本发明涉及网络管理领域,具体是涉及一种基于鸽群算法优化支持向量机的网络故障预测方法及系统。
背景技术:
随着信息技术的飞速发展,网络系统的规模越来越大,结构日益复杂化,逐渐呈现出高度的异构性和分布性。管理如此复杂的网络变得日益困难,特别在故障管理方面,如何有效增加网络的可用时间,减少网络故障,提升客户感知已成为网络管理研究的热点问题。
从故障管理的过程来看,主要包括故障检测、故障诊断、故障定位以及故障恢复。从保障网络的高可用性角度而言,故障预测无疑是最有价值的工作,它可以防患于未然,对可能出现的网络故障提前进行干涉,减少网络故障发生率,从而最大限度地减少网络的失效时间。
机器学习算法是人工智能的核心,是使计算机具有智能的根本途径,是网络人工智能、网络故障检查运维自动化、ai(artificialintelligence,人工智能)化的基础和有力支撑。
人工神经网络是机器学习领域中常见的技术,在诸多领域得到应用。bp(backpropagation,误差反向后传)神经网络作为目前应用最广泛的神经网络之一,在函数逼近、信息分类及数据预测等领域都有广泛的应用。但其有训练时间长,收敛速度慢的缺点,存在学习后预测精度反而下降的情况。
svm(supportvectormachine,支持向量机)是从统计学发展而来的一种新型的机器学习方法,它是基于统计学习理论的vc维(vapnik-chervonenkisdimension)理论和结构风险最小原理提出的在分类与回归分析中分析数据的监督式学习模型与相关的学习算法,它能根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的泛化能力,即以训练误差为约束条件,实现置信范围最小化的优化。它在解决小样本及非线性等方面的问题上有出非常多其本身特有的不可取代的优势,与此同时,它还能够广泛地推广应用到譬如函数拟合等其他问题中,是监督学习中最有影响力的方法之一。
在svm训练过程中,其结果主要受核函数类型、惩罚参数和核函数参数的影响,支持向量机主要通过核函数定义的非线性变换将低维输入空间变换到一个高维空间之后,在空间中求最优解。惩罚参数是预先设定好的常数,表示对错误样本的容忍度。核函数参数定义了单个训练样本的影响大小,值越小,影响越大;值越大,影响越小,该参数可以看作被模型选中作为支持向量的样本的影响半径的倒数。所以如何选择好的参数来获得最优的训练结果,是目前支持向量机研究领域的热点问题之一。
传统的方法一般是将参数寻优,常用的优化方法有交叉验证法、ga(geneticalgorithm,遗传算法)、pso(particleswarmoptimizationalgorithm,粒子群优化算法)、蚁群算法等等,相关实验证明一体优化确实能够提高支持向量机的分类准确率和效率。
在实现本发明的过程中,发明人发现现有技术中至少存在如下问题:遗传算法、粒子群优化算法、蚁群算法也存在一些缺点,具体如下:
遗传算法的缺点有:
(1)遗传算法的编程复杂,需要对问题进行编码找到最优解后对问题进行解码;
(2)三个算子的参数太多,而且参数设定需要依赖经验;
(3)搜索速度慢。
粒子群优化算法的缺点有:
(1)容易陷入局部最优解;
(2)粒子群优化算法容易产生早熟收敛;
(3)局部寻优能力较差。
蚁群算法的缺点有:
(1)容易陷入局部最优解;
(2)蚁群算法容易产生早熟收敛;
(3)搜索时间较长。
综上所述,目前的算法容易陷入局部最优解、搜索时间较长,导致故障预测精准度低、效率低。因此,如何有效提升故障预测精准度和效率成为本领域亟需解决的问题。
技术实现要素:
本发明的目的是为了克服上述背景技术的不足,提供一种基于鸽群算法优化支持向量机的网络故障预测方法及系统,能够有效提升故障预测精准度和效率。
第一方面,提供一种基于鸽群算法优化支持向量机的网络故障预测方法,包括以下步骤:
采集网络性能监控数据,对网络性能监控数据进行预处理;
采用鸽群算法训练优化svm模型,得到pio-svm模型;
基于pio-svm模型预测网络故障。
将鸽群算法优化支持向量机应用到网络故障预测中,能够实现全局搜索、有效提高svm参数搜索效率,从而有效提升故障预测精准度和效率。
根据第一方面,在第一方面的第一种可能的实现方式中,所述对网络性能监控数据进行预处理,具体包括以下步骤:
将采集到的网络性能监控数据进行归一化处理,处理后的数据一部分作为svm预测网络故障的训练样本集,另一部分作为svm预测网络故障的测试样本集。
根据第一方面的第一种可能的实现方式,在第一方面的第二种可能的实现方式中,所述采用鸽群算法训练优化svm模型,得到pio-svm模型,具体包括以下步骤:
建立svm的数学模型,输入训练样本集,其输出结果精度作为svm参数的初始化及优化的选定参考依据;
采用鸽群算法,对svm的数学模型进行训练优化,获得svm的最优惩罚参数与核函数参数;
基于以上初始化及优化参数,得到pio-svm模型。
鸽群算法优化支持向量机的算法寻优能力强,计算复杂度低,收敛速度快,能够进行全局搜索,不易陷入局部最优,能有效实现精准预测。
根据第一方面的第二种可能的实现方式,在第一方面的第三种可能的实现方式中,所述基于pio-svm模型预测网络故障,包括以下步骤:
将测试样本集输入pio-svm模型,得到网络故障预测结果。
将pio-svm模型应用于通信网络故障预测,能够更精确地预测网络故障,为网络维护人员提供更有利的支撑,提前介入,降本增效。
根据第一方面,在第一方面的第四种可能的实现方式中,所述采集网络性能监控数据,具体包括以下步骤:
基于tcp探测器、snmp、wmi或代理部署,通过监控ftp、http和smtp的网络服务,获取cpu、磁盘、内存、网络接口、系统进程、网口、电口、光接口的多组网络性能监控数据。
第二方面,提供一种基于鸽群算法优化支持向量机的网络故障预测系统,包括:
采集单元,用于:采集网络性能监控数据;
预处理单元,用于:对网络性能监控数据进行预处理;
训练优化单元,用于:采用鸽群算法训练优化svm模型,得到pio-svm模型;
网络故障预测单元,用于:基于pio-svm模型预测网络故障。
将鸽群算法优化支持向量机应用到网络故障预测中,能够实现全局搜索、有效提高svm参数搜索效率,从而有效提升故障预测精准度和效率。
根据第二方面,在第二方面的第一种可能的实现方式中,所述预处理单元对网络性能监控数据进行预处理,具体过程为:
所述预处理单元将采集到的网络性能监控数据进行归一化处理,处理后的数据一部分作为svm预测网络故障的训练样本集,另一部分作为svm预测网络故障的测试样本集。
根据第二方面的第一种可能的实现方式,在第二方面的第二种可能的实现方式中,所述训练优化单元采用鸽群算法训练优化svm模型,得到pio-svm模型,具体过程为:
所述训练优化单元建立svm的数学模型,输入训练样本集,其输出结果精度作为svm参数的初始化及优化的选定参考依据;
采用鸽群算法,对svm的数学模型进行训练优化,获得svm的最优惩罚参数与核函数参数;
基于以上初始化及优化参数,得到pio-svm模型。
鸽群算法优化支持向量机的算法寻优能力强,计算复杂度低,收敛速度快,能够进行全局搜索,不易陷入局部最优,能有效实现精准预测。
根据第二方面的第二种可能的实现方式,在第二方面的第三种可能的实现方式中,所述网络故障预测单元基于pio-svm模型预测网络故障,具体过程为:
所述网络故障预测单元将测试样本集输入pio-svm模型,得到网络故障预测结果。
将pio-svm模型应用于通信网络故障预测,能够更精确地预测网络故障,为网络维护人员提供更有利的支撑,提前介入,降本增效。
根据第二方面,在第二方面的第四种可能的实现方式中,所述采集单元采集网络性能监控数据,具体过程为:
所述采集单元基于tcp探测器、snmp、wmi或代理部署,通过监控ftp、http和smtp的网络服务,获取cpu、磁盘、内存、网络接口、系统进程、网口、电口、光接口的多组网络性能监控数据。
与现有技术相比,本发明的优点如下:
(1)本发明采集网络性能监控数据,对网络性能监控数据进行预处理;采用鸽群算法训练优化svm模型,得到pio-svm模型,基于pio-svm模型预测网络故障。本发明将鸽群算法优化支持向量机应用到网络故障预测中,能够实现全局搜索、有效提高svm参数搜索效率,从而有效提升故障预测精准度和效率。
(2)本发明提供较传统bp神经网络而言精度更高、反应速度更快的深度学习算法,能够更精确地预测网络故障,为网络维护人员提供更有利的支撑,提前介入,降本增效。
(3)本发明提供的鸽群算法优化支持向量机的算法寻优能力强,计算复杂度低,收敛速度快,能够进行全局搜索,不易陷入局部最优,能有效实现精准预测。
附图说明
图1是本发明实施例3中基于鸽群算法优化支持向量机的网络故障预测方法的整体流程图。
图2是本发明实施例3中pio-svm优化训练的流程图。
图3是本发明实施例5中pio-svm参数优化的具体流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
实施例1
本发明实施例提供一种基于鸽群算法优化支持向量机的网络故障预测方法,包括以下步骤:
采集网络性能监控数据,对网络性能监控数据进行预处理;
采用鸽群算法训练优化svm模型,得到pio-svm(pigeon-inspiredoptimization-supportvectormachine,鸽群算法-支持向量机)模型;
基于pio-svm模型预测网络故障。
其中,采集网络性能监控数据,具体包括以下步骤:
通过基本的tcp(transmissioncontrolprotocol,传输控制协议)探测器、snmp(simplenetworkmanagementprotocol,简单网络管理协议)、wmi(windowsmanagementinstrumentation,windows管理规范)或代理部署,结合监控ftp(filetransferprotocol,文件传输协议)、http(hypertexttransferprotocol,超文本传输协议)和smtp(simplemailtransferprotocol,简单邮件传输协议)等网络特定服务,获取cpu(centralprocessingunit,中央处理器)、磁盘、内存、网络接口、系统进程、网口、电口、光接口等性能数据在内的多组网络性能监控数据。
进一步,对网络性能监控数据进行预处理,具体包括以下步骤:
将采集到的网络性能监控数据进行归一化处理,处理后的数据一部分作为svm预测网络故障的训练样本集,另一部分作为svm预测网络故障的测试样本集。
再进一步,采用鸽群算法训练优化svm模型,得到pio-svm模型,具体包括以下步骤:
建立svm的数学模型,输入训练样本集,其输出结果精度作为svm参数的初始化及优化的选定参考依据;
采用鸽群算法,对svm的数学模型进行训练优化,获得svm的最优惩罚参数与核函数参数;
基于以上初始化及优化参数,得到pio-svm模型。
pio(pigeon-inspiredoptimization,鸽群优化算法)是一种模拟鸽群归巢行为的智能优化算法,其参数较少,易于实现,在实际应用中已经获得关注。与常规的粒子群优化算法、蚁群算法、遗传算法等智能计算方法相比较,鸽群优化算法的突出特点是在前期具有较强的全局搜索能力,而在训练后期具有较强的局部搜搜能力,并且具有较快的收敛速度,因此,鸽群优化算法具有较大的概率能够找到最优解,而且在一定程度上也避免陷入局部最优。
作为优选的实施方式,基于pio-svm模型预测网络故障,包括以下步骤:
将测试样本集输入pio-svm模型,得到网络故障预测结果。
本发明实施例利用鸽群优化算法较强的寻优能力和后期较快的收敛速度等特性,将其应用到svm的训练过程中,可显著加速svm的训练速度,并且学习过程中具有较好的收敛性和较强的鲁棒性,能够实现全局搜索、有效提高svm参数搜索效率。本发明实施例将优化后的算法应用于通信网络故障预测,能够有效提升故障预测精准度和效率。
实施例2
本发明实施例提供一种基于鸽群算法优化支持向量机的网络故障预测系统,包括:
采集单元,用于:采集网络性能监控数据;
预处理单元,用于:对网络性能监控数据进行预处理;
训练优化单元,用于:采用鸽群算法训练优化svm模型,得到pio-svm模型;
网络故障预测单元,用于:基于pio-svm模型预测网络故障。
