一种基于人工智能的网络运维自动化方法技术

一种基于人工智能的网络运维自动化方法，包括：获取运维系统运行的运维数据，对运维数据进行预处理，得到训练数据；对训练数据进行处理，提取训练数据的特征值；通过提取训练数据的特征值，构建基于运维系统数据的随机森林模型和深度神经网络模型；基于生成的随机森林模型和深度神经网络模型，生成网络自动化运维模型，将线上实时的运维数据导入到网络自动化运维模型，对运维系统进行预警。本发明专利技术从通信领域的网络运维角度，解析人工智能在替代密集型维护方式、降低网络运维成本、创新维护手段等方面的作用和影响，并探讨通过人工智能降低运维难度、提升运维效率和网络质量的方式方法。法。法。

【技术实现步骤摘要】
一种基于人工智能的网络运维自动化方法


[0001]本专利技术涉及的是自动化运维领域，特别涉及一种基于人工智能的网络运维自动化方法。

技术介绍

[0002]人工智能是一种将人类能力与科学技术相结合，实现机器与智能一体化的技术，它借助大数据、网络计算和深度学习，实现类人脑方式的任务处理。当前人工智能技术在生物识别、自然语言识别等领域已经获得了长足发展，比如在安防领域，人工智能可以通过超强的监测能力和精准的识别能力，准确地辨识入侵行为，提升系统保护等级；再比如，在通信运维领域，人工智能凭借其惊人的数据处理能力和类思考能力，对隐患故障进行反应，对网络优化方案进行决策。
[0003]目前运营商网络运维主要通过人工方式进行，这种传统的运维方式效率低下、灵活性差、成本高。随着5G时代的来临，ICT产业全面融合，物联网、SDN/NFV、人工智能、云计算等新技术的出现和发展，使得业务需求更加多样，网络运维更加繁杂，粗放的人工方式已经很难适应高质量高效率的维护要求。具体包括以下几点：
[0004](1)网络更加繁杂。2G、3G、4G、5G多种制式将长期共存，PON、PTN、OTN、SDH及城域网、广域网将逐步向SDN/NFV演化。在这个过程中，虚拟化带来的分层解耦和云化带来的动态资源调度，使得故障排查和定位更加困难；同时，由此带来的网络与信息安全隐患也将长期存在，这将大大增加网络管理和优化难度，对运维人员能力要求也将大幅提高。
[0005](2)业务需求多样。一方面，人与人通信的单一模式将逐渐演变为人与人、人与物、物与物的全场景通信模式，业务场景将会更加复杂，这将对服务等级协议(SLA)提出差异化需求，以及带来网络管理复杂性等问题。另一方面，依托5G、NFV等巨大的网络和业务发展能力，用户需求也将呈现出差异化、个性化的趋势，网络对于用户体验的支撑将颠覆传统模式，迎来全新挑战。
[0006](3)网络能力要求高。和传统网络相比，5G、NFV等新一代网络在带宽、时延、可靠性、连接数等关键业务指标上都有量级的提升，并且需要同时满足不同业务的差异化需求。如何充分提升网络能力，快速适应业务需求变化，对网络规划、设备选型、业务部署等工作提出了更高要求。

