WO2020073688A1 - 预测网络设备异常的方法、装置、设备及存储介质 - Google Patents

预测网络设备异常的方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2020073688A1
WO2020073688A1 PCT/CN2019/092962 CN2019092962W WO2020073688A1 WO 2020073688 A1 WO2020073688 A1 WO 2020073688A1 CN 2019092962 W CN2019092962 W CN 2019092962W WO 2020073688 A1 WO2020073688 A1 WO 2020073688A1
Authority
WO
WIPO (PCT)
Prior art keywords
network
monitored
network device
position coordinates
preset
Prior art date
Application number
PCT/CN2019/092962
Other languages
English (en)
French (fr)
Inventor
林明锋
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2020073688A1 publication Critical patent/WO2020073688A1/zh

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Definitions

  • the present application relates to the technical field of network monitoring, and in particular to a method, device, device and storage medium for predicting abnormality of network equipment.
  • the present application provides a method for predicting abnormality of a network device.
  • the method includes the following steps:
  • a prediction module used to predict whether the network device to be monitored will be abnormal according to the change rate and a preset warning strategy
  • the method, device, equipment and storage medium for predicting abnormality of a network device in this embodiment obtain changes that can reflect changes in preset network indicators to be monitored in the device to be monitored by analyzing network indicator data to be monitored in multiple time periods Rate, and then use the change rate and the preset warning strategy as the prediction standard for monitoring whether the network device to be monitored will be abnormal, so that it can be predicted if the network device to be monitored will develop abnormally in the near future according to the current rate of change In order to predict the abnormality of the network equipment to be monitored in advance and discover the equipment failure in advance.
  • FIG. 1 is a schematic structural diagram of a device for predicting an abnormality of a network device in a hardware operating environment according to an embodiment of the present application
  • FIG. 2 is a schematic flowchart of a first embodiment of a method for predicting abnormality of a network device according to this application;
  • the memory 1005 may be a high-speed random access memory (Random Access Memory (RAM) memory can also be a stable non-volatile memory (Non-Volatile Memory, NVM), such as disk storage.
  • RAM Random Access Memory
  • NVM Non-Volatile Memory
  • the memory 1005 may optionally be a storage device independent of the foregoing processor 1001.
  • the memory 1005 as a storage medium may include an operating system, a data storage module, a network communication module, a user interface module, and a program to predict abnormality of a network device.
  • the network interface 1004 is mainly used for data communication with a network server;
  • the user interface 1003 is mainly used for data interaction with a user;
  • the device 1001 and the memory 1005 may be provided in a device that predicts an abnormality of a network device, and the device that predicts an abnormality of a network device calls the program for predicting an abnormality of the network device stored in the memory 1005 through the processor 1001 and executes the prediction provided by the embodiment of the present application The method of abnormal network equipment.
  • FIG. 2 is a schematic flowchart of a first embodiment of a method for predicting abnormality of a network device of the present application.
  • the method for predicting abnormality of a network device includes the following steps:
  • Step S10 Collect network index data provided by the network device to be monitored according to preset network indexes to be monitored.
  • the execution subject in this embodiment may specifically be a separately deployed proxy server for monitoring each network device to be monitored.
  • a proxy server when deployed, it can be set according to the area where the network device to be monitored is distributed, and then the proxy server in this area supervises all the network devices to be monitored in this area that can be connected to the proxy server.
  • the proxy server may select a traditional physical server or a virtual cloud server, which is not limited herein.
  • the above-mentioned network indicators to be monitored may be specified data traffic transmitted in a network link, address resolution protocol (Address Resolution Protocol (ARP), media access control (Media Access Control or Medium Access Control, MAC) address and other common network indicators, the specific selection can be set by those skilled in the art as needed, and this case does not limit this.
  • address resolution protocol Address Resolution Protocol (ARP)
  • media access control Media Access Control or Medium Access Control, MAC address
  • ARP Address Resolution Protocol
  • MAC Medium Access Control
  • the following examples illustrate: If the network index to be monitored is ARP, the corresponding network index data is the number of ARP; if the network index to be monitored is the MAC address, Then the corresponding network index data is the drift of the MAC address.
  • the network device to be monitored in this embodiment may specifically be a computer (whether it is a personal computer or a server), a hub, a switch, a bridge, a router, a gateway, or a network interface card (network interface card (NIC), wireless access point (Wireless Access Point, WAP), printers, modems, fiber optic transceivers, fiber optic cables, etc., are not listed here one by one, and this case does not make specific restrictions on this.
  • NIC network interface card
  • WAP wireless access point
  • printers modems
  • fiber optic transceivers fiber optic cables, etc.
  • step S20 the network index data of each period is analyzed to obtain the rate of change corresponding to the network index to be monitored, which can be specifically implemented by the following operations:
  • the analysis model to be applied in the analysis process needs to be constructed in advance.
  • the analysis model is specifically constructed based on the deep machine learning method.
  • S201 Construct a first training model according to sample data.
  • a filter can be added before each layer to filter out the interference information in the sample data.
  • the structure of the data itself can be learned during the training process, so as to obtain a second training model that has more representative characteristics than the input.
  • the top-down supervised training method is used to train each layer in the second training model obtained in step S203, so that the error is transmitted from top to bottom, thereby achieving fine-tuning of the entire network, and then obtaining A better analysis model can be obtained.
  • this embodiment when predicting that the network device to be monitored is about to be abnormal, this embodiment generates warning information according to the change rate and network indicator data at various periods, so that the warning information can more clearly reflect the pending Monitor the current status of network equipment.
  • the network device to be monitored may be notified when the warning information is notified to the management personnel of the network device to be monitored
  • the location coordinates are sent to the administrator.
  • the method of the embodiment can be implemented by means of software plus the necessary general hardware platform, and of course it can also be implemented by hardware, but in many cases the former is the better implementation.
  • the technical solution can be embodied in the form of a software product in essence or part of the contribution to the existing technology.
