本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種5g網(wǎng)絡(luò)切片績效指標(biāo)異常檢測方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、隨著5g網(wǎng)絡(luò)在垂直行業(yè)的快速推廣，5g專網(wǎng)的各類應(yīng)用不斷增加。垂直領(lǐng)域中的5g網(wǎng)絡(luò)建設(shè)主要以5g網(wǎng)絡(luò)切片的形式進(jìn)行，5g網(wǎng)絡(luò)切片是指將5g網(wǎng)絡(luò)劃分為不同的虛擬網(wǎng)絡(luò)切片，每個切片都具有獨立的網(wǎng)絡(luò)架構(gòu)和資源，以滿足不同應(yīng)用場景的需求。

2、5g網(wǎng)絡(luò)的關(guān)鍵績效指標(biāo)(kpi，key?performance?indicator)是衡量5g網(wǎng)絡(luò)性能和服務(wù)質(zhì)量的指標(biāo)，通過對網(wǎng)絡(luò)切片和數(shù)據(jù)網(wǎng)絡(luò)名稱(dnn，data?network?name)涉及的kpi進(jìn)行動態(tài)識別，可以發(fā)現(xiàn)網(wǎng)絡(luò)切片的異常問題，從而保證5g專網(wǎng)的質(zhì)量及穩(wěn)定性。

3、現(xiàn)有技術(shù)中對5g網(wǎng)絡(luò)切片kpi的異常檢測方法，一種是通過計算當(dāng)前切片的kpi數(shù)據(jù)與其它切片的kpi數(shù)據(jù)的差值，基于切片網(wǎng)絡(luò)異常檢測模型獲取對應(yīng)的kpi數(shù)據(jù)的重建差值，根據(jù)重建誤差判斷網(wǎng)絡(luò)切片當(dāng)前時刻的kpi是否存在異常。另一種方法是：基于kpi數(shù)據(jù)對長短期記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，保留kpi數(shù)據(jù)時序性的特征，得到每一個kpi數(shù)據(jù)對應(yīng)的異常得分，然后對異常得分進(jìn)行標(biāo)準(zhǔn)化處理，將標(biāo)準(zhǔn)化之后的異常得分通過損失函數(shù)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使得異常樣本的得分顯著偏離參考分?jǐn)?shù)，從而判斷出異常kpi數(shù)據(jù)。另一種方法是：基于單維kpi時序數(shù)據(jù)，目標(biāo)區(qū)間的長度為第一預(yù)設(shè)時間長度，目標(biāo)區(qū)間的結(jié)束時間點為指定時間點，然后提取單維kpi時序數(shù)據(jù)的第一數(shù)據(jù)特征，再將第一數(shù)據(jù)特征輸入基分類器，并利用基分類器輸出單維kpi時序數(shù)據(jù)的初步異常檢測結(jié)果，之后提取目標(biāo)時間點的第二數(shù)據(jù)特征，并將第二數(shù)據(jù)特征以及初步異常檢測結(jié)果輸入標(biāo)簽分類器，得到分類結(jié)果，基于分類結(jié)果確定單維kpi時序數(shù)據(jù)的最終異常檢測結(jié)果。

4、可見現(xiàn)有技術(shù)需要一定時間對當(dāng)前的kpi數(shù)據(jù)進(jìn)行數(shù)據(jù)分析和異常判斷，從而使得5g網(wǎng)絡(luò)切片kpi異常檢測的時效性較差，無法快速發(fā)現(xiàn)網(wǎng)絡(luò)質(zhì)量問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種5g網(wǎng)絡(luò)切片績效指標(biāo)異常檢測方法、裝置、設(shè)備及介質(zhì)，用以解決相關(guān)技術(shù)中5g網(wǎng)絡(luò)切片kpi異常檢測的時效性較差，無法快速發(fā)現(xiàn)網(wǎng)絡(luò)質(zhì)量問題的技術(shù)問題。

