CN113411217A - 一种通话***监控告警的方法及装置 - Google Patents
一种通话***监控告警的方法及装置 Download PDFInfo
- Publication number
- CN113411217A CN113411217A CN202110688925.XA CN202110688925A CN113411217A CN 113411217 A CN113411217 A CN 113411217A CN 202110688925 A CN202110688925 A CN 202110688925A CN 113411217 A CN113411217 A CN 113411217A
- Authority
- CN
- China
- Prior art keywords
- data
- call
- monitoring
- abnormal
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2218—Call detail recording
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例涉及通信技术领域，公开了一种通话***监控告警的方法，包括：获取预设时间范围内的通话数据；将所述通话数据输入至预设的异常监控模型以得到相应的异常数据；如果所述异常数据与预设的告警规则匹配成功，则执行告警操作。还公开了一种通话***监控告警的装置。本发明实施例的通话***监控告警的方法通过构建异常监控模型来对通话***的通话数据监测；改变来以往采用阈值进行监测的方式，使得该告警***进行异常监测的灵活度更高；提高了用户使用通话***的体验。
Description
技术领域
本发明涉及通信技术领域，具体涉及一种通话***监控告警的方法及装置。
背景技术
目前，传统的通话***运维监控告警的方法，一般是设定一个固定的呼通率、故障率阈值，当通话***的这些统计数据超过上述阈值的时候，则进行告警。上述传统监控告警的方法，一般出现告警的时候，通话故障也已经发生一段时间；且传统监控告警方案会存在一个统计周期而导致的告警不及时的问题，加长了用户服务受影响的时间。因此，设计一种能够及时发现问题，保证用户使用体验的方案成为本领域技术人员亟待解决的技术问题。
发明内容
针对所述缺陷，本发明实施例公开了一种通话***监控告警的方法，其能够解决通话***运维监控告警触发的阈值难定义以及告警不及时的问题，提高用户使用通话***的体验。
本发明实施例第一方面公开了通话***监控告警的方法，包括：
获取预设时间范围内的通话数据；
将所述通话数据输入至预设的异常监控模型以得到相应的异常数据；
如果所述异常数据与预设的告警规则匹配成功，则执行告警操作。
作为一种可选的实施方式，在本发明实施例第一方面中，所述通话数据包括接通率数据和/或中断率数据；在所述获取预设时间范围内的通话数据之后，还包括：
将所述通话数据与时间戳数据进行一一对应以生成相应的时序化通话数据；
所述将所述通话数据输入至预设的异常监控模型以得到相应的异常数据，包括：
将所述时序化通话数据输入至预设的异常监控模型以得到相应的异常数据。
作为一种可选的实施方式，在本发明实施例第一方面中，在所述将所述通话数据与时间戳数据进行一一对应以生成相应的时序化通话数据之后，还包括：
当获取到的时序化通话数据达到预设数量时，执行下一步。
作为一种可选的实施方式，在本发明实施例第一方面中，在所述获取预设时间范围内的通话数据之后，还包括：
获取通话区域信息；
所述获取预设时间范围内的通话数据，包括：
根据所述通话区域信息获取预设时间范围内的通话数据。
作为一种可选的实施方式，在本发明实施例第一方面中，所述异常监控模型包括孤立森林模型、局部异常因子模型和椭圆拟合模型中的一种或者多种。
作为一种可选的实施方式，在本发明实施例第一方面中，所述异常监控模型通过如下步骤构建得到：
构建通话历史特征集；
从所述通话历史特征集中抽取预设数量的特征作为孤立树的训练样本集；
选取所述训练样本集内样本的单个特征；
根据该单个特征对所述样本特征集进行二叉树划分以构建随机二叉树；
根据所述随机二叉树构建预设的孤立森林模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述通话数据输入至预设的异常监控模型以得到相应的异常数据，包括：
将所述通话数据输入至预设的异常监控模型；
通过所述异常监控模型对所述通话数据进行异常监测；
获取所述通话数据相对应的异常监测数据。
本发明实施例第二方面公开一种通话***监控告警的装置，包括：
获取模块：用于获取预设时间范围内的通话数据；
模型计算模块：将所述通话数据输入至预设的异常监控模型以得到相应的异常数据；
数据匹配模块：如果所述异常数据与预设的告警规则匹配成功，则执行告警操作。
