告警预测方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种告警预测方法、装置、电子设备及存储介质，涉及通信技术领域。该方法包括采集网络设备的告警数据；对所述告警数据进行聚类处理，得到多簇同类告警数据；将每一簇同类告警数据划分为多个时间窗口，并剔除每个时间窗口中相同的告警数据；基于各个时间窗口的告警数据训练告警预测模型，其中，每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据；利用训练得到的告警预测模型完成对告警信息的预测。本公开基于告警数据的特点，通过对现有模型的优化，能够在有限的算量下得到准确的告警数据预测结果。告警数据预测结果。告警数据预测结果。

【技术实现步骤摘要】
告警预测方法、装置、电子设备及存储介质


[0001]本公开涉及通信
，尤其涉及一种告警预测方法、装置、电子设备及存储介质。

技术介绍

[0002]传统波分设备由各个厂家独自管理，告警编码内容等信息定义不同但对于异厂商的设备，告警不同，人员理解不同，具有一定的学习成本，增加了运维难度；基于开放解耦的波分盒式设备，接口模型与告警性能编码属性统一定义。告警信息的一致性为运维人员的理解与处理降低了困难程度。
[0003]统一规范的告警信息一定程度上降低了维护难度，但是波分设备出现故障问题时，会产生大量告警，告警中存在冗余告警、关联告警、大量瞬断告警等，存在以下问题：人为分析与排查耗时耗力，较难满足网络的动态变化需求；关键的严重告警若不及时解决会导致业务中断、难以恢复、较长恢复时间等问题。
[0004]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0005]本公开提供一种告警预测方法、装置、电子设备及存储介质，至少在一定程度上克服由于相关技术中告警数据无法预测，从而使故障无法预防的技术问题。
[0006]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0007]根据本公开的一个方面，提供一种告警预测方法，包括：
[0008]采集网络设备的告警数据；
[0009]对所述告警数据进行聚类处理，得到多簇同类告警数据；r/>[0010]将每一簇同类告警数据划分为多个时间窗口，并剔除每个时间窗口中相同的告警数据；
[0011]基于各个时间窗口的告警数据训练告警预测模型，其中，每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据；
[0012]利用训练得到的告警预测模型完成对告警信息的预测。
[0013]在本公开的一个实施例中，在对所述告警数据进行聚类处理，得到多簇同类告警数据之前，所述方法还包括：
[0014]对所述告警数据进行预处理，去除来自非网络设备的告警数据，并筛选告警数据的属性。
[0015]在本公开的一个实施例中，所述对所述告警数据进行聚类处理，得到多簇同类告警数据，具体包括：
[0016]随机选择每一簇告警数据的聚类中心，并确定聚类属性；
[0017]基于聚类中心属性分别计算每个告警数据到每个聚类中心的距离，并将每个告警数据划分至与其距离最小的聚类中心所在的簇；
[0018]基于划分结果重新确定聚类中心；
[0019]重复执行对告警数据的划分步骤并在每次划分后重新确定聚类中心，直到全部告警数据到各自聚类中心的距离总和达到最小值，从而得到多簇同类告警数据。
[0020]在本公开的一个实施例中，所述基于聚类属性分别计算每个告警数据到每个聚类中心的距离，并将每个告警数据划分至与其距离最小的聚类中心所在的簇，具体包括：
[0021]将告警数据的每个属性到聚类中心的距离依据每个属性的权重相加，从而得到告警数据到聚类中心的距离，其中，每个属性的权重为聚类中心所在的簇中拥有与其相同属性的告警数据数量和全部告警数据的数量的比值，告警数据首次划分时每个属性的权重相同；
[0022]重复以上步骤，直到获得每个告警数据到每个聚类中心的距离；
[0023]将每个告警数据划分至与其距离最小的聚类中心所在的簇。
[0024]在本公开的一个实施例中，所述基于划分结果重新确定聚类中心，具体包括：
[0025]将划分后得到的每一簇告警数据中出现频次最高的告警属性作为新的聚类中心。
[0026]在本公开的一个实施例中，所述将每一簇同类告警数据划分为多个时间窗口，并剔除每个时间窗口中相同的告警数据，具体包括：
[0027]将聚类得到的每一簇同类告警数据按照时间排序，随后划分为多个时间窗口，其中，每个时间窗口覆盖的时间长度相同，相邻的时间窗口之间部分覆盖的时间重叠；
[0028]剔除每个时间窗口中相同的告警数据。
[0029]在本公开的一个实施例中，所述基于各个时间窗口的告警数据训练告警预测模型，具体包括：
