HSS用户搬迁的异常诊断方法、装置及计算设备与流程
本发明实施例涉及通信技术领域，具体涉及一种hss用户搬迁的异常诊断方法、装置及计算设备。
背景技术：
hss用户搬迁是hss网元割接中难度较大、风险较高的一种割接，现有的对hss用户搬迁过程中的异常检测主要通过对源hss和目标hss的kpi运行指标分别设置阈值的方式来实现。
发明人发现：在割接过程中，由于关键指标波动较大，运维人员往往会关闭告警或对告警进行屏蔽，对于指标的波动，很难区分hss用户搬迁中的正常波动和异常波动，从而导致了对于hss用户搬迁过程中的异常不能及时发现，往往需要等到割接完成后，在进行业务测试时遇到了问题，才能确定搬迁过程中出现的异常，从而造成现有hss用户搬迁过程中的异常难以发现或发现不及时的情况
技术实现要素：
鉴于上述问题，本发明实施例提供了一种hss用户搬迁的异常诊断方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种hss用户搬迁的异常诊断方法，该方法包括：获取所述hss用户搬迁过程中的源hss的kpi数据和目标hss的kpi数据；将所述源hss的kpi数据和所述目标hss的kpi数据合并，得到测试数据；将所述测试数据输入重建模型中，得到重建测试数据，所述重建模型是通过多组训练数据训练得到的，所述多组训练数据中的每一组均包含所述hss用户搬迁过程正常状态下的源hss的kpi数据和目标hss的kpi数据；计算所述重建测试数据与所述测试数据之间的重建误差；当所述重建误差大于预设阈值时，确定所述hss用户搬迁过程异常。
在一种可选的方式中，在得到测试数据后，所述方法还包括：对所述测试数据进行归一化处理，得到标准测试数据；将所述测试数据输入重建模型中，得到重建测试数据，包括：将所述标准测试数据输入到重建模型中，得到重建测试数据。
在一种可选的方式中，根据下述公式对所述测试数据进行归一化处理，得到标准测试数据：
xstd＝xsca×(xmax-xmin)+xmin
其中，xstd是一组标准测试数据，x为一组测试数据，xmax和xmin分别为该组测试数据的最大值和最小值。
在一种可选的方式中，计算所述重建测试数据与所述测试数据之间的重建误差，包括：根据如下公式计算所述重建测试数据与所述测试数据之间的重建误差：
其中，xi表示测试数据中第i个kpi数据，
在一种可选的方式中，所述方法还包括：构建自编码神经网络模型；根据所述多组训练数据对所述自编码神经网络模型进行训练，得到重建模型。
在一种可选的方式中，所述构建自编码神经网络模型包括：构建包含一个输入层、一个输出层及十个隐藏层的自编码神经网络模型，其中，所述十个隐藏层包含五个编码器层和五个解码器层，所述五个编码器层用于对训练数据压缩降维，得到特征数据；所述四个解码器层用于对所述特征数据进行还原重建，得到重建训练数据。
在一种可选的方式中，根据所述多组训练数据对所述自编码神经网络模型进行训练，得到重建模型，包括：根据所述多组训练数据得到所述自编码神经网络模型的权重；根据所述权重计算损失函数值；根据优化算法重复更新所述权重，直至所述损失函数值最小；根据所述损失函数值最小的权重，得到重建模型。
根据本发明实施例的另一方面，提供了一种hss用户搬迁的异常诊断装置，包括：获取模块、合并模块、计算模块和确定模块，其中，获取模块用于获取所述hss用户搬迁过程中的源hss的kpi数据和目标hss的kpi数据。合并模块，用于将所述源hss的kpi数据和所述目标hss的kpi数据合并，得到测试数据。输入模块，用于将所述测试数据输入重建模型中，得到重建测试数据，所述重建模型是通过多组训练数据训练得到的，所述多组训练数据中的每一组均包含所述hss用户搬迁过程正常状态下的源hss的kpi数据和目标hss的kpi数据。计算模块，用于计算所述重建测试数据与所述测试数据之间的重建误差。确定模块，用于当所述重建误差大于预设阈值时，确定所述hss用户搬迁过程异常。
在一种可选的方式中，所述装置还包括归一化模块，用于对所述测试数据进行归一化处理，得到标准测试数据。输入模块进一步用于，将所述标准测试数据输入到重建模型中，得到重建测试数据。
在一种可选的方式中，归一化模块进一步用于：根据下述公式对所述测试数据进行归一化处理，得到标准测试数据：
xstd＝xsca×(xmax-xmin)+xmin
其中，xstd是一组标准测试数据，x为一组测试数据，xmax和xmin分别为该组测试数据的最大值和最小值。
在一种可选的方式中，计算模块进一步用于：根据如下公式计算所述重建测试数据与所述测试数据之间的重建误差：
其中，xi表示测试数据中第i个kpi数据，
在一种可选的方式中，所述装置还包括：构建模块和训练模块，构建模块用于构建自编码神经网络模型。训练模块用于根据多组训练数据对自编码神经网络模型进行训练，得到重建模型。
在一种可选的方式中，构建模块进一步用于：构建包含一个输入层、一个输出层及十个隐藏层的自编码神经网络模型，其中，所述十个隐藏层包含五个编码器层和五个解码器层，所述五个编码器层用于对训练数据压缩降维，得到特征数据；所述四个解码器层用于对所述特征数据进行还原重建，得到重建训练数据。
在一种可选的方式中，训练模块进一步用于，根据所述多组训练数据得到所述自编码神经网络模型的权重；根据所述权重计算损失函数值；根据优化算法重复更新所述权重，直至所述损失函数值最小；根据所述损失函数值最小的权重，得到重建模型。
根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述的一种hss用户搬迁的异常诊断方法对应的操作。
根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行上述的一种hss用户搬迁的异常诊断方法对应的操作。
本发明实施例通过重建测试数据与测试数据之间的重建误差对hss用户搬迁过程进行异常诊断，重建测试数据是根据重建模型得到的，重建模型是通过多组包含hss用户搬迁过程中正常状态下的源hss的kpi数据和目标hss的kpi数据训练得到的，对于hss用户搬迁过程正常状态下的测试数据，重建测试数据与测试数据之间的重建误差很小，对于hss用户搬迁异常状态下的测试数据，重建测试数据与测试数据之间的重建误差大，根据hss用户搬迁过程正常状态下的重建误差设置阈值，从而可以对hss用户搬迁中出现的异常情况进行有效诊断。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例一种hss用户搬迁的异常诊断方法的示意图；
图2示出了本发明实施例提供的一种hss用户搬迁的异常诊断方法的流程图；
图3示出了本发明实施例提供的一种hss用户搬迁的异常诊断方法中自编码神经网络的结构示意图；
图4示出了本发明实施例提供的一种hss用户搬迁的异常诊断装置的功能框图；
图5示出了本发明实施例提供的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例的应用场景是hss用户搬迁，hss(homesubscriberserver)是支持用于处理调用/会话的ims网络实体的主要用户数据库。hss包含用户配置文件、执行用户的身份验证和授权，并可提供有关用户物理位置的信息。随着用户量的增大，原hss无法承受日益增长的用户量，因此，需要将部分用户源hss搬迁至新的hss。在进行搬迁时，源hss通过操作，向源hss中用户所登记的vlr、sgsn发送map_reset消息，vlr、sgsn接收到该消息后，将归属于源hss的用户进行标记，并触发源hss的位置更新至新hss，由于各网元数据已经将源hss中的用户修改至新的hss，因此这部分已经被修改的用户就会搬迁至新的hss，在进行搬迁时，源hss中需要搬迁的用户是根据用户号段确定的。