【技术实现步骤摘要】
网络故障诊断方法、系统
本专利技术涉及通信互联网
，尤其涉及一种网络故障诊断方法、系统、计算机设备以及计算机可读存储介质。
技术介绍
随着信息技术的快速发展，网络系统的规模不断扩大，复杂程度也越来越高，网络中某一部分出现故障时会引起一系列症状，若不能及时准确地检测出故障点，则整个网络的系统功能、可靠运行、安全生产都会受到影响，甚至会导致网络瘫痪。因此，及时有效的诊断网络故障十分重要。早期依赖专家知识网络故障的方法已经难以保证当前大规模、高复杂度网络的稳定性。因此，在大型复杂网络中，智能诊断大量应用，比如利用朴素贝叶斯算法进行故障分类。朴素贝叶斯算法(naiveBayes,简称NB)是基于贝叶斯规则的监督学习算法，它遵循了贝叶斯假设，也叫做朴素贝叶斯条件独立假设，该假设极大的简化了该算法的贝叶斯网络结构。但是，朴素贝叶斯条件独立假设在实践中通常与真实的数据情况相违背，导致NB的分类精度低，进而导致网络故障诊断的精度低。
技术实现思路
有鉴于此，本专利技术提供一种网络故障诊断方法、系统、计算机设备以及计算机可读存储介质，能够有效提高网络故障诊断精度。为了实现上述目的...
【技术保护点】
1.一种网络故障诊断方法，其特征在于，包括：读取网络历史数据，所述网络历史数据包括：症状数据集以及故障数据集；采用所述症状数据集以及故障数据集对梯度提升树分类器预测模型进行训练；利用训练后的梯度提升树分类器预测模型进行网络故障诊断。
【技术特征摘要】
1.一种网络故障诊断方法，其特征在于，包括：读取网络历史数据，所述网络历史数据包括：症状数据集以及故障数据集；采用所述症状数据集以及故障数据集对梯度提升树分类器预测模型进行训练；利用训练后的梯度提升树分类器预测模型进行网络故障诊断。2.根据权利要求1所述网络故障诊断方法，其特征在于，所述采用所述症状数据集以及故障数据集对梯度提升树分类器预测模型进行训练，包括：将所述症状数据集以及所述故障数据集输入所述梯度提升树分类器预测模型，得到与所述梯度提升树分类器预测模型中多棵提升树对应的多个预测结果；根据多个预测结果计算所述梯度提升树分类器预测模型的训练目标；根据多个预测结果以及所述训练目标对多棵提升树进行训练。3.根据权利要求2所述网络故障诊断方法，其特征在于，所述根据多个预测结果计算所述梯度提升树分类器预测模型的训练目标包括：根据多个预测结果、所述故障数据集计算多棵提升树的损失值；对多棵提升树的损失值进行求和运算得到所述训练目标。4.根据权利要求3所述网络故障诊断方法，其特征在于，所述根据多个预测结果、所述故障数据集计算多棵提升树的损失值，包括：根据第一棵提升树的预测结果以及所述故障数据集计算第一棵提升树的损失值；根据多个预测结果以及所述故障数据集计算第m-1棵提升树的残差；根据第m棵提升树的预测结果以及所述第m-1棵提升树的残差计算第m棵提升树的损失值；其中，m为大于1的正整数。5.根据权利要求2所述网络故障诊断方法，其特征在于，所述根据多个预测结果以及所述训练目标对多棵提升树进行训练，包括：根据一提升树的预测结果以及所述训练目标计算该提升树的梯度值；根据所述梯度值调整所述提升树的权重。6.根据权利要求5所述网络故障诊断方法，其特征在于，所述根据一提升树的预测结果以及所述训练目标计算所述提升树的梯度值，包括：计算所述训练目标与第n棵提升树在训练数据集下的导数列；对所述导数列求平均，得到第n棵树的梯度值。7.根据权利要求6所述网络故障诊断方法，其特征在于，所述根据所述梯度值调整所述提升树的权重包括：将所述梯度值加到所述提升树的权重上得到调整后的权重。8.根据权利要求2所述网络故障诊断方法，其特征在于，所述梯度提升树分类器预测模型如下：式中，F(x)为梯度提升树分类器预测模型的预测结果，ρn表示第n棵提升树的权重，fn(x)表示第n棵提升树的预测结果，M表示提升树的总数量，K表示总训练轮次，k表示第k轮训练，其中，K值由F(x)的稳定性确定。9.根据权利要求1所述网络故障诊断方法，其特征在于，还包括：采用CART算法生成所述梯度提升树分类器预测模型。...
【专利技术属性】
技术研发人员：严睿，
申请(专利权)人：中盈优创资讯科技有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。