其中,预处理单元对网络性能监控数据进行预处理,具体过程为:
预处理单元将采集到的网络性能监控数据进行归一化处理,处理后的数据一部分作为svm预测网络故障的训练样本集,另一部分作为svm预测网络故障的测试样本集。
进一步,训练优化单元采用鸽群算法训练优化svm模型,得到pio-svm模型,具体过程为:
训练优化单元建立svm的数学模型,输入训练样本集,其输出结果精度作为svm参数的初始化及优化的选定参考依据;
采用鸽群算法,对svm的数学模型进行训练优化,获得svm的最优惩罚参数与核函数参数;
基于以上初始化及优化参数,得到pio-svm模型。
pio算法是一种模拟鸽群归巢行为的智能优化算法,其参数较少,易于实现,在实际应用中已经获得关注。与常规的粒子群优化算法、蚁群算法、遗传算法等智能计算方法相比较,鸽群优化算法的突出特点是在前期具有较强的全局搜索能力,而在训练后期具有较强的局部搜搜能力,并且具有较快的收敛速度,因此,鸽群优化算法具有较大的概率能够找到最优解,而且在一定程度上也避免陷入局部最优。
再进一步,网络故障预测单元基于pio-svm模型预测网络故障,具体过程为:
网络故障预测单元将测试样本集输入pio-svm模型,得到网络故障预测结果。
作为优选的实施方式,采集单元采集网络性能监控数据,具体过程为:
采集单元通过基本的tcp探测器、snmp、wmi或代理部署,结合监控ftp、http和smtp等网络特定服务,获取cpu、磁盘、内存、网络接口、系统进程、网口、电口、光接口等性能数据在内的多组网络性能监控数据。
本发明实施例利用鸽群优化算法较强的寻优能力和后期较快的收敛速度等特性,将其应用到svm的训练过程中,可显著加速svm的训练速度,并且学习过程中具有较好的收敛性和较强的鲁棒性,能够实现全局搜索、有效提高svm参数搜索效率。本发明实施例将pio-svm模型应用于通信网络故障预测,能够更精确地预测网络故障,为网络维护人员提供更有利的支撑,提前介入,降本增效。
实施例3
网络故障预测保障网络可用性,支持向量机已经被应用于很多领域,然而在使用支持向量机进行网络故障预测的过程中,其性能主要受核函数类型、惩罚参数和核函数参数的影响。
本发明实施例使用鸽群算法对svm的参数进行优化,然后应用于对网络故障进行预测,参见图1所示,整体流程主要分为如下几个步骤:
步骤s1、采集网络性能监控数据:
通过基本的tcp探测器、snmp、wmi或代理部署,结合监控ftp、http和smtp等网络特定服务,获取cpu、磁盘、内存、网络接口、系统进程、网口、电口、光接口等性能数据在内的多组网络性能监控数据。
步骤s2、对网络性能监控数据进行预处理:
通过归一化使实验数据符合使用的要求,将采集到的网络性能监控数据进行归一化处理,处理后的数据一部分作为svm预测网络故障的训练样本集,另一部分作为作为svm预测网络故障的测试样本集。
步骤s3、采用鸽群算法训练优化svm模型,得到pio-svm模型,即pio-svm优化训练,参见图2所示,具体包括以下步骤:
步骤s3a、建立支持向量机的数学模型;
步骤s3b、基于鸽群算法,对支持向量机的数学模型进行优化,获得支持向量机的最优惩罚参数与核函数参数,得到pio-svm模型,具体步骤如下:
向支持向量机的数学模型中输入预测网络故障的训练样本集,支持向量机的数学模型的输出结果精度作为svm参数的初始化及优化的选定参考依据。
svm参数初始化包括:
选定svm的核函数选定,本发明实施例选择的核函数为rbf(radialbasisfunction,径向基函数);
确认训练样本的维度;
鸽群算法相关参数的初始化。
基于鸽群算法,对支持向量机的数学模型进行优化,获得支持向量机的最优惩罚参数与核函数参数。
基于以上初始化及优化参数,得到pio-svm模型。
步骤s4、基于pio-svm模型预测通信网络故障:
向pio-svm模型中输入预测网络故障的测试样本集,pio-svm模型输出网络故障预测结果,对网络人员进行提示预报,便于网络维护人员防患于未然。