hss用户搬迁一般包括以下步骤：(1)确定需要搬迁的用户；(2)从源hss中按照号段导出需要搬迁的用户对应的用户数据；(3)对用户数据进行核对；(4)将核对数据导入目标hss；(5)完成割接后，信令网侧修改需要搬迁的用户的路由数据，指向目标hss；(6)营帐侧修改业务指向，将业务发放同步至目标hss；(7)源hss发送reset指令至vlr/sgsn/mme，通知用户在下个位置更新时完成和新hss的交互和同步。本发明实施例的hss用户搬迁的异常诊断方法的示意图如图1所示，通过在hss用户搬迁过程中，将获取的源hss的实时kpi和目标hss的实时kpi合并后输入至重建模型中，根据重建模型的输出与输入的关系判断hss用户搬迁是否发生异常。下面通过各具体实施例对整个过程中hss用户搬迁的异常诊断方法做具体说明。
图2示出了本发明一种hss用户搬迁的异常诊断方法实施例的流程图，如图2所示，该方法包括以下步骤：
步骤110：获取hss用户搬迁过程中的源hss的kpi数据和目标hss的kpi数据。
源hss是指搬迁之前某号段的用户所在的hss，目标hss表示该号段用户需要搬迁的目的hss。源hss的kpi数据和目标hss的kpi数据由本领域的技术人员在实施本发明实施例时人为定义，在一些实施方式中，源hss的kpi数据和目标hss的kpi数据各包含58个特征，需要获取的kpi数据各为58个，分别包括：取路由尝试次数、取路由成功次数、提供漫游号码尝试次数、提供漫游号码成功次数、呼叫未知用户次数、呼叫用户不可及次数、呼叫限制次数、camel用户呼叫次数、呼叫前转次数、呼叫系统失败次数、位置更新尝试次数、位置更新成功次数、发送前转检查补充业务指示消息次数、位置更新未知用户次数、位置更新漫游禁止次数、位置更新系统失败次数、camel用户位置更新次数、位置取消尝试次数、位置取消成功次数、插入用户数据尝试次数、插入用户数据成功次数、删除用户数据尝试次数、删除用户数据成功次数、发送鉴权信息尝试次数、发送鉴权信息成功次数、鉴权请求返回为空次数、请求鉴权三元组次数、返回鉴权三元组次数、请求鉴权五元组次数、返回鉴权五元组次数、鉴权失败报告次数、wcn鉴权成功率、wcncs位置更新成功率等58项kpi数据。为了能够实时检测搬迁过程中的异常情况，对于源hss的kpi数据和目标hss的kpi数据进行周期性获取，具体的周期所对应的时间由本领域技术人员在实施本发明实施例时人为定义，本发明实施例并不对该周期的具体值做限定。
步骤120：将源hss的kpi数据和目标hss的kpi数据合并，得到测试数据。
将58项源hss的kpi数据与58项目标hss的kpi数据合并，得到包含116项kpi数据的测试数据。
步骤130：将测试数据输入重建模型中，得到重建测试数据。
重建模型是通过多组训练数据训练得到的，多组训练数据中的每一组均包含hss用户搬迁过程正常状态下的源hss的kpi数据和目标hss的kpi数据。在获取到训练数据后，将训练数据进行标记，标记的方式可以由本领域技术人员人为定义，例如，对于hss用户搬迁过程正常状态下的一组训练数据标注为0，对于hss用户搬迁过程异常状态下的一组训练数据标注为1，以便于选取hss用户搬迁过程正常状态下的训练数据作为训练重建模型的训练数据。
在一些实施例中，在将测试数据输入重建模型中之前，对测试数据进行归一化处理，得到标准测试数据，将得到的标准测试数据输入到重建模型中，得到重建测试数据。归一化是将测试数据按照比例进行缩放，使之落入一个特定的区间，以消除不同种类的测试数据之间的数量级差异。在具体实施方式中，该特定的区间一般为[0，1]，在一种具体的实施方式中，标准测试数据按照以下公式得到：
xstd＝xsca×(xmax-xmin)+xmin
其中，xstd是一组标准测试数据，x为一组测试数据，xmax和xmin分别为该组测试数据的最大值和最小值。
可以理解的是，在训练重建模型的过程中，也通过归一化得到训练数据对应的标准训练数据，并根据标准训练数据训练重建模型。
