HSS用户搬迁的异常诊断方法、装置及计算设备制造方法及图纸

本发明专利技术实施例涉及通信技术领域，公开了一种HSS用户搬迁的异常诊断方法、装置及计算设备，该方法包括：获取所述HSS用户搬迁过程中的源HSS的KPI数据和目标HSS的KPI数据；将所述源HSS的KPI数据和所述目标HSS的KPI数据合并，得到测试数据；将所述测试数据输入重建模型中，得到重建测试数据，所述重建模型是通过多组训练数据训练得到的，所述多组训练数据中的每一组均包含所述HSS用户搬迁过程正常状态下的源HSS的KPI数据和目标HSS的KPI数据；计算所述重建测试数据与所述测试数据之间的重建误差；当所述重建误差大于预设阈值时，确定所述HSS用户搬迁过程异常。通过上述方式，本发明专利技术实施例实现了HSS用户搬迁的异常诊断。

【技术实现步骤摘要】
HSS用户搬迁的异常诊断方法、装置及计算设备
本专利技术实施例涉及通信
，具体涉及一种HSS用户搬迁的异常诊断方法、装置及计算设备。
技术介绍
HSS用户搬迁是HSS网元割接中难度较大、风险较高的一种割接，现有的对HSS用户搬迁过程中的异常检测主要通过对源HSS和目标HSS的KPI运行指标分别设置阈值的方式来实现。专利技术人发现：在割接过程中，由于关键指标波动较大，运维人员往往会关闭告警或对告警进行屏蔽，对于指标的波动，很难区分HSS用户搬迁中的正常波动和异常波动，从而导致了对于HSS用户搬迁过程中的异常不能及时发现，往往需要等到割接完成后，在进行业务测试时遇到了问题，才能确定搬迁过程中出现的异常，从而造成现有HSS用户搬迁过程中的异常难以发现或发现不及时的情况
技术实现思路
鉴于上述问题，本专利技术实施例提供了一种HSS用户搬迁的异常诊断方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。根据本专利技术实施例的一个方面，提供了一种HSS用户搬迁的异常诊断方法，该方法包括：获取所述HSS用户搬迁过程中的源HSS的KPI数据和目标HSS的KPI数据；将所述源HSS的KPI数据和所述目标HSS的KPI数据合并，得到测试数据；将所述测试数据输入重建模型中，得到重建测试数据，所述重建模型是通过多组训练数据训练得到的，所述多组训练数据中的每一组均包含所述HSS用户搬迁过程正常状态下的源HSS的KPI数据和目标HSS的KPI数据；计算所述重建测试数据与所述测试数据之间的重建误差；当所述重建误差大于预设阈值时，确定所述HSS用户搬迁过程异常。在一种可选的方式中，在得到测试数据后，所述方法还包括：对所述测试数据进行归一化处理，得到标准测试数据；将所述测试数据输入重建模型中，得到重建测试数据，包括：将所述标准测试数据输入到重建模型中，得到重建测试数据。在一种可选的方式中，根据下述公式对所述测试数据进行归一化处理，得到标准测试数据：Xstd＝Xsca×(Xmax-Xmin)+Xmin其中，Xstd是一组标准测试数据，X为一组测试数据，Xmax和Xmin分别为该组测试数据的最大值和最小值。在一种可选的方式中，计算所述重建测试数据与所述测试数据之间的重建误差，包括：根据如下公式计算所述重建测试数据与所述测试数据之间的重建误差：其中，xi表示测试数据中第i个KPI数据，表示重建后的测试数据中第i个KPI数据，n表示测试数据中KPI数据的总数。在一种可选的方式中，所述方法还包括：构建自编码神经网络模型；根据所述多组训练数据对所述自编码神经网络模型进行训练，得到重建模型。在一种可选的方式中，所述构建自编码神经网络模型包括：构建包含一个输入层、一个输出层及十个隐藏层的自编码神经网络模型，其中，所述十个隐藏层包含五个编码器层和五个解码器层，所述五个编码器层用于对训练数据压缩降维，得到特征数据；所述四个解码器层用于对所述特征数据进行还原重建，得到重建训练数据。在一种可选的方式中，根据所述多组训练数据对所述自编码神经网络模型进行训练，得到重建模型，包括：根据所述多组训练数据得到所述自编码神经网络模型的权重；根据所述权重计算损失函数值；根据优化算法重复更新所述权重，直至所述损失函数值最小；根据所述损失函数值最小的权重，得到重建模型。根据本专利技术实施例的另一方面，提供了一种HSS用户搬迁的异常诊断装置，包括：获取模块、合并模块、计算模块和确定模块，其中，获取模块用于获取所述HSS用户搬迁过程中的源HSS的KPI数据和目标HSS的KPI数据。合并模块，用于将所述源HSS的KPI数据和所述目标HSS的KPI数据合并，得到测试数据。输入模块，用于将所述测试数据输入重建模型中，得到重建测试数据，所述重建模型是通过多组训练数据训练得到的，所述多组训练数据中的每一组均包含所述HSS用户搬迁过程正常状态下的源HSS的KPI数据和目标HSS的KPI数据。计算模块，用于计算所述重建测试数据与所述测试数据之间的重建误差。确定模块，用于当所述重建误差大于预设阈值时，确定所述HSS用户搬迁过程异常。在一种可选的方式中，所述装置还包括归一化模块，用于对所述测试数据进行归一化处理，得到标准测试数据。输入模块进一步用于，将所述标准测试数据输入到重建模型中，得到重建测试数据。在一种可选的方式中，归一化模块进一步用于：根据下述公式对所述测试数据进行归一化处理，得到标准测试数据：Xstd＝Xsca×(Xmax-Xmin)+Xmin其中，Xstd是一组标准测试数据，X为一组测试数据，Xmax和Xmin分别为该组测试数据的最大值和最小值。在一种可选的方式中，计算模块进一步用于：根据如下公式计算所述重建测试数据与所述测试数据之间的重建误差：其中，xi表示测试数据中第i个KPI数据，表示重建后的测试数据中第i个KPI数据，n表示测试数据中KPI数据的总数。在一种可选的方式中，所述装置还包括：构建模块和训练模块，构建模块用于构建自编码神经网络模型。训练模块用于根据多组训练数据对自编码神经网络模型进行训练，得到重建模型。在一种可选的方式中，构建模块进一步用于：构建包含一个输入层、一个输出层及十个隐藏层的自编码神经网络模型，其中，所述十个隐藏层包含五个编码器层和五个解码器层，所述五个编码器层用于对训练数据压缩降维，得到特征数据；所述四个解码器层用于对所述特征数据进行还原重建，得到重建训练数据。在一种可选的方式中，训练模块进一步用于，根据所述多组训练数据得到所述自编码神经网络模型的权重；根据所述权重计算损失函数值；根据优化算法重复更新所述权重，直至所述损失函数值最小；根据所述损失函数值最小的权重，得到重建模型。根据本专利技术实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述的一种HSS用户搬迁的异常诊断方法对应的操作。根据本专利技术实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行上述的一种HSS用户搬迁的异常诊断方法对应的操作。本专利技术实施例通过重建测试数据与测试数据之间的重建误差对HSS用户搬迁过程进行异常诊断，重建测试数据是根据重建模型得到的，重建模型是通过多组包含HSS用户搬迁过程中正常状态下的源HSS的KPI数据和目标HSS的KPI数据训练得到的，对于HSS用户搬迁过程正常状态下的测试数据，重建测试数据与测试数据之间的重建误差很小，对于HSS用户搬迁异常状态下的测试数据，重建测试数据与测试数据之间的重建误差大，根据HSS用户搬迁过程正常状态下的重建误差设置阈值，从而可以对HSS用户搬迁中出现的异常情况进行有效诊断。上述说明仅是本专利技术实施例技术方案的概述，为了能够更清楚了解本专利技术实施例本文档来自技高网...

