核心网的风险检测方法和装置与流程

1.本发明涉及网络安全技术，尤其涉及一种核心网的风险检测方法和装置。


背景技术：

2.核心网在整个移动运营商网络中占据着举足轻重的地位，一旦故障，会对全网的服务质量造成很大影响。因此，需要快速发现核心网风险，在影响范围扩大之前及时消除故障。
3.核心网的kpi(key performance indicator，简称kpi，关键绩效指标)反映了网络性能和质量，对kpi进行分析挖掘，能够在一定程度上及时发现网络质量劣化风险。
4.但核心网的网元类型多，总体kpi指标多。传统的核心网kpi故障检测方法基于部分指标的固定阈值进行监控，指标覆盖不全面，网络感知度较差，核心网的风险检测准确性较低。


技术实现要素：

5.本发明提供一种核心网的风险检测方法和装置，用以解决核心网的风险检测准确性较低的问题。
6.一方面，本发明提供一种核心网的风险检测方法，包括：
7.获取所述核心网的第一关键绩效指标kpi值，并确定所述第一kpi值的类型；
8.根据所述类型确定所述第一kpi值对应的目标阈值范围；
9.在所述第一kpi值超出所述目标阈值范围的上限值的数值大于第一预设阈值时，输出所述核心网出现故障的提示信息。
10.在一实施例中，所述根据所述类型确定所述第一kpi值对应的目标阈值范围的步骤包括：
11.确定所述类型对应的预设阈值范围，并确定所述第一kpi值对应的网元的状态；
12.在所述状态为繁忙状态时，将所述预设阈值范围的上限值增加第一数值，且将所述预设阈值范围的下限值减小所述第一数值，得到所述目标阈值范围；
13.在所述状态为空闲状态时，将所述预设阈值范围的上限值增加第二数值，且将所述预设阈值范围的下限值减小所述第二数值，得到所述目标阈值范围，其中，所述第二数值大于所述第一数值。
14.在一实施例中，所述确定所述类型对应的预设阈值范围的步骤包括：
15.在目标时间段获取属于所述类型的各个第二kpi值，其中，所述目标时间段的时长大于预设时长；
16.根据各个所述第二kpi值构建所述类型对应的kpi时序数据；
17.根据所述kpi时序数据以及目标模型确定所述类型对应的预设阈值范围。
18.在一实施例中，所述根据所述kpi时序数据以及目标模型确定所述类型对应的预设阈值范围的步骤包括：
19.根据所述kpi时序数据以及目标模型确定候选阈值范围；
20.根据修正值修正所述候选阈值范围，得到所述类型对应的预设阈值范围，其中，所述修正值根据用户对阈值范围的调整参数确定。
21.在一实施例中，所述根据所述kpi时序数据以及目标模型确定候选阈值范围的步骤包括：
22.根据所述kpi时序数据确定kpi是否在数值上呈现周期性；
23.在确定kpi在数值上呈现周期性时，根据所述kpi时序数据构建预测模型，并根据所述预测模型预测所述第二kpi值得到预测值；
24.获取所述第二kpi值对应的实际值，并根据所述实际值与所述预测值之间的差值确定所述类型对应的候选阈值范围。
25.在一实施例中，所述根据所述kpi时序数据确定kpi是否在数值上呈现周期性的步骤之后，还包括：
26.在确定kpi在数值上呈现非周期性时，根据所述kpi时序数据构建概率模型；
27.根据所述概率模型对各个所述第二kpi值进行概率分布的确定得到概率值，并根据所述概率值确定所述类型对应的候选阈值范围。
28.在一实施例中，所述根据所述kpi时序数据确定kpi是否在数值上呈现周期性的步骤包括：
29.确定所述类型是否为预设类型；
30.在所述类型为预设类型时，根据所述kpi时序数据确定kpi是否在数值上呈现周期性。
31.在一实施例中，所述确定所述类型是否为预设类型的步骤之后，还包括：
32.在所述类型不为预设类型时，根据所述kpi时序数据构建异常模型，并根据所述异常模型对各个所述第二kpi值进行异常得分的确定得到各个异常分值；
33.根据各个所述异常分值确定所述类型对应的候选阈值范围。
34.在一实施例中，所述输出所述核心网出现故障的提示信息的步骤包括：
35.确定所述第一kpi值超出所述目标阈值范围的数值大于第一预设阈值的连续次数；
36.在所述连续次数大于预设次数时，输出所述核心网出现渐变类故障的提示信息，并将所述连续次数清零。
37.在一实施例中，在当前获取的第一kpi值与上一次获取的第一kpi值之间的差值大于第二预设阈值，当前获取的第一kpi值超出所述目标阈值范围的数值大于第一预设阈值、且上一次获取的第一kpi值超出所述目标阈值范围的数值大于第一预设阈值，更新所述连续次数。