在一些实施方式中，通过构建自编码神经网络模型，通过多组训练数据对自编码神经网络进行训练，得到重建模型。自编码神经网络通过将输入数据进行压缩，然后再解压重建，对比重建数据和输入数据之间的误差，进行反向传递，来提升自编码神经网络的准确性。构建的自编码神经网络模型的框架可以由本领域的技术人员在实施本发明实施例时进行设计，本发明实施例并不以此为限。
在一种具体的实施方式中，构建的自编码神经网络模型为包含一个输入层、一个输出层及十个隐藏层的自编码神经网络模型，其中，十个隐藏层包含五个编码器层和五个解码器层，且均为全连接层，所述五个编码器层用于对训练数据压缩降维，得到特征数据；所述五个解码器层用于对所述特征数据进行还原重建，得到重建训练数据。构建的自编码神经网络的具体结构示意图如图3所示，其中，输入层设置的神经元个数为116个，x1至x116分别对应于输入的116项kpi数据，输出层设置的神经元个数为116个，至对应于通过自编码神经网络模型得到的重建的116项kpi数据。五个编码器在对训练数据压缩降维时，将原本的116维数据降至8维。隐藏层第一层对应于第一个编码器，设置的神经元个数为116个，激活函数选择为“tanh”函数，第二层隐藏层对应于第二个编码器，设置的神经元个数为58个，选择的激活函数为“relu”函数，第三层隐藏层对应于第三个编码器，设置的神经元个数为29个，选择的激活函数为“relu”函数，第四层隐藏层对应于第四个编码器，设置的神经元个数为15个，选择的激活函数为“relu”函数。第五层隐藏层对应于第五个编码器，设置的神经元个数为8个，选择的激活函数为“relu”函数。五个解码器与五个编码器相对应，第一个解码器对应的神经元个数为8个，选择的激活函数为“tanh”函数，第二个解码器对应的神经元个数为15个，选择的激活函数为“tanh”函数，第三个解码器对应的神经元个数为29个，选择的激活函数为“tanh”函数，第四个解码器对应的神经元个数为58个，选择的激活函数为“relu”函数，第五层解码器对应的神经元个数116个。
自编码神经网络训练的过程如下：根据多组训练数据得到自编码神经网络模型的权重；根据该权重计算损失函数值；根据优化算法重复更新权重，直至损失函数值最小；根据损失函数值最小的权重，得到重建模型。损失函数可以由本领域的技术人员在实施本发明实施例的过程中选取，本发明实施例并不限定损失函数的具体形式。在一种具体的实施方式中，损失函数为均方误差损失函数mse(meansquarederror)，选择adam算法重复更新权重，直至损失函数最小。在具体实施过程中，将训练回合数设置为500，即epochs＝500，批处理大小设置为32，即batch_size＝32，随着训练回合数的增加，损失函数值逐渐下降，模型逐渐收敛，训练完成，将训练得到的权重导出，即得到重建模型。
步骤140：计算重建测试数据与测试数据之间的重建误差。
重建测试数据是由重建模型得到的，而重建模型是根据hss用户搬迁过程正常状态下的kpi数据训练得到的，因此，对于hss用户搬迁过程正常状态下的测试数据，重建误差很小，对于hss用户搬迁过程异常状态下的测试数据，重建误差很大，根据重建误差的大小可以判断hss用户搬迁过程是否异常。
在一种具体的实施方式中，重建误差为重建测试数据与测试数据差值的绝对值的平方，重建误差的具体计算公式为：
其中，xi表示测试数据中第i个kpi数据，
步骤150：当重建误差大于预设阈值时，确定hss用户搬迁过程异常。
在本步骤中，预设阈值是根据重建误差进行设定的，例如，在训练重建模型时，对于hss用户搬迁过程正常状态的重建误差最大值为a，则预设阈值设置为a。在进行测试时，hss用户搬迁过程异常状态的重建误差均大于a，当重建误差大于预设阈值时，hss用户搬迁过程异常，当重建误差不大于预设阈值时，说明hss用户搬迁过程正常。在具体实施过程中，利用prc曲线确定预设阈值的最优值，该曲线以精确率和召回率为轴，在重建模型训练好之后，将多组训练数据输入重建模型，按照不同的阈值绘制精确率和召回率之间的关系曲线，曲线下的面积越大，训练的模型越理想，在设定合理的准确率条件下，将最高的召回率对应的阈值作为预设阈值。
