網(wǎng)元異常行為自動(dòng)檢測方法及裝置的制造方法
【專利摘要】本發(fā)明實(shí)施例提供一種網(wǎng)元異常行為自動(dòng)檢測方法及裝置。該方法包括：獲取通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)對應(yīng)的歷史數(shù)據(jù)集；對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚類處理獲得特征模式庫，對特征模式庫進(jìn)行分類處理獲得特征分類模型；依據(jù)所述多維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值；依據(jù)所述特征分類模型判別所述多維預(yù)測值所屬的預(yù)測特征模式，判別下一時(shí)刻關(guān)鍵性能指標(biāo)對應(yīng)的多維觀測值所屬的觀測特征模式；比較預(yù)測特征模式和觀測特征模式判斷網(wǎng)元行為是否異常。本發(fā)明實(shí)施例實(shí)現(xiàn)了對網(wǎng)元異常行為自動(dòng)進(jìn)行有效檢測。
【專利說明】
網(wǎng)元異常行為自動(dòng)檢測方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明實(shí)施例設(shè)及通信技術(shù)領(lǐng)域，尤其設(shè)及一種網(wǎng)元異常行為自動(dòng)檢測方法及裝 置。
【背景技術(shù)】
[0002] 隨著移動(dòng)通信技術(shù)的發(fā)展，移動(dòng)通信網(wǎng)絡(luò)的結(jié)構(gòu)越來越復(fù)雜，移動(dòng)通信網(wǎng)絡(luò)中網(wǎng) 元數(shù)目不斷增加，網(wǎng)元的多態(tài)性不斷增加。
[0003] 如果網(wǎng)元發(fā)生異常需要對網(wǎng)元進(jìn)行診斷或維修，因此，需要時(shí)刻檢測網(wǎng)元行為，W 及時(shí)發(fā)現(xiàn)網(wǎng)元異常行為，同時(shí)減少人工網(wǎng)絡(luò)異常監(jiān)控的工作量。但是，現(xiàn)有技術(shù)中缺少對網(wǎng) 元異常行為進(jìn)行自動(dòng)有效檢測的方法。
【發(fā)明內(nèi)容】
[0004] 本發(fā)明實(shí)施例提供一種網(wǎng)元異常行為自動(dòng)檢測方法及裝置，W對網(wǎng)元的異常行為 進(jìn)行有效檢測。
[0005] 本發(fā)明實(shí)施例的一個(gè)方面是提供一種網(wǎng)元異常行為自動(dòng)檢測方法，包括：
[0006] 獲取通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)對應(yīng)的歷史數(shù)據(jù)集，所述歷史數(shù)據(jù)集包括多維歷史 數(shù)據(jù)集和一維歷史數(shù)據(jù)集；
[0007] 對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚 類處理獲得特征模式庫，對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)所述分類結(jié) 果和所述特征模式庫構(gòu)建分類模型獲得特征分類模型；
[000引依據(jù)所述多維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值，依 據(jù)所述一維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維預(yù)測值；
[0009] 依據(jù)所述特征分類模型判別所述多維預(yù)測值所屬的預(yù)測特征模式，W及依據(jù)所述 特征分類模型判別下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維觀測值所屬的觀測特征模式；
[0010] 比較所述預(yù)測特征模式和所述觀測特征模式獲得第一比較結(jié)果，比較所述一維預(yù) 測值和下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維觀測值獲得第二比較結(jié)果，依據(jù)所述第一比 較結(jié)果和所述第二比較結(jié)果判斷網(wǎng)元行為是否異常。
[0011] 本發(fā)明實(shí)施例的另一個(gè)方面是提供一種網(wǎng)元異常行為自動(dòng)檢測裝置，包括：
[0012] 獲取模塊，用于獲取通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)對應(yīng)的歷史數(shù)據(jù)集，所述歷史數(shù)據(jù) 集包括多維歷史數(shù)據(jù)集和一維歷史數(shù)據(jù)集；
[0013] 處理模塊，用于對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史 數(shù)據(jù)集進(jìn)行聚類處理獲得特征模式庫，對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依 據(jù)所述分類結(jié)果和所述特征模式庫構(gòu)建分類模型獲得特征分類模型；
[0014] 預(yù)測模塊，用于依據(jù)所述多維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的 多維預(yù)測值，依據(jù)所述一維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維預(yù)測 值；
[0015] 判別模塊，用于依據(jù)所述特征分類模型判別所述多維預(yù)測值所屬的預(yù)測特征模 式，W及依據(jù)所述特征分類模型判別下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維觀測值所屬的 觀測特征模式；
[0016] 比較判斷模塊，用于比較所述預(yù)測特征模式和所述觀測特征模式獲得第一比較結(jié) 果，比較所述一維預(yù)測值和下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維觀測值獲得第二比較結(jié) 果，依據(jù)所述第一比較結(jié)果和所述第二比較結(jié)果判斷網(wǎng)元行為是否異常。
[0017] 本發(fā)明實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測方法及裝置，通過對通信網(wǎng)絡(luò)的關(guān)鍵 性能指標(biāo)的多維歷史數(shù)據(jù)集進(jìn)行聚類處理獲得特征模式庫，并對特征模式庫進(jìn)行分類處理 獲得分類結(jié)果，依據(jù)分類結(jié)果和特征模式庫構(gòu)建分類模型獲得特征分類模型，另外，對多維 歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得多維預(yù)測值，對關(guān)鍵性能指標(biāo)的一維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得一 維預(yù)測值，通過判別比較預(yù)測值和觀測值分析網(wǎng)元行為是否異常，實(shí)現(xiàn)了對網(wǎng)元異常行為 進(jìn)行有效檢測。
【附圖說明】
[0018] 圖1為本發(fā)明實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測方法流程圖；
[0019] 圖2為本發(fā)明另一實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測方法流程圖；
[0020] 圖3為本發(fā)明實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測方法流程圖；
[0021 ]圖4為本發(fā)明實(shí)施例提供的特征模式庫的結(jié)構(gòu)圖；
[0022] 圖5為本發(fā)明實(shí)施例提供的特征模式庫的結(jié)構(gòu)圖；
[0023] 圖6為本發(fā)明實(shí)施例提供的網(wǎng)元?dú)v史性能數(shù)據(jù)按網(wǎng)元進(jìn)行降維后的數(shù)據(jù)集合示意 圖；
[0024] 圖7為本發(fā)明實(shí)施例提供的網(wǎng)元的建模結(jié)果示意圖；
[0025] 圖8為本發(fā)明實(shí)施例提供的預(yù)測值的示意圖；
[0026] 圖9為本發(fā)明實(shí)施例提供的模式識(shí)別的結(jié)果示意圖；
[0027] 圖10為本發(fā)明實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測裝置的結(jié)構(gòu)圖；
[0028] 圖11為本發(fā)明另一實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測裝置的結(jié)構(gòu)圖。
【具體實(shí)施方式】
[0029] 圖1為本發(fā)明實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測方法流程圖。本發(fā)明實(shí)施例針 對現(xiàn)有技術(shù)中缺少對網(wǎng)元異常行為進(jìn)行有效檢測的方法，提供了網(wǎng)元異常行為自動(dòng)檢測方 法，該方法具體步驟如下：
[0030] 步驟S101、獲取通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)對應(yīng)的歷史數(shù)據(jù)集，所述歷史數(shù)據(jù)集包 括多維歷史數(shù)據(jù)集和一維歷史數(shù)據(jù)集；
[0031 ] 獲取通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)化巧Performance Indicator,簡稱KPI)對應(yīng)的歷 史數(shù)據(jù)集，該關(guān)鍵性能指標(biāo)包括多維歷史數(shù)據(jù)集和一維歷史數(shù)據(jù)集，依據(jù)KPI歷史數(shù)據(jù)集中 每個(gè)歷史數(shù)據(jù)的維度確定出該歷史數(shù)據(jù)集中的多維歷史數(shù)據(jù)集和一維歷史數(shù)據(jù)集。
[0032] 例如，信道質(zhì)量指示(化annel如ality Indicator,簡稱CQI)為多維歷史數(shù)據(jù)，該 歷史數(shù)據(jù)集可W為720小時(shí)內(nèi)CQI的統(tǒng)計(jì)數(shù)據(jù)。
[0033] 步驟S102、對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù) 集進(jìn)行聚類處理獲得特征模式庫，對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)所 述分類結(jié)果和所述特征模式庫構(gòu)建分類模型獲得特征分類模型；
[0034] 所述對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn) 行聚類處理獲得特征模式庫，包括:采用多個(gè)聚類算法分別對所述多維歷史數(shù)據(jù)集或由多 個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚類處理，并計(jì)算每個(gè)聚類算法的有效性指 標(biāo);依據(jù)有效性指標(biāo)最高的聚類算法對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成 的多維歷史數(shù)據(jù)集進(jìn)行聚類處理獲得特征模式庫，所述特征模式庫用于指示所述多維歷史 數(shù)據(jù)集中每個(gè)多維歷史數(shù)據(jù)所屬的聚類，W及每個(gè)聚類的聚類中屯、。
[0035] 在本發(fā)明實(shí)施例中，具體采用多個(gè)聚類算法和預(yù)定的聚類數(shù)目分別對所述多維歷 史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚類處理，并計(jì)算依據(jù)每種 聚類算法、每個(gè)目標(biāo)聚類數(shù)目對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維 歷史數(shù)據(jù)集進(jìn)行聚類處理的有效性指標(biāo)，通過有效性指標(biāo)比較可獲得有效性指標(biāo)最高的聚 類算法和目標(biāo)聚類數(shù)目，依據(jù)有效性指標(biāo)最高的聚類算法和目標(biāo)聚類數(shù)目對所述多維歷史 數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚類處理獲得特征模式庫，所 述特征模式庫用于指示所述多維歷史數(shù)據(jù)集中每個(gè)多維歷史數(shù)據(jù)所屬的聚類，W及每個(gè)聚 類的聚類中屯、。例如，多維歷史數(shù)據(jù)集為10個(gè)數(shù)組，該10個(gè)數(shù)組標(biāo)記為數(shù)組1-10,每個(gè)數(shù)組 為16維數(shù)據(jù)，采用本步驟的方法將該10個(gè)數(shù)組分成3個(gè)聚類:聚類1、聚類2和聚類3,其中，聚 類1包括數(shù)組1-3，聚類2包括數(shù)組4-6，聚類3包括數(shù)組7-10。
[0036] 所述對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)所述分類結(jié)果和所述特 征模式庫構(gòu)建分類模型獲得特征分類模型，包括:采用多個(gè)分類算法分別對所述特征模式 庫進(jìn)行分類處理獲得分類結(jié)果，所述分類結(jié)果包括多個(gè)分類，W及每個(gè)分類包括的多維歷 史數(shù)據(jù);依據(jù)每個(gè)多維歷史數(shù)據(jù)所屬的聚類和分類計(jì)算所述分類算法的精準(zhǔn)性;選擇精準(zhǔn) 性最高的分類算法構(gòu)建分類模型獲得所述特征分類模型。
[0037] 另外，采用多個(gè)分類算法分別對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，所 述分類結(jié)果包括多個(gè)分類，W及每個(gè)分類包括的多維歷史數(shù)據(jù);依據(jù)每個(gè)多維歷史數(shù)據(jù)所 屬的聚類和分類計(jì)算所述分類算法的精準(zhǔn)性;例如，多個(gè)分類算法包括分類算法A、分類算 法B和分類算法C，采用分類算法A將所述多維歷史數(shù)據(jù)集例如上述的10個(gè)數(shù)組分為3個(gè)分 類，具體為分類1、分類2和分類3,分類1包括數(shù)組1-3,分類2包括數(shù)組4-6,分類3包括數(shù)組7- 10。
[0038] 同理，采用分類算法B將所述多維歷史數(shù)據(jù)集例如上述的10個(gè)數(shù)組分為3個(gè)分類， 具體為分類1、分類2和分類3,分類1包括數(shù)組2-4,分類2包括數(shù)組5-7,分類3包括數(shù)組1、8- 10。
[0039] 同理，采用分類算法C將所述多維歷史數(shù)據(jù)集例如上述的10個(gè)數(shù)組分為3個(gè)分類， 具體為分類1、分類2和分類3,分類1包括數(shù)組1-2,分類2包括數(shù)組3-6,分類3包括數(shù)組7-10。
[0040] 依據(jù)該分類1、分類2和分類3, W及每個(gè)分類包括的數(shù)組，可判斷分類算法A對應(yīng)的 分類結(jié)果與前述聚類結(jié)果一致，則說明分類算法A的精準(zhǔn)性最高。選用分類算法A構(gòu)建分類 模型獲得所述特征分類模型。
[0041] 步驟S103、依據(jù)所述多維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維 預(yù)測值，依據(jù)所述一維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維預(yù)測值；
[0042] 具體地，依據(jù)時(shí)間序列模型對所述多維歷史數(shù)據(jù)集進(jìn)行建模預(yù)測下一時(shí)刻所述關(guān) 鍵性能指標(biāo)對應(yīng)的多維預(yù)測值，依據(jù)時(shí)間序列模型對所述一維歷史數(shù)據(jù)集進(jìn)行建模預(yù)測下 一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維預(yù)測值，具體預(yù)測過程將在下面實(shí)施中進(jìn)行介紹。
[0043] 步驟S104、依據(jù)所述特征分類模型判別所述多維預(yù)測值所屬的預(yù)測特征模式，W 及依據(jù)所述特征分類模型判別下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維觀測值所屬的觀測 特征模式；
[0044] 通過步驟S102獲得的特征分類模型對步驟S103預(yù)測出的所述多維預(yù)測值進(jìn)行判 另IJ，具體判別所述多維預(yù)測值所屬的預(yù)測特征模式，另外，下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng) 的值可通過觀測技術(shù)獲取到實(shí)際的多維觀測值，通過步驟S102獲得的特征分類模型對該實(shí) 際的多維觀測值進(jìn)行判別，具體判別該實(shí)際的多維觀測值所屬的觀測特征模式。
[0045] 步驟S105、比較所述預(yù)測特征模式和所述觀測特征模式獲得第一比較結(jié)果，比較 所述一維預(yù)測值和下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維觀測值獲得第二比較結(jié)果，依據(jù) 所述第一比較結(jié)果和所述第二比較結(jié)果判斷網(wǎng)元行為是否異常。
[0046] 若所述預(yù)測特征模式和所述觀測特征模式一致，則標(biāo)記所述第一比較結(jié)果為正 常;若所述預(yù)測特征模式和所述觀測特征模式不一致，則標(biāo)記所述第一比較結(jié)果為異常。
[0047] 判斷所述一維觀測值是否在置信區(qū)間內(nèi)，若在，則標(biāo)記所述第二比較結(jié)果為正常； 若不在，則標(biāo)記所述第二比較結(jié)果為異常。
[0048] 若所述第一比較結(jié)果和所述第二比較結(jié)果中有一個(gè)比較結(jié)果為異常，則判斷網(wǎng)元 行為異常;若所述第一比較結(jié)果和所述第二比較結(jié)果均為正常，則判斷網(wǎng)元行為正常。
[0049] 本發(fā)明實(shí)施例通過對通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)的多維歷史數(shù)據(jù)集進(jìn)行聚類處理 獲得特征模式庫，并對特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)分類結(jié)果和特征模式 庫構(gòu)建分類模型獲得特征分類模型，另外，對多維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得多維預(yù)測值，對 關(guān)鍵性能指標(biāo)的一維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得一維預(yù)測值，通過判別比較預(yù)測值和觀測值 分析網(wǎng)元行為是否異常，實(shí)現(xiàn)了對網(wǎng)元異常行為進(jìn)行有效檢測。
[0050] 圖2為本發(fā)明另一實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測方法流程圖。本發(fā)明實(shí)施 例具體解釋依據(jù)所述多維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值 的方法，該方法具體步驟如下：
[0051] 步驟S201、依據(jù)維度將所述多維歷史數(shù)據(jù)集進(jìn)行分割獲得多個(gè)一維歷史數(shù)據(jù)集；
[0052] 例如歷史數(shù)據(jù)集夫
該歷史數(shù)據(jù)集為6行5列的數(shù)組，按照維 度即列將該歷史數(shù)據(jù)集分割為5列，每一列作為一個(gè)一維歷史數(shù)據(jù)集，分割后的5個(gè)一維歷 史數(shù)據(jù)集分別呆
[0053] 步驟S202、按照時(shí)間先后順序?qū)γ總€(gè)一維歷史數(shù)據(jù)集中的多個(gè)一維歷史數(shù)據(jù)進(jìn)行 排序獲得一維時(shí)間序列；
[0054] 優(yōu)選的，該5個(gè)一維歷史數(shù)據(jù)集均已按照時(shí)間先后順序進(jìn)行排序，從上到下的順序 即為時(shí)間的先后順序。
[0055] 步驟S203、采用多個(gè)時(shí)間序列模型分別對所述一維時(shí)間序列建模并計(jì)算擬合度；
[0056] 對于5個(gè)一維歷史數(shù)據(jù)集中的每一個(gè)一維歷史數(shù)據(jù)集均采用多個(gè)時(shí)間序列模型進(jìn) 行建模并計(jì)算擬合度，例如，多個(gè)時(shí)間序列模型包括時(shí)間序列模型a、時(shí)間序列模型b、時(shí)間 序列模型c，W-維歷史數(shù)據(jù)I
%例，分別采用時(shí)間序列模型a、時(shí)間序列模型b、時(shí)間序 列模型C對一維歷史數(shù)據(jù)實(shí)
進(jìn)行建模，并計(jì)算每一個(gè)時(shí)間序列模型的擬合度，假設(shè)時(shí)間 序列模型a的擬合度最高。
[0057] 步驟S204、采用擬合度最高的時(shí)間序列模型預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)在所 述維度對應(yīng)的預(yù)測值；
[0化引采用時(shí)間序列模型a對一維歷史數(shù)據(jù)實(shí)
里行建模并預(yù)測該一維歷史數(shù)據(jù)集的 下一個(gè)元素值即61之后的值，假設(shè)預(yù)測出的值為71;同理，預(yù)測出
的下一個(gè)元素值為
的下一個(gè)元素值為75。
[0059] 步驟S205、合并所述關(guān)鍵性能指標(biāo)在各個(gè)維度對應(yīng)的預(yù)測值構(gòu)成所述關(guān)鍵性能指 標(biāo)對應(yīng)的多維預(yù)測值。
[0060] 將上述步驟預(yù)測出的每個(gè)一維歷史數(shù)據(jù)集的下一個(gè)元素值合并為一組5維數(shù)據(jù)即 [71 72 73 74 7引作為下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值。
[0061] 本發(fā)明實(shí)施例通過將多維歷史數(shù)據(jù)集分割為多個(gè)一維歷史數(shù)據(jù)集，采用多個(gè)時(shí)間 序列模型分別對每個(gè)一維時(shí)間序列建模并計(jì)算擬合度，采用擬合度最高的時(shí)間序列模型預(yù) 測下一時(shí)刻關(guān)鍵性能指標(biāo)在所述維度對應(yīng)的預(yù)測值，合并關(guān)鍵性能指標(biāo)在各個(gè)維度對應(yīng)的 預(yù)測值構(gòu)成所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值，提供了對多維數(shù)據(jù)的有效預(yù)測方法。
[0062] 圖3為本發(fā)明實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測方法流程圖。該方法具體步驟 如下：
[0063] 步驟S301、獲取關(guān)鍵性能指標(biāo)對應(yīng)的歷史數(shù)據(jù)集；
[0064] 步驟S302、對歷史數(shù)據(jù)集進(jìn)行分割獲得多維歷史數(shù)據(jù)集和一維歷史數(shù)據(jù)集；
[0065] 步驟S303、對多維歷史數(shù)據(jù)集進(jìn)行聚類處理和分類處理獲得特征分類模型；
[0066] 步驟S304、對于多維歷史數(shù)據(jù)集，依據(jù)時(shí)間序列模型預(yù)測下一時(shí)刻關(guān)鍵性能指標(biāo) 對應(yīng)的多維預(yù)測值；
[0067] 步驟S305、對于一維歷史數(shù)據(jù)集，依據(jù)時(shí)間序列模型預(yù)測下一時(shí)刻關(guān)鍵性能指標(biāo) 對應(yīng)的一維預(yù)測值；
[0068] 步驟S306、獲取關(guān)鍵性能指標(biāo)對應(yīng)的觀測值；
[0069] 步驟S307、對觀測數(shù)據(jù)集進(jìn)行分割獲得多維觀測值和一維觀測值；
[0070] 步驟S308、依據(jù)特征分類模型判別多維預(yù)測值所屬的預(yù)測特征模式，判別多維觀 測值所屬的觀測特征模式；
[0071] 步驟S309、依據(jù)一維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻關(guān)鍵性能指標(biāo)對應(yīng)的一維預(yù)測值；
[0072] 步驟S310、比較預(yù)測特征模式和觀測特征模式獲得第一比較結(jié)果；
[0073] 步驟S311、比較一維預(yù)測值和一維觀測值獲得第二比較結(jié)果；
[0074] 步驟S312、依據(jù)第一比較結(jié)果和第二比較結(jié)果判斷網(wǎng)元行為是否異常。
[0075] 本發(fā)明實(shí)施例所述的方法與上述實(shí)施例一致，此處不再寶述。
[0076] 本發(fā)明實(shí)施例通過對通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)的多維歷史數(shù)據(jù)集進(jìn)行聚類處理 獲得特征模式庫，并對特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)分類結(jié)果和特征模式 庫構(gòu)建分類模型獲得特征分類模型，另外，對多維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得多維預(yù)測值，對 關(guān)鍵性能指標(biāo)的一維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得一維預(yù)測值，通過判別比較預(yù)測值和觀測值 分析網(wǎng)元行為是否異常，實(shí)現(xiàn)了對網(wǎng)元異常行為進(jìn)行有效檢測。
[0077] 為了清除說明上述實(shí)施例的方法，本發(fā)明實(shí)施例W某一實(shí)際運(yùn)營的長期演進(jìn)技術(shù) 化ong Term Evolution,簡稱LTE)移動(dòng)通信網(wǎng)為例，網(wǎng)元選取LTE基站小區(qū)，KPI選取基站小 區(qū)每小時(shí)的無線信道指示(CQI)，CQI屬于多維KPI，由16維數(shù)組構(gòu)成反映無線網(wǎng)絡(luò)質(zhì)量。本 例中采用連續(xù)720小時(shí)KPI數(shù)據(jù)作為歷史數(shù)據(jù)集，對該歷史數(shù)據(jù)集的處理過程具體如下：
[0078] 1)建立特征模式庫
