一种马尔科夫链结合贝叶斯网络预警方法和系统技术方案

本发明专利技术公开了一种马尔科夫链结合贝叶斯网络预警方法和系统，方法包括：步骤一、采集模块利用ACS与CPE之间通过TR069协议特有的RPC方法进行互操作的特点进行数据监控及采集设置；步骤二，通过马尔科夫转移矩阵法模型对采集到的各监测指标数值进行概率分析，得到各监测指标条件概率；步骤三、构建贝叶斯预警模型，访问历史告警数据库获取网络告警误报次数和历史告警数据库告警总条数，结合各监测指标条件概率，一并输入贝叶斯预警模型，得到监测指标未来发生故障的概率，即网络告警的概率。可解决机房运维场景下业务规模大，应用关系复杂，依赖层次多，排查问题困难，以及海量IPv6地址监测资源消耗巨大的问题。址监测资源消耗巨大的问题。址监测资源消耗巨大的问题。

【技术实现步骤摘要】
一种马尔科夫链结合贝叶斯网络预警方法和系统


[0001]本专利技术属于网络运维
，具体涉及一种马尔科夫链结合贝叶斯网络预警方法和系统。

技术介绍

[0002]随着数字化发展的逐渐深入，各单位的在运设备数量也在逐渐增加，相较于十年前设备数量增长了10～100倍。即便运维已经在从手工运维向工具运维和平台运维发展，但仍然没有实现智能运维，即AIOps。
[0003]同时，海量IPv6地址也给当下机房运维环境带来了更多的运维压力和技术问题。如此大的规模下，靠人工经验、自动化运维去排查问题很难达到时效性要求，所以需引入更智能化的方法来提高监测的网络设备及光纤的通信质量及网络的运行维护保障能力。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种马尔科夫链结合贝叶斯网络预警方法和系统，突出人工智能在预警方面的地位，并通过9TR069协议的网络监测时效性结合光衰指标对网络告警进行人工智能的数据分析，可解决机房运维场景下业务规模大，应用关系复杂，依赖层次多，排查问题困难，以及海量IPv6地址监测资源消耗巨大的问题。
[0005]为实现上述技术目的，本专利技术采取的技术方案为：
[0006]一种马尔科夫链结合贝叶斯网络预警方法，包括：
[0007]步骤一、采集模块利用ACS与CPE之间通过TR069协议特有的RPC方法进行互操作的特点进行数据监控及采集设置，所述监控数据存入监控历史告警数据库，设置采集光衰值、丢包、流量、延时监测指标；
[0008]步骤二，通过马尔科夫转移矩阵法模型对采集到的各监测指标数值进行概率分析，得到各监测指标条件概率；
[0009]步骤三、构建贝叶斯预警模型，访问历史告警数据库获取网络告警误报次数和历史告警数据库告警总条数，结合各监测指标条件概率，一并输入贝叶斯预警模型，得到监测指标未来发生故障的概率，即网络告警的概率，概率越大预警的真实性越高。
[0010]为优化上述技术方案，采取的具体措施还包括：
[0011]上述的步骤一具体为：
[0012]采用TR069协议的ACS向监测目标CPE发送符合TR069协议RPC格式的请求报文的配置文件，包含请求获取目标CPE每次TR069协议监测CPE的监测指标；
[0013]CPE解析配置文件并获取目标CPE每次监测指标数据放入配置文件；
[0014]CPE将配置文件再次向ACS请求，ACS解析配置文件获取被监测目标网络设备CPE的TR069标识生成的TR069请求报文，从请求报文中以光衰值、丢包、流量、延时多维度监测指标为查询条件访问历史告警数据库获取对应监测指标的历史监测数值。
[0015]上述的步骤二具体为：
[0016]首先，将采集到的光衰值、丢包、流量、延时数值保存到数据库中，并记录采集时间点，以及该时间点下各端口的进口和出口的流量值；
[0017]然后，通过马尔科夫转移矩阵法模型训练得到各监测指标条件概率，包括光衰值监测指标条件概率、网络延迟监测指标条件概率、网络丢包数监测指标条件概率、流量监测指标条件概率。
[0018]上述的马尔科夫转移矩阵法模型公式为：
[0019]X(k+1)＝X(k)
×
P
[0020]式中：X(k)表示趋势分析与预测对象在t＝k时刻的状态向量，P表示一步转移概率矩阵，X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量。
[0021]上述的步骤二，通过马尔科夫转移矩阵法模型将每个时间点端口流量数据按照in和out进行数据矩行集合训练，得到并比较下一时段流量IN最大流量概率、OUT方向的流量最大流量概率值，最大的做为流量监测指标在贝叶斯预警模型的条件概率，即流量监测指标条件概率。
[0022]上述的步骤二，通过马尔科夫转移矩阵法模型将每个时间点光衰值数据按照大于
‑
30db和小于
‑
30db进行数据矩行集合训练，得到光衰值监测指标条件概率。
[0023]上述的步骤二，通过马尔科夫转移矩阵法模型将每个时间点端口网络丢包数据按照发生丢包和没有丢包进行数据矩行集合训练，得到丢包数监测指标条件概率。
[0024]上述的步骤二，通过马尔科夫转移矩阵法模型将每个时间点端口网络延迟数据按照每个数据包接收时间大于100毫秒和小于100毫秒进行数据矩行集合训练，得到延迟监测指标条件概率。
[0025]上述的步骤三构建的贝叶斯预警模型包括：
[0026]ZY(D|+)＝ZY(+|D)ZY(D)/(ZY(+|D)ZY(D)+ZY(+|N)ZY(N))
[0027]其中，ZY(D|+)＝考虑误报率，网络告警发生的概率；
[0028]ZY(+|D)＝1
‑
告警发生时的告警数据误报率；
[0029]所述告警数据误报率＝网络告警误报次数/历史告警数据库告警总条数；
[0030]ZY(D)告警发生率＝历史网络告警总条数/历史告警数据库该网络告警总条数；
[0031]ZY(+|N)代表误判断成网络告警的概率＝同一网络监测指标告警误报次数/同一网络监测指标告警总条数；
[0032]ZY(N)＝1
‑
ZY(D)。
[0033]一种马尔科夫链结合贝叶斯网络预警系统，包括：采集模块、马尔科夫转移矩阵法模型和贝叶斯预警模型；
[0034]所述采集模块，用于利用ACS与CPE之间通过TR069协议特有的RPC方法进行互操作的特点进行数据监控及采集设置，所述监控数据存入监控历史告警数据库，设置采集光衰值、丢包、流量、延时监测指标；
[0035]所述马尔科夫转移矩阵法模型，用于对采集到的各监测指标数值进行概率分析，得到各监测指标条件概率；
[0036]所述贝叶斯预警模型，用于访问历史告警数据库获取网络告警误报次数和历史告警数据库告警总条数，结合各监测指标条件概率，一并作为输入得到监测指标未来发生故
障的概率，即网络告警的概率，概率越大预警的真实性越高。
[0037]本专利技术具有以下有益效果：
[0038]利用行业内TR069协议监测光衰指标为数据基础，通过构建贝叶斯预警模型，为被监测对象提供更加精确、科学的未来发生故障的概率参考；同时引入人工智能取代人工经验来进行告警预测，可提升网络流量的安全性，实现系统服务的高效性。
附图说明
[0039]图1为本专利技术方法流程。
具体实施方式
[0040]以下结合附图对本专利技术的实施例作进一步详细描述。
[0041]参见图1，本专利技术一种马尔科夫链结合贝叶斯网络预警方法，包括：
[0042]步骤一、采集模块利用ACS与CPE之间通过TR069协议特有的RPC方法进行互操作的特点进行数据监控及采集设置，所述监控数据存入监控历史告警数据库，设置采集光衰值、丢包、流量、延时监测指标；
[0043]具体描述如下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种马尔科夫链结合贝叶斯网络预警方法，其特征在于，包括：步骤一、采集模块利用ACS与CPE之间通过TR069协议特有的RPC方法进行互操作的特点进行网络数据监控及采集设置，监控到的数据存入监控历史告警数据库，设置采集光衰值、丢包、流量、延时监测指标；步骤二，通过马尔科夫转移矩阵法模型对采集到的各监测指标数值进行概率分析，得到各监测指标条件概率；步骤三、构建贝叶斯预警模型，访问历史告警数据库获取网络告警误报次数和历史告警数据库告警总条数，结合各监测指标条件概率，一并输入贝叶斯预警模型，得到监测指标未来发生故障的概率。2.根据权利要求1所述的一种马尔科夫链结合贝叶斯网络预警方法，其特征在于，所述步骤一具体为：采用TR069协议的ACS向监测目标CPE发送符合TR069协议RPC格式的请求报文的配置文件，包含请求获取目标CPE每次TR069协议监测CPE的监测指标；CPE解析配置文件并获取目标CPE每次监测指标数据放入配置文件；CPE将配置文件再次向ACS请求，ACS解析配置文件获取被监测目标网络设备CPE的TR069标识生成的TR069请求报文，从请求报文中以光衰值、丢包、流量、延时多维度监测指标为查询条件访问历史告警数据库获取对应监测指标的历史监测数值。3.根据权利要求1所述的一种马尔科夫链结合贝叶斯网络预警方法，其特征在于，所述步骤二具体为：首先，将采集到的光衰值、丢包、流量、延时数值保存到数据库中，并记录采集时间点，以及该时间点下各端口的进口和出口的流量值；然后，通过马尔科夫转移矩阵法模型训练得到各监测指标条件概率，包括光衰值监测指标条件概率、网络延迟监测指标条件概率、网络丢包数监测指标条件概率、流量监测指标条件概率。4.根据权利要求3所述的一种马尔科夫链结合贝叶斯网络预警方法，其特征在于，所述马尔科夫转移矩阵法模型公式为：X(k+1)＝X(k)
×
P式中：X(k)表示趋势分析与预测对象在t＝k时刻的状态向量，P表示一步转移概率矩阵，X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量。5.根据权利要求4所述的一种马尔科夫链结合贝叶斯网络预警方法，其特征在于，所述步骤二，通过马尔科夫转移矩阵法模型将每个时间点端口流量数据按照in和out进行数据矩行集合训练，得到并比较下一时段流量IN最大流量概率、OUT方向的流量最大流量概率值，最大的做为流量监测指标在贝叶斯预警模型的条件概率，即流量监测指标条件概率。...

【专利技术属性】
技术研发人员：朱文进，王玉梁，
申请(专利权)人：中电信数智科技有限公司，
类型：发明
国别省市：