网络故障的模型训练、诊断预测方法、装置以及电子设备制造方法及图纸

本发明专利技术实施例涉及网络故障检测领域，公开一种网络故障的模型训练、诊断预测方法、装置以及电子设备。本发明专利技术通过采集目标网络中的设备数据以及用户使用网络过程中的用户行为数据；采集用户使用目标网络过程中的用户投诉数据和用户体验数据；以标记网络故障的设备数据和用户行为数据作为训练样本，采用GBDT模型对网络故障进行分类训练，得到GBDT网络故障分类模型；以用户投诉数据和用户体验数据作为训练样本，采用DNN模型对网络故障进行预测训练，得到DNN网络故障预测模型；以GBDT网络故障分类模型和DNN网络故障预测模型的输出结果作为训练样本，采用FM模型进行训练，得到FM网络故障诊断预测模型。通过构建的模型能够准确、高效的对网络故障进行诊断和预测。

Network fault model training, diagnosis and prediction methods, devices and electronic equipment

【技术实现步骤摘要】
网络故障的模型训练、诊断预测方法、装置以及电子设备
本专利技术实施例涉及网络故障检测领域，特别涉及一种网络故障的模型训练、诊断预测方法、装置以及电子设备。
技术介绍
网络故障诊断和预测是通过技术判断网络是否会发生故障及预测发生某种类型故障的概率。目前较为流行的主动型网络故障诊断和预测技术有两种。一种是通过贝叶斯网络模型进行网络故障诊断，该方法依赖于网络的拓扑结构和各结点的报警信息。另一种主动型网络故障预测方法是基于梯度提升树模型(GBDT)。这种方法首先采集网络故障症状数据和故障数据，然后使用梯度提升树分类器进行分类训练，并根据分类器对网络故障进行预测。但是，本申请的专利技术人发现，上述网络故障诊断和预测方案存储以下缺陷：首先，现有网络故障预测模型通常只采用故障报警数据和故障类型数据，没有考虑用户不同的网络使用习惯对网络质量的影响，以及不同的质量需求对用户满意度的影响，以至于预测结果准确度较低。其次，贝叶斯网络模型要求对网络拓扑结构进行全面的了解，并为每个用户找出所有网络链路，效率不高。并且，该方法依赖设备报警信息，只能在某些设备发出故障报警之后判断是否出现网络故障，无法在网络故障出现前进行告警。再次，采用梯度提升树分类器容易发生过拟合现象，且该模型无法对样本之外的案例进行预测。因此，该方案要求历史故障数据包含所有可能的故障场景和故障症状，否则模型将会失效。
技术实现思路
本专利技术实施方式的目的在于提供一种网络故障的模型训练、诊断预测方法、装置以及电子设备，能够准确、高效的对网络故障进行诊断和预测。为解决上述技术问题，本专利技术的实施方式提供了一种网络故障的模型训练方法，包括：采集目标网络中的设备数据以及用户使用网络过程中的用户行为数据；采集用户使用所述目标网络过程中的用户投诉数据和用户体验数据；以标记网络故障的所述设备数据和所述用户行为数据作为训练样本，采用GBDT模型对网络故障进行分类训练，得到GBDT网络故障分类模型；以所述用户投诉数据和所述用户体验数据作为训练样本，采用DNN模型对网络故障进行预测训练，得到DNN网络故障预测模型；以所述GBDT网络故障分类模型和所述DNN网络故障预测模型的输出结果作为训练样本，采用FM模型进行训练，得到FM网络故障诊断预测模型。本专利技术的实施方式还提供了一种网络故障的诊断预测方法，基于上述任一项所述的网络故障的模型训练方法所构建的模型，包括：采集目标网络中的设备数据以及用户使用网络过程中的用户行为数据；采集用户使用所述目标网络过程中的用户投诉数据和用户体验数据；将采集的所述设备数据、所述用户行为数据输入至GBDT网络故障分类模型进行分类，将所述用户投诉数据和所述用户体验数据输入至DNN网络故障预测模型进行预测，并将分类结果和预测结果输入至FM网络故障诊断预测模型进行预测，得到网络故障的诊断预测结果。本专利技术的实施方式还提供了一种网络故障的模型训练装置，包括：样本数据采集模块，用于采集目标网络中的设备数据以及用户使用网络过程中的用户行为数据；采集用户使用所述目标网络过程中的用户投诉数据和用户体验数据；GBDT训练模块，用于以标记网络故障的所述设备数据和所述用户行为数据作为训练样本，采用GBDT模型对网络故障进行分类训练，得到GBDT网络故障分类模型；DNN训练模块，用于以所述用户投诉数据和所述用户体验数据作为训练样本，采用DNN模型对网络故障进行预测训练，得到DNN网络故障预测模型；FM训练模块，用于以所述GBDT网络故障分类模型和所述DNN网络故障预测模型的输出结果作为训练样本，采用FM模型进行训练，得到FM网络故障诊断预测模型。本专利技术的实施方式还提供了一种网络故障的诊断预测装置，基于上述任一项所述的网络故障的模型训练方法所构建的模型，包括：预测数据采集模块，用于采集目标网络中的设备数据以及用户使用网络过程中的用户行为数据；采集用户使用所述目标网络过程中的用户投诉数据和用户体验数据；诊断预测模块，用于将采集的所述设备数据、所述用户行为数据输入至GBDT网络故障分类模型进行分类，将所述用户投诉数据和所述用户体验数据输入至DNN网络故障预测模型进行预测，并将分类结果和预测结果输入至FM网络故障诊断预测模型进行预测，得到网络故障的诊断预测结果。本专利技术的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。本专利技术的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。本专利技术实施方式相对于现有技术而言，通过采集目标网络中的设备数据以及用户使用网络过程中的用户行为数据；采集用户使用目标网络过程中的用户投诉数据和用户体验数据；以标记网络故障的设备数据和用户行为数据作为训练样本，采用GBDT模型对网络故障进行分类训练，得到GBDT网络故障分类模型；以用户投诉数据和用户体验数据作为训练样本，采用DNN模型对网络故障进行预测训练，得到DNN网络故障预测模型；以GBDT网络故障分类模型和DNN网络故障预测模型的输出结果作为训练样本，采用FM模型进行训练，得到FM网络故障诊断预测模型。由于在该模型训练过程中引入了用户侧数据，即用户行为数据、用户投诉数据和用户体验数据，因此可以充分的从用户角度出发，充分考虑用于使用网络的个人习惯和用户发生较差的网络体验记录，投诉记录等方面的因素来更准确、高效的对网络故障进行诊断和预测。另外，采集目标网络中的设备数据具体为：利用网关软探针采集网关设备的属性信息和运行状态数据；利用机顶盒软探针采集机顶盒的属性信息和运行状态数据，可以更便捷的采集网络中的设备数据。另外，在网络故障的模型训练方法中，还包括：对采集的设备数据、用户行为数据、用户投诉数据和用户体验数据分别进行预处理，得到以向量表示的训练样本，从而方便进行模型训练。另外，以GBDT网络故障分类模型的输出结果作为训练样本具体为：对GBDT网络故障分类模型的所有叶节点进行one-hot编码，并将编码后的数据作为FM网络故障诊断预测模型的训练样本数据，以获得适用于FM模型训练的稀疏的输入向量。另外，以用户投诉数据和用户体验数据作为训练样本，采用DNN模型对网络故障进行预测训练，得到DNN网络故障预测模型具体为：在DNN模型中分别为用户投诉数据和用户体验数据增加1个包含k个节点的嵌入层，以将用户投诉数据和用户体验数据转化为k维的稠密型数据，k为模型超参数，从而减少高维数据带来的计算压力。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明本文档来自技高网...