38.另一方面，本发明还提供一种核心网的风险检测装置，包括：
39.获取模块，用于获取所述核心网的第一关键绩效指标kpi值，并确定所述第一kpi值的类型；
40.确定模块，用于根据所述类型确定所述第一kpi值对应的目标阈值范围；
41.输出模块，用于在所述第一kpi值超出所述目标阈值范围的上限值的数值大于第一预设阈值时，输出所述核心网出现故障的提示信息。
42.另一方面，本发明还提供一种核心网的风险检测设备，包括：存储器和处理器；
43.所述存储器存储计算机执行指令；
44.所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上所述的核心网的风险检测方法。
45.另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上所述的核心网的风险检测方法。
46.另一方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的核心网的风险检测方法。
47.本发明提供的核心网的风险检测方法和装置，获取核心网的kpi值，并确定kpi值所属的类型，从而基于类型获取目标阈值范围，在kpi值超出目标阈值范围的上限值的数值大于预设阈值，即可输出核心网出现故障的提示信息。本发明装置能够通过阈值范围监测阈值范围对应的kpi指标，使得装置可进行所有kpi指标的监测，指标监测覆盖全面；另一方面，相比于通过固定阈值的kpi指标监测方式，装置通过阈值范围监测kpi指标实现了核心网风险的灵活检测，能够更加准确的检测出核心网存在的风险；此外，用于检测风险的阈值范围是kpi指标所属类型所确定，也即装置采用kpi类型的特性所设置阈值范围准确的对核心网进行了风险检测。
附图说明
48.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
49.图1为本发明实现核心网的风险检测方法的系统构架图；
50.图2为本发明核心网的风险检测方法第一实施例的流程示意图；
51.图3为本发明核心网的风险检测方法第二实施例中步骤s20的细化流程示意图；
52.图4为本发明核心网的风险检测方法第三实施例中步骤s21的细化流程示意图；
53.图5为本发明核心网的风险检测方法的简要流程示意图；
54.图6为本发明核心网的风险检测装置的模块示意图；
55.图7为本发明核心网的风险检测装置的结构示意图。
56.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
57.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
58.本发明提供一种核心网的风险检测方法，可以通过图1所示的系统构架图实现。如图1所示，核心网的风险检测装置100与多个网元设备200通信连接，各个网元设备200构成
核心网。核心网的风险检测装置100获取各个网元设备200的kpi值，并通过kpi所属的类型确定目标阈值范围，若是kpi值超出目标阈值范围的数值大于第一预阈值，即可确定核心网出现了渐变类故障，进而输出核心网出现渐变类故障的提示信息。
59.下面以具体地实施例对本发明的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
60.参照图2，图2为本发明核心网的风险检测方法的第一实施例，核心网的风险检测方法包括以下步骤：
61.步骤s10，获取核心网的第一关键绩效指标kpi值，并确定第一kpi值的类型。
62.在本实施例中，执行主体为核心网的风险检测装置。为了便于描述，以下采用装置指代核心网的风险检测装置。
63.核心网由多个网元构成，每个网元对应一个设备，也即网元对应设置网元设备。网元设备会将自身的kpi值实时发送至装置，每个kpi值即可视为核心网的第一kpi值。装置会对各个第一kpi值进行分类，从而确定第一kpi值所在的类型。具体的，装置可以按照核心网的网元类型、网元据图业务的流程对kpi进行分类，然后在按照不同的指标类型进行细分。例如，可以将kpi分为：与接通率/成功率相关的指标组，以及与错误响应码相关的指标组两大类。
64.步骤s20，根据类型确定第一kpi值对应的目标阈值范围。
