一种基于深度学习的网络告警预测模型建立方法及装置制造方法及图纸

本发明专利技术提出了一种基于深度学习的网络告警预测模型建立方法及装置，涉及通信技术领域。该方法先获取不同通信网络设备上的样本告警数据集以及通信网络设备之间的拓扑关系，然后对样本告警数据集进行分析，以得到多个告警序列，然后根据告警时间间隔将其分割为多个子告警序列，以保证告警序列之间的时间区别，以减少用于训练网络告警预测模型的数据量，提高预警模型训练的效率。再根据多个子告警序列及拓扑关系训练初始网络告警预测模型，获取训练好的网络告警预测模型，以保证得到的网络告警预测模型能够考虑到各个通信网络设备之间的联系进行预测，提高预测结果的准确性。提高预测结果的准确性。提高预测结果的准确性。

【技术实现步骤摘要】
一种基于深度学习的网络告警预测模型建立方法及装置


[0001]本专利技术涉及通信
，具体而言，涉及一种基于深度学习的网络告警预测模型建立方法及装置。

技术介绍

[0002]随着通信网络技术的不断发展，网络规模的日益壮大，通信网络包含的设备种类和数量随之增加，对于各类网络，若网络设备在运行过程中出现故障，则会产生大量告警和工单，网络维护人员往往疲于应付，效率低下且浪费大量的人力。在此背景下，如何基于告警预测提升故障的事前发现能力，实现故障提前止损，减少人力成本、提升运维效率，已经成为各类网络领域面临的一个普遍性难题。
[0003]传统的告警预测技术主要通过聚类的方法对告警进行预测，但聚类预测的方法随着时间的增加，告警量越大，对大量的告警进行聚类分析所消耗的时间较长，从而导致预测的效率大幅降低。此外，通过聚类分析的方法得到的预测结果受告警数据分布情况的影响较大，其预测结果的准确性不高。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的网络告警预测模型建立方法及装置，用以改善现有技术中预测效率不高且不准确的问题。
[0005]第一方面，本申请实施例提供一种基于深度学习的网络告警预测模型建立方法，方法包括：获取不同通信网络设备上的样本告警数据集以及通信网络设备之间的拓扑关系；样本告警数据集包括告警设备标识；根据告警设备标识将样本告警数据集中的告警数据确定多个告警序列；并根据每个告警序列中的告警时间间隔将其分割为多个子告警序列；根据多个子告警序列及拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型。
[0006]上述实现过程中，获取不同通信网络设备上的样本告警数据集并对其进行分析，以得到多个告警序列，然后根据告警时间间隔将其分割为多个子告警序列，以保证告警序列之间的时间区别，以减少用于训练网络告警预测模型的数据量，提高预警模型训练的效率。同时，还会获取各个通信网络设备之间的拓扑关系，并根据拓扑关系以及告警序列训练初始网络告警预测模型，以保证得到的网络告警预测模型能够考虑到各个通信网络设备之间的联系进行预测，提高预测结果的准确性。
[0007]在本专利技术的一些实施例中，根据多个子告警序列及拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤之后，方法还包括：获取各个通信网络设备上的实时告警信息；将实时告警信息输入至训练好的网络告警预测模型，以得到训练好的网络告警预测模型输出的告警预测信息；其中告警预测信息包括未来预设时间段内的所
有告警数据。
[0008]上述实现过程中，获取各个通信网络设备上的实时告警信息，然后将该信息输入至训练好的网络告警预测模型中后，网络告警预测模型可以输出对未来某一预设时间段内准确的预测数据，从而保证能够及时的对通信网络中的告警进行预测，进而使得运维人员可以提前做好相应的防范措施，有效降低故障带来的影响，提前止损。
[0009]在本专利技术的一些实施例中，根据多个子告警序列及拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤，包括：将每个通信网络设备分别作为当前采样节点；根据拓扑关系确定当前采样节点的父节点的告警序列和所有子节点的告警集合；对当前采样点对应的子告警序列随机设置采样时间点；采集采样时间点之前第一预设时间段内当前采样节点的告警序列、当前采样节点的父节点的告警序列以及当前采样节点的子节点告警集合作为输入数据；采集采样时间点之后第二预设时间段内当前采样节点的告警序列作为输出数据；利用输入数据及输出数据训练初始网络告警预测模型，以获取训练好的网络告警预测模型。
[0010]在本专利技术的一些实施例中，样本告警数据集中的告警数据包括告警类型及告警时间，利用输入数据及输出数据训练初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤之前，方法还包括：对不同的告警类型进行数值编码得到告警编码字典；利用输入数据及输出数据训练初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤，包括：根据当前采样节点的子节点告警集合中与当前告警的告警类型相同的所有告警的告警时间，确定当前告警的权重；利用预先建立好的告警编码字典对输入数据及输出数据中的告警类型进行告警编码，以得到数值化告警序列；根据当前告警的权重及数值化告警序列确定特征向量；利用特征向量对初始网络告警预测模型进行训练以获取训练好的网络告警预测模型。
