本申请实施例提供一种异常链路检测方法，包括：接收通信链路中至少一个网络节点的网络数据；获取网络数据对应的网络特征；将网络特征输入至第一模型，得到通信链路是否为异常链路的检测结果，第一模型是根据第一样本集中的已标记样本、K个已标记样本和M个未标记样本，对上一次训练得到的第二模型进行训练，在训练满足预设条件时得到的模型，K个已标记样本是对第一样本集中的K个未标记样本分别进行标记得到的，M个未标记样本是从第一样本集中选出来的作为负样本的未标记样本，第一样本集包括选取K个未标记样本和M个未标记样本之前，预先存储的已标记样本和未标记样本。采用本申请实施例，提高了检测异常链路的准确率。提高了检测异常链路的准确率。提高了检测异常链路的准确率。
【技术实现步骤摘要】
异常链路检测方法、装置及存储介质
[0001]本申请涉及人工智能
，特别涉及一种异常链路检测方法、装置及存储介质。
技术介绍
[0002]随着电信网络的快速发展和用户日益增长的多样化需求，网络通信企业需要处理大规模的通信数据和更加复杂的网络运维工作。如果不能及时发现和处理网络设备上发生的异常，则会造成用户无法正常通信，从而影响用户体验感。
[0003]在实际应用中，可采用异常链路检测模型检测通信链路，得到该通信链路是否为异常链路的检测结果。然而，异常链路检测模型通常是通过大量的标记样本进行训练得到的分类器，且每一标记样本是通过人工标记得到的，需要耗费大量人力，且人工标记存在一些误差。如何通过现有的标记样本提高异常链路的检测准确率是本领域技术人员待解决的技术问题。
技术实现思路
[0004]本申请实施例公开了一种异常链路检测方法、装置及存储介质，能够通过从未标记样本中选取的样本和现有的已标记样本训练得到的异常链路检测模型，对通信链路进行检测，提高了检测异常链路的准确率。
[0005]第一方面，本申请实施例公开了一种异常链路检测方法，包括：接收通信链路中至少一个网络节点的网络数据；获取网络数据对应的网络特征；将网络特征输入至第一模型得到通信链路的检测结果，检测结果用于指示通信链路是否为异常链路，第一模型是根据第一样本集中的已标记样本、K个已标记样本和M个未标记样本，对上一次训练得到的第二模型进行训练，在训练满足预设条件时得到的模型，K个已标记样本是对第一样本集中的K个未标记样本分别进行标记得到的，M个未标记样本是从第一样本集中选出来的作为负样本的未标记样本，第一样本集包括选取K个未标记样本和M个未标记样本之前，预先存储的已标记样本和未标记样本。如此，在接收到的通信链路中网络节点的网络数据之后，获取网络数据的网络特征，再将网络特征输入至，通过从未标记样本中选取的样本和现有的标记样本训练得到的异常链路检测模型，从而对该通信链路进行检测，提高了检测异常链路的准确率。
[0006]在一种可能的示例中，在将网络特征输入至第一模型之前，该方法还包括：获取第一样本集中每一未标记样本的异常评分值；根据第一样本集中每一未标记样本的异常评分值进行降序排列得到第一排序；将第一排序中前K个序号对应的未标记样本作为K个未标记样本。也就是说，选取的待标记样本是第一样本集中最为异常的K个未标记样本，则异常链路检测模型进行训练的样本集中包括可能为异常的样本，可提高模型训练的效果，便于提高检测异常链路的准确率。
[0007]在一种可能的示例中，该方法还包括：将第一排序中后L个序号对应的未标记样本
作为L个未标记样本；从L个未标记样本中选取M个未标记样本。也就是说，选取的未标记样本是第一样本集中最为正常的L个未标记样本中随机选取的M个未标记样本，且该未标记样本作为负样本，则异常链路检测模型进行训练的样本集中新增的样本为正常链路的样本，可避免引入噪声，提高了模型训练的效果，便于提高检测异常链路的准确率。
[0008]在一种可能的示例中，在将网络特征输入至第一模型之前，该方法还包括：获取通信链路的网络拓扑信息；将预先存储的与网络拓扑信息对应的未标记样本和已标记样本组成的集合作为第一样本集。也就是说，选取与通信链路的网络拓扑信息对应的未标记样本和已标记样本作为待选取的用于训练的样本，可提高模型训练的效果，便于提高检测通信链路是否为异常链路的准确率。
[0009]第二方面，本申请实施例公开了一种模型训练方法，包括：从第一样本集中选取K个未标记样本；从第一样本集中选取M个作为负样本的未标记样本第一样本集包括选取K个未标记样本和M个未标记样本之前，预先存储的已标记样本和未标记样本；根据第一样本集中的已标记样本、K个已标记样本和M个未标记样本，对上一次训练得到的第二模型进行训练，在训练满足预设条件时得到第一模型，K个已标记样本是K个未标记样本分别进行标记得到的。如此，通过从未标记样本中选取的样本，可以使得模型在训练的过程中学习到未标记样本中正负样本的分布情况。且根据选取得到的样本和现有的标记样本，对上一次训练得到的模型重新进行训练，可进一步提高检测的准确率。
