本发明涉及计算机,尤其涉及一种设备异常网络状态的检测方法和装置。
背景技术:
1、在现有技术中,针对设备异常网络状态的检测方案主要为基于专家经验,对重要的网络状态指标独立配置经验阈值,在网络状态指标值超出经验阈值的情况下生成告警,进而实现对设备异常网络状态的检测。
2、在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
3、基于专家经验配置的经验阈值的主观性较大,且仅从单个维度的网络状态指标进行检测,生成的告警数量庞大,无法识别真正的告警信息,设备异常网络状态的检测效率低,检测结果的准确率低。
技术实现思路
1、有鉴于此,本发明实施例提供一种设备异常网络状态的检测方法和装置,通过对多个设备的网络状态监测指标数据进行聚类确定待异常分析设备,并基于设备网络状态异常识别模型进行检测,能够避免经验阈值的主观性较大的问题,可以从多个维度的网络状态指标进行检测,得到真正的告警信息,提高设备异常网络状态的检测效率和检测结果的准确率。
2、为实现上述目的,根据本发明实施例的一个方面,提供了一种设备异常网络状态的检测方法。
3、一种设备异常网络状态的检测方法,包括:响应于设备异常网络状态的检测请求,获取待检测的多个设备的网络状态监测指标数据;对所述多个设备的网络状态监测指标数据进行聚类,并根据聚类结果确定不少于一个待异常分析设备;对于每个所述待异常分析设备,将所述待异常分析设备的网络状态监测指标数据输入至预先生成的设备网络状态异常识别模型中,生成对所述待异常分析设备的异常网络状态的检测结果。
4、可选地,所述根据聚类结果确定不少于一个待异常分析设备,包括:根据聚类结果确定离群的网络状态监测指标数据,并将所述离群的网络状态监测指标数据对应的设备作为所述待异常分析设备。
5、可选地,所述设备网络状态异常识别模型是通过如下方式生成的:获取多个设备数据样本,每个所述设备数据样本包括多个网络状态监测指标,以及每个所述网络状态监测指标在预设时间窗口内的指标值序列样本;对于每个所述设备数据样本,根据每个网络状态监测指标对应的指标值序列样本,标注所述设备数据样本的异常类型;将所述设备数据样本作为输入,以所述设备数据样本的异常类型作为输出进行模型训练,生成所述设备网络状态异常识别模型。
6、可选地,所述设备数据样本是通过如下方式生成的:获取多个设备的历史网络状态检测指标数据,对所述多个设备的历史网络状态检测指标数据进行聚类,根据聚类结果确定离群的历史网络状态检测指标数据,并将所述离群的历史网络状态检测指标数据及对应的设备作为所述设备数据样本。
7、可选地,所述异常网络状态的检测结果包括所述待异常分析设备的异常类型;所述生成对所述待异常分析设备的异常网络状态的检测结果之后,还包括:根据所述待异常分析设备的异常类型,获取对应的异常网络状态检测指标列表,并根据所述异常网络状态检测指标列表对所述待异常分析设备的网络状态进行异常分析。
8、可选地,所述设备网络状态异常识别模型是基于长短期记忆网络和注意力机制构建的。
9、根据本发明实施例的另一方面,提供了一种设备异常网络状态的检测装置。
10、一种设备异常网络状态的检测装置,包括:数据获取模块,用于响应于设备异常网络状态的检测请求,获取待检测的多个设备的网络状态监测指标数据;待异常分析设备确定模块,用于对所述多个设备的网络状态监测指标数据进行聚类,并根据聚类结果确定不少于一个待异常分析设备;检测模块,用于对于每个所述待异常分析设备,将所述待异常分析设备的网络状态监测指标数据输入至预先生成的设备网络状态异常识别模型中,生成对所述待异常分析设备的异常网络状态的检测结果。
11、可选地,所述待异常分析设备确定模块还用于:根据聚类结果确定离群的网络状态监测指标数据,并将所述离群的网络状态监测指标数据对应的设备作为所述待异常分析设备。
12、可选地,还包括设备网络状态异常识别模型生成模块,用于:获取多个设备数据样本,每个所述设备数据样本包括多个网络状态监测指标,以及每个所述网络状态监测指标在预设时间窗口内的指标值序列样本;对于每个所述设备数据样本,根据每个网络状态监测指标对应的指标值序列样本,标注所述设备数据样本的异常类型;将所述设备数据样本作为输入,以所述设备数据样本的异常类型作为输出进行模型训练,生成所述设备网络状态异常识别模型。
13、可选地,所述设备网络状态异常识别模型生成模块还用于:获取多个设备的历史网络状态检测指标数据,对所述多个设备的历史网络状态检测指标数据进行聚类,根据聚类结果确定离群的历史网络状态检测指标数据,并将所述离群的历史网络状态检测指标数据及对应的设备作为所述设备数据样本。
14、可选地,所述异常网络状态的检测结果包括所述待异常分析设备的异常类型;所述检测模块还用于:根据所述待异常分析设备的异常类型,获取对应的异常网络状态检测指标列表,并根据所述异常网络状态检测指标列表对所述待异常分析设备的网络状态进行异常分析。
15、可选地,所述设备网络状态异常识别模型是基于长短期记忆网络和注意力机制构建的。
16、根据本发明实施例的又一方面,提供了一种电子设备。
17、一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现本发明实施例所提供的设备异常网络状态的检测方法。
18、根据本发明实施例的又一方面,提供了一种计算机可读介质。
19、一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例所提供的设备异常网络状态的检测方法。
20、上述发明中的一个实施例具有如下优点或有益效果:通过响应于设备异常网络状态的检测请求,获取待检测的多个设备的网络状态监测指标数据;对多个设备的网络状态监测指标数据进行聚类,并根据聚类结果确定不少于一个待异常分析设备;对于每个待异常分析设备,将待异常分析设备的网络状态监测指标数据输入至预先生成的设备网络状态异常识别模型中,生成对待异常分析设备的异常网络状态的检测结果的技术方案,通过对多个设备的网络状态监测指标数据进行聚类确定待异常分析设备,并基于设备网络状态异常识别模型进行检测,能够避免经验阈值的主观性较大的问题,可以从多个维度的网络状态指标进行检测,得到真正的告警信息,提高设备异常网络状态的检测效率和检测结果的准确率。
21、上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
1.一种设备异常网络状态的检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述根据聚类结果确定不少于一个待异常分析设备,包括:
3.根据权利要求1所述的方法,其特征在于,所述设备网络状态异常识别模型是通过如下方式生成的:
4.根据权利要求3所述的方法,其特征在于,所述设备数据样本是通过如下方式生成的:
5.根据权利要求1所述的方法,其特征在于,所述异常网络状态的检测结果包括所述待异常分析设备的异常类型;
6.根据权利要求1所述的方法,其特征在于,所述设备网络状态异常识别模型是基于长短期记忆网络和注意力机制构建的。
7.一种设备异常网络状态的检测装置,其特征在于,包括:
8.根据权利要求7所述的装置,其特征在于,还包括设备网络状态异常识别模型生成模块,用于:
9.一种电子设备,其特征在于,包括:
10.一种计算机可读介质,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1-6中任一所述的方法。