QOE感知业务层指标/预测网络层指标可以为不同时间段对应的指标。
基于多个预测QOE感知业务层指标和多个预测网络层指标,可以确定目标波动趋势。
然后,可以根据目标波动趋势,来判断是否需要执行根据目标异常类型,进行网络在预设时间段内的异常告警的步骤。
具体的,如果目标波动趋势表示QOE感知业务层指标和网络层指标逐渐变差的话,可以表示网络的质量此时在走下坡库;此时,可以执行根据目标异常类型,进行网络在预设时间段内的异常告警的步骤。
而如果目标波动趋势表示QOE感知业务层指标和网络层指标逐渐变好的话,可以表示网络的质量此时在走上坡路;此时,可以不执行根据目标异常类型,进行网络在预设时间段内的异常告警的步骤,本发明实施例对此不作限制。
在本发明另一实施例中,还可以包括如下步骤:
根据目标异常类型,分析用户需求。
在实际应用中,当网络存在不同的目标异常类型时,可能是因为用户存在某种需求导致的;例如:出现用户离线的异常,则可以分析判断用户是否存在离网的需求。
本发明实施例中,获取针对网络的目标QOE感知业务层指标和目标网络层指标;将目标QOE感知业务层指标和目标网络层指标输入至训练后的第一预测模型,并获取训练后的第一预测模型输出的预测QOE感知业务层指标和预测网络层指标;将预测QOE感知业务层指标和预测网络层指标输入训练后的第二预测模型,并获取训练后的第二预测模型输出的目标异常类型;根据目标异常类型,进行网络在预设时间段内的异常告警。通过本发明实施例,实现了基于所预测得到的信息来判断网络是否出现异常;从而,通过预先发现网络的异常来进行预警;进而,避免了异常的网络对用户的影响,提高了用户对网络的满意度。另外,基于多维度的QOE感知业务层指标进行预测,可以提高异常预测的准确率。
且基于预测结果来对用户的需求进行分析,可以提前预知用户的需求,从而可以提前对用户的需求进行满足,进一步提高了用户的体验。
为了对上述网络异常的预警方法进行进一步说明,以下通过举例的方式进行说明:
建立宽带感知隐患挖掘系统。及时发现MSE到ONU(Optical Network Unit,光节点)端的网元以及光路的潜在隐患,实现预见性维护,驱动网络优化,提升预见性维护能力,做到防患于未然,有效压降三率(投诉率、故障率、申告率),作为提升用户满意度的一个有效途径。
1、质差网元挖掘算法输出质差MSE\OLT\ONU:自动分箱识别+SVM(Support VectorMachine,支持向量机)+时间序列算法:
(1)采用自动分箱算法可解决手动建模方法建模效率低,主观性强靠经验值的问题。
对于QOE感知业务层指标和网络层的核心指标下载速率、首屏时延、丢包率、TRACE首跳时延以及终端掉线重启次数等建立连续性变量线性分析模型,基于k-means的聚类分析算法,将各指标划分成0-10分10个区间,并基于此形成各指标的评价指标。
(2)基于自动分箱建立的评价指标,以及在原基础指标上建立的波动率指标(上升或下降速率),并辅助故障工单形成故障维度的多维向量SVM模型,步骤如下:将下载速率、首屏时延、丢包率、TRACE首跳时延、终端掉线重启次数指标的自动分箱评分区间建立5维度的向量空间模型,并与故障工单数据分类进行对应(如:终端质量问题、末梢光路问题、上联拥塞、PON口故障等)。
分别将每类故障工单出现时间以及工单处理时间前后3天的终端5维度数据作为训练数据。经过每类故障工单数据各1万条用户数据样本训练学习后,获得各类工单的数据训练模型,获得基础指标、评价指标对故障隐患的关联度权重以及阈值。
(3)时间序列建立与预测:每个终端感知探针5项指标(下载速率、首屏时延、丢包率、TRACE首跳时延、终端重启次数指标)建立每天6次的采样测试,形成按4小时周期的时间序列的指标数据。以7天范围内的终端数据输入长短期记忆网络LSTM(Long Short-TermMemory,长短期记忆网络)时间序列模型,进一步计算获得12小时内的指标预测,并将预测的指标数值输入多维向量SVM模型,从而进行判断故障隐患的类型。
(4)通过自动分箱识别+SVM+时间序列算法组合最终形成宽带感知隐患网元质差模型。
2、光路隐患发掘算法:自动分箱识别+空间维度聚类
(1)针对用户单元建立QOE感知业务层指标和网络层的核心指标下载速率、首屏时延、丢包率以及终端重启次数等建立连续性变量建立线性分析模型,基于k-means的聚类分析算法,将各指标划分成0-10分10个区间,并基于此形成各指标的评价指标。
(2)基于自动分箱建立的评价指标,并在相邻的时间单元颗粒度建立的波动率指标(上升或下降速率),以上指标为用户单元的指标,通过空间聚类的方式,根据同一个光路单元下的所有用户单元按平均权重计算光路单元的指标,形成光路单元的评价指标0-10分,设置光路单元的评价指标低于7则表示隐患光路问题,并且波动率指标为时间单元下降20%则表示隐患光路问题。
通过上述方法,即可以对QOE感知指标、故障、用户历史满意度等大数据源(还例如:光衰等健康档案、用户故障申告、下载速率、Trace首跳时延、首屏时延、Ping丢包率、光猫掉线数、板卡下用户掉线率、PON(Passive Optical Network,无源光纤网络)口下用户掉线率、OLT下用户掉线率、MSE下用户掉线率等)的整合分析实现感知质差输出模型,可以解决传统单指标告警处理的投入大收益小的问题。
也可发现潜在隐患实现预见性维护,有效提高用户使用感知,作为提升用户使用满意度的一个有效途径。
还通过对隐患的挖掘可以发现用户的一些潜在需求,可作为一线精准营销的参考指导。
另外通过自动分箱识别+SVM向量机+时间序列算法获得的感知指标阈值可以应用到多领域,形成的感知质差模型挖掘出隐患网元。且通过自动分箱识别+空间维度聚类的组合方法挖掘出光路隐患。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图4,示出了本发明实施例的一种网络异常的预警装置的结构示意图,可以包括如下模块:
获取模块401,用于获取针对网络的目标体验质量QOE感知业务层指标和目标网络层指标;目标QOE感知业务层指标包括多个;
第一预测模块402,用于根据目标QOE感知业务层指标和目标网络层指标,预测网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标;
第二预测模块403,用于根据预测QOE感知业务层指标和预测网络层指标,确定网络在预设时间段内的目标异常类型;
告警模块404,用于根据目标异常类型,进行网络在预设时间段内的异常告警。