65.装置中存储有每一类指标组对应的阈值范围，装置在确定第一kpi值所属的类型后，即确定类型对应的阈值范围，以作为第一kpi对应的目标阈值范围。目标阈值范围可以是预设数值与浮动数值构成。例如，预设数值为a，浮动数值为
±
10％，则目标阈值范围为：[0.9a，1.1a]。可以理解的是，可以设置每一类指标组对应的预设数值以及浮动数值，基于预设阈值以及浮动数值即可确定每一类指标组对应的目标阈值范围。
[0066]
步骤s30，在第一kpi值超出目标阈值范围的上限值的数值大于第一预设阈值时，输出核心网出现渐变类故障的提示信息。
[0067]
装置在确定第一kpi值对应的目标阈值范围后，再判断第一kpi值是否位于目标阈值范围。若是第一kpi值超出目标阈值范围的上限值，也即第一kpi值大于上限值，装置在确定第一kpi值超出上限值的数值，若是数值大于第一预设阈值，即可确定核心网出现了故障，装置可输出核心网出现故障的提示信息。第一预设阈值可以通过预设数值确定。例如，目标阈值范围通过预设数值与浮动数值
±
10％生成，第一预设阈值可以是预设数值的+15％。
[0068]
进一步的，在当第一kpi值首次超出目标阈值范围的数值大于第一预设阈值时，则触发对该第一kpi值的持续观察，并将第一kpi值超出目标阈值范围的数值大于第一预设阈值的连续次数更新为1。若是连续次数大于预设次数，即可确定核心网出现了渐变类故障，装置则输出核心网出现渐变类故障的提示信息，并将连续次数清零。预设次数可为任意合适的数值，例如，预设次数为3，若是第一kpi值连续三次超出目标阈值范围，且超出的数值均大于第一预设值，即可确定核心网出现了渐变类故障。此外，连续次数的更新需要遵循预设条件，预设条件为：当前获取的第一kpi值与上一次获取的第一kpi值之间的差值大于第二预设阈值，当前获取的第一kpi值超出目标阈值范围的数值大于第一预设阈值、且上一次
获取的第一kpi值超出目标阈值范围的数值大于第一预设阈值。例如，连续三次得到的第一kpi值均超过目标阈值范围的数值均大于第一预设阈值，且下一个获得的第一kpi值均比上一个得到的第一kpi值劣化10％-20％，也即每次得到的当前第一kpi值与上一次得到的第一kpi值之间的差值与当前第一kpi值的比值大于10％-20％，则判定为渐变类故障，10％-20％为第二预设阈值。
[0069]
在本实施例提供的技术方案中，获取核心网的kpi值，并确定kpi值所属的类型，从而基于类型获取目标阈值范围，在kpi值超出目标阈值范围的上限值的数值大于预设阈值，即可输出核心网出现故障的提示信息。本发明装置能够通过阈值范围监测阈值范围对应的kpi指标，使得装置可进行所有kpi指标的监测，指标监测覆盖全面；另一方面，相比于通过固定阈值的kpi指标监测方式，装置通过阈值范围监测kpi指标实现了核心网风险的灵活检测，能够更加准确的检测出核心网存在的风险；此外，用于检测风险的阈值范围是kpi指标所属类型所确定，也即装置采用kpi类型的特性所设置阈值范围准确的对核心网进行了风险检测。
[0070]
参照图3，图3为本发明核心网的风险检测方法第二实施例，基于第一实施例，步骤s20包括：
[0071]
步骤s21，确定类型对应的预设阈值范围，并确定第一kpi值对应的网元的状态。
[0072]
步骤s22，在状态为繁忙状态时，将预设阈值范围的上限值增加第一数值，且将预设阈值范围的下限值减小第一数值，得到目标阈值范围。
[0073]
步骤s23，在状态为空闲状态时，将预设阈值范围的上限值增加第二数值，且将预设阈值范围的下限值减小第二数值，得到目标阈值范围，其中，第二数值大于第一数值。
[0074]
在本实施例中，装置中存储有kpi值每种类型所对应的预设阈值范围，装置可以灵活的调节预设阈值范围得到目标阈值范围。
[0075]
具体的，装置先确定第一kpi值所在类型对应的预设阈值范围，装置在获取第一kpi对应的网元的状态。网元的状态即为网元设备的状态，状态包括繁忙状态以及空闲状态。网元设备在向装置发送kpi值，会将自身的状态一同发送至装置。状态可以基于网元设备中计算资源的占用率确定，若是计算资源的占用率较大，也即占用率大于预设阈值，网元设备的状态为繁忙状态；若是计算资源的占用率较小，也即占用率小于或等于预设阈值，网元设备的状态为空闲状态。
[0076]
在当状态为繁忙状态，则将预设阈值范围的上限值增加第一数值，且将预设阈值范围的下限值减小第一数值得到目标阈值范围得到目标阈值范围。第一数值可以为浮动值0％-10％与上限值或者下限值的乘积。
[0077]
若状态为空闲状态，则将预设阈值范围的上限值增加第二数值，且将预设阈值范围的下限值减小第二数值得到目标阈值范围。第二数值大于第一数值，第二数值可以为浮动值5％-15％与上限值或者下限值的乘积。
[0078]
在本实施例提供的技术方案中，装置通过第一kpi值对应的网元的状态调整预设阈值范围得到目标阈值范围，可以过滤掉因kpi指标正常抖动或网元的不同时间段业务量差异造成的误差，更加准确的检测了核心网的故障。
[0079]
参照图4，图4为本发明核心网的风险检测方法的第三实施例，基于第二实施例，步骤s21包括：
[0080]
步骤s211，在目标时间段获取属于类型的各个第二kpi值，其中，目标时间段的时长大于预设时长；
[0081]
步骤s212，根据各个第二kpi值构建类型对应的kpi时序数据；
[0082]
步骤s213，根据kpi时序数据以及目标模型确定类型对应的预设阈值范围。
[0083]
在本实施例中，装置在目标时间段内获取属于第一kpi值的类型的各个第二kpi值。
[0084]
装置按照各个第二kpi的采集时间点进行排列，从而构建类型对应的kpi时序数据。具体的，装置需要在排列的各个第二kpi值中剔除异常kpi，异常kpi与自身相邻的两个第二kpi值之间的差值均较大。例如，按照时序排列的各个第二kpi值的正常增大值为a，若是某个第二kpi值与相邻的两个kpi值的差值均大于a，且差值与a的差值大于预设阈值，即可确定该第二kpi值是异常的。此外，装置可以利用统计学方法对排序的各个第二kpi值进行异常值的检测，从而剔除异常的第二kpi，再利用异常的第二kpi所相邻的两个kpi值进行多项式插值方法进行补齐，从而构建kpi时序数据。需要说明的是，目标时间段的时长大于预设时长以保证kpi时序数据的有效性，例如，预设时长可为一周，则目标时间段的时长为一周以上。
[0085]
装置可以通过kpi时序数据以及目标模型即可确定类型对应的预设阈值范围。例如，可以将kpi时序数据输入至目标模型，目标模型输出的数值作为预设阈值范围。
[0086]
在本实施例提供的技术方案中，装置在目标时间段获取相同类型的各个第二kpi值，并根据各个第二kpi值构建类型对应的kpi时序数据，从而根据kpi时序数据以及目标模型准确的确定类型对应的预设阈值范围。
[0087]
在一实施例中，步骤s213包括：
[0088]
根据kpi时序数据以及目标模型确定候选阈值范围；
[0089]
根据修正值修正候选阈值范围，得到类型对应的预设阈值范围，其中，修正值根据用户对阈值范围的调整参数确定。
[0090]
在本实施例中，装置基于kpi时序数据以及目标模型确定候选阈值范围，再通过修正值修正候选阈值范围得到类型对应的预设阈值范围。修正值则通过用户对阈值范围的调制参数确定的。用户可以是具有专家认证标识的用户，也即装置通过运维专家经验对阈值范围进行微调修正，从而准确的确定类型所对应的预设阈值范围。
[0091]
装置在得到kpi时序数据时，会分析kpi时序数据中的各个第二kpi在时序上是否呈现周期性，也即判断kpi指标在数值上呈现周期性。周期性指的是各个第二kpi在时间上周期性增大、减小或者交替增大以及减小。若确定kpi在数值上呈现周期性时，则采用时序分解算法对kpi时序数据进行建模，得到预测模型。也即在各个第二kpi值呈现周期性时，预测模型即为目标模型。装置通过预测模型对第二kpi值进行预测得到预测值，且第二kpi值具有对应的实际值，装置则确定实际值与预测值之间的差值，基于差值采用统计学方法设定相应的偏差上下阈值，即可得到候选阈值范围。
[0092]
若是确定kpi在数值上呈现非周期，则根据kpi时序数据构建概率模型，在采用概率模型对各个第二kpi值进行概率分布的确定，从而得到概率值，最后基于概率值确定类型对应的候选阈值范围，具体采用统计学方法设定概率上限阈值得到候选阈值范围。
[0093]
需要说明的是，装置是基于类型确定候选阈值范围的。装置中设置有预设类型，预
设类型例如为：与接通率/成功率相关的指标组。装置在确定候选阈值范围前，需要确定类型是否为预设类型，也即确定第一kpi值所属类型是否为与接通率/成功率相关的指标组。若类型为预设类型，则根据kpi时序数据确定kpi是否在数值上呈现周期线，进而根据确定结果进行候选阈值范围的确定。
