基于生成式对抗网络的网络故障预测方法及装置制造方法及图纸

本公开的实施例提供了一种基于生成式对抗网络的网络故障预测方法及装置。所述方法包括：获取历史网络日志数据并进行预处理，生成训练样本集；利用所述训练样本集对预设生成式对抗网络模型进行训练，得到网络故障预测模型；其中，所述预处理包括日志解析、滑动窗口划分、负采样；所述训练样本集中的训练样本包括输入序列和对应标签，所述输入序列为滑动窗口内的日志事件，所述标签为滑动窗口后的日志事件。以此方式，通过生成对抗网络模型从数据层面解决了数据集中存在的样本不均衡问题，能够学习到少数类样本的真实分布，生成新的少数样本，从而得到样本比例均衡的训练集。从而得到样本比例均衡的训练集。从而得到样本比例均衡的训练集。

【技术实现步骤摘要】
基于生成式对抗网络的网络故障预测方法及装置


[0001]本公开涉及网络故障预测领域，尤其涉及基于生成式对抗网络的网络故障预测


技术介绍

[0002]网络故障预测以网络目前的系统状态为起点，再结合网络的以往的健康状态、特征参量及历史数据，通过预测算法预测网络未来的网络健康状况，根据预测的网络健康状态再采取相应措施，以便避免网络故障的发生。
[0003]目前网络故障预测技术如图1所示，整体分成两个阶段：训练阶段和预测阶段。
[0004]训练阶段首先对网络日志进行预处理，预处理包括数据清洗、构造字典、提取样本三部分。数据清洗负责清洗原始数据的无用信息；构造字典统计日志数据中每个单词出现的次数，对清洗后的数据构造字典，获得数字编号；提取样本负责样本的生成，样本的组成包括输入序列和标签，输入序列指的是当前的一段日志数据，代表系统当前的工作状态，标签是指未来某一段时间内的日志数据，代表当前系统对应的未来某一时刻的工作状态是正常还是故障。将预处理后的数据输入到卷积神经网络。卷积神经网络包括词嵌入层、卷积层、池化层、全连接层。预处理的数据进行向量化，将向量矩阵输入到卷积层和池化层进行特征提取，再通过全连接层得到分类结果。以交叉熵损失函数作为模型性能评价的标准，训练模型，直至达到要求，获得可以进行预测的网络故障预测模型。
[0005]预测阶段，利用搭建好的网络故障预测模型对日志数据进行网络故障预测。即将待预测的网络日志序列投入训练好的预测模型中进行预测，根据输出的结果得到预测结果。
[0006]现有技术方案主要存在三个缺点：
[0007]1、网络系统的告警是大量且冗余的，其中反映着通信网络发生故障的告警非常少，存在样本不均衡问题。故网络的历史日志中正常实例的数量和出现故障的实例的数量存在严重不均衡的问题，不利于预测模型的学习。
[0008]2、卷积神经网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等，未能实现对重点特征的着重关注。
[0009]3、基于卷积神经网络的网络故障预测并没有充分利用日志序列的上下文信息。

