WO2023016380A1 - 小区网络异常检测方法、装置及计算机可读存储介质 - Google Patents

小区网络异常检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
WO2023016380A1
WO2023016380A1 PCT/CN2022/110684 CN2022110684W WO2023016380A1 WO 2023016380 A1 WO2023016380 A1 WO 2023016380A1 CN 2022110684 W CN2022110684 W CN 2022110684W WO 2023016380 A1 WO2023016380 A1 WO 2023016380A1
Authority
WO
WIPO (PCT)
Prior art keywords
index
data
performance index
index data
abnormal
Prior art date
Application number
PCT/CN2022/110684
Other languages
English (en)
French (fr)
Inventor
贺健
Original Assignee
中兴通讯股份有限公司
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 中兴通讯股份有限公司 filed Critical 中兴通讯股份有限公司
Publication of WO2023016380A1 publication Critical patent/WO2023016380A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • H04L41/0681—Configuration of triggering conditions

Definitions

  • the embodiments of the present application relate to but are not limited to the field of communication technologies, and in particular, relate to a cell network anomaly detection method, device, and computer-readable storage medium.
  • KPI Key Performance Indicator
  • Embodiments of the present application provide a cell network anomaly detection method, device, and computer-readable storage medium.
  • the embodiment of the present application provides a cell network anomaly detection method, the method comprising: obtaining the performance index data of the cell; determining the index attribute of the performance index data, and detecting the abnormality corresponding to the index attribute
  • the model performs abnormal index analysis on the performance index data, and determines the first abnormal detection result corresponding to the performance index data; classifies the performance index data to obtain multiple data categories; determines according to the first abnormal detection result A first abnormality degree value corresponding to each of the data categories; obtaining a second abnormality detection result of the cell according to a plurality of the first abnormality degree values.
  • the embodiment of the present application also provides a cell network anomaly detection device, including: a memory, a processor, and a computer program stored in the memory and operable on the processor, and the processor executes the computer program At the same time, the method for detecting abnormality of the cell network as described above is realized.
  • the embodiment of the present application also provides a computer-readable storage medium, where executable instructions are stored in the computer-readable storage medium, and when the executable instructions are executed by a processor, the above-mentioned cell network is implemented. Anomaly detection method.
  • FIG. 1 is a flow chart of a method for detecting anomalies in a cell network according to an embodiment of the present application
  • Fig. 2 is the flow chart of the index property step of determining performance index data
  • FIG. 3 is a structural diagram of a cell network anomaly detection device according to an embodiment of the present application.
  • FIG. 4 is another structural diagram of a cell network anomaly detection device according to an embodiment of the present application.
  • Fig. 5 is a structural diagram of a cell network anomaly detection device according to another embodiment of the present application.
  • the embodiment of the present application includes: obtaining the performance index data of the community; determining the index attribute of the performance index data, performing abnormal index analysis on the performance index data through the abnormality detection model corresponding to the index attribute, and determining the first abnormality detection result corresponding to the performance index data ; Classify the performance index data to obtain multiple data categories; determine the first abnormality degree value corresponding to each data category according to the first abnormality detection result; obtain the second abnormality detection result of the cell according to the multiple first abnormality degree values ;Use index classification method and multi-model anomaly detection method to make anomaly detection more targeted and improve the efficiency and accuracy of anomaly detection; use multiple indicators for anomaly detection to make anomaly detection more comprehensive.
  • the embodiment of the first aspect of the present application provides a method for detecting cell network anomalies.
  • the methods for detecting cell network anomalies include:
  • Step S100 acquiring performance index data of a cell.
  • the performance index data of the cell is obtained in real time from the network management of the operator.
  • the performance index data is a KPI time series.
  • Step S200 Determine the index attribute of the performance index data, perform abnormal index analysis on the performance index data through the abnormality detection model corresponding to the index attribute, and determine the first abnormality detection result corresponding to the performance index data.
  • the determination of the index attribute of the performance index data in step S200 specifically includes step S211 , step S212 and step S213 .
  • the indicator attributes of KPI time series mainly include non-volatile indicators, non-periodic indicators, periodic indicators and trend indicators.
  • Step S211 performing volatility analysis on the performance index data, so as to determine the index attribute corresponding to the performance index data as a non-volatile index or a volatility index.
  • step S211 specifically, calculate the first mean value ⁇ 1 and the first variance ⁇ 1 of the KPI time series; perform volatility analysis on the performance index data according to the first mean value ⁇ 1 and the first variance ⁇ 1 .
  • the volatility analysis is as follows: when the first mean value ⁇ 1 and the first variance ⁇ 1 satisfy ⁇ 1 ⁇ 1 or ⁇ 1 ⁇ 10 -5 , then determine the index attribute corresponding to the performance index data as a non-volatility index; otherwise, Then, the index attribute corresponding to the performance index data is determined as the volatility index.
  • ⁇ is a hyperparameter, which is generally set to 0.05. The value of ⁇ can be fine-tuned according to the actual situation.
  • Step S212 performing periodic analysis on the performance index data whose index attribute is a volatility index, so as to change the index attribute corresponding to the performance index data to a periodic index or an aperiodic index.
  • the periodic analysis parameters include autocorrelation coefficient, amplitude spectrum, amplitude spectrum maximum value max , the first The second mean value ⁇ 2 , the second variance ⁇ 2 and the maximum peak value peak max of the main peak of the amplitude spectrum.
  • the index attribute is changed to a periodic index, specifically, the first discriminant formula is value max >( ⁇ 2 +3 ⁇ 2 )&peak max > ⁇ *2 *( ⁇ 2 + ⁇ 2 ), where ⁇ is a hyperparameter, and the value of ⁇ can be fine-tuned according to the actual situation.
  • the volatility index data does not satisfy the first discriminant formula or the autocorrelation coefficient is less than the first discriminant threshold or there is no peak in the amplitude spectrum, the index attribute is changed to an aperiodic index.
  • the first judgment threshold is set according to historical data.
  • the magnitude spectrum is obtained by performing Fourier transform on the KPI time series and moving the zero-frequency component to the center of the spectrum before calculating it.
  • Step S213 performing trend analysis on the performance index data whose index attribute is a periodic index, so as to change the index attribute corresponding to the performance index data to a non-trend index or a trend index.
  • step S213 specifically, for the KPI time series whose index attribute is a periodic index, calculate the period of the KPI time series, and calculate the average of the KPI time series S1 in each period to obtain the first analysis time series; for example, KPI time
  • the cycle of the sequence S1 is 24 hours, that is, the 24-hour granularity point, then the 24-hour KPI time series S1 is averaged to obtain a new first analysis time series S2.
