本發(fā)明實施例涉及通信
技術(shù)領(lǐng)域：
，尤其涉及一種網(wǎng)元異常檢測方法及裝置。
背景技術(shù)：
：隨著通信技術(shù)的發(fā)展，移動網(wǎng)絡(luò)日益復(fù)雜，網(wǎng)絡(luò)管理和優(yōu)化的難度不斷加劇。移動網(wǎng)絡(luò)包括大量的網(wǎng)元，有些網(wǎng)元需要和用戶終端交互，有些網(wǎng)元不需要和用戶終端交互。通常網(wǎng)元會產(chǎn)生大量的網(wǎng)絡(luò)數(shù)據(jù)?，F(xiàn)有的網(wǎng)元故障排查主要由人工分析網(wǎng)元異常性能指標完成，最常用的方法是預(yù)設(shè)各項網(wǎng)元性能指標的正常范圍，通過判斷性能指標是否在正常范圍內(nèi)，近似地判斷網(wǎng)元性能是否正常?，F(xiàn)有技術(shù)中，通過人工分析網(wǎng)元異常性能指標，不僅造成網(wǎng)元故障排查能力不足，同時也造成網(wǎng)元故障排查效率低。技術(shù)實現(xiàn)要素：本發(fā)明實施例提供一種網(wǎng)元異常檢測方法及裝置，以提升網(wǎng)元故障排查能力，同時提高網(wǎng)元故障排查自動化水平。本發(fā)明實施例的一個方面是提供一種網(wǎng)元異常檢測方法，包括：根據(jù)網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，所述網(wǎng)元行為模型包括多個神經(jīng)元，所述神經(jīng)元包括第一權(quán)值向量和第二權(quán)值向量，所述網(wǎng)元行為模型保留有網(wǎng)元歷史狀態(tài)的上下文向量；根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)、所述第一權(quán)值向量、所述第二權(quán)值向量和所述上下文向量，確定空間檢測門限和時間檢測門限；獲取所述網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)；根據(jù)所述網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)，確定所述多個神經(jīng)元中所述當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元；根據(jù)所述當前網(wǎng)絡(luò)數(shù)據(jù)和所述獲勝神經(jīng)元對應(yīng)的第一權(quán)值向量，確定當前空間量化誤差；根據(jù)所述獲勝神經(jīng)元對應(yīng)的第二權(quán)值向量和所述上下文向量，確定當前時間量化誤差；根據(jù)所述當前空間量化誤差和所述空間檢測門限，確定所述網(wǎng)元當前行為是否空間異常；根據(jù)所述當前時間量化誤差和所述時間檢測門限，確定所述網(wǎng)元當前行為是否時間異常。本發(fā)明實施例的另一個方面是提供一種網(wǎng)元異常檢測裝置，包括：建模模塊，用于根據(jù)網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，所述網(wǎng)元行為模型包括多個神經(jīng)元，所述神經(jīng)元包括第一權(quán)值向量和第二權(quán)值向量，所述網(wǎng)元行為模型保留有網(wǎng)元歷史狀態(tài)的上下文向量；確定模塊，用于根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)、所述第一權(quán)值向量、所述第二權(quán)值向量和所述上下文向量，確定空間檢測門限和時間檢測門限；獲取模塊，用于獲取所述網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)；所述確定模塊還用于根據(jù)所述網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)，確定所述多個神經(jīng)元中所述當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元；根據(jù)所述當前網(wǎng)絡(luò)數(shù)據(jù)和所述獲勝神經(jīng)元對應(yīng)的第一權(quán)值向量，確定當前空間量化誤差；根據(jù)所述獲勝神經(jīng)元對應(yīng)的第二權(quán)值向量和所述上下文向量，確定當前時間量化誤差；根據(jù)所述當前空間量化誤差和所述空間檢測門限，確定所述網(wǎng)元當前行為是否空間異常；根據(jù)所述當前時間量化誤差和所述時間檢測門限，確定所述網(wǎng)元當前行為是否時間異常。