特征预测模型训练、核心网业务异常检测方法及装置与流程

1.本技术涉及核心网技术，尤其涉及一种特征预测模型训练、核心网业务异常检测方法及装置。


背景技术：

2.终端设备可以通过无线接入网设备，与目标业务对应的核心网设备连接之后，进行该目标业务。若上述目标业务对应的核心网设备出现故障，将会导致该目标业务异常，进而可能会对使用上述终端设备的用户带来较差的用户体验。因此，需要及时对核心网业务是否出现异常进行检测，以及时对出现异常的业务对应的核心网设备进行处理，保障用户体验。
3.目前，可以基于目标业务的核心网关键性能指标(key performance indicator，kpi)，检测该目标业务是否出现异常。然而，现有的核心网业务异常检测方法因为鲁棒性较差、未考虑核心网kpi的时序特征、忽略了各不同核心网kpi之间的关联性等问题，均可能导致核心网业务异常检测的准确性较差。


技术实现要素：

4.本技术提供一种特征预测模型训练、核心网业务异常检测方法及装置，以克服现有的核心网业务异常检测的准确性较差的问题。
5.第一方面，本技术提供一种特征预测模型的训练方法，所述方法包括：
6.获取核心网的目标业务的样本数据集；所述样本数据集包括：目标业务的核心网kpi组在各样本时刻对应的样本特征图；所述样本特征图是基于所述核心网kpi组中至少两个核心网kpi的样本时序数据获取的；所述样本时序数据包括核心网kpi在各样本时刻的核心网kpi值；
7.使用所述样本数据集对预设模型进行训练，得到所述特征预测模型；所述特征预测模型用于根据输入的所述目标业务的核心网kpi组在目标检测时刻对应的实际特征图，以及，在所述目标检测时刻之前的每一目标时刻对应的实际特征图，输出所述核心网kpi组在所述目标检测时刻的预测特征图，以及，在每一目标时刻对应的预测特征图；所述实际特征图是基于所述核心网kpi组中至少两个核心网kpi的时序数据获取的；所述预测特征图指的是所述目标业务未出现异常时，所述核心网kpi组对应的特征图。
8.可选的，所述使用所述样本数据集对预设模型进行训练，包括：
9.对所述预设模型进行第k轮训练过程中，针对任一样本时刻，获取所述预设模型输出的该样本时刻对应的样本预测特征图；所述k为大于或等于1的正整数；
10.根据每一样本时刻对应的样本特征图与样本预测特征图的第一差值，以及，各样本时刻对应的权重，获取第k轮训练对应的损失函数的取值；其中，所述样本时序数据的最后一个样本时刻对应的权重，大于在所述最后一个样本时刻之前的任一样本时刻对应的权重；
11.根据所述损失函数的取值，以及，所述样本数据集对所述预设模型进行第k 1轮训练。
12.可选的，所述获取目标业务的核心网kpi组在各样本时刻对应的样本特征图，包括：
13.获取所述目标业务的核心网kpi组的各核心网kpi的第一初始样本时序数据；所述第一初始样本时序数据包括核心网kpi在各样本时刻的核心网kpi值；
14.针对任一核心网kpi的第一初始样本时序数据，对该第一初始样本时序数据按照时间进行分段处理，得到该核心网kpi的多段样本时序数据；任意一段所述样本时序数据对应的时长小于所述第一初始样本时序数据对应的时长；
15.根据所述核心网kpi组中的各核心网kpi的多段样本时序数据，得到目标业务的核心网kpi组在各样本时刻对应的样本特征图。
16.可选的，所述对该第一初始样本时序数据按照时间进行分段处理，得到该核心网kpi的多段样本时序数据，包括：
17.使用多个滑窗，对所述第一初始样本时序数据进行分段处理，得到该核心网kpi对应的多段样本时序数据；所述多个滑窗的时长均相同，且相邻两滑窗存在样本时刻上的重叠；任意一段所述样本时序数据的时长等于所述滑窗的时长。
18.可选的，所述根据所述核心网kpi组中的各核心网kpi的多段样本时序数据，得到目标业务的核心网kpi组在各样本时刻对应的样本特征图，包括：
19.针对任一样本时刻，从所述各核心网kpi对应的多段样本时序数据中，确定所述各核心网kpi在该样本时刻的核心网kpi值；
20.根据对所述各核心网kpi在该样本时刻的核心网kpi值两两计算内积的结果，得到目标业务的核心网kpi组在该样本时刻对应的核心网kpi样本特征图。
21.可选的，所述获取所述目标业务的核心网kpi组的各核心网kpi的第一初始样本时序数据，包括：
22.获取所述目标业务的核心网kpi组的各核心网kpi的第二初始样本时序数据；
23.针对任一未包括核心网kpi在所有样本时刻的核心网kpi值的第二初始样本时序数据，对该第二初始样本时序数据进行缺省值填充，得到所述目标业务的核心网kpi组的各核心网kpi的第一初始样本时序数据。
24.可选的，在所述对该第二初始样本时序数据进行缺省值填充之前，还包括：
25.删除所述第二初始样本时序数据中的异常值；
26.和/或，
27.根据所述各样本时刻，对该第二初始样本时序数据进行时间戳补齐。
28.第二方面，本技术提供一种核心网业务异常检测方法，所述方法包括：
29.获取目标业务的核心网kpi组在目标检测时刻对应的实际特征图，以及，在所述目标检测时刻之前的每一目标时刻对应的实际特征图；所述实际特征图是基于所述核心网kpi组中至少两个核心网kpi的时序数据获取的；所述时序数据包括核心网kpi在目标检测时刻和每一目标时刻的核心网kpi值；
30.将所述目标检测时刻对应的实际特征图，以及，每一目标时刻对应的实际特征图输入特征预测模型，得到所述核心网kpi组在所述目标检测时刻对应的预测特征图，以及，
在每一目标时刻对应的预测特征图；所述特征预测模型为基于如第一方面1-7任一项所述的方法训练得到的；所述预测特征图指的是所述目标业务未出现异常时，所述核心网kpi组对应的特征图；
31.根据所述核心网kpi组在每一目标时刻对应的预测特征图，以及，所述核心网kpi组在所述每一目标时刻对应的实际特征图，确定所述目标业务对应的至少一个异常检测阈值；
32.根据所述核心网kpi组在所述目标检测时刻对应的预测特征图，以及，所述核心网kpi组在所述目标检测时刻对应的实际特征图，得到所述目标业务在所述目标检测时刻的目标参数的取值；所述目标参数用于指示所述目标业务是否异常；
33.在根据所述目标业务对应的至少一个异常检测阈值，以及，所述目标业务在所述目标检测时刻的目标参数的取值，确定所述目标业务出现异常时，输出第一提示信息；所述第一提示信息用于提示所述目标业务出现异常。
34.可选的，所述根据所述核心网kpi组在每一目标时刻对应的预测特征图，以及，所述核心网kpi组在所述每一目标时刻对应的实际特征图，确定所述目标业务对应的至少一个异常检测阈值，包括：
35.针对任一所述目标时刻，根据所述核心网kpi组在该目标时刻对应的预测特征图，以及，所述核心网kpi组在该目标时刻对应的实际特征图，得到所述目标业务在该目标时刻的目标参数的取值；
36.根据所述目标业务在各目标时刻的目标参数的取值，确定所述目标业务对应的至少一个异常检测阈值。
37.可选的，在所述确定所述目标业务出现异常之后，所述方法还包括：
38.根据所述核心网kpi组在所述目标检测时刻对应的预测特征图，以及，所述核心网kpi组在所述目标检测时刻对应的实际特征图，获取所述目标业务在所述目标检测时刻对应的差值特征图；所述差值特征图用于表示所述目标业务的核心网kpi组中的各核心网kpi对应的异常度；所述核心网kpi对应的异常度，与，所述核心网kpi相关的核心网设备出现故障的概率正相关；
39.根据所述差值特征图，确定所述目标业务的核心网kpi组中的出现异常的核心网kpi的标识；
40.输出所述出现异常的核心网kpi的标识。
41.可选的，所述根据所述核心网kpi组在所述目标检测时刻对应的预测特征图，以及，所述核心网kpi组在所述目标检测时刻对应的实际特征图，获取所述目标业务在所述目标检测时刻对应的差值特征图，包括：
42.根据所述核心网kpi组在所述目标检测时刻对应的预测特征图对应的第一矩阵，与，所述核心网kpi组在所述目标检测时刻对应的实际特征图对应的第二矩阵的差，获取所述目标业务在所述目标检测时刻对应的差值特征图。
43.可选的，在所述确定所述目标业务出现异常之后，所述方法还包括：
44.根据所述目标业务的核心网kpi组在所述目标检测时刻对应的目标参数的取值，以及，所述目标业务的核心网kpi组对应的至少一个异常检测阈值，确定所述目标业务的异常度；所述目标业务的异常度与所述核心网中执行所述目标业务的核心网设备出现故障的
概率正相关；
45.输出第二提示信息；所述第二提示信息包括所述目标业务的异常度。
46.可选的，所述获取目标业务的核心网kpi组在目标检测时刻对应的实际特征图，以及，在所述目标检测时刻之前的每一目标时刻对应的实际特征图，包括：
47.获取所述核心网kpi组中各核心网kpi的所述时序数据；
48.针对任一时刻，从所述时序数据中，确定所述各核心网kpi在该时刻的核心网kpi值；所述任一时刻为目标检测时刻，或者，任一目标时刻；
49.根据对所述各核心网kpi在该时刻的核心网kpi值两两计算内积的结果，得到所述核心网kpi组在目标检测时刻，以及，所述各目标时刻对应的实际特征图。
50.第三方面，本技术提供一种特征预测模型的训练装置，所述装置包括：
51.获取模块，用于获取核心网的目标业务的样本数据集；所述样本数据集包括：目标业务的核心网kpi组在各样本时刻对应的样本特征图；所述样本特征图是基于所述核心网kpi组中至少两个核心网kpi的样本时序数据获取的；所述样本时序数据包括核心网kpi在各样本时刻的核心网kpi值；
52.训练模块，用于使用所述样本数据集对预设模型进行训练，得到所述特征预测模型；所述特征预测模型用于根据输入的所述目标业务的核心网kpi组在目标检测时刻对应的实际特征图，以及，在所述目标检测时刻之前的每一目标时刻对应的实际特征图，输出所述核心网kpi组在所述目标检测时刻的预测特征图，以及，在每一目标时刻对应的预测特征图；所述实际特征图是基于所述核心网kpi组中至少两个核心网kpi的时序数据获取的；所述预测特征图指的是所述目标业务未出现异常时，所述核心网kpi组对应的特征图。
53.第四方面，本技术提供一种核心网业务异常检测装置，所述装置包括：
54.获取模块，用于获取目标业务的核心网kpi组在目标检测时刻对应的实际特征图，以及，在所述目标检测时刻之前的每一目标时刻对应的实际特征图；所述实际特征图是基于所述核心网kpi组中至少两个核心网kpi的时序数据获取的；所述时序数据包括核心网kpi在目标检测时刻和每一目标时刻的核心网kpi值；
55.处理模块，用于将所述目标检测时刻对应的实际特征图，以及，每一目标时刻对应的实际特征图输入特征预测模型，得到所述核心网kpi组在所述目标检测时刻对应的预测特征图，以及，在每一目标时刻对应的预测特征图；根据所述核心网kpi组在每一目标时刻对应的预测特征图，以及，所述核心网kpi组在所述每一目标时刻对应的实际特征图，确定所述目标业务对应的至少一个异常检测阈值；根据所述核心网kpi组在所述目标检测时刻对应的预测特征图，以及，所述核心网kpi组在所述目标检测时刻对应的实际特征图，得到所述目标业务在所述目标检测时刻的目标参数的取值；其中，所述特征预测模型为基于如第一方面任一项所述的方法训练得到的；所述预测特征图指的是所述目标业务未出现异常时，所述核心网kpi组对应的特征图；所述目标参数用于指示所述目标业务是否异常；
56.输出模块，用于在根据所述目标业务对应的至少一个异常检测阈值，以及，所述目标业务在所述目标检测时刻的目标参数的取值，确定所述目标业务出现异常时，输出第一提示信息；所述第一提示信息用于提示所述目标业务出现异常。
57.第五方面，本技术提供一种电子设备，包括：至少一个处理器、存储器；
58.所述存储器存储计算机执行指令；
59.所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行第一方面或第二方面任一项所述的方法。
60.第六方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现第一方面或第二方面任一项所述的方法。
61.第七方面，本技术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第一方面或第二方面任一项所述的方法。
62.本技术提供的特征预测模型训练、核心网业务异常检测方法及装置，通过通过“基于该核心网kpi组中至少两个核心网kpi的样本时序数据获取”的目标业务的核心网kpi组在各样本时刻对应的样本特征图，对预设模型进行训练，可以使得训练得到的特征预测模型可以根据输入的目标业务的核心网kpi组在各目标时刻对应的实际特征图，输出目标业务的核心网kpi组在各目标时刻对应的目标参数的取值。通过上述方法，使得特征预测模型可以结合多个核心网kpi的特征，输出目标检测时刻和各目标时刻对应的预测特征图，以基于该预测特征图进行目标业务异常检测。相较于现有的仅基于单一核心网kpi对核心网业务进行异常检测的方法，通过结合目标业务对应的多个核心网kpi，对该目标业务是否异常进行检测，提高了核心网业务异常检测的准确性。
附图说明
63.为了更清楚地说明本技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
64.图1为一种移动通信系统的架构示意图；
65.图2为本技术提供的一种特征预测模型的训练方法的流程示意图；
66.图3为本技术提供的一种获取核心网kpi组在各样本时刻对应的样本特征图的方法流程示意图；
67.图4为本技术提供的一种3d卷积自编码器的结构示意图；
68.图5为本技术提供的一种核心网业务异常检测方法的流程示意图；
69.图6为本技术提供的一种特征预测模型的训练装置的结构示意图；
70.图7为本技术提供的一种核心网业务异常检测装置的结构示意图；
71.图8为本技术提供的一种电子设备结构示意图。
72.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
73.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术中的附图，对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
74.下面对本技术涉及到的名词概念进行解释：
75.时序数据：时序数据也可以称为时间序列数据。在本技术中，该时间序列数据可以是按时间顺序记录的多个数据(也可以说是按时间顺序记录的数据列)。
76.图1为一种移动通信系统的架构示意图。如图1所示，该移动通信系统可以包括核心网设备110、无线接入网设备120和至少一个终端设备(如图1中的终端设备130和终端设备140)。
