一种检测方法及装置的制造方法
【技术领域】
[0001]本发明涉及通信技术领域，特别涉及一种检测方法及装置。
【背景技术】
[0002]随着组网复杂化，传输域的故障定位越来越受到关注，目前的故障定位手段，都是基于现有专家经验的故障定位，故障定位都是事后处理，为了有效的避免故障引起的网络影响，需要尽可能早的发现潜在的网络故障，通过海量历史数据挖掘，找出潜在故障发生和性能指标之间的关联。
[0003]目前通过FMA (Fault Manager Analyzer，故障管理分析)对传输域的性能进行故障诊断，其具体包括:依据设定的阈值判断指标是否异常，如果指标超出门限，则产生故障告警；根据已产生的故障告警，统计故障比例，包括告警对象、告警不可用比例、故障时间、链路数和链路类型；通过预置的指标关联规则，进行故障诊断。
[0004]该方案存在如下缺点:
[0005]1、故障检测都是根据固定不变的阈值，一旦部署完成，就一成不变的使用默认阈值来检测指标，不支持根据场景、话务、忙闲等情况灵活自动地设置阈值，无法满足精细化的维护需求。
[0006]2、网络故障大多是性能类故障，需要经历由指标正常到不正常的渐变过程，而因为不能提前察觉这些故障，导致这些故障都是“事后处理”，被动地进行紧急排障，增加了排障成本。
[0007]3、故障诊断是通过专家的经验来判断故障与哪些指标异常强相关，不能快速准确进行故障定位，不满足高效运维的宗旨。
【发明内容】
[0008]本发明提供了一种检测方法及装置，用于提高检测的灵活性。
[0009]本发明第一方面提供了一种检测方法，包括:
[0010]获取话统数据；
[0011 ] 根据所述话统数据构建高斯混合模型；
[0012]通过所述高斯混合模型计算得到所述话统数据的门限值；
[0013]当测试数据超过所述门限值时，确定所述测试数据为异常数据。
[0014]结合本发明的第一方面，在本发明第一方面的第一种实现方式中，所述方法还包括:
[0015]获取所述话统数据在传输过程中的原始流量信号；
[0016]对所述原始流量信号进行小波分解，得到低频信号序列和高频信号序列；
[0017]对所述低频信号序列和高频信号序列进行单支重构；
[0018]对单支重构后的所述低频信号序列和高频信号序列进行线性马尔科夫链预测；
[0019]将线性马尔科夫链预测后的预测结果叠加，得到流量预测结果。
[0020]结合本发明的第一方面，在本发明第一方面的第二种实现方式中，所述方法还包括:
[0021]通过随机森林构建异常数据和所述话统数据的关联模型；
[0022]对所述关联模型进行基尼指数分析，得到故障预测结果。
[0023]结合本发明的第一方面、或第一方面的第一种实现方式、或第一方面的第二种实现方式，在本发明第一方面的第三种实现方式中，当进行单指标异常检测时，所述通过所述高斯混合模型计算得到所述话统数据的门限值具体包括:
[0024]通过在所述高斯混合模型中设置的异常门限百分比计算得到所述话统数据的门限范围。
[0025]结合本发明的第一方面、或第一方面的第一种实现方式、或第一方面的第二种实现方式，在本发明第一方面的第四种实现方式中，当进行多指标异常检测时，所述通过所述高斯混合模型计算得到所述话统数据的门限值具体包括:
[0026]计算得到所述话统数据的多个指标之间的马氏距离；
[0027]根据所述马氏距离和在所述高斯混合模型中设置的异常门限百分比计算得到所述话统数据的门限范围。
[0028]结合本发明的第一方面、或第一方面的第一种实现方式、或第一方面的第二种实现方式，在本发明第一方面的第五种实现方式中，所述根据所述话统数据构建高斯混合模型之前还包括:
[0029]对所述话统数据进行预处理与入库；
[0030]对入库后的所述话统数据进行特征提取与分类。
[0031]本发明第二方面提供了一种检测装置，包括:
[0032]第一获取单元，用于获取话统数据；
[0033]第一构建单元，用于根据所述话统数据构建高斯混合模型；
[0034]计算单元，用于通过所述高斯混合模型计算得到所述话统数据的门限值；
[0035]确定单元，用于在测试数据超过所述门限值时，确定所述测试数据为异常数据。
[0036]结合本发明的第二方面，在本发明第二方面的第一种实现方式中，所述装置还包括:
[0037]第二获取单元，用于获取所述话统数据在传输过程中的原始流量信号；
[0038]分解单元，用于对所述原始流量信号进行小波分解，得到低频信号序列和高频信号序列；
[0039]重构单元，用于对所述低频信号序列和高频信号序列进行单支重构；
[0040]预测单元，用于对单支重构后的所述低频信号序列和高频信号序列进行线性马尔科夫链预测；
[0041]叠加单元，用于将线性马尔科夫链预测后的预测结果叠加，得到流量预测结果。
[0042]结合本发明的第二方面，在本发明第二方面的第二种实现方式中，所述装置还包括:
[0043]第二构建单元，用于通过随机森林构建异常数据和所述话统数据的关联模型；
[0044]分析单元，用于对所述关联模型进行基尼指数分析，得到故障预测结果。
[0045]结合本发明的第二方面、或第二方面的第一种实现方式、或第二方面的第二种实现方式，在本发明第二方面的第三种实现方式中，当进行单指标异常检测时，所述计算单元具体用于通过在所述高斯混合模型中设置的异常门限百分比计算得到所述话统数据的门限范围。
[0046]结合本发明的第二方面、或第二方面的第一种实现方式、或第二方面的第二种实现方式，在本发明第二方面的第四种实现方式中，当进行多指标异常检测时，所述计算单元具体包括:
[0047]第一计算模块，用于计算得到所述话统数据的多个指标之间的马氏距离；
[0048]第二计算模块，用于根据所述马氏距离和在所述高斯混合模型中设置的异常门限百分比计算得到所述话统数据的门限范围。
[0049]结合本发明的第二方面、或第二方面的第一种实现方式、或第二方面的第二种实现方式，在本发明第二方面的第五种实现方式中，所述装置还包括:
[0050]预处理单元，用于对所述话统数据进行预处理与入库；
[0051]分类单元，用于对入库后的所述话统数据进行特征提取与分类。
[0052]从以上技术方案可以看出，本发明具有以下优点:获取话统数据；根据所述话统数据构建高斯混合模型；通过所述高斯混合模型计算得到所述话统数据的门限值；当测试数据超过所述门限值时，确定所述测试数据为异常数据；因此，本发明能够根据不同场景、话务、忙闲等情况，动态计算门限值，从而实时给出异常数据提示，提高了检测的灵活性，满足精细化的维护需求。
【附图说明】
[0053]图1为本发明所提供的检测方法的一个实施例流程示意图；
[0054]图2为本发明所提供的检测方法的另一实施例流程示意图；
[0055]图3为本发明所提供的检测方法的另一实施例流程示意图；
[0056]图4为本发明所提供的检测方法的另一实施例流程示意图；
[0057]图5为本发明所提供的检测方法的另一实施例流程示意图；
[0058]图6为本发明所提供的检测方法的另一实施例流程示意图；
[0059]图7为本发明所提供的检测装置的一个实施例结构示意图；
[0060]图8为本发明所提供的检测装置的另一实施例结构示意图；
[0061]图9为本发明所提供的检测装置的另一实施例结构示意图；
[0062]图10为本发明所提供的检测装置的另一实施例结构示意图；
[0063]图11为本发明所提供的检测装置的另一实施例结构示意图；
[0064]图12为本发明所提供的检测装置的另一实施例结构示意图。
【具体实施方式】
[0065]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0066]应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述各个用户或终端，但用户或终端不应限于这些术语。这些术语仅用来将用户或终端彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一用户也可以被称为第二用户，类似地，第二用户也可以被称为第一用户；同样的，第二用户也可以被称为第三用户等等，本发明实施例对此不做限制。
[0067]本发明提供了一种检测方法，本方法主要由检测装置执行；请参阅图1，本发明所提供的检测方法的一个实施例包括:
[0068]101、获取话统数据；
[0069]需要说明的是，本实施例中获取的话统数据主要包括采集UMTS (UniversalMobile Telecommunicat1ns System，通用移动通信系统)的 RNC(Rad1 NetworkController，无线网络控制器)的话统数据。
[0070]102、根据所述话统数据构建高斯混合模型；
[0071]需要说明的是，异常检测算法有基于统计模型、距离、密度、深度、偏移的异常点检测，基于统计的方法在很大程度上依赖于待挖掘的数据集是否满足某种概率分布模型，模型的参数、离群点的数目等。本实施例中采用的是基于统计的高斯混合模型算法，因此，首先需要构建高斯混合模型。
[0072]103、通过所述高斯混合模型计算得到所述话统数据的门限值；
[0073]需要说明的是，基于统计的高斯混合模型算法，假设该话统数据符合高斯分布，SP可通过系统自动计算出指标的上下门限。
[0074]104、当测试数据超过所述门限值时，确定所述测试数据为异常数据。
[0075]需要