2、第一方面，本發(fā)明實施例提供一種5g網(wǎng)絡(luò)切片績效指標(biāo)異常檢測方法，該方法包括：

3、獲取5g網(wǎng)絡(luò)切片的績效指標(biāo)序列；

4、對績效指標(biāo)序列進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值；

5、基于預(yù)測取值檢測5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)是否存在異常。

6、在一種可能實施的方式中，對績效指標(biāo)序列進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值，包括：

7、檢測績效指標(biāo)序列的數(shù)據(jù)粒度和時間長度；

8、根據(jù)數(shù)據(jù)粒度和時間長度選擇對應(yīng)預(yù)測模型進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值。

9、在一種可能實施的方式中，數(shù)據(jù)粒度包括小時粒度；

10、根據(jù)數(shù)據(jù)粒度和時間長度選擇對應(yīng)預(yù)測模型進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值之前，還包括：

11、獲取包含多個不同時間長度的績效指標(biāo)序列的第一訓(xùn)練集和第一測試集，第一訓(xùn)練集和第一測試集的數(shù)據(jù)粒度均為小時粒度；

12、基于第一訓(xùn)練集，分別使用auto-encoder?with?gru算法和gbdt算法進(jìn)行模型訓(xùn)練，得到由auto-encoder?with?gru算法生成的第一預(yù)測模型以及由gbdt算法生成的第二預(yù)測模型；

13、利用第一測試集檢測第一預(yù)測模型和第二預(yù)測模型，得到第一檢測結(jié)果，第一檢測結(jié)果包括第一預(yù)測模型和第二預(yù)測模型分別基于不同時間長度的績效指標(biāo)序列對第一預(yù)設(shè)周期內(nèi)進(jìn)行績效指標(biāo)預(yù)測的準(zhǔn)確度；

14、根據(jù)第一檢測結(jié)果確定第一預(yù)測模型對應(yīng)的第一時間長度范圍和第二預(yù)測模型對應(yīng)的第二時間長度范圍。

15、在一種可能實施的方式中，數(shù)據(jù)粒度還包括天粒度；

16、根據(jù)數(shù)據(jù)粒度和時間長度選擇對應(yīng)預(yù)測模型進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值之前，還包括：

17、獲取包含多個不同時間長度的績效指標(biāo)序列的第二訓(xùn)練集和第二測試集，第二訓(xùn)練集和第二測試集的數(shù)據(jù)粒度均為天粒度；

18、基于第二訓(xùn)練集，使用gbdt算法進(jìn)行模型訓(xùn)練，得到由gbdt算法生成的第三預(yù)測模型；

19、利用第二測試集檢測第三預(yù)測模型，得到第二檢測結(jié)果，第二檢測結(jié)果包括第三預(yù)測模型基于不同時間長度的績效指標(biāo)序列對第二預(yù)設(shè)周期內(nèi)進(jìn)行績效指標(biāo)預(yù)測的準(zhǔn)確度；

20、根據(jù)第二檢測結(jié)果確定第三預(yù)測模型對應(yīng)的第三時間長度范圍。

21、在一種可能實施的方式中，根據(jù)數(shù)據(jù)粒度和時間長度選擇對應(yīng)預(yù)測模型進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值，包括：

22、當(dāng)數(shù)據(jù)粒度為小時粒度，且時間長度處于第一時間長度范圍內(nèi)時，將績效指標(biāo)序列輸入第一預(yù)測模型進(jìn)行序列建模，并將第一預(yù)測模型的輸出作為5g網(wǎng)絡(luò)切片在未來第一預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值；

23、當(dāng)數(shù)據(jù)粒度為小時粒度，且時間長度處于第二時間長度范圍內(nèi)時，將績效指標(biāo)序列輸入第二預(yù)測模型進(jìn)行序列建模，并將第二預(yù)測模型的輸出作為5g網(wǎng)絡(luò)切片在未來第一預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值。

24、在一種可能實施的方式中，根據(jù)數(shù)據(jù)粒度和時間長度選擇對應(yīng)預(yù)測模型進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值，包括：

