一种监控通信网络网元性能指标异常的方法及装置与流程

本发明涉及通信，尤其涉及一种监控通信网络网元性能指标异常的方法及装置。

背景技术：

1、在通信业务快速发展和网络工程大量建设的过程中，通信网络的结构越来越复杂，网元功能划分也越来越细化，同时对网络质量的要求日益增强，因此为了保障网络运行的稳定性和可靠性，能否快速、准确地监控到通信网络网元性能指标发生异常成为运维工作的重中之重。

2、目前，大部分运营商是通过输入某一类型参数和特定功能预测模型的运算，估算出针对某种网元类型指标的趋势值，从而实现对通信网络网元性能指标异常的监控，但现有的监控技术仅限于简单函数的拟合预测，输入参数和预测模型只针对特定业务功能的运算，使得预测模型过于单一，存在业务上的局限性，无法兼容其他业务场景，且输入的参数是静态的参数，运算所得的趋势值也是静态阈值，易误触大量告警，从而导致对通信网络网元性能指标异常监控准确性不足。

技术实现思路

1、本发明所要解决的技术问题是：本发明提供一种监控通信网络网元性能指标异常的方法及装置，提高对通信网络网元性能指标异常监控的准确性与灵活性。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、第一方面，本发明提供一种监控通信网络网元性能指标异常的方法，包括：

4、获取历史采集周期从网元内所采集的各个性能指标的历史数据，将所述历史数据输入训练模型，从算法库调用与当前预测场景适配的算法分别对所述历史数据进行训练，输出若干个待评分预测模型，从若干个所述待评分预测模型中选举出最佳预测模型；

5、通过所述最佳预测模型预测对应的性能指标的指标阈值；

6、获取当前采集周期所采集的第一性能指标的实时数据，根据所述第一性能指标的第一指标阈值对所述实时数据进行异常检测，若所述实时数据在所述第一指标阈值内，则所述实时数据对应的性能指标不存在异常，否则，所述实时数据对应的性能指标存在异常。

7、本发明的有益效果在于，周期性地采集网元内各个性能指标的历史数据，确保输入训练模型的数据属于动态数据，从而保证所计算出的性能指标的指标阈值动态化，提高对性能指标是否异常判断的准确性，降低误告警率，且在对历史数据进行训练时能根据当前预测场景调用与其适配的算法对历史数据进行训练，算法库中算法的多样性打破了业务场景上的局限性，满足多种业务场景的需要，提高灵活性。

8、可选地，所述将所述历史数据输入训练模型，从算法库调用与当前预测场景适配的算法分别对所述历史数据进行训练，输出若干个待评分预测模型，从若干个所述待评分预测模型中选举出最佳预测模型包括：

9、根据第一标签规则对所述历史数据进行第一标签处理，生成带有第一标签的历史数据；

10、根据聚类规则对带有第一标签的所述历史数据进行聚类，生成性能指标集，根据区域聚集性对每一个所述性能指标集进行第二标签处理，生成带有第一标签和第二标签的性能指标集；

11、对于每一个性能指标集，从算法库调用与当前预测场景适配的算法分别对所述性能指标集进行训练，输出若干个待评分预测模型，从若干个所述待评分预测模型中选举出最佳预测模型。

12、根据上述描述可知，对性能指标的历史数据进行训练时，并不是针对单个性能指标进行，而是通过对历史数据进行第一标签处理后再进行聚类处理，形成性能指标集根据区域聚集性对性能指标集进行第二标签处理，形成带有第一标签和第二标签的性能指标集，从而对性能指标集进行训练，降低了训练的计算量和训练模型的冗余度，进而提高训练的效率。

13、可选地，所述获取当前采集周期所采集的第一性能指标的实时数据之后还包括：

14、判断是否存在与所述第一性能指标的第一标签和第二标签均对应的最佳预测模型，若存在，则获取对应的所述最佳预测模型所预测的第一指标阈值，否则获取历史采集周期所采集的第一性能指标的历史数据进行训练、选举和预测，并得到所述第一性能指标的第一指标阈值。

15、根据上述描述可知，可以根据性能指标的第一标签和第二标签判断是否存在与其对应的最佳预测模型，当存在时，直接获取对应最佳预测模型预测的第一指标阈值，避免重复操作，提高预测的效率，否则，对第一性能指标的历史数据进行训练、选举和预测，得到对应的第一指标阈值。