本发明实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的通话***监控告警的方法。
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的通话***监控告警的方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例的通话***监控告警的方法通过构建异常监控模型来对通话***的通话数据监测；改变来以往采用阈值进行监测的方式，使得该告警***进行异常监测的灵活度更高；提高了用户使用通话***的体验。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
图1是本发明实施例公开的通话***监控告警的方法的流程示意图；
图2是本发明实施例公开的异常数据计算的流程示意图；
图3是本发明实施例公开的孤立森林模型构建的流程示意图；
图4是本发明实施例提供的一种通话***监控告警的装置的结构示意图；
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，示例性地，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
传统的通话***运维监控告警的方法，一般是设定一个固定的呼通率、故障率阈值，当通话***的这些统计数据超过上述阈值的时候，则进行告警。上述传统监控告警的方法，一般出现告警的时候，通话故障也已经发生一段时间；且传统监控告警方案会存在一个统计周期而导致的告警不及时的问题，加长了用户服务受影响的时间。基于此，本发明实施例公开了通话***监控告警的方法、装置、电子设备及存储介质，其通过构建异常监控模型来对通话***的通话数据监测；改变来以往采用阈值进行监测的方式，使得该告警***进行异常监测的灵活度更高；提高了用户使用通话***的体验。
实施例一
请参阅图1，图1是本发明实施例公开的通话***监控告警的方法的流程示意图。其中，本发明实施例所描述的方法的执行主体为由软件或/和硬件组成的执行主体，该执行主体可以通过有线或/和无线方式接收相关信息，并可以发送一定的指令。当然，其还可以具有一定的处理功能和存储功能。该执行主体可以控制多个设备，例如远程的物理服务器或云服务器以及相关软件，也可以是对某处安置的设备进行相关操作的本地主机或服务器以及相关软件等。在一些场景中，还可以控制多个存储设备，存储设备可以与设备放置于同一地方或不同地方。如图1所示，该基于通话***监控告警的方法包括以下步骤：
S101：获取预设时间范围内的通话数据；
本步骤主要是为了获取到最基础的比对数据，只有在获取到这些数据之后，才可以将获取到的数据与比对模型中的数据进行匹配以判断是否存在异常数据。
具体的在进行实施时，需要监控这个那个通话***的整体的接听情况，然后在后台聚合得到接通率数据等；比如当前的接通率是百分之百，则可以表明当前通话***是处于正常运行状态，或者当前接通率是百分之九十八也可以表明其当前处于合理的运行状态；此时可以在后台聚合得到相应的接通率数据，作为input输入到监控***中。例如实际过程中中的sip电话***，客户端定期上报sip电话的接通情况，在后台统计接通率数据，作为input输入这个监控***，就可以监控sip电话***的运行情况。
作为一种可选的实施方式，在本发明实施例第一方面中，在所述获取预设时间范围内的通话数据之后，还包括：
获取通话区域信息；
所述获取预设时间范围内的通话数据，包括：
根据所述通话区域信息获取预设时间范围内的通话数据。
由于接通率的情况，在不同的区域可能会存在有不同的差异；因此，在进行具体的实操的时候，则可以获取相应的通话区域信息来增加位置纬度来进行数据监测；通过监测不同的区域数据，来进行区域状态监控，通过终端通话接通情况上报，在后台聚合得到接通率数据，作为input输入这个监控***；通过上述步骤则可以实现对不同位置的监测。通过对位置进行监测能够实现更加精细化的数据处理，因为不同区域其接通率数据对异常产生的情况并不相同；比如人多的区域和人少的区域，两者接通率与实际***异常之间的对应关系并不相同，因此，需要设置多维度数据来保证最终告警的准确性；减少误告警的出现。
作为一种可选的实施方式，在本发明实施例第一方面中，所述通话数据包括接通率数据和/或中断率数据；在所述获取预设时间范围内的通话数据之后，还包括：
将所述通话数据与时间戳数据进行一一对应以生成相应的时序化通话数据；所述将所述通话数据输入至预设的异常监控模型以得到相应的异常数据，包括：
将所述时序化通话数据输入至预设的异常监控模型以得到相应的异常数据。
相对于单单采用通话数据得到的模型以及特征，采用时序化的数据能够得到更符合实际情况的特征数据。如果不采用时序化数据，而是采用非时序化训练出的模型，那么其更像是一个全天候的接通率分布，也即是在不同的时段，接通率时没有差别的；但是在实际情况中，并不是这样，在实际情况中，不同的时间段对应的数据是不同的，如果对所有的时段均采用同样的告警规则，那么会比较容易触发误告警。因此，在本发明实施例中，采用时序化数据来进行特征构建；时序化是为了得到接通率按时间段的特征，训练出来的模型，告警效果会更好。非时序数据训练出来的模型，更像一个全天候的接通率分布，而其实这个本来是在是在不同时间段会稍有区别的，容易触发误告警。
作为一种可选的实施方式，在本发明实施例第一方面中，在所述将所述通话数据与时间戳数据进行一一对应以生成相应的时序化通话数据之后，还包括：
当获取到的时序化通话数据达到预设数量时，执行下一步。
在具体实施时，并不是获取一个时间点的数据即进行判断，而是通过获取一端时间内的数据来进行后续的判断。也即是进行时序化数据保存，当得到的数据大于N时，则可以执行后续的异常判断；而并不单单对各个点的数据进行判断。从一定程度上，能够提高判断的准确性以及提升***的适应性。
S102：将所述通话数据输入至预设的异常监控模型以得到相应的异常数据；
该步骤主要是将步骤S101中得到的数据与输入至异常检测模型中来得到相应的异常数据；然后通过上述形式来进行后续的告警判断。
作为一种可选的实施方式，在本发明实施例第一方面中，图2是本发明实施例公开的异常数据计算的流程示意图，如图2所示，所述将所述通话数据输入至预设的异常监控模型以得到相应的异常数据，包括：
S1021：将所述通话数据输入至预设的异常监控模型；
S1022：通过所述异常监控模型对所述通话数据进行异常监测；
S1023：获取所述通话数据相对应的异常监测数据。
上述即使具体的异常监测数据计算的流程图；其通过对得到的通话数据进行监测来得到的对应的异常监测指标，这里的异常监测指标也即是异常监测数据，通过异常监测指标来表示得到的数据的异常性。然后通过将其与预设的告警规则进行匹配，只有在匹配成功时，也即是判定其为异常数值时，才进行异常告警操作。
作为一种可选的实施方式，在本发明实施例第一方面中，所述异常监控模型包括孤立森林模型、局部异常因子模型和椭圆拟合模型中的一种或者多种。也即是在具体实施时，可以选择其中的一种或者多种来进行组合实施，更为优选的，在进行实施时，采用三者组合判断的方式来进行；只要有两个模型判断得到接通率异常，那么即可进行告警。本发明实施例的孤立森林模型指的是isolation forset模型，局部异常因子模型指的是LOF模型，也即是Local Outlier Factor模型，椭圆拟合模型指的是Elliptic envelope模型；这三个模型有各自的优点，其涉及的最基础的方式也不相同，故而在具体实施时，针对于不同种类型情况也存在不同的优点；在具体实施时，可以采用上述三种模型分别对检测到的数据进行数据测试。通过三种模型进行组合测试，能够进一步降低误报警的可能。三种模型进行组合测试的时候，只要有两个模型测得结果为异常，那么即可判断当前数据异常，立即进行告警操作。
作为一种可选的实施方式，在本发明实施例第一方面中，图3是本发明实施例公开的孤立森林模型构建的流程示意图，如图3所示，所述异常监控模型通过如下步骤构建得到：
S102a：构建通话历史特征集；
S102b：从所述通话历史特征集中抽取预设数量的特征作为孤立树的训练样本集；
S102c：选取所述训练样本集内样本的单个特征；
S102d：根据该单个特征对所述样本特征集进行二叉树划分以构建随机二叉树；
S102e：根据所述随机二叉树构建预设的孤立森林模型。
上述即为具体的孤立森林模型的构建过程中，这里的历史特征集包括接通率或者中断率；然后并对其进行时序化处理，使得该数据具有一定的时间特性，能够更好地反映实际的情况。Isolation Forest模型算法主要有两个参数：一个是二叉树的个数；另一个是训练单棵iTree时候抽取样本的数目。在具体实施时发现，当设定为100棵树，抽样样本数为256条时候，孤立森林模型在大多数情况下就已经可以取得不错的效果。这也体现了算法的简单、高效。
更为具体的，Isolation Forest是无监督的异常检测算法，在实际应用时，并不需要黑白标签。需要注意的是：(1)如果训练样本中异常样本的比例比较高，违背了先前提到的异常检测的基本假设，可能最终的效果会受影响；(2)异常检测跟具体的应用场景紧密相关，算法检测出的“异常”不一定是实际想要的。比如，在识别虚假交易时，异常的交易未必就是虚假的交易。所以，在特征选择时，可能需要过滤不太相关的特征，以免识别出一些不太相关的“异常”。这里进行特征选择时，则是仅仅选择经过时序化的接通率数据或者经过时序化的中断率数据即可。
更为具体的，Local Outlier Factor(LOF)是基于密度的经典算法。在LOF之前的异常检测算法大多是基于统计方法的，或者是借用了一些聚类算法用于异常点的识别(比如，DBSCAN，OPTICS)。但是，基于统计的异常检测算法通常需要假设数据服从特定的概率分布，这个假设往往是不成立的。而聚类的方法通常只能给出0/1的判断，也即是：是不是异常点，不能量化每个数据点的异常程度。相比较而言，基于密度的LOF算法要更简单、直观。它不需要对数据的分布做太多要求，还能量化每个数据点的异常程度(outlierness)。
局部异常因子(local outlier factor)：根据局部可达密度的定义，如果一个数据点跟其他点比较疏远的话，那么显然它的局部可达密度就小。但LOF算法衡量一个数据点的异常程度，并不是看它的绝对局部密度，而是看它跟周围邻近的数据点的相对密度。这样做的好处是可以允许数据分布不均匀、密度不同的情况。局部异常因子即是用局部相对密度来定义的。数据点p的局部相对密度(局部异常因子)为点p的邻居们的平均局部可达密度跟数据点p的局部可达密度的比值，即：根据局部异常因子的定义，如果数据点p的LOF得分在1附近，表明数据点p的局部密度跟它的邻居们差不多；如果数据点p的LOF得分小于1，表明数据点p处在一个相对密集的区域，不像是一个异常点；如果数据点p的LOF得分远大于1，表明数据点p跟其他点比较疏远，很有可能是一个异常点。同样的，椭圆拟合模型也是进行异常检测的主要方式。三者进行异常检测所采用的基础思想并不相同，故而在进行异常检测时，对其进行组合判断，则能够更有效的实现告警检测，基本可以覆盖所有出现的异常情况。
S103：如果所述异常数据与预设的告警规则匹配成功，则执行告警操作。
如果得到的异常数据被判断为是异常的，则执行告警操作。以使得工作人员及时了解到发生的情况，并进行相应的维护工作。本发明是为了解决通话***运维监控告警触发的阈值难定义(过高可能漏告警；过低可能误告警)，以及告警不及时的问题，本发明实施例的方案无需定义告警阈值，即可实现自动告警，且在故障早期就可发出告警，提高用户使用通话***的体验。
本发明实施例的通话***监控告警的方法通过构建异常监控模型来对通话***的通话数据监测；改变来以往采用阈值进行监测的方式，使得该告警***进行异常监测的灵活度更高；提高了用户使用通话***的体验。
实施例二
请参阅图4，图4是本发明实施例公开的通话***监控告警的装置的结构示意图。如图4所示，该通话***监控告警的装置可以包括：
获取模块21：用于获取预设时间范围内的通话数据；
模型计算模块22：将所述通话数据输入至预设的异常监控模型以得到相应的异常数据；
数据匹配模块23：如果所述异常数据与预设的告警规则匹配成功，则执行告警操作。
更为优选的，所述通话数据包括接通率数据和/或中断率数据；在所述获取预设时间范围内的通话数据之后，还包括：
将所述通话数据与时间戳数据进行一一对应以生成相应的时序化通话数据；所述将所述通话数据输入至预设的异常监控模型以得到相应的异常数据，包括：
将所述时序化通话数据输入至预设的异常监控模型以得到相应的异常数据。
更为优选的，在所述获取预设时间范围内的通话数据之后，还包括：
获取通话区域信息；
所述获取预设时间范围内的通话数据，包括：
根据所述通话区域信息获取预设时间范围内的通话数据。
更为优选的，所述异常监控模型通过如下步骤构建得到：
特征集构建模块：用于构建通话历史特征集；
数据抽取模块：用于从所述通话历史特征集中抽取预设数量的特征作为孤立树的训练样本集；
选取模块：用于选取所述训练样本集内样本的单个特征；
二叉树构建模块：用于根据该单个特征对所述样本特征集进行二叉树划分以构建随机二叉树；
模型构建模块：用于根据所述随机二叉树构建预设的孤立森林模型。
更为优选的，所述将所述通话数据输入至预设的异常监控模型以得到相应的异常数据，包括：
输入模块：用于将所述通话数据输入至预设的异常监控模型；
检测模块：用于通过所述异常监控模型对所述通话数据进行异常监测；
数据获取模块：用于获取所述通话数据相对应的异常监测数据。
本发明实施例的通话***监控告警的方法通过构建异常监控模型来对通话***的通话数据监测；改变来以往采用阈值进行监测的方式，使得该告警***进行异常监测的灵活度更高；提高了用户使用通话***的体验。
实施例三
请参阅图5，图5是本发明实施例公开的一种电子设备的结构示意图。电子设备可以是计算机以及服务器等，当然，在一定情况下，还可以是手机、平板电脑以及监控终端等智能设备，以及具有处理功能的图像采集装置。如图5所示，该电子设备可以包括：
存储有可执行程序代码的存储器510；
与存储器510耦合的处理器520；
其中，处理器520调用存储器510中存储的可执行程序代码，执行实施例一中的通话***监控告警的方法中的部分或全部步骤。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行实施例一中的通话***监控告警的方法中的部分或全部步骤。
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的通话***监控告警的方法中的部分或全部步骤。
本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的通话***监控告警的方法中的部分或全部步骤。
