CN116112341A - 网络设备的检测方法、装置、电子设备及存储介质 - Google Patents
网络设备的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116112341A CN116112341A CN202211735181.3A CN202211735181A CN116112341A CN 116112341 A CN116112341 A CN 116112341A CN 202211735181 A CN202211735181 A CN 202211735181A CN 116112341 A CN116112341 A CN 116112341A
- Authority
- CN
- China
- Prior art keywords
- user
- alarm
- data
- flow
- time
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims description 21
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000013145 classification model Methods 0.000 claims abstract description 45
- 230000006399 behavior Effects 0.000 claims description 89
- 238000012549 training Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 25
- 238000011084 recovery Methods 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种网络设备的检测方法、装置、电子设备及存储介质，所述方法包括：响应于网络设备发生告警，获取与网络设备对应的目标工单数据以及目标告警数据，以及分类模型和时序预测模型，目标工单数据与目标告警数据均与用户标识关联；将目标工单数据与目标告警数据输入分类模型进行用户行为预测，获得与告警对应的预测结果；若预测结果表征告警为用户关电行为导致，则获取用户标识对应的用户流量使用信息，并将用户流量使用信息输入时序预测模型，获得与用户标识对应的流量值；若流量值小于与用户流量使用信息对应的预设流量阈值，则判定告警为用户关电行为导致。
Description
技术领域
本发明涉及网络设备处理技术领域，特别是涉及一种网络设备的检测方法、一种网络设备的检测装置、一种电子设备以及一种计算机可读存储介质。
背景技术
目前，针对末梢网络设备产生故障告警的原因主要由以下几点：用户个人关电、设备损坏、网络光纤损坏、大面积停电等原因。判定原因的方法主要有传统方式、专家经验***、人工智能网络判定。
末梢网络设备厂商针对设备掉线也提供了原因判定的方式，不少芯片厂商在设计芯片的时候会设计一个Dying Gasp(断电告警)性能模块，在设备掉线前会通过协议向上级设备发送“临终遗言”，告知故障原因等信息。
但遗憾的是，并不是所有厂商所有设备型号都支持该协议，即使设备支持协议，在实际使用中，也会因为各种原因无法正常运行。例如，我们发现FTTH(Fibre(Fiber)To TheHome，光纤到户)终端使用低于DC 12V电源适配器时，终端下电后未能发出Dying Gasp消息，告知OLT(Optical LineTerminal，光线路终端)终端下电，导致OLT产生光信号丢失告警提示。基站的RRU(Remote Radio Unit，射频拉近单元)其实也是一样，即便支持Dying Gasp也会面临现场电压不够或者元器件老化问题导致Dying Gasp无效。因此，无法完全依靠Dying Gasp协议完成原因定位。
传统方法对于末梢网络设备原因的告警，局端需要派人上门专门核查处理，对于用户个人关电行为和停电原因的告警，局端无需处理。在实际情况中，用户个人关电行为占比最大，判定难度高，对于此类原因造成的设备告警，需要局端联系用户确认关电行为，增加工作量的同时影响用户使用体验。
发明内容
本发明实施例是提供一种网络设备的检测方法、装置、电子设备以及计算机可读存储介质，以解决或部分解决网络设备发生异常时无法及时、快速地对异常进行处理的问题。
本发明实施例公开了一种网络设备的检测方法，包括：
响应于网络设备发生告警，获取与所述网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，所述目标工单数据与所述目标告警数据均与用户标识关联；
将所述目标工单数据与所述目标告警数据输入所述分类模型进行用户行为预测，获得与所述告警对应的预测结果；
若所述预测结果表征所述告警为用户关电行为导致，则获取所述用户标识对应的用户流量使用信息，并将所述用户流量使用信息输入所述时序预测模型，获得与所述用户标识对应的流量值；
若所述流量值小于与所述用户流量使用信息对应的预设流量阈值，则判定所述告警为用户关电行为导致。
可选地，还包括：
若所述流量值大于或等于所述用户流量使用信息对应的预设流量阈值，则判定所述告警不为用户关电行为导致。
可选地，所述用户流量使用信息包括所述用户标识对应的账户在预设时间段内的用户平均流量，所述若所述流量值小于与所述用户流量使用信息对应的预设流量阈值，则判定所述告警为用户关电行为导致，包括：
采用所述用户平均流量与预设百分比进行阈值计算，获得用于对流量情况进行识别的预设流量阈值；
若所述流量值小于所述预设流量阈值，则判定所述告警为用户关电行为导致。
可选地，还包括：
获取所述网络设备在历史时间段内的历史工单数据与历史告警数据；
对所述历史工单数据与所述历史告警数据进行数据清洗，获得训练样本；
根据所述训练样本对原始的分类模型进行训练，直至损失函数满足条件，获得所述分类模型。
可选地，所述历史工单数据至少包括用户标识、故障区域、故障发生时间、故障恢复时间以及故障原因，所述历史告警数据至少包括告警标识、若干条告警数据、告警产生时间以及告警结束时间，所述对所述历史工单数据与所述历史告警数据进行数据清洗，获得训练样本，包括：
采用所述故障发生时间、所述告警产生时间结合当年的公众假期，获得节假日特征；
采用所述故障发生时间、所述告警产生时间结合当年的日历，获得双休日特征；
