本发明涉及网络管理,具体为一种基于拓扑和图表征学习的通信电路异常检测方法。
背景技术:
1、电路异常检测是一项电路拓扑节点性能指标的异常检测方法。
2、现有技术中,异常检测方法,采用的是设置静态阈值、离群点检测方法,并没有考虑电路复杂的连接关系,而电路节点的指标会受相连节点的影响,容易造成误检测和漏检测的情况,无法及时的发现网络状况异常,引起客户投诉,因此设计了一种基于电路拓扑关系和图表征学习的电路指标异常检测方法。
技术实现思路
1、本发明的目的在于提供一种基于拓扑和图表征学习的通信电路异常检测方法,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:一种基于拓扑和图表征学习的通信电路异常检测方法,所述方法包括如下步骤:
3、s1:构建电路拓扑关系图;
4、s2:构建图特征矩阵;
5、s3:训练ggsnn模型;
6、s4:训练svdd模型;
7、s5:表征生成;
8、s6:模型检测推理;
9、s7:检测结果整合。
10、优选的,构建电路拓扑关系图的具体操作包括:
11、电路的连接是双向的,电路存在主用和备用电路,将主用和备用电路中的所有结点都在拓扑中创建;构建电路拓扑关系图,确定电路涉及的所有设备结点,包括主备电路,构建电路拓扑图。
12、优选的,构建图特征矩阵的具体操作包括:
13、每个结点的性能指标为xi,i=1,2,3,n,n为性能指标数量,用特征向量表示:x=[x1,x2,x3,...xn],结点之间的连接关系用邻接矩阵a表示,时刻t的电路图状态为g={x,a},x表示电路拓扑图中所有结点的特征向量,电路每个时刻的图状态构成了训练数据集train datasets={g1,g2,g3,...,gt}。
14、优选的,训练ggsnn模型的具体操作包括:
15、将train datasets输入ggsnn模型,输出结点级表征和图级表征,并将模型保存,ggsnn是一种用于处理图数据的神经网络模型,能够对节点和边进行建模,使用gru递归神经网络更新节点信息,并能够输出结点级信息和图级信息。
16、优选的,训练svdd模型的具体操作包括:
17、将结点级表征和图级表征数据输入svdd模型,经过训练之后,保存svdd异常检测模型------结点级svdd模型和图级svdd模型,svdd模型训练一个超球体,正常的点在球内,异常的点在球外。
18、优选的,表征生成的具体操作包括:
19、新的电路指标数据输入,构建图状态特征向量,输入到ggsnn模型中,生成结点级表征和图级表征。
20、优选的,模型检测推理的具体操作包括:
21、将结点级表征输入到结点级svdd模型中,得到结点检测结果,将图级表征输入图级svdd模型中,得到图级检测结果。
22、优选的,检测结果整合的具体操作包括:
23、将电路的检测结果输入mysql数据库中,当电路的某个结点连续3次产生异常或者图级连续3次检测为异常,则生成电路性能告警,推送给运维人员处理。
24、与现有技术相比,本发明的有益效果是:
25、本发明提出的基于拓扑和图表征学习的通信电路异常检测方法,将电路的历史性能指标数据,处理成图特征矩阵,通过ggsnn模型学习电路拓扑的结点级特征和图级特征,再基于生成的特征训练svdd异常检测模型,输入某时刻电路指标数据,通过ggsnn和svdd模型检测之后,判定电路是否异常,并将连续三次判定为异常的电路信息推送给运维人员,从而及时发现通信电路故障,并指导运维人员进行故障排查,缩短故障排查时间,减少客户投诉。
1.一种基于拓扑和图表征学习的通信电路异常检测方法,其特征在于:所述方法包括如下步骤:
2.根据权利要求1所述的一种基于拓扑和图表征学习的通信电路异常检测方法,其特征在于:构建电路拓扑关系图的具体操作包括:
3.根据权利要求1所述的一种基于拓扑和图表征学习的通信电路异常检测方法,其特征在于:构建图特征矩阵的具体操作包括:
4.根据权利要求1所述的一种基于拓扑和图表征学习的通信电路异常检测方法,其特征在于:训练ggsnn模型的具体操作包括:
5.根据权利要求1所述的一种基于拓扑和图表征学习的通信电路异常检测方法,其特征在于:训练svdd模型的具体操作包括:
6.根据权利要求1所述的一种基于拓扑和图表征学习的通信电路异常检测方法,其特征在于:表征生成的具体操作包括:
7.根据权利要求1所述的一种基于拓扑和图表征学习的通信电路异常检测方法,其特征在于:模型检测推理的具体操作包括:
8.根据权利要求1所述的一种基于拓扑和图表征学习的通信电路异常检测方法,其特征在于:检测结果整合的具体操作包括: