【技术实现步骤摘要】
实现异常检测模型更新的方法、装置和计算设备
[0001]本申请涉及网络通信领域,特别涉及一种实现异常检测模型更新的方法、装置和计算设备。
技术介绍
[0002]运营商和企业网络故障的触发大部分是依靠业务侧客户的主动报告异常实现的,属于被动响应,造成网络异常发现时间晚,进而导致客户满意度受到影响。为了提高主动感知和发现网络故障的能力,想要通过网络设备的关键性能指标(Key performance indicator,KPI),智能检测网络异常。对于这类异常检测方法中,运营商和企业客户要求的理想性能是能够长期保持高准确率和高召回率,在达不到理想性能的情况下,宁可漏报也不要误报,即优先保证高准确率。
[0003]基于监督学习的相关KPI异常检测技术中,通常基于网络运维领域的专家经验,对网络中采集到的KPI数据进行正常或异常人工标注。然后基于标注的异常KPI样本库,训练出监督学习模型,利用该模型进行在线异常KPI检测。
[0004]诸如网络处理器(Network processor,NP)和流量管理(Network processor,TM)丢包类的复杂KPI往往具有多样性的波形,由于上述模型只能学习到异常KPI样本库中已有的KPI异常模式,灵活性较差,无法对新的KPI异常模式进行自适应,进而会导致异常检测性能下降。
技术实现思路
[0005]本申请实施例提供了一种实现异常检测模型更新的方法、装置和计算设备,采用本申请可以使异常KPI检测模型持续的保持较高的异常检测性能。
[0006] ...
【技术保护点】
【技术特征摘要】
1.一种实现异常检测模型更新的方法,其特征在于,所述方法包括:获取检测设备使用当前的疑似异常关键性能指标KPI检测模型确定的疑似异常KPI数据;根据所述疑似异常KPI数据,对当前的异常KPI样本库进行更新;根据更新后的异常KPI样本库,对当前的异常KPI检测模型进行更新。2.根据权利要求1所述的方法,其特征在于,所述疑似异常KPI检测模型的召回率高于所述异常KPI检测模型的召回率,或者所述疑似异常KPI检测模型的漏报率低于所述异常KPI检测模型的漏报率。3.根据权利要求1或2所述的方法,其特征在于,所述异常KPI检测模型的准确率高于所述疑似异常KPI检测模型的准确率,或者所述异常KPI检测模型的误报率低于所述疑似异常KPI检测模型的误报率。4.根据权利要求1至3任一项所述的方法,其特征在于,所述根据所述疑似异常KPI数据,对当前的异常KPI样本进行更新,包括:获取所述疑似异常KPI数据中被确认为异常的KPI数据;将所述被确认为异常的KPI数据作为异常KPI样本,添加至所述当前的异常KPI样本库。5.根据权利要求4所述的方法,其特征在于,所述获取所述疑似异常KPI数据中被确认为异常的KPI数据,包括:将所述疑似异常KPI数据发送给管理设备,接收所述管理设备反馈的所述疑似异常KPI数据中被确认为异常的KPI数据;或者,显示所述疑似异常KPI数据,获取显示的所述疑似异常KPI数据中被确认为异常的KPI数据。6.根据权利要求1至5任一项所述的方法,其特征在于,所述根据更新后的异常KPI样本库,对当前的异常KPI检测模型进行更新之前,还包括:根据所述更新后的异常KPI样本库,确定所述当前的异常KPI检测模型不满足检测性能要求。7.根据权利要求6所述的方法,其特征在于,所述根据所述更新后的异常KPI样本库,确定所述当前的异常KPI检测模型不满足检测性能要求之前,还包括:获取所述检测设备使用所述异常KPI检测模型确定的异常KPI数据;所述根据所述更新后的异常KPI样本库,确定所述当前的异常KPI检测模型不满足检测性能要求,包括:根据所述异常KPI数据和所述更新后的异常KPI样本库,确定所述异常KPI检测模型不满足检测性能要求。8.根据权利要求7所述的方法,其特征在于,所述根据所述异常KPI数据和所述更新后的异常KPI样本库,确定所述异常KPI检测模型不满足检测性能要求,包括:根据所述异常KPI数据和所述更新后的异常KPI样本库,确定所述异常KPI检测模型的性能指标,所述性能指标包括漏报率、误报率、召回率和准确率中的至少一种;根据所述性能指标,确定所述异常KPI检测模型不满足检测性能要求。9.根据权利要求1至8任一项所述的方法,其特征在于,所述疑似异常KPI检测模型为无监督学习模型。