[0010]在一种可能的示例中，从第一样本集中选取K个未标记样本包括：获取第一样本集中每一未标记样本的异常评分值；根据第一样本集中每一未标记样本的异常评分值进行降序排列得到第一排序；将第一排序中前K个序号对应的未标记样本作为K个未标记样本。也就是说，选取的待标记样本是第一样本集中最为异常的K个未标记样本，则异常链路检测模型进行训练的样本集中包括可能为异常的样本，可提高模型训练的效果，便于提高检测异常链路的准确率。
[0011]在一种可能的示例中，从第一样本集中选取M个作为负样本的未标记样本包括：将第一排序中后L个序号对应的未标记样本作为L个未标记样本；从L个未标记样本中选取M个未标记样本。也就是说，选取的未标记样本是第一样本集中最为正常的L个未标记样本中随机选取的M个未标记样本，且该未标记样本作为负样本，则异常链路检测模型进行训练的样本集中新增的样本是正常链路的样本，可避免引入噪声，提高了模型训练的效果，便于提高检测异常链路的准确率。
[0012]在一种可能的示例中，从第一样本集中选取M个作为负样本的未标记样本包括：统计第一样本集中的已标记样本和K个已标记样本中正样本的数量；根据正样本的数量，从第一样本集中选取M个作为负样本的未标记样本，M等于正样本的数量。也就是说，异常链路检测模型进行训练的样本集中新增的负样本的数量与样本集中的正样本的数量相等，相对可达到正负样本平衡，减少了标签噪声，可提高模型训练的效果，便于提高检测异常链路的准确率。在一种可能的示例中，在从第一样本集中选取K个未标记样本之前，该方法还包括：获取待检测的通信链路的网络拓扑信息；将预先存储的与网络拓扑信息对应的未标记样本和已标记样本组成的集合作为第一样本集。也就是说，选取与通信链路的网络拓扑信息对应的未标记样本和已标记样本作为待选取的用于训练的样本，可提高模型训练的效果，便于提高检测通信链路是否为异常链路的准确率。
[0013]结合第一方面、第二方面或者任意一种可能的示例，在一种可能的示例中，在获取第一样本集中每一未标记样本的异常评分值之前，该方法还包括：获取第二样本集中每一未标记样本的异常评分值，第二样本集包括选取P个未标记样本之前，预先存储的已标记样本和未标记样本；根据第二样本集中每一未标记样本的异常评分值进行降序排列得到第二排序；将第二排序中前P个序号对应的未标记样本作为P个未标记样本；根据第二样本集中的已标记样本和P个已标记样本构建第三模型，P个已标记样本是对P个未标记样本分别进行标记得到的，第三模型为第一模型和第二模型对应的初始化模型。如此，基于最为异常的P个未标记样本对应的P个已标记样本和现有的已标记样本构建异常链路检测模型的初始化模型，可提高模型训练的效果，便于提高检测异常链路的准确率。
[0014]第三方面，本申请实施例公开了一种异常链路检测装置，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种异常链路检测方法，其特征在于，包括：接收通信链路中至少一个网络节点的网络数据；获取所述网络数据对应的网络特征；将所述网络特征输入至第一模型，得到所述通信链路的检测结果，所述检测结果用于指示所述通信链路是否为异常链路，所述第一模型是根据第一样本集中的已标记样本、K个已标记样本和M个未标记样本，对上一次训练得到的第二模型进行训练，在训练满足预设条件时得到的模型，所述K个已标记样本是对所述第一样本集中的K个未标记样本分别进行标记得到的，所述M个未标记样本是从所述第一样本集中选出来的作为负样本的未标记样本，所述第一样本集包括选取所述K个未标记样本和所述M个未标记样本之前，预先存储的已标记样本和未标记样本。2.根据权利要求1所述的方法，其特征在于，在所述将所述网络特征输入至第一模型之前，所述方法还包括：获取所述第一样本集中每一未标记样本的异常评分值；根据所述第一样本集中每一未标记样本的异常评分值进行降序排列，得到第一排序；将所述第一排序中前K个序号对应的未标记样本作为所述K个未标记样本。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：将所述第一排序中后L个序号对应的未标记样本作为L个未标记样本；从所述L个未标记样本中选取所述M个未标记样本。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述M等于所述第一样本集中的已标记样本和所述K个已标记样本中正样本的数量。5.根据权利要求2-4中任一项所述的方法，其特征在于，在所述获取所述第一样本集中每一未标记样本的异常评分值之前，所述方法还包括：获取第二样本集中每一未标记样本的异常评分值，所述第二样本集包括选取P个未标记样本之前，预先存储的已标记样本和未标记样本；根据所述第二样本集中每一未标记样本的异常评分值进行降序排列，得到第二排序；将所述第二排序中前P个序号对应的未标记样本作为所述P个未标记样本；根据所述...
【专利技术属性】
技术研发人员：苏婵菲，文勇，刘宝华，潘璐伽，
申请(专利权)人：华为技术服务有限公司，
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。