77.终端设备通过无线的方式与无线接入网设备120相连，无线接入网设备120通过无线或有线方式与核心网设备110连接。核心网设备110与无线接入网设备120可以是独立的不同的物理设备，也可以是将核心网设备110的功能与无线接入网设备120的逻辑功能集成在同一个物理设备上，还可以是一个物理设备上集成了部分核心网设备110的功能和部分的无线接入网设备120的功能。
78.终端设备可以是固定位置的，也可以是可移动的。图1只是示意图，该移动通信系统中还可以包括其它网络设备，例如还可以包括无线中继设备和无线回传设备等，在图1中未画出。
79.应理解，本技术对该移动通信系统中包括的核心网设备110、无线接入网设备120和终端设备的数量不做限定。
80.终端设备在通过上无线接入网设备120与核心网设备110连接之后，可以进行该核心网设备110提供的目标业务。示例性的，该目标业务例如可以为上网，或者，通话等业务。在一些实施例中，一个目标业务可以对应至少一个核心网设备110。
81.若上述目标业务对应的核心网设备110出现故障，将会导致该目标业务异常，进而可能会对使用上述终端设备的用户带来较差的用户体验。因此，需要及时对核心网业务是否出现异常进行检测，以及时对出现异常的业务对应的核心网设备100进行处理，保障用户体验。
82.目前，可以基于核心网业务的核心网kpi，检测核心网业务是否出现异常。其中，一个核心网业务可以对应至少一个核心网kpi。示例性的，通话拥塞率、掉话率、接通率等核心网kpi均可以用于反映通话业务的性能和质量。也就是说，通话拥塞率、掉话率、接通率均可以作为通话业务对应的核心网kpi。
83.现有的几种核心网异常检测方法如下：
84.1、针对任一核心网kpi，计算在目标检测时刻的该核心网kpi的值与正常核心网kpi的值之间的欧式距离。根据该欧式距离，判断目标检测时刻的该核心网kpi是否异常。若目标检测时刻的该核心网kpi异常，则确定该核心网kpi对应的核心网业务异常。若目标检测时刻的该核心网kpi不异常，则确定该核心网kpi对应的核心网业务未出现异常。
85.然而，该方法对核心网的短时小波动都非常敏感，鲁棒性较差，导致核心网业务异常检测的准确性较低。
86.2、为了解决上述方法1鲁棒性较差，导致核心网业务异常检测的准确性较低的问题，一些实施例提出了根据正常核心网kpi的值的概率密度，判断在目标检测时刻的该核心网kpi的值是否处于异常区间。若目标检测时刻的该核心网kpi值处于异常区间，则确定该核心网kpi对应的核心网业务异常。若目标检测时刻的该核心网kpi未处于异常区间，则确
定该核心网kpi对应的核心网业务未出现异常。
87.然而，核心网kpi在各时刻的值，通常为具有时序特征的数据。也就是说，在目标检测时刻之前的核心网kpi的值，可能会影响该目标检测时刻的核心网kpi的值是否异常。而该方法未考虑核心网kpi的时序特征，进而导致通过该方法进行核心网业务异常检测的准确性较低。
88.3、为了解决上述方法2未考虑核心网kpi的时序特征，导致核心网业务异常检测的准确性较低的问题，一些实施例提出了通过预设的时序模型，例如，集成树模型中的极值梯度提升(extreme gradient boosting，xgboost)模型，提取核心网kpi的时序特征。进而根据该时序特征，确定该核心网kpi在目标检测时刻的核心网kpi值是否异常。然后，根据该核心网kpi值是否异常，可以确定该核心网kpi值对应的目标业务是否异常。
89.然而，通常一个目标业务需要通过多种核心网kpi来反映该目标业务的是否出现异常。例如通话业务需要通过通话拥塞率、掉话率、接通率等核心网kpi来反映该通话业务是否出现异常。而该方法仅是针对单一核心网kpi对核心网业务异常进行检测，未考虑该目标业务对应的各核心网kpi间的关联性。因此，该方法仍然存在核心网业务异常检测的准确性较低的问题。
90.考虑到现有的核心网业务异常检测方法存在准确性较低的问题，是未考虑了各不同核心网kpi之间的关联性导致的，本技术提供了一种通过“基于目标业务的至少两个核心网kpi的样本时序数据训练得到的”特征预测模型，确定核心网目标业务是否出现异常的方法。通过使用目标业务的至少两个核心网kpi的样本时序数据训练得到该特征预测模型，使得该特征预测模型可以学习该至少两个核心网kpi的时序数据的关联性，进而使得“通过该特征预测模型确定的核心网目标业务是否出现异常的结果”是基于不同核心网kpi之间的关联性获取的，进而提高了核心网业务异常检测的准确性。
91.下面结合具体地实施例，首先对本技术提供的特征预测模型的训练方法进行详细说明。该特征预测模型的训练方法的执行主体例如可以为终端或者服务器等具有处理功能的电子设备。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
92.图2为本技术提供的一种特征预测模型的训练方法的流程示意图。如图2所示，该方法包括以下步骤：
93.s101、获取核心网的目标业务的样本数据集。
94.s102、使用样本数据集对预设模型进行训练，得到特征预测模型。
95.其中，上述样本数据集包括：目标业务的核心网kpi组在各样本时刻对应的样本特征图。上述目标业务的核心网kpi组中包括至少两个核心网kpi。上述核心网kpi组在各样本时刻对应的样本特征图是基于该核心网kpi组中至少两个核心网kpi的样本时序数据获取的。该样本时序数据包括核心网kpi在各样本时刻的核心网kpi值。其中，任意相邻的两个样本时刻之间间隔的时长可以相同，也可以不同。
96.通过使用上述目标业务的核心网kpi组在各样本时刻对应的样本特征图对预设模型进行训练，使得训练得到的特征预测模型可以用于根据输入的目标业务的核心网kpi组在目标检测时刻对应的实际特征图，以及，在目标检测时刻之前的每一目标时刻对应的实际特征图，输出核心网kpi组在目标检测时刻的预测特征图，以及，在每一目标时刻对应的
预测特征图。其中，实际特征图是基于核心网kpi组中至少两个核心网kpi的时序数据获取的。预测特征图指的是该目标业务未出现异常时，该目标业务的核心网kpi组对应的特征图。
97.示例性的，上述预设模型例如可以为3d卷积自编码器(3 dimension convolutional auto-encoder，3d-cae)、多尺度卷积循环编码器-解码器(multi-scale convolutional recurrent encoder-decoder，mscred)、复合长短期记忆网络(composite long short-term memory，composite lstm)等。
98.针对前述步骤s101，作为一种可能的实现方式，电子设备例如可以直接接收用户输入的上述样本数据集。或者，电子设备还可以从其他终端、服务器或数据库中，获取上述样本数据集。其中，电子设备例如可以通过应用程序接口(application programming interface，api)，或者，图形用户界面(graphical user interface，gui)等接收用户输入样本数据集。
99.作为另一种可能的实现方式，电子设备例如还可以接收用户输入的该核心网kpi组中至少两个核心网kpi的样本时序数据。然后，该电子设备可以基于该至少两个核心网kpi的样本时序数据，获取目标业务的核心网kpi组在各样本时刻对应的样本特征图。
100.针对前述步骤s102，在一些实施例中，电子设备可以使用上述样本数据集对该预设模型进行多轮训练，以获取特征预测模型。
101.作为一种可能的实现方式，对该预设模型进行第k轮训练过程中(k为大于或等于1的正整数)，针对任一样本时刻，电子设备可以获取该预设模型输出的该样本时刻对应的样本预测特征图。