10.根据权利要求1至9任一项所述的方法,其特征在于,所述获取检测设备使用当前的疑似异常KPI检测模型确定的疑似异常KPI数据之前,还包括:按照第一预设性能要求,训练获得所述疑似异常KPI检测模型,所述疑似异常KPI检测模型为初始疑似异常KPI检测模型;将所述疑似异常KPI检测模型提供给所述检测设备。11.根据权利要求10所述的方法,其特征在于,所述按照第一预设性能要求,训练获得所述疑似异常KPI检测模型之前,还包括:获取初始KPI数据中的目标疑似异常KPI数据;所述按照第一预设性能要求,训练获得所述疑似异常KPI检测模型,包括:获取所述目标疑似异常KPI数据中被确认为异常的KPI数据;根据第一预设性能要求和所述目标疑似异常KPI数据中被确认为异常的KPI数据,训练获得初始疑似异常KPI检测模型。12.根据权利要求11所述的方法,其特征在于,所述获取初始KPI数据中的目标疑似异常KPI数据,包括:根据预设的无监督异常KPI检测模型,确定初始KPI数据中的目标疑似异常KPI数据;所述根据第一预设性能要求和所述目标疑似异常KPI数据中被确认为异常的KPI数据,训练获得初始疑似异常KPI检测模型,包括:根据第一预设性能要求和所述目标疑似异常KPI数据中被确认为异常的KPI数据,对所述无监督异常KPI检测模型进行更新,获得初始疑似异常KPI检测模型。13.根据权利要求1至12任一项所述的方法,其特征在于,所述根据所述疑似异常KPI数据,对当前的异常KPI样本库进行更新之后,还包括:根据所述更新后的异常KPI样本库,对所述疑似异常KPI检测模型进行更新;将更新后的疑似异常KPI检测模型提供给所述检测设备。14.根据权利要求1至13任一项所述的方法,其特征在于,所述异常KPI检测模型为有监督学习模型。15.根据权利要求1至14任一项所述的方法,其特征在于,所述根据更新后的异常KPI样本库,对当前的异常KPI检测模型进行更新之前,还包括:按照第二预设性能要求,训练获得所述当前的异常KPI检测模型,所述当前的异常KPI检测模型为初始异常KPI检测模型;将所述当前的异常KPI检测模型提供给所述检测设备。16.根据权利要求1至15任一项所述的方法,其特征在于,所述方法还包括:将所述更新后的异常KPI检测模型提供给所述检测设备。17.根据权利要求1至16任一项所述的方法,其特征在于,所述疑似KPI数据包括疑似异常KPI时间序列。18.根据权利要求17所述的方法,其特征在于,所述疑似异常KPI数据还包括所述疑似异常KPI时间序列中的异常时间段和/或异常时间点。19.一种实现异常检测模型更新的方法,其特征在于,所述方法包括:获取疑似异常关键性能指标KPI检测模型;通过所述疑似异常KPI检测模型,确定KPI数据中的疑似异常KPI数据;
将所述疑似异常KPI数据上报给分析设备,所述疑似异常KPI数据用于更新异常KPI检测模型。20.根据权利要求19所述的方法,其特征在于,所述方法还包括:获取所述异常KPI检测模型;通过所述异常KPI检测模型,确定异常KPI数据;将所述异常KPI数据上报给所述分析设备,所述异常KPI数据用于判断所述异常KPI检测模型是否满足检测性能要求。21.根据权利要求19或20所述的方法,其特征在于,所述通过所述疑似异常KPI检测模型,确定KPI数据中的疑似异常KPI数据,包括:通过所述疑似异常KPI检测模型,对所述KPI数据中的各KPI时间序列进行如下一种或多种处理:将所有时刻的KPI低于第一数值的KPI时间序列过滤、将任一时刻的KPI突增量小于第二数值的KPI时间序列...
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。