[0094]
若是类型不为预设类型，也即类型为与错误响应码相关的指标组，装置则根据kpi时序数据构建异常模型。装置可以采用无监督异常检测算法对kpi时序数据进行建模得到异常模型。再根据异常模型对各个第二kpi值进行异常得到的确定得到各个异常分值，最后通过各个异常分值确定类型对应的候选阈值范围，也即通过统计学方法对各个异常分值进行统计从而设定上限阈值得到候选阈值范围。
[0095]
本实施例提供的技术方案中，装置基于不同类型的kpi值采用相应的阈值范围设定方法，准确的确定了kpi值对应的目标阈值范围。
[0096]
以下采用具体的例子，对本发明核心网的风险检测方法进行说明。
[0097]
1、针对某地volte核心网，获取volte核心网全量话务统计kpi指标，并按照具体的网元及其对应的业务流程将指标拆分为与主叫流程相关的指标组、与被叫流程相关的指标组及与注册流程相关的指标组，在这些指标组下，再按照指标类型划分为接通率/成功率类指标及错误响应码类指标；
[0098]
2、按照指标特征对步骤1中的每个指标组中的指标进行分类，分为周期性波动指标及非周期性波动指标，之后，将对不同数值类型的指标匹配不同算法；
[0099]
3、获取步骤2中所有volte核心网kpi指标的7天时序数据；
[0100]
4、利用牛顿插值法对各分组下的kpi指标时序数据进行时间戳补齐及缺省值填充；
[0101]
5、利用3-sigma法对各分组下的kpi指标时序数据进行异常值的检测及剔除，剔除掉的异常值利用步骤4中的牛顿插值法进行补齐；
[0102]
6、针对volte各核心网元下与接通率/成功率相关的指标组，若指标在数值上呈现周期性波动，则采用arima模型对该分组内的kpi指标时序数据进行建模，之后，根据模型预测值与实际值之间的偏差，采用3-sigma法设定相应的偏差上下阈值；若指标在数值上呈现非周期性，则采用高斯混合模型对该分组内的kpi指标时序数据进行建模，之后，根据每个数据点在整体分布中的概率值，采用3-sigma方法设定相应的概率上下阈值；
[0103]
7、结合运维专家经验对步骤6中各分组内的kpi指标的阈值进行微调：忙时将指标阈值浮动
±
5％(对下阈值减小5％，对上阈值增大5％)，闲时将指标阈值浮动
±
10％，以确保过滤掉因kpi指标正常抖动或不同时段业务量差异造成的算法误检。故障检测时，若某kpi指标在某时刻发现数值超出其阈值
±
10％-20％，则触发对该指标的持续观测，若后续检测出连续两或三个时间点均表现为异常，且每次较上一时间点劣化
±
10％-20％，则判断为渐变类故障；
[0104]
8、针对各核心网元下与错误响应码相关的指标组，采用孤立森林法对该分组内的kpi指标时序数据进行建模，得到各kpi指标在每个时间点上的异常得分，后采用3-sigma法设定相应的上下阈值；
[0105]
9、结合运维专家经验对步骤8中各分组内的kpi指标的阈值进行微调：忙时将指标阈值浮动
±
5％，闲时将指标阈值浮动
±
10％。故障检测时，若某kpi指标在某时刻发现数值
超出其阈值
±
10％-20％，则触发对该指标的持续观测，若后续检测出连续两或三个时间点均表现为异常，且每次较上一时间点劣化
±
10％-20％，则判断为渐变类故障。
[0106]
上述步骤可以参照图5所示的流程图，也即先收集核心网kpi时序数据；再进行指标分组；对指标分值的kpi数据进行数据预处理；对于不同类型的指标组建立对应的模型，如时序模块(为上文的预测模型)、概率模型以及无监督异常检测模型(为上文的异常模型)，基于模型确定预设阈值范围，再通过专家经验过来进行预设阈值范围的微调修正得到目标阈值范围；再基于目标阈值范围进行kpi值的多周期监控；最后输出结果。
[0107]
本发明还提供一种核心网的风险检测装置，参照图6，核心网的风险检测装置600包括：
[0108]
获取模块601，用于获取核心网的第一关键绩效指标kpi值，并确定第一kpi值的类型；
[0109]
确定模块602，用于根据类型确定第一kpi值对应的目标阈值范围；
[0110]
输出模块603，用于在第一kpi值超出目标阈值范围的上限值的数值大于第一预设阈值时，输出核心网出现故障的提示信息。
[0111]
在一实施例中，核心网的风险检测装置600包括：
[0112]
确定模块602，用于确定类型对应的预设阈值范围，并确定第一kpi值对应的网元的状态；
[0113]
调整模块，用于在状态为繁忙状态时，将预设阈值范围的上限值增加第一数值，且将预设阈值范围的下限值减小第一数值，得到目标阈值范围；
[0114]
调整模块，用于在状态为空闲状态时，将预设阈值范围的上限值增加第二数值，且将预设阈值范围的下限值减小第二数值，得到目标阈值范围，其中，第二数值大于第一数值。
[0115]
在一实施例中，核心网的风险检测装置600包括：
[0116]
获取模块601，用于在目标时间段获取属于类型的各个第二kpi值，其中，目标时间段的时长大于预设时长；
[0117]
构建模块，用于根据各个第二kpi值构建类型对应的kpi时序数据；
[0118]
确定模块602，用于根据kpi时序数据以及目标模型确定类型对应的预设阈值范围。
[0119]
在一实施例中，核心网的风险检测装置600包括：
[0120]
确定模块602，用于根据kpi时序数据以及目标模型确定候选阈值范围；
[0121]
修正模块，用于根据修正值修正候选阈值范围，得到类型对应的预设阈值范围，其中，修正值根据用户对阈值范围的调整参数确定。
[0122]
在一实施例中，核心网的风险检测装置600包括：
[0123]
确定模块602，用于根据kpi时序数据确定第二kpi值是否在数值呈现周期性；
[0124]
构建模块，用于在确定第二kpi值在数值上呈现周期性时，根据kpi时序数据构建预测模型，并根据预测模型预测第二kpi值得到预测值；
[0125]
获取模块601，用于获取第二kpi值对应的实际值，并根据实际值与预测值之间的差值确定类型对应的候选阈值范围。
[0126]
在一实施例中，核心网的风险检测装置600包括：
[0127]
构建模块，用于在确定第二kpi值在数值上呈现非周期性时，根据kpi时序数据构建概率模型；
[0128]
确定模块602，用于根据概率模型对各个第二kpi值进行概率分布的确定得到概率值，并根据概率值确定类型对应的候选阈值范围。
[0129]
在一实施例中，核心网的风险检测装置600包括：
[0130]
确定模块602，用于确定类型是否为预设类型；
[0131]
确定模块602，用于在类型为预设类型时，根据kpi时序数据确定第二kpi值是否在数值呈现周期性。
[0132]
在一实施例中，核心网的风险检测装置600包括：
[0133]
构建模块，用于在类型不为预设类型时，根据kpi时序数据构建异常模型，并根据异常模型对各个第二kpi值进行异常得分的确定得到各个异常分值；
[0134]
确定模块602，用于根据各个异常分值确定类型对应的候选阈值范围。
[0135]
在一实施例中，核心网的风险检测装置600包括：
[0136]
确定模块602，用于确定第一kpi值超出目标阈值范围的数值大于第一预设阈值的连续次数；
[0137]
输出模块603，用于在连续次数大于预设次数时，输出核心网出现渐变类故障的提示信息，并将连续次数清零。
[0138]
图7是根据一示例性实施例示出的一种核心网的风险检测装置的硬件结构图。
[0139]
核心网的风险检测装置700可以包括：处理器701，例如cpu，存储器702以及收发器703。本领域技术人员可以理解，图7中示出的结构并不构成对核心网的风险检测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。存储器1002可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0140]
处理器701可以调用存储器702内存储的计算机程序，以完成上述的核心网的风险检测方法的全部或部分步骤。
[0141]
收发器703用于接收外部设备发送的信息以及向外部设备发送信息。
[0142]
一种非临时性计算机可读存储介质，当该存储介质中的指令由核心网的风险检测装置的处理器执行时，使得核心网的风险检测装置能够执行上述核心网的风险检测方法。
[0143]
一种计算机程序产品，包括计算机程序，当该计算机程序由核心网的风险检测装置的处理器执行时，使得核心网的风险检测装置能够执行上述核心网的风险检测方法。
[0144]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。
[0145]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。