以所述用户标识为唯一标识，以所述故障发生时间的平均值作为所述用户标识对应的下班时间，以所述故障恢复时间的平均值作为所述用户标识对应的上班时间；
将所述若干条告警数据进行合并，并与所述告警标识进行关联，生成对应的工单，获取所述告警数据在所述工单中的工单回溯次数；
采用所述故障发生时间与所述故障恢复时间，计算所述用户标识对应的历史平均在线时长以及历史平均中断时长；
按照地级市等级将所述故障区域转换为对应的第一数值；
获取与所述故障原因对应的第二数值；
将所述节假日特征、所述双休日特征、所述下班时间、所述上班时间、所述工单回溯次数、所述历史平均在线时长、所述历史平均中断时长、所述第一数值以及所述第二数值组成训练样本。
可选地，还包括：
获取用户设备上一年的流量使用信息；
对所述流量使用信息进行清洗，并按照时间先后顺序进行排序，获得所述用户设备在一年中的日流量使用信息；
以每月后5天的日流量使用信息为测试数据，根据所述日流量使用信息对原始的时序预测模型进行训练，直至损失函数满足条件，获得所述时序预测模型。
可选地，还包括：
若所述预设结果表征所述告警不为用户关电行为导致，则生成针对所述网络设备的异常提示信息。
本发明实施例还公开了一种网络设备的检测装置，包括：
数据获取模块，用于响应于网络设备发生告警，获取与所述网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，所述目标工单数据与所述目标告警数据均与用户标识关联；
预测结果生成模块，用于将所述目标工单数据与所述目标告警数据输入所述分类模型进行用户行为预测，获得与所述告警对应的预测结果；
流量值确定模块，用于若所述预测结果表征所述告警为用户关电行为导致，则获取所述用户标识对应的用户流量使用信息，并将所述用户流量使用信息输入所述时序预测模型，获得与所述用户标识对应的流量值；
行为检测模块，用于若所述流量值小于与所述用户流量使用信息对应的预设流量阈值，则判定所述告警为用户关电行为导致。
可选地，还包括：
流量判断模块，用于若所述流量值大于或等于所述用户流量使用信息对应的预设流量阈值，则判定所述告警不为用户关电行为导致。
可选地，所述用户流量使用信息包括所述用户标识对应的账户在预设时间段内的用户平均流量，所述行为检测模块具体用于：
采用所述用户平均流量与预设百分比进行阈值计算，获得用于对流量情况进行识别的预设流量阈值；
若所述流量值小于所述预设流量阈值，则判定所述告警为用户关电行为导致。
可选地，还包括：
历史数据获取模块，用于获取所述网络设备在历史时间段内的历史工单数据与历史告警数据；
样本生成模块，用于对所述历史工单数据与所述历史告警数据进行数据清洗，获得训练样本；
分类模型训练模块，用于根据所述训练样本对原始的分类模型进行训练，直至损失函数满足条件，获得所述分类模型。
可选地，所述历史工单数据至少包括用户标识、故障区域、故障发生时间、故障恢复时间以及故障原因，所述历史告警数据至少包括告警标识、若干条告警数据、告警产生时间以及告警结束时间，所述样本生成模块具体用于：
采用所述故障发生时间、所述告警产生时间结合当年的公众假期，获得节假日特征；
采用所述故障发生时间、所述告警产生时间结合当年的日历，获得双休日特征；
以所述用户标识为唯一标识，以所述故障发生时间的平均值作为所述用户标识对应的下班时间，以所述故障恢复时间的平均值作为所述用户标识对应的上班时间；
将所述若干条告警数据进行合并，并与所述告警标识进行关联，生成对应的工单，获取所述告警数据在所述工单中的工单回溯次数；
采用所述故障发生时间与所述故障恢复时间，计算所述用户标识对应的历史平均在线时长以及历史平均中断时长；
按照地级市等级将所述故障区域转换为对应的第一数值；
获取与所述故障原因对应的第二数值；
将所述节假日特征、所述双休日特征、所述下班时间、所述上班时间、所述工单回溯次数、所述历史平均在线时长、所述历史平均中断时长、所述第一数值以及所述第二数值组成训练样本。
可选地，还包括：
流量信息获取模块，用于获取用户设备上一年的流量使用信息；
数据清洗模块，用于对所述流量使用信息进行清洗，并按照时间先后顺序进行排序，获得所述用户设备在一年中的日流量使用信息；
模型训练模块，用于以每月后5天的日流量使用信息为测试数据，根据所述日流量使用信息对原始的时序预测模型进行训练，直至损失函数满足条件，获得所述时序预测模型。
可选地，还包括：
异常提示信息生成模块，用于若所述预设结果表征所述告警不为用户关电行为导致，则生成针对所述网络设备的异常提示信息。
本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现如本发明实施例所述的方法。
本发明实施例还公开了一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行所述指令时，使得所述处理器执行如本发明实施例所述的方法。
本发明实施例包括以下优点：
在本发明实施例中，对于网络设备的检测，当网络设备发生告警时，可以通过获取与网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，目标工单数据与目标告警数据均与用户标识关联，接着将目标工单数据与目标告警数据输入分类模型进行用户行为预测，获得与告警对应的预测结果，若预测结果表征告警为用户关电行为导致，则获取用户标识对应的用户流量使用信息，并可以进一步将用户流量使用信息输入时序预测模型，获得与用户标识对应的流量值，若流量值小于与用户流量使用信息对应的预设流量阈值，则判定告警为用户关电行为导致，从而在网络设备产生告警的情况下，通过获取其对应的工单数据与告警数据，然后先通过分类模型对工单数据进行用户行为预测，判断本次告警是否与用户行为关联，在疑似关联的情况下，进一步通过时序预测模型对告警数据进行处理，获得对应的流量值，基于该流量值可以判断网络设备是否与用户行为关联，进而在判定为网络设备的告警与用户行为关联的情况下，可以不需要对网络设备进行处理，在判定为网络设备告警与用户行为无关的情况下，则对网络设备的告警进行处理，通过对网络设备的告警原因进行识别，不仅能够保证网络设备运行的稳定性，而且可以在当告警原因不是用户导致的情况下，能够及时进行处理，提高告警处理的效率。
附图说明
图1是本发明实施例中提供的一种网络设备的检测方法的步骤流程图；
图2是本发明实施例中提供的一种网络设备的检测装置的结构框图；
图3是本发明实施例中提供的一种电子设备的框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
