[發(fā)明專(zhuān)利]資源質(zhì)量監(jiān)控的智能化預(yù)警方法、系統(tǒng)、設(shè)備和存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210360389.5
• 申請(qǐng)日: 2022-04-07
• 公開(kāi)（公告）號(hào): CN114726751A
• 公開(kāi)（公告）日: 2022-07-08
• 發(fā)明（設(shè)計(jì)）人: 徐運(yùn)海;皋宇峰;周波;鄭博洪;賴(lài)偉;陶熙;李躍華;鄧云;曹磊
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣州匯智通信技術(shù)有限公司
• 主分類(lèi)號(hào): H04L43/04
• 分類(lèi)號(hào): H04L43/04;H04L41/147;H04L41/14;H04L41/0631
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 劉思言

1.一種用于資源質(zhì)量監(jiān)控的智能化預(yù)警方法，其特征在于，包括：

收集原始運(yùn)維指標(biāo)數(shù)據(jù)，將所述原始運(yùn)維指標(biāo)數(shù)據(jù)作為學(xué)習(xí)目標(biāo)輸入到長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM中；

基于所述長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM對(duì)所述原始運(yùn)維指標(biāo)數(shù)據(jù)的深層數(shù)據(jù)信息進(jìn)行回歸學(xué)習(xí)，訓(xùn)練權(quán)重和偏置確定的預(yù)測(cè)模型；

利用所述預(yù)測(cè)模型進(jìn)行資源質(zhì)量監(jiān)控，根據(jù)收集的當(dāng)前時(shí)間段的時(shí)間序列指標(biāo)數(shù)據(jù)預(yù)測(cè)下一時(shí)間段的數(shù)據(jù)指標(biāo)，并為所述數(shù)據(jù)指標(biāo)設(shè)定動(dòng)態(tài)閾值；

根據(jù)所述動(dòng)態(tài)閾值篩選下一時(shí)間段的有效告警信息，根據(jù)所述有效告警信息進(jìn)行智能化預(yù)警。

2.根據(jù)權(quán)利要求1所述的智能化預(yù)警方法，其特征在于，所述基于所述長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM對(duì)所述原始運(yùn)維指標(biāo)數(shù)據(jù)的深層數(shù)據(jù)信息進(jìn)行回歸學(xué)習(xí)，包括：

根據(jù)深度學(xué)習(xí)框架TensorFlow，以及多個(gè)不同結(jié)構(gòu)的所述長(zhǎng)短期記憶LSTM網(wǎng)絡(luò)，以集成學(xué)習(xí)的方式對(duì)所述原始運(yùn)維指標(biāo)數(shù)據(jù)中基于時(shí)間序列的單一指標(biāo)進(jìn)行回歸學(xué)習(xí)。

3.根據(jù)權(quán)利要求2所述的智能化預(yù)警方法，其特征在于，所述訓(xùn)練權(quán)重和偏置確定的預(yù)測(cè)模型，包括：

以T為時(shí)間長(zhǎng)度單位劃分所述原始運(yùn)維指標(biāo)數(shù)據(jù)，在每一個(gè)時(shí)間段，根據(jù)多個(gè)不同結(jié)構(gòu)的所述長(zhǎng)短期記憶LSTM網(wǎng)絡(luò)訓(xùn)練多個(gè)權(quán)重和偏置確定的所述預(yù)測(cè)模型。

4.根據(jù)權(quán)利要求3所述的智能化預(yù)警方法，其特征在于，所述利用所述預(yù)測(cè)模型進(jìn)行資源質(zhì)量監(jiān)控，根據(jù)收集的當(dāng)前時(shí)間段的時(shí)間序列指標(biāo)數(shù)據(jù)預(yù)測(cè)下一時(shí)間段的數(shù)據(jù)指標(biāo)，并為所述數(shù)據(jù)指標(biāo)設(shè)定動(dòng)態(tài)閾值，包括：

