【技術實現步驟摘要】
本專利技術涉及工業網絡管理領域，特別是涉及一種工業網絡自健康管理方法、裝置及電子設備。
技術介紹
1、由于工業網絡的特殊性，所以任何故障或者中斷，都有可能造成經濟損失甚至人員傷亡。而隨著工業互聯網技術的發展，工業網絡的網絡規模的不斷擴大，對網絡的管理變得越發困難。目前，存在利用貝葉斯網絡、機器學習、深度學習等傳統ai技術進行異常檢測的方法。但是，由于各種工業網絡的制式不統一，問題類似多樣，負樣本極度缺乏，導致基于機器學習的技術，無法解決網絡多變，從而導致判斷規則需同步變化的問題，更無法解決精確定位故障的問題，其靈活性和適應性不足，無法應對當前復雜工業網絡發展所帶來的自健康管理挑戰，因此，需要對其進行改進。
技術實現思路
1、基于此，有必要針對由于各種工業網絡的制式不統一，問題類似多樣，負樣本極度缺乏，導致基于機器學習的技術，無法解決網絡多變，從而導致判斷規則需同步變化的問題，更無法解決精確定位故障的問題，其靈活性和適應性不足，無法應對當前復雜工業網絡發展所帶來的自健康管理挑戰的問題，提供一種工業網絡自健康管理方法、裝置及電子設備。
2、本專利技術提供的一種工業網絡自健康管理方法，該方法包括：
3、將故障判定規則和歷史案例轉化為適合進行embedding處理的短文本形式；
4、對實時采集到的網絡監測數據進行標準化處理和閾值匹配，并輸出網絡狀態描述短句集合；
5、對經過標準化處理的狀態描述短句進行embedding處理和自適應聚類；>
6、基于聚合后的向量進行相似度檢索；
7、基于檢索到的歷史案例，調用llm模型進行故障原因的推測和排序，并更新案例庫。
8、在其中一個實施例中，所述將故障判定規則和歷史案例轉化為適合進行embedding處理的短文本形式，包括：
9、將每條故障判定規則和歷史案例用自然語言進行描述，得到格式一致的文本描述；
10、基于預訓練的embedding模型對文本描述進行向量化處理，并將每條文本描述的embedding結果存儲在一個向量列表中；
11、基于輕量化的方法構建層次化圖譜以編碼相關關系，得到層次化圖譜標識，并將層次化圖譜標識保存為該記錄的唯一標識符號；
12、將處理后的規則和案例分別存儲在規則庫和歷史案例庫中，并將對應的規則庫和歷史案例庫存入向量數據庫中，所述每條記錄包含其對應的文本描述、向量表示及其唯一標識符。
13、在其中一個實施例中，所述對實時采集到的網絡監測數據進行標準化處理和閾值匹配，并輸出網絡狀態描述短句集合，包括：
14、獲取網絡監測工具和設備中收集的網絡監測數據，并對網絡監測數據進行標準化處理，所述網絡監測數據包括延遲、丟包率和帶寬利用率；
15、基于標準化處理后的網絡監測數據，識別超出閾值的指標，并生成相應的網絡狀態描述短句；
16、將網絡狀態描述短句存儲在一個集合中，并輸出網絡狀態描述短句集合。
17、在其中一個實施例中，所述基于標準化處理后的網絡監測數據，識別超出閾值的指標，包括：
18、獲取標準化處理后的網絡監測數據；
19、將所述網絡監測數據輸入llm模型，輸出超出閾值指標結果，所述llm模型是基于深度神經網絡，以閾值范圍內網絡監測數據樣本與非閾值范圍內網絡監測數據樣本為訓練數據訓練得到的。
20、在其中一個實施例中，所述對經過標準化處理的狀態描述短句進行embedding處理和自適應聚類，包括：
21、基于預訓練的embedding模型對每個狀態描述短句進行向量化處理，并輸出高維度的向量表示；
22、將所有的向量表示轉換為一個向量集合；
23、基于凝聚層次聚類算法對向量集合進行聚類；
24、調用llm模型提取每個聚類的語義總結；
25、使用位置編碼記錄每個短句與其所屬聚類的關系。
26、在其中一個實施例中，所述基于聚合后的向量進行相似度檢索，包括：
27、基于相似度檢索的指標，計算每個聚合后的向量與規則庫和歷史案例庫中的所有向量之間的相似度，并將結果存入列表中，所述相似度檢索的指標為cosine相似度；
28、根據相似度值對列表進行排序，并輸出相似度最高的前兩個案例結果；
29、響應于相似度最高的前兩個案例結果均低于閾值，根據匹配到的規則記錄的層次圖譜標識符，推導出最相關案例。
30、在其中一個實施例中，所述基于檢索到的歷史案例，調用llm模型進行故障原因的推測和排序，并更新案例庫，包括：
31、從相似度檢索中獲得的歷史案例中提取相關信息，并處理為結構化文本數據；
