本申請涉及無線網(wǎng)絡，尤其涉及一種模型訓練和網(wǎng)元異常檢測方法、裝置、設備、存儲介質(zhì)及計算機程序產(chǎn)品。

背景技術(shù)：

1、核心網(wǎng)隱患和質(zhì)差識別，直接影響業(yè)務比如個人業(yè)務和政企業(yè)務的質(zhì)量和客戶滿意度，因此，對核心網(wǎng)中的網(wǎng)元進行識別，這對確定核心網(wǎng)的隱患和質(zhì)差來說是至關(guān)重要的。

2、相關(guān)技術(shù)中，針對核心網(wǎng)中的網(wǎng)元識別，通常采用的是基于分布假設或距離排序的方法，但這兩類方法容易漏檢或誤檢異常數(shù)據(jù)點，因此又提出了借助人工智能(ai，artificial?intelligence)實現(xiàn)網(wǎng)元識別的方法，例如，基于預測或者重建的異常檢測算法，然而，在基于預測或者重建的異常檢測算法中，由于模型學習的時序數(shù)據(jù)點級別表征信息量不足，模型可能被正常數(shù)據(jù)模式主導，使得異常數(shù)據(jù)點難以區(qū)分?？梢?，相關(guān)技術(shù)中的模型建模能力較差，導致存在預測準確性低的問題。

技術(shù)實現(xiàn)思路

1、為解決相關(guān)技術(shù)中存在的技術(shù)問題，本申請實施例提供一種模型訓練和網(wǎng)元異常檢測方法、裝置、設備、存儲介質(zhì)及計算機程序產(chǎn)品。

2、為達到上述目的，本申請實施例的技術(shù)方案是這樣實現(xiàn)的：

3、第一方面，本申請實施例提供了一種模型訓練方法，所述方法包括：

4、獲取第一樣本數(shù)據(jù)；所述第一樣本數(shù)據(jù)包括網(wǎng)元的一個或多個性能指標數(shù)據(jù)的相關(guān)數(shù)據(jù)；

5、利用設置的訓練模型對所述第一樣本數(shù)據(jù)進行處理，得到訓練結(jié)果；

6、基于所述訓練結(jié)果和所述第一樣本數(shù)據(jù)，調(diào)整所述訓練模型直至收斂，得到異常檢測模型；所述異常檢測模型表征網(wǎng)元數(shù)據(jù)與網(wǎng)元分類的對應關(guān)系；

7、其中，所述訓練模型包括自注意力層，所述自注意力層包括第一注意力模塊和第二注意力模塊，所述第一注意力模塊用于確定各所述性能指標數(shù)據(jù)在不同時間上的相關(guān)性，所述第二注意力模塊用于確定不同性能指標數(shù)據(jù)間的相關(guān)性。

8、第二方面，本申請實施例還提供了一種網(wǎng)元異常檢測方法，所述方法包括：

9、獲取第三樣本數(shù)據(jù)；所述第三樣本數(shù)據(jù)表征待檢測的樣本數(shù)據(jù)集中的任一樣本數(shù)據(jù)，所述待檢測的樣本數(shù)據(jù)集包括網(wǎng)元的一個或多個性能指標數(shù)據(jù)；

10、將所述第三樣本數(shù)據(jù)輸入至異常檢測模型，得到相應的預測結(jié)果；

11、基于所述預測結(jié)果，對所述第三樣本數(shù)據(jù)對應的網(wǎng)元的質(zhì)量進行識別；

12、其中，所述異常檢測模型是基于上述任一項所述的模型訓練方法得到的。

13、第三方面，本申請實施例提供了一種模型訓練裝置，所述裝置包括：

14、第一獲取單元，用于獲取第一樣本數(shù)據(jù)；所述第一樣本數(shù)據(jù)包括網(wǎng)元的一個或多個性能指標數(shù)據(jù)的相關(guān)數(shù)據(jù)；

