预测网络设备异常的方法、装置、设备及存储介质制造方法及图纸

本发明专利技术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。通过上述方式，解决了现有技术中无法提前预测网络设备是否将要出现异常的技术问题。

Methods, devices, devices and storage media for predicting network equipment anomalies

The invention belongs to the technical field of network monitoring, and discloses a method, device, device and storage medium for predicting anomalies of network equipment. The method includes: collecting the network index data provided by the network equipment to be monitored in different periods according to the preset network index to be monitored; analyzing the network index data in different periods to get the corresponding change rate of the network index to be monitored; predicting whether the network equipment to be monitored will be abnormal according to the change rate and the preset warning strategy; and predicting if the network equipment to be monitored will be abnormal; In order to produce anomalies, the early warning information is generated according to the change rate and the network index data of each period. By the above way, the technical problem that the existing technology can not predict whether the network equipment will be abnormal in advance is solved.

【技术实现步骤摘要】
预测网络设备异常的方法、装置、设备及存储介质
本专利技术涉及网络监控
，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。
技术介绍
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。上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
本专利技术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，本专利技术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。优选地，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，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。优选地，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。优选地，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。优选地，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。优选地，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，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。优选地，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，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。此外，为实现上述目的，本专利技术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，本专利技术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，本专利技术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。本专利技术提供的预测网络设备异常的方案，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是本专利技术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为本专利技术预测网络设备异常的方法第一实施例的流程示意图；图3为本专利技术预测网络设备异常的方法第二实施例的流程示意图；图4为本专利技术预测网络设备异常的装置第一实施例的结构框图。本专利技术目的的实现、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专利技术，并不用于限定本专利技术。参照图1，图1为本专利技术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(CentralProcessingUnit，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(RandomAccessMemory，RAM)存储器本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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，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1至3任一项所述的方法，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...

【专利技术属性】
技术研发人员：林明锋，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44