[发明专利]基于生成式对抗网络的网络故障预测方法及装置在审
申请号: | 202211449282.4 | 申请日: | 2022-11-18 |
公开(公告)号: | CN115935180A | 公开(公告)日: | 2023-04-07 |
发明(设计)人: | 孙燕杰;孔维玉;袁开国;付海涛;司大鹏;石明磊;陆毅远 | 申请(专利权)人: | 上海速丰通联科技集团有限公司 |
主分类号: | G06F18/214 | 分类号: | G06F18/214;G06F18/22;G06F18/24;G06F3/0481;G06Q10/04;G06N3/0442;G06N3/048;G06N3/08 |
代理公司: | 北京华专卓海知识产权代理事务所(普通合伙) 11664 | 代理人: | 王一 |
地址: | 201111 上海*** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 生成 对抗 网络 网络故障 预测 方法 装置 | ||
本公开的实施例提供了一种基于生成式对抗网络的网络故障预测方法及装置。所述方法包括:获取历史网络日志数据并进行预处理,生成训练样本集;利用所述训练样本集对预设生成式对抗网络模型进行训练,得到网络故障预测模型;其中,所述预处理包括日志解析、滑动窗口划分、负采样;所述训练样本集中的训练样本包括输入序列和对应标签,所述输入序列为滑动窗口内的日志事件,所述标签为滑动窗口后的日志事件。以此方式,通过生成对抗网络模型从数据层面解决了数据集中存在的样本不均衡问题,能够学习到少数类样本的真实分布,生成新的少数样本,从而得到样本比例均衡的训练集。
技术领域
本公开涉及网络故障预测领域,尤其涉及基于生成式对抗网络的网络故障预测技术领域。
背景技术
网络故障预测以网络目前的系统状态为起点,再结合网络的以往的健康状态、特征参量及历史数据,通过预测算法预测网络未来的网络健康状况,根据预测的网络健康状态再采取相应措施,以便避免网络故障的发生。
目前网络故障预测技术如图1所示,整体分成两个阶段:训练阶段和预测阶段。
训练阶段首先对网络日志进行预处理,预处理包括数据清洗、构造字典、提取样本三部分。数据清洗负责清洗原始数据的无用信息;构造字典统计日志数据中每个单词出现的次数,对清洗后的数据构造字典,获得数字编号;提取样本负责样本的生成,样本的组成包括输入序列和标签,输入序列指的是当前的一段日志数据,代表系统当前的工作状态,标签是指未来某一段时间内的日志数据,代表当前系统对应的未来某一时刻的工作状态是正常还是故障。将预处理后的数据输入到卷积神经网络。卷积神经网络包括词嵌入层、卷积层、池化层、全连接层。预处理的数据进行向量化,将向量矩阵输入到卷积层和池化层进行特征提取,再通过全连接层得到分类结果。以交叉熵损失函数作为模型性能评价的标准,训练模型,直至达到要求,获得可以进行预测的网络故障预测模型。
预测阶段,利用搭建好的网络故障预测模型对日志数据进行网络故障预测。即将待预测的网络日志序列投入训练好的预测模型中进行预测,根据输出的结果得到预测结果。
现有技术方案主要存在三个缺点:
1、网络系统的告警是大量且冗余的,其中反映着通信网络发生故障的告警非常少,存在样本不均衡问题。故网络的历史日志中正常实例的数量和出现故障的实例的数量存在严重不均衡的问题,不利于预测模型的学习。
2、卷积神经网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等,未能实现对重点特征的着重关注。
3、基于卷积神经网络的网络故障预测并没有充分利用日志序列的上下文信息。
发明内容
本公开提供了一种网络故障预测的方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种基于生成式对抗网络的网络故障预测模型训练方法。该方法包括:获取历史网络日志数据并进行预处理,生成训练样本集;利用所述训练样本集对预设生成式对抗网络模型进行训练,得到网络故障预测模型;其中,所述预处理包括日志解析、滑动窗口划分、负采样;所述训练样本集中的训练样本包括输入序列和对应标签,所述输入序列为滑动窗口内的日志事件,所述标签为滑动窗口后的日志事件。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述生成式对抗网络模型中,生成网络由输入层、嵌入层、LSTM层、Attention层、全连接层构成。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述嵌入层采用embedding的方式将稀疏向量转换为保留语义关系的低维向量。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海速丰通联科技集团有限公司,未经上海速丰通联科技集团有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211449282.4/2.html,转载请声明来源钻瓜专利网。