  • the computer software product is stored in a storage medium (such as read-only memory (Read Only) Memory, ROM) / RAM, disk, optical Disk), including several instructions to enable a terminal device (which may be a mobile phone, a computer, a server, or a network device, etc.) to execute the method described in each embodiment of the present application.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请属于网络监控技术领域，公开了一种预测网络设备异常的方法、装置、设备及存储介质。该方法包括：根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；对各时段的网络指标数据进行分析，得到待监控网络指标对应的变化率；根据变化率和预设的预警策略，预测待监控网络设备是否将要出现异常；若预测待监控网络设备将要出现异常，则根据变化率和各时段的网络指标数据，生成预警信息。

Description

预测网络设备异常的方法、装置、设备及存储介质
本申请要求于2018年10月8日提交中国专利局、申请号为201811168086.3、发明名称为“预测网络设备异常的方法、装置、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在申请中。
技术领域
本申请涉及网络监控技术领域，尤其涉及一种预测网络设备异常的方法、装置、设备及存储介质。
背景技术
随着互联网业务的发展，网络规模也越来越大，接入网络的网络设备也越来越多，为了保障网络性能，对接入云平台的网络设备的监控和维护工作也变得越来越重要。
目前，常用的一种对网络设备的监控方式是：通过实时监控网络设备产生的某一项网络指标对应的网络数据（以下称为：网络指标数据）的突变情况，来确定网络设备是否存在异常。具体的监控方式是通过使用绝对静态阈值对网络指标数据进行监控，以网络指标数据为网络链路中传输的数据流量为例，在对数据流量的监控过程中，具体是通过预设一个告警阈值，若数据流量高于预设的告警阈值则触发告警。虽然，这种监控方式简单明了，易于实现，但是却无法对网络设备连续时间段内产生的网络指标数据进行一个完整的分析和评估，无法在达到静态阈值之前预测出网络设备的异常。也就是说，现有的监控方法通常都是在异常发生后才做出预警，根本无法达到提前预警的效果。
所以，亟需提供一种能够预测网络设备异常的方法，以提前预测网络设备的异常情况。
发明内容
本申请的主要目的在于提供一种预测网络设备异常的方法、装置、设备及存储介质，旨在解决现有技术无法提前预测网络设备是否将出现异常的技术问题。
为实现上述目的，本申请提供了一种预测网络设备异常的方法，所述方法包括以下步骤:
根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
若预测所述待监控网络设备将要出现异常，则根据所述变化率和各时段的网络指标数据，生成预警信息。
此外，为实现上述目的，本申请还提出一种预测网络设备异常的装置，所述装置包括：
采集模块，用于根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
分析模块，用于对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
预测模块，用于根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
生成模块，用于在预测所述待监控网络设备将要出现异常时，根据所述变化率和各时段的网络指标数据，生成预警信息。
此外，为实现上述目的，本申请还提出一种预测网络设备异常的设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的预测网络设备异常的程序，所述预测网络设备异常的程序配置为实现如上文所述的预测网络设备异常的方法的步骤。
此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质上存储有预测网络设备异常的程序，所述预测网络设备异常的程序被处理器执行时实现如上文所述的预测网络设备异常的方法的步骤。
本实施例的预测网络设备异常的方法、装置、设备及存储介质，通过对多个时间段内待监控网络指标数据的分析来获得能够反应待监控设备中预设待监控网络指标变化情况的变化率，然后将得到变化率和预设的预警策略作为监控待监控网络设备是否会出现异常的预测标准，从而可以预测出如果待监控网络设备按照当前变化率发展下去，是否会在不久之后出现异常，进而实现了提前预测待监控网络设备异常，提前发现设备故障的目的。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的预测网络设备异常的设备的结构示意图；
图2为本申请预测网络设备异常的方法第一实施例的流程示意图；
图3为本申请预测网络设备异常的方法第二实施例的流程示意图；
图4为本申请预测网络设备异常的装置第一实施例的结构框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的预测网络设备异常的设备结构示意图。
如图1所示，该预测网络设备异常的设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（Random Access Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对预测网络设备异常的设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及预测网络设备异常的程序。
在图1所示的预测网络设备异常的设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请预测网络设备异常的设备中的处理器1001、存储器1005可以设置在预测网络设备异常的设备中，所述预测网络设备异常的设备通过处理器1001调用存储器1005中存储的预测网络设备异常的程序，并执行本申请实施例提供的预测网络设备异常的方法。
本申请实施例提供了一种预测网络设备异常的方法，参照图2，图2为本申请一种预测网络设备异常的方法第一实施例的流程示意图。
本实施例中，所述预测网络设备异常的方法包括以下步骤：
步骤S10，根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据。
具体的说，在实际应用中，为了便于对接入网络的各待监控网络设备的监控，本实施例中的执行主体具体可以是单独部署的用于监控各个待监控网络设备的代理服务器。并且，在部署代理服务器时，可以根据待监控网络设备分布的区域进行设置，然后由该区域的代理服务器来监管这一区域内所有能够与该代理服务器连接的待监控网络设备。
应当理解的是，在具体实现中，所述代理服务器可以选择传统的物理服务器，也可以选用虚拟云服务器，此处不做限制。
此外，上述所说的待监控网络指标，可以是指定网络链路中传输的数据流量、地址解析协议（Address Resolution Protocol，ARP）、介质访问控制（Media Access Control或者Medium Access Control，MAC）地址等常见网络指标，具体的选取可以由本领域的技术人员根据需要设置，本案对此不做限制。