[0079] 首先判定采樣點(diǎn)總數(shù)為零的樣本為網(wǎng)元喪失服務(wù)能力，剔除運(yùn)部分?jǐn)?shù)據(jù)后，再根 據(jù)每個(gè)樣本的采樣點(diǎn)總數(shù)使用兩步聚類算法將歷史網(wǎng)元行為數(shù)據(jù)分為兩類:分區(qū)1和分區(qū) 2,分區(qū)1的總采樣點(diǎn)數(shù)量較分區(qū)2要少。接著對分區(qū)1和分區(qū)2分別進(jìn)行K均值聚類，分別得到 5類共10類特征模式，形成特征模式庫，該特征模式庫用于指示所述多維歷史數(shù)據(jù)集中每個(gè) 多維歷史數(shù)據(jù)所屬的聚類，W及每個(gè)聚類的聚類中屯、，具體的，每個(gè)聚類的聚類中屯、如圖4 所示，多維歷史數(shù)據(jù)集中每個(gè)多維歷史數(shù)據(jù)所屬的聚類的對應(yīng)關(guān)系如圖5所示。
[0080] 2)時(shí)間序列預(yù)測
[0081] 將1個(gè)月30天共720小時(shí)的歷史網(wǎng)元行為數(shù)據(jù)按網(wǎng)元進(jìn)行降維，WCQI-0為例，CQI- 0的數(shù)據(jù)集合如圖6所示。
[0082] 使用降維后單維數(shù)據(jù)對每個(gè)網(wǎng)元進(jìn)行時(shí)間序列建模和預(yù)測，網(wǎng)元的建模結(jié)果示例 如圖7所示。
[0083] 再將各維預(yù)測值合并后得到網(wǎng)元行為預(yù)測，合并后的預(yù)測值如圖8所示。
[0084] 3)模式識(shí)別
[0085] 將預(yù)測和觀測得到的統(tǒng)計(jì)數(shù)據(jù)在模式識(shí)別模塊進(jìn)行分類。通過計(jì)算分類算法的整 體精準(zhǔn)性選擇C&R決策樹做為分區(qū)判別算法，采用Logistic回歸模型做為特征模式判別算 法，得到的結(jié)果如圖9所示。
[0086] 4)異常檢測
[0087] 檢測結(jié)果如表1所示：
[0088] 表 1
[0089]
[0090] 本發(fā)明實(shí)施例所述的方法與上述實(shí)施例一致，此處不再寶述。
[0091] 本發(fā)明實(shí)施例通過對通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)的多維歷史數(shù)據(jù)集進(jìn)行聚類處理 獲得特征模式庫，并對特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)分類結(jié)果和特征模式 庫構(gòu)建分類模型獲得特征分類模型，另外，對多維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得多維預(yù)測值，對 關(guān)鍵性能指標(biāo)的一維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得一維預(yù)測值，通過判別比較預(yù)測值和觀測值 分析網(wǎng)元行為是否異常，實(shí)現(xiàn)了對網(wǎng)元異常行為進(jìn)行有效檢測。
[0092] 圖10為本發(fā)明實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測裝置的結(jié)構(gòu)圖。本發(fā)明實(shí)施例 提供的網(wǎng)元異常行為自動(dòng)檢測裝置可W執(zhí)行網(wǎng)元異常行為自動(dòng)檢測方法實(shí)施例提供的處 理流程，如圖10所示，網(wǎng)元異常行為自動(dòng)檢測裝置100包括:獲取模塊101、處理模塊102、預(yù) 測模塊103、判別模塊104、比較判斷模塊105,其中，獲取模塊101用于獲取通信網(wǎng)絡(luò)的關(guān)鍵 性能指標(biāo)對應(yīng)的歷史數(shù)據(jù)集，所述歷史數(shù)據(jù)集包括多維歷史數(shù)據(jù)集和一維歷史數(shù)據(jù)集;處 理模塊102用于對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn) 行聚類處理獲得特征模式庫，對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)所述分 類結(jié)果和所述特征模式庫構(gòu)建分類模型獲得特征分類模型;預(yù)測模塊103用于依據(jù)所述多 維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值，依據(jù)所述一維歷史數(shù)據(jù) 集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維預(yù)測值;判別模塊104用于依據(jù)所述特征分 類模型判別所述多維預(yù)測值所屬的預(yù)測特征模式，W及依據(jù)所述特征分類模型判別下一時(shí) 刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維觀測值所屬的觀測特征模式；比較判斷模塊105用于比較 所述預(yù)測特征模式和所述觀測特征模式獲得第一比較結(jié)果，比較所述一維預(yù)測值和下一時(shí) 刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維觀測值獲得第二比較結(jié)果，依據(jù)所述第一比較結(jié)果和所述 第二比較結(jié)果判斷網(wǎng)元行為是否異常。
[0093] 本發(fā)明實(shí)施例通過對通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)的多維歷史數(shù)據(jù)集進(jìn)行聚類處理 獲得特征模式庫，并對特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)分類結(jié)果和特征模式 庫構(gòu)建分類模型獲得特征分類模型，另外，對多維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得多維預(yù)測值，對 關(guān)鍵性能指標(biāo)的一維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得一維預(yù)測值，通過判別比較預(yù)測值和觀測值 分析網(wǎng)元行為是否異常，實(shí)現(xiàn)了對網(wǎng)元異常行為進(jìn)行有效檢測。
[0094] 圖11為本發(fā)明另一實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測裝置的結(jié)構(gòu)圖。在上述實(shí) 施例的基礎(chǔ)上，處理模塊102包括聚類處理單元1021，聚類處理單元1021用于采用多個(gè)聚類 算法分別對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚 類處理，并計(jì)算每個(gè)聚類算法的有效性指標(biāo);依據(jù)有效性指標(biāo)最高的聚類算法對所述多維 歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚類處理獲得特征模式 庫，所述特征模式庫用于指示所述多維歷史數(shù)據(jù)集中每個(gè)多維歷史數(shù)據(jù)所屬的聚類，W及 每個(gè)聚類的聚類中屯、。
