[發明專利]感知數據的自愈管控方法、裝置、計算機設備和存儲介質

有效

• 申請號: 202010172691.9
• 申請日: 2020-03-12
• 公開（公告）號: CN113392862B
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 蒲承祖;劉毅;劉紅梅;姜良軍;袁鯤;邱偉娜;張康;孫善勇
• 申請（專利權）人: 中國移動通信集團山東有限公司;中國移動通信集團有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F16/215
• 代理公司: 北京匯思誠業知識產權代理有限公司 11444
• 代理人: 馮偉

1.一種感知數據的自愈管控方法，其特征在于，所述方法包括：

基于網絡通信的數據源獲取感知數據；

采用深度學習引擎對所述感知數據的數據質量進行檢測，得到目標質量問題數據，其中，所述深度學習引擎預訓練有數據質量檢測模型，所述數據質量檢測模型基于質量問題數據和質量合格數據為訓練樣本訓練得到；

基于預設的數據自愈知識庫，將所述目標質量問題數據輸入到深度學習引擎的質量自愈模型中，輸出修復指令，其中，所述數據自愈知識庫包括質量修復規則策略，所述質量自愈模型基于所述質量修復規則策略和所述質量問題數據為訓練樣本，采用Q值卷積神經網絡訓練得到，所述修復指令用于對所述感知數據中的目標質量問題數據進行自愈修復；

根據所述修復指令對所述感知數據進行自愈修復；

其中，所述感知數據的階段類型包括數據源采集階段、數據模型匯聚階段和指標生成階段，所述基于網絡通信的數據源獲取感知數據，包括：

對5G用戶面HTTP、5G用戶面即時通信、5G用戶面視頻和5G用戶面通用話單的網絡感知指標進行抽取、清洗和轉換，得到所述數據源采集階段的感知數據；

基于預設的模型匯聚規則，對所述數據源采集階段的感知數據進行數據加工與計算，得到數據模型匯聚階段的感知數據；

對所述數據模型匯聚階段的感知數據進行指標計算，得到所述指標生成階段的感知數據。

2.根據權利要求1所述的方法，其特征在于，在所述基于網絡通信的數據源獲取感知數據之前，還包括：

獲取歷史感知數據中的質量問題數據和質量合格數據；

按照感知數據的階段類型進行區分，將區分后的所述質量問題數據和所述質量合格數據作為訓練樣本集，其中，所述感知數據的階段類型包括數據源采集階段、數據模型匯聚階段和指標生成階段，所述訓練樣本集中的任一組訓練樣本包括具有對照關系的所述質量問題數據和所述質量合格數據；

將所述訓練樣本集輸入到深度學習引擎的深度神經網絡中進行模型訓練；

在模型訓練過程中，采用回歸模型的損失函數計算模型訓練過程中產生的損失值；

采用梯度下降法，根據所述損失值對所述深度神經網絡的網絡參數進行更新，當達到預設訓練步數或者梯度不再下降時，模型訓練結束，得到所述數據質量檢測模型。

3.根據權利要求2所述的方法，其特征在于，所述獲取歷史感知數據中的質量問題數據和質量合格數據，包括：

對于數據源采集階段的歷史感知數據，基于接口數據的完整性獲取數據源采集階段的質量問題數據和質量合格數據；

對于數據模型匯聚階段的歷史感知數據，基于ETL過程中數據加工的一致性獲取數據模型匯聚階段的質量問題數據和質量合格數據；

對于指標生成階段的歷史感知數據，基于數據指標的一致性獲取指標生成階段的質量問題數據和質量合格數據，其中所述數據指標包括關鍵業績指標和業務質量指標。

4.根據權利要求1所述的方法，其特征在于，在所述基于網絡通信的數據源獲取感知數據之前，還包括：

從歷史感知數據中獲取質量問題數據；

接入數據自愈知識庫到所述深度學習引擎，其中，所述數據自愈知識庫根據所述質量修復規則策略預構建得到；

將所述質量問題數據作為Q值卷積神經網絡訓練中的輸出狀態，將所述質量修復規則策略作為Q值卷積神經網絡訓練中的輸出動作，采用包括所述輸出狀態和所述質量修復規則策略的Q值，輸入到所述深度學習引擎的Q值卷積神經網絡進行模型訓練，并根據動作評估函數進行Q值卷積神經網絡中網絡參數的迭代更新；

當滿足模型訓練停止的條件時，停止Q值卷積神經網絡的模型訓練，得到所述質量自愈模型。

5.根據權利要求1所述的方法，其特征在于，所述基于預設的數據自愈知識庫，將所述目標質量問題數據輸入到深度學習引擎的質量自愈模型中，輸出修復指令，包括：

數據自愈知識庫中的質量修復規則策略通過數據連接接口輸入到所述質量自愈模型中；

將所述目標質量問題數據輸入到深度學習引擎的質量自愈模型中；

根據所述質量修復規則策略和所述目標質量問題數據，在通過質量自愈模型的解析后，輸出所述目標質量修復規則策略；

根據所述目標質量修復規則策略生成并輸出對應的修復指令。