非阻断类告警数据处理方法和系统技术方案

本发明专利技术实施例提供一种非阻断类告警数据处理方法和系统，其中所述方法包括：对预设周期内的非阻断类告警值及用户感知异常统计数据分别进行数据清洗，得到特征告警值及特征用户感知数据；对所述特征告警值及特征用户感知数据进行分段分解、并对分段分解后的特征告警值及特征用户感知数据进行匹配和关联，得到每个特征告警值对应的告警发生时间内的特征用户感知数据；将每个特征告警值及其对应的告警发生时间内的特征用户感知数据输入非阻断类告警数据处理模型，输出告警发生时间内的非阻断类告警值与用户感知异常统计数据之间的重要性系数。通过本发明专利技术实施例能够快速且精准对用户感知异常统计数据与非阻断类告警值进行定性和定量。定性和定量。定性和定量。

【技术实现步骤摘要】
非阻断类告警数据处理方法和系统


[0001]本专利技术告警数据处理领域，尤其涉及一种非阻断类告警数据处理方法和系统。

技术介绍

[0002]传统的判断非阻断类告警是否影响用户感知，在手段和方法上严重匮乏，无法准确有效达到判断的目的。目前对于非阻断类告警对用户感知的定性上主要是厂家提供告警信息、专家经验及历史数据推导，理论依据偏少，说服力较低。在涉及到非阻断类告警对用户感知的影响的量化程度就更难以判断。
[0003]目前网络中未派单的非阻断类告警对于网络质量和用户感知是否有影响，存在很多不确定因素，急需一种手段来验证其影响关系和影响权重；基于以上行业内在以感知为主的新的优化思路的过程中，缺乏一种对非阻断类告警与用户感知关联性和量化标准的判断手段。

技术实现思路

[0004]本专利技术提供一种非阻断类告警数据处理方法和系统，用以解决现有技术中存在的技术缺陷。
[0005]本专利技术提供一种非阻断类告警数据处理方法，包括：
[0006]对预设周期内的非阻断类告警值及用户感知异常统计数据分别进行数据清洗，得到特征告警值及特征用户感知数据；
[0007]基于告警发生时间并按预设时间段，对所述特征告警值及特征用户感知数据进行分段分解、并对分段分解后的特征告警值及特征用户感知数据进行匹配和关联，得到每个特征告警值对应的告警发生时间内的特征用户感知数据；
[0008]将每个特征告警值及其对应的告警发生时间内的特征用户感知数据输入非阻断类告警数据处理模型，输出告警发生时间内的非阻断类告警值与用户感知异常统计数据之间的重要性系数；
[0009]其中，所述非阻断类告警数据处理模型是基于特征告警值样本数据以及预先确定的特征用户感知样本数据进行训练后得到。
[0010]根据本专利技术提供的非阻断类告警数据处理方法，所述对预设周期内的非阻断类告警值及用户感知异常统计数据分别进行数据清洗之前包括：
[0011]轮询查询获取预设周期内的全网非阻断类告警值；
[0012]获取预设周期内的用户感知异常统计数据。
[0013]根据本专利技术提供的非阻断类告警数据处理方法，所述对预设周期内的非阻断类告警值及用户感知异常统计数据分别进行数据清洗，包括：
[0014]从所述用户感知异常统计数据中提取出常用感知异常数据，所述常用感知异常数据包括VOLTE未接通、VOLTE掉话、MOS上下行质差和上网时延及速率数据：
[0015]将所述常用感知异常数据中的错误的值以及弱覆盖，高负荷，高干扰，无线指标异
常的用户感知异常统计数据删除。
[0016]根据本专利技术提供的非阻断类告警数据处理方法，所述非阻断类告警数据处理模型包括基于特征告警值样本数据以及预先确定的特征用户感知样本数据进行训练后得到的随机森林模型。
[0017]根据本专利技术提供的非阻断类告警数据处理方法，所述非阻断类告警数据处理模型包括基于特征告警值样本数据以及预先确定的特征用户感知样本数据进行训练后得到的逻辑回归模型。
[0018]根据本专利技术提供的非阻断类告警数据处理方法，所述非阻断类告警数据处理模型包括基于特征告警值样本数据以及预先确定的特征用户感知样本数据进行训练后得到的决策树模型。
[0019]根据本专利技术提供的非阻断类告警数据处理方法，所述非阻断类告警数据处理模型包括基于特征告警值样本数据以及预先确定的特征用户感知样本数据进行训练后得到的CatBoost模型。
[0020]本专利技术还提供了一种非阻断类告警数据处理系统，包括：
[0021]数据清洗模块，用于对预设周期内的非阻断类告警值及用户感知异常统计数据分别进行数据清洗，得到特征告警值及特征用户感知数据；
[0022]特征选择模块，用于基于告警发生时间并按预设时间段，对所述特征告警值及特征用户感知数据进行分段分解、并对分段分解后的特征告警值及特征用户感知数据进行匹配和关联，得到每个特征告警值对应的告警发生时间内的特征用户感知数据；
[0023]告警数据处理模块，用于将每个特征告警值及其对应的告警发生时间内的特征用户感知数据输入非阻断类告警数据处理模型，输出告警发生时间内的非阻断类告警值与用户感知异常统计数据之间的重要性系数；
[0024]其中，所述非阻断类告警数据处理模型是基于特征告警值样本数据以及预先确定的特征用户感知样本数据进行训练后得到。
[0025]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述非阻断类告警数据处理方法的步骤。
[0026]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述非阻断类告警数据处理方法的步骤。
[0027]本专利技术实施例通过对分段分解后的特征告警值及特征用户感知数据进行匹配和关联，得到每个特征告警值对应的告警发生时间内的特征用户感知数据，并基于样本训练好的非阻断类告警数据处理模型，得到告警发生时间内的非阻断类告警值与用户感知异常统计数据之间的重要性系数，从而提供了一种高效精准的基于用户感知为标准并运用人工智能判断方法，快速且精准对用户感知异常统计数据与非阻断类告警值进行定性和定量，从用户感知角度为网络维护工作提供参考依据。
附图说明
[0028]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一
些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0029]图1是本专利技术一实施例提供的非阻断类告警数据处理方法的流程示意图；
[0030]图2是本专利技术一实施例提供的通过随机森林算法训练得到的特征重要性的示意图；
[0031]图3是本专利技术一实施例提供的通过CatBoost算法训练得到的特征重要性的示意图；
[0032]图4是本专利技术一实施例提供的非阻断类告警数据处理系统的示意图；
[0033]图5是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0034]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]非阻断类告警是指告警产生以后不导致网络性能中断的告警。
[0036]本专利技术实施例公开了一种非阻断类告警数据处理方法，参见图1，包括：
[0037]S1:对预设周期内的非阻断类告警值及用户感知异常统计数据分别进行数据清洗，得到特征告警值及特征用户感知数据；
[0038]预设周期可以设置为7*24小时级。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非阻断类告警数据处理方法，其特征在于，包括：对预设周期内的非阻断类告警值及用户感知异常统计数据分别进行数据清洗，得到特征告警值及特征用户感知数据；基于告警发生时间并按预设时间段，对所述特征告警值及特征用户感知数据进行分段分解、并对分段分解后的特征告警值及特征用户感知数据进行匹配和关联，得到每个特征告警值对应的告警发生时间内的特征用户感知数据；将每个特征告警值及其对应的告警发生时间内的特征用户感知数据输入非阻断类告警数据处理模型，输出告警发生时间内的非阻断类告警值与用户感知异常统计数据之间的重要性系数；其中，所述非阻断类告警数据处理模型是基于特征告警值样本数据以及预先确定的特征用户感知样本数据进行训练后得到。2.根据权利要求1所述的非阻断类告警数据处理方法，其特征在于，所述对预设周期内的非阻断类告警值及用户感知异常统计数据分别进行数据清洗之前包括：轮询查询获取预设周期内的全网非阻断类告警值；获取预设周期内的用户感知异常统计数据。3.根据权利要求1所述的非阻断类告警数据处理方法，其特征在于，所述对预设周期内的非阻断类告警值及用户感知异常统计数据分别进行数据清洗，包括：从所述用户感知异常统计数据中提取出常用感知异常数据，所述常用感知异常数据包括VOLTE未接通、VOLTE掉话、MOS上下行质差和上网时延及速率数据：将所述常用感知异常数据中的错误的值以及弱覆盖，高负荷，高干扰，无线指标异常的用户感知异常统计数据删除。4.根据权利要求1所述的非阻断类告警数据处理方法，其特征在于，所述非阻断类告警数据处理模型包括基于特征告警值样本数据以及预先确定的特征用户感知样本数据进行训练后得到的随机森林模型。5.根据权利要求4所述的非阻断类告警数据处理方法，其特征在于，所述非阻断类告警数据处理模型...

【专利技术属性】
技术研发人员：王博，张晴，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：