[00M]處理模塊102還包括分類處理單元1022,分類處理單元1022用于采用多個(gè)分類算 法分別對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，所述分類結(jié)果包括多個(gè)分類，W及 每個(gè)分類包括的多維歷史數(shù)據(jù);依據(jù)每個(gè)多維歷史數(shù)據(jù)所屬的聚類和分類計(jì)算所述分類算 法的精準(zhǔn)性;選擇精準(zhǔn)性最高的分類算法構(gòu)建分類模型獲得所述特征分類模型。
[0096] 預(yù)測模塊103包括:分割單元1031、排序單元1032、計(jì)算單元1033、建模單元1034和 合并單元1035,其中，分割單元1031用于依據(jù)維度將所述多維歷史數(shù)據(jù)集進(jìn)行分割獲得多 個(gè)一維歷史數(shù)據(jù)集;排序單元1032用于按照時(shí)間先后順序?qū)γ總€(gè)一維歷史數(shù)據(jù)集中的多個(gè) 一維歷史數(shù)據(jù)進(jìn)行排序獲得一維時(shí)間序列;計(jì)算單元1033用于采用多個(gè)時(shí)間序列模型分別 對所述一維時(shí)間序列建模并計(jì)算擬合度;建模單元1034用于采用擬合度最高的時(shí)間序列模 型預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)在所述維度對應(yīng)的預(yù)測值;合并單元1035用于合并所述 關(guān)鍵性能指標(biāo)在各個(gè)維度對應(yīng)的預(yù)測值構(gòu)成所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值。
[0097] 比較判斷模塊105包括:標(biāo)記單元1051和判斷單元1052,其中，標(biāo)記單元1051用于 若所述預(yù)測特征模式和所述觀測特征模式一致，則標(biāo)記所述第一比較結(jié)果為正常;若所述 預(yù)測特征模式和所述觀測特征模式不一致，則標(biāo)記所述第一比較結(jié)果為異常；判斷單元 1052用于判斷所述一維觀測值是否在置信區(qū)間內(nèi)；標(biāo)記單元1051還用于若所述一維觀測值 在置信區(qū)間內(nèi)，則標(biāo)記所述第二比較結(jié)果為正常;若所述一維觀測值不在置信區(qū)間內(nèi)，則標(biāo) 記所述第二比較結(jié)果為異常;判斷單元1052還用于若所述第一比較結(jié)果和所述第二比較結(jié) 果中有一個(gè)比較結(jié)果為異常，則判斷網(wǎng)元行為異常;若所述第一比較結(jié)果和所述第二比較 結(jié)果均為正常，則判斷網(wǎng)元行為正常。
[0098] 本發(fā)明實(shí)施例提供的網(wǎng)元異常行為自動(dòng)檢測裝置可W具體用于執(zhí)行上述圖1所提 供的方法實(shí)施例，具體功能此處不再寶述。
[0099] 本發(fā)明實(shí)施例通過將多維歷史數(shù)據(jù)集分割為多個(gè)一維歷史數(shù)據(jù)集，采用多個(gè)時(shí)間 序列模型分別對每個(gè)一維時(shí)間序列建模并計(jì)算擬合度，采用擬合度最高的時(shí)間序列模型預(yù) 測下一時(shí)刻關(guān)鍵性能指標(biāo)在所述維度對應(yīng)的預(yù)測值，合并關(guān)鍵性能指標(biāo)在各個(gè)維度對應(yīng)的 預(yù)測值構(gòu)成所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值，提供了對多維數(shù)據(jù)的有效預(yù)測方法。
[0100] 綜上所述，本發(fā)明實(shí)施例通過對通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)的多維歷史數(shù)據(jù)集進(jìn)行 聚類處理獲得特征模式庫，并對特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)分類結(jié)果和 特征模式庫構(gòu)建分類模型獲得特征分類模型，另外，對多維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得多維 預(yù)測值，對關(guān)鍵性能指標(biāo)的一維歷史數(shù)據(jù)集進(jìn)行預(yù)測獲得一維預(yù)測值，通過判別比較預(yù)測 值和觀測值分析網(wǎng)元行為是否異常，實(shí)現(xiàn)了對網(wǎng)元異常行為進(jìn)行有效檢測;通過將多維歷 史數(shù)據(jù)集分割為多個(gè)一維歷史數(shù)據(jù)集，采用多個(gè)時(shí)間序列模型分別對每個(gè)一維時(shí)間序列建 模并計(jì)算擬合度，采用擬合度最高的時(shí)間序列模型預(yù)測下一時(shí)刻關(guān)鍵性能指標(biāo)在所述維度 對應(yīng)的預(yù)測值，合并關(guān)鍵性能指標(biāo)在各個(gè)維度對應(yīng)的預(yù)測值構(gòu)成所述關(guān)鍵性能指標(biāo)對應(yīng)的 多維預(yù)測值，提供了對多維數(shù)據(jù)的有效預(yù)測方法。
[0101] 在本發(fā)明所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所掲露的裝置和方法，可W通過其 它的方式實(shí)現(xiàn)。例如，W上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅 僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可W有另外的劃分方式，例如多個(gè)單元或組件可W結(jié) 合或者可W集成到另一個(gè)系統(tǒng)，或一些特征可W忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的 相互之間的禪合或直接禪合或通信連接可W是通過一些接口，裝置或單元的間接禪合或通 信連接，可W是電性，機(jī)械或其它的形式。
[0102] 所述作為分離部件說明的單元可W是或者也可W不是物理上分開的，作為單元顯 示的部件可w是或者也可w不是物理單元，即可w位于一個(gè)地方，或者也可w分布到多個(gè) 網(wǎng)絡(luò)單元上?？蒞根據(jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目 的。
[0103] 另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可W集成在一個(gè)處理單元中，也可W 是各個(gè)單元單獨(dú)物理存在，也可W兩個(gè)或兩個(gè)W上單元集成在一個(gè)單元中。上述集成的單 元既可W采用硬件的形式實(shí)現(xiàn)，也可W采用硬件加軟件功能單元的形式實(shí)現(xiàn)。