为了便于理解本实施例中所说的网络指标数据所表示的含义，以下举例说明：如果待监控网络指标为ARP，则对应的网络指标数据则为ARP数量；如果待监控网络指标为MAC地址，则对应的网络指标数据则为MAC地址的漂移情况。
此外，本实施例中所说的待监控网络设备，具体可以是计算机（无论其为个人电脑或服务器）、集线器、交换机、网桥、路由器、网关、网络接口卡（network interface card，NIC）、无线访问接入点（Wireless Access Point，WAP）、打印机、调制解调器、光纤收发器、光缆等，此处不再一一列举，本案对此也不做具体限制。
通过上述描述不难发现，本实例中在从待监控网络设备中采集预设的待监控指标对应的网络指标数据时，具体是分时段采集的，从而可以使得后续的分析是针对一个周期内网络指标数据的变化情况进行分析，而并非仅仅对某一时间点的情况进行分析。因此，本案中给出的预测网络设备异常的方法通过结合某一时刻前后各时刻的网络指标数据来进行分析，可以有效的排除瞬时异常的情况，避免误报的情况。
步骤S20，对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率。
具体的说，步骤S20中对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率的操作，具体可以通过如下操作实现：
比如，先基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值；然后，根据各时段的指标数值，计算所述待监控网络指标对应的变化率。
需要说明的是，为了保证实际应用中对各时段的网络指标数据的分析能够顺利执行，分析过程中需要应用到的分析模型需要预先构建。并且，为了使后续预测结果更加精准，在本实施例中分析模型具体是基于深度机器学习法构建而来的。
具体的说，本实施例中所说的深度学习法具体是采用无监督学习方式（如深度置信网（Deep Belief Nets，DBNs））和有监督学习方式（如卷积神经网络（Convolutional neural networks，CNNs））相结合的方式，来构建所述分析模型。
为了便于理解，以下针对基于深度机器学习法，构建所述分析模型的操作具体简要说明，具体步骤如下：
S201，根据样本数据构建第一训练模型。
具体的说，构建的第一训练模型具体包括一个输入层、一个输出层和多个隐藏层。并且，多个隐藏层均位于输入层和输出层之间，各层之间采用全连接。
此外，为了保证训练结果的准确性，还可以在每层之前加入一个滤波器，用于滤出样本数据中的干扰信息。
此外，应当理解的是，本实施例中在构建第一训练模型时用到的样本数据，具体可以为各大数据平台中存储的海量数据，因而可以保证构建出的第一训练模型能够更好的刻好出数据的丰富内在信息和特征，使得基于第一训练模型训练出的分析模型能够更好的预测出待监控网络指标对应的变化率。
S202，根据预设的分层标准，将所述第一训练模型中各隐藏层的初始网络层拆分为至少两个子网络层。
具体的说，上述所说的分层标准，具体用于规定将初始网络层拆分为至少两个多大尺寸的子网络层。
比如说，在初始网络层的尺寸为5×5的卷积核时，分层标准可以是规定将尺寸为5×5的卷积核拆分为两个3×3的卷积核。
这样，在执行后续的步骤S203和步骤S204时，通过基于初始网络层拆分后的训练模型（第一训练模型和第二训练模型）来进行训练，便可以增加训练模型的网络深度，从而使得后续训练出的分析模型能够根据精准的预测出待监控网络指标对应的变化率。
S203，采用自下上升的非监督训练方式，以与所述第一训练模型中输入层相连的隐藏层为起点，与所述第一训练模型中输出层相连的隐藏层为终点，依次对所述第一训练模型中各隐藏层中的子网络层进行训练，得到第二训练模型。
具体的说，由于在实际应用中，构建第一训练模型的数据可以是由标定的数据，也可以是无标定的数据。而针对不同的训练数据构建的第一训练模型的训练方式也会有所不同，为了便于理解，以下以训练数据为无标定数据为例，进行具体说明。
具体的，在采用自下上升的非监督训练方式，对第一训练模型中各隐藏层中的子网络层进行训练时，需要先训练第一层（与输入层连接的隐藏层），学习第一层的参数。然后，在学习得到第一层的参数后，将第一层的输出作为第二层的输入，依次类推，在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数。
由于第一训练模型容量的限制以及稀疏性约束，因此在训练过程中能够学习到数据本身的结构，从而得到比输入更具有表示能力特征的第二训练模型。
需要说明的是，以上仅为举例说明，对本申请的技术方案并不构成限定，在具体实现中，本领域的技术人员可以根据需要选取训练数据进行训练，此处不做限制。
S204，采用自顶向下的监督训练方式，以与所述第二训练模型中输出层相连的隐藏层为起点，与所述第二训练模型中输入层相连的隐藏层为终点，依次对所述第二训练模型中各隐藏层中的子网络层进行训练，得到所述分析模型。
具体的说，通过采用自顶向下的监督训练方式对步骤S203中训练获得的第二训练模型中各层进行训练，使得误差自顶向下传输，从而达到了对整个网络的微调，进而得到能够得到效果更好的分析模型。
应当理解的是，关于上述提到的无监督学习方式和有监督学习方式的具体使用方式，本领域的技术人员可以通过查找相关资料自行实现，此处不再赘述。
步骤S30，根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常。
具体的说，这里所说的预警策略，即为预先设定的，在变化率符合什么条件时，会认为待监控网络设备可能会出现异常，需要触发相应的预警。
比如说，在连续时间内，t1时刻待监控网络设备（如交换机）处理的ARP数量为n1，t2时刻待监控网络设备处理的ARP数量为n2，t3时刻待监控网络设备处理的ARP数量为n3。而设定的预警策略为：如果从t1时刻到t2时刻，t2时刻到t3时刻，每个时间点递增超过20%，则预测所述待监控网络设备按照当前变化率递增下去，将要出现异常。
需要说明的是，以上仅为举例说明，对本申请的技术方案并不构成任何限定，本领域的技术人员可以根据需要设置预警策略，此处不做限制。
步骤S40，若预测所述待监控网络设备将要出现异常，则根据所述变化率和各时段的网络指标数据，生成预警信息。
具体的说，在预测所述待监控网络设备将要出现异常时，本实施例通过根据所述变化率和各时段的网络指标数据，生成预警信息，从而可以使得预警信息能够更加清楚的反应出待监控网络设备的现状。
本实施例提供的预测网络设备异常的方法，通过对多个时间段内待监控网络指标数据的分析来获得能够反应待监控设备中预设待监控网络指标变化情况的变化率，然后将得到变化率和预设的预警策略作为监控待监控网络设备是否会出现异常的预测标准，从而可以预测出如果待监控网络设备按照当前变化率发展下去，是否会在不久之后出现异常，进而实现了提前预测待监控网络设备异常，提前发现设备故障的目的。
参考图3，图3为本申请一种预测网络设备异常的方法第二实施例的流程示意图。
基于上述第一实施例，本实施例预测网络设备异常的方法在所述步骤S40之后，还包括：
步骤S50，根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员。
应当理解的是，上述所说的预警通知方式，具体可以是短信、邮件等通知方式，此处不再一一列举，对此也不做限制。
具体的，在采用上述通知方式，将所述预警信息通知给所述待监控网络设备的管理人员时，为了能够更加快速的通知到管理人员，可以预先为设置的通知方式设置好对应的模板，从而在得到预警信息后，直接将预警信息输入的模板中，然后发送给管理人员预留的手机号码或者邮箱中。
此外，为了能够让管理人员及时查看预警信息，及时针对待监控网络设备可能存在的异常作出应对措施，比如修改针对待监控网络设备的监控任务，远程调整待监控网络设备的参数，或者直接到现场检查待监控网络设备的状况。在将预警信息发送给管理人员收到预警信息的设备后，还可以控制收到预警信息的设备作出响铃、震动、屏幕闪烁等预警。