15、處理單元，用于利用設置的訓練模型對所述第一樣本數(shù)據(jù)進行處理，得到訓練結(jié)果；

16、第一確定單元，用于基于所述訓練結(jié)果和所述第一樣本數(shù)據(jù)，調(diào)整所述訓練模型直至收斂，得到異常檢測模型；所述異常檢測模型表征網(wǎng)元數(shù)據(jù)與網(wǎng)元分類的對應關(guān)系；其中，所述訓練模型包括自注意力層，所述自注意力層包括第一注意力模塊和第二注意力模塊，所述第一注意力模塊用于確定各所述性能指標數(shù)據(jù)在不同時間上的相關(guān)性，所述第二注意力模塊用于確定不同性能指標數(shù)據(jù)間的相關(guān)性。

17、第四方面，本申請實施例還提供了一種網(wǎng)元異常檢測裝置，所述裝置包括：

18、第二獲取單元，用于獲取第三樣本數(shù)據(jù)；所述第三樣本數(shù)據(jù)表征待檢測的樣本數(shù)據(jù)集中的任一樣本數(shù)據(jù)，所述待檢測的樣本數(shù)據(jù)集包括網(wǎng)元的一個或多個性能指標數(shù)據(jù)；

19、輸入單元，用于將所述第三樣本數(shù)據(jù)輸入至異常檢測模型，得到相應的預測結(jié)果；

20、識別單元，用于基于所述預測結(jié)果，對所述第三樣本數(shù)據(jù)對應的網(wǎng)元的質(zhì)量進行識別；

21、其中，所述異常檢測模型是基于上述任一項所述的模型訓練方法得到的。

22、第五方面，本申請實施例提供了一種模型訓練設備，包括：第一處理器和用于存儲能夠在所述第一處理器上運行的計算機程序的第一存儲器；

23、其中，所述第一處理器用于運行所述計算機程序時，執(zhí)行本申請實施例所述的任一項所述的模型訓練方法的步驟。

24、第六方面，本申請實施例提供了一種網(wǎng)元異常檢測設備，包括：第二處理器和用于存儲能夠在所述第二處理器上運行的計算機程序的第二存儲器；

25、其中，所述第二處理器用于運行所述計算機程序時，執(zhí)行本申請實施例所述的任一項所述的網(wǎng)元異常檢測方法的步驟。

26、第七方面，本申請實施例提供了一種存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)本申請實施例所述的任一項所述的模型訓練方法的步驟，或者實現(xiàn)本申請實施例所述的任一項所述的網(wǎng)元異常檢測方法的步驟。

27、第八方面，本申請實施例提供了一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，所述計算機程序在被處理器執(zhí)行時實現(xiàn)本申請實施例所述的任一項所述的模型訓練方法的步驟，或者實現(xiàn)本申請實施例所述的任一項所述的網(wǎng)元異常檢測方法的步驟。

28、本申請實施例提供的模型訓練和網(wǎng)元異常檢測方法、裝置、設備、存儲介質(zhì)及計算機程序產(chǎn)品，獲取第一樣本數(shù)據(jù)；所述第一樣本數(shù)據(jù)包括網(wǎng)元的一個或多個性能指標數(shù)據(jù)的相關(guān)數(shù)據(jù)；利用設置的訓練模型對所述第一樣本數(shù)據(jù)進行處理，得到訓練結(jié)果；基于所述訓練結(jié)果和所述第一樣本數(shù)據(jù)，調(diào)整所述訓練模型直至收斂，得到異常檢測模型；所述異常檢測模型表征網(wǎng)元數(shù)據(jù)與網(wǎng)元分類的對應關(guān)系；其中，所述訓練模型包括自注意力層，所述自注意力層包括第一注意力模塊和第二注意力模塊，所述第一注意力模塊用于確定各所述性能指標數(shù)據(jù)在不同時間上的相關(guān)性，所述第二注意力模塊用于確定不同性能指標數(shù)據(jù)間的相關(guān)性。采用本申請實施例的方案，訓練模型中的自注意力層包括第一注意力模塊和第二注意力模塊，可見，本申請實施例擴展了注意力模塊，即在時間維度注意力的基礎上，還考慮了用于捕捉網(wǎng)元的多個性能指標數(shù)據(jù)間相互影響的指標維度注意力，如此，通過利用注意力捕捉的網(wǎng)元性能指標在時間序列和指標間的相互影響，對訓練模型進行動態(tài)建模得到異常檢測模型，提高模型建模能力，從而提高模型的預測準確性。

技術(shù)特征：

1.一種模型訓練方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取第一樣本數(shù)據(jù)，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對所述第二樣本數(shù)據(jù)進行預處理，得到所述第一樣本數(shù)據(jù)，包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述訓練結(jié)果和所述第一樣本數(shù)據(jù)，調(diào)整所述訓練模型直至收斂，得到異常檢測模型，包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述第一樣本數(shù)據(jù)為時序數(shù)據(jù)；所述基于所述訓練結(jié)果和所述第一樣本數(shù)據(jù)，確定第一損失函數(shù)，包括：

6.根據(jù)權(quán)利要求4所述的方法，其特征在于，在所述基于所述第一損失函數(shù)和第二損失函數(shù)，確定第三損失函數(shù)之前，所述方法還包括：確定所述第二損失函數(shù)；

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述確定第一矩陣，包括：

8.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述第一樣本數(shù)據(jù)為時序數(shù)據(jù)；所述確定第二矩陣，包括：

9.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述基于所述第一矩陣和所述第二矩陣，確定所述第二損失函數(shù)，包括：

10.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述基于所述第一損失函數(shù)和第二損失函數(shù)，確定第三損失函數(shù)，包括：

11.一種網(wǎng)元異常檢測方法，其特征在于，所述方法包括：

12.根據(jù)權(quán)利要求11所述的方法，其特征在于，所述基于所述預測結(jié)果，對所述第三樣本數(shù)據(jù)對應的網(wǎng)元的質(zhì)量進行識別，包括：

13.根據(jù)權(quán)利要求12所述的方法，其特征在于，所述基于所述預測結(jié)果，確定目標損失值，包括：

14.根據(jù)權(quán)利要求12所述的方法，其特征在于，在所述基于所述目標損失值和損失閾值，對所述第三樣本數(shù)據(jù)對應的網(wǎng)元的質(zhì)量進行識別之前，所述方法還包括：

15.根據(jù)權(quán)利要求12所述的方法，其特征在于，所述基于所述目標損失值和損失閾值，對所述第三樣本數(shù)據(jù)對應的網(wǎng)元的質(zhì)量進行識別，包括：

16.一種模型訓練裝置，其特征在于，所述裝置包括：

17.一種網(wǎng)元異常檢測裝置，其特征在于，所述裝置包括：

18.一種模型訓練設備，其特征在于，包括：第一處理器和用于存儲能夠在所述第一處理器上運行的計算機程序的第一存儲器；

19.一種網(wǎng)元異常檢測設備，其特征在于，包括：第二處理器和用于存儲能夠在所述第二處理器上運行的計算機程序的第二存儲器；

20.一種存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至10任一項所述方法的步驟，或者實現(xiàn)權(quán)利要求11至15任一項所述方法的步驟。

21.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，所述計算機程序在被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至10任一項所述方法的步驟，或者實現(xiàn)權(quán)利要求11至15任一項所述方法的步驟。

技術(shù)總結(jié)
本申請公開了一種模型訓練和網(wǎng)元異常檢測方法、裝置、設備、存儲介質(zhì)及計算機程序產(chǎn)品。其中，模型訓練方法包括：獲取第一樣本數(shù)據(jù)；所述第一樣本數(shù)據(jù)包括網(wǎng)元的一個或多個性能指標數(shù)據(jù)的相關(guān)數(shù)據(jù)；利用設置的訓練模型對所述第一樣本數(shù)據(jù)進行處理，得到訓練結(jié)果；基于所述訓練結(jié)果和所述第一樣本數(shù)據(jù)，調(diào)整所述訓練模型直至收斂，得到異常檢測模型；所述異常檢測模型表征網(wǎng)元數(shù)據(jù)與網(wǎng)元分類的對應關(guān)系；其中，所述訓練模型包括自注意力層，所述自注意力層包括第一注意力模塊和第二注意力模塊，所述第一注意力模塊用于確定各所述性能指標數(shù)據(jù)在不同時間上的相關(guān)性，所述第二注意力模塊用于確定不同性能指標數(shù)據(jù)間的相關(guān)性。

技術(shù)研發(fā)人員：范俊杰,朱琳,袁向陽
受保護的技術(shù)使用者：中國移動通信有限公司研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21