本公開(kāi)涉及通信網(wǎng)絡(luò)運(yùn)維，尤其是涉及一種基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法、裝置及電子設(shè)備。

背景技術(shù)：

1、核心網(wǎng)作為網(wǎng)絡(luò)的基礎(chǔ)架構(gòu)，承擔(dān)著信令傳遞、用戶數(shù)據(jù)傳輸?shù)戎匾δ埽浞€(wěn)定運(yùn)行對(duì)通信服務(wù)至關(guān)重要，通過(guò)對(duì)核心網(wǎng)網(wǎng)元(如：amf、smf、upf、cscf、udm等)多個(gè)關(guān)鍵績(jī)效指標(biāo)(本公開(kāi)下文稱其為多維度指標(biāo)、kpi指標(biāo))進(jìn)行實(shí)時(shí)監(jiān)控、分析是目前核心網(wǎng)運(yùn)維工作的關(guān)鍵方法之一，使運(yùn)維人員可以實(shí)時(shí)了解核心網(wǎng)的運(yùn)行狀態(tài)和性能表現(xiàn)，從而能夠保障網(wǎng)絡(luò)穩(wěn)定運(yùn)行，提升通信服務(wù)質(zhì)量，滿足用戶不斷增長(zhǎng)的需求。

2、具體來(lái)說(shuō)，這些kpi指標(biāo)通常會(huì)根據(jù)網(wǎng)元的功能特性進(jìn)行設(shè)定(比如：amf的主要功能為移動(dòng)性管理，smf的主要功能為會(huì)話管理)，并盡量涵蓋網(wǎng)元功能的各個(gè)關(guān)鍵方面，如信令處理速度、用戶接入延遲、數(shù)據(jù)傳輸速率等。運(yùn)維人員通過(guò)監(jiān)控系統(tǒng)對(duì)這些指標(biāo)的監(jiān)測(cè)、設(shè)定靜態(tài)閾值、按照一定的時(shí)間周期比較，或進(jìn)行網(wǎng)元之間的橫向比較，可以及時(shí)發(fā)現(xiàn)潛在問(wèn)題，預(yù)測(cè)網(wǎng)絡(luò)擁塞、故障等情況，從而采取相應(yīng)的優(yōu)化和維護(hù)措施，確保網(wǎng)絡(luò)穩(wěn)定性和可靠性。此外，多維度指標(biāo)監(jiān)控還能夠幫助運(yùn)維人員精準(zhǔn)定位問(wèn)題所在，優(yōu)化網(wǎng)絡(luò)資源分配，提升網(wǎng)絡(luò)性能和用戶體驗(yàn)，避免可能的服務(wù)中斷或質(zhì)量下降。

3、然而，在核心網(wǎng)架構(gòu)向扁平化、云化演進(jìn)的趨勢(shì)下，核心網(wǎng)網(wǎng)元的關(guān)鍵指標(biāo)數(shù)量(即維度)大幅增加，單個(gè)網(wǎng)元類型少則幾十個(gè)，多則上百個(gè)，且多維指標(biāo)之間的互相關(guān)聯(lián)關(guān)系也越來(lái)越復(fù)雜。在對(duì)于高維度指標(biāo)進(jìn)行分析時(shí)，會(huì)面臨諸多挑戰(zhàn)和難點(diǎn)，其中主要包括：

4、第一，數(shù)據(jù)冗余和稀疏性：高維數(shù)據(jù)往往存在大量冗余信息和稀疏性，即大部分指標(biāo)的取值都是零或者相似的，這使得人工分析難以捕捉數(shù)據(jù)的整體模式和規(guī)律。

5、第二，可視化困難：高維數(shù)據(jù)難以直接可視化，因?yàn)槿祟愐曈X(jué)系統(tǒng)只能感知三維及以下的空間。在高維空間中，難以對(duì)數(shù)據(jù)進(jìn)行直觀的可視化和觀察，導(dǎo)致人工分析的效果受限。

6、第三，維度災(zāi)難：高維數(shù)據(jù)集在計(jì)算和存儲(chǔ)上帶來(lái)了巨大的復(fù)雜性，也被稱為維度災(zāi)難，傳統(tǒng)的人工分析方法在高維數(shù)據(jù)上效率低下，很難處理大規(guī)模高維數(shù)據(jù)集。

7、第四，特征選擇和提取：在高維數(shù)據(jù)中，往往存在大量的特征，但其中只有部分特征對(duì)于問(wèn)題的解決或模式的發(fā)現(xiàn)是有用的，使得人工選擇和提取有效的特征變得異常困難，需要耗費(fèi)大量時(shí)間和專業(yè)知識(shí)。