102.然后，电子设备可以根据每一样本时刻对应的样本特征图与样本预测特征图的第一差值，以及，各样本时刻对应的权重，获取第k轮训练对应的损失函数的取值。其中，上述样本时序数据的最后一个样本时刻对应的权重，大于在最后一个样本时刻之前的任一样本时刻对应的权重。
103.为了便于描述，此处所说的样本时序数据的最后一个样本时刻对应的权重可以称为第一权重；在最后一个样本时刻之前的任一样本时刻对应的权重可以称为第二权重。应理解，在一些实施例中，上述第一权重与第二权重的和可以等于1，在该实现方式下，最后一个样本时刻之前的任一样本时刻对应的权重均相同，且均小于第一权重。或者，上述各样本时刻对应的第二权重也可以不同。
104.然后，电子设备可以根据上述损失函数的取值，以及，上述样本数据集对预设模型进行第k 1轮训练。可选的，针对任一轮训练的预设模型的参数设置可以参照现有的实现方式，在此不再赘述。
105.在该实现方式下，最后一个样本时刻对应的权重，大于在最后一个样本时刻之前的任一样本时刻对应的权重，可以使得最后一个样本时刻的样本特征图与样本预测特征图的差对损失函数的取值的影响，大于，最后一个样本时刻之前的任一样本时刻对应的样本特征图和样本预测特征图对损失函数的取值的影响，从而使得预设模型可以学习到该最后一个样本时刻更多的特征信息，提高了训练好的特征预测模型预测时序数据中最后一个时刻(即目标检测时刻)的预测特征图的准确性，进而提高了基于该特征预测模型确定目标业务是否出现异常的准确性。
106.或者，在一些实施例中，上述各样本时刻对应的权重也可以均相同。
107.作为另一种可能的实现方式，上述预设的损失函数的值还可以与相邻样本时刻的间隔时长负相关。也就是说，上述相邻样本时刻的间隔时长越长，该预设的损失函数的值越小。上述相邻样本时刻的间隔时长越小，该预设的损失函数的值越大。
108.因为上述样本特征图，是基于至少两个核心网kpi的样本时序数据获取的，且考虑到时序数据中间隔时长越短的两个时刻之间的数据关联越强，因此通过上述预设的损失函数可以使得上述样本时序数据中时间间隔越短的两个时刻对应的样本特征图的关联性越强，提高了对该预设模型进行训练的准确性，进而提高了通过该损失函数训练得到的特征预测模型的准确性，进一步提高了使用该特征预测模型进行核心网业务异常检测的准确性。
109.应理解，本技术对训练上述预设模型时使用的学习率、训练轮数等预设参数并不进行限定。
110.在本实施例中，通过“基于该核心网kpi组中至少两个核心网kpi的样本时序数据获取”的目标业务的核心网kpi组在各样本时刻对应的样本特征图，对预设模型进行训练，可以使得训练得到的特征预测模型可以根据输入的目标业务的核心网kpi组在各目标时刻对应的实际特征图，输出目标业务的核心网kpi组在各目标时刻对应的目标参数的取值。通过上述方法，使得特征预测模型可以结合多个核心网kpi的特征，输出目标检测时刻和各目标时刻对应的预测特征图，以基于该预测特征图进行目标业务异常检测。相较于现有的仅基于单一核心网kpi对核心网业务进行异常检测的方法，通过结合目标业务对应的多个核心网kpi，对该目标业务是否异常进行检测，提高了核心网业务异常检测的准确性。
111.下面对电子设备如何获取目标业务的核心网kpi组在各样本时刻对应的样本特征图进行详细说明。图3为本技术提供的一种获取核心网kpi组在各样本时刻对应的样本特征图的方法流程示意图。如图3所示，作为一种可能的实现方式，前述步骤s101可以包括以下步骤：
112.s201、获取目标业务的核心网kpi组的各核心网kpi的第一初始样本时序数据。
113.其中，上述第一初始样本时序数据包括该核心网kpi在各样本时刻的核心网kpi值。
114.作为一种可能的实现方式，电子设备可以接收用户输入的第一初始样本时序数据，或者，接收来自其他终端或者服务器的第一初始样本时序数据。
115.作为另一种可能的实现方式，电子设备还可以获取目标业务的核心网kpi组的各核心网kpi的第二初始样本时序数据。其中，针对任一第二初始样本时序数据，该第二初始样本时序数据可以包括该核心网kpi在各样本时刻的核心网kpi值，也可以未包括核心网kpi在所有样本时刻的核心网kpi值。针对未包括核心网kpi在所有样本时刻的核心网kpi值的第二初始样本时序数据，电子设备可以对该第二初始样本时序数据进行补齐，以使的该未包括核心网kpi在所有样本时刻的核心网kpi值的第二初始样本时序数据能够包括该核心网kpi在各样本时刻的核心网kpi值。
116.在该实现方式下，可选的，电子设备在获取到目标业务的核心网kpi组的各核心网kpi的第二初始样本时序数据之后，可以判断各第二初始样本时序数据对应的时间是否包括各样本时刻，以及，是否在各样本时刻均对应有核心网kpi值。
117.若存在第二初始样本时序数据对应的时间未包括所有样本时刻，可选的，电子设备可以对该第二初始样本时序数据进行时间戳补齐，以使该第二初始样本时序数据对应的时间包括各样本时刻。然后，针对该经过时间戳补齐之后第二初始样本时序数据，电子设备可以在时间戳补齐的样本时刻，对该第二初始样本时序数据进行缺省值填充，以使得该第二初始样本时序数据能够包括该核心网kpi在各样本时刻的核心网kpi值。
118.若存在第二初始样本时序数据对应的时间包括各样本时刻，且该第二初始样本时序数据未在各样本时刻均对应有核心网kpi的值，可选的，则电子设备可以对缺失核心网kpi的值的样本时刻进行缺省值填充，以使该第二初始样本时序数据能够包括该核心网kpi在各样本时刻的核心网kpi值。
119.然后，电子设备可以将上述包括核心网kpi在各样本时刻的核心网kpi值的第二初始样本时序数据作为该核心网kpi的第一初始样本时序数据。
120.在一些实施例中，电子设备在对第二初始样本时序数据进行缺省值填充之前，电子设备还可以判断该第二初始样本时序数据中是否存在该第二初始样本时序数据对应的核心网kpi的异常值。若该第二初始样本时序数据中存在核心网kpi的异常值，则电子设备可以删除该第二初始样本时序数据中的异常值，以提高基于该第二初始样本时序确定的第一初始样本时序数据的准确性，进而提高基于该第一初始样本时序数据训练得到的特征预测模型的准确性。在删除该第二初始样本时序数据中的异常值之后，电子设备可以对删除了异常值的样本时刻进行缺省值填充。
121.应理解，本技术对电子设备如何确定该第二初始样本时序数据中是否存在该第二初始样本时序数据对应的核心网kpi的异常值，并不进行限定。可选的，可以参照任意一种现有的实现方式。示例性的，电子设备例如可以通过箱线图算法，确定该第二初始样本时序数据中是否存在该第二初始样本时序数据对应的核心网kpi的异常值。
122.此外，应理解，本技术对电子设备如何对该第二初始样本时序数据进行缺省值填充，并不进行限定。可选的，可以参照任意一种现有的实现方式。示例性的，电子设备例如可以通过多项式插值法，对该第二初始样本时序数据进行缺省值填充。
123.s202、针对任一核心网kpi的第一初始样本时序数据，对该第一初始样本时序数据按照时间进行分段处理，得到该核心网kpi的多段样本时序数据。
124.其中，得到的该核心网kpi的多段样本时序数据中的任意一段样本时序数据对应的时长小于上述第一初始样本时序数据对应的时长。
125.作为一种可能的实现方式，电子设备可以使用多个滑窗，对上述第一初始样本时序数据进行分段处理，得到该核心网kpi对应的多段样本时序数据。其中，上述多个滑窗的时长均相同，且相邻两滑窗存在样本时刻上的重叠。上述该多段样本时序数据中的任意一段样本时序数据的时长等于上述滑窗的时长。
126.在该实现方式下，通过保障上述多个滑窗的时长相同，使得通过该多个滑窗得到的各段样本时序数据对应的时长相同，提高了电子设备对样本时序数据处理的效率。通过保障相邻两滑窗存在样本时刻上的重叠，使得通过多个滑窗得到的多段样本时序数据存在样本时刻上的重叠，提高了样本时序数据能够表征的核心网kpi在时序特征上的关联性，因此提高了基于该多段样本时序数据训练得到的特征预测模型的准确性。
127.可选的，电子设备例如可以接收用户输入的滑窗的时长。在接收到用户输入的滑
窗的时长之后，电子设备可以根据该滑窗的时长，确定滑窗的步长小于该滑窗的时长。电子设备通过使滑窗的步长小于滑窗的时长，可以实现相邻两滑窗存在样本时刻上的重叠。或者，上述滑窗的时长和滑窗的步长还可以是用户预先确定并存储在该电子设备中的。
128.s203、根据核心网kpi组中的各核心网kpi的多段样本时序数据，得到目标业务的核心网kpi组在各样本时刻对应的样本特征图。
129.作为一种可能的实现方式，针对任一样本时刻，电子设备首先可以从各核心网kpi对应的多段样本时序数据中，确定各核心网kpi在该样本时刻的核心网kpi值。然后，电子设备可以根据对各核心网kpi在该样本时刻的核心网kpi值两两计算内积的结果，得到目标业务的核心网kpi组在该样本时刻对应的核心网kpi样本特征图。
130.在该实现方式下，可选的，电子设备可以直接将对各核心网kpi在该样本时刻的核心网kpi值两两计算内积的结果，作为目标业务的核心网kpi组在该样本时刻对应的核心网kpi样本特征图。或者，电子设备还可以将“对各核心网kpi在该样本时刻的核心网kpi值两两计算内积的结果”与预设系数的乘积，作为目标业务的核心网kpi组在该样本时刻对应的核心网kpi样本特征图。其中，上述预设系数例如可以为用户预先存储在该电子设备中的。不同样本时刻对应的预设系数可以相同也可以不同。
131.应理解，本技术对电子设备如何根据核心网kpi组中的各核心网kpi的多段样本时序数据，得到目标业务的核心网kpi组在各样本时刻对应的样本特征图并不进行限定。可选的，还可以参照任意一种现有的实现方式，根据核心网kpi组中的各核心网kpi的多段样本时序数据，得到目标业务的核心网kpi组在各样本时刻对应的样本特征图。
132.在本实施例中，通过对第一初始样本时序数据进行分段处理，可以获取多段样本时序数据，增加了样本时序数据的数量，提高了用于训练预设模型的数据量，进而提高了训练得到的特征预测模型的准确性。
133.以上述各样本时刻对应的样本特征图是基于核心网kpi组中n个核心网kpi的样本时序数据获取的为例，本技术该提供另一种特征预测模型的训练方法，步骤如下：
134.步骤1、电子设备按照各核心网kpi对应的业务，对核心网kpi进行分组。其中，一个核心网kpi可以分到至少一个核心网业务对应的组。也就是说，不同业务的核心网kpi组中包括的核心网kpi可以存储在重叠。
135.步骤2、获取目标业务的核心网kpi组的各核心网kpi的第二初始样本时序数据。
136.其中，该第二初始样本时序数据对应的时长例如可以为至少28天(24小时/天)等。
137.步骤3、利用箱线图法删除该第二初始样本时序数据中的异常值，得到删除异常值之后的第二初始样本时序数据。
138.步骤4、利用多项式插值算法，对上述删除异常值之后的第二初始样本时序数据进行时间戳补齐和缺省值填充，得到第一初始样本时序数据。
139.步骤5、对该第一初始样本时序数据按照时间进行分段处理，得到该核心网kpi的多段样本时序数据。
140.假设电子设备使用的是时长为ω(或者说ω个样本时刻)，步长为s(其中，ω大于s)的等长滑窗，对第一初始样本时序数据进行分段，则电子设备可以获取该目标业务的(t-ω)/s 1组长度为ω、包含n个核心网kpi的样本训练数据。
141.步骤6、在各样本时刻，对各核心网kpi两两计算内积，得到目标业务的核心网kpi
组在各样本时刻对应的样本特征图。
142.其中，上述样本特征图为大小n
×
n的矩阵。通过上述方法，将(t-ω)/s 1组大小为ω
×
n的样本时序数据，转换成(t-ω)/s 1组大小为ω
×n×
n的核心网kpi样本特征图对应的矩阵。
143.步骤7、使用上述目标业务的核心网kpi组在各样本时刻对应的样本特征图，以及，核心网kpi组在各样本时刻对应的目标参数的值，对3d卷积自编码器进行训练，得到训练好的3d卷积自编码器作为特征预测模型。
144.其中，示例性的，图4为本技术提供的一种3d卷积自编码器的结构示意图。如图4所示，在编码器(encoder)的每一级中，样本特征图经过3d卷积模块实现时间和空间上的逐步压缩。每个3d卷积模块可以包含3d卷积层(如图4中所示的3d-conv)、批量归一化(batch normalization，bn)层、leaky-relu(一种非线性激活函数的名称，如图4中所示的l-relu)层以及3d池化层(如图4中所示的3d-pooling)。每个3d反卷积模块可以包含3d反卷积层(如图4中所示的3d-deconv)、bn层以及leaky-relu层。而解码器(decoder)通过3d反卷积模块对样本特征图进行预测。该3d卷积自编码器的目标值与输入值相同，为包含ω个样本时刻的样本特征图对应的矩阵。
145.可选的，上述损失函数的公式例如可以如下述公式(1)所示：
[0146][0147]
其中，n表示核心网kpi组中核心网kpi的数量，上述n＝n
×
n。表示ω个样本时刻中的第t个样本时刻的样本特征图对应的矩阵中的第i行，第j列的值。f(x
ij
)
t
表示该第t个样本时刻的样本预测特征图对应的矩阵中的第i行，第j列的值。α表示前述第二权重，(1-α)表示前述第一权重。l表示损失函数的取值。其中，α的值小于(1-α)的值，例如，α可以等于0.4。
[0148]
进一步的，上述损失函数的公式还可以如下公式(2)所示：
[0149][0150]
其中，l为上述公式(1)中的l，λ为该3d卷积自编码器的超参数，可以是用户预先存储在该电子设备中的，示例性的，λ例如可以等于1。w表示该3d卷积自编码器中的任一可训练参数，m表示该3d卷积自编码器中的可训练参数的数量之和。
[0151]
在得到特征预测模型之后，可以使用该特征预测模型进行核心网业务异常检测。下面结合具体地实施例对本技术如何使用该特征预测模型进行核心网业务异常检测进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0152]
该核心网业务异常检测方法的执行主体可以为终端或者服务器等具有处理功能的电子设备。应理解，作为特征预测模型的训练方法的执行主体的电子设备与作为核心网业务异常检测方法的执行主体可以为同一电子设备，也可以为不同的电子设备。
[0153]
图5为本技术提供的一种核心网业务异常检测方法的流程示意图。如图5所示，该方法包括以下步骤：
[0154]
s301、获取目标业务的核心网kpi组在目标检测时刻对应的实际特征图，以及，在
所述目标检测时刻之前的每一目标时刻对应的实际特征图。
[0155]
其中，上述实际特征图是基于目标业务的核心网kpi组中至少两个核心网kpi的时序数据获取的。该时序数据包括核心网kpi在目标检测时刻和各目标时刻的核心网kpi值。
[0156]
可选的，电子设备例如可以接收用户输入的目标检测时刻。然后，根据该目标检测时刻，电子设备可以确定在该目标检测时刻之前的各目标时刻。其中，上述各目标时刻所在时间段的时长例如可以是用户预先存储在电子设备中的。在一些实施例中，上述各目标时刻所在时间段的时长例如可以与核心网kpi值变化的周期相同，例如一天(24小时)。
[0157]
或者，电子设备还可以周期性执行该核心网业务异常检测方法，也就是说，电子设备还可以根据检测核心网异常的周期，确定各目标检测时刻。其中，上述检测核心网异常的周期例如可以是用户预先存储在电子设备中的。
[0158]
作为一种可能的实现方式，电子设备可以直接接收用户输入的目标业务的核心网kpi组在目标检测时刻，以及，该目标检测时刻之前的各目标时刻对应的实际特征图。
[0159]
作为另一种可能的实现方式，电子设备可以还先获取该核心网kpi组中的各核心网kpi的时序数据。针对任一时刻，电子设备可以从该时序数据中，确定各核心网kpi在该时刻的核心网kpi值。其中，该任一时刻指的是目标检测时刻，或者，任一目标时刻。
[0160]
然后，针对任一时刻(该任一时刻为目标检测时刻，或者，任一目标时刻)，电子设备可以根据对各核心网kpi在该时刻的核心网kpi值两两计算内积的结果，得到目标业务的核心网kpi组在该时刻对应的实际特征图。
[0161]
可选的，电子设备例如可以接收用户输入的各核心网kpi在上述目标检测时刻和各目标时刻对应的时序数据。或者，电子设备还可以接收来自其他终端或者服务器的各核心网kpi在上述目标检测时刻和各目标时刻对应的时序数据。
[0162]
s302、将目标检测时刻对应的实际特征图，以及，每一目标时刻对应的实际特征图输入特征预测模型，得到该核心网kpi组在目标检测时刻对应的预测特征图和每一目标时刻对应的预测特征图。
[0163]
其中，上述特征预测模型为基于如前述任一特征预测模型训练方法训练得到的。上述预测特征图指的是该目标业务未出现异常时，该目标业务的核心网kpi组对应的特征图。
[0164]
s303、根据该核心网kpi组在每一目标时刻对应的预测特征图，以及，核心网kpi组在每一目标时刻对应的实际特征图，确定该目标业务对应的至少一个异常检测阈值。
[0165]
可选的，电子设备可以根据异常检测阈值数量，根据上述核心网kpi组在各目标时刻对应的预测特征图，确定该核心网kpi组在各目标时刻对应的，异常检测阈值数量个异常检测阈值。其中，上述异常检测阈值数量可以是用户预先存储在电子设备中的。或者，电子设备还可以接收用户输入的异常检测阈值数量。再或者，上述电子设备中例如还可以存储有业务的标识与异常检测阈值数量的映射关系。电子设备可以根据用户输入的目标业务的标识，以及，该业务的标识与异常检测阈值数量的映射关系，确定该目标业务对应的异常检测阈值数量。
[0166]
示例性的，以电子设备通过上述方法获取核心网kpi组在6个目标时刻对应的预测特征图为例，电子设备可以根据该6个预测特征图，确定该核心网kpi组对应的一个或者多个异常检测阈值。
[0167]
作为一种可能的实现方式，针对任一目标时刻，电子设备可以根据核心网kpi组在该目标时刻对应的预测特征图，以及，核心网kpi组在该目标时刻对应的实际特征图，得到目标业务在该目标时刻的目标参数的取值。其中，该目标参数用于指示该目标业务是否异常。
[0168]
可选的，电子设备例如可以通过下述公式(3)，获取目标业务在该目标时刻的目标参数的取值。
[0169][0170]
其中，e表示目标业务在该目标时刻的目标参数的取值，n表示核心网kpi组中核心网kpi的个数。p
ij
表示核心网kpi组在该目标时刻对应的预测特征图中的第i行，第j列的值；o
ij
核心网kpi组在该目标时刻对应的实际特征图中的第i行，第j列的值。
[0171]
然后，电子设备可以根据该目标业务在各目标时刻的目标参数的取值，确定该目标业务对应的至少一个异常检测阈值。
[0172]
应理解，本技术对电子设备如何根据该目标业务在各目标时刻的目标参数的取值，确定该目标业务对应的至少一个异常检测阈值，并不进行限定。可选的，可以参照任意一种现有的实现方式。示例性的，电子设备例如可以将该目标业务在各目标时刻的目标参数的取值作为箱线图算法的输入，以得到该核心网kpi组对应的至少一个异常检测阈值。
[0173]
s304、根据核心网kpi组在目标检测时刻对应的预测特征图，以及，核心网kpi组在目标检测时刻对应的实际特征图，得到目标业务在目标检测时刻的目标参数的取值。
[0174]
作为一种可能的实现方式，电子设备实现“根据核心网kpi组在目标检测时刻对应的预测特征图，以及，核心网kpi组在目标检测时刻对应的实际特征图，得到目标业务在目标检测时刻的目标参数的取值”的具体实现方式，例如可以参考上述步骤s303中“根据核心网kpi组在该目标时刻对应的预测特征图，以及，核心网kpi组在该目标时刻对应的实际特征图，得到目标业务在该目标时刻的目标参数的取值”的实现方式，在此不再赘述。
[0175]
s305、根据目标业务对应的至少一个异常检测阈值，以及，目标业务在该目标检测时刻的目标参数的取值，确定该目标业务是否出现异常。
[0176]
作为一种可能的实现方式，电子设备例如可以将上述至少一个异常检测阈值，以及，目标业务在目标检测时刻对应的目标参数的取值作为预设的异常判断方法的输入，以确定该目标业务是否出现异常。其中，上述预设的异常判断方法可以基于至少一个异常检测阈值，以及，目标业务在目标检测时刻对应的目标参数的取值判断目标业务是否出现异常。
[0177]
以电子设备确定该目标业务对应一个异常检测阈值，且大于该异常检测阈值的值为异常值为例，若目标业务在目标检测时刻对应的目标参数的取值大于该异常检测阈值，则电子设备可以确定该目标业务出现异常。若目标业务在目标检测时刻对应的目标参数的取值小于或等于该异常检测阈值，则电子设备可以确定该目标业务未出现异常。
[0178]
以电子设备根据确定该目标业务对应两个异常检测阈值(假设分别为异常检测阈值1和异常检测阈值2，其中，异常检测阈值1小于异常检测阈值2)，示例性的，若目标业务在目标检测时刻对应的目标参数的取值小于或等于上述异常检测阈值1，则电子设备可以确定该目标业务未出现异常。若目标业务在目标检测时刻对应的目标参数的取值大于该异常
检测阈值1且小于或等于上述异常检测阈值2，则电子设备可以确定该目标业务当前未出现异常但即将出现异常的可能性较大。若目标业务在目标检测时刻对应的目标参数的取值大于上述异常检测阈值2，则电子设备可以确定该目标业务出现异常。
[0179]
若电子设备确定目标业务出现异常，则电子设备可以执行步骤s306，以输出用于提示该目标业务出现异常的第一提示信息。
[0180]
若电子设备确定目标业务未出现异常，可选的，电子设备例如可以执行步骤s301-s305，以继续判断下一目标检测时刻的目标业务是否出现异常。或者，电子设备例如还可以输出用于提示该目标业务未出现异常的提示信息，以使用户知道目标检测时刻的目标业务未出现异常，提高用户体验。
[0181]
s306、输出第一提示信息。
[0182]
在电子设备确定目标业务出现异常时，电子设备可以输出用于提示目标业务出现异常的第一提示信息。可选的，以该电子设备为自身设置有显示装置的电子设备为例，电子设备例如可以通过自身的显示装置输出该第一提示信息。或者，电子设备例如还可以通过与该电子设备连接的显示装置，输出该第一提示信息。再或者，电子设备例如还可以通过语音播报装置等输出上述第一提示信息。
