一种基于CPU运算实现AI告警预测的优化设计方法及系统与流程

本发明涉及人工智能，具体为一种基于cpu运算实现ai告警预测的优化设计方法及系统。

背景技术：

1、在现有已交付网管系统中，受限于项目规模或者项目范围，交付期间进行硬件架构设计和功能设计时，并未考虑到添加ai等特性，因此并未部署专门的硬件加速器(如gpu、tpu等)。考虑到硬件架构变更成本，重新购置硬件加速器的方案可能不被企业接受。

2、现有技术中，基于小规模的ai任务，如简单模型的训练和推理，基于cpu运算实现的系统已经足够满足需求。它们可以提供足够的计算能力来处理这些任务。在同样的cpu、内存等配置下，可能会造成数据模型分类效果不佳，进而影响模型评估的精确率和召回率。

3、因此，我们需要一种基于cpu运算实现ai告警预测的优化设计方法及系统，用来解决现有优化方法造成数据模型分类效果不佳，进而影响模型评估的精确率和召回率的问题；可以提高告警预测的准确性和效率。

技术实现思路

1、本发明的目的在于提供一种基于cpu运算实现ai告警预测的优化设计方法及系统，以解决上述背景技术中提出的现有优化方法造成数据模型分类效果不佳，进而影响模型评估的精确率和召回率的问题；可以提高告警预测的准确性和效率。

2、为实现上述目的，本发明提供如下技术方案：一种基于cpu运算实现ai告警预测的优化设计方法，所述方法包括以下步骤：

3、采集网管系统的告警数据；

4、对采集的告警数据进行清洗、去噪和归一化处理；

5、从预处理后的数据中提取反映告警数据的特征；

6、在cpu上训练告警预测模型，并通过并行计算进行优化；

7、将训练好的模型部署到系统中，实现对实时数据的预测和分析，并生成相应的告警。

8、优选的，采集网管系统的告警数据的具体操作包括：

9、利用网管系统收集的历史告警数据作为训练样本，收集历史告警列表的数据集，确保数据集中包括告警发生时的数据特征，比如告警名称，告警类型、告警发生时间、告警发生设备，告警级别和告警发生次数。

10、优选的，数据清洗包括：识别缺失值、处理缺失值、识别和处理异常值、处理重复值、数据格式统一以及数据类型转换；

11、去噪包括：理解告警数据特点、使用滤波器进行平滑处理以及应用阈值处理方法；

12、归一化包括：对告警次数特征值进行最大-最小归一化。

13、优选的，从预处理后的数据中提取反映告警数据的特征的具体操作包括：

14、统计特征，包括告警数量特征、告警级别特征、告警类型特征、告警来源特征、告警持续时间特征以及告警时段特征；

15、时序特征，包括时间间隔特征、告警频率特征以及突发特征。

16、优选的，训练告警预测模型的具体操作包括：

17、划分数据集：将数据集划分为训练集和测试集，采用交叉验证作为测试集；

18、初始化模型参数：初始化逻辑回归模型的参数，包括权重和偏置；

19、定义损失函数：定义逻辑回归的损失函数，使用对数损失函数；

20、梯度下降优化：使用小批量梯度下降算法来最小化损失函数，更新模型参数以使损失函数达到最小值；

21、迭代训练：迭代执行梯度下降优化算法，直至达到预设的迭代次数或者收敛条件，并且在每次迭代中，计算损失函数的梯度，并根据梯度更新模型参数；

22、模型评估：使用训练好的逻辑回归模型在训练集上进行预测，并评估模型的性能。使用精确率和召回率来评估模型的分类效果。

23、一种基于cpu运算实现ai告警预测的优化设计系统，所述系统由数据采集模块、数据预处理模块、特征提取模块、告警预测模块和结果展示模块组成；

24、数据采集模块，用于采集网管系统的告警数据；

25、数据预处理模块，用于对采集的告警数据进行清洗、去噪和归一化处理；

26、特征提取模块，用于从预处理后的数据中提取反映告警数据的特征；

27、告警预测模块，用于在cpu上训练告警预测模型，并通过并行计算进行优化；

28、结果展示模块，用于将训练好的模型部署到系统中，实现对实时数据的预测和分析，并生成相应的告警。

29、优选的，所述数据采集模块，利用网管系统收集的历史告警数据作为训练样本，收集历史告警列表的数据集，确保数据集中包括告警发生时的数据特征，比如告警名称，告警类型、告警发生时间、告警发生设备，告警级别和告警发生次数。