  • the values corresponding to two adjacent points are calculated to obtain the second analysis time series S3; Subtract the point from the previous moment.
  • the trend analysis parameters include the first maximum value max , the first minimum value min , the third mean value ⁇ 3 and the third difference ⁇ 3 .
  • the indicator attribute of the KPI time series S1 is changed to a trend index; when the second analysis time series does not satisfy the second discriminant formula based on the trend analysis parameters Discriminant, the indicator attribute of KPI time series S1 is changed to a non-trend indicator; specifically, the second discriminant is value max ⁇ 1 ⁇ &value min > ⁇ 2 ⁇ & ⁇ 3 ⁇ ; where ⁇ 1 , ⁇ 2 , ⁇ 3 is the hyperparameter, ⁇ 1 is set to 1.2, ⁇ 2 is set to 0.8, and ⁇ 3 is set to 0.1.
  • the values of ⁇ 1 , ⁇ 2 , and ⁇ 3 can be fine-tuned according to actual conditions.
  • the indicator attribute of the KPI time series is any one of non-volatile indicators, non-periodic indicators, periodic indicators or trend indicators.
  • step S200 the anomaly index analysis is performed on the performance index data through the anomaly detection model corresponding to the index attribute, and the first anomaly detection result corresponding to the performance index data is determined, specifically including steps S221, S222, S223 and S224.
  • different anomaly detection models are used for abnormal index analysis, which is more targeted and can effectively improve the accuracy of anomaly detection
  • Step S221 when the index attribute of the performance index data is a non-volatile index, the following method is used to analyze the abnormal index. This method has the advantages of high detection efficiency and dynamic threshold.
  • Step S222 when the index attribute of the performance index data is an aperiodic index, the following method is used to analyze the abnormal index.
  • Step S223 when the index attribute of the performance index data is a periodic index, the following method is used to analyze the abnormal index.
  • the first abnormality detection result indicates that the performance index data is abnormal; when the first error is greater than or equal to the first error threshold, the first abnormality detection result indicates that the performance index data is normal.
  • numerical prediction is performed on the first n seconds of data in the performance index data according to the periodic rule to obtain the first predicted value at the n+1th second, and the corresponding first real value is the value at the n+1th second in the performance index data.
  • the first error threshold is set according to historical data.
  • Step S224 when the index attribute of the performance index data is a trend index, the following method is used to analyze the abnormal index.
  • the first abnormality detection result indicates that the performance index data is abnormal; when the second error is greater than or equal to the second error threshold, the first abnormality detection result indicates that the performance index data is normal.
  • local regression fitting is performed on the data of the first n seconds in the performance index data to obtain the second predicted value at the n+1th second, and the corresponding second actual value is the value at the n+1th second in the performance index data.
  • the second error threshold is set according to historical data.
  • step S200 offline training is used for multiple anomaly detection models in step S200, and each anomaly detection model is trained offline using historical KPI time series data until convergence, and the trained models are persistently saved for easy invocation during online reasoning . Then use multiple anomaly detection models that have been trained to perform online reasoning on real-time KPI time series data to analyze abnormal indicators; reduce the time consumption of model reasoning to meet the application of large-scale networks.
  • step S200 the following steps are also included:
  • the second abnormal degree value is used to represent the abnormal degree of the performance index data.
  • the index attribute of the performance index data is a trend index.
  • the second error is obtained.
  • the first abnormality detection result indicates that the performance index data is abnormal, and the second error is calculated.
  • the ratio of the error to the real value reflects the abnormality of the performance index data through the ratio of the second error to the real value to obtain the second abnormality value
  • the first abnormality detection result detected in step S200 may be stored in a database to obtain an index abnormality detection table as shown in Table 1.
  • the time field indicates the start time node of the granularity data of the current hour.
  • enodeb_id is the base station ID
  • cell_id is the cell ID
  • enodeb_id and cell_id together constitute the unique identifier of the cell.
  • kpi_name is the KPI time series name.
  • kpi_value is the actual value of the current time granularity KPI time series of the cell.
  • check_result is the first anomaly detection result of the KPI time series, where 0 indicates normal, -1 indicates lower limit abnormality, 1 indicates upper limit abnormality, and 2 indicates null value abnormality.
  • Step S300 classifying the performance index data to obtain multiple data categories.
  • the performance index data is divided into multiple data categories from the business level, and the data categories include the first data category SC1 related to coverage, the second data category SC2 related to handover, and the data category related to retentivity.
  • Step S400 Determine a first abnormality degree value corresponding to each data category according to the first abnormality detection result.
  • step S400 for each data category, calculate the total quantity, abnormal quantity and abnormal ratio of performance index data, the abnormal quantity is the quantity of abnormal performance index data, and the abnormal ratio is the ratio of the abnormal quantity to the total quantity; proportion and the value of the second degree of abnormality to obtain the value of the first degree of abnormality.
  • the first abnormal degree value is specifically calculated by the following formula:
  • ⁇ 4 is the weight coefficient of the abnormal index number ratio
  • n is the abnormal number of performance index data in this data category
  • m is the total number of performance index data in this data category
  • ⁇ i is the value of each second abnormal degree
  • the corresponding proportional coefficient, ⁇ i is set according to historical data.
  • Step S500 obtaining a second abnormality detection result of the cell according to a plurality of first abnormality degree values.
  • step S500 for each data category, compare the first abnormality degree value with the preset abnormality threshold to obtain a third abnormality detection result indicating whether the data category is abnormal; when at least one data category corresponds to the third abnormality detection result is abnormal, the second abnormality detection result of the cell is abnormal; when the third abnormality detection result corresponding to each data category is normal, the second abnormality detection result of the cell is normal.
  • the abnormal threshold is set according to the actual business situation.
  • the first abnormal degree values of all data categories are summed to obtain the total abnormal degree of the community; the total abnormal degrees of multiple communities are sorted in descending order, and the selection ranking is before the preset selection quantity value
  • the cell corresponding to the total abnormality degree of multiple cells is used as the target abnormal cell, or the total abnormality degree of multiple cells is sorted in ascending order, and the cell corresponding to the total abnormality degree ranked after the preset selection value is selected as the target abnormal cell .
  • the top 10 cells with the largest total abnormality are selected as target abnormal cells. This method can quickly and accurately determine the target abnormal cell.
  • the target abnormal cell and related data detected in step S500 may be stored in a database to obtain the target abnormal cell situation table as shown in Table 2.
  • Table 2 The target abnormal cell situation table
  • the time field indicates the start time node of the granularity data of the current hour.
  • enodeb_id is the base station ID
  • cell_id is the cell ID
  • enodeb_id and cell_id together constitute the unique identifier of the cell.
  • anomaly_score is the first anomaly degree value.
  • the first abnormality detection result detected in step S200 and the second abnormality detection result of the cell obtained in step S500 are encapsulated, and a Representational State Transfer (REST) interface is provided for external calls.
  • REST Representational State Transfer
  • the community network anomaly detection method adopts an index classification method and a multi-model anomaly detection method, which makes the anomaly detection more targeted, can improve the accuracy of the anomaly detection, and has the advantages of automation, intelligence and real-time performance.
  • an embodiment of the present application also provides a cell network anomaly detection device, the cell network anomaly detection device includes a data acquisition unit 100, a first anomaly detection unit 200, a data classification unit 300, an abnormality degree calculation unit 400 and The second abnormality detection unit 500 .
  • the data acquisition unit 100 is used to obtain the performance index data of the sub-district;
  • the first anomaly detection unit 200 is used to determine the index attributes of the performance index data, and perform abnormal index analysis on the performance index data through the abnormal detection model corresponding to the index attributes, and determine The first abnormal detection result corresponding to the performance index data;
  • the data classification unit 300 is used to classify the performance index data to obtain a plurality of data categories;
  • the abnormal degree calculation unit 400 is used to determine the data corresponding to each data category according to the first abnormal detection result.
  • the second abnormality detection unit 500 is used to obtain the second abnormality detection result of the cell according to the multiple first abnormality degree values.
  • the first anomaly detection unit 200 includes an offline training unit 210 and an online reasoning unit 220.
  • the offline training unit 210 uses historical KPI time series data to perform offline training on each anomaly detection model until convergence, and persists the trained model , which is convenient for the online reasoning unit 220 to call when performing online reasoning.
  • the online inference unit 220 utilizes multiple anomaly detection models trained by the offline training unit 210 to infer real-time KPI time series data online and analyze abnormal indicators; reduce the time consumption of model inference to meet the application of large-scale networks.
  • the cell network anomaly detection device also includes a push unit 600, which is used to call the REST interface through the intranet to obtain the packaged first and second anomaly detection results, and then push them to external devices through the external network, such as Mobile phone, personal computer or tablet, etc., which is convenient for users to view data.
  • a push unit 600 which is used to call the REST interface through the intranet to obtain the packaged first and second anomaly detection results, and then push them to external devices through the external network, such as Mobile phone, personal computer or tablet, etc., which is convenient for users to view data.
  • each unit of the multi-user device pairing device in this embodiment corresponds to each step of the above-mentioned multi-user device pairing method, adopts the same technical means, and has the same technical effect, and will not be described in detail here. .
  • each unit in the multi-user device pairing apparatus can be understood with reference to the relevant description of the foregoing multi-user device pairing method.
  • the functions of each unit in the multi-user device pairing device can be realized by a program running on a processor, or can be realized by a specific logic circuit, such as programmable logic (FPGA).
  • FPGA programmable logic
  • the cell network anomaly detection device includes: a memory 20, a processor 10, and a program stored in the memory 20 and operable on the processor 10.
  • a computer program When the processor 10 executes the computer program, the method for detecting an abnormality in the cell network as described above is implemented.
  • the processor 10 and the memory 20 may be connected through a bus 30 or other means.
  • the memory 20 may include a high-speed random access memory, and may also include a non-transitory memory, such as at least one magnetic disk storage device, a flash memory device, or other non-transitory solid-state storage devices.
  • the memory 20 may optionally include memory 20 located remotely relative to the processor, and these remote memories may be connected to the processor 10 through a network. Examples of the aforementioned networks include, but are not limited to, the Internet, intranets, local area networks, mobile communication networks, and combinations thereof.
  • the non-transient software programs and instructions required to realize the cell network anomaly detection method of the above embodiment are stored in the memory 20, and when executed by the processor 10, the cell network anomaly detection method in the above embodiment is executed, for example, the above Step S100 to step S500 are described.
  • node embodiments described above are only illustrative, and the units described as separate components may or may not be physically separated, that is, they may be located in one place, or may be distributed to multiple network units. Part or all of the modules can be selected according to actual needs to achieve the purpose of the solution of this embodiment.
  • an embodiment of the present application also provides a computer-readable storage medium, the computer-readable storage medium stores computer-executable instructions, and the computer-executable instructions are executed by a processor or a controller, for example, by a Execution by the processor may cause the processor to execute the cell network anomaly detection method in the above embodiment, for example, execute the steps S100 to S500 described above.
  • the embodiment of the present application includes: obtaining the performance index data of the community; determining the index attribute of the performance index data, performing abnormal index analysis on the performance index data through the abnormality detection model corresponding to the index attribute, and determining the first abnormality detection result corresponding to the performance index data ; Classify the performance index data to obtain multiple data categories; determine the first abnormality degree value corresponding to each data category according to the first abnormality detection result; obtain the second abnormality detection result of the cell according to the multiple first abnormality degree values ;Use index classification method and multi-model anomaly detection method to make anomaly detection more targeted and improve the efficiency and accuracy of anomaly detection; use multiple indicators for anomaly detection to make anomaly detection more comprehensive.
  • Computer-readable storage media include, but are not limited to, RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital versatile disk (DVD) or other optical disk storage, magnetic cartridges, tape, magnetic disk storage or other magnetic storage devices, Or any other medium that can be used to store desired information and that can be accessed by a computer.
  • communication media typically embodies computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave or other transport mechanism, and may include any information delivery media .

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请提供了小区网络异常检测方法、装置及计算机可读存储介质；小区网络异常检测方法包括：获取小区的性能指标数据（S100）；确定性能指标数据的指标属性，通过与指标属性对应的异常检测模型对性能指标数据进行异常指标分析，确定性能指标数据的第一异常检测结果（S200）；对性能指标数据进行分类，得到多个数据类别（S300）；根据第一异常检测结果确定每个数据类别的第一异常程度值（S400）；根据多个第一异常程度值得到小区的第二异常检测结果（S500）。

Description

小区网络异常检测方法、装置及计算机可读存储介质
相关申请的交叉引用
本申请基于申请号为202110919607.X、申请日为2021年8月11日的中国专利申请提出，并要求该中国专利申请的优先权，该中国专利申请的全部内容在此引入本申请作为参考。
技术领域
本申请实施例涉及但不限于通信技术领域，尤其涉及小区网络异常检测方法、装置及计算机可读存储介质。
背景技术
随着网络运维的深入，对小区网络的异常检测重要性日益提高，但是小区网络存在多域、多接口、多协议的情况，导致实时动态网络复杂多变，同时也导致以下的问题：关键绩效指标(Key Performance Indicator，KPI)指标众多，人工难以全面监控各种指标；对于不同的KPI指标，若分类不准确会影响后续的异常检测；同时由于KPI指标分类不准确，小区网络的异常检测往往只能根据较少数量的指标进行，导致检测过于片面。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供了小区网络异常检测方法、装置及计算机可读存储介质。
第一方面，本申请实施例提供了一种小区网络异常检测方法，所述方法包括：获取小区的性能指标数据；确定所述性能指标数据的指标属性，通过与所述指标属性对应的异常检测模型对所述性能指标数据进行异常指标分析，确定所述性能指标数据对应的第一异常检测结果；对所述性能指标数据进行分类，得到多个数据类别；根据所述第一异常检测结果确定与每个所述数据类别对应的第一异常程度值；根据多个所述第一异常程度值得到所述小区的第二异常检测结果。
第二方面，本申请实施例还提供了一种小区网络异常检测装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的小区网络异常检测方法。
第三方面，本申请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中存储有可执行指令，所述可执行指令被处理器执行时实现如上所述的小区网络异常检测方法。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1是本申请实施例一种小区网络异常检测方法的流程图；
图2是确定性能指标数据的指标属性步骤的流程图；
图3是本申请实施例一种小区网络异常检测装置的结构图；
图4是本申请实施例一种小区网络异常检测装置的另一结构图；
图5是本申请另一个实施例一种小区网络异常检测装置的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。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。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。在本申请的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
本申请实施例包括：获取小区的性能指标数据；确定性能指标数据的指标属性，通过与指标属性对应的异常检测模型对性能指标数据进行异常指标分析，确定性能指标数据对应的第一异常检测结果；对性能指标数据进行分类，得到多个数据类别；根据第一异常检测结果确定与每个数据类别对应的第一异常程度值；根据多个第一异常程度值得到小区的第二异常检测结果；采用指标分类方法和多模型异常检测方法，使得异常检测更具针对性，能提高异常检测的效率和准确性；采用多种指标进行异常检测，使得异常检测更具全面性。
参照图1，本申请的第一方面的实施例，提供了一种小区网络异常检测方法。
小区网络异常检测方法包括：
步骤S100、获取小区的性能指标数据。
对于步骤S100，从运营商网管中，实时获取小区的性能指标数据。具体地，性能指标数据为KPI时间序列。
步骤S200、确定性能指标数据的指标属性，通过与指标属性对应的异常检测模型对性能指标数据进行异常指标分析，确定性能指标数据对应的第一异常检测结果。
参照图2，对于步骤S200中的确定性能指标数据的指标属性，具体包括步骤S211、步骤S212和步骤S213。KPI时间序列的指标属性主要包括非波动性指标、非周期性指标、周期性指标和趋势性指标。
步骤S211、对性能指标数据进行波动性分析，以将性能指标数据对应的指标属性确定为非波动性指标或波动性指标。
对于步骤S211，具体地，计算KPI时间序列的第一均值μ 1和第一方差σ 1；根据第一均值μ 1和第一方差σ 1对性能指标数据进行波动性分析。波动性分析如下：当第一均值μ 1和第一方差σ 1满足σ 1<λμ 1或者σ 1<10 -5，则将性能指标数据对应的指标属性确定为非波动性指标；反 之，则将性能指标数据对应的指标属性确定为波动性指标。其中，λ为超参数，一般设置为0.05。λ的数值具体可以根据实际情况进行微调。
步骤S212、对指标属性为波动性指标的性能指标数据进行周期性分析，以将性能指标数据对应的指标属性更改为周期性指标或非周期性指标。
对于步骤S212，具体地，对指标属性为波动性指标的KPI时间序列，计算该KPI时间序列的周期性分析参数，周期性分析参数包括自相关系数、幅度谱、幅度谱最大值value max、第二均值μ 2、第二方差σ 2和幅度谱主波峰的最大波峰值peak max。当波动性指标数据满足基于周期性分析参数构建的第一判别式，指标属性更改为周期性指标，具体地，第一判别式为value max>(μ 2+3σ 2)&peak max>λ*2*(μ 2+σ 2)，其中，λ为超参数，λ的数值具体可以根据实际情况进行微调。当波动性指标数据不满足第一判别式或者自相关系数小于第一判别阈值或者幅度谱无尖峰，指标属性更改为非周期性指标。需要说明的是，第一判断阈值根据历史数据进行设定。
其中幅度谱是由KPI时间序列做傅里叶变换并将零频率分量移到频谱中心后再进行计算得到。
步骤S213、对指标属性为周期性指标的性能指标数据进行趋势性分析，以将性能指标数据对应的指标属性更改为非趋势性指标或趋势性指标。
对于步骤S213，具体地，对指标属性为周期性指标的KPI时间序列，计算KPI时间序列的周期，对每个周期内的KPI时间序列S1进行求平均计算得到第一分析时间序列；例如KPI时间序列S1的周期为24小时，即24个小时粒度点，则对24小时的KPI时间序列S1求平均，得到新的第一分析时间序列S2。对第一分析时间序列S2，将相邻的两个点所对应的数值求差，得到第二分析时间序列S3；将相邻的两个点所对应的数值求差即用后一时刻的点减去前一时刻的点。计算第二分析时间序列S3的趋势性分析参数，趋势性分析参数包括第一最大值value max、第一最小值value min、第三均值μ 3和第三方差σ 3。当第二分析时间序列S3满足基于趋势性分析参数构建的第二判别式，KPI时间序列S1的指标属性更改为趋势性指标；当第二分析时间序列不满足基于趋势性分析参数构建的第二判别式，KPI时间序列S1的指标属性更改为非趋势性指标；具体地，第二判别式为value max<λ 1μ&value min>λ 2μ&σ<λ 3μ；其中，λ 1、λ 2、λ 3为超参数，λ 1设置为1.2，λ 2设置为0.8，λ 3设置为0.1。λ 1、λ 2、λ 3的数值具体可以根据实际情况进行微调。
需要说明的是，KPI时间序列的指标属性只有一种情况，即KPI时间序列的指标属性是非波动性指标、非周期性指标、周期性指标或趋势性指标中的任意一种。
对于步骤S200中的通过与指标属性对应的异常检测模型对性能指标数据进行异常指标分析，确定性能指标数据对应的第一异常检测结果，具体包括步骤S221、步骤S222、步骤S223和步骤S224。针对不同指标属性的性能指标数据分别采用不同的异常检测模型进行异常指标分析，更具针对性，能有效提高异常检测准确率
步骤S221，当性能指标数据的指标属性为非波动性指标，采用以下的方法进行异常指标分析。该方法具有检测效率高、阈值动态的优点。
计算性能指标数据的第二最大值MAX、第二最小值MIN、第一四分位数Q1、中位数MID和第三四分位数Q3；当第一四分位数Q1、中位数MID和第三四分位数Q3中存在小于第二最小值MIN或大于第二最大值MAX的数值，第一异常检测结果表示为性能指标数据异常；当第一四分位数Q1、中位数MID和第三四分位数Q3均为大于或等于第二最小值MIN且小于或等于第二最大值MAX的数值，第一异常检测结果表示为性能指标数据正常。
当然在其他实施例中，也可以采用其他常用于非波动性指标异常检测的方法，例如箱线图法。最终采用多种方法中非波动性指标检测效果最优的一种。
步骤S222，当性能指标数据的指标属性为非周期性指标，采用以下的方法进行异常指标分析。
对性能指标数据按照预设类数进行聚类；对聚类得到的类进行异常判断；当聚类得到的类中至少一类异常，第一异常检测结果表示为性能指标数据异常；当聚类得到的类中无异常的类，第一异常检测结果表示为性能指标数据正常。
当然在其他实施例中，也可以采用其他常用于非周期性指标异常检测的方法，例如孤立森林算法。最终采用多种方法中非周期性指标检测效果最优的一种。
步骤S223，当性能指标数据的指标属性为周期性指标，采用以下的方法进行异常指标分析。
对性能指标数据根据周期规律进行数值预测，得到第一预测值；将第一预测值与对应的第一真实值进行比较，得到第一预测值与第一真实值两者间的第一误差；当第一误差小于第一误差阈值，第一异常检测结果表示为性能指标数据异常；当第一误差大于或等于第一误差阈值，第一异常检测结果表示为性能指标数据正常。
例如对性能指标数据中的前n秒数据根据周期规律进行数值预测得到第n+1秒的第一预测值，则对应的第一真实值为性能指标数据中的第n+1秒的值。
其中，第一误差阈值根据历史数据进行设定。
当然在其他实施例中，也可以采用其他常用于非周期性指标异常检测的方法，例如决策树算法。最终采用多种方法中周期性指标检测效果最优的一种。
步骤S224，当性能指标数据的指标属性为趋势性指标，采用以下的方法进行异常指标分析。
对性能指标数据进行局部回归拟合得到第二预测值；将第二预测值与对应的第二真实值进行比较，得到第二预测值与第二真实值两者间的第二误差；当第二误差小于第二误差阈值，第一异常检测结果表示为性能指标数据异常；当第二误差大于或等于第二误差阈值，第一异常检测结果表示为性能指标数据正常。
例如对性能指标数据中的前n秒数据进行局部回归拟合得到第n+1秒的第二预测值，则对应的第二真实值为性能指标数据中的第n+1秒的值。
其中，第二误差阈值根据历史数据进行设定。
当然在其他实施例中，也可以采用其他常用于趋势性指标异常检测的方法。最终采用多种方法中周期性指标检测效果最优的一种。
需要说明的是，对于步骤S200中的多个异常检测模型采用离线训练，利用历史KPI时间序列数据对各个异常检测模型进行离线训练直至收敛，把训练好的模型持久化保存，方便在线推理时调用。再利用已训练完成的多个异常检测模型对实时的KPI时间序列数据在线推理，进行异常指标分析；降低模型推理的时间消耗，以满足大规模网络的应用。
在步骤S200中，还包括以下步骤：
当第一异常检测结果表示为性能指标数据异常，确定与性能指标数据对应的第二异常程度值
Figure PCTCN2022110684-appb-000001
第二异常程度值用于表示性能指标数据的异常程度。
对于第二异常程度值
Figure PCTCN2022110684-appb-000002
例如性能指标数据的指标属性为趋势性指标，在进行异常指标 分析时，得到第二误差，当第二误差小于第二误差阈值，第一异常检测结果表示为性能指标数据异常，则计算第二误差与真实值的比值，通过第二误差与真实值的比值反映性能指标数据的异常程度，得到第二异常程度值
Figure PCTCN2022110684-appb-000003
另外，可以将步骤S200中检测得到的第一异常检测结果保存入库得到如表1所示的指标异常检测表。
表1指标异常检测表
Figure PCTCN2022110684-appb-000004
表1中，time字段表示当前小时粒度数据的开始时间节点。enodeb_id为基站ID，cell_id为小区ID，enodeb_id和cell_id共同构成小区的唯一标识。kpi_name为KPI时间序列名称。kpi_value为小区当前时间粒度KPI时间序列的实际值。check_result为KPI时间序列的第一异常检测结果，其中，0表示正常，-1表示下限异常，1表示上限异常，2表示空值异常。
需要说明的是，表1中的数据仅仅作为具体实施例以供参考。
步骤S300、对性能指标数据进行分类，得到多个数据类别。
对于步骤S300，具体地，将性能指标数据从业务层面上分为多个数据类别，数据类别包括与覆盖相关的第一数据类别SC1、与切换相关的第二数据类别SC2、与保持性相关的第三数据类别SC3、与容量相关的第四数据类别SC4、与干扰相关的第五数据类别SC5以及与完整性相关的第六数据类别SC6。
步骤S400、根据第一异常检测结果确定与每个数据类别对应的第一异常程度值。
对于步骤S400，对每个数据类别，计算性能指标数据的总数量、异常数量和异常占比，异常数量为异常的性能指标数据的数量，异常占比为异常数量与总数量之比；根据异常占比和第二异常程度值，得到第一异常程度值。
则第一异常程度值具体采用如下的式子计算:
Figure PCTCN2022110684-appb-000005
式中，λ 4为异常指标数比的权重系数，n为该数据类别中的性能指标数据的异常数量，m为该数据类别中的性能指标数据的总数量，
Figure PCTCN2022110684-appb-000006
为异常占比，λ i为每个第二异常程度值
Figure PCTCN2022110684-appb-000007
对应的比例系数，λ i根据历史数据进行设定。
步骤S500、根据多个第一异常程度值得到小区的第二异常检测结果。
对于步骤S500，对每个数据类别，比较第一异常程度值和预设的异常阈值，得到用于表示数据类别是否异常的第三异常检测结果；当至少一个数据类别对应的第三异常检测结果为 异常，小区的第二异常检测结果为异常；当每个数据类别对应的第三异常检测结果均为正常，小区的第二异常检测结果为正常。
其中，异常阈值根据实际业务情况进行设定。
另外，将所有数据类别的第一异常程度值进行求和计算，得到小区的总异常度；将多个小区的总异常度按照由大到小的顺序排序，选取排名位于预设选择数量值之前的总异常度对应的小区作为目标异常小区，或者将多个小区的总异常度按照由小到大的顺序排序，选取排名位于预设选择数量值之后的总异常度对应的小区作为目标异常小区。例如将总异常度最大的前10个选出作为目标异常小区。通过该方法能快速且精准地确定目标异常小区。
另外，可以将步骤S500中检测得到的目标异常小区及相关数据保存入库得到如表2所示的目标异常小区情况表。
表2目标异常小区情况表
time enodeb_id cell_id anomaly_score
2021/5/19 3:00 11581671 112 4.22
2021/5/19 3:00 11580178 413 4.19
2021/5/19 3:00 11580178 412 4.08
2021/5/19 3:00 11580054 213 3.97
2021/5/19 3:00 11580053 211 3.86
2021/5/19 3:00 11582170 113 3.85
2021/5/19 3:00 11579551 112 3.82
2021/5/19 3:00 11579631 212 3.77
2021/5/19 3:00 11582166 112 3.73
2021/5/19 3:00 11582161 112 3.68
表2中，time字段表示当前小时粒度数据的开始时间节点。enodeb_id为基站ID，cell_id为小区ID，enodeb_id和cell_id共同构成小区的唯一标识。anomaly_score为第一异常程度值。
需要说明的是，表2中的数据仅仅作为具体实施例以供参考。
最后，将步骤S200中检测得到的第一异常检测结果和步骤S500中得到的小区的第二异常检测结果进行封装，并提供表述性状态传递(Representational State Transfer，REST)接口供外部调用。在有内外网络环境的服务器上部署推送模块，通过内网调用REST接口，获取数据，然后通过外网推动至外部设备，例如手机、个人计算机或平板电脑等，便于用户查看数据。
该小区网络异常检测方法采用指标分类方法和多模型异常检测方法，使得异常检测更具针对性，能提高异常检测的准确性，具有自动化、智能化和实时性的优点。
参照图3，本申请的一个实施例还提供了一种小区网络异常检测装置，小区网络异常检测装置包括数据获取单元100、第一异常检测单元200、数据分类单元300、异常程度计算单元400和第二异常检测单元500。
其中，数据获取单元100用于获取小区的性能指标数据；第一异常检测单元200用于确定性能指标数据的指标属性，通过与指标属性对应的异常检测模型对性能指标数据进行异常指标分析，确定性能指标数据对应的第一异常检测结果；数据分类单元300用于对性能指标数据进行分类，得到多个数据类别；异常程度计算单元400用于根据第一异常检测结果确定与每个数据类别对应的第一异常程度值；第二异常检测单元500用于根据多个第一异常程度值得到小区的第二异常检测结果。
参照图4，第一异常检测单元200包括离线训练单元210和在线推理单元220，离线训练单元210利用历史KPI时间序列数据对各个异常检测模型进行离线训练直至收敛，把训练好 的模型持久化保存，方便在线推理单元220进行在线推理时调用。在线推理单元220利用经离线训练单元210训练完成的多个异常检测模型对实时的KPI时间序列数据在线推理，进行异常指标分析；降低模型推理的时间消耗，以满足大规模网络的应用。
另外，小区网络异常检测装置还包括推送单元600，推送单元用于通过内网调用REST接口，获取封装好的第一异常检测结果和第二异常检测结果，然后通过外网推动至外部设备，例如手机、个人计算机或平板电脑等，便于用户查看数据。
需要说明的是，本实施例中的多用户设备配对装置的各单元与上述多用户设备配对方法的各步骤一一对应，采用相同的技术手段，具有相同的技术效果，在此不再详述。
本领域技术人员应当理解，多用户设备配对装置中的各单元的实现功能可参照前述多用户设备配对方法的相关描述而理解。多用户设备配对装置中的各单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现，例如可编程逻辑(FPGA)等。
参照图5，本申请的另一个实施例还提供了一种小区网络异常检测装置，小区网络异常检测装置包括：存储器20、处理器10及存储在存储器20上并可在处理器10上运行的计算机程序，处理器10执行计算机程序时实现如上所述的小区网络异常检测方法。
处理器10和存储器20可以通过总线30或者其他方式连接。
存储器20作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器20可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器20可选包括相对于处理器远程设置的存储器20，这些远程存储器可以通过网络连接至该处理器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的小区网络异常检测方法所需的非暂态软件程序以及指令存储在存储器20中，当被处理器10执行时，执行上述实施例中的小区网络异常检测方法，例如，执行以上描述的步骤S100至步骤S500。
以上所描述的节点实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外，本申请的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被一个处理器执行，可使得上述处理器执行上述实施例中的小区网络异常检测方法，例如，执行以上描述的步骤S100至步骤S500。
本申请实施例包括：获取小区的性能指标数据；确定性能指标数据的指标属性，通过与指标属性对应的异常检测模型对性能指标数据进行异常指标分析，确定性能指标数据对应的第一异常检测结果；对性能指标数据进行分类，得到多个数据类别；根据第一异常检测结果确定与每个数据类别对应的第一异常程度值；根据多个第一异常程度值得到小区的第二异常检测结果；采用指标分类方法和多模型异常检测方法，使得异常检测更具针对性，能提高异常检测的效率和准确性；采用多种指标进行异常检测，使得异常检测更具全面性。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理 器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本申请的一些实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (16)

  1. 一种小区网络异常检测方法，所述方法包括：
    获取小区的性能指标数据；
    确定所述性能指标数据的指标属性，通过与所述指标属性对应的异常检测模型对所述性能指标数据进行异常指标分析，确定所述性能指标数据对应的第一异常检测结果；
    对所述性能指标数据进行分类，得到多个数据类别；
    根据所述第一异常检测结果确定与每个所述数据类别对应的第一异常程度值；
    根据多个所述第一异常程度值得到所述小区的第二异常检测结果。
  2. 根据权利要求1所述的小区网络异常检测方法，其中，所述确定所述性能指标数据的指标属性，包括：
    对所述性能指标数据进行波动性分析，以将所述性能指标数据对应的指标属性确定为非波动性指标或波动性指标。
  3. 根据权利要求2所述的小区网络异常检测方法，其中，所述确定所述性能指标数据的指标属性，还包括：
    对所述指标属性为波动性指标的所述性能指标数据进行周期性分析，以将所述性能指标数据对应的所述指标属性更改为周期性指标或非周期性指标。
  4. 根据权利要求3所述的小区网络异常检测方法，其中，所述确定所述性能指标数据的指标属性，还包括：
    对所述指标属性为周期性指标的所述性能指标数据进行趋势性分析，以将所述性能指标数据对应的所述指标属性更改为非趋势性指标或趋势性指标。
  5. 根据权利要求2所述的小区网络异常检测方法，其中，所述对所述性能指标数据进行波动性分析，以将所述性能指标数据对应的指标属性确定为非波动性指标或波动性指标，包括：
    计算所述性能指标数据的第一均值和第一方差；
    根据所述第一均值和所述第一方差对所述性能指标数据进行波动性分析，以将所述性能指标数据对应的指标属性确定为非波动性指标或波动性指标。
  6. 根据权利要求3所述的小区网络异常检测方法，其中，所述对所述指标属性为波动性指标的所述性能指标数据进行周期性分析，以将所述性能指标数据对应的所述指标属性更改为周期性指标或非周期性指标，包括：
    当所述性能指标数据的所述指标属性为波动性指标，计算所述性能指标数据的周期性分析参数，所述周期性分析参数包括自相关系数、幅度谱、幅度谱最大值、第二均值、第二方差和幅度谱主波峰的最大波峰值；
    当所述波动性指标数据满足基于所述周期性分析参数构建的第一判别式，将所述指标属性更改为周期性指标；
    当所述波动性指标数据不满足所述第一判别式、所述自相关系数小于第一判别阈值或者所述幅度谱无尖峰，将所述指标属性更改为非周期性指标。
  7. 根据权利要求4所述的小区网络异常检测方法，其中，所述对所述指标属性为周期性指标的所述性能指标数据进行趋势性分析，以将所述性能指标数据对应的所述指标属性更改 为非趋势性指标或趋势性指标，包括：
    当所述性能指标数据的所述指标属性为周期性指标，计算所述性能指标数据的周期，对每个所述周期内的所述性能指标数据进行求平均计算得到第一分析时间序列；
    对所述第一分析时间序列，将相邻的两个点所对应的数值求差，得到第二分析时间序列；
    计算所述第二分析时间序列的趋势性分析参数，所述趋势性分析参数包括第一最大值、第一最小值、第三均值和第三方差；
    当所述第二分析时间序列满足基于所述趋势性分析参数构建的第二判别式，所述第二分析时间序列对应的所述性能指标数据的所述指标属性更改为趋势性指标；
    当所述第二分析时间序列不满足基于所述趋势性分析参数构建的第二判别式，所述第二分析时间序列对应的所述性能指标数据的所述指标属性更改为非趋势性指标。
  8. 根据权利要求2或5所述的小区网络异常检测方法，其中，所述通过与所述指标属性对应的异常检测模型对所述性能指标数据进行异常指标分析，确定所述性能指标数据对应的第一异常检测结果，包括：
    当所述性能指标数据的所述指标属性为非波动性指标，计算所述性能指标数据的第二最大值、第二最小值、第一四分位数、中位数和第三四分位数；
    当所述第一四分位数、所述中位数和所述第三四分位数中存在小于所述第二最小值或大于所述第二最大值的数值，所述第一异常检测结果表示为所述性能指标数据异常；
    当所述第一四分位数、所述中位数和所述第三四分位数均为大于或等于所述第二最小值且小于或等于所述第二最大值的数值，所述第一异常检测结果表示为所述性能指标数据正常。
  9. 根据权利要求3或6所述的小区网络异常检测方法，其中，所述通过与所述指标属性对应的异常检测模型对所述性能指标数据进行异常指标分析，确定所述性能指标数据对应的第一异常检测结果，包括：
    当所述性能指标数据的所述指标属性为非周期性指标，对所述性能指标数据按照预设类数进行聚类；
    对聚类得到的类进行异常判断；
    当聚类得到的类中至少一类异常，所述第一异常检测结果表示为所述性能指标数据异常；
    当聚类得到的类中无异常的类，所述第一异常检测结果表示为所述性能指标数据正常。
  10. 根据权利要求3或6所述的小区网络异常检测方法，其中，所述通过与所述指标属性对应的异常检测模型对所述性能指标数据进行异常指标分析，确定所述性能指标数据对应的第一异常检测结果，包括：
    当所述性能指标数据的所述指标属性为周期性指标，对所述性能指标数据根据周期规律进行数值预测，得到第一预测值；
    将所述第一预测值与对应的第一真实值进行比较，得到所述第一预测值与所述第一真实值两者间的第一误差；
    当所述第一误差小于第一误差阈值，所述第一异常检测结果表示为所述性能指标数据异常；
    当所述第一误差大于或等于第一误差阈值，所述第一异常检测结果表示为所述性能指标数据正常。
  11. 根据权利要求4或7所述的小区网络异常检测方法，其中，所述通过与所述指标属性 对应的异常检测模型对所述性能指标数据进行异常指标分析，确定所述性能指标数据对应的第一异常检测结果，包括：
    当所述性能指标数据的所述指标属性为趋势性指标，对所述性能指标数据进行局部回归拟合得到第二预测值；
    将所述第二预测值与对应的第二真实值进行比较，得到所述第二预测值与所述第二真实值两者间的第二误差；
    当所述第二误差小于第二误差阈值，所述第一异常检测结果表示为所述性能指标数据异常；
    当所述第二误差大于或等于第二误差阈值，所述第一异常检测结果表示为所述性能指标数据正常。
  12. 根据权利要求1所述的小区网络异常检测方法，其中，所述通过与所述指标属性对应的异常检测模型对所述性能指标数据进行异常指标分析，确定所述性能指标数据对应的第一异常检测结果，还包括：当所述第一异常检测结果表示为所述性能指标数据异常，确定与所述性能指标数据对应的第二异常程度值，所述第二异常程度值用于表示所述性能指标数据的异常程度；
    所述根据所述第一异常检测结果确定与每个所述数据类别对应的第一异常程度值，包括：对每个所述数据类别，计算所述性能指标数据的总数量、异常数量和异常占比，所述异常数量为异常的所述性能指标数据的数量，所述异常占比为所述异常数量与所述总数量之比；根据所述异常占比和所述第二异常程度值，得到所述第一异常程度值。
  13. 根据权利要求1所述的小区网络异常检测方法，其中，所述根据多个所述第一异常程度值得到所述小区的第二异常检测结果，包括：
    对每个所述数据类别，比较所述第一异常程度值和预设的异常阈值，得到用于表示所述数据类别是否异常的第三异常检测结果；
    当至少一个所述数据类别对应的所述第三异常检测结果为异常，所述小区的所述第二异常检测结果为异常；
    当每个所述数据类别对应的所述第三异常检测结果均为正常，所述小区的所述第二异常检测结果为正常。
  14. 根据权利要求1所述的小区网络异常检测方法，其中，在所述根据多个所述第一异常程度值得到所述小区的第二异常检测结果的步骤之后，还包括：
    将所有所述数据类别的所述第一异常程度值进行求和计算，得到所述小区的总异常度；
    将多个所述小区的所述总异常度按照由大到小的顺序排序，选取排名位于预设选择数量值之前的所述总异常度对应的所述小区作为目标异常小区，或者将多个所述小区的所述总异常度按照由小到大的顺序排序，选取排名位于预设选择数量值之后的所述总异常度对应的所述小区作为目标异常小区。
  15. 一种小区网络异常检测装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至14中任一项所述的小区网络异常检测方法。
  16. 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可执行指令，所述可执行指令被处理器执行时实现如权利要求1至14任一项所述的小区网络异常检测方法。
PCT/CN2022/110684 2021-08-11 2022-08-05 小区网络异常检测方法、装置及计算机可读存储介质 WO2023016380A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110919607.XA CN115705282A (zh) 2021-08-11 2021-08-11 小区网络异常检测方法、装置及计算机可读存储介质
CN202110919607.X 2021-08-11