作为一种示例，对于末梢网络设备原因的告警，局端需要派人上门专门核查处理，而对于用户个人关电行为和停电原因的告警，局端无需处理。在实际情况中，用户个人关电行为占比最大，判定难度高，对于此类原因造成的设备告警，需要局端联系用户确认关电行为，增加工作量的同时影响用户使用体验。
对此，本发明的核心发明点之一在于对于网络设备的检测，当网络设备发生告警时，可以通过获取与网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，目标工单数据与目标告警数据均与用户标识关联，接着将目标工单数据与目标告警数据输入分类模型进行用户行为预测，获得与告警对应的预测结果，若预测结果表征告警为用户关电行为导致，则获取用户标识对应的用户流量使用信息，并可以进一步将用户流量使用信息输入时序预测模型，获得与用户标识对应的流量值，若流量值小于与用户流量使用信息对应的预设流量阈值，则判定告警为用户关电行为导致，从而在网络设备产生告警的情况下，通过获取其对应的工单数据与告警数据，然后先通过分类模型对工单数据进行用户行为预测，判断本次告警是否与用户行为关联，在疑似关联的情况下，进一步通过时序预测模型对告警数据进行处理，获得对应的流量值，基于该流量值可以判断网络设备是否与用户行为关联，进而在判定为网络设备的告警与用户行为关联的情况下，可以不需要对网络设备进行处理，在判定为网络设备告警与用户行为无关的情况下，则对网络设备的告警进行处理，通过对网络设备的告警原因进行识别，不仅能够保证网络设备运行的稳定性，而且可以在当告警原因不是用户导致的情况下，能够及时进行处理，提高告警处理的效率。
参照图1，示出了本发明实施例中提供的一种网络设备的检测方法的步骤流程图，具体可以包括如下步骤：
步骤101，响应于网络设备发生告警，获取与所述网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，所述目标工单数据与所述目标告警数据均与用户标识关联；
对于网络设备，其可以包括末梢网络设备，例如基站设备RRU(RemoteRadio Unit，射频拉近单元)、IPRAN U(IP Radio Access Network，无线接入网IP化)设备、OTN(OpticalTransport Network，光传输网)客户端设备CPE(Customer Premise Equipment)、PON(Passive Optical Network，无源光纤网络)网络中客户端设备等，当网络设备发生告警时，可以获取与网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，目标工单数据与目标告警数据均与用户标识关联。其中，目标工单数据可以为与用户行为相关的数据，目标告警数据可以为与网络设备发生告警的相关数据。
在一种可选实施例中，对于分类模型，可以通过获取所述网络设备在历史时间段内的历史工单数据与历史告警数据，接着对所述历史工单数据与所述历史告警数据进行数据清洗，获得训练样本，然后根据所述训练样本对原始的分类模型进行训练，直至损失函数满足条件，获得所述分类模型。
在具体实现中，历史工单数据至少可以包括用户标识、故障区域、故障发生时间、故障恢复时间以及故障原因，历史告警数据至少可以包括告警标识、若干条告警数据、告警产生时间以及告警结束时间，则对于数据清洗的过程，可以包括：采用故障发生时间、告警产生时间结合当年的公众假期，获得节假日特征；采用故障发生时间、告警产生时间结合当年的日历，获得双休日特征；以用户标识为唯一标识，以故障发生时间的平均值作为用户标识对应的下班时间，以故障恢复时间的平均值作为用户标识对应的上班时间；将若干条告警数据进行合并，并与告警标识进行关联，生成对应的工单，获取告警数据在工单中的工单回溯次数；采用故障发生时间与故障恢复时间，计算用户标识对应的历史平均在线时长以及历史平均中断时长；按照地级市等级将故障区域转换为对应的第一数值；获取与故障原因对应的第二数值，在数据清洗结束后，可以将节假日特征、双休日特征、下班时间、上班时间、工单回溯次数、历史平均在线时长、历史平均中断时长、第一数值以及第二数值组成训练样本。
可选地，对于对分类模型进行训练的数据来源：本发明模型的数据取之于支撑***的工单数据、告警***的告警数据，导出上一年的末梢网络设备工单详情以及告警详情，共计约10万条工单数据和32万条告警数据。其中，工单数据选取以下字段作为模型的特征：用户IP(Internet Protocol，网际互联协议)、故障区域、告警ID(Dentity Document，身份标识)、故障发生时间、故障恢复时间、故障原因。告警数据选取以下字段作为模型的特征：网元名称、告警名称、告警ID、告警产生时间、告警结束时间。其中故障发生时间、故障恢复时间、告警产生时间、告警结束时间为数值型数据，其余为字符型数据，需要进一步处理才能进行模型训练。其中，对于数据的预处理：可以为针对以上原始数据，进一步进行数据清洗和转换，具体过程可以包括：
是否节假日，通过故障发生时间和告警产生时间结合当年的公众假期情况，确定该特征的值，是节假日赋值为1，非节假日赋值为0；
是否双休日，通过故障发生时间和告警产生时间结合当年的日历，确定该特征的值，星期一赋值为1，星期二赋值为2，星期三赋值为3，星期四赋值为4，星期五赋值为5，星期六赋值为6，星期日赋值为7等；
个人上下班时间，筛选出历史工单属于用户关电行为的部分，以用户IP为唯一标识，以故障发生时间(剔除年月日部分，保留时分秒部分，下同)的平均值作为该用户的下班时间，以故障恢复时间(剔除年月日部分，保留时分秒部分，下同)的平均值作为该用户的上班时间，结果以小时为单位，保留两位小数点，形如：上班时间7.89时，下班时间18.10时。
工单回溯次数，经过工单数据和告警数据对比分析发现，当设备存在瞬断连接的情况，会短时间产生多条告警数据，此时，工单***会将多条告警数据合并成一张工单派发。工单数据和告警数据通过告警IP进行关联，工单回溯次数是一张工单下的告警条数；
用户所在区域，该特征为中文描述，需要转化为数值形式，按照地级市排序进行转换，形如：南宁：1、柳州：2等；
用户历史平均在线时长，以用户IP为唯一标识，以故障发生时间减去上一次故障恢复时间作为该用户这一时段的在线时长，累加求平均作为该用户的历史平均在线时长。
用户历史平均中断时长，以用户IP为唯一标识，以故障恢复时间减去上一次故障发生时间作为该用户这一时段的中断时长，累加求平均作为该用户的历史平均中断时长。