[0183]
在本实施例中，通过将基于“目标业务的核心网kpi组中至少两个核心网kpi的时序数据”获取到各目标时刻和目标检测时刻对应的实际特征图，输入到特征预测模型，可以得到用于表示该目标业务未出现异常时的预测特征图。基于各目标时刻和目标检测时刻对应的预测特征图，以及，各目标时刻和目标检测时刻对应的实际特征图，电子设备可以确定目标业务对应的至少一个异常检测阈值，以及，目标业务在目标检测时刻的“用于指示该目标业务是否异常”的目标参数的取值。通过该至少一个异常检测阈值，以及，目标业务在目标检测时刻的目标参数的取值，可以确定该目标业务是否出现异常。通过上述方法，结合了目标业务对应的多个核心网kpi的时序数据，对该目标业务是否异常进行检测，提高了核心网业务异常检测的准确性。
[0184]
作为一种可能的实现方式，在电子设备确定目标业务出现异常之后，还可以进一步确定该目标业务的核心网kpi组中的异常核心网kpi，以使用户可以及时确定出现异常的核心网kpi，以进一步提供用户基于该异常核心网kpi对核心网设备进行维护的效率，进而进一步提高了用户体验。
[0185]
可选的，电子设备首先可以确定用于表示目标业务的核心网kpi组中各核心网kpi对应的异常度的差值特征图。然后，根据该差值特征图，确定目标业务中的出现异常的核心网kpi的标识。在确定目标业务中的出现异常的核心网kpi的标识之后，电子设备可以输出该异常的核心网kpi的标识。其中，上述核心网kpi对应的异常度，与，核心网kpi相关的核心网设备出现故障的概率正相关。
[0186]
在该实现方式下，电子设备例如可以根据前述核心网kpi组在目标检测时刻对应的预测特征图，以及，目标业务的核心网kpi组在目标检测时刻对应的实际特征图，获取目标业务在目标检测时刻对应的差值特征图。
[0187]
在一些实施例中，电子设备例如可以根据该核心网kpi组在目标检测时刻对应的预测特征图对应的第一矩阵，与，该核心网kpi组在目标检测时刻对应的实际特征图对应的第二矩阵的差，获取目标业务在目标检测时刻对应的差值特征图。上述第一矩阵和第二矩
阵的行和列均可以用于表示核心网kpi。
[0188]
在一些实施例中，电子设备例如还可以将上述第一矩阵与第二矩阵的差作为初始差值特征图。然后，电子设备可以通过预设的归一化算法，对该初始差值特征图进行归一化处理，得到归一化处理之后的差值特征图。电子设备可以将该归一化处理之后的差值特征图作为目标业务在目标检测时刻对应的差值特征图。
[0189]
然后，电子设备可以根据上述差值特征图，确定目标业务中的出现异常的核心网kpi的标识。可选的，电子设备例如可以从上述差值特征图中，确定出绝对值最大的数值，并将该绝对值最大的数值所在的行和列对应的核心网kpi作为目标业务中的出现异常的核心网kpi。
[0190]
示例性的，以电子设备确定该差值特征图中，绝对值最大的数值所在的行和列为第一行、第二列，则电子设备可以确定第一行对应的核心网kpi，以及，第二列对应的核心网kpi为目标业务中的出现异常的核心网kpi。以电子设备确定该差值特征图中，绝对值最大的数值所在的行和列为第二行、第二列，说明出现异常的核心网kpi只有一个，则电子设备可以确定该第二行对应的核心网kpi为目标业务中的出现异常的核心网kpi。
[0191]
可选的，电子设备中例如还可以存储有差值特征图的行号与核心网kpi的标识的映射关系(列号与核心网kpi的标识的映射关系与该行号与核心网kpi的标识的映射关系相同)。电子设备可以根据上述绝对值最大的数值所在的行号和列号，以及上述映射关系，确定出现异常的核心网kpi的标识。
[0192]
在电子设备确定出现异常的核心网kpi的标识之后，电子设备可以输出该出现异常的核心网kpi的标识。可选的，电子设备输出该出现异常的核心网kpi的标识的具体实现方式可以参照前述实施例所述方法，在此不再赘述。
[0193]
作为一种可能的实现方式，在确定目标业务出现异常之后，电子设备还可以确定该目标业务的异常度，以进一步提高用户对该核心网进行维护的效率。其中，上述目标业务的异常度，与，核心网中执行该目标业务的核心网设备出现故障的概率正相关。
[0194]
可选的，电子设备可以根据目标业务的核心网kpi组在目标检测时刻对应的目标参数的取值，以及，目标业务的核心网kpi组对应的至少一个异常检测阈值，确定该目标业务的异常度。
[0195]
在一些实施例中，电子设备例如可以根据目标参数的取值与异常检测阈值的差值的绝对值，以及，绝对值与异常度的映射关系，确定该目标业务的异常度。其中，上述绝对值与异常度的映射关系例如可以是用户根据经验确定并预先存储在电子设备中的。
[0196]
或者，电子设备例如还可以根据目标参数的取值与异常检测阈值的差值的绝对值占据所述异常检测阈值的百分比，以及，百分比与异常度的映射关系，确定该目标业务的异常度。其中，上述百分比与异常度的映射关系例如可以是用户根据经验确定并预先存储在电子设备中的。
[0197]
在电子设备确定目标业务的异常度之后，可以输出包括上述目标业务的异常度的第二提示信息。可选的，电子设备输出该第二提示信息的方式可以参照前述实施例所述的输出第一提示信息的实现方式，在此不再赘述。
[0198]
图6为本技术提供的一种特征预测模型的训练装置的结构示意图。如图6所示，该装置包括：获取模块401，以及，训练模块402。其中，
[0199]
获取模块401，用于获取核心网的目标业务的样本数据集。其中，所述样本数据集包括：目标业务的核心网kpi组在各样本时刻对应的样本特征图；所述样本特征图是基于所述核心网kpi组中至少两个核心网kpi的样本时序数据获取的；所述样本时序数据包括核心网kpi在各样本时刻的核心网kpi值。
[0200]
训练模块402，用于使用所述样本数据集对预设模型进行训练，得到所述特征预测模型。其中，所述特征预测模型用于根据输入的所述目标业务的核心网kpi组在目标检测时刻对应的实际特征图，以及，在所述目标检测时刻之前的每一目标时刻对应的实际特征图，输出所述核心网kpi组在所述目标检测时刻的预测特征图，以及，在每一目标时刻对应的预测特征图；所述实际特征图是基于所述核心网kpi组中至少两个核心网kpi的时序数据获取的；所述预测特征图指的是所述目标业务未出现异常时，所述核心网kpi组对应的特征图。
[0201]
可选的，训练模块402，具体用于对所述预设模型进行第k轮训练过程中，针对任一样本时刻，获取所述预设模型输出的该样本时刻对应的样本预测特征图；根据每一样本时刻对应的样本特征图与样本预测特征图的第一差值，以及，各样本时刻对应的权重，获取第k轮训练对应的损失函数的取值；其中，所述k为大于或等于1的正整数；所述样本时序数据的最后一个样本时刻对应的权重，大于在所述最后一个样本时刻之前的任一样本时刻对应的权重；
[0202]
可选的，获取模块401，具体用于获取所述目标业务的核心网kpi组的各核心网kpi的第一初始样本时序数据；针对任一核心网kpi的第一初始样本时序数据，对该第一初始样本时序数据按照时间进行分段处理，得到该核心网kpi的多段样本时序数据；根据所述核心网kpi组中的各核心网kpi的多段样本时序数据，得到目标业务的核心网kpi组在各样本时刻对应的样本特征图。其中，所述第一初始样本时序数据包括核心网kpi在各样本时刻的核心网kpi值；任意一段所述样本时序数据对应的时长小于所述第一初始样本时序数据对应的时长。
[0203]