本發(fā)明實施例提供的網(wǎng)元異常檢測方法及裝置，通過網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，用網(wǎng)元行為模型的多個神經(jīng)元表征網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)，并將網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)映射到神經(jīng)元上，根據(jù)歷史網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定空間檢測門限和時間檢測門限，根據(jù)當前網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定當前空間量化誤差和當前時間量化誤差，通過比較當前空間量化誤差和空間檢測門限，可判斷網(wǎng)元當前行為是否空間異常；通過比較當前時間量化誤差和時間檢測門限，可判斷網(wǎng)元當前行為是否時間異常，相比于人工分析網(wǎng)元異常性能指標，能夠?qū)崿F(xiàn)網(wǎng)元空間和時間維度的異常檢測，提升了網(wǎng)元故障排查能力，同時能夠?qū)崿F(xiàn)在線異常檢測，提高了網(wǎng)元故障排查自動化水平。附圖說明圖1為本發(fā)明實施例提供的網(wǎng)元異常檢測方法流程圖；圖2為本發(fā)明實施例提供的網(wǎng)元異常檢測方法流程圖；圖3為本發(fā)明實施例提供的網(wǎng)元異常檢測方法流程圖；圖4為本發(fā)明實施例提供的網(wǎng)元異常檢測方法流程圖；圖5為本發(fā)明實施例提供的網(wǎng)元異常檢測結(jié)果的輸出流程圖；圖6為本發(fā)明實施例提供的網(wǎng)元異常檢測裝置的結(jié)構(gòu)圖；圖7為本發(fā)明另一實施例提供的網(wǎng)元異常檢測裝置的結(jié)構(gòu)圖。具體實施方式圖1為本發(fā)明實施例提供的網(wǎng)元異常檢測方法流程圖。本發(fā)明實施例針對通過人工分析網(wǎng)元異常性能指標，不僅造成網(wǎng)元故障排查能力不足，同時也造成網(wǎng)元故障排查效率低，提供了網(wǎng)元異常檢測方法，該方法具體步驟如下：步驟S101、根據(jù)網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，所述網(wǎng)元行為模型包括多個神經(jīng)元，所述神經(jīng)元包括第一權(quán)值向量和第二權(quán)值向量，所述網(wǎng)元行為模型保留有網(wǎng)元歷史狀態(tài)的上下文向量。在本實施例中，網(wǎng)元可以是網(wǎng)絡(luò)上的任一網(wǎng)絡(luò)設(shè)備，例如路由器、基站等。網(wǎng)元在運行過程中，會產(chǎn)生大量的網(wǎng)絡(luò)數(shù)據(jù)，根據(jù)網(wǎng)絡(luò)數(shù)據(jù)產(chǎn)生的先后順序，可以劃分為歷史網(wǎng)絡(luò)數(shù)據(jù)和當前網(wǎng)絡(luò)數(shù)據(jù)，另外，大量的歷史網(wǎng)絡(luò)數(shù)據(jù)也有時間先后之分。本實施例采用網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)對網(wǎng)元行為進行建模，對網(wǎng)元行為進行建模的具體方式可以實現(xiàn)為如圖2所示的步驟：步驟S201、采集網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)。由于不同的網(wǎng)元產(chǎn)生的歷史網(wǎng)絡(luò)數(shù)據(jù)不同，本實施例針對不同的網(wǎng)元分別進行網(wǎng)元行為建模，本實施例以一個網(wǎng)元為例，采集該網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)。步驟S202、對歷史網(wǎng)絡(luò)數(shù)據(jù)進行標準化處理。對歷史網(wǎng)絡(luò)數(shù)據(jù)進行標準化處理的目的是保證歷史網(wǎng)絡(luò)數(shù)據(jù)在同一個尺度上。步驟S203、對歷史網(wǎng)絡(luò)數(shù)據(jù)按照時間順序排列。由于歷史網(wǎng)絡(luò)數(shù)據(jù)也有時間先后之分，因此，可根據(jù)歷史網(wǎng)絡(luò)數(shù)據(jù)產(chǎn)生的先后順序，將歷史網(wǎng)絡(luò)數(shù)據(jù)進行排序。