【技术保护点】
1.一种HSS用户搬迁的异常诊断方法，其特征在于，所述方法包括：/n获取所述HSS用户搬迁过程中的源HSS的KPI数据和目标HSS的KPI数据；/n将所述源HSS的KPI数据和所述目标HSS的KPI数据合并，得到测试数据；/n将所述测试数据输入重建模型中，得到重建测试数据，所述重建模型是通过多组训练数据训练得到的，所述多组训练数据中的每一组均包含所述HSS用户搬迁过程正常状态下的源HSS的KPI数据和目标HSS的KPI数据；/n计算所述重建测试数据与所述测试数据之间的重建误差；/n当所述重建误差大于预设阈值时，确定所述HSS用户搬迁过程异常。/n

【技术特征摘要】
1.一种HSS用户搬迁的异常诊断方法，其特征在于，所述方法包括：
获取所述HSS用户搬迁过程中的源HSS的KPI数据和目标HSS的KPI数据；
将所述源HSS的KPI数据和所述目标HSS的KPI数据合并，得到测试数据；
将所述测试数据输入重建模型中，得到重建测试数据，所述重建模型是通过多组训练数据训练得到的，所述多组训练数据中的每一组均包含所述HSS用户搬迁过程正常状态下的源HSS的KPI数据和目标HSS的KPI数据；
计算所述重建测试数据与所述测试数据之间的重建误差；
当所述重建误差大于预设阈值时，确定所述HSS用户搬迁过程异常。


2.根据权利要求1所述的方法，其特征在于，在得到测试数据之后，所述方法还包括：
对所述测试数据进行归一化处理，得到标准测试数据；
将所述测试数据输入重建模型中，得到重建测试数据，包括：
将所述标准测试数据输入到重建模型中，得到重建测试数据。


3.根据权利要求2所述的方法，其特征在于，对所述测试数据进行归一化处理，得到标准测试数据，包括：根据下述公式对所述测试数据进行归一化处理，得到标准测试数据：



Xstd＝Xsca×(Xmax-Xmin)+Xmin
其中，Xstd是一组标准测试数据，X为一组测试数据，Xmax和Xmin分别为该组测试数据的最大值和最小值。


4.根据权利要求1所述的方法，其特征在于，计算所述重建测试数据与所述测试数据之间的重建误差，包括：
根据如下公式计算所述重建测试数据与所述测试数据之间的重建误差：



其中，xi表示测试数据中第i个KPI数据，表示重建后的测试数据中第i个KPI数据，n表示测试数据中KPI数据的总数。


5.根据权利要求1所述的方法，其特征在于，在得到测试数据之前，所述方法还包括：
构建自编码神经网络模型；
根据所述多组训练数据对所述自编码神经网络模型进行训练，得到重建模型。


6.根据权...

【专利技术属性】
技术研发人员：邢彪，郑屹峰，张卷卷，凌啼，章淑敏，林昊，李海良，
申请(专利权)人：中国移动通信集团浙江有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：浙江;33