[发明专利]检测报文心跳周期的自适应方法和装置

权利要求书

1.一种检测报文心跳周期的自适应方法，其特征在于，该方法包括：

构建步骤，构建神经网络模型，所述神经网络模型的输入层节点为影响心跳周期的心跳周期参数，其输出层节点为心跳周期，所述神经网络模型的样本集包括心跳周期的样本参数和心跳周期样本值的映射关系；

自学习触发步骤，判断符合自学习的触发条件时，触发所述神经网络模型根据所述样本集进行自学习；

计算触发步骤，判断符合计算心跳周期的触发条件时，采集心跳周期计算参数输入所述神经网络模型，得到心跳周期计算值；

心跳周期更新步骤，判断符合心跳周期更新的触发条件时，根据所述心跳周期计算值更新当前心跳周期，否则执行样本集更新步骤；

样本集更新步骤，更新所述样本集，返回自学习步骤。

2.如权利要求1所述的方法，其特征在于：所述参数包括以下一个或多个：网元个数、网络拥塞系数、网络流量、设备使用率、CPU占用率、平均心跳周期、当前心跳周期、调整值。

3.如权利要求1所述的方法，其特征在于：所述神经网络模型进行自学习的过程包括：

提取样本集中的某个样本参数作为神经网络模型的输入层节点，得到输出层节点的心跳周期样本计算值；

计算该心跳周期样本计算值与所述样本中对应的心跳周期样本值之间的误差；

若该误差值小于预设阈值，则流程结束，若该误差值大于预设阈值，则根据该误差值修正该神经网络模型的连接权值，直到重新计算的心跳周期样本计算值与对应的心跳周期样本值之间的误差小于预设阈值。

4.如权利要求3所述的方法，其特征在于：所述神经网路根据误差梯度下降的方向修正所述连接权值，并按比列叠加前次的连接权值变化量。

5.如权利要求1所述的方法，其特征在于：所述样本集更新步骤中，将所述心跳周期计算参数和心跳周期计算值的映射关系更新入原样本集，或，将原样本集中与新得到的映射关系相似的映射关系进行加权合并后加入原样本集。

6.如权利要求1所述的方法，其特征在于：所述心跳周期更新的触发条件为：所述心跳周期计算值与之前得到的n-1个心跳周期计算值之间的偏差都大于第一阈值，且所述心跳周期计算值与之前得到的n-1个心跳周期计算值的平均值的偏差大于第二阈值。

7.如权利要求1所述的方法，其特征在于：所述计算心跳周期的触发条件、自学习的触发条件或所述心跳周期更新的触发条件为定时触发或事件触发。

8.一种检测报文心跳周期的自适应装置，其特征在于，该装置包括：

神经网络模型模块，用于计算心跳周期，其输入层节点为影响心跳周期的心跳周期参数，其输出层节点为心跳周期，所述神经网络模型的样本集包括心跳周期的样本参数和心跳周期样本值的映射关系，该方法包括：

自学习触发模块，用于在判断符合自学习触发条件时，触发所述神经网络模型根据所述样本集进行自学习；

计算触发模块，用于在判断符合计算心跳周期的触发条件时，采集心跳周期计算参数输入所述神经网络模型，触发所述神经网络模型计算得到心跳周期计算值；

心跳周期更新模块，用于在判断符合心跳周期的更新条件时，根据所述神经网络模型输出的心跳周期计算值更新当前心跳周期；

样本集更新模块，用于更新所述神经网络模型的样本集。

9.如权利要求8所述的装置，其特征在于：所述参数包括以下一个或多个：网元个数、网络拥塞系数、网络流量、设备使用率、CPU占用率、平均心跳周期、当前心跳周期、调整值。

10.如权利要求8所述的装置，其特征在于：所述样本集更新模块将所述心跳周期计算参数和心跳周期计算值的映射关系更新入原样本集，或，将原样本集中与新得到的映射关系相似的映射关系进行加权合并后加入原样本集。

11.如权利要求8所述的装置，其特征在于：所述心跳周期更新的触发条件为：所述心跳周期计算值与之前得到的n-1个心跳周期计算值之间的偏差都大于第一阈值，且所述心跳周期计算值与之前得到的n-1个心跳周期计算值的平均值的偏差大于第二阈值。

12.如权利要求8所述的装置，其特征在于：所述计算心跳周期的触发条件、自学习的触发条件或所述心跳周期更新的触发条件为定时触发或事件触发。