用于网络时间序列数据的自适应的基于异常检测的预测器制造技术

提供了用于网络数据的自适应的基于异常检测的预测器的系统和方法实施例。在一个实施例中，一种用于预测未来网络时间序列数据的值的网络组件中的计算机实现的方法，包括：用一个或更多个接收器接收网络时间序列数据；用一个或更多个处理器确定在所述网络时间序列数据中是否检测到异常；当在所述网络时间序列数据中没有检测到异常时，用所述一个或更多个处理器根据主预测器生成与所述网络数据相关联的预测；当检测到所述网络时间序列数据中的异常时，用所述一个或更多个处理器根据替代预测器来生成与所述网络数据相关联的所述预测；以及用一个或更多个发送器向网络控制器发送所述预测，其中所述网络控制器使用所述预测来调整网络参数。

【技术实现步骤摘要】
【国外来华专利技术】用于网络时间序列数据的自适应的基于异常检测的预测器相关申请的交叉引用本申请要求获得于2016年3月22日提交的题为“用于网络时间序列数据的自适应的基于异常检测的预测器”的15/077,762号美国非临时专利申请的优先权，而其要求获得于2015年3月24日提交的62/137,669号美国临时申请的优先权，其全部内容于此通过引用并入本申请。
本专利技术涉及网络管理，并且在特定实施例中涉及用于网络时间序列数据的自适应的基于异常检测的预测器。
技术介绍
业务数据随时间变化。然而，这种随时间的变化常常具有潜在的模式，例如季节性，趋势，变量间相关性等。基于机器学习原理的算法能够进行强大的模式识别，并且因此是所期望的，因为它们可以自动揭示和利用历史数据内的结构以表征业务行为的性质，并在给定过去和当前的情况下预测未来的性能(KPI，业务等)。为此，时间序列预测算法在历史数据方面被“训练”(参数优化)并被在线应用以在给定数据变量的当前和刚刚经过的过去(例如，在窗口中)值的情况下预测之后的值。预测的准确性非常重要，因为潜在的应用基于关键性能指标的未来预测值做出决策选择(例如，无线网络自优化或SON，例如，移动性负载平衡)。
技术实现思路
在一个示例实施例中，一种用于预测未来网络时间序列数据的值的网络组件中的计算机实现的方法包括：用一个或更多个接收器接收网络时间序列数据；用一个或更多个处理器确定在所述网络时间序列数据中是否检测到异常；当在所述网络时间序列数据中没有检测到异常时，用所述一个或更多个处理器根据主预测器生成与所述网络数据相关联的预测；当检测到所述网络时间序列数据中的异常时，用所述一个或更多个处理器根据替代预测器来生成与所述网络数据相关联的所述预测；以及用一个或更多个发送器向网络控制器发送所述预测，其中所述网络控制器使用所述预测来调整网络参数。在一个示例实施例中，网络组件包括处理器和非暂时性计算机可读存储介质，其存储用于由所述处理器执行的程序，所述程序包括用于以下操作的指令：在所述网络组件处接收网络时间序列数据；用所述网络组件确定在所述网络时间序列数据中是否检测到异常；当在所述网络时间序列数据中没有检测到异常时，根据主预测器生成与所述网络数据相关联的预测；当检测到所述网络时间序列数据中的异常时，根据替代预测器来生成与所述网络数据相关联的所述预测；以及用所述网络组件向网络控制器发送所述预测，其中所述网络控制器使用所述预测来调整网络参数。在一个示例实施例中，一种非暂时性计算机可读介质，存储用于预测未来网络时间序列数据的值的计算机指令，所述计算机指令在由一个或更多个处理器执行时使得所述一个或更多个处理器执行以下步骤：用训练数据训练自适应的基于异常检测的预测器；接收网络时间序列数据；根据在所述网络时间序列数据中是否检测到异常来确定是使用主预测器还是替代预测器；当在所述网络时间序列数据中没有检测到异常时，根据主预测器生成与所述网络数据相关联的预测；当检测到所述网络时间序列数据中的异常时，根据替代预测器来生成与所述网络数据相关联的所述预测；以及将所述预测发送到网络控制器，其中所述网络控制器使用所述预测来调整网络参数。