步驟S204、將標準化、排序后的歷史網(wǎng)絡(luò)數(shù)據(jù)輸入遞推自組織映射神經(jīng)網(wǎng)絡(luò)進行建模，得到網(wǎng)元行為模型。所述網(wǎng)元行為模型包括多個神經(jīng)元，所述神經(jīng)元包括兩個權(quán)值向量即第一權(quán)值向量和第二權(quán)值向量，所述網(wǎng)元行為模型保留有網(wǎng)元歷史狀態(tài)的上下文向量。在本實施例中，神經(jīng)元包括的第一權(quán)值向量用wx表示，第二權(quán)值向量用wy表示，網(wǎng)元行為模型對應(yīng)的網(wǎng)元歷史狀態(tài)的上下文向量用y(t)表示。步驟S102、根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)、所述第一權(quán)值向量、所述第二權(quán)值向量和所述上下文向量，確定空間檢測門限和時間檢測門限。在本實施例中，根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)、所述第一權(quán)值向量、所述第二權(quán)值向量和所述上下文向量，確定空間檢測門限和時間檢測門限，可通過如圖3所示的方法步驟確定：步驟S301、根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量，確定建?？臻g量化誤差。根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量，確定建?？臻g量化誤差的方法可以實現(xiàn)為計算每個歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量的歐式距離，每個歷史網(wǎng)絡(luò)數(shù)據(jù)對應(yīng)的歐式距離構(gòu)成所述建?？臻g量化誤差。具體的，在本實施例中，歷史網(wǎng)絡(luò)數(shù)據(jù)用x(t)表示，此處的t表示歷史時刻，且t可以取多個歷史時刻，計算歷史網(wǎng)絡(luò)數(shù)據(jù)x(t)和第一權(quán)值向量wx的歐式距離QEs如公式(1)所示：QEs＝||x(t)-wx||2(1)在本實施例中，t可以取多個歷史時刻，x(t)可以是多個歷史時刻的歷史網(wǎng)絡(luò)數(shù)據(jù)，則相應(yīng)的QEs可有多個值。根據(jù)不同歷史時刻的歷史網(wǎng)絡(luò)數(shù)據(jù)計算的QEs構(gòu)成建模空間量化誤差。步驟S302、根據(jù)所述建模空間量化誤差，確定空間檢測門限。根據(jù)所述建?？臻g量化誤差，確定空間檢測門限可以實現(xiàn)為：根據(jù)所述建?？臻g量化誤差中的最大值和最小值，確定空間檢測門限。具體的，獲取建?？臻g量化誤差中的最大值和最小值，計算出空間檢測門限，具體的，空間檢測門限＝(訓(xùn)練空間量化誤差最大值-訓(xùn)練空間量化誤差最小值)*5，其中，訓(xùn)練空間量化誤差最大值是建?？臻g量化誤差中的最大值，訓(xùn)練空間量化誤差最小值是建?？臻g量化誤差中的最小值。步驟S303、根據(jù)所述第二權(quán)值向量和所述上下文向量，確定建模時間量化誤差。根據(jù)所述上下文向量和所述第二權(quán)值向量，確定建模時間量化誤差可以實現(xiàn)為：計算與每個歷史網(wǎng)絡(luò)數(shù)據(jù)在同一時刻的所述上下文向量和所述第二權(quán)值向量的歐式距離，所述歐式距離構(gòu)成所述建模時間量化誤差。具體的，根據(jù)公式(2)計算第二權(quán)值向量wy和上下文向量y(t)的歐式距離QET：QET＝||y(t)-wy||2(2)在本實施例中，t可以取多個歷史時刻，y(t)可以是多個歷史時刻的上下文向量，y(t)和x(t)中的t保持同步，即每個x(t)對應(yīng)有一個y(t)，則相應(yīng)的QET可有多個值，且QEs和QET的個數(shù)相同。多個QET構(gòu)成建模時間量化誤差。步驟S304、根據(jù)所述建模時間量化誤差，確定時間檢測門限。根據(jù)所述建模時間量化誤差，確定時間檢測門限可實現(xiàn)為：將所述建模時間量化誤差中的每個歐式距離按照從小到大的順序排列；將所述排列中百分位數(shù)為閾值的歐式距離確定為所述時間檢測門限。具體的，將多個QET的值按照從小到大的順序進行排列，取該排列的第95百分位數(shù)為時間檢測門限，例如，該排列是從1到100的連續(xù)100個數(shù)字，則時間檢測門限的值為95，若該排列是從1到200的連續(xù)200個數(shù)字，則時間檢測門限的值為190。