本发明专利技术提供了一种网络故障预测方法，包括如下步骤：S1.将网络故障数据进行预处理，所述网络故障数据包括故障类型、故障发生时间，转化为时间序列数据，每个时间序列表示当前时间段发生的所有故障类型；S2.构建基于门控多头注意力的神经网络模型，所述神经网络模型包括嵌入层、注意力记忆网络层、多头注意力层以及门控融合层，将所述时间序列数据输入所述基于门控多头注意力的神经网络模型，所述基于门控多头注意力的神经网络模型对网络故障数据中的故障进行预测。旨在解决传统的预测方法因故障的复杂性以及随机性，不能预测不同网络故障对其他故障的影响，从而不能对故障进行预测的问题，从而提供对网络故障进行精确预测的技术方案。方案。方案。
【技术实现步骤摘要】
一种网络故障预测方法及终端设备及存储介质
[0001]本专利技术属于网络信息
，尤其涉及一种网络故障预测方法及终端设备及存储介质。
技术介绍
[0002]随着信息时代的到来，电子设备普及率的加速上升导致网络故障的频发，因此，网络故障的不断发生是各大运营商广泛关注的问题，这些网络故障包括服务中断、网络速率低以及网络噪声，但是，网络故障的复杂性以及随机性使得很难利用传统方法对网络故障做出有效预测。
[0003]网络故障管理是维护网络运行稳定性的重要技术，而网络故障预测是提高网络故障管理时效性、准确性的关键一环。大多数网络故障来源于网络设备长时间使用造成的网络设备老化，而老化的网络设备相关网络性能的不稳定，给网络平稳运行埋下了不少隐患。因此，如何快速、高效预测网络故障的发生并进行一定程度的预警就具有重大意义。
[0004]较为普遍的网络故障预测，常常是依赖于网络故障管理系统的实时监测：通过网络状态的故障实时进行监测，实现数据采集、数据分析、故障原因诊断，从而进行实时的故障预警。
[0005]但是目前网络故障预测存在如下二个难点：第一，无法有效、及时、预先地进行故障原因的判断，而仅仅能实现故障的预警；第二，对于故障预警和故障发生的原因之间的关系无法准确诠释。例如：某科技公司在某网络管理平台采集连续一个月内34类共22026条历史网络故障预警数据，排在前3 位的网络故障预警为：时钟变换预警、输入光功率低预警、单板间通信失效预警。然而，排在第一位的时钟变换预警数据却无法利用，这是因为：时钟源的变换导致下游所有网络节点均上报该类故障预警，而基于统计算法的传统故障原因分析和人工经验判断，无法区分造成时钟源变换的实际的具体的节点故障原因；同时，也无法基于其他类型网络故障预警与时钟变换预警的相关性进行深入故障原因分析，使得网络故障原因的预测准确率偏低。
[0006]以上分析可知，现有技术缺少针对大量网络运行数据的高效分析，对网络故障原因的预判能力较低，因此，亟待智能化的新预测技术提高运维效率。
技术实现思路
[0007]一种网络故障预测方法，旨在解决传统的预测方法因网络故障的复杂性以及网络故障本身存在的随机性，基于不同网络故障对其他故障的影响，从而不能对故障进行预测的问题，同时实现可以预先判断网络即将发生故障的预警类型，最终提供一种能够对网络故障进行精确预测的技术方案。为了解决上述技术问题，本专利技术提供的技术方案如下：
[0008]一种网络故障预测方法，包括如下步骤：
[0009]S1.将网络故障数据进行预处理，所述网络故障数据包括故障类型、所述故障类型发生的时间戳，将所述网络故障数据转化为时间序列数据，每个时间序列数据表示当前时
间段发生的所有故障类型；
[0010]S2.构建基于门控多头注意力的神经网络模型，所述神经网络模型包括嵌入层、注意力记忆网络层、多头注意力层以及门控融合层，将所述时间序列数据输入所述基于门控多头注意力的神经网络模型，所述基于门控多头注意力的神经网络模型对网络故障数据中的故障进行预测。
[0011]进一步的，S1具体包括：
[0012]将收集到的网络故障数据进行预处理，根据故障类型的时间戳，得到时间序列上的所有故障类型。
[0013]进一步的，S2具体包括：
[0014]S21.构建嵌入层，以所述时间序列数据为输入，将所述时间序列数据从稀疏数据表示转化为稠密向量，得到嵌入向量s；
[0015]S22.构建注意力记忆网络层，所述注意力记忆网络层用来挖掘网络故障类型之间的第一关系，所述嵌入向量s为注意力记忆网络层的输入；
[0016]S23.构建多头注意力层，所述多头注意力层用来计算网络故障类型之间的第二关系，计算公式如下：
[0017][0018]其中Q，K，V分别代表注意力query，注意力key和注意力value的矩阵向量，表示向量Q和K的特征维；
[0019]使用K的多头注意力：
[0020]MultiHeadAttention(H)＝Concat(head1，...，head