技术实现思路

[0007]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于人工智能的网络运维自动化方法。
[0008]为了解决上述技术问题，本申请实施例公开了如下技术方案：
[0009]一种基于人工智能的网络运维自动化方法，包括：
[0010]S100.获取运维系统运行的运维数据，对运维数据进行预处理，得到训练数据；
[0011]S200.对训练数据进行处理，提取训练数据的特征值；
[0012]S300.通过提取训练数据的特征值，构建基于运维系统数据的随机森林模型和深度神经网络模型；
[0013]S400.基于生成的随机森林模型和深度神经网络模型，生成网络自动化运维模型，将线上实时的运维数据导入到网络自动化运维模型，对运维系统进行预警。
[0014]进一步地，对运维数据进行预处理，包括：将运维数据进行筛选，分为正常运行的正样本数据和异常运行的负样本数据，使正负样本数据的个数相等。
[0015]进一步地，特征值提取的方法为：首先通过滑动窗口，提取该窗口类数据的统计特征；然后通过序列前后值的对比，得到对比特征；最后合滑动窗口和对比特征，得到对比统计特征。
[0016]进一步地，采用不同的窗口宽度来提取该窗口类数据的统计特征。
[0017]进一步地，对于统计特征方面，至少使用的数学方法包括：均值、方差和分位数。
[0018]进一步地，对于对比特征方面，至少使用的对比方式包括：差分和变化比例，其中，差分代表了绝对变化，变化比例则是相对值。
[0019]进一步地，随机森林模型的关键参数包括：每棵决策树使用的特征数量、决策树的数量和最小叶子节点数目；其中，每棵决策树使用的特征数量为故障检测用到的特征总数；决策树的数量越多，故障检测的结果越精准；最小叶子节点数目，根据实际情况选取。
[0020]进一步地，深度神经网络模型采取两个全连接隐层和一个Sigmoid输出层，其中两个全连接隐层的隐藏神经元数量都是128个。
[0021]进一步地，网络自动化运维模型的检测指标包括静态阈值的检测指标和动态阈值的指标；其中，静态阈值的检测指标为应用于可用性、成功率和利用率的监控指标；动态阈值的检测指标为流量类，话务量和数据业务流量的监控指标。
[0022]本专利技术实施例提供的上述技术方案的有益效果至少包括：
[0023]本专利技术提出一种基于人工智能的网络运维自动化方法，该方法从监控信息、日志文件、客服信息/人工记录工单等获取源数据，把获得的数据离散取样得到时间序列的数据集。对原始数据进行预处理，然后使用训练数据集对人工智能模型进行训练训练，挖掘出预警信息产生的内在规律以及在故障出现之前一段时间的数据的综合特征变化，最终得到稳定的人工智能算法网络运维模型，进而用对网络问题进行预警。
[0024]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0025]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0026]图1为本专利技术实施例1中，一种基于人工智能的网络运维自动化方法的流程图；
[0027]图2为本专利技术实施例1中，随机森林模型的示意图；
[0028]图3为本专利技术实施例2中，深度神经网络模型的示意图。
具体实施方式
[0029]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例
所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0030]为了解决现有技术中存在的问题，本专利技术实施例提供一种基于人工智能的网络运维自动化方法。
[0031]实施例1
[0032]本实施例公开了一种基于人工智能的网络运维自动化方法，其特征在于，包括：
[0033]S100.获取运维系统运行的运维数据，对运维数据进行预处理，得到训练数据；具体的，本实施例中，从运维系统的监控信息、日志文件、客服信息/人工记录工单等获取源数据，把获得的数据离散取样得到时间序列的数据集。
[0034]具体的，本实施例中，在运维工作中，故障预警的检测指标分为两类：静态阈值的检测指标和动态阈值的指标。静态阈值的检测指标：应用于可用性、成功率和利用率等监控指标。比如判断是否存在某个告警(“是”就发出预警)，判断设备是否处于某个异常的工作状态(“是”就发出预警)，判断可用性指标是否小于95％(“小于”就发出预警)。动态阈值的检测指标：最典型监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的网络运维自动化方法，其特征在于，包括：S100.获取运维系统运行的运维数据，对运维数据进行预处理，得到训练数据；S200.对训练数据进行处理，提取训练数据的特征值；S300.通过提取训练数据的特征值，构建基于运维系统数据的随机森林模型和深度神经网络模型；S400.基于生成的随机森林模型和深度神经网络模型，生成网络自动化运维模型，将线上实时的运维数据导入到网络自动化运维模型，对运维系统进行预警。2.如权利要求1所述的一种基于人工智能的网络运维自动化方法，其特征在于，对运维数据进行预处理，包括：将运维数据进行筛选，分为正常运行的正样本数据和异常运行的负样本数据，使正负样本数据的个数相等。3.如权利要求1所述的一种基于人工智能的网络运维自动化方法，其特征在于，特征值提取的方法为：首先通过滑动窗口，提取该窗口类数据的统计特征；然后通过序列前后值的对比，得到对比特征；最后合滑动窗口和对比特征，得到对比统计特征。4.如权利要求3所述的一种基于人工智能的网络运维自动化方法，其特征在于，采用不同的窗口宽度来提取该窗口类数据的统计特征。5.如权利要求3所述的一种基于人工智能的网络运维自动化...

【专利技术属性】
技术研发人员：彭超，冯纯博，
申请(专利权)人：宝信软件武汉有限公司，
类型：发明
国别省市：