【技术实现步骤摘要】
网络故障预测方法、装置、设备及存储介质
[0001]本专利技术涉及无线
，尤其涉及一种网络故障预测方法、装置、设备及存储介质。
技术介绍
[0002]随着通信技术的发展，网络和相关设备变得原来越繁多且复杂。在如此复杂的网络中，不可避免地会发生各种不同类型故障。在故障发生后，需要对故障原因进行排查，并明确导致故障发生的具体原因，进而采取相应合理有效的手段进行维修。由于通信网络在复杂、异构的网络结构中，网元数量巨大，当网络中发生故障的时候，由于故障原因复杂，从而给管理人员发现问题与排查造成很大困难，需要耗费大量的人力物力。
技术实现思路
[0003]有鉴于此，本专利技术实施例期望提供一种网络故障预测方法、装置、设备及存储介质。
[0004]本专利技术实施例的技术方案是这样实现的：
[0005]本专利技术的至少一个实施例提供了一种网络故障预测方法，所述方法包括：
[0006]获取第一样本数据集和第二样本数据集；所述第一样本数据集为标记有网络故障类别的样本数据；所述第二样本数据集为未标记有网络故障类别的样本数据；
[0007]利用所述第一样本数据集，结合多个预设分类器，对所述第二样本数据集中全部数据进行标记，得到标记有网络故障类别的第三样本数据集；
[0008]将所述第三样本数据集作为训练数据；将所述训练数据输入至预测模型进行训练，得到用于预测网络故障类别的神经网络模型；
[0009]利用所述神经网络模型对待测样本数据集进行预测，得到网络故障类别。>[0010]此外，根据本专利技术的至少一个实施例，所述利用所述第一样本数据集，结合预设分类器，对所述第二样本数据集中全部数据进行标记，包括：
[0011]将所述第一样本数据集和所述第二样本数据集分别输入至第一分类器和第二分类器中，得到第一分类结果和第二分类结果；
[0012]基于所述第一分类结果和第二分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据；
[0013]利用确定的样本数据，对所述第一样本数据集进行更新；并将确定的样本数据从所述第二样本数据集中排除；
[0014]将更新后的第一样本数据集和排除掉确定的样本数据的第二样本数据集重新输入至第一分类器和第二分类器中；
[0015]以此类推，直至对所述第二样本数据集中全部数据进行标记。
[0016]此外，根据本专利技术的至少一个实施例，所述基于所述第一分类结果和第二分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据，包括：
[0017]对所述第一分类结果和所述第二分类结果进行融合处理，得到融合处理后的分类结果；
[0018]基于融合处理后的分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据。
[0019]此外，根据本专利技术的至少一个实施例，所述基于融合处理后的分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据，包括：
[0020]针对融合处理后的分类结果中每个数据，计算相应数据对应的证据熵，得到多个证据熵；
[0021]将多个证据熵中最小证据熵对应的数据标记为有网络故障类别的样本数据。
[0022]此外，根据本专利技术的至少一个实施例，所述所述基于所述第一分类结果和第二分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据，包括：
[0023]对所述第一分类结果中每个数据，计算相应数据对应的证据熵，得到多个证据熵；将多个证据熵中最小证据熵对应的数据标记为有网络故障类别的样本数据；
[0024]对所述第二分类结果中每个数据，计算相应数据对应的证据熵，得到多个证据熵；将多个证据熵中最小证据熵对应的数据标记为有网络故障类别的样本数据。
[0025]此外，根据本专利技术的至少一个实施例，所述方法还包括：
[0026]在对所述第二样本数据集中全部数据进行标记之后，将更新的第一样本数据集作为标记有网络故障类别的第三样本数据。
[0027]本专利技术的至少一个实施例提供一种网络故障预测装置，包括：
[0028]获取单元，用于获取第一样本数据集和第二样本数据集；所述第一样本数据集为标记有网络故障类别的样本数据；所述第二样本数据集为未标记有网络故障类别的样本数据；
[0029]第一处理单元，用于利用所述第一样本数据集，结合多个预设分类器，对所述第二样本数据集中全部数据进行标记，得到标记有网络故障类别的第三样本数据集；
[0030]第二处理单元，用于将所述第三样本数据集作为训练数据；将所述训练数据输入至预测模型进行训练，得到用于预测网络故障类别的神经网络模型；
[0031]第三处理单元，用于利用所述神经网络模型对待测样本数据集进行预测，得到网络故障类别。
[0032]本专利技术的至少一个实施例提供一种网络设备，包括：