故障原因，该特征为中文描述，需要转化为数值形式，包括以下取值，['客户关电/停电'，'停电/欠压'，'客户设备'，'ODF(Optical Distribution Frame，光纤配线架)故障'，'版本升级'，'查中自复'，'动力设备'，'割接任务通知'，'工程割接'，'光分纤箱故障'，'光交故障'，'光缆故障'，'互联互通'，'平台故障'，'设备退网'，'数据配置'，'外省设备'，'网管误告'，'网管***'，'网元设备'，'尾纤故障'，'温湿度'，'纤芯中断'，'性能故障'，'巡检测试'，'业务未使用'，'硬件板卡'，'硬件端口']，其中包括客户关电/停电字眼的赋值为1，其他赋值为0。
在经过上述数据清洗、转换之后，对于部分特征，如用户历史平均在线时长、用户历史平均中断时长，可以使用minmax算法进行数据归一化。
经过以上数据转化清洗后，根据故障类型进行正负样本平衡化，通过下采样的方式，将正负样本比例控制在1:1，然后可以选用80％作为训练集，20％作为测试集，以历史工单回单作为标注数据，使用LightGBM(LightGradient Boosting Machine)分类器进行训练，通过交叉验证评价模型的准确率。
此外，对于时序预测模型，可以通过获取用户设备上一年的流量使用信息，接着对流量使用信息进行清洗，并按照时间先后顺序进行排序，获得用户设备在一年中的日流量使用信息，然后以每月后5天的日流量使用信息为测试数据，根据日流量使用信息对原始的时序预测模型进行训练，直至损失函数满足条件，获得时序预测模型。
在具体实现中，对于时序预测模型，可以通过采集用户设备上一年的流量使用信息，并以用户标识为唯一标识，按照每天进行采集，获得用户设备在一年中每天的流量数据，然后可以对流量数据进行数据清洗，去除掉空值数据以及异常数据，剔除超过半年没有流量的用户记录，再将数据转化为模型训练需要的时间序列格式，然后可以做图观察数据是否平稳，若否则进行差分，再使用ARIMA(Autoregressive Integrated Moving AverageModel，自回归移动平均模型)算法拟合模型，并以每月后5天作为测试数据评价模型准确率。
需要说明的是，对于分类模型、时序预测模型，其对应的训练过程可以基于梯度下降的方式进行模型训练，通过不断对模型进行优化，直至对应的损失函数小于或等于预设条件时，结束模型训练，获得训练完成的模型。
步骤102，将所述目标工单数据与所述目标告警数据输入所述分类模型进行用户行为预测，获得与所述告警对应的预测结果；
在获取了对应的数据以及模型之后，可以将目标工单数据与目标告警数据输入分类模型进行用户行为预测，判断网络设备本次告警是否与用户行为关联，生成对应的预测结果。对于预测结果，其可以为网络设备与用户行为关联的结果，即用户行为属于用户关电行为，或者可以为网络设备与用户行为无关的结果，对于前者，可以通过时序预测模型做进一步的分析，对于后者，若与用户行为无关，则网络设备属于自身的异常，需要及时通知相应的工作人员对其进行处理，则若预设结果表征告警不为用户关电行为导致，则生成针对网络设备的异常提示信息。
步骤103，若所述预测结果表征所述告警为用户关电行为导致，则获取所述用户标识对应的用户流量使用信息，并将所述用户流量使用信息输入所述时序预测模型，获得与所述用户标识对应的流量值；
在具体实现中，若分类模型的预测结果表征为网络设备本次告警为用户关电行为导致的，则可以进一步获取用户标识对应的用户流量使用信息，然后将该用户流量使用信息输入到时序预测模型中进行预测，获得与用户标识对应的用户设备流量使用情况(即流量值)，然后可以将该流量值。可选地，通过流量值的高低，能够有效地识别出用户设备对应的网络使用情况，从而可以判断网络设备的告警是否与用户行为关联。
步骤104，若所述流量值小于与所述用户流量使用信息对应的预设流量阈值，则判定所述告警为用户关电行为导致。
在具体实现中，用户流量使用信息包括用户标识对应的账户在预设时间段内的用户平均流量，则可以通过采用用户平均流量与预设百分比进行阈值计算，获得用于对流量情况进行识别的预设流量阈值，若流量值小于预设流量阈值，则判定告警为用户关电行为导致；若流量值大于或等于用户流量使用信息对应的预设流量阈值，则判定告警不为用户关电行为导致，从而在网络设备产生告警的情况下，通过获取其对应的工单数据与告警数据，然后先通过分类模型对工单数据进行用户行为预测，判断本次告警是否与用户行为关联，在疑似关联的情况下，进一步通过时序预测模型对告警数据进行处理，获得对应的流量值，基于该流量值可以判断网络设备是否与用户行为关联，进而在判定为网络设备的告警与用户行为关联的情况下，可以不需要对网络设备进行处理，在判定为网络设备告警与用户行为无关的情况下，则对网络设备的告警进行处理，通过对网络设备的告警原因进行识别，不仅能够保证网络设备运行的稳定性，而且可以在当告警原因不是用户导致的情况下，能够及时进行处理，提高告警处理的效率。
其中，对于预设百分比，其可以为根据实际情况进行设置的百分比，例如20％，则当通过时序预测模型输出的流量值小于用户平均流量的20％时，即可判定为网络设备的告警是由于用户关电行为导致的；相应地，若流量值大于或等于20％，即表明用户设备处于网络活跃状态，网络设备的告警与用户行为无关，则可以生成对应的异常提示信息，以便通知相应的工作人员及时对网络设备的异常进行处理，从而通过两个模型算法实现网络设备的异常检测，一个为时序预测模型，分类模型判定该次告警是否为用户关电行为，时序预测模型预测用户在当前时刻流量情况，基于两个模型相结合，构造一个末梢网络设备因用户原因断联的判别流程，用于压缩告警工单量，实现故障原因智能化处置。
需要说明的是，本发明实施例包括但不限于上述示例，可以理解的是，本领域技术人员在本发明实施例的思想指导下，还可以根据实际需求进行设置，本发明对此不作限制。