25、當(dāng)數(shù)據(jù)粒度為天粒度，且時間長度處于第三時間長度范圍內(nèi)時，將績效指標(biāo)序列輸入第三預(yù)測模型進(jìn)行序列建模，并將第三預(yù)測模型的輸出作為5g網(wǎng)絡(luò)切片在未來第二預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值；

26、當(dāng)數(shù)據(jù)粒度為天粒度，且時間長度不處于第三時間長度范圍內(nèi)時，計算績效指標(biāo)序列的平均值作為5g網(wǎng)絡(luò)切片在未來第二預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值。

27、在一種可能實施的方式中，基于預(yù)測取值檢測5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)是否存在異常，包括：

28、獲取預(yù)設(shè)偏移比例，并根據(jù)預(yù)測取值和預(yù)設(shè)偏移比例計算5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)的預(yù)測取值范圍；

29、若5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)不處于預(yù)測取值范圍內(nèi)，則確定5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)存在異常。

30、第二方面，本發(fā)明實施例提供一種5g網(wǎng)絡(luò)切片績效指標(biāo)異常檢測裝置，包括：

31、獲取單元，用于獲取5g網(wǎng)絡(luò)切片的績效指標(biāo)序列；

32、預(yù)測單元，用于對績效指標(biāo)序列進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值；

33、檢測單元，用于基于預(yù)測取值檢測5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)是否存在異常。

34、在一種可能實施的方式中，本發(fā)明實施例提供的裝置中，預(yù)測單元具體用于：

35、檢測績效指標(biāo)序列的數(shù)據(jù)粒度和時間長度；

36、根據(jù)數(shù)據(jù)粒度和時間長度選擇對應(yīng)預(yù)測模型進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值。

37、在一種可能實施的方式中，數(shù)據(jù)粒度包括小時粒度，本發(fā)明實施例提供的裝置還包括訓(xùn)練單元，其在根據(jù)數(shù)據(jù)粒度和時間長度選擇對應(yīng)預(yù)測模型進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值之前，用于：

38、獲取包含多個不同時間長度的績效指標(biāo)序列的第一訓(xùn)練集和第一測試集，第一訓(xùn)練集和第一測試集的數(shù)據(jù)粒度均為小時粒度；

39、基于第一訓(xùn)練集，分別使用auto-encoder?with?gru算法和gbdt算法進(jìn)行模型訓(xùn)練，得到由auto-encoder?with?gru算法生成的第一預(yù)測模型以及由gbdt算法生成的第二預(yù)測模型；

40、利用第一測試集檢測第一預(yù)測模型和第二預(yù)測模型，得到第一檢測結(jié)果，第一檢測結(jié)果包括第一預(yù)測模型和第二預(yù)測模型分別基于不同時間長度的績效指標(biāo)序列對第一預(yù)設(shè)周期內(nèi)進(jìn)行績效指標(biāo)預(yù)測的準(zhǔn)確度；

41、根據(jù)第一檢測結(jié)果確定第一預(yù)測模型對應(yīng)的第一時間長度范圍和第二預(yù)測模型對應(yīng)的第二時間長度范圍。

42、在一種可能實施的方式中，數(shù)據(jù)粒度還包括天粒度；訓(xùn)練單元在根據(jù)數(shù)據(jù)粒度和時間長度選擇對應(yīng)預(yù)測模型進(jìn)行序列建模，得到5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值之前，還用于：

43、獲取包含多個不同時間長度的績效指標(biāo)序列的第二訓(xùn)練集和第二測試集，第二訓(xùn)練集和第二測試集的數(shù)據(jù)粒度均為天粒度；

44、基于第二訓(xùn)練集，使用gbdt算法進(jìn)行模型訓(xùn)練，得到由gbdt算法生成的第三預(yù)測模型；

45、利用第二測試集檢測第三預(yù)測模型，得到第二檢測結(jié)果，第二檢測結(jié)果包括第三預(yù)測模型基于不同時間長度的績效指標(biāo)序列對第二預(yù)設(shè)周期內(nèi)進(jìn)行績效指標(biāo)預(yù)測的準(zhǔn)確度；