此外，值得一提的时，上述所说的管理人员，具体可以是专门监控待监控网络设备的监管人员，比如在待监控网络设备为某一企业的服务器时，监管人员可以该企业的运维人员；也可以是待监控设备的使用者、拥有者，比如在待监控网络设备为任一用户终端时，管理人员则为该用户终端的拥有者。
需要说明的是，以上仅为举例说明，对本申请的技术方案并不构成任何限定，本领域的技术人员可以根据需要设置，此处不做限制。
此外，为了方便管理人员在收到预警信息后及时、准确的赶到待监控设备所在的地点，在将所述预警信息通知给所述待监控网络设备的管理人员的时候可以将待监控网络设备的位置坐标一同发给管理人。
相应地，为了能够在将所述预警信息通知给所述待监控网络设备的管理人员的时候可以将待监控网络设备的位置坐标一同发给管理人，需要在预测到待监控网络设备将要出现异常时，先获取待监控网络设备的位置坐标。同时，为了保证发送给管理人员的位置坐标足够精确，还可以对获取到的待监控网络设备的位置坐标进行校正。
为了便于理解，以下给出一种具体的方式，进行说明：
首先，获取所述待监控网络设备的第一位置坐标。
具体的说，如果待监控网络设备为固定不会运动的，则获取到的第一位置坐标是当初部署待监控网络设备时预设的位置坐标；如果待监控网络设备是可以移动的，则获取的第一位置坐标具体可以通过待监控网络设备内部的卫星定位模块采集到的实时位置坐标。
然后，根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值。
具体的说，上述所说的定位差分基站，具体可以是采用实时动态（Real - time kinematic，RTK）载波相位差分技术制备的专用定位设备进行定位校正处理的设备，其位置坐标可以看出是绝对位置坐标。
最后，根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标。
即，在所述第一位置坐标的基础上，增加或减去目标差分值，以使第一位置坐标的精确度能够与定位差分基站的绝对位置坐标具有相同的精度。
此外，值得一提的是，为了减少不必要的投入，本实施例中所说的定位差分基站具体可以选用目前较为常见的路灯。这是因为，在当前的城市建设中，路灯已经是必不可少的基础设备，并且为了方便对不同区域设置的路灯维护和管理，通常会在路灯内设置其所处为在的坐标信息，并且为了保证其精确度，在安装路灯时，还会采用实时动态（Real - time kinematic，RTK）载波相位差分技术制备的专用定位设备对路灯的坐标进行校准，从而便可确定路灯的绝对位置坐标。因而，本实施例中选用具有绝对位置坐标的路灯作为定位差分基站，在不增加资金投入的情况下，就可以实现对待监控网络设备的第一位置坐标的修正，从而获取到待监控网络设备的绝对位置坐标，进而保证管理人员能够快速找到待监控网络设备。
为了便于理解，以下针对所述定位差分基站为路灯时，所述根据所述第一位置坐标，选取定位差分基站时所作的操作进行简要说明。
比如，可以通过根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，将距离所述第一位置坐标最近的路灯确定为定位差分基站。
此外，应当理解的是，上述所说的根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，在具体应用中，可以通过如下操作实现：获取预设区域内所有路灯的位置坐标，所述预设区域为以所述第一位置坐标为圆心，以预设长度为半径确定的区域；将所述第一位置坐标与获取到的各路灯的位置坐标进行对比，确定距离所述第一位置坐标最近的位置坐标；将确定的所述位置坐标对应的路灯作为距离所述第一位置坐标最近的路灯。
需要说明的，以上仅为举例说明，对本申请的技术方案并不构成任何限定，本领域的技术人员可以根据需要划分所述预测网络设备异常的装置中包括的功能模块，此处不做限制。
本实施例提供的测网络设备异常的方法，在预测出不久之后待监控网络设备可能会出现异常后，通过按照预设的预警通知方式，将根据所述变化率和各时段的网络指标数据生成的预警信息，通知给可能出现异常的待监控网络设备的管理人员，从而可以使管理人员提前根据预警信息作为针对待监控网络设备可能出现的异常的应用措施，尽可能的降低待该异常给待监控网络设备，及与待监控网络设备通信的其他网络设备、接入的网络等造成的危害与损失，做到防患于未然。
需要说明的是，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
参照图4，图4为本申请预测网络设备异常的装置第一实施例的结构框图。
如图4所示，本申请实施例提出的预测网络设备异常的装置包括：采集模块4001、分析模块4002、预测模块4003和生成模块4004。
其中，采集模块4001，用于根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据。分析模块4002，用于对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率。预测模块4003，用于根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常。生成模块4004，用于在预测所述待监控网络设备将要出现异常时，根据所述变化率和各时段的网络指标数据，生成预警信息。
具体的说，在实际应用中，所述分析模块4002可以细化为：指标数值分析确定子模块和变化率计算子模块。
相应地，所述分析模块4002所执行的对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率的操作，具体可以细化为：由所述指标数值分析确定子模块，基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值；由所述变化率计算子模块，根据各时段的指标数值，计算所述待监控网络指标对应的变化率。
此外，应当理解的是，为了保证所述指标数值分析确定子模块能够基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值，需要预先构建分析过程中用到的分析模型。
因而，本实施例中提供的预测网络设备异常的装置还可以包括：分析模型构建模块。
需要说明的是，为了使后续预测结果更加精准，在本实施例中，分析模型构建模块具体是基于深度机器学习法来构建所述分析模型的。
同样，在实际应用中，也可以根据具体的构建步骤对所述分析模型构建模块进行细化，比如将所述分析模型构建模块细化为：第一训练模型构建子模块、预处理子模块、第一训练模型训练子模块和第二训练模块训练子模块。
具体的，所述第一训练模型构建子模块，用于根据样本数据构建第一训练模型。
所述预处理子模块，用于根据预设的分层标准，将所述第一训练模型中各隐藏层的初始网络层拆分为至少两个子网络层。
所述第一训练模型训练子模块，用于采用自下上升的非监督训练方式，以与所述第一训练模型中输入层相连的隐藏层为起点，与所述第一训练模型中输出层相连的隐藏层为终点，依次对所述第一训练模型中各隐藏层中的子网络层进行训练，得到第二训练模型。
所述第二训练模块训练子模块，用于采用自顶向下的监督训练方式，以与所述第二训练模型中输出层相连的隐藏层为起点，与所述第二训练模型中输入层相连的隐藏层为终点，依次对所述第二训练模型中各隐藏层中的子网络层进行训练，得到所述分析模型。
需要说明的，以上仅为举例说明，对本申请的技术方案并不构成任何限定，本领域的技术人员可以根据需要划分所述预测网络设备异常的装置中包括的功能模块，此处不做限制。
本实施例提供的预测网络设备异常的装置，通过对多个时间段内待监控网络指标数据的分析来获得能够反应待监控设备中预设待监控网络指标变化情况的变化率，然后将得到变化率和预设的预警策略作为监控待监控网络设备是否会出现异常的预测标准，从而可以预测出如果待监控网络设备按照当前变化率发展下去，是否会在不久之后出现异常，进而实现了提前预测待监控网络设备异常，提前发现设备故障的目的。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本申请的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的预测网络设备异常的方法，此处不再赘述。
基于上述预测网络设备异常的装置的第一实施例，提出本申请预测网络设备异常的装置第二实施例。
在本实施例中，所述预测网络设备异常的装置还包括通知模块。
其中，所述通知模块，用于根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员。
进一步地，为了方便管理人员及时赶到待监控网络设备所在地，对待监控网络设备进行检修。所述预测网络设备异常的装置还可以包括待监控网络设备位置坐标确定模块。
具体的，所述待监控网络设备位置坐标确定模块主要通过如下操作，确定待监控网络设备的位置坐标：
首先，获取所述待监控网络设备的第一位置坐标。
然后，根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值。
最后，根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标。
相应地，所述通知模块在根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员时，还用于根据预设的预警通知方式，将所述待监控网络设备的位置坐标通知给所述待监控网络设备的管理人员。
此外，值得一提的是，为了减少不必要的投入，本实施例中所说的定位差分基站具体可以选用目前较为常见的路灯。这是因为，在当前的城市建设中，路灯已经是必不可少的基础设备，并且为了方便对不同区域设置的路灯维护和管理，通常会在路灯内设置其所处为在的坐标信息，并且为了保证其精确度，在安装路灯时，还会采用实时动态（Real - time kinematic，RTK）载波相位差分技术制备的专用定位设备对路灯的坐标进行校准，从而便可确定路灯的绝对位置坐标。因而，本实施例中选用具有绝对位置坐标的路灯作为定位差分基站，在不增加资金投入的情况下，就可以实现对待监控网络设备的第一位置坐标的修正，从而获取到待监控网络设备的绝对位置坐标，进而保证管理人员能够快速找到待监控网络设备。
为了便于理解，以下针对所述定位差分基站为路灯时，所述待监控网络设备位置坐标确定模块根据所述第一位置坐标，选取定位差分基站时所作的操作进行简要说明。
比如，可以设置所述待监控网络设备位置坐标确定模块根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，并将距离所述第一位置坐标最近的路灯确定为定位差分基站。
此外，应当理解的是，上述所说的根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯，在具体应用中，可以通过如下操作实现：获取预设区域内所有路灯的位置坐标，所述预设区域为以所述第一位置坐标为圆心，以预设长度为半径确定的区域；将所述第一位置坐标与获取到的各路灯的位置坐标进行对比，确定距离所述第一位置坐标最近的位置坐标；将确定的所述位置坐标对应的路灯作为距离所述第一位置坐标最近的路灯。
需要说明的，以上仅为举例说明，对本申请的技术方案并不构成任何限定，本领域的技术人员可以根据需要划分所述预测网络设备异常的装置中包括的功能模块，此处不做限制。
本实施例提供的测网络设备异常的装置，在预测出不久之后待监控网络设备可能会出现异常后，通过按照预设的预警通知方式，将根据所述变化率和各时段的网络指标数据生成的预警信息，通知给可能出现异常的待监控网络设备的管理人员，从而可以使管理人员提前根据预警信息作为针对待监控网络设备可能出现的异常的应用措施，尽可能的降低待该异常给待监控网络设备，及与待监控网络设备通信的其他网络设备、接入的网络等造成的危害与损失，做到防患于未然。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本申请的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的预测网络设备异常的方法，此处不再赘述。
此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的 技术方案本质上或者说对现有技术做出贡献的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（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光 盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种预测网络设备异常的方法，其特征在于，所述方法包括以下步骤：
    根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
    对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
    根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
    若预测所述待监控网络设备将要出现异常，则根据所述变化率和各时段的网络指标数据，生成预警信息。
  2. 如权利要求1所述的方法，其特征在于，所述对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率的步骤，包括：
    基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值；
    根据各时段的指标数值，计算所述待监控网络指标对应的变化率。
  3. 如权利要求2所述的方法，其特征在于，所述基于预设的分析模型对各时段的网络指标数据进行分析的步骤之前，所述方法还包括：
    基于深度机器学习法，构建所述分析模型；
    其中，所述基于深度机器学习法，构建所述分析模型，包括：
    根据样本数据构建第一训练模型；
    根据预设的分层标准，将所述第一训练模型中各隐藏层的初始网络层拆分为至少两个子网络层；
    采用自下上升的非监督训练方式，以与所述第一训练模型中输入层相连的隐藏层为起点，与所述第一训练模型中输出层相连的隐藏层为终点，依次对所述第一训练模型中各隐藏层中的子网络层进行训练，得到第二训练模型；
    采用自顶向下的监督训练方式，以与所述第二训练模型中输出层相连的隐藏层为起点，与所述第二训练模型中输入层相连的隐藏层为终点，依次对所述第二训练模型中各隐藏层中的子网络层进行训练，得到所述分析模型。
  4. 如权利要求3所述的方法，其特征在于，所述根据所述变化率和各时段的网络指标数据，生成预警信息的步骤之后，所述方法还包括：
    根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员。
  5. 如权利要求4所述的方法，其特征在于，所述将所述预警信息通知给所述待监控网络设备的管理人员的步骤之前，所述方法还包括：
    获取所述待监控网络设备的第一位置坐标；
    根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值；
    根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标；
    所述将所述预警信息通知给所述待监控网络设备的管理人员，包括：
    将所述预警信息和所述待监控网络设备当前所处的位置坐标通知给所述待监控网络设备的管理人员。
  6. 如权利要求5所述的方法，其特征在于，所述定位差分基站为路灯；所述根据所述第一位置坐标，选取定位差分基站的步骤，包括：
