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】
本申请涉及无线通信,尤其涉及一种网络异常检测方法、装置、电子设备及存储介质。
技术介绍
1、在无线通信
,随着网络性能监测的需求日益增长,网络异常实时检测技术和故障关联分析技术成为研究的热点之一。
2、现有技术中,已经存在一些利用机器学习等技术实现网络异常实时检测的方法。例如,将目标网络分层成子网络,通过机器学习算法确定子网络的相似矩阵,然后基于相似矩阵和历史性能数据训练得到异常检测模型。但是,这一方法专注于通过优化机器学习算法提升检测的准确度,以及能够在电信网络、有线电视网络等多种网络场景中进行应用。类似该方法的技术,其输出的检测结果没有体现网络产生异动的可能原因,并且没有后续的故障关联分析方法。
3、在实际的网络性能监测和运维工作中,网络优化工程师经常关注网络的关键指标,比如无线接通率、rrc连接建立成功率等。这些指标数据由网元上报到网管的计数器数据通过指标的公式汇总后得到,能够更加详细地、多维度地表征网络的状态。网络优化工程师通过监测网络关键指标的状态来进行网络异常检测,能够更加详细、明确地体现出网络产生异常的原因,便于迅速定位网络问题。但是,网络优化工程师依赖专家经验监测网络关键指标、识别网络异常的难度较大,且具有滞后性。
4、随着技术的发展,逐渐出现了利用网络指标预测技术监测网络关键指标的方法。例如,获取一组网络指标,计算这些网络指标间的相关性得到关联指标数据集,将关联指标数据集输入预先训练的传输质量预测模型得到传输质量预测值,然后将预测值输入预先训练的异常标注模型,得到异常数
技术实现思路
1、本申请提供了一种网络异常检测方法、装置、电子设备及存储介质,以解决无法自动、实时地进行网络异常检测并进行故障关联分析的问题。
2、第一方面,本申请提供了一种网络异常检测方法,该方法包括:
3、判断目标网络指标是否为周期性指标,得到判断结果;所述目标网络指标为用于确定当前网络是否异常的关键网络指标中的任意一个;
4、基于所述判断结果,选择目标阈值算法,并基于所述目标阈值算法和当前网络中任一子网的目标网络指标数据,确定所述任一子网的目标网络指标对应的目标阈值区间;所述目标网络指标数据包括所述目标网络指标在第一预设时间段内的时间序列数据;
5、若所述当前网络中任一子网的目标网络指标的实时取值超过所述目标阈值区间,则确定当前网络异常并定位所述任一子网下的严重故障小区。
6、可选地,所述判断目标网络指标是否为周期性指标,得到判断结果,包括:
7、以预设采样点数为周期,基于所述任一子网的目标网络指标数据和fft频谱进行判断,确定所述目标网络指标是否为周期性指标。
8、可选地,所述基于所述判断结果,选择目标阈值算法,包括:
9、若所述判断结果表示所述目标网络指标为周期性指标,则选择第一预测算法和第一阈值算法为目标阈值算法;
10、若所述判断结果表示所述目标网络指标为非周期性指标,则选择第二阈值算法为目标阈值算法。
11、可选地,所述判断结果表示所述目标网络指标为周期性指标时,所述基于所述目标阈值算法和当前网络中任一子网的目标网络指标数据,确定所述任一子网的目标网络指标对应的目标阈值区间,包括:
12、基于所述任一子网的目标网络指标数据和第一预测算法,对目标网络指标的周期中各个采样点的取值进行拟合预测,得到预测周期序列,并确定目标网络指标的周期中的各个采样点的拟合误差均方根;
13、基于所述预测周期序列、所述任一子网的目标网络指标数据、各个采样点的拟合误差均方根和所述第一阈值算法,对目标网络指标的周期中各个采样点对应的阈值区间进行训练,得到所述各个采样点对应的目标阈值区间。
14、可选地,所述判断结果表示所述目标网络指标为非周期性指标时,所述基于所述目标阈值算法和当前网络中任一子网的目标网络指标数据,确定所述任一子网的目标网络指标对应的目标阈值区间,包括:
15、基于所述第二阈值算法,采用高斯核对所述任一子网的目标网络指标数据进行核密度估计,并确定累积分布函数;
16、基于所述第二阈值算法,根据所述累积分布函数进行计算,确定目标网络指标在第一分位数对应的第一取值,和目标网络指标在第二分位数对应的第二取值;所述第一分位数大于所述第二分位数;
17、将第一取值和第二取值,分别确定为所述目标网络指标对应的目标阈值区间的上阈值和下阈值。
18、若判断结果表示目标网络指标为非周期性指标,该方法还包括:
19、选择第二预测算法为目标阈值算法;
20、基于任一子网的目标网络指标数据与第二预测算法,或者,基于目标网络指标对应的目标阈值区间的上阈值和下阈值与第二预测算法,对目标网络指标的实时取值进行预测,得到任一子网的目标网络指标的实时取值对应的预测值。
21、可选地,所述确定当前网络异常,包括:
22、对所述当前网络中任一子网的目标网络指标的实时取值相对于所述目标阈值区间的偏离程度进行评分,得到单点偏离程度评分;
23、基于当前时刻之前的第二预设时间段内网络异常的概率,对网络异常程度进行评分,得到异常持续程度评分;
24、对所述单点偏离程度评分和所述异常持续程度评分进行加权处理,得到所述任一子网的目标网络指标的健康度;
25、若所述健康度超过预设健康度阈值,则确定当前网络异常。
26、可选地,所述定位所述任一子网下的严重故障小区,包括:
27、基于所述任一子网中各个小区的贡献度对所述各个小区进行筛选,确定所述任一子网中的严重故障小区。
28、可选地,所述基于所述任一子网中各个小区的贡献度对所述各个小区进行筛选,确定所述任一子网中的严重故障小区之前,所述方法还包括:
29、基于目标网络指标的计算公式的结构,确定所述目标网络指标的类型;
30、若所述目标网络指标的类型为比率型,则按照第一规则来确定所述任一子网中各个小区的贡献度;
31、若所述目标网络指标的类型为计数型,则按照第二规则来确定所述任一子网中各个小区的贡献度。
32、可选地,所述按照第一规则来确定所述任一子网中各个小区的贡献度,包括:
33、基于所述第一规则,对所述任一子网中任一小区执行以下操作:
34、基于所述任一子网的目标网络指标的实时取值、所述任一子网中任一小区的目标网络指标的实时取值,以及所述任一子网的目标网络指标偏离对应的目标阈值区间的方向,来确定所述任一小区的贡献度。
35、可选地,所述确定所述任一小区的贡献度,包括:
...
