【技术实现步骤摘要】
本专利技术涉及5g移动通信中的核心网网元管理，具体而言，涉及一种基于时序预测滑窗5gc网元kpi预测预警方法及系统。
技术介绍
1、5g核心网网元采用nfv架构实现网络切片等关键特性，5g核心网网元的部署基于虚拟云化技术，支持基于容器的自动化部署、自动化配置等功能。
2、当5g核心网元入网后，kpi指标以5分钟粒度全天24小时上报，运维人员需及时监控网元运行状态，及时处理网元异常问题，目前常用的技术需要按照“采集-解析-计算-阈值判断”的步骤，在数据生成并上报之后才能开始处理过程。
3、然而，对于庞大的网元和指标数量来说，保持5分钟周期粒度的监测，对于处理时延提出了很高的要求。
4、目前一般是将指标按照粗粒度分组，比如率类的指标、次数类指标等，划分粒度较粗；目前一般通过简单的线性比例来预测未来一段时间的指标值，精准性不高。并且，目前的阈值一般采用专家经验值作为预警门限，是一种固定配置的门限，适应性相对不强，不能灵活应对现网各种情况，误警率较高。
技术实现思路
1、鉴于此，本专利技术的目的在于设计一种基于时序预测滑窗5gc网元kpi预测预警方法及系统，基于成熟的时序数据预测算法和异常检测算法，采用prophet算法对kpi进行类型细分，根据不同kpi在业务上取值趋势不同，采用不同算法参数，使得预测能力更加精细化，以提高预测的针对性和准确性；在自动预警方面，基于滑动窗口规则，采用4类异常检测算法，提前发现kpi异常，并生成各级别预警信息，以提高5gc
2、目前在时序数据预测领域，人工智能技术的发展产生了一些相对比较成熟的算法，如prophet时序预测算法，此外，在异常检测领域也存在iforest等检测算法。
3、本专利技术提供基于时序预测滑窗5gc网元kpi预测预警方法，包括以下步骤：
4、s1、数据采集和导入，包括：
5、s11、以批量文件导入方式将kpi历史数据导入时序库，作为训练集进行训练；
6、s12、在prophet框架下，进行数据集训练，根据训练结果调整优化模型参数，迭代优化；
7、s13、将迭代优化后的预测模型存储，供后续数据预测使用；
8、s14、基于es索引，周期采集5分钟性能kpi；
9、s2、对5gc网元的kpi指标进行分组、设置权重；
10、根据业务自身的特点，5gc网元kpi的值随时间的变化会呈现不同的规律。相同规律的指标划分为一组。可能的波动特征分类如表1所示：
11、表1
12、
13、
14、s3、基于prophet算法进行时序数据预测；
15、由于稳定型数据的预测相对简单，采用机器学习的方式预测意义不大，所以主要对时序波动型和周期型混合数据进行预测。基于生成的模型，对未来30分钟数据进行预测。
16、s31、采用prophet算法对5gc网元kpi指标的历史数据进行分析，将不同指标进行序列的拆分，通过对各部分数据进行回归，利用机器学习算法对各部分数据特征进行训练；
17、prophet算法的表达式为：
18、y(t)＝g(t)+s(t)+h(t)+εt (1)
19、式(1)中：
20、g(t)是模拟时间序列值的非周期性变化的趋势函数；
21、s(t)是表示周期性变化的趋势函数(例如，每周和每年的季节性)；
22、h(t)表示假期的影响，在一天或几天内以潜在的不规则时间表发生；
23、εt是误差项，代表模型不适应的特殊变化，设定εt服从正态分布；
24、prophet算法是一种基于加性模型的时间序列预测方法，一个时间序列通常是以下4类变化形式的叠加或耦合：
25、长期趋势(secular trend，t)
26、季节变动(seasonal variation，s)
27、循环波动(cyclical variation，c)
28、不规则波动(irregular variation，i)
29、prophet是一种开源机器学习算法框架，主要用于时间序列数据预测。
30、s32、在对各部分数据进行数据训练时，通过不断回归测试，对模型的参数进行优化调整；涉及的参数见表2：
31、表2
32、
33、
34、s4、根据时序预测结果，基于4类异常预测算法iforest、ocsvm、lof、fcst算法进行异常检测；基于滑动窗口模式，根据异常检测结果判断触发相应级别告警；
35、s5、将预测结果和触发告警进行持久化存储，进行告警分发。
36、进一步地，所述s2步骤的kpi指标分组、设置权重的方法包括以下步骤：
37、s21、根据5gc网元kpi指标的值随时间的变化呈现不同的规律的特征，将kpi指标按照稳定型、波动型(非周期)、周期型三个维度进行细分：
38、s22、使用皮尔逊相关系数分析kpi指标间的相关性；
39、s23、基于指标相关性对指标进行分组；
40、s24、根据专家法确定各个指标的权重；
41、s25、经过对海量数据分析，确定kpi初始分组和权重。如表3所示：
42、表3
43、
44、
45、进一步地，所述s4步骤的所述异常检测的方法包括以下步骤：
46、s41、动态生成正常区间，包括：
47、s411、依据3σ拉依达准则，对于正态分布的指标，指标值距平均值小于三个标准差(3σ)以内的数据占比为99.73％，超出该范围的值为异常；
48、value∈[μ-3σ，μ+3c] (2)
49、s412、进行boxplot检测，将数值最大、最小值范围设置为与四分位数值距离1.5个iqr中间四分位数极差，超出范围的值为异常；
50、value∈[q1-1.5×iqr，q3+1.5×iqr] (3)
51、s42、在s41步骤的正常区间规则的判断基础上，基于4类异常检测算法iforest、ocsvm、lof、fcst，对各个指标分组进行二次检测，获得异常检测结果gi，根据之前设置的kpi权重，计算得到网元级别的异常分数，表达式为：
52、
53、
54、进一步地，所述根据异常检测结果判断触发相应级别告警的方法包括：
55、采用滑动窗口，实时跟踪最新时间点的异常状态；滑动窗口包含n个5分钟窗口，缺省为3个窗口；每个5分钟窗口由4类算法iforest、ocsvm、lof、fcst分别检测得分，单个窗口的分数取4类算法分数的最大值；
56、滑动窗口总得分＝各本文档来自技高网...
【技术保护点】
1.基于时序预测滑窗5GC网元KPI预测预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时序预测滑窗5GC网元KPI预测预警方法，其特征在于，所述S2步骤的KPI指标分组、设置权重的方法包括以下步骤：
3.根据权利要求1所述的基于时序预测滑窗5GC网元KPI预测预警方法，其特征在于，所述S4步骤的所述异常检测的方法包括以下步骤：
4.根据权利要求3所述的基于时序预测滑窗5GC网元KPI预测预警方法，其特征在于，所述根据异常检测结果判断触发相应级别告警的方法包括：
5.基于Prophet滑窗5GC网元KPI预测预警系统，执行如权利要求1-4任一项所述的基于时序预测滑窗5GC网元KPI预测预警方法，其特征在于，包括：
6.根据权利要求5所述的基于Prophet和滑动窗口的5GC网元KPI预测预警方法系统，其特征在于，所述数据采集和导入模块包括：
7.根据权利要求5所述的基于Prophet和滑动窗口的5GC网元KPI预测预警方法系统，其特征在于，所述KPI指标分组、设置权重模块包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-4任一项所述的基于时序预测滑窗5GC网元KPI预测预警方法的步骤。
10.一种计算机设备，所述计算机设备包括存储器、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，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一项所述的基于时序预测滑窗5GC网元KPI预测预警方法的步骤。
...【技术特征摘要】
1.基于时序预测滑窗5gc网元kpi预测预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时序预测滑窗5gc网元kpi预测预警方法，其特征在于，所述s2步骤的kpi指标分组、设置权重的方法包括以下步骤：
3.根据权利要求1所述的基于时序预测滑窗5gc网元kpi预测预警方法，其特征在于，所述s4步骤的所述异常检测的方法包括以下步骤：
4.根据权利要求3所述的基于时序预测滑窗5gc网元kpi预测预警方法，其特征在于，所述根据异常检测结果判断触发相应级别告警的方法包括：
5.基于prophet滑窗5gc网元kpi预测预警系统，执行如权利要求1-4任一项所述的基于时序预测滑窗5gc网元kpi预测预警方法，其特征在于，包括：
6.根据权利要求5所述的基于prophet和滑动窗口的5g...
【专利技术属性】
技术研发人员：王宏科，刘宝，刘永生，张乾，魏珂，石国杰，
申请(专利权)人：中电信数智科技有限公司，
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。