另外，此處只是舉例第95百分位數(shù)為時間檢測門限，在其他實施例中，可以不限定百分位數(shù)的值。步驟S103、獲取所述網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)。獲取網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)，當前網(wǎng)絡(luò)數(shù)據(jù)可表示為m(t)，此處的t表示當前時刻。步驟S104、根據(jù)所述網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)，確定所述多個神經(jīng)元中所述當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元。根據(jù)所述網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)，確定所述多個神經(jīng)元中所述當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元的方法可以根據(jù)如圖4所示的方法步驟實現(xiàn)：步驟S401、遍歷所述多個神經(jīng)元中的每個神經(jīng)元，計算所述當前網(wǎng)絡(luò)數(shù)據(jù)和所述神經(jīng)元的第一權(quán)值向量的第一歐式距離。由于網(wǎng)元行為模型包括多個神經(jīng)元，每個神經(jīng)元表示一種網(wǎng)元行為，由于網(wǎng)元行為模型是根據(jù)網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得的，則網(wǎng)元行為模型包括的多個神經(jīng)元可用于表征網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)，同樣，還可將網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)映射到某一個神經(jīng)元，當前網(wǎng)絡(luò)數(shù)據(jù)可以映射到的神經(jīng)元作為當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元。假設(shè)網(wǎng)元行為模型包括M個神經(jīng)元，第i個神經(jīng)元包括的第一權(quán)值向量用表示，第二權(quán)值向量用表示，網(wǎng)元行為模型在當前時刻的前一時刻即t-1時刻的上下文向量用y(t-1)表示。遍歷所述多個神經(jīng)元中的每個神經(jīng)元，計算所述當前網(wǎng)絡(luò)數(shù)據(jù)m(t)和所述神經(jīng)元的第一權(quán)值向量的第一歐式距離步驟S402、計算所述神經(jīng)元的第二權(quán)值向量和前一時刻的所述上下文向量的第二歐式距離。遍歷所述多個神經(jīng)元中的每個神經(jīng)元，計算所述神經(jīng)元的第二權(quán)值向量和前一時刻的所述上下文向量y(t-1)的第二歐式距離步驟S403、根據(jù)所述第一歐式距離和所述第二歐式距離，計算遞推距離。根據(jù)第一歐式距離和第二歐式距離計算遞推距離其中，α和β是系數(shù)。步驟S404、將所述多個神經(jīng)元中對應(yīng)所述遞推距離最小的神經(jīng)元確定為所述當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元。由于網(wǎng)元行為模型包括M個神經(jīng)元，第i個神經(jīng)元對應(yīng)的遞推距離是Ei，則M個神經(jīng)元共有M個遞推距離，選擇使Ei值最小的神經(jīng)元作為當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元。在本實施例中，假定第i個神經(jīng)元是當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元。步驟S105、根據(jù)所述當前網(wǎng)絡(luò)數(shù)據(jù)和所述獲勝神經(jīng)元對應(yīng)的第一權(quán)值向量，確定當前空間量化誤差。根據(jù)當前網(wǎng)絡(luò)數(shù)據(jù)m(t)和獲勝神經(jīng)元對應(yīng)的第一權(quán)值向量采用上述公式(1),可計算出步驟S106、根據(jù)所述獲勝神經(jīng)元對應(yīng)的第二權(quán)值向量和所述上下文向量，確定當前時間量化誤差。