[0104] 上述W軟件功能單元的形式實(shí)現(xiàn)的集成的單元，可W存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存 儲(chǔ)介質(zhì)中。上述軟件功能單元存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用W使得一臺(tái)計(jì)算機(jī) 設(shè)備(可W是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本發(fā)明各個(gè) 實(shí)施例所述方法的部分步驟。而前述的存儲(chǔ)介質(zhì)包括:U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(Read? only Memoir, ROM)、隨機(jī)存取存儲(chǔ)器 （Random Access Memory, RAM)、磁碟或者光盤等各種 可W存儲(chǔ)程序代碼的介質(zhì)。
[0105] 本領(lǐng)域技術(shù)人員可W清楚地了解到，為描述的方便和簡潔，僅W上述各功能模塊 的劃分進(jìn)行舉例說明，實(shí)際應(yīng)用中，可W根據(jù)需要而將上述功能分配由不同的功能模塊完 成，即將裝置的內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊，W完成W上描述的全部或者部分功能。上 述描述的裝置的具體工作過程，可W參考前述方法實(shí)施例中的對應(yīng)過程，在此不再寶述。
[0106] 最后應(yīng)說明的是：W上各實(shí)施例僅用W說明本發(fā)明的技術(shù)方案，而非對其限制;盡 管參照前述各實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依 然可W對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分或者全部技術(shù)特征進(jìn) 行等同替換；而運(yùn)些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù) 方案的范圍。
【主權(quán)項(xiàng)】
1. 一種網(wǎng)元異常行為自動(dòng)檢測方法，其特征在于，包括： 獲取通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)對應(yīng)的歷史數(shù)據(jù)集，所述歷史數(shù)據(jù)集包括多維歷史數(shù)據(jù) 集和一維歷史數(shù)據(jù)集； 對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚類處 理獲得特征模式庫，對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)所述分類結(jié)果和 所述特征模式庫構(gòu)建分類模型獲得特征分類模型； 依據(jù)所述多維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值，依據(jù)所 述一維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維預(yù)測值； 依據(jù)所述特征分類模型判別所述多維預(yù)測值所屬的預(yù)測特征模式，以及依據(jù)所述特征 分類模型判別下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維觀測值所屬的觀測特征模式； 比較所述預(yù)測特征模式和所述觀測特征模式獲得第一比較結(jié)果，比較所述一維預(yù)測值 和下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維觀測值獲得第二比較結(jié)果，依據(jù)所述第一比較結(jié) 果和所述第二比較結(jié)果判斷網(wǎng)元行為是否異常。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述多維歷史數(shù)據(jù)集或由多個(gè)一維 歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚類處理獲得特征模式庫，包括： 采用多個(gè)聚類算法分別對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維 歷史數(shù)據(jù)集進(jìn)行聚類處理，并計(jì)算每個(gè)聚類算法的有效性指標(biāo)； 依據(jù)有效性指標(biāo)最高的聚類算法對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合 成的多維歷史數(shù)據(jù)集進(jìn)行聚類處理獲得特征模式庫，所述特征模式庫用于指示所述多維歷 史數(shù)據(jù)集中每個(gè)多維歷史數(shù)據(jù)所屬的聚類，以及每個(gè)聚類的聚類中心。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對所述特征模式庫進(jìn)行分類處理獲得 分類結(jié)果，依據(jù)所述分類結(jié)果和所述特征模式庫構(gòu)建分類模型獲得特征分類模型，包括： 采用多個(gè)分類算法分別對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，所述分類結(jié)果 包括多個(gè)分類，以及每個(gè)分類包括的多維歷史數(shù)據(jù)； 依據(jù)每個(gè)多維歷史數(shù)據(jù)所屬的聚類和分類計(jì)算所述分類算法的精準(zhǔn)性； 選擇精準(zhǔn)性最高的分類算法構(gòu)建分類模型獲得所述特征分類模型。4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述依據(jù)所述多維歷史數(shù)據(jù)集預(yù)測下一時(shí) 刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維預(yù)測值，包括： 依據(jù)維度將所述多維歷史數(shù)據(jù)集進(jìn)行分割獲得多個(gè)一維歷史數(shù)據(jù)集； 按照時(shí)間先后順序?qū)γ總€(gè)一維歷史數(shù)據(jù)集中的多個(gè)一維歷史數(shù)據(jù)進(jìn)行排序獲得一維 時(shí)間序列； 采用多個(gè)時(shí)間序列模型分別對所述一維時(shí)間序列建模并計(jì)算擬合度； 采用擬合度最高的時(shí)間序列模型預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)在所述維度對應(yīng)的 預(yù)測值； 合并所述關(guān)鍵性能指標(biāo)在各個(gè)維度對應(yīng)的預(yù)測值構(gòu)成所述關(guān)鍵性能指標(biāo)對應(yīng)的多維 預(yù)測值。