[0011]在本专利技术的一些实施例中，利用输入数据及输出数据训练初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤，包括：将采样时间之前第一预设时间段内当前采样节点的告警序列及当前采样节点的父节点的告警序列拼接得到合成告警序列；将合成告警序列及其采样时间之前第一预设时间段前的相邻采样节点对应的记忆参数输入至长短期记忆模型中，以得到学习特征；根据当前采样节点的子节点告警集合计算特征向量；将学习特征以及特征向量拼接后作为初始网络告警预测模型的连接层的输入数据，以训练得到基于深度序列预测的网络告警预测模型。
[0012]第二方面，本申请实施例提供一种基于深度学习的网络告警预测模型建立装置，装置包括：数据获取模块，用于获取不同通信网络设备上的样本告警数据集以及通信网络设备之
间的拓扑关系；样本告警数据集包括告警设备标识；告警序列确定模块，用于根据告警设备标识将样本告警数据集中的告警数据确定多个告警序列；告警序列分割模块，用于并根据每个告警序列中的告警时间间隔将其分割为多个子告警序列；模型训练模块，用于根据多个子告警序列及拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型。
[0013]在本专利技术的一些实施例中，装置还包括：实时告警信息获取模块，用于获取各个通信网络设备上的实时告警信息；告警预测模块，用于将实时告警信息输入至训练好的网络告警预测模型，以得到训练好的网络告警预测模型输出的告警预测信息；其中告警预测信息包括未来预设时间段内的所有告警数据。
[0014]在本专利技术的一些实施例中，模型训练模块包括：当前采样节点确定单元，用于将每个通信网络设备分别作为当前采样节点；父节点数据及子节点数据获取单元，用于根据拓扑关系确定当前采样节点的父节点的告警序列和所有子节点的告警集合；采样时间点确定单元，用于对当前采样点对应的子告警序列随机设置采样时间点；输入数据确定单元，用于采集采样时间点之前第一预设时间段内当前采样节点的告警序列、当前采样节点的父节点的告警序列以及当前采样节点的子节点告警集合作为输入数据；输出数据确定单元，用于采集采样时间点之后第二预设时间段内当前采样节点的告警序列作为输出数据；模型训练单元，用于利用输入数据及输出数据训练初始网络告警预测模型，以获取训练好的网络告警预测模型。
[0015]在本专利技术的一些实施例中，样本告警数据集中的告警数据包括告警类型及告警时间，模型训练模块还包括：数值编码单元，用于对不同的告警类型进行数值编码得到告警编码字典；模型训练单元包括：权重确定子单元，用于根据当前采样节点的子节点告警集合中与当前告警的告警类型相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的网络告警预测模型建立方法，其特征在于，所述方法包括：获取不同通信网络设备上的样本告警数据集以及所述通信网络设备之间的拓扑关系；所述样本告警数据集包括告警设备标识；根据所述告警设备标识将所述样本告警数据集中的告警数据确定多个告警序列；并根据每个告警序列中的告警时间间隔将其分割为多个子告警序列；根据所述多个子告警序列及所述拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述多个子告警序列及所述拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤之后，所述方法还包括：获取各个通信网络设备上的实时告警信息；将所述实时告警信息输入至所述训练好的网络告警预测模型，以得到所述训练好的网络告警预测模型输出的告警预测信息；其中所述告警预测信息包括未来预设时间段内的所有告警数据。3.根据权利要求1所述的方法，其特征在于，所述根据所述多个子告警序列及所述拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤，包括：将每个通信网络设备分别作为当前采样节点；根据所述拓扑关系确定所述当前采样节点的父节点的告警序列和所有子节点的告警集合；对所述当前采样点对应的子告警序列随机设置采样时间点；采集所述采样时间点之前第一预设时间段内所述当前采样节点的告警序列、所述当前采样节点的父节点的告警序列以及所述当前采样节点的子节点告警集合作为输入数据；采集所述采样时间点之后第二预设时间段内所述当前采样节点的告警序列作为输出数据；利用所述输入数据及所述输出数据训练所述初始网络告警预测模型，以获取训练好的网络告警预测模型。4.根据权利要求3所述的方法，其特征在于，所述样本告警数据集中的告警数据包括告警类型及告警时间，所述利用所述输入数据及所述输出数据训练所述初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤之前，所述方法还包括：对不同的告警类型进行数值编码得到告警编码字典；所述利用所述输入数据及所述输出数据训练所述初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤，包括：根据所述当前采样节点的子节点告警集合中与当前告警的告警类型相同的所有告警的告警时间，确定所述当前告警的权重；利用预先建立好的告警编码字典对所述输入数据及所述输出数据中的告警类型进行告警编码，以得到数值化告警序列；根据所述当前告警的权重及所述数值化告警序列确定特征向量；利用所述特征向量对初始网络告警预测模型进行训练以获取训练好的网络告警预测模型。
5.根据权利要求3所述的方法，其特征在于，所述利用所述输入数据及所述输出数据训练所述初始网络告警预测模型，以获取...

【专利技术属性】
技术研发人员：杨鹏，杨波，
申请(专利权)人：南京群顶科技有限公司，
类型：发明
国别省市：