根據(jù)所述獲勝神經(jīng)元對應(yīng)的第二權(quán)值向量和所述上下文向量y(t)，采用公式(2)計算當前時間量化誤差步驟S107、根據(jù)所述當前空間量化誤差和所述空間檢測門限，確定所述網(wǎng)元當前行為是否空間異常。比較所述當前空間量化誤差和所述空間檢測門限，若所述當前空間量化誤差大于所述空間檢測門限，則確定所述網(wǎng)元的當前空間異常。若所述當前空間量化誤差小于所述空間檢測門限，則確定所述網(wǎng)元的當前空間正常。步驟S108、根據(jù)所述當前時間量化誤差和所述時間檢測門限，確定所述網(wǎng)元當前行為是否時間異常。比較所述當前時間量化誤差和所述時間檢測門限，若所述當前時間量化誤差大于所述時間檢測門限，則確定所述網(wǎng)元的當前時間異常，若所述當前時間量化誤差小于所述時間檢測門限，則確定所述網(wǎng)元的當前時間正常。對網(wǎng)元的檢測結(jié)果輸出具體如圖5所示，當前空間檢測結(jié)果表示當前空間異常，且當前時間檢測結(jié)果表示當前時間異常時，輸出11；當前空間檢測結(jié)果表示當前空間異常，且當前時間檢測結(jié)果表示當前時間正常時，輸出10；當前空間檢測結(jié)果表示當前空間正常，且當前時間檢測結(jié)果表示當前時間異常時，輸出01；當前空間檢測結(jié)果表示當前空間正常，且當前時間檢測結(jié)果表示當前時間正常時，輸出00。本發(fā)明實施例通過網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，用網(wǎng)元行為模型的多個神經(jīng)元表征網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)，并將網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)映射到神經(jīng)元上，根據(jù)歷史網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定空間檢測門限和時間檢測門限，根據(jù)當前網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定當前空間量化誤差和當前時間量化誤差，通過比較當前空間量化誤差和空間檢測門限，可判斷網(wǎng)元當前行為是否空間異常；通過比較當前時間量化誤差和時間檢測門限，可判斷網(wǎng)元當前行為是否時間異常，相比于人工分析網(wǎng)元異常性能指標，能夠?qū)崿F(xiàn)網(wǎng)元空間和時間維度的異常檢測，提升了網(wǎng)元故障排查能力，同時能夠?qū)崿F(xiàn)在線異常檢測，提高了網(wǎng)元故障排查自動化水平。下面以一個基站小區(qū)作為網(wǎng)元為例，詳細介紹上述方法實施例，隨機選取基站小區(qū)在三周502小時內(nèi)7個網(wǎng)元性能的數(shù)據(jù)。第一周的性能數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集來建模網(wǎng)元行為，第二周的性能數(shù)據(jù)作為交叉驗證數(shù)據(jù)集來驗證模型的有效性，第三周的性能數(shù)據(jù)作為測試數(shù)據(jù)集來進行異常檢測。對基站小區(qū)進行異常檢測的方法步驟具體如下：1)網(wǎng)元行為建模首先采用Min-Max算法對第一周的性能數(shù)據(jù)進行標準化操作，保證第一周的性能數(shù)據(jù)在同一尺度上，隨后輸入20個神經(jīng)元的RSOM進行建模，建模后的第一權(quán)值向量wx如表1所示，第二權(quán)值向量wy如表2所示，建模后的上下文向量如表3所示：表1表2表3神經(jīng)元狀態(tài)Hour1Hour2Hour3Hour4Hour5Hour6Hour7Hour8Hour9Hour10神經(jīng)元10.1410.2080.1610.0930.0640.0580.0600.1140.2100.375神經(jīng)元20.2030.3900.3620.2760.2250.2530.3010.4800.7240.948神經(jīng)元30.2350.4360.4230.3880.3990.5140.6590.8820.9740.860神經(jīng)元40.1990.3830.3910.4430.5400.7760.9480.9530.7450.491神經(jīng)元50.1650.3450.4010.5500.7420.9630.9190.6770.4390.273神經(jīng)元60.1610.3670.5140.7570.9180.8660.6390.4230.2930.206神經(jīng)元70.1680.4330.6570