8、第五，多維度關(guān)聯(lián)：在高維數(shù)據(jù)中，不同指標(biāo)之間可能存在復(fù)雜的多維度關(guān)聯(lián)，人工分析很難全面理解和捕捉這些復(fù)雜的關(guān)系。

9、第六，信息丟失：為了降低維度進(jìn)行人工分析，常常需要進(jìn)行降維處理，這可能導(dǎo)致信息的丟失和數(shù)據(jù)的變形，影響分析結(jié)果的準(zhǔn)確性。

10、第七，時(shí)間和精力成本：高維數(shù)據(jù)的分析需要耗費(fèi)更多的時(shí)間和精力，人工分析難以高效應(yīng)對(duì)大規(guī)模高維數(shù)據(jù)的處理和分析需求。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述問(wèn)題而提出了本公開(kāi)。本公開(kāi)提供了一種基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法、裝置及電子設(shè)備，并相應(yīng)提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

2、根據(jù)本公開(kāi)的一個(gè)方面，提供了一種基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法，所述識(shí)別方法包括：

3、獲取核心網(wǎng)網(wǎng)元的多維指標(biāo)數(shù)據(jù)以及池組邏輯關(guān)系；

4、將多維指標(biāo)數(shù)據(jù)壓縮為三維指標(biāo)數(shù)據(jù)；

5、基于所述池組邏輯關(guān)系，對(duì)所述三維指標(biāo)數(shù)據(jù)進(jìn)行聚類分析，識(shí)別并得到異常目標(biāo)；

6、基于所述異常目標(biāo)，返回異常網(wǎng)元列表、時(shí)間戳、指標(biāo)數(shù)據(jù)記錄和三維聚類圖。

7、此外，根據(jù)本公開(kāi)一個(gè)方面的基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法，所述將多維指標(biāo)數(shù)據(jù)壓縮為三維指標(biāo)數(shù)據(jù)包括：

8、預(yù)先以網(wǎng)元?dú)v史指標(biāo)數(shù)據(jù)訓(xùn)練維度壓縮模型；

9、利用訓(xùn)練后的所述維度壓縮模型將多維指標(biāo)數(shù)據(jù)處理為三維指標(biāo)數(shù)據(jù)。

10、此外，根據(jù)本公開(kāi)一個(gè)方面的基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法，所述維度壓縮模型的構(gòu)建方式包括：按照不同的網(wǎng)元類型，采用歷史指標(biāo)數(shù)據(jù)訓(xùn)練自編碼器神經(jīng)網(wǎng)絡(luò)模型。

11、此外，根據(jù)本公開(kāi)一個(gè)方面的基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法，所述對(duì)所述三維指標(biāo)數(shù)據(jù)進(jìn)行聚類分析包括：通過(guò)基于密度的聚類算法將所述三維指標(biāo)數(shù)據(jù)以池組為單位進(jìn)行聚類分析，識(shí)別出作為異常目標(biāo)的離群點(diǎn)。

12、此外，根據(jù)本公開(kāi)一個(gè)方面的基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法，基于密度的聚類方式包括：

13、基于各所述三維指標(biāo)數(shù)據(jù)得到由若干個(gè)指標(biāo)序列構(gòu)成的數(shù)據(jù)集；

14、基于數(shù)據(jù)集中數(shù)據(jù)點(diǎn)的間距，設(shè)置密度聚類算法參數(shù)，包括：鄰域半徑以及在領(lǐng)域半徑范圍內(nèi)的最小指標(biāo)序列數(shù)量；

15、根據(jù)所述鄰域半徑以及所述最小指標(biāo)序列數(shù)量，在數(shù)據(jù)集中確定核心點(diǎn)；

16、基于所述核心點(diǎn)進(jìn)行遞歸擴(kuò)展；

17、重復(fù)迭代最終形成指標(biāo)序列的聚類簇，并將未在任何聚類簇中的指標(biāo)序列作為異常目標(biāo)。

18、根據(jù)本公開(kāi)另一個(gè)方面，提供了一種基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別裝置，所述識(shí)別裝置包括：

19、采集模塊，用于獲取核心網(wǎng)網(wǎng)元的多維指標(biāo)數(shù)據(jù)以及池組邏輯關(guān)系；

20、降維模塊，用于將多維指標(biāo)數(shù)據(jù)壓縮為三維指標(biāo)數(shù)據(jù)；

21、聚類模塊，用于基于所述池組邏輯關(guān)系，對(duì)所述三維指標(biāo)數(shù)據(jù)進(jìn)行聚類分析，識(shí)別并得到異常目標(biāo)；