技术实现思路

[0010]本公开提供了一种网络故障预测的方法、装置、设备以及存储介质。
[0011]根据本公开的第一方面，提供了一种基于生成式对抗网络的网络故障预测模型训练方法。该方法包括：获取历史网络日志数据并进行预处理，生成训练样本集；利用所述训练样本集对预设生成式对抗网络模型进行训练，得到网络故障预测模型；其中，所述预处理包括日志解析、滑动窗口划分、负采样；所述训练样本集中的训练样本包括输入序列和对应标签，所述输入序列为滑动窗口内的日志事件，所述标签为滑动窗口后的日志事件。
[0012]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述生成式对抗网络模型中，生成网络由输入层、嵌入层、LSTM层、Attention层、全连接层构成。
[0013]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述嵌入层采用embedding的方式将稀疏向量转换为保留语义关系的低维向量。
[0014]如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述Attention层对输入数据根据相关性赋予相应的权重，其中，通过计算对象相似度得到各个value对应的权重系数；对各个value对应的权重系数进行归一化处理，得到信息相应的权重系数；利用所述权重系数对各个Value进行加权求和得到Attention value。
[0015]根据本公开的第二方面，提供了一种基于生成式对抗网络的网络故障预测方法，该方法包括：获取网络日志数据并进行预处理；将预处理后的网络日志数据输入根据权利要求1
‑
4任一方法训练得到的网络故障预测模型；输出预测的后续事件向量；将所述后续事件向量与预定义的正态概率阈值进行比较，判断网络未来是否工作正常。
[0016]根据本公开的第三方面，提供了一种基于生成式对抗网络的网络故障预测装置。该装置包括：获取模块，用于获取网络日志数据并进行预处理；预测模块，用于将预处理后的网络日志数据输入根据权利要求1
‑
4任一方法训练得到的网络故障预测模型；输出预测的后续事件向量；判断模块，用于将所述后续事件向量与预定义的正态概率阈值进行比较，判断网络未来是否工作正常。
[0017]根据本公开的第四方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
[0018]根据本公开的第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面和/或第二方面的方法。
[0019]本公开提供的一种基于生成式对抗网络的网络故障预测方法及装置。实现了以下技术效果：
[0020]1、通过生成对抗网络模型从数据层面解决数据集中存在的样本不均衡问题，能够学习到少数类样本的真实分布，生成新的少数样本，从而得到样本比例均衡的数据集作为网络故障预测模型的输入。
[0021]2、引用注意力机制进行特征提取，实现对重点特征的着重关注，极大提升了生成式对抗网络的性能。
[0022]3、通过引入长短期记忆网络解决了基于卷积神经网络的网络故障预测模型没有充分利用日志序列的上下文信息的问题。
[0023]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0024]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
[0025]图1示出了根据本公开的实施例的基于生成式对抗网络的网络故障预测模型训练
方法的流程图；
[0026]图2示出了根据本公开的实施例的基于生成式对抗网络的网络故障预测方法的流程图；
[0027]图3示出了根据本公开的实施例的基于生成式对抗网络的网络故障预测装置的框图；
[0028]图4出了用来事先本公开实施例的基于生成式对抗网络的网络故障预测模型训练方法的电子设备的框图；
具体实施方式
[0029]为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。
[0030]另外，本公开实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式对抗网络的网络故障预测模型训练方法，其特征在于，包括：获取历史网络日志数据并进行预处理，生成训练样本集；利用所述训练样本集对预设生成式对抗网络模型进行训练，得到网络故障预测模型；其中，所述预处理包括日志解析、滑动窗口划分、负采样；所述训练样本集中的训练样本包括输入序列和对应标签，所述输入序列为滑动窗口内的日志事件，所述标签为滑动窗口后的日志事件。2.根据权利要求1所述的方法，其特征在于，所述生成式对抗网络模型中，生成网络由输入层、嵌入层、LSTM层、Attention层、全连接层构成。3.根据权利要求2所述的方法，其特征在于，所述嵌入层采用embedding的方式将稀疏向量转换为保留语义关系的低维向量。4.根据权利要求2所述的方法，其特征在于，所述Attention层对输入数据根据相关性赋予相应的权重，其中，通过计算对象相似度得到各个value对应的权重系数；对各个value对应的权重系数进行归一化处理，得到信息相应的权重系数；利用所述权重系数对各个Value进行加权求和得到Attention value。5.一种基于生成式对抗网络的网络故障预测方法，其特征在于，包括：获取网络日志数据并...

【专利技术属性】
技术研发人员：孙燕杰，孔维玉，袁开国，付海涛，司大鹏，石明磊，陆毅远，
申请(专利权)人：上海速丰通联科技集团有限公司，
类型：发明
国别省市：