46、根據(jù)第二檢測結(jié)果確定第三預(yù)測模型對應(yīng)的第三時間長度范圍。

47、在一種可能實施的方式中，本發(fā)明實施例提供的裝置中，預(yù)測單元具體用于：

48、當(dāng)數(shù)據(jù)粒度為小時粒度，且時間長度處于第一時間長度范圍內(nèi)時，將績效指標(biāo)序列輸入第一預(yù)測模型進(jìn)行序列建模，并將第一預(yù)測模型的輸出作為5g網(wǎng)絡(luò)切片在未來第一預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值；

49、當(dāng)數(shù)據(jù)粒度為小時粒度，且時間長度處于第二時間長度范圍內(nèi)時，將績效指標(biāo)序列輸入第二預(yù)測模型進(jìn)行序列建模，并將第二預(yù)測模型的輸出作為5g網(wǎng)絡(luò)切片在未來第一預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值。

50、在一種可能實施的方式中，本發(fā)明實施例提供的裝置中，預(yù)測單元具體用于：

51、當(dāng)數(shù)據(jù)粒度為天粒度，且時間長度處于第三時間長度范圍內(nèi)時，將績效指標(biāo)序列輸入第三預(yù)測模型進(jìn)行序列建模，并將第三預(yù)測模型的輸出作為5g網(wǎng)絡(luò)切片在未來第二預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值；

52、當(dāng)數(shù)據(jù)粒度為天粒度，且時間長度不處于第三時間長度范圍內(nèi)時，計算績效指標(biāo)序列的平均值作為5g網(wǎng)絡(luò)切片在未來第二預(yù)設(shè)周期內(nèi)績效指標(biāo)的預(yù)測取值。

53、在一種可能實施的方式中，本發(fā)明實施例提供的裝置中，檢測單元具體用于：

54、獲取預(yù)設(shè)偏移比例，并根據(jù)預(yù)測取值和預(yù)設(shè)偏移比例計算5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)的預(yù)測取值范圍；

55、若5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)不處于預(yù)測取值范圍內(nèi)，則確定5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)存在異常。

56、第三方面，本發(fā)明實施例提供一種電子設(shè)備，包括：至少一個處理器、至少一個存儲器以及存儲在存儲器中的計算機程序指令，當(dāng)計算機程序指令被處理器執(zhí)行時實現(xiàn)如本發(fā)明實施例第一方面所提供的方法。

57、第四方面，本發(fā)明實施例提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，當(dāng)計算機程序指令被處理器執(zhí)行時實現(xiàn)如本發(fā)明實施例第一方面所提供的方法。

58、本發(fā)明實施例中，首先獲取5g網(wǎng)絡(luò)切片的績效指標(biāo)序列，然后對績效指標(biāo)序列進(jìn)行序列建模，預(yù)測5g網(wǎng)絡(luò)切片在未來預(yù)設(shè)周期內(nèi)的績效指標(biāo)，得到正?？冃е笜?biāo)的預(yù)測取值，最后基于該預(yù)測取值檢測5g網(wǎng)絡(luò)切片在預(yù)設(shè)周期內(nèi)的績效指標(biāo)是否存在異常。與相關(guān)技術(shù)相比，可根據(jù)5g網(wǎng)絡(luò)切片已產(chǎn)生的績效指標(biāo)序列對5g網(wǎng)絡(luò)切片未來的績效指標(biāo)取值進(jìn)行預(yù)測，從而可以通過績效指標(biāo)的預(yù)測取值提高5g網(wǎng)絡(luò)切片績效指標(biāo)異常檢測的時效性，快速發(fā)現(xiàn)網(wǎng)絡(luò)質(zhì)量問題，提升網(wǎng)絡(luò)運維效率。