[发明专利]一种服务质量评估模型的训练方法及装置

权利要求书

1.一种服务质量评估模型的训练方法，其特征在于，应用于模型训练节点，所述方法包括：

按照固定周期采集服务节点的机器性能数据、网络特征数据以及所述服务节点中一种或多种应用服务对应的质量监控数据，其中，所述一种或多种应用服务属于所述服务质量评估模型所适用的业务类型；

基于所述机器性能数据和所述网络特征数据确定特征值；

基于所述服务质量评估模型所适用的业务类型确定服务质量的评估指标，利用所述质量监控数据计算所述评估指标的数值，并将所述评估指标的数值确定为目标质量数据；

利用所述特征值以及所述目标质量数据建立训练集；

利用所述训练集训练深度神经网络，构建服务质量评估模型，其中，所述深度神经网络为深度残差网络，所述深度残差网络包括输入层、第一全连接层、卷积层、预设数量的残差块、第二全连接层以及输出层；

所述利用所述训练集训练深度神经网络模型，构建服务质量评估模型具体包括：将所述训练集的特征值通过所述输入层输入所述第一全连接层中进行切分并压缩，输出新特征；将所述第一全连接层输出的新特征输入多通道的所述卷积层中，进行卷积处理；将所述卷积层输出的数据依次输入所述预设数量的残差块中进行处理；将所述残差块输出的数据输入所述第二全连接层中进行非线性变换，得到质量数据，并通过所述输出层输出所述质量数据；确定所述质量数据与所述目标质量数据之间的误差；反向传播所述误差，优化模型参数。

2.根据权利要求1所述的方法，其特征在于，所述机器性能数据包括cpu利用率、内存利用率以及io情况；所述网络特征数据包括ping数据、poll数据以及下载速率。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

监控节点周期性地向所述服务节点发送检测信号，并得到网络特征数据；

相应的，所述按照固定周期采集服务节点的网络特征数据的步骤，包括：

按照固定周期从所述监控节点中采集服务节点的网络特征数据。

4.根据权利要求1所述的方法，其特征在于，在基于所述机器性能数据和所述网络特征数据确定特征值的步骤之前，还包括：

筛选所述机器性能数据、所述网络特征数据以及所述质量监控数据中的空值和异常值；

使用正常值替换所述空值和所述异常值。

5.根据权利要求4所述的方法，其特征在于，

筛选所述机器性能数据、所述网络特征数据以及所述质量监控数据中的异常值的步骤，包括：使用聚类算法或者数据标准化后设置置信区间方式，筛选所述机器性能数据、所述网络特征数据以及所述质量监控数据中的空值和异常值；

使用正常值替换所述异常值的步骤，包括：使用k-NN方法或者相邻采集周期采集到的数据替换所述异常值。

6.根据权利要求1所述的方法，其特征在于，所述特征值包括所述机器性能数据，各维度机器性能数据的均值、中位数或者方差中的一种或多种，所述网络特征数据，以及各维度网络特征数据的均值、中位数或者方差中的一种或多种。

7.根据权利要求1所述的方法，其特征在于，所述训练集包括多个训练样本，每个所述训练样本均包括m个时间步长的特征值和一个目标质量数据，其中，m为正整数。

8.根据权利要求1所述的方法，其特征在于，利用所述训练集训练所述深度残差网络，包括：将所述卷积层输出的数据依次输入预设数量的残差块中进行处理；

其中，在每个所述残差块中的数据处理过程，包括：

将输入所述残差块的数据依次输入a个通道的1*1卷积层、b个通道的1*3卷积层和c个通道的1*1卷积层，其中a，b，c均为正整数；

将从所述c个通道的1*1卷积层输出的数据与输入所述a个通道的1*1卷积层的数据相加；

使用Relu函数对相加后的数据进行激励。