本发明实施例利用鸽群优化算法较强的寻优能力和后期较快的收敛速度等特性,将其应用到svm的训练过程中,可显著加速svm的训练速度,并且学习过程中具有较好的收敛性和较强的鲁棒性,能够实现全局搜索、有效提高svm参数搜索效率。本发明实施例将pio-svm模型应用于通信网络故障预测,能够更精确地预测网络故障,为网络维护人员提供更有利的支撑,提前介入,降本增效。
实施例4
作为优选的实施方式,在实施例3的基础上,步骤s2、对网络性能监控数据进行预处理:通过归一化使实验数据符合使用的要求,将采集到的网络性能监控数据进行归一化处理,处理后的数据一部分作为svm预测网络故障的训练样本集,另一部分作为作为svm预测网络故障的测试样本集,具体包括以下步骤:
对步骤s1采集到的网络性能监控数据进行归一化处理,将数据整理到【0,1】范围内,归一化的公式具体为:
上式中,g表示原始的数据,g'表示归一化处理后数据的值,gmax是归一化处理后的数据中最大的值,gmin是归一化处理后的数据中最小的值。
归一化处理后的数据一部分作为svm预测网络故障的训练样本集,另一部分作为svm预测网络故障的测试样本集。
步骤s3、pio-svm优化训练
svm是基于统计学习理论的vc维理论和结构风险最小原理提出的,它能根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷、并获得最好的泛化能力。它在解决小样本及非线性等问题方面有很多特有的不可取代的优势。
对于线性情况,svm函数首先采用如下线性回归函数对给定的训练样本集(xi,yi)进行拟合,其中xi为输入样本,yi为输出样本,i为当前独立同分布网络性能监控数据训练样本序号,xi∈rd,yi∈r。
h(xi)=w·xi+b
上式中,h(xi)为预测值,b为一个直流偏置,w为独立输入样本的权值,由训练样本所绘制的曲线最优拟合超平面决定。
针对svm在回归方面的推广应用,本发明实施例引入了不敏感损失函数ε,ε是事先取定的一个正数,当xi点处的观测值yi与预测值h(xi)之差不超过ε时,则认为在该点的预测值无损失,此时的最优化问题为:
其中,l为独立同分布的网络性能监控数据训练样本数量,权值w所在算式的目的为求得最优回归估计。
针对数据集中存在离群值的情况,本发明实施例在svm中引入了松弛变量
在实际工程中,非线性问题十分常见,针对非线性问题,svm将低维空间上的非线性转换为高维上的线性,并在高维空间进行线性回归,本发明实施例采用从输入空间rn到hilbert空间的变换x=φ(x),来实现低维空间到高维空间的转化,
但是,如果将非线性样例一律映射到高维空间再进行计算,会导致维度过高,计算难度增大,而核函数在将样本特征从低维转换到高维之前,在低维空间对样本进行了部分计算,从而减弱了计算难度,合适的核函数的选取将影响svm预测性能。
基于svm的网络故障预测方法就是采用svm算法实现对网络故障的非线性变化特性的获取及拟合,找出网络故障随时间变化的规律,从而得到对未来网络故障的最佳估计,达到预测的目的。
本发明实施例提供较传统bp神经网络而言精度更高、反应速度更快的深度学习算法,能够更精确地预测网络故障,为网络维护人员提供更有利的支撑,提前介入,降本增效。
实施例5
作为优选的实施方式,在实施例4的基础上,步骤s3中,pio-svm优化训练的具体步骤如下:
(1)首先,建立支持向量机的数学模型;
(2)其次,向支持向量机的数学模型输入svm预测网络故障的训练样本集,支持向量机的数学模型的输出结果精度作为svm参数的初始化及优化的选定参考依据。
svm参数初始化包括:
选定svm的核函数选定,本方面实施例选择的核函数为径向基函数(rbf);
确定训练样本的维度;
鸽群算法相关参数的初始化。
(3)之后,基于鸽群算法,对支持向量机的数学模型进行优化,获得支持向量机的最优惩罚参数与核函数参数;
(4)基于以上初始化及优化参数,得到pio-svm模型。
其中,优化的鸽群算法由鸽群算法生成若干个鸽子的位置,每一只鸽子的位置都代表了一组支持向量机的参数(c,σ),其中c为svm中的惩罚参数,σ是核函数,鸽群个体的位置经过迭代不断向最优组合的位置靠近,参见图3所示,具体步骤如下:
步骤101:初始化鸽群规模n,迭代次数划分为可以调节迭代次数控制全局搜索能力和收敛速度的指南针迭代次数t1和地表算子迭代次数t2,个体向量维度d,第i个网络性能监控数据训练样本的个体位置ai=[ai1,ai2,...,aid],个体速度vi=[vi1,vi2,...,vid],指南针因子q,个体的搜索空间searchrange,随机设置个体位置(即惩罚参数和核函数)和个体速度,计算种群的适应度值,即svm的分类准确率;
步骤102:在指南针算子迭代阶段,鸽群的归巢行为主要受地球磁场影响。需要尽可能的进行全局搜索,按照具体的公式更新鸽子个体的位置(即惩罚参数和核函数)和速度;
步骤103:计算鸽子个体的适应度值(多层感知器的均方误差)并更新全局最优位置和个体历史最优位置;
步骤104:确认是否达到指南算子迭代次数,若达到,则转到步骤105,开始进入地标算子阶段;若未达到,则返回步骤102;
步骤105:在地标算子阶段,鸽群的归巢行为主要受种群最优个体和自己个体的最优位置影响。相较于指南针算子阶段需要进行更为深度的局部搜索,按照适应度值对鸽子进行排序,每次迭代中将适应度值较差的鸽子舍弃一半,然后计算剩下的鸽子的种群中心,转到步骤106;
步骤106:所有个体朝向种群中心移动,按照具体公式更新鸽子个体的位置,转到步骤107;
步骤107:计算鸽子个体的适应度值,再次更新全局最优位置和个体历史最优位置,转到步骤108;
步骤108:确认是否达到地标算子迭代次数,若达到,则,转到步骤109;若未达到,则返回步骤105;
步骤109:判断终止条件,输出最优鸽子位置,即输出最优惩罚参数和核函数的组合。
本发明实施例提供的鸽群算法优化支持向量机的算法寻优能力强,计算复杂度低,收敛速度快,能够进行全局搜索,不易陷入局部最优,能有效实现精准预测。
实施例6
作为优选的实施方式,在实施例5的步骤102中,在指南针算子阶段,更新鸽子的位置x和速度v具体公式如下:
vi(t)=vi(t-1)·e-qt+rand·(agood-ai(t-1))
ai(t)=ai(t-1)+vi(t)
式中,q表示指南针因子,rand表示为0到1之间的随机数,agood为全局最优位置,ai为第i个训练样本集迭代所处的位置,t为当前迭代次数,取值为0到t1,ai(t-1)为第i个训练样本集迭代t-1时刻所处的位置。
作为优选的实施方式,在实施例5的步骤105中,在地标算子阶段,将鸽子按照适应度进行排序,然后每次迭代时舍弃适应度较差的一半,其中,np(t)为表示迭代t次时鸽群的数量,初始值为n,具体公式如下:
选择适应度较好的一半鸽子种群作为当前种群,然后确定当前种群中心,具体公式如下:
其中,acenter表示为当前的种群中心位置,fit表示为鸽子个体的适应度函数,即svm的分类准确率,t为当前迭代次数,此时取值为0到t2,np(t)表示迭代t次时鸽群的数量。
作为优选的实施方式,在实施例5的步骤106中,鸽子朝向中心位置移动,更新鸽子的位置,具体公式如下:
ai(t)=ai(t-1)+rand*(acenter(t)-ai(t-1))
最后,基于pio-svm模型,进行通信网络故障预测:
向训练好的pio-svm模型中输入测试样本集,pio-svm模型输出预测结果,对网络人员进行提示预报,便于网络维护人员防患于未然。
本发明实施例利用鸽群优化算法较强的寻优能力和后期较快的收敛速度等特性,将其应用到svm的训练过程中,可显著加速svm的训练速度,并且学习过程中具有较好的收敛性和较强的鲁棒性,能够实现全局搜索、有效提高svm参数搜索效率。本发明实施例提供的鸽群算法优化支持向量机的算法寻优能力强,计算复杂度低,收敛速度快,能够进行全局搜索,不易陷入局部最优,能有效实现精准预测。本发明实施例将pio-svm模型应用于通信网络故障预测,能够更精确地预测网络故障,为网络维护人员提供更有利的支撑,提前介入,降本增效。
本领域的技术人员可以对本发明实施例进行各种修改和变型,倘若这些修改和变型在本发明权利要求及其等同技术的范围之内,则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。