[0033]通信接口，用于获取第一样本数据集和第二样本数据集；所述第一样本数据集为标记有网络故障类别的样本数据；所述第二样本数据集为未标记有网络故障类别的样本数据；
[0034]处理器，用于利用所述第一样本数据集，结合多个预设分类器，对所述第二样本数据集中全部数据进行标记，得到标记有网络故障类别的第三样本数据集；将所述第三样本数据集作为训练数据；将所述训练数据输入至预测模型进行训练，得到用于预测网络故障类别的神经网络模型；利用所述神经网络模型对待测样本数据集进行预测，得到网络故障类别。
[0035]本专利技术的至少一个实施例提供一种网络设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，
[0036]其中，所述处理器用于运行所述计算机程序时，执行上述网络设备侧任一方法的步骤。
[0037]本专利技术的至少一个实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。
[0038]本专利技术实施例提供的网络故障预测方法、装置、设备及存储介质，获取第一样本数据集和第二样本数据集；所述第一样本数据集为标记有网络故障类别的样本数据；所述第二样本数据集为未标记有网络故障类别的样本数据；利用所述第一样本数据集，结合多个预设分类器，对所述第二样本数据集中全部数据进行标记，得到标记有网络故障类别的第三样本数据集；将所述第三样本数据集作为训练数据；将所述训练数据输入至预测模型进行训练，得到用于预测网络故障类别的神经网络模型；利用所述神经网络模型对待测样本数据集进行预测，得到网络故障类别。采用本专利技术实施例的技术方案，使用标记好网络故障类别的第一样本数据集和未标记有网络故障类别的第二样本数据集，对第二样本数据集中未标记有故障类别的样本数据进行标记，实现对第一样本数据集的扩充，得到第三样本数据集。如此，利用得到的更为充分的第三样本数据集，能够训练得到一个更为可靠的预测网络故障类别的神经网络模型，后续可以对待测的样本数据进行预测，输出更准确可靠的网络故障原因。
附图说明
[0039]图本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种网络故障预测方法，其特征在于，所述方法包括：获取第一样本数据集和第二样本数据集；所述第一样本数据集为标记有网络故障类别的样本数据；所述第二样本数据集为未标记有网络故障类别的样本数据；利用所述第一样本数据集，结合多个预设分类器，对所述第二样本数据集中全部数据进行标记，得到标记有网络故障类别的第三样本数据集；将所述第三样本数据集作为训练数据；将所述训练数据输入至预测模型进行训练，得到用于预测网络故障类别的神经网络模型；利用所述神经网络模型对待测样本数据集进行预测，得到网络故障类别。2.根据权利要求1所述的方法，其特征在于，所述利用所述第一样本数据集，结合多个预设分类器，对所述第二样本数据集中全部数据进行标记，包括：将所述第一样本数据集和所述第二样本数据集分别输入至第一分类器和第二分类器中，得到第一分类结果和第二分类结果；基于所述第一分类结果和第二分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据；利用确定的样本数据，对所述第一样本数据集进行更新；并将确定的样本数据从所述第二样本数据集中排除；将更新后的第一样本数据集和排除掉确定的样本数据的第二样本数据集重新输入至第一分类器和第二分类器中；以此类推，直至对所述第二样本数据集中全部数据进行标记。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一分类结果和第二分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据，包括：对所述第一分类结果和所述第二分类结果进行融合处理，得到融合处理后的分类结果；基于融合处理后的分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据。4.根据权利要求3所述的方法，其特征在于，所述基于融合处理后的分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据，包括：针对融合处理后的分类结果中每个数据，计算相应数据对应的证据熵，得到多个证据熵；将多个证据熵中最小证据熵对应的数据标记为有网络故障类别的样本数据。5.根据权利要求2所述的方法，其特征在于，所述所述基于所述第一分类结果和第二分类结果，从所述第二样本数据集中确定能够标记为网络故障类别的样本数据，包括：对所...
【专利技术属性】
技术研发人员：和红顺，
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：
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。