可选的，获取模块401，具体用于使用多个滑窗，对所述第一初始样本时序数据进行分段处理，得到该核心网kpi对应的多段样本时序数据。其中，所述多个滑窗的时长均相同，且相邻两滑窗存在样本时刻上的重叠。任意一段所述样本时序数据的时长等于所述滑窗的时长。
[0204]
可选的，获取模块401，具体用于针对任一样本时刻，从所述各核心网kpi对应的多段样本时序数据中，确定所述各核心网kpi在该样本时刻的核心网kpi值；根据对所述各核心网kpi在该样本时刻的核心网kpi值两两计算内积的结果，得到目标业务的核心网kpi组在该样本时刻对应的核心网kpi样本特征图。
[0205]
可选的，获取模块401，具体用于获取所述目标业务的核心网kpi组的各核心网kpi的第二初始样本时序数据；针对任一未包括核心网kpi在所有样本时刻的核心网kpi值的第二初始样本时序数据，对该第二初始样本时序数据进行缺省值填充，得到所述目标业务的核心网kpi组的各核心网kpi的第一初始样本时序数据。
[0206]
可选的，获取模块401，还用于在所述对该第二初始样本时序数据进行缺省值填充之前删除所述第二初始样本时序数据中的异常值；和/或，根据所述各样本时刻，对该第二初始样本时序数据进行时间戳补齐。
[0207]
本技术提供的特征预测模型的训练装置，用于执行前述特征预测模型的训练方法
实施例，其实现原理与技术效果类似，对此不再赘述。
[0208]
图7为本技术提供的一种核心网业务异常检测装置的结构示意图。如图7所示，该装置包括：获取模块501、处理模块502，以及，输出模块503。其中，
[0209]
获取模块501，用于获取目标业务的核心网kpi组在目标检测时刻对应的实际特征图，以及，在所述目标检测时刻之前的每一目标时刻对应的实际特征图。其中，所述实际特征图是基于所述核心网kpi组中至少两个核心网kpi的时序数据获取的；所述时序数据包括核心网kpi在目标检测时刻和每一目标时刻的核心网kpi值。
[0210]
处理模块502，用于将将所述目标检测时刻对应的实际特征图，以及，每一目标时刻对应的实际特征图输入特征预测模型，得到所述核心网kpi组在所述目标检测时刻对应的预测特征图，以及，在每一目标时刻对应的预测特征图；根据所述核心网kpi组在每一目标时刻对应的预测特征图，以及，所述核心网kpi组在所述每一目标时刻对应的实际特征图，确定所述目标业务对应的至少一个异常检测阈值；根据所述核心网kpi组在所述目标检测时刻对应的预测特征图，以及，所述核心网kpi组在所述目标检测时刻对应的实际特征图，得到所述目标业务在所述目标检测时刻的目标参数的取值。其中，所述特征预测模型为基于如前述任一项特征预测模型的训练方法训练得到的。所述预测特征图指的是所述目标业务未出现异常时，所述核心网kpi组对应的实际特征图。所述目标参数用于指示所述目标业务是否异常。
[0211]
输出模块503，用于在根据所述目标业务对应的至少一个异常检测阈值，以及，所述目标业务在所述目标检测时刻的目标参数的取值，确定所述目标业务出现异常时，输出第一提示信息。其中，所述第一提示信息用于提示所述目标业务出现异常。
[0212]
可选的，处理模块502，具体用于针对任一所述目标时刻，根据所述核心网kpi组在该目标时刻对应的预测特征图，以及，所述核心网kpi组在该目标时刻对应的实际特征图，得到所述目标业务在该目标时刻的目标参数的取值；根据所述目标业务在各目标时刻的目标参数的取值，确定所述目标业务对应的至少一个异常检测阈值。
[0213]
可选的，处理模块502，还用于在所述确定所述目标业务出现异常之后，根据所述核心网kpi组在所述目标检测时刻对应的预测特征图，以及，所述核心网kpi组在所述目标检测时刻对应的实际特征图，获取所述目标业务在所述目标检测时刻对应的差值特征图；根据所述差值特征图，确定所述目标业务的核心网kpi组中的出现异常的核心网kpi的标识；
[0214]
其中，所述差值特征图用于表示所述目标业务的核心网kpi组中的各核心网kpi对应的异常度；所述核心网kpi对应的异常度，与，所述核心网kpi相关的核心网设备出现故障的概率正相关。
[0215]
在该实现方式下，可选的，输出模块503，还用于输出所述出现异常的核心网kpi的标识。
[0216]
可选的，处理模块502，具体用于根据所述核心网kpi组在所述目标检测时刻对应的预测特征图对应的第一矩阵，与，所述核心网kpi组在所述目标检测时刻对应的实际特征图对应的第二矩阵的差，获取所述目标业务在所述目标检测时刻对应的差值特征图。
[0217]
可选的，处理模块502，还用于在所述确定所述目标业务出现异常之后，根据所述目标业务的核心网kpi组在所述目标检测时刻对应的目标参数的取值，以及，所述目标业务
的核心网kpi组对应的至少一个异常检测阈值，确定所述目标业务的异常度。其中，所述目标业务的异常度与所述核心网中执行所述目标业务的核心网设备出现故障的概率正相关。
[0218]
在该实现方式下，输出模块503，还用于输出第二提示信息。其中，所述第二提示信息包括所述目标业务的异常度。
[0219]
可选的，获取模块501，还用于获取所述核心网kpi组中各核心网kpi的所述时序数据；针对任一时刻，从所述时序数据中，确定所述各核心网kpi在该时刻的核心网kpi值；根据对所述各核心网kpi在该时刻的核心网kpi值两两计算内积的结果，得到所述核心网kpi组在目标检测时刻，以及，所述各目标时刻对应的实际特征图。其中，所述任一时刻为目标检测时刻，或者，任一目标时刻。
[0220]
本技术提供的核心网业务异常检测装置，用于执行前述核心网业务异常检测方法实施例，其实现原理与技术效果类似，对此不再赘述。
[0221]
图8为本技术提供的一种电子设备结构示意图。如图8所示，该电子设备600可以包括：至少一个处理器601和存储器602。
[0222]
存储器602，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
[0223]
存储器602可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0224]
处理器601用于执行存储器602存储的计算机执行指令，以实现前述方法实施例所描述的特征预测模型的训练方法或者核心网业务异常检测方法。其中，处理器601可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0225]
可选的，该电子设备600还可以包括通信接口603。在具体实现上，如果通信接口603、存储器602和处理器601独立实现，则通信接口603、存储器602和处理器601可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
[0226]
可选的，在具体实现上，如果通信接口603、存储器602和处理器601集成在一块芯片上实现，则通信接口603、存储器602和处理器601可以通过内部接口完成通信。
[0227]
本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述实施例中的方法。
[0228]
本技术还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的特征预测模型的训练方法或者核心网业务异常检测方法。
[0229]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。