[发明专利]一种样本数据的处理方法、系统及装置

说明书

本发明公开了一种样本数据的处理方法、系统及装置，涉及通信技术领域。样本数据的处理方法包括：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，用于根据时间点的先后顺序按行存储所述转换得到的向量。本发明将面向运维专家的光网络的配置数据、告警数据和故障数据转换为面向机器学习的样本数据，并提高样本数据的存储效率，实现异厂商的跨域样本数据的互通和共享。

技术领域

本发明涉及通信技术领域，具体是涉及一种样本数据的处理方法、系统及装置。

背景技术

光网络设备的当前性能指标越限或者一些潜在性能正在劣化时，会产生一系列的告警数据并上报给网管平台。当光网络设备出现故障时，则会同时产生告警数据和故障数据并上报。目前，运维专家通过分析告警数据和故障数据，定位故障发生位置，制定故障修复策略，然后通过管理平台和控制平台下发相应的配置数据到故障发生位置进行修复，必要时触发保护倒换以保证光网络的正常运行。

随着光网络规模日益增大，光网络设备不断增多，光网络产生的告警数据和故障数据数量越来越多，网络故障的定位和修复日趋复杂和费力，传统的故障处理模式面监巨大挑战，难以满足实际需要。特别是随着通信业务的飞速发展，通信技术的不断演进和变革，传统紧耦合、刚性网络架构转型为松耦合、灵活的云化网络架构是大势所趋。云化网络底层由光网络设备实现数据转发，中上层通过控制平台、管理平台、编排平台实现资源和业务的管理控制，系统运营和维护过程更加复杂，需要实现网络数据融合表示，高效提取数据操作和运算，以解决云化网络出现故障后难以及时恢复的问题。

采用人工智能技术对网络故障进行分析和修复是应对这些挑战的有效方案。但是，一方面，现有的面向运维专家的告警数据、故障数据和配置数据均包括各种类型的字段，例如告警开始时间、网元类型和中央处理器(Central Processing Unit，CPU)的内核数量等。这些异构数据不能直接用作面向机器学习的样本数据；另一方面，由于网络数据数量巨大以及各种类型网络具有差异等因素，导致无法根据机器学习的需求灵活地提取所需的样本数据。因此，迫切需要灵活、有效的样本数据处理方法，以满足机器学习模型测试和分析的需要。

发明内容

本发明实施例的目的在于提供一种样本数据的处理方法、系统及装置，将面向运维专家的光网络的配置数据、告警数据和故障数据转换为面向机器学习的样本数据，并提高样本数据的存储效率，实现异厂商的跨域样本数据的互通和共享。

第一方面，本发明实施例提供一种样本数据的处理方法，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。

结合第一方面，在第一种可选的实现方式中，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。

在第一方面的第一种可选的实现方式中，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。

在第一方面的第二种可选的实现方式中，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。

其中，一种可选的实现方式中，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；