【技術實現步驟摘要】
通信網絡異常檢測方法及裝置
[0001]本申請涉及通信
，具體而言，涉及一種通信網絡異常檢測方法及裝置
。
技術介紹
[0002]通信網絡的穩定性對人民群眾的日常生活有很大影響，為了及時發現網絡異常狀態，日常的網絡管理過程中會定期采集一段時間內的通話數據，計算當前采集時刻的網絡接通率
。
網絡接通率越高，表示該時間段內呼叫接聽成功率越高，網絡越正常；反之，網絡接通率越低，表示該時間段內呼叫接聽成功率越低，網絡可能存在異常
。
[0003]因此，可以設定網絡接通率安全閾值用于自動化監控通信網絡質量，當網絡接通率低于安全閾值時，系統會派單給值班人員進行處理
。
安全閾值設定過高就會對網絡穩定性很敏感，網絡接通率稍微波動就會產生派單浪費人力；安全閾值設定過低則不能及時發現網絡異常情況，從而導致故障無法及時得到處理
。
設定合理的網絡接通率安全閾值能夠提升網絡穩定性，減少網絡異常時帶來的損失
。
[0004]傳統的網絡接通率安全閾值的設定方式依賴人工經驗，按照一定規則計算安全閾值，無法滿足不同場景下的需求
。
例如，網絡監控系統會每分鐘采集一次網絡中發生的通話記錄，得到該采集點的網絡接通率，在計算安全閾值時，統計最近
14
天相同時刻采集點的網絡接通率，去掉最低數值的兩個采集點數據，取剩余
12
個采集點數據的平均值作為當前采集點的安全閾值
。
但該方案使用的數據時間跨...
【技術保護點】
【技術特征摘要】
1.
一種通信網絡異常檢測方法，其特征在于，包括：周期性采集目標通信網絡的運行狀態參數，其中，所述運行狀態參數包括：網絡接通率和輔助參考數據，所述輔助參考數據包括以下至少之一：采集時刻
、
網絡負載率
、
網絡故障等級
、
呼叫總次數；對于每個采集時刻，確定所述采集時刻之前預設時間段內的多組歷史運行狀態參數，并將所述多組歷史運行狀態參數輸入預訓練的網絡接通率預測模型，得到所述網絡接通率預測模型輸出的目標網絡接通率，其中，所述網絡接通率預測模型用于通過迭代膨脹卷積神經網絡提取所述多組歷史運行狀態參數對應的多個時序特征，并通過多頭注意力機制學習所述多個時序特征之間的關聯關系，依據所述關聯關系預測所述目標網絡接通率；將所述目標網絡接通率作為所述采集時刻的安全閾值，比較所述采集時刻的第一網絡接通率和所述安全閾值，依據比較結果確定所述目標通信網絡是否存在異常
。2.
根據權利要求1所述的方法，其特征在于，所述網絡接通率預測模型的訓練過程包括：構建初始模型，其中，所述初始模型中至少包括迭代膨脹卷積神經網絡層
、
多頭注意力層和輸出層；獲取多組訓練樣本及每組訓練樣本對應的樣本標簽，其中，每組訓練樣本中包括：一個歷史采集時刻之前預設時間段內的多組歷史運行狀態參數，所述訓練樣本對應的樣本標簽包括：所述歷史采集時刻的第二網絡接通率；利用所述多組訓練樣本及所述樣本標簽對所述初始模型進行迭代訓練，得到所述網絡接通率預測模型
。3.
根據權利要求2所述的方法，其特征在于，構建初始模型，包括：構建依次連接的迭代膨脹卷積神經網絡層
、
多頭注意力層
、
多層全連接層和輸出層，其中，所述多層全連接層用于對所述多頭注意力層輸出的高維特征進行非線性轉換，所述輸出層包括
softmax
網絡，用于預測網絡接通率
。4.
根據權利要求3所述的方法，其特征在于，利用所述多組訓練樣本及所述樣本標簽對所述初始模型進行迭代訓練，包括：對于每個訓練批次，將所述訓練批次中的各組訓練樣本依次輸入所述初始模型，得到所述初始模型輸出的多個第三網絡接通率；依據所述多個第三網絡接通率和各組訓練樣本對應的樣本標簽中的第二網絡接通率構建均方誤差損失函數；通過反向傳播方式，依據所述均方誤差損失函數調整所述初始模型的模型參數，完成一輪迭代
【專利技術屬性】
技術研發人員：李博，
申請(專利權)人：中國電信股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。