本申请实施例提供了一种基于云网资源的处理方法、装置、设备及介质，该方法包括：针对用于提供云网资源的实体设备，确定多个可配置项；获取针对实体设备的历史配置记录及其对应的云网资源变更结果，并采用历史配置记录及其对应的云网资源变更结果，对预置的神经网络模型进行训练；其中，历史配置记录至少包括对部分可配置项的配置信息；获取针对实体设备的实时配置记录，并采用训练好的神经网络模型，生成实时配置记录的云网资源变更结果；根据实时配置记录对应的云网资源变更结果，对实体设备的云网资源进行变更，实现了基于神经网络模型的云网资源管理，提升了云网资源管理工作的智能化程度，大大节省了人工成本。大大节省了人工成本。大大节省了人工成本。
【技术实现步骤摘要】
一种基于云网资源的处理方法、装置、设备及介质
[0001]本申请涉及通信领域，具体涉及一种基于云网资源的处理方法、装置、设备及介质。
技术介绍
[0002]在通信领域，云网设备资源数据得到越来越多的实际应用，例如在业务开通、客户资料查询、告警定位、故障处理等方面都不可或缺，而在实际网络维护的多个场景中，都有可能会引起实际云网设备资源变更。
[0003]但由于种种原因，现场维护人员在进行障碍抢修或者执行网络变更操作时，并未同步变更资源，如在障碍处理时资源变更未同步修改，或者在发起资源变更单、网络操作中因工作繁忙疏忽而未同步修改，又或是在网络风险操作割接中未填写资源变更单以完成闭环流转，还有维护人员的流动性太大导致对规范的了解不透彻而认为修改资源耗费太长时间而不作修改。
[0004]以上种种原因导致实际网络操作中设备资源变更未同步至资源系统，这部分未同步变更的云网资源与现场实际的资源数据不一致，以至于在下次应用中不但不能起作用，反而影响正常的功能使用，扰乱正常的系统功能，在业务开通、故障处理时引起混乱，往往使得业务人员和维护人员需要花费大量的时间去核查正确的资源。
[0005]目前，在故障处理、风险操作等场景中，均还处于人工核查或者关键字搜索进行管控检测的水平上，关键字搜索进行管控检测，指的是根据操作中某几个字段进行搜索是否有相关的关键字，再根据关键字判断是否有资源变更的情况，但是少量关键字容易判断错误，且随着时间的推移，关键字易发生变化，所以关键字搜索的判断方法并不稳定，需要巨大的维护成本，且经过长期维护之后，最终还是需要靠人工核查管控去检查资源变更的情况，由此导致耗费巨大的人力，而且随着维护人员使用习惯的变化，系统也需要调整相关的搜索或查询方法，因此，现阶段的云网资源维护工作需要耗费巨大的系统开销和维护成本。
技术实现思路
[0006]鉴于上述问题，提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于云网资源的处理方法、装置、设备及介质。
[0007]为了解决上述问题，本申请实施例公开了一种基于云网资源的处理方法，该方法包括：
[0008]针对用于提供云网资源的实体设备，确定多个可配置项；
[0009]获取针对实体设备的历史配置记录及其对应的云网资源变更结果，并采用历史配置记录及其对应的云网资源变更结果，对预置的神经网络模型进行训练；其中，历史配置记录至少包括对部分可配置项的配置信息；
[0010]获取针对实体设备的实时配置记录，并采用训练好的神经网络模型，生成实时配置记录的云网资源变更结果；
[0011]根据实时配置记录对应的云网资源变更结果，对实体设备的云网资源进行变更。
[0012]可选的，根据实时配置记录对应的云网资源变更结果，对实体设备对应云网资源进行变更包括：
[0013]在实时配置记录对应的云网资源变更结果指示需要变更云网资源的情况下，获取实体设备的云网资源变更信息；
[0014]根据云网资源变更信息，变更实体设备当前的云网资源。
[0015]可选的，根据实时配置记录对应的云网资源变更结果，对实体设备对应云网资源进行变更包括：
[0016]在实时配置记录对应的云网资源变更结果指示无需变更云网资源的情况下，维持实体设备当前的云网资源。
[0017]可选的，在采用历史配置记录及其对应的云网资源变更结果，对预置的神经网络模型进行训练之后，该方法还包括：
[0018]对训练后的神经网络模型进行测试，得到测试结果；
[0019]当测试结果对应的错误率大于预设错误率，则更新历史配置记录及其对应的云网资源变更结果，并采用更新后的历史配置记录及其对应的云网资源变更结果，对神经网络模型进行训练。
[0020]可选的，在对训练后的神经网络模型进行测试，得到测试结果之后，该方法还包括：
[0021]当测试结果对应的错误率小于预设错误率，则停止对神经网络模型进行训练，以防止神经网络模型过度拟合。
[0022]可选的，采用历史配置记录及其对应的云网资源变更结果，对预置的神经网络模型进行训练包括：