k
)，
[0021]其中
[0022]head
j
＝Attention(Q，K，V)
[0023]多头注意操作将f
(i，l)
作为输入馈送到不同的头注意层，其结果被进一步连接为最终输出：
[0024]T
(i，l)
＝MultiHeadAttention(f
(i，l)
)
[0025]S24.构建门控融合层，所述门融合层用来对将要发生的故障进行预测，公式如下：
[0026]G＝sigmoid(w1s+w2T
(i，l)
+b)
[0027]I
i
＝G*s+(1
‑
G)*T
(i，l)
[0028]所述对将要发生的故障进行预测基于矩阵分解：
[0029]R
ij
＝(I
i
)
T
I
j
[0030]根据分解后的矩阵得到成对排名损失：
[0031][0032]其中，σ(x)＝1/(1+exp(
‑
x))是逻辑sigmoid函数，D表示成对训练实例的集合强度。
[0033]进一步的，S22具体包括：
[0034]S221.从注意力权重矩阵K学习注意力向量a，根据对比不同网络故障类型找出相似度，并根据相似度赋予不同的权重系数，得到注意力分数向量a的每个元素，被定义为：
[0035][0036]其中K
i
∈R
d
，注意力权重矩阵K为随机初始化变量；
[0037]S222.使用softmax函数对注意力向量a进行归一化，得到最终的结果注意力分数a
j
：
[0038][0039]S223.嵌入向量s首先经由记忆矩阵M扩展到矩阵F：
[0040]F
j
＝se M
j
[0041]其中，e表示向量的元素积，矩阵F用来描述时间序列中的故障发生情况。
[0042]S224.使用注意力分数来计算F的加权表示故障类型之间的第一关系，即
[0043][0044]相应地，本专利技术实施例还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时实现所述网络故障预测方法的步骤。
[0045]相应地，本专利技术实施例还提供了一种计算机可读存储介质，所述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所述网络故障预测方法的步骤。
[0046]本专利技术实施例通过对网络故障数据进行预处理，同时构建基于门控多头注意力的神经网络模型基于门控多头注意力的神经网络模型对网络故障数据中的故障进行预测，通过深度神经本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种网络故障预测方法，其特征在于，包括如下步骤：S1.将网络故障数据进行预处理，所述网络故障数据包括故障类型、所述故障类型发生的时间戳，将所述网络故障数据转化为时间序列数据，每个时间序列数据表示当前时间段发生的所有故障类型；S2.构建基于门控多头注意力的神经网络模型，所述神经网络模型包括嵌入层、注意力记忆网络层、多头注意力层以及门控融合层，将所述时间序列数据输入所述基于门控多头注意力的神经网络模型，所述基于门控多头注意力的神经网络模型对网络故障数据中的故障进行预测。2.根据权利要求1所述的网络故障预测方法，其特征在于，S1具体包括：将收集到的网络故障数据进行预处理，根据故障类型的时间戳，得到时间序列上的所有故障类型。3.根据权利要求2所述的网络故障预测方法，其特征在于，S2具体包括：S21.构建嵌入层，以所述时间序列数据为输入，将所述时间序列数据从稀疏数据表示转化为稠密向量，得到嵌入向量s；S22.构建注意力记忆网络层，所述注意力记忆网络层用来挖掘网络故障类型之间的第一关系，所述嵌入向量s为注意力记忆网络层的输入；S23.构建多头注意力层，所述多头注意力层用来计算网络故障类型之间的第二关系，计算公式如下：其中Q，K，V分别代表注意力query，注意力key和注意力value的矩阵向量，表示向量Q和K的特征维；使用K的多头注意力：MultiHeadAttention(H)＝Concat(head1，...，head
k
)，其中head
j
＝Attention(Q，K，V)多头注意操作将f
(i，l)
作为输入馈送到不同的头注意层，其结果被进一步连接为最终输出：T
(i，l)
＝MultiHeadAttention(f
(i，l)
)S24.构建门控融合层，所述门融合层用来对将要发生的故障进行预测，公式如下：G＝sig...
【专利技术属性】
技术研发人员：高榕，邱叶，邵雄凯，叶志伟，王春枝，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：
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。