30、优选的，数据预处理模块中，数据清洗包括：识别缺失值、处理缺失值、识别和处理异常值、处理重复值、数据格式统一以及数据类型转换；

31、去噪包括：理解告警数据特点、使用滤波器进行平滑处理以及应用阈值处理方法；

32、归一化包括：对告警次数特征值进行最大-最小归一化。

33、优选的，特征提取模块，包括：

34、统计特征，包括告警数量特征、告警级别特征、告警类型特征、告警来源特征、告警持续时间特征以及告警时段特征；

35、时序特征，包括时间间隔特征、告警频率特征以及突发特征。

36、优选的，告警预测模块，包括：

37、划分数据集：将数据集划分为训练集和测试集，采用交叉验证作为测试集；

38、初始化模型参数：初始化逻辑回归模型的参数，包括权重和偏置；

39、定义损失函数：定义逻辑回归的损失函数，使用对数损失函数；

40、梯度下降优化：使用小批量梯度下降算法来最小化损失函数，更新模型参数以使损失函数达到最小值；

41、迭代训练：迭代执行梯度下降优化算法，直至达到预设的迭代次数或者收敛条件，并且在每次迭代中，计算损失函数的梯度，并根据梯度更新模型参数；

42、模型评估：使用训练好的逻辑回归模型在训练集上进行预测，并评估模型的性能。使用精确率和召回率来评估模型的分类效果。

43、与现有技术相比，本发明的有益效果是：

44、本发明提出的基于cpu运算实现ai告警预测的优化设计方法及系统，利用cpu的计算能力和并行处理特性，实现对一定规模告警数据的高效处理。通过分析历史告警数据，本系统能够有效地识别潜在的故障和异常情况，为网络设备的运维管理提供了可靠的支持；进一步解决了现有优化方法造成数据模型分类效果不佳，进而影响模型评估的精确率和召回率的问题；可以提高告警预测的准确性和效率。

技术特征：

1.一种基于cpu运算实现ai告警预测的优化设计方法，其特征在于：所述方法包括以下步骤：

2.根据权利要求1所述的一种基于cpu运算实现ai告警预测的优化设计方法，其特征在于：采集网管系统的告警数据的具体操作包括：

3.根据权利要求1所述的一种基于cpu运算实现ai告警预测的优化设计方法，其特征在于：数据清洗包括：识别缺失值、处理缺失值、识别和处理异常值、处理重复值、数据格式统一以及数据类型转换；

4.根据权利要求1所述的一种基于cpu运算实现ai告警预测的优化设计方法，其特征在于：从预处理后的数据中提取反映告警数据的特征的具体操作包括：

5.根据权利要求1所述的一种基于cpu运算实现ai告警预测的优化设计方法，其特征在于：训练告警预测模型的具体操作包括：

6.一种根据权利要求1-5任意一项所述的基于cpu运算实现ai告警预测的优化设计方法的基于cpu运算实现ai告警预测的优化设计系统，其特征在于：所述系统由数据采集模块、数据预处理模块、特征提取模块、告警预测模块和结果展示模块组成；

7.根据权利要求6所述的一种基于cpu运算实现ai告警预测的优化设计系统，其特征在于：所述数据采集模块，利用网管系统收集的历史告警数据作为训练样本，收集历史告警列表的数据集，确保数据集中包括告警发生时的数据特征，比如告警名称，告警类型、告警发生时间、告警发生设备，告警级别和告警发生次数。

8.根据权利要求6所述的一种基于cpu运算实现ai告警预测的优化设计系统，其特征在于：数据预处理模块中，数据清洗包括：识别缺失值、处理缺失值、识别和处理异常值、处理重复值、数据格式统一以及数据类型转换；

9.根据权利要求6所述的一种基于cpu运算实现ai告警预测的优化设计系统，其特征在于：特征提取模块，包括：

10.根据权利要求6所述的一种基于cpu运算实现ai告警预测的优化设计系统，其特征在于：告警预测模块，包括：

技术总结本发明涉及人工智能技术领域，具体为一种基于CPU运算实现AI告警预测的优化设计方法及系统，包括以下步骤：采集网管系统的告警数据；对采集的告警数据进行清洗、去噪和归一化处理；从预处理后的数据中提取反映告警数据的特征；在CPU上训练告警预测模型，并通过并行计算进行优化；将训练好的模型部署到系统中，实现对实时数据的预测和分析，并生成相应的告警；有益效果为：本发明提出的基于CPU运算实现AI告警预测的优化设计方法及系统，利用CPU的计算能力和并行处理特性，实现对一定规模告警数据的高效处理。通过分析历史告警数据，本系统能够有效地识别潜在的故障和异常情况，为网络设备的运维管理提供了可靠的支持。技术研发人员：谭宇鸿受保护的技术使用者：浪潮通信信息系统有限公司技术研发日：技术公布日：2024/7/29