网络异常检测方法、装置、设备、介质及产品与流程
本技术涉及网络运维,尤其涉及一种网络异常检测方法、装置、设备、介质及产品。
背景技术:
1、随着移动通信技术的飞速发展,网络规模日益庞大,且业务形态日趋复杂,用户对网络体验的期望不断提升,网络异常检测作为保障网络服务质量的核心环节,其重要性日益凸显。精准的网络异常检测不仅能够及时发现并定位网络故障,减少用户投诉,更是网络优化和运维自动化、智能化的基础。
2、现有的网络异常检测方法主要包括依托网管平台设置静态阈值的告警机制、基于信令面深度包检测探针的数据解析以及人工分析等,然而,这些方法监控粒度较为粗放,多基于小区或基站级别,难以精确反映个别svip用户的真实体验,当小区整体指标正常时,单用户的感知劣化极易被掩盖;此外,现有方案缺乏多维度的交叉分析能力,难以识别长期慢性劣化,即用户感知多次小幅偏离阈值,单次未触发告警,长期累积难被发现,并且难以识别区域频发偶发质差,即单次短暂质差对体验影响较小,但在特定区域反复出现从而引发用户不满。
3、因此,如何提升监控粒度并有效识别隐性感知问题成为亟待解决的技术问题。
技术实现思路
1、本技术提供一种网络异常检测方法、装置、设备、介质及产品,用以解决现有技术中网络异常检测粒度大、无法有效识别隐形感知问题的缺陷。
2、本技术提供一种网络异常检测方法,包括如下步骤:
3、以用户和小区为节点,用户和小区之间的连接关系为边,以用户在小区的驻留时长占比为边的权重,建立用户-小区关联图;
4、基于所述用户的感知评分序列,持续计算所述用户的累积偏离值,所述累积偏离值是感知评分在持续低于基线容忍度时,历次偏离量的累积总和;
5、统计目标区域内的短暂质差事件的频次,所述短暂质差事件是持续时间小于预设时间阈值且感知评分位于预设评分区间的事件;
6、若所述累积偏离值超过偏离阈值,或所述频次超过频次阈值,则生成异常告警,并基于所述用户-小区关联图定位导致所述异常告警的根因小区。
7、根据本技术提供的一种网络异常检测方法,所述基于所述用户的感知评分序列,持续计算所述用户的累积偏离值,包括:
8、累积偏离值初始化为零;
9、基于基线均值与容忍偏移量的差值,确定容忍值,所述基线均值是所述用户历史感知评分的均值,所述容忍偏移量反映感知评分的正常波动范围;
10、当所述用户的感知评分低于所述容忍值时,将所述感知评分与所述容忍值的差值累加到所述累积偏离值上。
11、根据本技术提供的一种网络异常检测方法,所述感知评分是基于如下步骤计算得到的:
12、对多个关键感知指标进行加权融合,得到cei评分;
13、基于预设的ai模型,从多模态数据中提取特征映射评分;
14、对所述cei评分和所述特征映射评分进行加权融合,得到感知评分。
15、根据本技术提供的一种网络异常检测方法,所述关键感知指标的权重是基于如下步骤确定的:
16、基于损失函数对所述权重的梯度和学习率的乘积,确定权重调整幅度;
17、基于所述权重调整幅度,对所述权重进行调整。
18、根据本技术提供的一种网络异常检测方法,所述网络异常检测方法还包括:
19、对于任一所述关键感知指标,对四分位距阈值和ai阈值进行加权融合,得到所述关键感知指标对应的异常检测阈值,所述四分位距阈值是基于四分位距方法计算得到的阈值,所述ai阈值是基于神经网络模型计算得到的动态阈值;
20、若所述用户的关键感知指标超过所述关键感知指标对应的异常检测阈值,则生成异常告警。
21、根据本技术提供的一种网络异常检测方法,所述ai阈值包括ai阈值上界和ai阈值下界,所述ai阈值是基于如下步骤计算得到的:
22、将上下文特征向量输入所述神经网络模型,得到所述神经网络模型输出的动态倍数因子;
23、基于所述动态倍数因子对所述关键感知指标的标准差进行缩放,得到倍数标准差
24、将所述基线均值与所述倍数标准差的和作为ai阈值上界,将所述基线均值与所述倍数标准差的差值作为ai阈值下界。
25、本技术还提供一种网络异常检测装置,包括如下模块:
26、图构建模块,用于:以用户和小区为节点,用户和小区之间的连接关系为边,以用户在小区的驻留时长占比为边的权重,建立用户-小区关联图;
27、慢性劣化检测模块,用于:基于所述用户的感知评分序列,持续计算所述用户的累积偏离值,所述累积偏离值是感知评分在持续低于基线容忍度时,历次偏离量的累积总和;
28、频发质差检测模块,用于:统计目标区域内的短暂质差事件的频次,所述短暂质差事件是持续时间小于预设时间阈值且感知评分位于预设评分区间的事件;
29、根因定位模块,用于:若所述累积偏离值超过偏离阈值,或所述频次超过频次阈值,则生成异常告警,并基于所述用户-小区关联图定位导致所述异常告警的根因小区。
30、本技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述网络异常检测方法。
31、本技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述网络异常检测方法。
32、本技术还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述网络异常检测方法。
33、本技术提供的网络异常检测方法、装置、设备、介质及产品,通过以用户和小区为节点、以驻留时长占比为权重建立用户-小区关联图,突破了传统方法仅依赖小区或基站级监控的局限,将监控粒度细化至单用户级别,从而能够真实、准确地反映个别用户的网络体验,避免了单用户感知劣化被小区整体指标掩盖的问题;进一步地,针对长期慢性劣化问题,通过持续计算用户感知评分在低于基线容忍度时的累积偏离值,将历次微小的偏离量进行累加,当累积偏离值超过阈值时触发告警,从而有效捕捉到单次未达告警标准但长期累积导致体验严重下降的隐性异常;针对区域频发偶发质差问题,通过统计目标区域内持续时间短且感知评分位于特定区间的短暂质差事件频次,利用时空联合统计挖掘出在特定区域反复发生的偶发质差模式,当频次超过阈值时生成告警,解决了单次短暂质差难以被察觉但频发却严重影响用户满意度的问题;进一步地,在生成异常告警后,基于用户-小区关联图进行根因定位,由于关联图中包含了用户与小区的连接关系及驻留权重,系统可以快速、准确地识别出导致用户累积劣化或区域频发质差的具体根因小区,从而为网络优化提供参考数据,提升了异常检测的准确性和运维效率。综上所述,本技术通过构建用户-小区关联图,结合累积偏离值计算与短暂质差频次统计,有效识别长期慢性劣化及区域频发偶发质差等隐性感知问题,进而基于关联图精准定位根因小区,从而提升了网络异常检测的全面性与运维效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com