网络故障预测方法、装置及设备、存储介质制造方法及图纸

技术编号:22024894 阅读:59 留言:0更新日期:2019-09-04 02:04
本发明专利技术公开一种网络故障预测方法、装置及设备、计算机可读存储介质,该方法包括步骤:对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口以及预测模型;根据所述定时检测的时间窗口和所述预测模型,对实时特征数据进行故障预测。本发明专利技术通过定时检测的时间窗口以及预测模型对实时数据进行故障预测;可采取不同类型数据进行预测,提高预测准确性;解决故障的时间消耗对于用户服务质量的影响接近为零,降低了企业的运营消耗;对于不同故障或劣化,均可在其发生之前选取不同的时间节点进行预测,减少了系统的计算量、节省系统资源。

Network Fault Prediction Method, Device and Equipment, Storage Media

【技术实现步骤摘要】
网络故障预测方法、装置及设备、存储介质
本专利技术涉及通信
,尤其涉及一种网络故障预测方法、装置及设备、计算机可读存储介质。
技术介绍
传统通信网络运维中关注的重点在于发现通信网络异常以及异常的原因,在发现通信网络异常之后,通过其他辅助的手段解决故障、恢复通信网络网络和设备的正常运行。但在解决通信网络故障中所花费的时间范围内,由于故障已经发生,此时所影响的最终用户的服务质量会变差,进而导致企业OPEX(OperationalExpenditure,运营消耗)提高。这种运维方式或降低用户的服务质量感受,或增加运维成本。如果能够将部分问题从事后排除故障转化为事前预测和提前维护,即在故障没有发生的时候进行预测,提前做好对应的解决。这样整个解决故障的时间消耗对于用户服务质量的影响就接近为零,从而减少企业内部的OPEX。
技术实现思路
有鉴于此,本专利技术实施例的目的在于提供一种网络故障预测方法、装置及设备、计算机可读存储介质,以解决在通信网络的故障还没有发生之前或者网络质量还没有劣化之前进行预测的问题。本专利技术实施例解决上述技术问题所采用的技术方案如下:根据本专利技术实施例的一个方面,提供的一种网络故障预测方法,所述方法包括:对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口以及预测模型;根据所述定时检测的时间窗口和所述预测模型,对实时特征数据进行故障预测。根据本专利技术实施例的另一个方面,提供的一种网络故障预测装置,所述装置包括模型训练模块以及推理模块;所述模型训练模块,用于对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口以及预测模型;所述推理模块,用于根据所述定时检测的时间窗口和所述预测模型,对实时特征数据进行故障预测。根据本专利技术实施例的另一个方面,提供的一种网络故障预测设备,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故障预测程序,所述故障预测程序被所述处理器执行时实现上述的网络故障预测方法的步骤。根据本专利技术实施例的另一个方面,提供的一种计算机可读存储介质,所述计算机可读存储介质上存储有故障预测程序,所述故障预测程序被处理器执行时实现上述的网络故障预测方法的步骤。本专利技术实施例的网络故障预测方法、装置及设备、计算机可读存储介质,通过定时检测的时间窗口以及预测模型对实时数据进行故障预测;可采取不同类型数据进行预测,提高预测准确性;解决故障的时间消耗对于用户服务质量的影响接近为零,降低了企业的运营消耗;对于不同故障或劣化,均可在其发生之前选取不同的时间节点进行预测,减少了系统的计算量、节省系统资源。附图说明图1为本专利技术第一实施例的网络故障预测方法流程示意图;图2为本专利技术第一实施例的网络故障预测方法另一流程示意图;图3为本专利技术第二实施例的网络故障预测装置结构示意图;图4为本专利技术第二实施例的网络故障预测装置另一结构示意图;图5为本专利技术第二实施例的网络故障预测装置中模型训练模块结构示意图;图6为本专利技术第三实施例的网络故障预测设备结构示意图;图7为本专利技术实施例的实现KPI预警的系统结构示意图;图8为本专利技术实施例的不同时间窗口预测结果示意图。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。具体实施方式为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,对本专利技术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仅用以解释本专利技术,并不用于限定本专利技术。第一实施例如图1所示,本专利技术第一实施例提供一种网络故障预测方法,该方法可用于通信网络运维设备当中,通信网络运维设备的类型在此不作限制。所述方法包括:S11、对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口以及预测模型。在本实施例中,固定时间窗口为具有运营意义(满足运营业务需求)的时间窗口,特征数据是具有时间维度、统一量纲的数据,数据选择整点数据,其发生的时间和故障发生的时间间隔可采取四舍五入的方式能等于满足有运营意义的几个固定时间窗口。例如:1小时、2小时、12小时、24小时、48小时的时间窗口。需要说明的是,固定时间窗口并限于例举情形。在本实施例中,获得的预测模型相当于API(ApplicationProgrammingInterface,应用程序编程接口),通过该预测模型以及特征数据可对故障进行预测。在本实施例中,所述对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口包括步骤(附图未示出):对多个固定时间窗口的特征数据进行模型训练,获得模型训练结果;根据所述模型训练结果,选择一组固定时间窗口,并将该组固定时间窗口中最小的固定时间窗口确定为所述定时检测的时间窗口。需要说明的是,选择的一组固定时间窗口包括多个固定时间窗口,具体地数量在此不作限制。在本实施例中,模型训练可采用逻辑回归分类算法,例如:SVM(SupportVectorMachine,支持向量机)、随机森林、XGBoost(eXtremeGradientBoosting)等等。请参考图8所示,作为示例地,对1、2、12、24、48小时的特征数据采取XGBoost算法进行模型训练(此处选择1、2、12、24、48小时,是因为1、2小时可以进行提前切换或者调整负荷进行修复,12、24、48小时可以协调资源去近端处理修复),发现12、24小时能同时满足业务需求,且预测成功率和漏报率比较接近,因此选择12、24小时,并将12小时作为后续定时检测的时间窗口。请参考图2所示,在一种实施方式中,所述对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口以及预测模型之前还包括步骤:S10、对所述特征数据进行预处理,获得预处理后的特征数据。在该实施方式中,若固定时间窗口的数据不是具有时间维度、统一量纲的数据,可对固定时间窗口的数据进行预处理,形成具有时间维度、统一量纲的数据。在该实施方式中,获得预处理后的特征数据之后,对预处理后的特征数据进行模型训练,获得定时检测的时间窗口以及预测模型。以通信网络为例,可采取配置、告警、KPI(KeyPerformanceIndicator,关键绩效指标)、性能、信令、日志等不同类型的数据进行故障预测,但这些不同类型的数据需要进行预处理。具体地,首先对不同类型的数据进行归一化、编码或者矢量化处理。例如:配置数据按照固定时间间隔进行抽样,其中数值型数据进行Z-score(零均值)归一化处理,分类数据进行哑编码处理,处理之后的配置数据C可如下所示:其中,配置数据C的横向是时间维度,竖向是指不同的配置参数。告警数据按照固定时间间隔进行抽样,由于只需要表明某一个告警发生的状态,所以对于某一个告警是否发生,取值1,0即可。KPI本身是基于时间的变量,只需要对分类型的数据进行哑编码,数值型数据进行归一化处理。对于信令和日志数据,进行关键数据提炼,并进行统计和抽样处理,抽样时间间隔保持一致。最终处理后的的数据以配置-c,性能-p,告警-a为例组成的矢量可如下所示:之后,提取与故障发生相关的数据进行计算(例如:相关性计算或者降维计算),得到预处理后的特征数据。S12、根据所述定时检测的时间窗口和所述预测模型,对实时特征数据进行故障预测。在本实施例中,实时特征数据为本文档来自技高网...