.8940.8020.6080.4100.2890.2300.192神經(jīng)元80.1720.5180.7970.8240.5670.3840.2700.2160.2050.195神經(jīng)元90.2640.6460.6700.5230.3150.2350.1810.1770.1910.206神經(jīng)元100.1490.3370.4090.3250.1720.1140.0840.0950.1150.149神經(jīng)元110.1060.2200.2170.1430.0700.0510.0390.0530.0720.107神經(jīng)元120.1000.1470.1710.0960.0620.0320.0260.0350.0570.073神經(jīng)元130.0680.0740.0620.0310.0210.0130.0110.0180.0330.047神經(jīng)元140.0750.0850.0530.0300.0190.0150.0130.0230.0380.066神經(jīng)元150.1460.2330.1570.0870.0500.0410.0350.0540.0780.116神經(jīng)元160.1500.3860.3950.2190.1150.0820.0670.0860.1280.189神經(jīng)元170.2150.5000.3960.2210.1230.1030.0900.1190.1650.245神經(jīng)元180.6110.6870.3680.2260.1770.1620.1490.1930.2520.294神經(jīng)元190.2820.2720.1240.0740.0540.0560.0540.0970.1370.223神經(jīng)元200.1560.1070.0450.0260.0210.0210.0210.0430.0710.1202)計算空間檢測門限和時間檢測門限，具體的計算方法如上述方法實施例所述，此處不再贅述。時間檢測門限為0.54，各個神經(jīng)元對應(yīng)的空間檢測門限如表4所示：表43)獲取當前網(wǎng)絡(luò)數(shù)據(jù)，判別當前網(wǎng)絡(luò)數(shù)據(jù)對應(yīng)的獲勝神經(jīng)元，計算當前空間量化誤差和當前時間量化誤差，計算過程如上述實施例所述，此處不再贅述。4)檢測當前空間異常和當前時間異常。本實施例以一個具體的網(wǎng)元即網(wǎng)元1為例，對比當前空間量化誤差與對應(yīng)神經(jīng)元的空間檢測門限，若超出門限則判定為空間異常，空間檢測結(jié)果如表5所示：表5本實施例以一個具體的網(wǎng)元即網(wǎng)元1為例，對比當前時間量化誤差與時間檢測門限，若超出門限則判定為時間異常，假定時間檢測門限為0.54，對比當前時間量化誤差，時間檢測結(jié)果如表6所示：表65)結(jié)果整合輸出，整合時空檢測結(jié)果并輸出，輸出結(jié)果如表7所示:表7本發(fā)明實施例通過網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，用網(wǎng)元行為模型的多個神經(jīng)元表征網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)，并將網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)映射到神經(jīng)元上，根據(jù)歷史網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定空間檢測門限和時間檢測門限，根據(jù)當前網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定當前空間量化誤差和當前時間量化誤差，通過比較當前空間量化誤差和空間檢測門限，可判斷網(wǎng)元當前行為是否空間異常；通過比較當前時間量化誤差和時間檢測門限，可判斷網(wǎng)元當前行為是否時間異常，相比于人工分析網(wǎng)元異常性能指標，能夠?qū)崿F(xiàn)網(wǎng)元空間和時間維度的異常檢測，提升了網(wǎng)元故障排查能力，同時能夠?qū)崿F(xiàn)在線異常檢測，提高了網(wǎng)元故障排查自動化水平。圖6為本發(fā)明實施例提供的網(wǎng)元異常檢測裝置的結(jié)構(gòu)圖。本發(fā)明實施例提供的網(wǎng)元異常檢測裝置可以執(zhí)行網(wǎng)元異常檢測方法實施例提供的處理流程，如圖6所示，網(wǎng)元異常檢測裝置包括:建模模塊71、確定模塊72、獲取模塊73。