【技术保护点】
1.一种网络异常检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的网络异常检测方法,其特征在于,所述判断目标网络指标是否为周期性指标,得到判断结果,包括:
3.根据权利要求1所述的网络异常检测方法,其特征在于,所述基于所述判断结果,选择目标阈值算法,包括:
4.根据权利要求3所述的网络异常检测方法,其特征在于,
5.根据权利要求3所述的网络异常检测方法,其特征在于,
6.根据权利要求5所述的网络异常检测方法,其特征在于,若所述判断结果表示所述目标网络指标为非周期性指标,
7.根据权利要求1所述的网络异常检测方法,其特征在于,所述确定当前网络异常,包括:
8.根据权利要求3所述的网络异常检测方法,其特征在于,所述定位所述任一子网下的严重故障小区,包括:
9.根据权利要求8所述的网络异常检测方法,其特征在于,所述基于所述任一子网中各个小区的贡献度对所述各个小区进行筛选,确定所述任一子网中的严重故障小区之前,所述方法还包括:
10.根据权利要求9所述的网络异常检测方法
11.根据权利要求10所述的网络异常检测方法,其特征在于,所述确定所述任一小区的贡献度,包括:
12.根据权利要求9所述的网络异常检测方法,其特征在于,所述按照第二规则来确定所述任一子网中各个小区的贡献度,包括:
13.根据权利要求12所述的网络异常检测方法,其特征在于,所述确定所述任一小区的贡献度,包括:
14.根据权利要求9所述的网络异常检测方法,其特征在于,所述目标网络指标的类型为比率型时,所述基于所述任一子网中各个小区的贡献度对所述各个小区进行筛选,确定所述任一子网中的严重故障小区,包括:
15.根据权利要求9所述的网络异常检测方法,其特征在于,所述目标网络指标的类型为计数型时,所述基于所述任一子网中各个小区的贡献度对所述各个小区进行筛选,确定所述任一子网中的严重故障小区,包括:
16.根据权利要求15所述的网络异常检测方法,其特征在于,所述基于预设贡献度筛选标准对所述各个小区进行筛选,将所述各个小区中通过筛选的至少一个小区,确定为所述任一子网中的严重故障小区,包括:
17.根据权利要求1-16中任一项所述的网络异常检测方法,其特征在于,在所述确定当前网络异常并定位所述任一子网下的严重故障小区之后,所述方法还包括:
18.一种网络异常检测装置,其特征在于,所述网络异常检测装置包括:
19.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
20.一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,所述计算机程序被处理器执行时实现如权利要求1-17中任一项所述的网络异常检测方法的步骤。
...【技术特征摘要】
1.一种网络异常检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的网络异常检测方法,其特征在于,所述判断目标网络指标是否为周期性指标,得到判断结果,包括:
3.根据权利要求1所述的网络异常检测方法,其特征在于,所述基于所述判断结果,选择目标阈值算法,包括:
4.根据权利要求3所述的网络异常检测方法,其特征在于,
5.根据权利要求3所述的网络异常检测方法,其特征在于,
6.根据权利要求5所述的网络异常检测方法,其特征在于,若所述判断结果表示所述目标网络指标为非周期性指标,
7.根据权利要求1所述的网络异常检测方法,其特征在于,所述确定当前网络异常,包括:
8.根据权利要求3所述的网络异常检测方法,其特征在于,所述定位所述任一子网下的严重故障小区,包括:
9.根据权利要求8所述的网络异常检测方法,其特征在于,所述基于所述任一子网中各个小区的贡献度对所述各个小区进行筛选,确定所述任一子网中的严重故障小区之前,所述方法还包括:
10.根据权利要求9所述的网络异常检测方法,其特征在于,所述按照第一规则来确定所述任一子网中各个小区的贡献度,包括:
11.根据权利要求10所述的网络异常检测方法,其特征在于,所述确定所述任一小区的贡献度,包括:
12.根据权利要求9所述的网络异常检测方法,其特征在于,所述按照第二规则来确定所述任一子网中各个小区的...
【专利技术属性】
技术研发人员:王兆祥,
申请(专利权)人:中兴通讯股份有限公司,
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。