一种自动化识别网络质量状态的方法技术

本发明专利技术提出了一种自动化识别网络质量状态的方法，涉及网络质量状态识别领域，包括：采集网络数据，对有缺失的部分数据使用拉格朗日插值法，得到与原始数据同分布的数据集；采用主成分分析法对数据集进行降维处理，得到不损失原有数据集特征的精简数据集，构建权重矩阵、阈值矩阵和最终阈值值；基于权重矩阵和阈值矩阵构建生成器，对精简数据集进行打分和比较，将其划分为质差数据和非质差数据；基于全连接神经网络构建分类器，计算出质差数据和非质差数据之间的边界，得到新的阈值矩阵，并计算与前一个阈值矩阵的欧式距离，从而判断训练是否收敛稳定。本发明专利技术能够有效的识别并量化定位网络质量状态，为运维人员分析质差数据提供精确参考。精确参考。精确参考。

【技术实现步骤摘要】
一种自动化识别网络质量状态的方法


[0001]本专利技术涉及网络质量状态识别领域，尤其涉及一种自动化识别网络质量状态的方法。

技术介绍

[0002]在网络环境运维中，运维人员需要对网络中的通信设备进行维护与升级，而如何精准的找到是什么地方出现了问题就离不开对网络质量状态的判断和对网络质量状态差的原因定界分析，如何根据网络状态指标判断网络质量状态就成了困扰运维人员的难题。
[0003]中国专利CN114648053A《一种基于机器学习的5G网络质量自动评估方法》公开了对5G通信网络的评估方法，根据通信网络中不同业务对网络需求的差异化，进行判断。然而上述专利比较误差指标与阈值大小时，使用的生成对抗网络精度不够，需要对其进行改进，减小误差，用于更精确的识别网络质量。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种自动化识别网络质量状态的方法，用于解决传统网络质量状态。
[0005]本专利技术的技术方案是这样实现的：本专利技术提供了一种自动化识别网络质量状态的方法，包括以下步骤，
[0006]S1，采集网络数据，对有缺失的部分数据使用拉格朗日插值法做出基于临近点的填充，得到与原始数据同分布的数据集；
[0007]S2，采用主成分分析法对数据集进行降维处理，得到不损失原有数据集特征的精简数据集，构建权重矩阵、阈值矩阵和最终阈值；
[0008]S3，基于权重矩阵和阈值矩阵构建生成器，对精简数据集进行打分和比较，将其划分为质差数据和非质差数据；
[0009]S4，基于全连接神经网络构建分类器，计算出质差数据和非质差数据之间的边界，得到新的阈值矩阵，并计算与前一个阈值矩阵的欧式距离，从而判断训练是否收敛稳定；
[0010]S5，当训练未收敛稳定时，将步骤S4得到的新的阈值矩阵更新到生成器中，重复步骤S3
‑
S4；当训练收敛稳定时，输出权重矩阵和阈值矩阵，并输出对应的分类器和生成器。
[0011]在以上技术方案的基础上，优选的，步骤S1具体包括：
[0012]将采集的数据通过numpy(Numeric Python)库读取到内存，根据拉格朗日插值法，对其中有缺失的部分数据做一定的填充。
[0013]在以上技术方案的基础上，优选的，步骤S2具体包括：
[0014]采用主成分分析法对数据集进行降维处理，按照矩阵方式存储，得到元数据矩阵X，
[0015][0016]X矩阵为m行n列的矩阵，其中m为数据集中网络数据记录的数量，n为网络数据记录的指标数；阈值矩阵T＝[t
1 t2ꢀ…ꢀ
t
n
]，为1行n列的矩阵，权重矩阵W
T
＝[ω
1 ω2ꢀ…ꢀ
ω
n
]，为1行n列的矩阵，构建超参数最终阈值T
final
。
[0017]在以上技术方案的基础上，优选的，步骤S3具体包括以下步骤：
[0018]S310，阈值比较；
[0019]S320，加权打分并比较。
[0020]优选的，步骤S310具体包括：
[0021]将阈值矩阵T拓展到m行n列，记为T'，与元数据矩阵X作差，根据数据的正负性，规范化为0
‑
1矩阵A。
[0022]优选的，步骤S320具体包括：
[0023]将0
‑
1矩阵A与权重矩阵W
T
做向量乘法，得到m行1列的最终打分矩阵B，将矩阵B的每一行参数与超参数最终阈值T
final
作比较，大于T
final
的视为质差记录，小于T
final
的视为非质差记录。
[0024]在以上技术方案的基础上，优选的，步骤S4具体包括：
[0025]在元数据矩阵X的第n列后添加一列，记作矩阵X'，在步骤S320中的每一行参数比较后，对应质差记录的那一行后添加1，对应非质差记录的那一行后添加0；在阈值矩阵T'的第n列后添加0，变成m行n+1列矩阵T”，将矩阵X'与矩阵T”作差，得到差分矩阵D，作为第一数据集和第二数据集之间的间隔，将差分矩阵D输入到分类器做训练，使用交叉熵函数作为损失函数，通过梯度下降和反向传播在神经网络中对阈值作出修正，修正公式如下：