[0023]将历史配置记录中的配置信息确定为预置的神经网络模型的输入项，将历史配置记录对应的云网资源变更结果确定为预置的神经网络模型的输出项；
[0024]基于输入项和输出项，对预置的神经网络模型进行训练。
[0025]可选的，配置信息包括如下的一种或多种：
[0026]操作类型、操作名称、操作原因、影响范围。
[0027]本申请实施例还公开了一种基于云网资源的处理装置，该装置包括：
[0028]可配置项确定模块，用于针对用于提供云网资源的实体设备，确定多个可配置项；
[0029]神经网络训练模块，用于获取针对实体设备的历史配置记录及其对应的云网资源变更结果，并采用历史配置记录及其对应的云网资源变更结果，对预置的神经网络模型进行训练；其中，历史配置记录至少包括对部分可配置项的配置信息；
[0030]实时配置判断模块，用于获取针对实体设备的实时配置记录，并采用训练好的神经网络模型，生成实时配置记录的云网资源变更结果；
[0031]云网资源管理模块，用于根据实时配置记录对应的云网资源变更结果，对实体设备的云网资源进行变更。
[0032]本申请实施例还公开了一种电子设备，包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上述的基于云网资源的处理方法。
[0033]本申请实施例还公开了一种非易失性可读存储介质，非易失性可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上述的基于云网资源的处理方法。
[0034]本申请实施例包括以下优点：
[0035]在本申请实施例中，通过针对用于提供云网资源的实体设备，确定多个可配置项，再获取针对实体设备的历史配置记录及其对应的云网资源变更结果，并采用历史配置记录及其对应的云网资源变更结果，对预置的神经网络模型进行训练，其中，历史配置记录至少包括对部分可配置项的配置信息，然后获取针对实体设备的实时配置记录，并采用训练好的神经网络模型，生成实时配置记录的云网资源变更结果，最后根据实时配置记录对应的云网资源变更结果，对实体设备的云网资源进行变更，实现了基于神经网络模型的云网资源管理，提升了云网资源管理工作的智能化程度，从而准确生成实时配置记录对应的云网资源变更结果，大大节省了人工成本。
附图说明
[0036]图1是本申请的一种基于云网资源的处理方法实施例的步骤流程图；
[0037]图2是本申请的一种基于云网资源的处理方法实施例中神经网络模型的结构图；
[0038]图3是本申请的另一种基于云网资源的处理方法实施例的步骤流程图；
[0039]图4是本申请的另一种基于云网资源的处理方法实施例中一种训练好的神经网络模型的测试结果打点图；
[0040]图5是本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于云网资源的处理方法，其特征在于，所述方法包括：针对用于提供云网资源的实体设备，确定多个可配置项；获取针对所述实体设备的历史配置记录及其对应的云网资源变更结果，并采用所述历史配置记录及其对应的云网资源变更结果，对预置的神经网络模型进行训练；其中，所述历史配置记录至少包括对部分可配置项的配置信息；获取针对所述实体设备的实时配置记录，并采用训练好的所述神经网络模型，生成所述实时配置记录的云网资源变更结果；根据所述实时配置记录对应的云网资源变更结果，对所述实体设备的云网资源进行变更。2.根据权利要求1所述的方法，其特征在于，所述根据所述实时配置记录对应的云网资源变更结果，对所述实体设备对应云网资源进行变更包括：在所述实时配置记录对应的云网资源变更结果指示需要变更云网资源的情况下，获取所述实体设备的云网资源变更信息；根据所述云网资源变更信息，变更所述实体设备当前的云网资源。3.根据权利要求1所述的方法，其特征在于，所述根据所述实时配置记录对应的云网资源变更结果，对所述实体设备对应云网资源进行变更包括：在所述实时配置记录对应的云网资源变更结果指示无需变更云网资源的情况下，维持所述实体设备当前的云网资源。4.根据权利要求1所述的方法，其特征在于，在所述采用所述历史配置记录及其对应的云网资源变更结果，对预置的神经网络模型进行训练之后，所述方法还包括：对训练好的所述神经网络模型进行测试，得到测试结果；当所述测试结果对应的错误率大于预设错误率，则更新所述历史配置记录及其对应的云网资源变更结果，并采用更新后的所述历史配置记录及其对应的云网资源变更结果，对所述神经网络模型进行训练。5.根据权利要求4所述的方法，其特征在于，在所述对训练后的所述神经网络模型进行测试，得到测试结果之后，所述方法还包...
【专利技术属性】
技术研发人员：殷春萍，李芸，钱浩，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。