本文版权为《邮电设计技术》所有,如需转载请联系《邮电设计技术》编辑部
摘要:主要介绍了基于机器学习方法的设备监控指标的模型设计与实现。基于时间序列算法,从生产实际出发,在不同应用场景下对不同厂商,甚至是同一厂商内不同设备,不同版本,设计和构建了“冷启动”的指标预测模型。使得指标的预测“千人千面”,并同时达成数据闭环和模型更新的效果。在应用上主要用于监控不同维度的网络业务恶化的问题。
关键词:设备;时间序列;预测;数据闭环;AIaaS
doi:10.12045/j.issn.1007-3043.2020.10.004
前言
在通信网络中,不同设备商的设备其自身在运行工作时,通过对设备进行如性能和可靠性等的监控会形成一系列的指标数据,设备侧的异常是引起业务质量恶化和业务故障的源头之一,借助人工智能,基于这些监控数据进行指标的预测,从而在设备端提前进行预警并采取行动预案,以降低业务的影响度。
本文将探讨从实际情况出发基于机器学习进行设备监控指标异常预测的工作,旨在快速发现网络业务质量恶化的问题,做到先于用户发现问题。