一种网络设备的异常预测方法、装置及电子设备与流程

本说明书涉及网络设备领域，尤其涉及一种网络设备的异常预测方法、装置及电子设备。

背景技术：

1、交换机、路由器以及服务器等网络设备的kpi（key performance indicator，关键性能指标）数据反应网络设备的性能。通过预测模型对网络设备未来的kpi数据进行预测可实现对网络设备的异常预测。目前常见的在网络设备上部署的预测模型存在不同模型服务不同数据集的特点，也即需要为每一数据类型的kpi数据单独训练一个预测模型。网络设备的kpi数据的数据类型繁多，这就需要用到很多的预测模型，限制了预测模型在网络设备上部署的效率和可行性。

技术实现思路

1、为克服相关技术中存在的问题，本说明书提供了一种网络设备的异常预测方法、装置及电子设备。

2、本技术实施例提供了一种网络设备的异常预测方法，该方法包括：

3、针对m个聚类集合中的每一聚类集合，获取属于该聚类集合对应的数据类型的各类关键性能指标kpi数据，m大于1；所述m个聚类集合中至少存在一个对应两种数据类型的聚类集合，任一聚类集合包含属于该聚类集合对应的数据类型的kpi数据；

4、将所述各类kpi数据输入至该聚类集合对应的预测模型，得到预测kpi数据，所述预测模型的输出层包括在线适配层；

5、利用所述预测kpi数据预测网络设备是否异常；

6、在所述各类kpi数据满足设定要求时，利用所述各类kpi数据调整所述预测模型的在线适配层。

7、可选的，所述方法还包括：

8、获取所述网络设备在n个时间段内的各类kpi数据，n大于1；

9、对各类kpi数据进行聚类，得到m个聚类集合；

10、利用每一聚类集合内的kpi数据训练该聚类集合对应的预测模型。

11、可选的，所述对各类kpi数据进行聚类，得到m个聚类集合，包括：

12、根据任意两种数据类型下的kpi数据随时间变化的趋势，对各类kpi数据进行聚类，得到m个聚类集合；任意两种数据类型下的kpi数据随时间变化的趋势包括：该两种数据类型下的kpi数据周期变化时的趋势，或者该两种数据类型下的kpi数据非周期变化时的趋势；

13、其中，同一个聚类集合对应至少两种数据类型时，该聚类集合包含的各类kpi数据随时间变化的趋势之间的相似度高于相似度阈值。

14、可选的，各类kpi数据随时间变化的趋势之间的相似度包括各类kpi数据之间的距离，所述相似度阈值包括预设距离阈值；所述根据任意两种数据类型下的kpi数据随时间变化的趋势，对各类kpi数据进行聚类，得到m个聚类集合，包括：

15、针对任意两种数据类型的kpi数据，依据该两种数据类型下的各kpi数据，确定该两种数据类型之间的kpi数据的距离；其中，该两种数据类型之间的kpi距离的距离小于所述预设距离阈值时，表示该两种数据类型的kpi数据随时间变化的趋势之间的相似度高于相似度阈值；

16、根据每两种数据类型之间的kpi数据的kpi距离，将各数据类型的kpi数据进行聚类，得到m个聚类集合。

17、可选的，所述利用每一聚类集合内的kpi数据训练该聚类集合对应的预测模型，包括：

18、针对每一聚类集合，识别该聚类集合内每一数据类型下的kpi数据中异常kpi数据，并将所述异常kpi数据去除；并基于该数据类型下已有的kpi数据填补该数据类型下缺失的kpi数据；

19、利用每一聚类集合内去除所述异常kpi数据以及填补缺失的kpi数据之后的各类kpi数据训练该聚类集合对应的预测模型。

20、可选的，所述利用所述各类kpi数据调整所述预测模型的在线适配层，包括：

21、将获得的属于该聚类集合对应的数据类型的各类kpi数据中的异常kpi数据去除，并填补该聚类集合对应的数据类型的各类kpi数据中缺失的kpi数据；

22、当该聚类集合内去除异常kpi数据并填补缺失的kpi数据之后的各类kpi数据的数据量达到预设数据量时，利用该聚类集合内去除异常kpi数据并填补缺失的kpi数据之后的各类kpi数据调整该预测模型的在线适配层。