【技术保护点】
1.一种网络故障预测方法,其特征在于,所述方法包括:对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口以及预测模型;根据所述定时检测的时间窗口和所述预测模型,对实时特征数据进行故障预测。

【技术特征摘要】
1.一种网络故障预测方法,其特征在于,所述方法包括:对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口以及预测模型;根据所述定时检测的时间窗口和所述预测模型,对实时特征数据进行故障预测。2.根据权利要求1所述的方法,其特征在于,所述对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口包括步骤:对多个固定时间窗口的特征数据进行模型训练,获得模型训练结果;根据所述模型训练结果,选择一组固定时间窗口,并将该组固定时间窗口中最小的固定时间窗口确定为所述定时检测的时间窗口。3.根据权利要求1或2所述的方法,其特征在于,所述对多个固定时间窗口的特征数据进行模型训练,获得定时检测的时间窗口以及预测模型之前还包括步骤:对所述特征数据进行预处理,获得预处理后的特征数据。4.根据权利要求1或2所述的方法,其特征在于,所述根据所述定时检测的时间窗口和所述预测模型,对实时特征数据进行故障预测之前还包括步骤:对所述定时检测的时间窗口的特征数据进行预判,若预判成功则执行所述根据所述定时检测的时间窗口和所述预测模型,对实时特征数据进行故障预测步骤。5.根据权利要求1或2所述的方法,其特征在于,所述根据所述定时检测的时间窗口和所述预测模型,对实时特征数据进行故障预测之后还包括:故障预测的结果包括故...

【专利技术属性】
技术研发人员:杜永生
申请(专利权)人:中兴通讯股份有限公司
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 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。

1