在本发明实施例中，对于网络设备的检测，当网络设备发生告警时，可以通过获取与网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，目标工单数据与目标告警数据均与用户标识关联，接着将目标工单数据与目标告警数据输入分类模型进行用户行为预测，获得与告警对应的预测结果，若预测结果表征告警为用户关电行为导致，则获取用户标识对应的用户流量使用信息，并可以进一步将用户流量使用信息输入时序预测模型，获得与用户标识对应的流量值，若流量值小于与用户流量使用信息对应的预设流量阈值，则判定告警为用户关电行为导致，从而在网络设备产生告警的情况下，通过获取其对应的工单数据与告警数据，然后先通过分类模型对工单数据进行用户行为预测，判断本次告警是否与用户行为关联，在疑似关联的情况下，进一步通过时序预测模型对告警数据进行处理，获得对应的流量值，基于该流量值可以判断网络设备是否与用户行为关联，进而在判定为网络设备的告警与用户行为关联的情况下，可以不需要对网络设备进行处理，在判定为网络设备告警与用户行为无关的情况下，则对网络设备的告警进行处理，通过对网络设备的告警原因进行识别，不仅能够保证网络设备运行的稳定性，而且可以在当告警原因不是用户导致的情况下，能够及时进行处理，提高告警处理的效率。
为了使本领域技术人员更好地理解本发明实施例中的技术方案，下面通过一个例子进行示例性说明：
步骤1，获取工单数据和告警数据，以维护工程师回复的故障原因作为数据标注，用户行为关电标注为1，其他原因标注为0；
步骤2，对工单数据选取节假日、双休日、个人上下班时间、工单回溯次数、用户所在区域、用户历史平均在线时长、用户历史平均中断时长、故障原因作为特征，再对故障原因、用户所在区域进行向量化、对用户历史平均在线时长、用户历史平均中断时长进行归一化；对流量数据进行数据清洗，异常值处理；
步骤3，lgbm算法进行分类模型训练；使用ARIMA算法进行时序模型训练；
步骤4，在新数据集上验证模型的准确率；
步骤5，判定模型准确率大于80％；若是，保存当前模型参数，保存模型，执行步骤6；否则，调整模型参数，执行步骤3；
步骤6，将两个模型封装成API(Application Programming Interface，应用程序编程接口)能力；
步骤7，调用分类模型API能力，传入数据，输出故障原因是否为用户关电行为，若是，则判定为疑似用户关电行为，执行步骤8；若否，则判定为其他原因，结束步骤；
步骤8，调用时序预测模型，传入数据，输出预测流量值，若流量值小于该用户平均流量20％，则判定为用户关电行为；否则，判定为其他原因，派单进行核查，结束步骤。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图2，示出了本发明实施例中提供的一种网络设备的检测装置的结构框图，具体可以包括如下模块：
数据获取模块201，用于响应于网络设备发生告警，获取与所述网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，所述目标工单数据与所述目标告警数据均与用户标识关联；
预测结果生成模块202，用于将所述目标工单数据与所述目标告警数据输入所述分类模型进行用户行为预测，获得与所述告警对应的预测结果；
流量值确定模块203，用于若所述预测结果表征所述告警为用户关电行为导致，则获取所述用户标识对应的用户流量使用信息，并将所述用户流量使用信息输入所述时序预测模型，获得与所述用户标识对应的流量值；
行为检测模块204，用于若所述流量值小于与所述用户流量使用信息对应的预设流量阈值，则判定所述告警为用户关电行为导致。
在一种可选实施例中，还包括：
流量判断模块，用于若所述流量值大于或等于所述用户流量使用信息对应的预设流量阈值，则判定所述告警不为用户关电行为导致。
在一种可选实施例中，所述用户流量使用信息包括所述用户标识对应的账户在预设时间段内的用户平均流量，所述行为检测模块204具体用于：
采用所述用户平均流量与预设百分比进行阈值计算，获得用于对流量情况进行识别的预设流量阈值；
若所述流量值小于所述预设流量阈值，则判定所述告警为用户关电行为导致。
在一种可选实施例中，还包括：
历史数据获取模块201，用于获取所述网络设备在历史时间段内的历史工单数据与历史告警数据；
样本生成模块，用于对所述历史工单数据与所述历史告警数据进行数据清洗，获得训练样本；
分类模型训练模块，用于根据所述训练样本对原始的分类模型进行训练，直至损失函数满足条件，获得所述分类模型。
在一种可选实施例中，所述历史工单数据至少包括用户标识、故障区域、故障发生时间、故障恢复时间以及故障原因，所述历史告警数据至少包括告警标识、若干条告警数据、告警产生时间以及告警结束时间，所述样本生成模块具体用于：
采用所述故障发生时间、所述告警产生时间结合当年的公众假期，获得节假日特征；
采用所述故障发生时间、所述告警产生时间结合当年的日历，获得双休日特征；
以所述用户标识为唯一标识，以所述故障发生时间的平均值作为所述用户标识对应的下班时间，以所述故障恢复时间的平均值作为所述用户标识对应的上班时间；
将所述若干条告警数据进行合并，并与所述告警标识进行关联，生成对应的工单，获取所述告警数据在所述工单中的工单回溯次数；
采用所述故障发生时间与所述故障恢复时间，计算所述用户标识对应的历史平均在线时长以及历史平均中断时长；
按照地级市等级将所述故障区域转换为对应的第一数值；
获取与所述故障原因对应的第二数值；
将所述节假日特征、所述双休日特征、所述下班时间、所述上班时间、所述工单回溯次数、所述历史平均在线时长、所述历史平均中断时长、所述第一数值以及所述第二数值组成训练样本。
在一种可选实施例中，还包括：
流量信息获取模块，用于获取用户设备上一年的流量使用信息；
数据清洗模块，用于对所述流量使用信息进行清洗，并按照时间先后顺序进行排序，获得所述用户设备在一年中的日流量使用信息；
模型训练模块，用于以每月后5天的日流量使用信息为测试数据，根据所述日流量使用信息对原始的时序预测模型进行训练，直至损失函数满足条件，获得所述时序预测模型。
在一种可选实施例中，还包括：
异常提示信息生成模块，用于若所述预设结果表征所述告警不为用户关电行为导致，则生成针对所述网络设备的异常提示信息。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
另外，本发明实施例还提供了一种电子设备，包括：处理器，存储器，存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述网络设备的检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述网络设备的检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。
图3为实现本发明各个实施例的一种电子设备的硬件结构示意图。
该电子设备300包括但不限于：射频单元301、网络模块302、音频输出单元303、输入单元304、传感器305、显示单元306、用户输入单元307、接口单元308、存储器309、处理器310、以及电源311等部件。本领域技术人员可以理解，本发明实施例中所涉及的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
应理解的是，本发明实施例中，射频单元301可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器310处理；另外，将上行的数据发送给基站。通常，射频单元301包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元301还可以通过无线通信***与网络和其他设备通信。
电子设备通过网络模块302为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元303可以将射频单元301或网络模块302接收的或者在存储器309中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元303还可以提供与电子设备300执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元303包括扬声器、蜂鸣器以及受话器等。
输入单元304用于接收音频或视频信号。输入单元304可以包括图形处理器(Graphics Processing Unit，GPU)3041和麦克风3042，图形处理器3041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元306上。经图形处理器3041处理后的图像帧可以存储在存储器309(或其它存储介质)中或者经由射频单元301或网络模块302进行发送。麦克风3042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元301发送到移动通信基站的格式输出。
电子设备300还包括至少一种传感器305，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板3061的亮度，接近传感器可在电子设备300移动到耳边时，关闭显示面板3061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器305还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元306用于显示由用户输入的信息或提供给用户的信息。显示单元306可包括显示面板3061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板3061。
用户输入单元307可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元307包括触控面板3071以及其他输入设备3072。触控面板3071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板3071上或在触控面板3071附近的操作)。触控面板3071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器310，接收处理器310发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板3071。除了触控面板3071，用户输入单元307还可以包括其他输入设备3072。具体地，其他输入设备3072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板3071可覆盖在显示面板3061上，当触控面板3071检测到在其上或附近的触摸操作后，传送给处理器310以确定触摸事件的类型，随后处理器310根据触摸事件的类型在显示面板3061上提供相应的视觉输出。可以理解的是，在一种实施例中，触控面板3071与显示面板3061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板3071与显示面板3061集成而实现电子设备的输入和输出功能，具体此处不做限定。
接口单元308为外部装置与电子设备300连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元308可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备300内的一个或多个元件或者可以用于在电子设备300和外部装置之间传输数据。
存储器309可用于存储软件程序以及各种数据。存储器309可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器309可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器310是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器309内的软件程序和/或模块，以及调用存储在存储器309内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器310可包括一个或多个处理单元；优选的，处理器310可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器310中。
电子设备300还可以包括给各个部件供电的电源311(比如电池)，优选的，电源311可以通过电源管理***与处理器310逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
另外，电子设备300包括一些未示出的功能模块，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个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。
所述功能如果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读取存储介质中。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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种网络设备的检测方法，其特征在于，包括：
响应于网络设备发生告警，获取与所述网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，所述目标工单数据与所述目标告警数据均与用户标识关联；
将所述目标工单数据与所述目标告警数据输入所述分类模型进行用户行为预测，获得与所述告警对应的预测结果；
若所述预测结果表征所述告警为用户关电行为导致，则获取所述用户标识对应的用户流量使用信息，并将所述用户流量使用信息输入所述时序预测模型，获得与所述用户标识对应的流量值；
若所述流量值小于与所述用户流量使用信息对应的预设流量阈值，则判定所述告警为用户关电行为导致。
2.根据权利要求1所述的方法，其特征在于，还包括：
若所述流量值大于或等于所述用户流量使用信息对应的预设流量阈值，则判定所述告警不为用户关电行为导致。
3.根据权利要求1或2所述的方法，其特征在于，所述用户流量使用信息包括所述用户标识对应的账户在预设时间段内的用户平均流量，所述若所述流量值小于与所述用户流量使用信息对应的预设流量阈值，则判定所述告警为用户关电行为导致，包括：
采用所述用户平均流量与预设百分比进行阈值计算，获得用于对流量情况进行识别的预设流量阈值；
若所述流量值小于所述预设流量阈值，则判定所述告警为用户关电行为导致。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取所述网络设备在历史时间段内的历史工单数据与历史告警数据；
对所述历史工单数据与所述历史告警数据进行数据清洗，获得训练样本；
根据所述训练样本对原始的分类模型进行训练，直至损失函数满足条件，获得所述分类模型。
5.根据权利要求4所述的方法，其特征在于，所述历史工单数据至少包括用户标识、故障区域、故障发生时间、故障恢复时间以及故障原因，所述历史告警数据至少包括告警标识、若干条告警数据、告警产生时间以及告警结束时间，所述对所述历史工单数据与所述历史告警数据进行数据清洗，获得训练样本，包括：
采用所述故障发生时间、所述告警产生时间结合当年的公众假期，获得节假日特征；
采用所述故障发生时间、所述告警产生时间结合当年的日历，获得双休日特征；
以所述用户标识为唯一标识，以所述故障发生时间的平均值作为所述用户标识对应的下班时间，以所述故障恢复时间的平均值作为所述用户标识对应的上班时间；
将所述若干条告警数据进行合并，并与所述告警标识进行关联，生成对应的工单，获取所述告警数据在所述工单中的工单回溯次数；
采用所述故障发生时间与所述故障恢复时间，计算所述用户标识对应的历史平均在线时长以及历史平均中断时长；
按照地级市等级将所述故障区域转换为对应的第一数值；
获取与所述故障原因对应的第二数值；
将所述节假日特征、所述双休日特征、所述下班时间、所述上班时间、所述工单回溯次数、所述历史平均在线时长、所述历史平均中断时长、所述第一数值以及所述第二数值组成训练样本。
6.根据权利要求1所述的方法，其特征在于，还包括：
获取用户设备上一年的流量使用信息；
对所述流量使用信息进行清洗，并按照时间先后顺序进行排序，获得所述用户设备在一年中的日流量使用信息；
以每月后5天的日流量使用信息为测试数据，根据所述日流量使用信息对原始的时序预测模型进行训练，直至损失函数满足条件，获得所述时序预测模型。
7.根据权利要求1所述的方法，其特征在于，还包括：
若所述预设结果表征所述告警不为用户关电行为导致，则生成针对所述网络设备的异常提示信息。
8.一种网络设备的检测装置，其特征在于，包括：
数据获取模块，用于响应于网络设备发生告警，获取与所述网络设备对应的目标工单数据以及目标告警数据，以及用于进行用户行为识别的分类模型和用于预测用户在当前时刻的流量情况的时序预测模型，所述目标工单数据与所述目标告警数据均与用户标识关联；
预测结果生成模块，用于将所述目标工单数据与所述目标告警数据输入所述分类模型进行用户行为预测，获得与所述告警对应的预测结果；
流量值确定模块，用于若所述预测结果表征所述告警为用户关电行为导致，则获取所述用户标识对应的用户流量使用信息，并将所述用户流量使用信息输入所述时序预测模型，获得与所述用户标识对应的流量值；
行为检测模块，用于若所述流量值小于与所述用户流量使用信息对应的预设流量阈值，则判定所述告警为用户关电行为导致。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行所述指令时，使得所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211735181.3A CN116112341B (zh) | 2022-12-30 | 2022-12-30 | 网络设备的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211735181.3A CN116112341B (zh) | 2022-12-30 | 2022-12-30 | 网络设备的检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116112341A true CN116112341A (zh) | 2023-05-12 |
| CN116112341B CN116112341B (zh) | 2024-04-30 |
Family
ID=86257502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211735181.3A Active CN116112341B (zh) | 2022-12-30 | 2022-12-30 | 网络设备的检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116112341B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116302661A (zh) * | 2023-05-15 | 2023-06-23 | 合肥联宝信息技术有限公司 | 一种异常预测方法、装置、电子设备及存储介质 |
| CN116634473A (zh) * | 2023-07-21 | 2023-08-22 | 中国铁塔股份有限公司云南省分公司 | 无线站点停电退服故障预判方法及其装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018126645A1 (zh) * | 2017-01-05 | 2018-07-12 | 深圳奇迹智慧网络有限公司 | 一种通信网络管理方法及其装置 |