23、本技术实施例还提供了一种网络设备的异常预测装置，所述装置包括：

24、训练数据获取模块，用于针对m个聚类集合中的每一聚类集合，获取属于该聚类集合对应的数据类型的各类关键性能指标kpi数据，m大于1；所述m个聚类集合中至少存在一个对应两种数据类型的聚类集合，任一聚类集合包含属于该聚类集合对应的数据类型的kpi数据；

25、数据预测模块，用于将所述各类kpi数据输入至该聚类集合对应的预测模型，得到预测kpi数据，所述预测模型的输出层包括在线适配层；

26、异常预测模块，用于利用所述预测kpi数据预测网络设备是否异常；

27、模型调整模块，用于在所述各类kpi数据满足设定要求时，利用所述各类kpi数据调整所述预测模型的在线适配层。

28、可选的，所述装置还包括：

29、kpi数据获取模块，用于获取所述网络设备在n个时间段内的各类kpi数据，n大于1；

30、聚类模块，用于对各类kpi数据进行聚类，得到m个聚类集合；

31、模型训练模块，用于利用每一聚类集合内的kpi数据训练该聚类集合对应的预测模型；

32、所述对各类kpi数据进行聚类，得到m个聚类集合，包括：

33、根据任意两种数据类型下的kpi数据随时间变化的趋势，对各类kpi数据进行聚类，得到m个聚类集合；任意两种数据类型下的kpi数据随时间变化的趋势包括：该两种数据类型下的kpi数据周期变化时的趋势，或者该两种数据类型下的kpi数据非周期变化时的趋势；

34、其中，同一个聚类集合对应至少两种数据类型时，该聚类集合包含的各类kpi数据随时间变化的趋势之间的相似度高于相似度阈值；

35、所述各类kpi数据随时间变化的趋势之间的相似度包括各类kpi数据之间的距离，所述相似度阈值包括预设距离阈值；所述根据任意两种数据类型下的kpi数据随时间变化的趋势，对各类kpi数据进行聚类，得到m个聚类集合，包括：

36、针对任意两种数据类型的kpi数据，依据该两种数据类型下的各kpi数据，确定该两种数据类型之间的kpi数据的距离；其中，该两种数据类型之间的kpi距离的距离小于所述预设距离阈值时，表示该两种数据类型的kpi数据随时间变化的趋势之间的相似度高于相似度阈值；

37、根据每两种数据类型之间的kpi数据的kpi距离，将各数据类型的kpi数据进行聚类，得到m个聚类集合；

38、所述利用每一聚类集合内的kpi数据训练该聚类集合对应的预测模型，包括：

39、针对每一聚类集合，识别该聚类集合内每一数据类型下的kpi数据中异常kpi数据，并将所述异常kpi数据去除；并基于该数据类型下已有的kpi数据填补该数据类型下缺失的kpi数据；

40、利用每一聚类集合内去除所述异常kpi数据以及填补缺失的kpi数据之后的各类kpi数据训练该聚类集合对应的预测模型。

41、可选的，所述利用所述各类kpi数据调整所述预测模型的在线适配层，包括：

42、将获得的属于该聚类集合对应的数据类型的各类kpi数据中的异常kpi数据去除，并填补该聚类集合对应的数据类型的各类kpi数据中缺失的kpi数据；

43、当该聚类集合内去除异常kpi数据并填补缺失的kpi数据之后的各类kpi数据的数据量达到预设数据量时，利用该聚类集合内去除异常kpi数据并填补缺失的kpi数据之后的各类kpi数据调整该预测模型的在线适配层。

44、本技术实施例还提供了一种电子设备，该电子设备包括处理器；以及

45、存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行上述任一方法中的步骤。

46、本技术的有益效果在于提供了一种网络设备的异常预测方法、装置及电子设备，针对每一聚类集合获取属于该聚类集合对应的数据类型的各类kpi数据，将各类kpi数据输入至该聚类集合对应的预测模型，并得到预测kpi数据，通过预测kpi数据预测网络设备是否异常。m个聚类集合中至少存在一个对应两种数据类型的聚类集合，为每个聚类集合训练对应的预测模型，减少使用的预测模型的数量，提升预测模型在网络设备上部署的效率和可行性。在输入至聚类集合对应的预测模型的各类kpi数据满足设定要求时，利用各类kpi数据调整预测模型的在线适配层，提升基于预测数据对网络设备进行异常预测的准确度。