利用多個(gè)所述預(yù)測(cè)模型進(jìn)行資源質(zhì)量監(jiān)控，每個(gè)所述預(yù)測(cè)模型根據(jù)收集的當(dāng)前時(shí)間段的時(shí)間序列指標(biāo)數(shù)據(jù)預(yù)測(cè)下一時(shí)間段的數(shù)據(jù)指標(biāo)，以求平均值的方式根據(jù)多個(gè)所述預(yù)測(cè)模型產(chǎn)生的多組所述數(shù)據(jù)指標(biāo)獲取最終預(yù)測(cè)值，并以95％置信區(qū)間作為閾值劃定標(biāo)準(zhǔn)，為所述最終預(yù)測(cè)值設(shè)定動(dòng)態(tài)閾值。

5.一種用于資源質(zhì)量監(jiān)控的智能化預(yù)警系統(tǒng)，其特征在于，包括：

輸入模塊，用于收集原始運(yùn)維指標(biāo)數(shù)據(jù)，將所述原始運(yùn)維指標(biāo)數(shù)據(jù)作為學(xué)習(xí)目標(biāo)輸入到長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM中；

訓(xùn)練模塊，用于基于所述長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM對(duì)所述原始運(yùn)維指標(biāo)數(shù)據(jù)的深層數(shù)據(jù)信息進(jìn)行回歸學(xué)習(xí)，訓(xùn)練權(quán)重和偏置確定的預(yù)測(cè)模型；

預(yù)測(cè)模塊，用于利用所述預(yù)測(cè)模型進(jìn)行資源質(zhì)量監(jiān)控，根據(jù)收集的當(dāng)前時(shí)間段的時(shí)間序列指標(biāo)數(shù)據(jù)預(yù)測(cè)下一時(shí)間段的數(shù)據(jù)指標(biāo)，并為所述數(shù)據(jù)指標(biāo)設(shè)定動(dòng)態(tài)閾值；

預(yù)警模塊，用于根據(jù)所述動(dòng)態(tài)閾值篩選下一時(shí)間段的有效告警信息，根據(jù)所述有效告警信息進(jìn)行智能化預(yù)警。

6.根據(jù)權(quán)利要求5所述的智能化預(yù)警系統(tǒng)，其特征在于，所述訓(xùn)練模塊在基于所述長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM對(duì)所述原始運(yùn)維指標(biāo)數(shù)據(jù)的深層數(shù)據(jù)信息進(jìn)行回歸學(xué)習(xí)時(shí)，具體用于：

根據(jù)深度學(xué)習(xí)框架TensorFlow，以及多個(gè)不同結(jié)構(gòu)的所述長(zhǎng)短期記憶LSTM網(wǎng)絡(luò)，以集成學(xué)習(xí)的方式對(duì)所述原始運(yùn)維指標(biāo)數(shù)據(jù)中基于時(shí)間序列的單一指標(biāo)進(jìn)行回歸學(xué)習(xí)。

7.根據(jù)權(quán)利要求6所述的智能化預(yù)警系統(tǒng)，其特征在于，所述訓(xùn)練模塊在訓(xùn)練權(quán)重和偏置確定的預(yù)測(cè)模型時(shí)，具體用于：

以T為時(shí)間長(zhǎng)度單位劃分所述原始運(yùn)維指標(biāo)數(shù)據(jù)，在每一個(gè)時(shí)間段，根據(jù)多個(gè)不同結(jié)構(gòu)的所述長(zhǎng)短期記憶LSTM網(wǎng)絡(luò)訓(xùn)練多個(gè)權(quán)重和偏置確定的所述預(yù)測(cè)模型。

8.根據(jù)權(quán)利要求7所述的智能化預(yù)警系統(tǒng)，其特征在于，所述預(yù)測(cè)模塊，具體用于：

利用多個(gè)所述預(yù)測(cè)模型進(jìn)行資源質(zhì)量監(jiān)控，每個(gè)所述預(yù)測(cè)模型根據(jù)收集的當(dāng)前時(shí)間段的時(shí)間序列指標(biāo)數(shù)據(jù)預(yù)測(cè)下一時(shí)間段的數(shù)據(jù)指標(biāo)，以求平均值的方式根據(jù)多個(gè)所述預(yù)測(cè)模型產(chǎn)生的多組所述數(shù)據(jù)指標(biāo)獲取最終預(yù)測(cè)值，并以95％置信區(qū)間作為閾值劃定標(biāo)準(zhǔn)，為所述最終預(yù)測(cè)值設(shè)定動(dòng)態(tài)閾值。