    根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯；
    将距离所述第一位置坐标最近的路灯确定为定位差分基站。
  7. 如权利要求6所述的方法，其特征在于，所述根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯的步骤，包括：
    获取预设区域内所有路灯的位置坐标，所述预设区域为以所述第一位置坐标为圆心，以预设长度为半径确定的区域；
    将所述第一位置坐标与获取到的各路灯的位置坐标进行对比，确定距离所述第一位置坐标最近的位置坐标；
    将确定的所述位置坐标对应的路灯作为距离所述第一位置坐标最近的路灯。
  8. 一种预测网络设备异常的装置，其特征在于，所述装置包括：
    采集模块，用于根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
    分析模块，用于对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
    预测模块，用于根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
    生成模块，用于在预测所述待监控网络设备将要出现异常时，根据所述变化率和各时段的网络指标数据，生成预警信息。
  9. 一种预测网络设备异常的设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的预测网络设备异常的程序，所述预测网络设备异常的程序配置为实现以下步骤：
    根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
    对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
    根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
    若预测所述待监控网络设备将要出现异常，则根据所述变化率和各时段的网络指标数据，生成预警信息。
  10. 如权利要求9所述的预测网络设备异常的设备，其特征在于，所述对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率的步骤，包括：
    基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值；
    根据各时段的指标数值，计算所述待监控网络指标对应的变化率。
  11. 如权利要求10所述的预测网络设备异常的设备，其特征在于，所述基于预设的分析模型对各时段的网络指标数据进行分析的步骤之前，所述方法还包括：
    基于深度机器学习法，构建所述分析模型；
    其中，所述基于深度机器学习法，构建所述分析模型，包括：
    根据样本数据构建第一训练模型；
    根据预设的分层标准，将所述第一训练模型中各隐藏层的初始网络层拆分为至少两个子网络层；
    采用自下上升的非监督训练方式，以与所述第一训练模型中输入层相连的隐藏层为起点，与所述第一训练模型中输出层相连的隐藏层为终点，依次对所述第一训练模型中各隐藏层中的子网络层进行训练，得到第二训练模型；
    采用自顶向下的监督训练方式，以与所述第二训练模型中输出层相连的隐藏层为起点，与所述第二训练模型中输入层相连的隐藏层为终点，依次对所述第二训练模型中各隐藏层中的子网络层进行训练，得到所述分析模型。
  12. 如权利要求11所述的预测网络设备异常的设备，其特征在于，所述根据所述变化率和各时段的网络指标数据，生成预警信息的步骤之后，所述方法还包括：
    根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员。
  13. 如权利要求12所述的预测网络设备异常的设备，其特征在于，所述将所述预警信息通知给所述待监控网络设备的管理人员的步骤之前，所述方法还包括：
    获取所述待监控网络设备的第一位置坐标；
    根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值；
    根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标；
    所述将所述预警信息通知给所述待监控网络设备的管理人员，包括：
    将所述预警信息和所述待监控网络设备当前所处的位置坐标通知给所述待监控网络设备的管理人员。
  14. 如权利要求13所述的预测网络设备异常的设备，其特征在于，所述定位差分基站为路灯；所述根据所述第一位置坐标，选取定位差分基站的步骤，包括：
    根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯；
    将距离所述第一位置坐标最近的路灯确定为定位差分基站。
  15. 如权利要求14所述的预测网络设备异常的设备，其特征在于，所述根据所述第一位置坐标，查找距离所述第一位置坐标最近的路灯的步骤，包括：
    获取预设区域内所有路灯的位置坐标，所述预设区域为以所述第一位置坐标为圆心，以预设长度为半径确定的区域；
    将所述第一位置坐标与获取到的各路灯的位置坐标进行对比，确定距离所述第一位置坐标最近的位置坐标；
    将确定的所述位置坐标对应的路灯作为距离所述第一位置坐标最近的路灯。
  16. 一种存储介质，其特征在于，所述存储介质上存储有预测网络设备异常的程序，所述预测网络设备异常的程序被处理器执行时实现以下步骤：
    根据预设的待监控网络指标，分时段采集待监控网络设备提供的网络指标数据；
    对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率；
    根据所述变化率和预设的预警策略，预测所述待监控网络设备是否将要出现异常；
    若预测所述待监控网络设备将要出现异常，则根据所述变化率和各时段的网络指标数据，生成预警信息。
  17. 如权利要求16所述的存储介质，其特征在于，所述对各时段的网络指标数据进行分析，得到所述待监控网络指标对应的变化率的步骤，包括：
    基于预设的分析模型对各时段的网络指标数据进行分析，得到所述待监控网络指标在各时段的指标数值；
    根据各时段的指标数值，计算所述待监控网络指标对应的变化率。
  18. 如权利要求17所述的存储介质，其特征在于，所述基于预设的分析模型对各时段的网络指标数据进行分析的步骤之前，所述方法还包括：
    基于深度机器学习法，构建所述分析模型；
    其中，所述基于深度机器学习法，构建所述分析模型，包括：
    根据样本数据构建第一训练模型；
    根据预设的分层标准，将所述第一训练模型中各隐藏层的初始网络层拆分为至少两个子网络层；
    采用自下上升的非监督训练方式，以与所述第一训练模型中输入层相连的隐藏层为起点，与所述第一训练模型中输出层相连的隐藏层为终点，依次对所述第一训练模型中各隐藏层中的子网络层进行训练，得到第二训练模型；
    采用自顶向下的监督训练方式，以与所述第二训练模型中输出层相连的隐藏层为起点，与所述第二训练模型中输入层相连的隐藏层为终点，依次对所述第二训练模型中各隐藏层中的子网络层进行训练，得到所述分析模型。
  19. 如权利要求18所述的存储介质，其特征在于，所述根据所述变化率和各时段的网络指标数据，生成预警信息的步骤之后，所述方法还包括：
    根据预设的预警通知方式，将所述预警信息通知给所述待监控网络设备的管理人员。
  20. 如权利要求19所述的存储介质，其特征在于，所述将所述预警信息通知给所述待监控网络设备的管理人员的步骤之前，所述方法还包括：