本发明的一个可选实施例中,装置还包括:
第一训练模块,用于获取第一训练数据,第一训练数据包括不同时间的QOE感知业务层指标,和不同时间的网络层指标;将第一训练数据中时序在前的QOE感知业务层指标和网络层指标作为输入数据,将第一训练数据中时序在后的QOE感知业务层指标和网络层指标作为输出数据,对第一预测模型进行训练;
第一预测模块402,用于将目标QOE感知业务层指标和目标网络层指标输入至训练后的第一预测模型,并获取训练后的第一预测模型输出的预测QOE感知业务层指标和预测网络层指标。
本发明的一个可选实施例中,装置还包括:
判断模块,用于确定预测QOE感知业务层指标和预测网络层指标在预设时间段内的目标波动趋势;根据目标波动趋势,判断是否需要执行根据目标异常类型,进行网络在预设时间段内的异常告警的步骤。
本发明的一个可选实施例中,装置还包括:
第二训练模块,用于获取第二训练数据,第二训练数据包括QOE感知业务层指标和网络层指标,以及对应发生的异常的异常类型;将第二训练数据中的QOE感知业务层指标和网络层指标作为输入数据,将对应的发生的异常的异常类型作为输出数据,对第二预测模型进行训练;
第二预测模块403,用于将预测QOE感知业务层指标和预测网络层指标输入训练后的第二预测模型,并获取训练后的第二预测模型输出的目标异常类型。
本发明的一个可选实施例中,装置还包括:
分析模块,用于根据目标异常类型,分析用户需求。
本发明的一个可选实施例中,网络包括网元、光路和网站;目标异常类型包括以下任一项:
针对网元的异常类型、针对光路的异常类型、针对网站的异常类型。
本发明的一个可选实施例中,目标网络层指标包括:下载速率、首屏时延、丢包率,以及终端重启次数
本发明实施例中,获取针对网络的目标QOE感知业务层指标和目标网络层指标;目标QOE感知业务层指标包括多个;根据目标QOE感知业务层指标和目标网络层指标,预测网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标;根据预测QOE感知业务层指标和预测网络层指标,确定网络在预设时间段内的目标异常类型;根据目标异常类型,进行网络在预设时间段内的异常告警。通过本发明实施例,实现了基于所预测得到的信息来判断网络是否出现异常;从而,通过预先发现网络的异常来进行预警;进而,避免了异常的网络对用户的影响,提高了用户对网络的满意度。另外,基于多维度的QOE感知业务层指标进行预测,可以提高异常预测的准确率。
本发明实施例还提供了一种电子设备,包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序,计算机程序被处理器执行时实现如上的网络异常的预警方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如上的网络异常的预警方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例,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发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对所提供的一种网络异常的预警方法、装置、电子设备和存储介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种网络异常的预警方法,其特征在于,所述方法包括:
获取针对所述网络的目标体验质量QOE感知业务层指标和目标网络层指标;所述目标QOE感知业务层指标包括多个;
根据所述目标QOE感知业务层指标和所述目标网络层指标,预测所述网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标;
根据所述预测QOE感知业务层指标和所述预测网络层指标,确定所述网络在预设时间段内的目标异常类型;
根据所述目标异常类型,进行所述网络在所述预设时间段内的异常告警。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一训练数据,所述第一训练数据包括不同时间的QOE感知业务层指标,和不同时间的网络层指标;
将第一训练数据中时序在前的QOE感知业务层指标和网络层指标作为输入数据,将第一训练数据中时序在后的QOE感知业务层指标和网络层指标作为输出数据,对第一预测模型进行训练;
所述根据所述目标QOE感知业务层指标和所述目标网络层指标,预测所述网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标,包括:
将所述目标QOE感知业务层指标和所述目标网络层指标输入至训练后的第一预测模型,并获取所述训练后的第一预测模型输出的所述预测QOE感知业务层指标和所述预测网络层指标。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述预测QOE感知业务层指标和所述预测网络层指标在所述预设时间段内的目标波动趋势;
根据所述目标波动趋势,判断是否需要执行根据所述目标异常类型,进行所述网络在所述预设时间段内的异常告警的步骤。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第二训练数据,所述第二训练数据包括QOE感知业务层指标和网络层指标,以及对应发生的异常的异常类型;
将所述第二训练数据中的QOE感知业务层指标和网络层指标作为输入数据,将对应的发生的异常的异常类型作为输出数据,对第二预测模型进行训练;
所述根据所述预测QOE感知业务层指标和所述预测网络层指标,确定所述网络在预设时间段内的目标异常类型,包括:
将所述预测QOE感知业务层指标和所述预测网络层指标输入训练后的第二预测模型,并获取所述训练后的第二预测模型输出的所述目标异常类型。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述目标异常类型,分析用户需求。
6.根据权利要求1所述的方法,其特征在于,
所述网络包括网元、光路和网站;所述目标异常类型包括以下任一项:
针对网元的异常类型、针对光路的异常类型、针对网站的异常类型。
7.根据权利要求1所述的方法,其特征在于,
所述目标网络层指标包括:下载速率、首屏时延、丢包率,以及终端重启次数。
8.一种网络异常的预警装置,其特征在于,所述装置包括:
获取模块,用于获取针对所述网络的目标体验质量QOE感知业务层指标和目标网络层指标;所述目标QOE感知业务层指标包括多个;
第一预测模块,用于根据所述目标QOE感知业务层指标和所述目标网络层指标,预测所述网络在一预设时间段内的预测QOE感知业务层指标和预测网络层指标;
第二预测模块,用于根据所述预测QOE感知业务层指标和所述预测网络层指标,确定所述网络在预设时间段内的目标异常类型;
告警模块,用于根据所述目标异常类型,进行所述网络在所述预设时间段内的异常告警。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述网络异常的预警方法。
10.一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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述网络异常的预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697545.3A CN116232851A (zh) | 2022-12-28 | 2022-12-28 | 一种网络异常的预警方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211697545.3A CN116232851A (zh) | 2022-12-28 | 2022-12-28 | 一种网络异常的预警方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116232851A true CN116232851A (zh) | 2023-06-06 |
Family
ID=86586333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211697545.3A Pending CN116232851A (zh) | 2022-12-28 | 2022-12-28 | 一种网络异常的预警方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116232851A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116528274A (zh) * | 2023-07-05 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 网络质量调控方法以及相关设备 |
-
2022
- 2022-12-28 CN CN202211697545.3A patent/CN116232851A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116528274A (zh) * | 2023-07-05 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 网络质量调控方法以及相关设备 |
CN116528274B (zh) * | 2023-07-05 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 网络质量调控方法以及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
CN111126824B (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
EP3871056B1 (en) | Anomaly detection and classification in networked systems | |
AU2016286280B2 (en) | Combined method for detecting anomalies in a water distribution system | |
CN114024837B (zh) | 一种微服务系统的故障根因定位方法 | |
US9274869B2 (en) | Apparatus, method and storage medium for fault cause extraction utilizing performance values | |
CN110008096B (zh) | 数据监测方法、装置、电子设备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 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN114465874B (zh) | 故障预测方法、装置、电子设备与存储介质 | |
EP2963552B1 (en) | System analysis device and system analysis method | |
KR102455332B1 (ko) | 네트워크 장치의 상태를 결정하는 방법 및 장치 | |
CN116232851A (zh) | 一种网络异常的预警方法、装置、电子设备和存储介质 | |
CN111813644B (zh) | 系统性能的评价方法、装置、电子设备和计算机可读介质 | |
CN116680113B (zh) | 一种设备检测实施控制系统 | |
KR101281460B1 (ko) | 통계적 공정 관리도를 이용하여 이상증후를 탐지하는 방법 | |
CN101345656B (zh) | 全局故障率测量方法 | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN111614520B (zh) | 一种基于机器学习算法的idc流量数据预测方法及装置 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN114938339A (zh) | 一种数据处理方法和相关装置 | |
CN112398706B (zh) | 数据评估标准确定方法、装置及存储介质、电子设备 | |
CN115208773B (zh) | 网络隐性故障监测方法及装置 | |
CN111327442B (zh) | 基于控制图的投诉预警阈值获取方法及装置 |
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 |