基于机器学习方法的设备监控指标预测.docxVIP

基于机器学习方法

的设备监控指标预测

0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

——————————

收稿日期：2020-09-01

务质量恶化的问题，做到先于用户发现问题。

1问题分析

不同于其他KPI数据，从过往设备监控数据的获取过程中发现，引起业务质量恶化的根因有很多，设备端的异常也仅仅是众多原因中的一条，很难确定业务质量恶化和设备监控信息的具体数据对应关系。同时不同场景下，设备的监控指标也会有不同的表现形式，此外不同小区，对应着不同厂商的设备，这就使得数据本身很复杂。

这也意味着，如果从有监督学习来设计模型的方式的阻力会很大，并且有标签的数据量非常少，不足以

支持有监督模型的训练学习。

2解决方案

并通过聚类算法的肘分析法来确定场景分类的具体数量。

2.1模型方案

在进行方案设计的过程中，必须考虑到上述的这些实际情况。从数据的特点上来看，设备运行时的监控指标是典型的时间序列数据。这样可以通过时间序