[0030]利用预设的长短期记忆LSTM神经网络模型，基于各个时间窗口的告警数据训练告警预测模型。
[0031]根据本公开的另一个方面，提供一种告警预测装置，包括：
[0032]采集模块，用于采集网络设备的告警数据；
[0033]聚类模块，用于对所述告警数据进行聚类处理，得到多簇同类告警数据；
[0034]划分模块，用于将每一簇同类告警数据划分为多个时间窗口，并剔除每个时间窗口中相同的告警数据；
[0035]训练模块，用于基于各个时间窗口的告警数据训练告警预测模型，其中，每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据；
[0036]预测模块，用于利用训练得到的告警预测模型完成对告警信息的预测。
[0037]根据本公开的再一个方面，提供一种电子设备，包括：
[0038]处理器；以及
[0039]存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的告警预测方法。
[0040]根据本公开的又一个方面，提供一种计算机可读存储介质，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上述的告警预测方法。
[0041]本公开的实施例所提供的告警预测方法、装置、电子设备及存储介质，通过采集网络设备的告警数据；对告警数据进行聚类处理，得到多簇同类告警数据；将每一簇同类告警数据划分为多个时间窗口，并剔除每个时间窗口中相同的告警数据；基于各个时间窗口的告警数据训练告警预测模型，其中，每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据；利用训练得到的告警预测模型完成对告警信息的预测。本公开基于告警数据的特点，通过对现有模型的优化，能够在有限的算量下得到准确的告警数据预测结果。
[0042]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0043]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。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]图1示出本公开实施例中一种告警预测方法流程图；
[0045]图2示出本公开实施例中一种LSTM训练过程示意图；
[0046]图3示出本公开实施例中一种告警预测方法的整体流程示意图；
[0047]图4示出本公开实施例中一种告警预测方法的详细流程示意图；
[0048]图5示出本公开实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种告警预测方法，其特征在于，包括：采集网络设备的告警数据；对所述告警数据进行聚类处理，得到多簇同类告警数据；将每一簇同类告警数据划分为多个时间窗口，并剔除每个时间窗口中相同的告警数据；基于各个时间窗口的告警数据训练告警预测模型，其中，每一簇同类告警数据中前后相邻的两个时间窗口的告警数据分别为预测模型的输入数据和输入数据；利用训练得到的告警预测模型完成对告警信息的预测。2.根据权利要求1所述的告警预测方法，其特征在于，在对所述告警数据进行聚类处理，得到多簇同类告警数据之前，所述方法还包括：对所述告警数据进行预处理，去除来自非网络设备的告警数据，并筛选告警数据的属性。3.根据权利要求1所述的告警预测方法，其特征在于，所述对所述告警数据进行聚类处理，得到多簇同类告警数据，具体包括：随机选择每一簇告警数据的聚类中心，并确定聚类属性；基于聚类中心属性分别计算每个告警数据到每个聚类中心的距离，并将每个告警数据划分至与其距离最小的聚类中心所在的簇；基于划分结果重新确定聚类中心；重复执行对告警数据的划分步骤并在每次划分后重新确定聚类中心，直到全部告警数据到各自聚类中心的距离总和达到最小值，从而得到多簇同类告警数据。4.根据权利要求3所述的告警预测方法，其特征在于，所述基于聚类属性分别计算每个告警数据到每个聚类中心的距离，并将每个告警数据划分至与其距离最小的聚类中心所在的簇，具体包括：将告警数据的每个属性到聚类中心的距离依据每个属性的权重相加，从而得到告警数据到聚类中心的距离，其中，每个属性的权重为聚类中心所在的簇中拥有与其相同属性的告警数据数量和全部告警数据的数量的比值，告警数据首次划分时每个属性的权重相同；重复以上步骤，直到获得每个告警数据到每个聚类中心的距离；将每个告警数据划分至与...

【专利技术属性】
技术研发人员：姜筱奕，苏广楠，朱显坤，闫飞，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：