22、輸出模塊，用于基于所述異常目標(biāo)，返回異常網(wǎng)元列表、時(shí)間戳、指標(biāo)數(shù)據(jù)記錄和三維聚類圖。

23、此外，根據(jù)本公開(kāi)一個(gè)方面的基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別裝置，所述聚類模塊被配置為：通過(guò)基于密度的聚類算法將所述三維指標(biāo)數(shù)據(jù)以池組為單位進(jìn)行聚類分析，識(shí)別出作為異常目標(biāo)的離群點(diǎn)。

24、此外，根據(jù)本公開(kāi)一個(gè)方面的基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別裝置，所述聚類模塊具體包括：

25、數(shù)據(jù)集建立單元，用于基于各所述三維指標(biāo)數(shù)據(jù)得到由若干個(gè)指標(biāo)序列構(gòu)成的數(shù)據(jù)集；

26、聚類參數(shù)設(shè)置單元，用于基于數(shù)據(jù)集中數(shù)據(jù)點(diǎn)的間距，設(shè)置密度聚類算法參數(shù)，包括：鄰域半徑以及在領(lǐng)域半徑范圍內(nèi)的最小指標(biāo)序列數(shù)量；

27、核心點(diǎn)確定單元，用于根據(jù)所述鄰域半徑以及所述最小指標(biāo)序列數(shù)量，在數(shù)據(jù)集中確定核心點(diǎn)；

28、簇?cái)U(kuò)展單元，用于基于所述核心點(diǎn)進(jìn)行遞歸擴(kuò)展；

29、聚類生成單元，用于重復(fù)迭代最終形成指標(biāo)序列的聚類簇，并將未在任何聚類簇中的指標(biāo)序列作為異常目標(biāo)。

30、根據(jù)本公開(kāi)再一個(gè)方面，提供了一種電子設(shè)備，包括：存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)可讀指令；以及處理器，用于運(yùn)行計(jì)算機(jī)可讀指令，使得電子設(shè)備執(zhí)行如上所述的基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法。

31、根據(jù)本公開(kāi)又一個(gè)方面，提供了一種非瞬時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，用于存儲(chǔ)計(jì)算機(jī)可讀指令，當(dāng)計(jì)算機(jī)可讀指令由處理器執(zhí)行時(shí)，使得處理器執(zhí)行如上所述的基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法。

32、如以下將詳細(xì)描述的，根據(jù)本公開(kāi)實(shí)施例的基于關(guān)鍵指標(biāo)的核心網(wǎng)異常識(shí)別方法、裝置、電子設(shè)備以及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，主要構(gòu)思在于以網(wǎng)元類型和pool為集合單位，將網(wǎng)元多維關(guān)鍵指標(biāo)降維至便于可視化的三維，基于pool關(guān)系輸入網(wǎng)元池所有網(wǎng)元關(guān)鍵指標(biāo)可以提供多網(wǎng)元多指標(biāo)間特征的橫向比對(duì)能力，再通過(guò)聚類算法對(duì)三維數(shù)據(jù)進(jìn)行異常分析，從而發(fā)現(xiàn)并獲得表征異常的離群點(diǎn)，由此便可以從中提取相關(guān)信息生成三維聚類視圖，并返回諸如異常網(wǎng)元列表、異常時(shí)間、完整kpi記錄和聚類視圖等結(jié)果。本公開(kāi)能夠快速定位核心網(wǎng)異常，具有改善核心網(wǎng)運(yùn)行診斷與優(yōu)化效率的優(yōu)勢(shì)，顯著提升了多維度指標(biāo)分析效果以及異常發(fā)現(xiàn)的準(zhǔn)確率，并降低疏漏的可能性，進(jìn)而便于盡早干預(yù)、盡早排查網(wǎng)絡(luò)問(wèn)題，將潛在故障消滅在萌芽之中，確保網(wǎng)絡(luò)平穩(wěn)正常運(yùn)行。

33、尤其地，本公開(kāi)還引入基于神經(jīng)網(wǎng)絡(luò)的特征無(wú)損維度壓縮算法(auto-encoder，ae)和基于密度的聚類分析算法(density-based?spatial?clustering?of?applicationswith?noise，dbscan)，由此，前文提出的通過(guò)維度壓縮和聚類分析，可以為全無(wú)監(jiān)督自動(dòng)化多維指標(biāo)分析方法，從而在核心網(wǎng)多維度指標(biāo)監(jiān)控場(chǎng)景下，能夠?qū)崿F(xiàn)無(wú)監(jiān)督學(xué)習(xí)和歸納上述多維度指標(biāo)的規(guī)律和關(guān)聯(lián)性，實(shí)現(xiàn)無(wú)人工介入的全自動(dòng)分析和發(fā)現(xiàn)多維指標(biāo)中異常的效果。

34、要理解的是，前面的一般描述和下面的詳細(xì)描述兩者都是示例性的，并且意圖在于提供要求保護(hù)的技術(shù)的進(jìn)一步說(shuō)明。