Publications (1)

Publication Number Publication Date
WO2023016380A1 true WO2023016380A1 (zh) 2023-02-16

Family

ID=85180090

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/110684 WO2023016380A1 (zh) 2021-08-11 2022-08-05 小区网络异常检测方法、装置及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN115705282A (zh)
WO (1) WO2023016380A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116074876A (zh) * 2023-03-07 2023-05-05 南京邮电大学 一种基于小波变换的通讯基站异常检测方法
CN116578911A (zh) * 2023-07-13 2023-08-11 亚信科技（中国）有限公司 数据处理方法、装置、电子设备及计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105471663A (zh) * 2014-08-18 2016-04-06 中兴通讯股份有限公司 网络异常的检测方法、装置、通信网络检测装置及系统
US20190272470A1 (en) * 2018-03-05 2019-09-05 Microsoft Technology Licensing, Llc Rule-Based Classification for Detected Anomalies
US20190306733A1 (en) * 2018-03-30 2019-10-03 Fujitsu Limited Abnormality detecting method and abnormality detecting device
CN112183758A (zh) * 2019-07-04 2021-01-05 华为技术有限公司 用于实现模型训练的方法及装置、计算机存储介质
CN112994960A (zh) * 2019-12-02 2021-06-18 中国移动通信集团浙江有限公司 业务数据异常检测方法、装置及计算设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105471663A (zh) * 2014-08-18 2016-04-06 中兴通讯股份有限公司 网络异常的检测方法、装置、通信网络检测装置及系统
US20190272470A1 (en) * 2018-03-05 2019-09-05 Microsoft Technology Licensing, Llc Rule-Based Classification for Detected Anomalies
US20190306733A1 (en) * 2018-03-30 2019-10-03 Fujitsu Limited Abnormality detecting method and abnormality detecting device
CN112183758A (zh) * 2019-07-04 2021-01-05 华为技术有限公司 用于实现模型训练的方法及装置、计算机存储介质
CN112994960A (zh) * 2019-12-02 2021-06-18 中国移动通信集团浙江有限公司 业务数据异常检测方法、装置及计算设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116074876A (zh) * 2023-03-07 2023-05-05 南京邮电大学 一种基于小波变换的通讯基站异常检测方法
CN116578911A (zh) * 2023-07-13 2023-08-11 亚信科技（中国）有限公司 数据处理方法、装置、电子设备及计算机存储介质

Also Published As

Publication number Publication date
CN115705282A (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
WO2023016380A1 (zh) 小区网络异常检测方法、装置及计算机可读存储介质
US10311044B2 (en) Distributed data variable analysis and hierarchical grouping system
US11514354B2 (en) Artificial intelligence based performance prediction system
US10055275B2 (en) Apparatus and method of leveraging semi-supervised machine learning principals to perform root cause analysis and derivation for remediation of issues in a computer environment
CN108322347B (zh) 数据检测方法、装置、检测服务器及存储介质
WO2020143233A1 (zh) 评分卡模型的建立方法、装置、计算机设备和存储介质
EP4020315A1 (en) Method, apparatus and system for determining label
US9268674B1 (en) System, method, and computer program for monitoring testing progress of a software testing project utilizing a data warehouse architecture
WO2021213247A1 (zh) 一种异常检测方法及装置
CN107168995B (zh) 一种数据处理方法及服务器
CN109491850A (zh) 一种磁盘故障预测方法及装置
US10839024B2 (en) Detecting important variables and their interactions in big data
US20180024859A1 (en) Performance Provisioning Using Machine Learning Based Automated Workload Classification
US7716152B2 (en) Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring
US10748166B2 (en) Method and system for mining churn factor causing user churn for network application
TWI684139B (zh) 基於自動學習的基地台異常之預測的系統與方法
CN113572625A (zh) 故障预警方法、预警装置、设备及计算机介质
CN115756919B (zh) 一种面向多维数据的根因定位方法及系统
CN111400122A (zh) 一种硬盘健康度评估方法及装置
CN112732690B (zh) 一种用于慢病检测及风险评估的稳定系统及方法
CN113656452A (zh) 调用链指标异常的检测方法、装置、电子设备及存储介质
CN113610225A (zh) 质量评估模型训练方法、装置、电子设备及存储介质
CN105721199A (zh) 一种基于核密度估计与模糊推理系统的实时云服务瓶颈检测方法
CN116723083B (zh) 一种云服务器在线故障诊断方法及装置
US11561940B2 (en) Automatic generative process bridge between analytics models

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: 22855361

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE