System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及故障预测,特别是涉及基于ai的虚拟化网络故障预测方法。
技术介绍
1、传统的故障的告警仅依赖监测特定告警标题发现重要故障的方法存在较大的局限性,无法主动监控到所有高危故障并提前预警,容易引发用户批量投诉,严重影响用户感知。同时传统的通信设备故障预测方法无法直接适用于虚拟化网络的故障预测。因此,本专利技术提出一种基于ai的虚拟化网元的故障预测方法,通过采集告警数据、性能指标和工程状态等信息,利用随机森林算法开展故障预测,有效提升了高危故障的预警能力和预测准确率,保障了虚拟化网络的质量。
技术实现思路
1、鉴于以上所述现有技术缺点,本专利技术的目的在于提供基于ai的虚拟化网络故障预测方法,用于解决现有技术中传统的通信设备故障预测方法无法直接适用于虚拟化网络的故障预测的问题。
2、为实现上述目的及其他相关目的,本专利技术提供如下技术方案:
3、一种基于ai的虚拟化网络故障预测方法,其特征在于包括以下步骤:step1,确定虚拟化网元高危故障预测模型的样本源数据;step2,确定样本源数据的候选特征集;step3,采用随机森林算法进行高危故障网元的预测。
4、进一步地:所述随机森林算法包括以下步骤,1)从历史重要故障病历库中,采集各告警网元15min粒度级的样本数据来训练随机森林预测器;2)将样本数据送入随机森林预测器作预测,森林预测器对告警网元是否为高危故障网元作出预测结论;5)如预测结论为高危故障的网元,立刻派发一级响应故障工单和发起紧急
5、进一步地:所述历史重要故障病历库包括全量告警、工程信息、关键性能指标、业务量和容量利用率等信息。
6、进一步地:所述样本源数据来自于nfv平台的应急演练场景、近两年传统设备相关网元的紧急故障、批量投诉产生前和产生期间的各种告警和工程状态信息。
7、如上所述,本专利技术的基于ai的虚拟化网络故障预测方法,具有以下有益效果:本专利技术利用历史重要故障病历库中的全量告警、工程信息、关键性能指标、业务量和容量利用率等信息,挖掘紧急故障高危网元的多项有效特征及其关联关系,进而据此对某网元是否为高危网元进行预测。并针对预测为高危故障的网元,立即派发一级响应故障工单和发起紧急故障处理流程完成故障的闭环管控,且将处理结果反馈回历史重要故障病历库做自动更新,从而不断提高预测算法的准确性。本专利技术能有效提升设备故障预警能力和故障预测准确率,缩短故障历时和提升客户满意度,从而达到降本增效的目的。
本文档来自技高网...【技术保护点】
1.基于AI的虚拟化网络故障预测方法,其特征在于包括以下步骤:Step1,确定虚拟化网元高危故障预测模型的样本源数据;
2.根据权利要求1所述的基于AI的虚拟化网络故障预测方法,其特征在于:所述随机森林算法包括以下步骤,1)从历史重要故障病历库中,采集各告警网元15min粒度级的样本数据来训练随机森林预测器;
3.根据权利要求2所述的基于AI的虚拟化网络故障预测方法,其特征在于:所述历史重要故障病历库包括全量告警、工程信息、关键性能指标、业务量和容量利用率等信息。
4.根据权利要求1所述的基于AI的虚拟化网络故障预测方法,其特征在于:所述样本源数据来自于NFV平台的应急演练场景、近两年传统设备相关网元的紧急故障、批量投诉产生前和产生期间的各种告警和工程状态信息。
【技术特征摘要】
1.基于ai的虚拟化网络故障预测方法,其特征在于包括以下步骤:step1,确定虚拟化网元高危故障预测模型的样本源数据;
2.根据权利要求1所述的基于ai的虚拟化网络故障预测方法,其特征在于:所述随机森林算法包括以下步骤,1)从历史重要故障病历库中,采集各告警网元15min粒度级的样本数据来训练随机森林预测器;
3.根据权利要求2...
【专利技术属性】
技术研发人员:琚越成,刘威,
申请(专利权)人:无锡起量科技有限公司,
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。