[发明专利]一种基于人工智能的网络运维自动化方法

权利要求书

1.一种基于人工智能的网络运维自动化方法，其特征在于，包括：

S100.获取运维系统运行的运维数据，对运维数据进行预处理，得到训练数据；

S200.对训练数据进行处理，提取训练数据的特征值；

S300.通过提取训练数据的特征值，构建基于运维系统数据的随机森林模型和深度神经网络模型；

S400.基于生成的随机森林模型和深度神经网络模型，生成网络自动化运维模型，将线上实时的运维数据导入到网络自动化运维模型，对运维系统进行预警。

2.如权利要求1所述的一种基于人工智能的网络运维自动化方法，其特征在于，对运维数据进行预处理，包括：将运维数据进行筛选，分为正常运行的正样本数据和异常运行的负样本数据，使正负样本数据的个数相等。

3.如权利要求1所述的一种基于人工智能的网络运维自动化方法，其特征在于，特征值提取的方法为：首先通过滑动窗口，提取该窗口类数据的统计特征；然后通过序列前后值的对比，得到对比特征；最后合滑动窗口和对比特征，得到对比统计特征。

4.如权利要求3所述的一种基于人工智能的网络运维自动化方法，其特征在于，采用不同的窗口宽度来提取该窗口类数据的统计特征。

5.如权利要求3所述的一种基于人工智能的网络运维自动化方法，其特征在于，对于统计特征方面，至少使用的数学方法包括：均值、方差和分位数。

6.如权利要求3所述的一种基于人工智能的网络运维自动化方法，其特征在于，对于对比特征方面，至少使用的对比方式包括：差分和变化比例，其中，差分代表了绝对变化，变化比例则是相对值。

7.如权利要求1所述的一种基于人工智能的网络运维自动化方法，其特征在于，随机森林模型的关键参数包括：每棵决策树使用的特征数量、决策树的数量和最小叶子节点数目；其中，每棵决策树使用的特征数量为故障检测用到的特征总数；决策树的数量越多，故障检测的结果越精准；最小叶子节点数目，根据实际情况选取。

8.如权利要求1所述的一种基于人工智能的网络运维自动化方法，其特征在于，深度神经网络模型采取两个全连接隐层和一个Sigmoid输出层，其中两个全连接隐层的隐藏神经元数量都是128个。

9.如权利要求1所述的一种基于人工智能的网络运维自动化方法，其特征在于，网络自动化运维模型的检测指标包括静态阈值的检测指标和动态阈值的指标；其中，静态阈值的检测指标为应用于可用性、成功率和利用率的监控指标；动态阈值的检测指标为流量类，话务量和数据业务流量的监控指标。