[发明专利]一种网络异常检测方法、装置、电子设备和存储介质

说明书

本说明书一个或多个实施例提供一种网络异常检测方法、装置、电子设备和存储介质；所述方法包括：获取一组网络指标，包括：时延，抖动和丢包率；计算所述网络指标间的相关性，得到关联指标数据集；将所述关联指标数据集输入预先训练的传输质量预测模型，得到传输质量预测值；所述传输质量预测模型由历史关联指标数据集训练得到；将所述传输质量预测值输入预先训练的异常标注模型，得到异常数据，所述异常数据用于对网络进行管理；所述异常标注模型由异常样本集训练得到；所述异常样本集由密度聚类算法对所述历史关联指标数据集进行异常标注后得到。

技术领域

本说明书一个或多个实施例涉及人工智能技术领域，尤其涉及一种网络异常检测方法、装置、电子设备和存储介质。

背景技术

随着信息技术飞速发展，网络规模日益增大，网络异常发生的几率也大大增高。为确保网络正常运行，网络异常检测在实际的网络管理中具有很重要的意义。

在众多在线网络异常检测方法中，基于预测的异常检测方法在实时性、速度方面更优，但其对异常的判别方法通常是仅通过比较实际值和预测值，在网络指标关系复杂、带异常标注数据少的情况下网络异常检测准确率低。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种网络异常检测方法、装置、电子设备和存储介质，以解决在网络指标关系复杂、带异常标注数据少的情况下网络异常检测准确率低的问题。

基于上述目的，本说明书一个或多个实施例提供了一种网络异常检测方法，包括：

获取一组网络指标，包括：时延，抖动和丢包率；

计算所述网络指标间的相关性，得到关联指标数据集；

将所述关联指标数据集输入预先训练的传输质量预测模型，得到传输质量预测值；所述传输质量预测模型由历史关联指标数据集训练得到；

将所述传输质量预测值输入预先训练的异常标注模型，得到异常数据，所述异常数据用于对网络进行管理；所述异常标注模型由异常样本集训练得到；所述异常样本集由密度聚类算法对所述历史关联指标数据集进行异常标注后得到。

在一些实施方式中，所述计算所述网络指标间的相关性，得到关联指标数据集，具体包括：

首先，将所述网络指标根据所述时延进行升序排序，排序后的位置表示为秩次r_t，根据所述抖动进行升序排序，排序后的位置表示为秩次r_j，根据如下公式计算等级差R：

然后，根据所述等级差R和如下公式，计算相关性ρ：

其中，K表示所述网络指标的维度；

最后，根据所述相关性ρ得到与提前设定的指标数据集强相关的关联指标数据集。

在一些实施方式中，所述传输质量预测模型分为两层，每一层都接受四十九个输入数据作为特征，得到一个输出特征，再通过一个线性层输出回归到具体数值。

在一些实施方式中，所述密度聚类算法，具体包括：

使用欧几里得距离来测量关联指标数据之间的距离，具体计算公式如下

其中，S′为所述关联指标数据集，s_i∈S′，s_j∈S′，d_i,j即表示关联指标数据s_i和关联指标数据s_j之间的距离，s_i,k是s_i的第k维，s_j,k是s_j的第k维。

在一些实施方式中，所述密度聚类算法，还包括：