[发明专利]一种样本数据的处理方法、系统及装置

权利要求书

1.一种样本数据的处理方法，其特征在于，其包括：

从数据库中获取至少一个目标网络在多个时间点的告警数据、故障数据和配置数据，并分别转换为相应的向量；

为至少一个目标网络构建一个多层高维空间，包括每个目标网络的告警数据层、故障数据层和配置数据层；其中，每一层均为具有相同维度的二维矩阵，用于根据所述时间点的先后顺序按行存储所述转换得到的向量；

所述转换为相应的向量的方法包括：

将每条告警数据、故障数据或者配置数据转换为一个基础向量V_b，所述基础向量V_b的每个元素为每条告警数据、故障数据或者配置数据中一个字段的数值；

对基础向量V_b进行量纲转换，转换得到的向量V为基础向量V_b与量纲扩展向量V_s的hadamard积，其中，基础向量的每个元素为一个所述时间点的告警数据、故障数据或者配置数据中一个字段的数值，量纲扩展向量V_s的元素为所述基础向量V_b的相应元素的扩大或者缩小倍数；

其中，为一个目标网络构建三对向量组，分别为告警数据基础向量组与量纲扩展向量组、故障数据基础向量组与量纲扩展向量组、以及配置数据基础向量组与量纲扩展向量组，得到的告警数据基础向量组包括由M_a条告警数据转换得到的M_a个告警数据向量，每个告警数据向量具有N_a个元素；故障数据基础向量组包括由M_f条故障数据转换得到的M_f个故障数据向量，每个故障数据向量具有N_f个元素；配置数据基础向量组包括由M_c条配置数据转换得到的M_c个配置数据向量，每个配置数据向量具有N_c个元素；

所述方法还包括：从所述告警数据层和故障数据层提取机器学习模型的输入向量，从所述配置数据层提取机器学习模型的输出向量。

2.如权利要求1所述的样本数据的处理方法，其特征在于：

对所述告警数据层和故障数据层依次进行模展开和按行向量展开，得到所述输入向量；对所述配置数据层依次进行模展开和按行向量展开，得到所述输出向量。

3.如权利要求1所述的样本数据的处理方法，其特征在于：

从所述多层高维空间中提取包括目标数据的子空间，子空间包括所述告警数据层、故障数据层和配置数据层中的至少一个子矩阵；

对所述子空间依次进行模展开和按行向量展开，得到所述输入向量和/或输出向量。

4.如权利要求3所述的样本数据的处理方法，其特征在于：

通过子空间切分算子对所述多层高维空间进行切分后得到所述子空间；

通过第一模展开操作算子对所述模展开矩阵按行向量展开得到所述输入向量；和/或，通过第二模展开操作算子对所述模展开矩阵按行向量展开得到所述输出向量。

5.如权利要求1所述的样本数据的处理方法，其特征在于：

根据所述时间点的先后顺序，在二维的空矩阵中按行存储所述转换得到的向量，以分别得到每个所述目标网络的告警矩阵、故障矩阵和配置矩阵；

将所述告警矩阵、故障矩阵和配置矩阵分别存储在所述多层高维空间的告警数据层、故障数据层和配置数据层，每一层中没有存储数值的矩阵元素填充零值。