本发明实施例通过重建测试数据与测试数据之间的重建误差对hss用户搬迁过程进行异常诊断，重建测试数据是根据重建模型得到的，重建模型是通过多组包含hss用户搬迁过程中正常状态下的源hss的kpi数据和目标hss的kpi数据训练得到的，对于hss用户搬迁过程正常状态下的测试数据，重建测试数据与测试数据之间的重建误差很小，对于hss用户搬迁异常状态下的测试数据，重建测试数据与测试数据之间的重建误差大，根据hss用户搬迁过程正常状态下的重建误差设置阈值，从而可以对hss用户搬迁中出现的异常情况进行有效诊断。
图4示出了本发明一种hss用户搬迁的异常诊断装置实施例的功能框图。如图4所示，该装置包括：获取模块310、合并模块320、输入模块330、计算模块340和确定模块350，其中，获取模块310用于获取所述hss用户搬迁过程中的源hss的kpi数据和目标hss的kpi数据。合并模块320，用于将所述源hss的kpi数据和所述目标hss的kpi数据合并，得到测试数据。输入模块330，用于将所述测试数据输入重建模型中，得到重建测试数据，所述重建模型是通过多组训练数据训练得到的，所述多组训练数据中的每一组均包含所述hss用户搬迁过程正常状态下的源hss的kpi数据和目标hss的kpi数据。计算模块340，用于计算所述重建测试数据与所述测试数据之间的重建误差。确定模块350，用于当所述重建误差大于预设阈值时，确定所述hss用户搬迁过程异常。
在一种可选的方式中，所述装置还包括归一化模块360，用于对所述测试数据进行归一化处理，得到标准测试数据。输入模块330进一步用于，将所述标准测试数据输入到重建模型中，得到重建测试数据。
在一种可选的方式中，归一化模块360进一步用于：根据下述公式对所述测试数据进行归一化处理，得到标准测试数据：
xstd＝xsca×(xmax-xmin)+xmin
其中，xstd是一组标准测试数据，x为一组测试数据，xmax和xmin分别为该组测试数据的最大值和最小值。
在一种可选的方式中，计算模块340进一步用于：根据如下公式计算所述重建测试数据与所述测试数据之间的重建误差：
其中，xi表示测试数据中第i个kpi数据，
在一种可选的方式中，所述装置还包括：构建模块370和训练模块380，构建模块370用于构建自编码神经网络模型。训练模块380用于根据多组训练数据对自编码神经网络模型进行训练，得到重建模型。
在一种可选的方式中，构建模块370进一步用于：构建包含一个输入层、一个输出层及十个隐藏层的自编码神经网络模型，其中，所述十个隐藏层包含五个编码器层和五个解码器层，所述五个编码器层用于对训练数据压缩降维，得到特征数据；所述四个解码器层用于对所述特征数据进行还原重建，得到重建训练数据。
在一种可选的方式中，训练模块380进一步用于，根据所述多组训练数据得到所述自编码神经网络模型的权重；根据所述权重计算损失函数值；根据优化算法重复更新所述权重，直至所述损失函数值最小；根据所述损失函数值最小的权重，得到重建模型。
本发明实施例通过计算模块340计算重建测试数据与测试数据之间的重建误差，根据该重建误差对hss用户搬迁过程进行异常诊断，重建测试数据是根据重建模型得到的，重建模型是通过多组包含hss用户搬迁过程中正常状态下的源hss的kpi数据和目标hss的kpi数据训练得到的，对于hss用户搬迁过程正常状态下的测试数据，重建测试数据与测试数据之间的重建误差很小，对于hss用户搬迁异常状态下的测试数据，重建测试数据与测试数据之间的重建误差大，根据hss用户搬迁过程正常状态下的重建误差设置阈值，从而可以对hss用户搬迁中出现的异常情况进行有效诊断。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述一种hss用户搬迁的异常诊断方法对应的操作。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述一种hss用户搬迁的异常诊断方法对应的操作。
