[发明专利]一种自动化识别网络质量状态的方法

说明书

本发明提出了一种自动化识别网络质量状态的方法，涉及网络质量状态识别领域，包括：采集网络数据，对有缺失的部分数据使用拉格朗日插值法，得到与原始数据同分布的数据集；采用主成分分析法对数据集进行降维处理，得到不损失原有数据集特征的精简数据集，构建权重矩阵、阈值矩阵和最终阈值值；基于权重矩阵和阈值矩阵构建生成器，对精简数据集进行打分和比较，将其划分为质差数据和非质差数据；基于全连接神经网络构建分类器，计算出质差数据和非质差数据之间的边界，得到新的阈值矩阵，并计算与前一个阈值矩阵的欧式距离，从而判断训练是否收敛稳定。本发明能够有效的识别并量化定位网络质量状态，为运维人员分析质差数据提供精确参考。

技术领域

本发明涉及网络质量状态识别领域，尤其涉及一种自动化识别网络质量状态的方法。

背景技术

在网络环境运维中，运维人员需要对网络中的通信设备进行维护与升级，而如何精准的找到是什么地方出现了问题就离不开对网络质量状态的判断和对网络质量状态差的原因定界分析，如何根据网络状态指标判断网络质量状态就成了困扰运维人员的难题。

中国专利CN114648053A《一种基于机器学习的5G网络质量自动评估方法》公开了对5G通信网络的评估方法，根据通信网络中不同业务对网络需求的差异化，进行判断。然而上述专利比较误差指标与阈值大小时，使用的生成对抗网络精度不够，需要对其进行改进，减小误差，用于更精确的识别网络质量。

发明内容

有鉴于此，本发明提出了一种自动化识别网络质量状态的方法，用于解决传统网络质量状态。

本发明的技术方案是这样实现的：本发明提供了一种自动化识别网络质量状态的方法，包括以下步骤，

S1，采集网络数据，对有缺失的部分数据使用拉格朗日插值法做出基于临近点的填充，得到与原始数据同分布的数据集；

S2，采用主成分分析法对数据集进行降维处理，得到不损失原有数据集特征的精简数据集，构建权重矩阵、阈值矩阵和最终阈值；

S3，基于权重矩阵和阈值矩阵构建生成器，对精简数据集进行打分和比较，将其划分为质差数据和非质差数据；

S4，基于全连接神经网络构建分类器，计算出质差数据和非质差数据之间的边界，得到新的阈值矩阵，并计算与前一个阈值矩阵的欧式距离，从而判断训练是否收敛稳定；

S5，当训练未收敛稳定时，将步骤S4得到的新的阈值矩阵更新到生成器中，重复步骤S3-S4；当训练收敛稳定时，输出权重矩阵和阈值矩阵，并输出对应的分类器和生成器。

在以上技术方案的基础上，优选的，步骤S1具体包括：

将采集的数据通过numpy(Numeric Python)库读取到内存，根据拉格朗日插值法，对其中有缺失的部分数据做一定的填充。

在以上技术方案的基础上，优选的，步骤S2具体包括：

采用主成分分析法对数据集进行降维处理，按照矩阵方式存储，得到元数据矩阵X，

X矩阵为m行n列的矩阵，其中m为数据集中网络数据记录的数量，n为网络数据记录的指标数；阈值矩阵T＝[t₁ t₂ … t_n]，为1行n列的矩阵，权重矩阵W^T＝[ω₁ ω₂ … ω_n]，为1行n列的矩阵，构建超参数最终阈值T_final。

在以上技术方案的基础上，优选的，步骤S3具体包括以下步骤：

S310，阈值比较；

S320，加权打分并比较。