32、調用llm模型將結構化文本數據處理成多個可能的故障原因，且為每個原因賦予一個自信度評分，并將其生成一個故障原因評分列表；
33、基于自信度評分對故障原因進行優先級排序；
34、根據推測結果更新歷史案例庫，且記錄新的故障信息，并將更新后的案例信息推送給技術人員確認。
35、在其中一個實施例中，所述根據推測結果更新歷史案例庫，且記錄新的故障信息，并將更新后的案例信息推送給技術人員確認，包括：
36、將當前故障的詳細信息記錄為新的案例，并賦予高置信度標記，所述當前故障的詳細信息包括推測的原因、處理措施和處理結果；
37、對于未被選取的其他推測原因賦予低置信度標記，并將其記錄到案例庫中；
38、將更新后的案例信息推送給技術人員確認，所述更新后的案例包括新的案例標識符號、故障描述和推斷依據。
39、本專利技術還提供了一種工業網絡自健康管理裝置，包括：
40、轉化模塊，用于將故障判定規則和歷史案例轉化為適合進行embedding處理的短文本形式；
41、輸出模塊，用于對實時采集到的網絡監測數據進行標準化處理和閾值匹配，并輸出網絡狀態描述短句集合；
42、聚類模塊，用于對經過標準化處理的狀態描述短句進行embedding處理和自適應聚類；
43、檢索模塊，用于基于聚合后的向量進行相似度檢索；
44、更新模塊，用于基于檢索到的歷史案例，調用llm模型進行故障原因的推測和排序，并更新案例庫。
45、本專利技術還提供了一種電子設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現如上述任一種所述的工業網絡自健康管理方法。
46、上述工業網絡自健康管理方法、裝置及電子設備，一方面，通過使用規則庫來進行補充檢索，同時借助llm模型來快速構造歷史案例，使系統在部署早期就能保證較高的故障定位準確率，從而提高自健康管理水平，另一方面，通過建立動態的故障判定規則和歷史案例庫，靈活適應網絡變化，實現精確的故障定位。
本文檔來自技高網...【技術保護點】
1.一種工業網絡自健康管理方法，其特征在于，所述方法包括：
2.根據權利要求1所述的工業網絡自健康管理方法，其特征在于，所述將故障判定規則和歷史案例轉化為適合進行Embedding處理的短文本形式，包括：
3.根據權利要求2所述的工業網絡自健康管理方法，其特征在于，所述對實時采集到的網絡監測數據進行標準化處理和閾值匹配，并輸出網絡狀態描述短句集合，包括：
4.根據權利要求3所述的工業網絡自健康管理方法，其特征在于，所述基于標準化處理后的網絡監測數據，識別超出閾值的指標，包括：
5.根據權利要求1所述的工業網絡自健康管理方法，其特征在于，所述對經過標準化處理的狀態描述短句進行Embedding處理和自適應聚類，包括：
6.根據權利要求5所述的工業網絡自健康管理方法，其特征在于，所述基于聚合后的向量進行相似度檢索，包括：
7.根據權利要求6所述的工業網絡自健康管理方法，其特征在于，所述基于檢索到的歷史案例，調用LLM模型進行故障原因的推測和排序，并更新案例庫，包括：
8.根據權利要求7所述的工業網絡自
9.一種工業網絡自健康管理裝置，其特征在于，包括：
10.一種電子設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至8中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種工業網絡自健康管理方法，其特征在于，所述方法包括：
2.根據權利要求1所述的工業網絡自健康管理方法，其特征在于，所述將故障判定規則和歷史案例轉化為適合進行embedding處理的短文本形式，包括：
3.根據權利要求2所述的工業網絡自健康管理方法，其特征在于，所述對實時采集到的網絡監測數據進行標準化處理和閾值匹配，并輸出網絡狀態描述短句集合，包括：
4.根據權利要求3所述的工業網絡自健康管理方法，其特征在于，所述基于標準化處理后的網絡監測數據，識別超出閾值的指標，包括：
5.根據權利要求1所述的工業網絡自健康管理方法，其特征在于，所述對經過標準化處理的狀態描述短句進行embedding處理和自適應聚類，包括：
【專利技術屬性】
技術研發人員：王艷旭，胡永峰，徐金濤，張惠影，柳卯，
申請(專利權)人：北京中航通用科技有限公司，
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。