【技术保护点】
1.一种网络故障的模型训练方法，其特征在于，包括：/n采集目标网络中的设备数据以及用户使用网络过程中的用户行为数据；/n采集用户使用所述目标网络过程中的用户投诉数据和用户体验数据；/n以标记网络故障的所述设备数据和所述用户行为数据作为训练样本，采用GBDT模型对网络故障进行分类训练，得到GBDT网络故障分类模型；/n以所述用户投诉数据和所述用户体验数据作为训练样本，采用DNN模型对网络故障进行预测训练，得到DNN网络故障预测模型；/n以所述GBDT网络故障分类模型和所述DNN网络故障预测模型的输出结果作为训练样本，采用FM模型进行训练，得到FM网络故障诊断预测模型。/n

【技术特征摘要】
1.一种网络故障的模型训练方法，其特征在于，包括：
采集目标网络中的设备数据以及用户使用网络过程中的用户行为数据；
采集用户使用所述目标网络过程中的用户投诉数据和用户体验数据；
以标记网络故障的所述设备数据和所述用户行为数据作为训练样本，采用GBDT模型对网络故障进行分类训练，得到GBDT网络故障分类模型；
以所述用户投诉数据和所述用户体验数据作为训练样本，采用DNN模型对网络故障进行预测训练，得到DNN网络故障预测模型；
以所述GBDT网络故障分类模型和所述DNN网络故障预测模型的输出结果作为训练样本，采用FM模型进行训练，得到FM网络故障诊断预测模型。


2.根据权利要求1所述的方法，其特征在于，所述采集目标网络中的设备数据包括：
利用网关软探针采集网关设备的属性信息和运行状态数据；
利用机顶盒软探针采集机顶盒的属性信息和运行状态数据。


3.根据权利要求1所述的方法，其特征在于，还包括：对采集的所述设备数据、所述用户行为数据、所述用户投诉数据和所述用户体验数据分别进行预处理，得到以向量表示的所述训练样本。


4.根据权利要求1所述的方法，其特征在于，所述以所述GBDT网络故障分类模型的输出结果作为训练样本包括：
对所述GBDT网络故障分类模型的所有叶节点进行one-hot编码，并将编码后的数据作为所述FM网络故障诊断预测模型的训练样本数据。


5.根据权利要求1所述的方法，其特征在于，所述以所述用户投诉数据和所述用户体验数据作为训练样本，采用DNN模型对网络故障进行预测训练，得到DNN网络故障预测模型包括：
在所述DNN模型中分别为所述用户投诉数据和所述用户体验数据增加1个包含k个节点的嵌入层，以将所述用户投诉数据和所述用户体验数据转化为k维的稠密型数据，所述k为模型超参数。


6.一种网络故障的诊断预测方法，基于权利要求1-5中任一项所述的网络故障的模型训练方法所构建的模型，其特征在于，包括：
采集目标网络中的设备数据以及用户使用网络过程中的用户行为数据；
采集用户使用所述目标网络过程中的用户投诉数据和用户体验数据；
将采集...

【专利技术属性】
技术研发人员：王莹，章婷婷，贾庆民，罗红，陆海俊，
申请(专利权)人：中移杭州信息技术有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：浙江;33