| CN113687969A (zh) * | 2021-07-29 | 2021-11-23 | 济南浪潮数据技术有限公司 | 告警信息生成方法、装置、电子设备及可读存储介质 |
| CN114430363A (zh) * | 2020-10-29 | 2022-05-03 | ***通信有限公司研究院 | 故障原因定位方法、装置、设备及存储介质 |
| CN114780358A (zh) * | 2021-12-10 | 2022-07-22 | 中国工商银行股份有限公司 | 异常操作行为的检测方法和检测装置 |
| CN115102836A (zh) * | 2022-07-13 | 2022-09-23 | 中国联合网络通信集团有限公司 | 网络设备故障分析方法、装置及存储介质 |
-
2022
- 2022-12-30 CN CN202211735181.3A patent/CN116112341B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018126645A1 (zh) * | 2017-01-05 | 2018-07-12 | 深圳奇迹智慧网络有限公司 | 一种通信网络管理方法及其装置 |
| CN114430363A (zh) * | 2020-10-29 | 2022-05-03 | ***通信有限公司研究院 | 故障原因定位方法、装置、设备及存储介质 |
| CN113687969A (zh) * | 2021-07-29 | 2021-11-23 | 济南浪潮数据技术有限公司 | 告警信息生成方法、装置、电子设备及可读存储介质 |
| CN114780358A (zh) * | 2021-12-10 | 2022-07-22 | 中国工商银行股份有限公司 | 异常操作行为的检测方法和检测装置 |
| CN115102836A (zh) * | 2022-07-13 | 2022-09-23 | 中国联合网络通信集团有限公司 | 网络设备故障分析方法、装置及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116302661A (zh) * | 2023-05-15 | 2023-06-23 | 合肥联宝信息技术有限公司 | 一种异常预测方法、装置、电子设备及存储介质 |
| CN116302661B (zh) * | 2023-05-15 | 2023-10-13 | 合肥联宝信息技术有限公司 | 一种异常预测方法、装置、电子设备及存储介质 |
| CN116634473A (zh) * | 2023-07-21 | 2023-08-22 | 中国铁塔股份有限公司云南省分公司 | 无线站点停电退服故障预判方法及其装置 |
| CN116634473B (zh) * | 2023-07-21 | 2023-10-10 | 中国铁塔股份有限公司云南省分公司 | 无线站点停电退服故障预判方法及其装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116112341B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116112341B (zh) | 网络设备的检测方法、装置、电子设备及存储介质 | |
| CN111984401A (zh) | 一种内存溢出管理方法、装置、电子设备及存储介质 | |
| CN112050970B (zh) | 环境监测方法及装置 | |
| CN109271297A (zh) | 一种异常提示方法及移动终端 | |
| CN107943570A (zh) | 应用管理方法、装置、存储介质及电子设备 | |
| CN110022235B (zh) | 信息处理方法、终端和服务器 | |
| CN112256748A (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
| CN112596980A (zh) | ios性能收集方法及装置、移动终端、计算机可读存储介质 | |
| CN117076295A (zh) | 数据库的检测方法、***、电子设备及存储介质 | |
| CN108287863B (zh) | 一种消息记录的清理方法和装置 | |
| CN115510005A (zh) | 异常日志信息的展示方法、装置、电子设备及存储介质 | |
| WO2001059736A3 (en) | System and method of facilities and operations monitoring and remote management support | |
| KR100628380B1 (ko) | 유비쿼터스 시스템 구현을 위한 센싱 장치 및 이를 이용한휴대 단말 장치 | |
| CN111866599A (zh) | 一种质差的定界方法、装置及设备 | |
| CN113518152B (zh) | 电话号码的识别方法、***及电子设备 | |
| CN106896896B (zh) | 省电方法、装置及电子设备 | |
| CN111723003A (zh) | 一种灰度测试方法、装置、电子设备及存储介质 | |
| CN115102930B (zh) | 会议图谱的生成方法、装置、电子设备和可读存储介质 | |
| CN115333928B (zh) | 网络预警方法、装置、电子设备及存储介质 | |
| CN113095517B (zh) | 计费错误码的监控及预警方法、装置及电子设备 | |
| CN115378791A (zh) | 数据管理方法、装置、存储介质及电子设备 | |
| CN110532748B (zh) | 电池管理方法及相关产品 | |
| CN116070743A (zh) | 欠费预警方法、装置、电子设备及存储介质 | |
| CN115344484A (zh) | 基于账单检验的测试资源优化方法、装置、介质及设备 | |
| CN115840678A (zh) | 应用自动巡检方法、装置、计算机设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |