[发明专利]一种基于深度学习的网络告警预测模型建立方法及装置

说明书

本发明提出了一种基于深度学习的网络告警预测模型建立方法及装置，涉及通信技术领域。该方法先获取不同通信网络设备上的样本告警数据集以及通信网络设备之间的拓扑关系，然后对样本告警数据集进行分析，以得到多个告警序列，然后根据告警时间间隔将其分割为多个子告警序列，以保证告警序列之间的时间区别，以减少用于训练网络告警预测模型的数据量，提高预警模型训练的效率。再根据多个子告警序列及拓扑关系训练初始网络告警预测模型，获取训练好的网络告警预测模型，以保证得到的网络告警预测模型能够考虑到各个通信网络设备之间的联系进行预测，提高预测结果的准确性。

技术领域

本发明涉及通信技术领域，具体而言，涉及一种基于深度学习的网络告警预测模型建立方法及装置。

背景技术

随着通信网络技术的不断发展，网络规模的日益壮大，通信网络包含的设备种类和数量随之增加，对于各类网络，若网络设备在运行过程中出现故障，则会产生大量告警和工单，网络维护人员往往疲于应付，效率低下且浪费大量的人力。在此背景下，如何基于告警预测提升故障的事前发现能力，实现故障提前止损，减少人力成本、提升运维效率，已经成为各类网络领域面临的一个普遍性难题。

传统的告警预测技术主要通过聚类的方法对告警进行预测，但聚类预测的方法随着时间的增加，告警量越大，对大量的告警进行聚类分析所消耗的时间较长，从而导致预测的效率大幅降低。此外，通过聚类分析的方法得到的预测结果受告警数据分布情况的影响较大，其预测结果的准确性不高。

发明内容

本发明的目的在于提供一种基于深度学习的网络告警预测模型建立方法及装置，用以改善现有技术中预测效率不高且不准确的问题。

第一方面，本申请实施例提供一种基于深度学习的网络告警预测模型建立方法，方法包括：

获取不同通信网络设备上的样本告警数据集以及通信网络设备之间的拓扑关系；样本告警数据集包括告警设备标识；

根据告警设备标识将样本告警数据集中的告警数据确定多个告警序列；

并根据每个告警序列中的告警时间间隔将其分割为多个子告警序列；

根据多个子告警序列及拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型。

上述实现过程中，获取不同通信网络设备上的样本告警数据集并对其进行分析，以得到多个告警序列，然后根据告警时间间隔将其分割为多个子告警序列，以保证告警序列之间的时间区别，以减少用于训练网络告警预测模型的数据量，提高预警模型训练的效率。同时，还会获取各个通信网络设备之间的拓扑关系，并根据拓扑关系以及告警序列训练初始网络告警预测模型，以保证得到的网络告警预测模型能够考虑到各个通信网络设备之间的联系进行预测，提高预测结果的准确性。

在本发明的一些实施例中，根据多个子告警序列及拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤之后，方法还包括：获取各个通信网络设备上的实时告警信息；将实时告警信息输入至训练好的网络告警预测模型，以得到训练好的网络告警预测模型输出的告警预测信息；其中告警预测信息包括未来预设时间段内的所有告警数据。

上述实现过程中，获取各个通信网络设备上的实时告警信息，然后将该信息输入至训练好的网络告警预测模型中后，网络告警预测模型可以输出对未来某一预设时间段内准确的预测数据，从而保证能够及时的对通信网络中的告警进行预测，进而使得运维人员可以提前做好相应的防范措施，有效降低故障带来的影响，提前止损。

在本发明的一些实施例中，根据多个子告警序列及拓扑关系训练初始网络告警预测模型，以获取训练好的网络告警预测模型的步骤，包括：

将每个通信网络设备分别作为当前采样节点；

根据拓扑关系确定当前采样节点的父节点的告警序列和所有子节点的告警集合；