16、可选地，所述从算法库调用与当前预测场景适配的算法分别对所述历史数据进行训练包括：

17、基于所述算法库中的各算法所涉及的参数及预设的各参数范围建立参数矩阵；

18、从算法库调用与当前预测场景适配的算法，根据所述算法从所述参数矩阵中调用对应的参数对所述历史数据进行训练。

19、根据上述描述可知，针对算法库中的各算法涉及的参数和设定的参数范围建立参数矩阵，使得在调用算法对历史数据进行训练时，能快速从参数矩阵中调用对应参数进行训练，提高训练效率。

20、可选地，所述根据第一标签规则对所述历史数据进行第一标签处理之前包括：

21、判断所述历史数据中是否存在空值，若存在，则通过预设的填充规则对所述空值进行填充，得到填充后的历史数据；

22、判断填充后的历史数据中是否存在异常值，若存在异常值，则通过预设的替换规则对所述异常值进行替换，得到无异常的历史数据。

23、根据上述描述可知，在对历史数据进行第一标签处理之前，不仅会对历史数据中的空值进行填充，还会对异常值进行替换，避免空值和异常值影响历史数据的趋势和训练，从而提高训练的准确性。

24、可选地，所述将所述历史数据输入训练模型之前包括：

25、判断所述历史数据是否是符合所述训练模型参数特征的结构化数据，若不符合，则根据所述训练模型参数特征对非结构化数据的历史数据进行解析，并根据预设规则对解析后的历史数据进行规范化处理，得到规范化后的历史数据。

26、根据上述描述可知，输入训练模型进行训练的历史数据是符合训练模型参数特征的结构化数据，对于不符合训练模型参数特征且不是结构化数据的历史数据会对其进行解析和规范化处理，保证训练的有效性。

27、可选地，所述从若干个所述待评分预测模型中选举出最佳预测模型包括：

28、将均方误差、平均绝对误差、平均绝对值百分比误差作为评估指标；

29、基于所述评估指标计算每个所述待评分预测模型的指标得分；

30、计算所述指标得分的平均得分，通过所述平均得分和每个所述待评分预测模型的权重计算所述每个待评分预测模型的综合得分；

31、将所述综合得分最高的待评分预测模型作为最佳预测模型。

32、根据上述描述可知，对于最佳预测模型的选举，不仅是基于多样化的评估指标对待评分预测模型进行评分，且将每个待评分预测模型的权重考虑在内，使得最佳预测模型的选举更加全面精准。

33、可选地，还包括：

34、实时获取所述性能指标集的差错反馈，并对发生所述差错反馈的最佳预测模型进行降权，重新从若干个所述待评分预测模型中选举出新的最佳预测模型；

35、和/或

36、根据预设更新周期对所述训练模型进行更新之后得到新的最佳预测模型；

37、和/或

38、实时获取预设时间内每一个所述性能指标集的差错反馈次数，若所述差错反馈次数超过次数阈值，则对对应的所述性能指标集的训练模型进行更新之后得到新的最佳预测模型。

39、根据上述描述可知，实时获取性能指标集的差错反馈即会根据每次差错反馈对发生差错反馈的最佳预测模型进行降权，从而重新选举新的最佳预测模型，提高预测的准确性，且会根据预设更新周期和/或预设时间内性能指标集的差错反馈次数对训练模型进行更新，从而重新训练选举出新的最佳预测模型，保证最佳预测模型预测结果的准确性与动态性。

40、可选地，所述获取历史采集周期从网元内所采集的各个性能指标的历史数据之前包括：

41、若在所述历史采集周期内，首次从网元内采集各个性能指标的历史数据失败，则重新对各个性能指标的历史数据进行补采，若所述补采的次数超过补采阈值，则将所述历史数据标记为空值。

42、根据上述描述可知，在历史采集周期内，首次采集网元各性能指标的历史数据失败，会给予补采机会，避免特殊情况及偶然事件的发生，提高采集效率。

43、第二方面，本发明提供一种监控通信网络网元性能指标异常的装置，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，所述处理器执行所述计算机程序时实现第一方面所述的一种监控通信网络网元性能指标异常的方法。

44、其中，第二方面所提供的一种监控通信网络网元性能指标异常的装置所对应的技术效果参照第一方面所提供的一种监控通信网络网元性能指标异常的方法的相关描述。