附图说明为了更全面地理解本专利技术及其优点，现在结合附图参考以下描述，其中：图1为示出自适应预测器方法的实施例的流程图；图2为示出与HMM预测器相关联的测试数据的图；图3为用于HMM预测的方法的实施例的流程图；图4为示出与HMM预测器相关联的电路交换(CS)业务的测试结果的图；图5为示出与HMM预测器相关联的分组交换(PS)业务的测试结果的图；图6为自适应预测器方法的实施例的流程图；图7为示出鲍姆·韦尔奇(BaumWelch)(EM)算法的框图；图8为示出基于来自中国GZ的多个RNC的90天电路交换(CS)和分组交换(PS)业务数据(每1/2小时)的结果的图；图9是用于自适应的基于异常的网络时间序列数据预测的方法的实施例的流程图；图10为示出了用于传送数据的网络的实施例；图11示出了可以安装在主机设备中的用于执行本文所述的方法的实施例处理系统的框图；以及图12示出了适于通过电信网络发送和接收信令的收发器的框图。具体实施方式下面详述当前优选实施例的制造和使用。然而，应当理解，本专利技术提供了可以在多种多样的具体上下文中体现的许多可应用的创造性概念。所讨论的具体实施例仅仅是说明制造和使用本专利技术的具体方式，而不限制本专利技术的范围。在无线电网络控制器(RNC)级别和小区级别，网络数据(例如，业务，关键性能指示符(KPI)指标)时间序列预测，特别是针对无线网络的网络数据时间序列预测，是所公开的各种实施例系统和方法所解决的一个问题。业务数据随时间变化。然而，这种时间变化常常具有潜在的模式。例如，变化中的模式可能是季节性的，可能遵循趋势，可能具有变量间相关性等。基于机器学习原理的算法能够进行强大的模式识别，并且因此是所期望的，因为它们可以自动揭示和利用历史数据内的结构以表征业务行为的性质，并在给定过去和当前性能的情况下预测未来的性能(KPI，业务等)。为此，时间序列预测算法在历史数据方面被“训练”(参数优化)并被在线应用以在给定数据变量的当前和刚刚经过的过去(例如，在窗口中)值的情况下预测之后的值。预测的准确性非常重要，因为潜在的应用基于关键性能指标的未来预测值做出决策选择(例如，无线网络自优化，自组织网络(SON)，移动性负载平衡等)。预测是基于数据中的内在“自然”结构做出的，该结构是通过诸如无监督集群机制(包括隐藏变量或集群状态过渡))和监督时间序列模型之类的高级模型使用历史数据而习得的。然而，已经发现，有时，当预测器变得不太准确或者甚至作为未来状况的预测而无用时，所述内在自然结构就会突然崩溃。预测器暂时废弃的原因往往是未知的。在这种情况下产生的数据可能具有奇怪或随机的模式和不寻常的相关和演化行为。然而，仍然期望预测未来的值，但这因训练数据的稀缺而变得困难，这也是当内在自然结构突然崩溃时通常发生的情况。原始历史数据可能不会让这种不寻常的模式/行为的示例发挥作用。此外，线上可能没有足够的数据和资源来快速学习时间序列的新模式/行为。在这种情况下，希望能够回答以下问题。既然系统正在观察一个难以捕捉的不寻常序列，那么最好的预测是什么？所述变化是系统可以检测到的吗？坚持旧的“习得的”预测模型是否值得？本公开的实施例提供了一种自适应预测器，其以更高的精度为网络特性提供更好的预测并且适应于具有相对低复杂度的突发变化。在一个实施例中，对于没有内部结构(或习得的模型)崩溃的可预测数据，即在线数据与历史数据表现类似，可以使用主预测器。然而，对于在内部结构(或习得的模型)方面与历史数据显著不同的数据，可以使用适应于变化的替代的自适应预测器。在一个实施例中，替代的自适应预测器预测下一个值将等于或近似等于最近的值或几个最近的数据值的平均值。在内部结构(或习得的模型)崩溃的情况下，如果可以从最近的数据行为快速地自动感测(检测)改变，则(从精度角度)可能更好地恢复到简单的当前数据预测器，因为至少，当前数据符合“新的未知”结构，虽然具有时间滞后。在一个实施例中，一种用于网络时间序列数据的基于异常检测的预测的方法包括：确定网络数据是否可能是给定的历史数据；在确定本文档来自技高网...