图5示出了本发明一种计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图5所示，该计算设备可以包括：处理器(processor)402、通信接口(communicationsinterface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述hss用户搬迁过程异常诊断方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作：获取所述hss用户搬迁过程中的源hss的kpi数据和目标hss的kpi数据；将所述源hss的kpi数据和所述目标hss的kpi数据合并，得到测试数据；将所述测试数据输入重建模型中，得到重建测试数据，所述重建模型是通过多组训练数据训练得到的，所述多组训练数据中的每一组均包含所述hss用户搬迁过程正常状态下的源hss的kpi数据和目标hss的kpi数据；计算所述重建测试数据与所述测试数据之间的重建误差；当所述重建误差大于预设阈值时，确定所述hss用户搬迁过程异常。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：对所述测试数据进行归一化处理，得到标准测试数据；将所述测试数据输入重建模型中，得到重建测试数据，包括：将所述标准测试数据输入到重建模型中，得到重建测试数据。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：根据下述公式对所述测试数据进行归一化处理，得到标准测试数据：
xstd＝xsca×(xmax-xmin)+xmin
其中，xstd是一组标准测试数据，x为一组测试数据，xmax和xmin分别为该组测试数据的最大值和最小值。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：根据如下公式计算所述重建测试数据与所述测试数据之间的重建误差：
其中，xi表示测试数据中第i个kpi数据，
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：构建自编码神经网络模型；根据所述多组训练数据对所述自编码神经网络模型进行训练，得到重建模型。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：构建包含一个输入层、一个输出层及十个隐藏层的自编码神经网络模型，其中，所述十个隐藏层包含五个编码器层和五个解码器层，所述五个编码器层用于对训练数据压缩降维，得到特征数据；所述四个解码器层用于对所述特征数据进行还原重建，得到重建训练数据。
在一种可选的方式中，程序410具体可以用于使得处理器402执行以下操作：根据所述多组训练数据得到所述自编码神经网络模型的权重；根据所述权重计算损失函数值；根据优化算法重复更新所述权重，直至所述损失函数值最小；根据所述损失函数值最小的权重，得到重建模型。
本发明实施例通过重建测试数据与测试数据之间的重建误差对hss用户搬迁过程进行异常诊断，重建测试数据是根据重建模型得到的，重建模型是通过多组包含hss用户搬迁过程中正常状态下的源hss的kpi数据和目标hss的kpi数据训练得到的，对于hss用户搬迁过程正常状态下的测试数据，重建测试数据与测试数据之间的重建误差很小，对于hss用户搬迁异常状态下的测试数据，重建测试数据与测试数据之间的重建误差大，根据hss用户搬迁过程正常状态下的重建误差设置阈值，从而可以对hss用户搬迁中出现的异常情况进行有效诊断。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
- 还没有人留言评论。精彩留言会获得点赞！