建模模塊71，用于根據(jù)網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，所述網(wǎng)元行為模型包括多個神經(jīng)元，所述神經(jīng)元包括第一權(quán)值向量和第二權(quán)值向量，所述網(wǎng)元行為模型保留有網(wǎng)元歷史狀態(tài)的上下文向量。確定模塊72，用于根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)、所述第一權(quán)值向量、所述第二權(quán)值向量和所述上下文向量，確定空間檢測門限和時間檢測門限。獲取模塊73，用于獲取所述網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)。所述確定模塊72還用于根據(jù)所述網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)，確定所述多個神經(jīng)元中所述當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元；根據(jù)所述當前網(wǎng)絡(luò)數(shù)據(jù)和所述獲勝神經(jīng)元對應(yīng)的第一權(quán)值向量，確定當前空間量化誤差；根據(jù)所述獲勝神經(jīng)元對應(yīng)的第二權(quán)值向量和所述上下文向量，確定當前時間量化誤差；根據(jù)所述當前空間量化誤差和所述空間檢測門限，確定所述網(wǎng)元當前行為是否空間異常；根據(jù)所述當前時間量化誤差和所述時間檢測門限，確定所述網(wǎng)元當前行為是否時間異常。本發(fā)明實施例通過網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，用網(wǎng)元行為模型的多個神經(jīng)元表征網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)，并將網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)映射到神經(jīng)元上，根據(jù)歷史網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定空間檢測門限和時間檢測門限，根據(jù)當前網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定當前空間量化誤差和當前時間量化誤差，通過比較當前空間量化誤差和空間檢測門限，可判斷網(wǎng)元當前行為是否空間異常；通過比較當前時間量化誤差和時間檢測門限，可判斷網(wǎng)元當前行為是否時間異常，相比于人工分析網(wǎng)元異常性能指標，能夠?qū)崿F(xiàn)網(wǎng)元空間和時間維度的異常檢測，提升了網(wǎng)元故障排查能力，同時能夠?qū)崿F(xiàn)在線異常檢測，提高了網(wǎng)元故障排查自動化水平。圖7為本發(fā)明另一實施例提供的網(wǎng)元異常檢測裝置的結(jié)構(gòu)圖。如圖7所示，在圖6所示實施例的基礎(chǔ)上，確定模塊72具體用于根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量，確定建模空間量化誤差；根據(jù)所述建模空間量化誤差，確定空間檢測門限；根據(jù)所述第二權(quán)值向量和所述上下文向量，確定建模時間量化誤差；根據(jù)所述建模時間量化誤差，確定時間檢測門限。確定模塊72包括計算單元721、確定單元722，計算單元721，用于計算每個歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量的歐式距離，每個歷史網(wǎng)絡(luò)數(shù)據(jù)對應(yīng)的歐式距離構(gòu)成所述建?？臻g量化誤差；確定單元722，用于根據(jù)所述建模空間量化誤差中的最大值和最小值，確定空間檢測門限?；蛘?，計算單元721用于計算與每個歷史網(wǎng)絡(luò)數(shù)據(jù)在同一時刻的所述上下文向量和所述第二權(quán)值向量的歐式距離，所述歐式距離構(gòu)成所述建模時間量化誤差；確定單元722用于將所述建模時間量化誤差中的每個歐式距離按照從小到大的順序排列；將所述排列中百分位數(shù)為閾值的歐式距離確定為所述時間檢測門限。另外，確定單元72具體用于遍歷所述多個神經(jīng)元中的每個神經(jīng)元，計算所述當前網(wǎng)絡(luò)數(shù)據(jù)和所述神經(jīng)元的第一權(quán)值向量的第一歐式距離；計算所述神經(jīng)元的第二權(quán)值向量和前一時刻的所述上下文向量的第二歐式距離；根據(jù)所述第一歐式距離和所述第二歐式距離，計算遞推距離；將所述多個神經(jīng)元中對應(yīng)所述遞推距離最小的神經(jīng)元確定為所述當前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元。