[0026][0027]其中，T
n
为阈值，η为学习率，为对应阈值的雅可比矩阵。
[0028]优选的，步骤S4还包括：
[0029]计算欧式距离的公式为：
[0030][0031]其中，前一次的阈值向量为X＝(x1,x2,
…
,x
n
)，后一次的阈值向量为Y＝(y1,y2,
…
,y
n
)，当欧式距离趋近于0时，判断训练稳定收敛。
[0032]本专利技术的一种自动化网络质量状态识别的方法相对于现有技术具有以下有益效果：
[0033](1)通过将输入矩阵和阈值矩阵作差得到差分矩阵D，输入分类器进行训练，提升分类算法的分类能力；
[0034](2)在权重矩阵求导时加入距离相关部分，通过梯度下降和反向传播在神经网络中对阈值作出修正，达到最优解；
[0035](3)计算前后两次阈值向量的欧式距离，判断生成器与分类器训练是否稳定收敛，
提高模型精度。
附图说明
[0036]为了更清楚地说明本专利技术实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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。
[0037]图1为本专利技术的一种自动化网络质量状态识别的方法流程图。
具体实施方式
[0038]下面将结合本专利技术实施方式，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。
[0039]实施例一
[0040]提供一种自动化网络质量状态识别的方法，如图1所示，包括以下步骤：
[0041]S1，采集网络数据，对有缺失的部分数据使用拉格朗日插值法做出基于临近点的填充，得到与原始数据同分布的数据集；
[0042]S2，采用主成分分析法对数据集进行降维处理，得到不损失原有数据集特征的精简数据集，构建权重矩阵、阈值矩阵和最终阈值矩阵；
[0043]S3，基于权重矩阵和阈值矩阵构建生成器，对精简数据集进行打分和比较，将其分割为第一数据集和第二数据集；
[0044]S4，基于全连接神经网络构建分类器，计算出第一数据集和第二数据集之间的间隔，得到新的阈值矩阵，并计算与前一个阈值矩阵的欧式距离，从而判断训练是否收敛稳定；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动化识别网络质量状态的方法，其特征在于：包括以下步骤，S1，采集网络数据，对有缺失的部分数据使用拉格朗日插值法做出基于临近点的填充，得到与原始数据同分布的数据集；S2，采用主成分分析法对数据集进行降维处理，得到不损失原有数据集特征的精简数据集，构建权重矩阵、阈值矩阵和最终阈值；S3，基于权重矩阵和阈值矩阵构建生成器，对精简数据集进行打分和比较，将其划分为质差数据和非质差数据；S4，基于全连接神经网络构建分类器，计算出质差数据和非质差数据之间的边界，得到新的阈值矩阵，并计算与前一个阈值矩阵的欧式距离，从而判断训练是否收敛稳定；S5，当训练未收敛稳定时，将步骤S4得到的新的阈值矩阵更新到生成器中，重复步骤S3
‑
S4；当训练收敛稳定时，输出权重矩阵和阈值矩阵，并输出对应的分类器和生成器。2.如权利要求1所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S1具体包括：将采集的数据通过numpy库读取到内存，根据拉格朗日插值法，对其中有缺失的部分数据做一定的填充。3.如权利要求2所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S2具体包括：采用主成分分析法对数据集进行降维处理，按照矩阵方式存储，得到元数据矩阵X，X矩阵为m行n列的矩阵，其中m为数据集中网络数据记录的数量，n为网络数据记录的指标数；阈值矩阵T＝[t
1 t2ꢀ…ꢀ
t
n
]，为1行n列的矩阵，权重矩阵W
T
＝[ω
1 ω2ꢀ…ꢀ
ω
n
]，为1行n列的矩阵，构建超参数最终阈值T
final
。4.如权利要求3所述的一种自动化识别网络质量状态的方法，其特征在于：所述步骤S3具体包括以下步骤：S310，阈值比较；S320，加权打分并比较...

【专利技术属性】
技术研发人员：朱东升，童义，
申请(专利权)人：国响武汉智能科技有限公司，
类型：发明
国别省市：