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述比較所述預(yù)測特征模式和所述觀測特 征模式獲得第一比較結(jié)果，包括： 若所述預(yù)測特征模式和所述觀測特征模式一致，則標(biāo)記所述第一比較結(jié)果為正常； 若所述預(yù)測特征模式和所述觀測特征模式不一致，則標(biāo)記所述第一比較結(jié)果為異常； 所述比較所述一維預(yù)測值和下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維觀測值獲得第二 比較結(jié)果，包括： 判斷所述一維觀測值是否在置信水平90 %的置信區(qū)間內(nèi)； 若在，則標(biāo)記所述第二比較結(jié)果為正常； 若不在，則標(biāo)記所述第二比較結(jié)果為異常； 所述依據(jù)所述第一比較結(jié)果和所述第二比較結(jié)果判斷網(wǎng)元行為是否異常，包括： 若所述第一比較結(jié)果和所述第二比較結(jié)果中有一個(gè)比較結(jié)果為異常，則判斷網(wǎng)元行為 異常； 若所述第一比較結(jié)果和所述第二比較結(jié)果均為正常，則判斷網(wǎng)元行為正常。6. -種網(wǎng)元異常行為自動(dòng)檢測裝置，其特征在于，包括： 獲取模塊，用于獲取通信網(wǎng)絡(luò)的關(guān)鍵性能指標(biāo)對應(yīng)的歷史數(shù)據(jù)集，所述歷史數(shù)據(jù)集包 括多維歷史數(shù)據(jù)集和一維歷史數(shù)據(jù)集； 處理模塊，用于對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù) 集進(jìn)行聚類處理獲得特征模式庫，對所述特征模式庫進(jìn)行分類處理獲得分類結(jié)果，依據(jù)所 述分類結(jié)果和所述特征模式庫構(gòu)建分類模型獲得特征分類模型； 預(yù)測模塊，用于依據(jù)所述多維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維 預(yù)測值，依據(jù)所述一維歷史數(shù)據(jù)集預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維預(yù)測值； 判別模塊，用于依據(jù)所述特征分類模型判別所述多維預(yù)測值所屬的預(yù)測特征模式，以 及依據(jù)所述特征分類模型判別下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的多維觀測值所屬的觀測 特征模式； 比較判斷模塊，用于比較所述預(yù)測特征模式和所述觀測特征模式獲得第一比較結(jié)果， 比較所述一維預(yù)測值和下一時(shí)刻所述關(guān)鍵性能指標(biāo)對應(yīng)的一維觀測值獲得第二比較結(jié)果， 依據(jù)所述第一比較結(jié)果和所述第二比較結(jié)果判斷網(wǎng)元行為是否異常。7. 根據(jù)權(quán)利要求6所述的網(wǎng)元異常行為自動(dòng)檢測裝置，其特征在于，所述處理模塊包括 聚類處理單元，所述聚類處理單元用于采用多個(gè)聚類算法分別對所述多維歷史數(shù)據(jù)集或由 多個(gè)一維歷史數(shù)據(jù)組合成的多維歷史數(shù)據(jù)集進(jìn)行聚類處理，并計(jì)算每個(gè)聚類算法的有效性 指標(biāo);依據(jù)有效性指標(biāo)最高的聚類算法對所述多維歷史數(shù)據(jù)集或由多個(gè)一維歷史數(shù)據(jù)組合 成的多維歷史數(shù)據(jù)集進(jìn)行聚類處理獲得特征模式庫，所述特征模式庫用于指示所述多維歷 史數(shù)據(jù)集中每個(gè)多維歷史數(shù)據(jù)所屬的聚類，以及每個(gè)聚類的聚類中心。8. 根據(jù)權(quán)利要求7所述的網(wǎng)元異常行為自動(dòng)檢測裝置，其特征在于，所述處理模塊還包 括分類處理單元，所述分類處理單元用于采用多個(gè)分類算法分別對所述特征模式庫進(jìn)行分 類處理獲得分類結(jié)果，所述分類結(jié)果包括多個(gè)分類，以及每個(gè)分類包括的多維歷史數(shù)據(jù);依 據(jù)每個(gè)多維歷史數(shù)據(jù)所屬的聚類和分類計(jì)算所述分類算法的精準(zhǔn)性;選擇精準(zhǔn)性最高的分 類算法構(gòu)建分類模型獲得所述特征分類模型。9. 根據(jù)權(quán)利要求8所述的網(wǎng)元異常行為自動(dòng)檢測裝置，其特征在于，所述預(yù)測模塊包 括： 分割單元，用于依據(jù)維度將所述多維歷史數(shù)據(jù)集進(jìn)行分割獲得多個(gè)一維歷史數(shù)據(jù)集； 排序單元，用于按照時(shí)間先后順序?qū)γ總€(gè)一維歷史數(shù)據(jù)集中的多個(gè)一維歷史數(shù)據(jù)進(jìn)行 排序獲得一維時(shí)間序列； 計(jì)算單元，用于采用多個(gè)時(shí)間序列模型分別對所述一維時(shí)間序列建模并計(jì)算擬合度； 建模單元，用于采用擬合度最高的時(shí)間序列模型預(yù)測下一時(shí)刻所述關(guān)鍵性能指標(biāo)在所 述維度對應(yīng)的預(yù)測值； 合并單元，用于合并所述關(guān)鍵性能指標(biāo)在各個(gè)維度對應(yīng)的預(yù)測值構(gòu)成所述關(guān)鍵性能指 標(biāo)對應(yīng)的多維預(yù)測值。10.根據(jù)權(quán)利要求9所述的網(wǎng)元異常行為自動(dòng)檢測裝置，其特征在于，所述比較判斷模 塊包括： 標(biāo)記單元，用于若所述預(yù)測特征模式和所述觀測特征模式一致，則標(biāo)記所述第一比較 結(jié)果為正常;若所述預(yù)測特征模式和所述觀測特征模式不一致，則標(biāo)記所述第一比較結(jié)果 為異常； 判斷單元，用于判斷所述一維觀測值是否在置信區(qū)間內(nèi)； 所述標(biāo)記單元還用于若所述一維觀測值在置信區(qū)間內(nèi)，則標(biāo)記所述第二比較結(jié)果為正 常;若所述一維觀測值不在置信區(qū)間內(nèi)，則標(biāo)記所述第二比較結(jié)果為異常； 所述判斷單元還用于若所述第一比較結(jié)果和所述第二比較結(jié)果中有一個(gè)比較結(jié)果為 異常，則判斷網(wǎng)元行為異常;若所述第一比較結(jié)果和所述第二比較結(jié)果均為正常，則判斷網(wǎng) 元行為正常。
【文檔編號】H04L29/06GK105871879SQ201610299154
【公開日】2016年8月17日
【申請日】2016年5月6日
【發(fā)明人】曾柏森, 韓振東
【申請人】中國聯(lián)合網(wǎng)絡(luò)通信集團(tuán)有限公司