在本发明的各种实施例中，应理解，所述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的通话***监控告警的方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种通话***监控告警的方法，其特征在于，包括：
获取预设时间范围内的通话数据；
将所述通话数据输入至预设的异常监控模型以得到相应的异常数据；
如果所述异常数据与预设的告警规则匹配成功，则执行告警操作。
2.如权利要求1所述的通话***监控告警的方法，其特征在于，所述通话数据包括接通率数据和/或中断率数据；在所述获取预设时间范围内的通话数据之后，还包括：
将所述通话数据与时间戳数据进行一一对应以生成相应的时序化通话数据；
所述将所述通话数据输入至预设的异常监控模型以得到相应的异常数据，包括：
将所述时序化通话数据输入至预设的异常监控模型以得到相应的异常数据。
3.如权利要求1所述的通话***监控告警的方法，其特征在于，在所述将所述通话数据与时间戳数据进行一一对应以生成相应的时序化通话数据之后，还包括：
当获取到的时序化通话数据达到预设数量时，执行下一步。
4.如权利要求1所述的通话***监控告警的方法，其特征在于，在所述获取预设时间范围内的通话数据之后，还包括：
获取通话区域信息；
所述获取预设时间范围内的通话数据，包括：
根据所述通话区域信息获取预设时间范围内的通话数据。
5.如权利要求1所述的通话***监控告警的方法，其特征在于，所述异常监控模型包括孤立森林模型、局部异常因子模型和椭圆拟合模型中的一种或者多种。
6.如权利要求5所述的通话***监控告警的方法，其特征在于，所述异常监控模型通过如下步骤构建得到：
构建通话历史特征集；
从所述通话历史特征集中抽取预设数量的特征作为孤立树的训练样本集；
选取所述训练样本集内样本的单个特征；
根据该单个特征对所述样本特征集进行二叉树划分以构建随机二叉树；
根据所述随机二叉树构建预设的孤立森林模型。
7.如权利要求5所述的通话***监控告警的方法，其特征在于，所述将所述通话数据输入至预设的异常监控模型以得到相应的异常数据，包括：
将所述通话数据输入至预设的异常监控模型；
通过所述异常监控模型对所述通话数据进行异常监测；
获取所述通话数据相对应的异常监测数据。
8.一种通话***监控告警的装置，其特征在于，包括：
获取模块：用于获取预设时间范围内的通话数据；
模型计算模块：用于将所述通话数据输入至预设的异常监控模型以得到相应的异常数据；
数据匹配模块：如果所述异常数据与预设的告警规则匹配成功，则执行告警操作。
9.一种电子设备，其特征在于，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1至7任一项所述的通话***监控告警的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行权利要求1至7任一项所述的通话***监控告警的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110688925.XA CN113411217A (zh) | 2021-06-21 | 2021-06-21 | 一种通话***监控告警的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110688925.XA CN113411217A (zh) | 2021-06-21 | 2021-06-21 | 一种通话***监控告警的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113411217A true CN113411217A (zh) | 2021-09-17 |
Family
ID=77682122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110688925.XA Pending CN113411217A (zh) | 2021-06-21 | 2021-06-21 | 一种通话***监控告警的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113411217A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114812636A (zh) * | 2022-05-05 | 2022-07-29 | 合肥工业大学 | 光纤振动传感相位解调的局部异常因子优化椭圆拟合方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948669A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 一种异常数据检测方法及装置 |
| CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务***的监控方法及装置 |
| CN110597651A (zh) * | 2019-09-18 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 业务异常排查方法、装置、设备及计算机可读存储介质 |
| CN112328425A (zh) * | 2020-12-04 | 2021-02-05 | 杭州谐云科技有限公司 | 一种基于机器学习的异常检测方法和*** |
-
2021
- 2021-06-21 CN CN202110688925.XA patent/CN113411217A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948669A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 一种异常数据检测方法及装置 |
| CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务***的监控方法及装置 |
| CN110597651A (zh) * | 2019-09-18 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 业务异常排查方法、装置、设备及计算机可读存储介质 |
| CN112328425A (zh) * | 2020-12-04 | 2021-02-05 | 杭州谐云科技有限公司 | 一种基于机器学习的异常检测方法和*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114812636A (zh) * | 2022-05-05 | 2022-07-29 | 合肥工业大学 | 光纤振动传感相位解调的局部异常因子优化椭圆拟合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564181B (zh) | 电力设备故障检测与维修方法及终端设备 | |
| CN107766533B (zh) | 话务量异常的自动检测方法及***、存储介质、电子设备 | |
| CN112596990B (zh) | 告警风暴的处理方法、装置及终端设备 | |
| CN110609780B (zh) | 数据监控方法、装置、电子设备及存储介质 | |
| CN110830438A (zh) | 一种异常日志告警方法、装置及电子设备 | |
| CN110955586A (zh) | 一种基于日志的***故障预测方法、装置和设备 | |
| CN105681128A (zh) | 一种用于大数据***状态监控的方法和装置 | |
| CN111130867B (zh) | 一种基于物联网的智能家居设备告警方法及装置 | |
| CN115904656A (zh) | 应用于芯片中的状态控制方法、装置、设备及存储介质 | |
| CN111738463A (zh) | 运维方法、装置、***、电子设备及存储介质 | |
| CN110674149B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
| CN113411217A (zh) | 一种通话***监控告警的方法及装置 | |
| CN110322671B (zh) | 一种告警信息处理方法及装置 | |
| CN108255710B (zh) | 一种脚本的异常检测方法及其终端 | |
| CN107797924B (zh) | 一种sql脚本的异常检测方法及其终端 | |
| CN111465045A (zh) | 一种ap的监控方法、监控服务器和监控*** | |
| CN111062503A (zh) | 一种电网监控告警处理方法、***、终端及存储介质 | |
| CN116416764A (zh) | 报警阈值的生成方法和装置、电子设备和存储介质 | |
| CN115913652A (zh) | 异常访问行为检测方法及装置、电子设备及可读存储介质 | |
| CN112258683B (zh) | 一种业务***的巡检方法及装置 | |
| CN109699041A (zh) | 一种rru通道故障诊断处理方法及rru设备 | |
| CN113835961A (zh) | 告警信息监控方法、装置、服务器及存储介质 | |
| CN109508356B (zh) | 数据异常预警方法、装置、计算机设备及存储介质 | |
| CN107957942B (zh) | 一种sql脚本的故障修复方法及其终端 | |
| CN113297039A (zh) | 数据监控方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210917 |