【技术保护点】
一种网络组件中的计算机实现的方法，用于预测未来网络时间序列数据的值，包括：用一个或更多个接收器接收网络时间序列数据；用一个或更多个处理器确定在所述网络时间序列数据中是否检测到异常；当在所述网络时间序列数据中没有检测到异常时，用所述一个或更多个处理器根据主预测器生成与所述网络数据相关联的预测；当检测到所述网络时间序列数据中的异常时，用所述一个或更多个处理器根据替代预测器来生成与所述网络数据相关联的所述预测；以及用一个或更多个发送器向网络控制器发送所述预测，其中所述网络控制器使用所述预测来调整网络参数。

【技术特征摘要】
【国外来华专利技术】2015.03.24 US 62/137,669;2016.03.22 US 15/077,7621.一种网络组件中的计算机实现的方法，用于预测未来网络时间序列数据的值，包括：用一个或更多个接收器接收网络时间序列数据；用一个或更多个处理器确定在所述网络时间序列数据中是否检测到异常；当在所述网络时间序列数据中没有检测到异常时，用所述一个或更多个处理器根据主预测器生成与所述网络数据相关联的预测；当检测到所述网络时间序列数据中的异常时，用所述一个或更多个处理器根据替代预测器来生成与所述网络数据相关联的所述预测；以及用一个或更多个发送器向网络控制器发送所述预测，其中所述网络控制器使用所述预测来调整网络参数。2.根据权利要求1所述的计算机实现的方法，其中，所述主预测器根据历史数据训练。3.根据权利要求1至2中任一项所述的计算机实现的方法，所述确定是否检测到异常包括将根据所述主预测器确定的先前预测与观测值进行比较。4.根据权利要求1至3中任一项所述的计算机实现的方法，其中，当根据所述主预测器确定的预测值与观察值相差大于阈值时，检测到所述异常。5.根据权利要求1至4中任一项所述的计算机实现的方法，其中，当在指定时间段内根据所述主预测器确定的与相应的观察值相差大于阈值的预测值的数量超过预定数量时，检测到所述异常。6.根据权利要求1至5中任一项所述的计算机实现的方法，其中所述主预测器包括隐马尔可夫模型。7.根据权利要求1至6中任一项所述的计算机实现的方法，其中确定在所述网络时间序列数据中是否检测到异常包括根据隐马尔可夫模型确定所述异常。8.根据权利要求1至7中任一项所述的计算机实现的方法，其中所述替代预测器包括当前数据预测器和高斯混合模型GMM中的一个。9.根据权利要求1至8中任一项所述的计算机实现的方法，其中确定是否检测到异常包括确定所观察的数据点的发生的似然性。10.根据权利要求1至9中任一项所述的计算机实现的方法，其中，当在指定时间段内所计算出的低于阈值的似然性值的数量超过预定数量时，检测到所述异常。11.根据权利要求1至9中任一项所述的计算机实现的方法，其中，根据从所述历史数据构建的高斯混合模型GMM模型计算所述似然性。12.根据权利要求1至11中任一项所述的计算机实现的方法，其中所述GMM模型包括从所述历史数据习得的参数。13.根据权利要求1至9中任一项所述的计算机实现的方法，其中根据从所述历史数据构建的隐马尔可夫模型HMM模型(即，习得的参数)计算所述似然性。14.根据权利要求1至13中任一项所述的计算机实现的方法，其中所述HMM模型包括从所述历史数据习得的参数。15.一种网络组件，包括：处理器；和非暂时性计算机可读存储介质，存储用于由所述处理器执行的程序，所述程序包括用于以下操作的指令：在所述网络组件处接收网络时间序列数据；用所述网络组件确定在所述网络时间序列数据中是否检测到异常；当在所述网络时间序列数据中没有检测到异常时，根据主预测器生成与所述网络数据相关联的预测；当检测到所述网络时间序列数据中的异常时，根据替代预测器来生成与所述网络数据相关联的所述预测；以及用所述...

【专利技术属性】
技术研发人员：南渡·戈帕拉克里希南，胡一瑞，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东,44