本發(fā)明實施例提供的網(wǎng)元異常檢測裝置可以具體用于執(zhí)行上述圖1、圖2、圖3、圖4所提供的方法實施例，具體功能此處不再贅述。本發(fā)明實施例通過網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，用網(wǎng)元行為模型的多個神經(jīng)元表征網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)，并將網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)映射到神經(jīng)元上，根據(jù)歷史網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定空間檢測門限和時間檢測門限，根據(jù)當前網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定當前空間量化誤差和當前時間量化誤差，通過比較當前空間量化誤差和空間檢測門限，可判斷網(wǎng)元當前行為是否空間異常；通過比較當前時間量化誤差和時間檢測門限，可判斷網(wǎng)元當前行為是否時間異常，相比于人工分析網(wǎng)元異常性能指標，能夠?qū)崿F(xiàn)網(wǎng)元空間和時間維度的異常檢測，提升了網(wǎng)元故障排查能力，同時能夠?qū)崿F(xiàn)在線異常檢測，提高了網(wǎng)元故障排查自動化水平。綜上所述，本發(fā)明實施例通過網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進行建模獲得網(wǎng)元行為模型，用網(wǎng)元行為模型的多個神經(jīng)元表征網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)，并將網(wǎng)元的當前網(wǎng)絡(luò)數(shù)據(jù)映射到神經(jīng)元上，根據(jù)歷史網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定空間檢測門限和時間檢測門限，根據(jù)當前網(wǎng)絡(luò)數(shù)據(jù)和神經(jīng)元可確定當前空間量化誤差和當前時間量化誤差，通過比較當前空間量化誤差和空間檢測門限，可判斷網(wǎng)元當前行為是否空間異常；通過比較當前時間量化誤差和時間檢測門限，可判斷網(wǎng)元當前行為是否時間異常，相比于人工分析網(wǎng)元異常性能指標，能夠?qū)崿F(xiàn)網(wǎng)元空間和時間維度的異常檢測，提升了網(wǎng)元故障排查能力，同時能夠?qū)崿F(xiàn)在線異常檢測，提高了網(wǎng)元故障排查自動化水平。在本發(fā)明所提供的幾個實施例中，應(yīng)該理解到，所揭露的裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用硬件加軟件功能單元的形式實現(xiàn)。上述以軟件功能單元的形式實現(xiàn)的集成的單元，可以存儲在一個計算機可讀取存儲介質(zhì)中。上述軟件功能單元存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本發(fā)明各個實施例所述方法的部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(Read-OnlyMemory，ROM)、隨機存取存儲器(RandomAccessMemory，RAM)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。本領(lǐng)域技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，僅以上述各功能模塊的劃分進行舉例說明，實際應(yīng)用中，可以根據(jù)需要而將上述功能分配由不同的功能模塊完成，即將裝置的內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。上述描述的裝置的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。最后應(yīng)說明的是：以上各實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍。當前第1頁1 2 3