[发明专利]网络场景识别方法、网络管理设备、系统及存储介质

权利要求书

1.一种网络场景识别方法，其特征在于，包括：

根据待识别网络中的至少一台网络设备上报的网络数据，生成所述待识别网络的网络特征向量；

根据所述待识别网络的网络特征向量，预测所述待识别网络与至少一种应用场景之间的所属概率；

根据所述待识别网络与所述至少一种应用场景之间的所属概率，从所述至少一种应用场景中确定所述待识别网络所属的应用场景；

其中，所述根据待识别网络中的至少一台网络设备上报的网络数据，生成所述待识别网络的网络特征向量，包括：

按照设定的分类维度将所述至少一台网络设备中每台网络设备的网络数据进行分类；

根据所述每台网络设备在每个分类维度下的网络数据，获取所述待识别网络的K个低阶特征向量；

将待识别网络的K个低阶特征向量作为待识别网络的网络特征向量；

其中，K为大于或等于2的正整数。

2.根据权利要求1所述的方法，其特征在于，还包括：

根据整网中网络设备所在的物理区域或所能实现的业务功能，对所述整网中的网络设备按照物理区域进行划分以形成至少一个网络组；

从所述至少一个网络组中确定待识别网络。

3.根据权利要求1所述的方法，其特征在于，所述根据待识别网络中的至少一台网络设备上报的网络数据，生成所述待识别网络的网络特征向量，还包括：

对所述K个低阶特征向量进行自编码处理，以获得所述待识别网络的Q个高阶特征向量；

将所述K个低阶特征向量和所述Q个高阶特征向量作为所述待识别网络的网络特征向量；

其中，Q为正整数。

4.根据权利要求3所述的方法，其特征在于，所述对所述K个低阶特征向量进行自编码处理，以获得所述待识别网络的Q个高阶特征向量包括：

采用降噪自编码器对所述K个低阶特征向量进行自编码处理，以获得所述待识别网络的Q个高阶特征向量。

5.根据权利要求1所述的方法，其特征在于，在生成所述待识别网络的网络特征向量之前，还包括：

根据每台网络设备在每个分类维度下的网络数据分布情况，对所述每个分类维度下的特征进行正畸处理，以获得所述每个分类维度下的正畸后的网络数据；和/或

若所述每台网络设备在每个分类维度下的网络数据包含所述待识别网络中的终端设备的设备类型字段，则对所述设备类型字段进行哑变量处理；和/或

若所述每台网络设备在每个分类维度下的网络数据包括时序性字段，则将所述时序性字段以预设的时间间隔为单位进行离散化处理。

6.根据权利要求5所述的方法，其特征在于，所述根据所述待识别网络的网络特征向量，预测所述待识别网络与至少一种应用场景之间的所属概率，包括：

将所述待识别网络的网络特征向量作为输入参数送入决策树模型中，得到所述待识别网络与所述至少一种应用场景之间的所属概率；其中，所述决策树模型包含M棵子决策树，每棵子决策树代表一种应用场景，M为正整数。

7.根据权利要求6所述的方法，其特征在于，将所述待识别网络的网络特征向量作为输入参数送入决策树模型中得到所述待识别网络与所述至少一种应用场景之间的所属概率，包括：

将所述待识别网络的网络特征向量作为输入参数送入所述决策树模型中的每棵子决策树；

利用所述每棵子决策树中的N棵CART树，计算所述待识别网络在所述每棵子决策树所代表的应用场景下的预测值；

利用所述每棵子决策树中的激活函数对相应预测值进行数值计算，得到所述待识别网络与所述每棵子决策树所代表的应用场景之间的所属概率；

其中，N为大于或等于2的正整数。