    获取所述待监控网络设备的第一位置坐标；
    根据所述第一位置坐标，选取定位差分基站，并获取所述定位差分基站对应的目标差分值；
    根据所述目标差分值，对所述第一位置坐标进行修正，获得第二位置坐标，并将所述第二位置坐标作为所述待监控网络设备当前所处的位置坐标；
    所述将所述预警信息通知给所述待监控网络设备的管理人员，包括：
    将所述预警信息和所述待监控网络设备当前所处的位置坐标通知给所述待监控网络设备的管理人员。
PCT/CN2019/092962 2018-10-08 2019-06-26 预测网络设备异常的方法、装置、设备及存储介质 WO2020073688A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811168086.3 2018-10-08
CN201811168086.3A CN109660419B (zh) 2018-10-08 2018-10-08 预测网络设备异常的方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
WO2020073688A1 true WO2020073688A1 (zh) 2020-04-16

Family

ID=66110688

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/092962 WO2020073688A1 (zh) 2018-10-08 2019-06-26 预测网络设备异常的方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN109660419B (zh)
WO (1) WO2020073688A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112104618A (zh) * 2020-08-27 2020-12-18 深信服科技股份有限公司 一种信息确定方法、信息确定设备和计算机可读存储介质
CN113378245A (zh) * 2021-07-07 2021-09-10 北京安天网络安全技术有限公司 安全状态数据的运维方法、装置、电子设备及存储介质
CN113759785A (zh) * 2021-04-28 2021-12-07 龙坤(无锡)智慧科技有限公司 一种基于大数据分析技术实现设备故障预警的方法
CN114241266A (zh) * 2021-12-21 2022-03-25 国网甘肃省电力公司酒泉供电公司 一种光缆智能预警的处理方法及系统
CN114598618A (zh) * 2020-12-07 2022-06-07 中国移动通信有限公司研究院 一种数据处理方法、装置及设备
CN114723082A (zh) * 2022-04-19 2022-07-08 镇江西门子母线有限公司 一种智能低压成套设备的异常预警方法及系统
CN114925753A (zh) * 2022-04-28 2022-08-19 南通东升灯饰有限公司 一种led地灯的使用异常报警系统
CN115514686A (zh) * 2021-06-23 2022-12-23 深信服科技股份有限公司 一种流量采集方法、装置及电子设备和存储介质
CN115986945A (zh) * 2023-03-21 2023-04-18 山东聚发数字工业技术有限公司 一种基于工业互联网的电力设备监测方法、设备及介质
CN116541251A (zh) * 2023-07-04 2023-08-04 天津通信广播集团有限公司 显示设备状态预警方法、装置、设备和计算机可读介质

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109660419B (zh) * 2018-10-08 2022-06-17 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质
CN112994965B (zh) * 2019-12-13 2022-09-02 北京金山云网络技术有限公司 一种网络异常检测方法、装置和服务器
CN113114480B (zh) * 2020-01-10 2023-06-06 华为技术有限公司 一种数据的上报方法及相关设备
CN111464390B (zh) * 2020-03-31 2022-06-10 中国建设银行股份有限公司 网络应用系统监控预警方法及系统
CN111679885B (zh) * 2020-05-29 2023-10-13 泰康保险集团股份有限公司 确定虚拟机漂移方法、装置、介质及电子设备
CN112039689B (zh) * 2020-07-21 2023-09-08 网宿科技股份有限公司 网络设备性能评估方法、装置、设备及存储介质
CN114301803B (zh) * 2021-12-24 2024-03-08 北京百度网讯科技有限公司 网络质量检测方法、装置、电子设备及存储介质
CN116847222B (zh) * 2023-09-01 2023-11-14 西安格威石油仪器有限公司 应用于石油测井下的设备远程监控方法及系统
CN117082561B (zh) * 2023-10-12 2024-01-02 北京绿色苹果技术有限公司 一种通信网络智能监测评估方法、系统和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN107391341A (zh) * 2017-07-21 2017-11-24 郑州云海信息技术有限公司 一种故障预警方法及装置
CN108199795A (zh) * 2017-12-29 2018-06-22 北京百分点信息科技有限公司 一种设备状态的监测方法和装置
CN104935464B (zh) * 2015-06-12 2018-07-06 北京奇虎科技有限公司 一种网站系统的故障预警方法和装置
WO2018127273A1 (en) * 2017-01-03 2018-07-12 Telefonaktiebolaget Lm Ericsson (Publ) Methods, control node, network element and system for handling network events in a telecommunications network
CN109660419A (zh) * 2018-10-08 2019-04-19 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102721881A (zh) * 2012-06-05 2012-10-10 广东电网公司电力科学研究院 一种变电站站用交直流一体化电源系统在线预警系统
CN103716180A (zh) * 2013-12-04 2014-04-09 国网上海市电力公司 基于网络流量实际预测的网络异常预警方法
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN105184386A (zh) * 2015-07-22 2015-12-23 中国寰球工程公司 一种结合专家经验和历史数据建立异常事件预警系统的方法
CN105842711A (zh) * 2016-01-27 2016-08-10 乐卡汽车智能科技（北京）有限公司 差分基站、路侧设备、车载定位设备以及差分定位方法
CN107730087A (zh) * 2017-09-20 2018-02-23 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN108510718A (zh) * 2018-05-28 2018-09-07 深圳市零度智控科技有限公司 基于大数据的报警方法、装置、终端设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN104935464B (zh) * 2015-06-12 2018-07-06 北京奇虎科技有限公司 一种网站系统的故障预警方法和装置
WO2018127273A1 (en) * 2017-01-03 2018-07-12 Telefonaktiebolaget Lm Ericsson (Publ) Methods, control node, network element and system for handling network events in a telecommunications network
CN107391341A (zh) * 2017-07-21 2017-11-24 郑州云海信息技术有限公司 一种故障预警方法及装置
CN108199795A (zh) * 2017-12-29 2018-06-22 北京百分点信息科技有限公司 一种设备状态的监测方法和装置
CN109660419A (zh) * 2018-10-08 2019-04-19 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112104618A (zh) * 2020-08-27 2020-12-18 深信服科技股份有限公司 一种信息确定方法、信息确定设备和计算机可读存储介质
CN114598618A (zh) * 2020-12-07 2022-06-07 中国移动通信有限公司研究院 一种数据处理方法、装置及设备
CN113759785A (zh) * 2021-04-28 2021-12-07 龙坤(无锡)智慧科技有限公司 一种基于大数据分析技术实现设备故障预警的方法
CN115514686A (zh) * 2021-06-23 2022-12-23 深信服科技股份有限公司 一种流量采集方法、装置及电子设备和存储介质
CN113378245A (zh) * 2021-07-07 2021-09-10 北京安天网络安全技术有限公司 安全状态数据的运维方法、装置、电子设备及存储介质
CN114241266A (zh) * 2021-12-21 2022-03-25 国网甘肃省电力公司酒泉供电公司 一种光缆智能预警的处理方法及系统
CN114241266B (zh) * 2021-12-21 2023-11-28 国网甘肃省电力公司酒泉供电公司 一种光缆智能预警的处理方法及系统
CN114723082B (zh) * 2022-04-19 2023-08-18 镇江西门子母线有限公司 一种智能低压成套设备的异常预警方法及系统
CN114723082A (zh) * 2022-04-19 2022-07-08 镇江西门子母线有限公司 一种智能低压成套设备的异常预警方法及系统
CN114925753A (zh) * 2022-04-28 2022-08-19 南通东升灯饰有限公司 一种led地灯的使用异常报警系统
CN115986945B (zh) * 2023-03-21 2023-06-16 山东聚发数字工业技术有限公司 一种基于工业互联网的电力设备监测方法、设备及介质
CN115986945A (zh) * 2023-03-21 2023-04-18 山东聚发数字工业技术有限公司 一种基于工业互联网的电力设备监测方法、设备及介质
CN116541251A (zh) * 2023-07-04 2023-08-04 天津通信广播集团有限公司 显示设备状态预警方法、装置、设备和计算机可读介质
CN116541251B (zh) * 2023-07-04 2023-10-20 天津通信广播集团有限公司 显示设备状态预警方法、装置、设备和计算机可读介质

Also Published As

Publication number Publication date
CN109660419B (zh) 2022-06-17
CN109660419A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
WO2020073688A1 (zh) 预测网络设备异常的方法、装置、设备及存储介质
WO2020048047A1 (zh) 系统故障的预警方法、装置、设备及存储介质
WO2020022639A1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
US20180220312A1 (en) Radio access network (ran) cell site diagnotic test tool system and method
WO2020143297A1 (zh) 呼叫中心的容灾方法、装置、设备及存储介质
JP2021121956A (ja) 故障予測方法、装置、電子設備、記憶媒体、及びプログラム
WO2020242008A1 (en) Method and device for managing multiple remote radio heads in communication network
WO2020015060A1 (zh) 用电量异常评估方法、装置、设备和计算机存储介质
WO2013027970A1 (ko) 네트워크의 이상증후를 탐지하는 장치 및 방법
WO2011021899A2 (en) Method and apparatus for generating, managing, and sharing moving path
WO2020119369A1 (zh) 智能it运维故障定位方法、装置、设备及可读存储介质
WO2019078489A1 (ko) 사물 인터넷 플랫폼 서비스 제공 방법 및 서버장치
WO2023003356A1 (ko) 갠트리 크레인의 실시간 모니터링 시스템
WO2019107804A1 (ko) 약물의 구조 정보를 이용한 약물-약물 또는 약물-음식 상호작용 예측 방법
WO2020233073A1 (zh) 区块链环境检测方法、设备、装置及存储介质
WO2022065623A1 (en) Method of implementing self-organizing network for plurality of access network devices and electronic device for performing the same
WO2019137052A1 (zh) 网络运维的方法及装置
WO2020114184A1 (zh) 联合建模方法、装置、设备以及计算机可读存储介质
WO2023090876A1 (ko) 선제적 풍력발전 유지관리 시스템
WO2018143571A1 (ko) 무선 통신 시스템에서 객체를 관리하는 방법 및 장치
WO2018199630A1 (ko) 이미지 캡처를 이용한 통합 모니터링 시스템 및 방법
WO2019112113A1 (ko) 서비스 지향 사물 인터넷 플랫폼 및 그 제어 방법
WO2020013619A1 (ko) 전력계통 신뢰도 지수를 토대로 한 변전소 자산 관리 방법 및 장치
WO2020076056A1 (ko) 트래픽 오프로딩을 제어하기 위한 장치 및 방법
WO2021060772A1 (ko) 머신러닝기반 태양광발전운영 관리시스템 및 관리방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19870360

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19870360

Country of ref document: EP

Kind code of ref document: A1