[发明专利]网络故障诊断方法、系统

权利要求书

1.一种网络故障诊断方法，其特征在于，包括：

读取网络历史数据，所述网络历史数据包括：症状数据集以及故障数据集；

采用所述症状数据集以及故障数据集对梯度提升树分类器预测模型进行训练；

利用训练后的梯度提升树分类器预测模型进行网络故障诊断。

2.根据权利要求1所述网络故障诊断方法，其特征在于，所述采用所述症状数据集以及故障数据集对梯度提升树分类器预测模型进行训练，包括：

将所述症状数据集以及所述故障数据集输入所述梯度提升树分类器预测模型，得到与所述梯度提升树分类器预测模型中多棵提升树对应的多个预测结果；

根据多个预测结果计算所述梯度提升树分类器预测模型的训练目标；

根据多个预测结果以及所述训练目标对多棵提升树进行训练。

3.根据权利要求2所述网络故障诊断方法，其特征在于，所述根据多个预测结果计算所述梯度提升树分类器预测模型的训练目标包括：

根据多个预测结果、所述故障数据集计算多棵提升树的损失值；

对多棵提升树的损失值进行求和运算得到所述训练目标。

4.根据权利要求3所述网络故障诊断方法，其特征在于，所述根据多个预测结果、所述故障数据集计算多棵提升树的损失值，包括：

根据第一棵提升树的预测结果以及所述故障数据集计算第一棵提升树的损失值；

根据多个预测结果以及所述故障数据集计算第m-1棵提升树的残差；

根据第m棵提升树的预测结果以及所述第m-1棵提升树的残差计算第m棵提升树的损失值；其中，m为大于1的正整数。

5.根据权利要求2所述网络故障诊断方法，其特征在于，所述根据多个预测结果以及所述训练目标对多棵提升树进行训练，包括：

根据一提升树的预测结果以及所述训练目标计算该提升树的梯度值；

根据所述梯度值调整所述提升树的权重。

6.根据权利要求5所述网络故障诊断方法，其特征在于，所述根据一提升树的预测结果以及所述训练目标计算所述提升树的梯度值，包括：

计算所述训练目标与第n棵提升树在训练数据集下的导数列；

对所述导数列求平均，得到第n棵树的梯度值。

7.根据权利要求6所述网络故障诊断方法，其特征在于，所述根据所述梯度值调整所述提升树的权重包括：

将所述梯度值加到所述提升树的权重上得到调整后的权重。

8.根据权利要求2所述网络故障诊断方法，其特征在于，所述梯度提升树分类器预测模型如下：

式中，F(x)为梯度提升树分类器预测模型的预测结果，ρ_n表示第n棵提升树的权重，f_n(x)表示第n棵提升树的预测结果，M表示提升树的总数量，K表示总训练轮次，k表示第k轮训练，其中，K值由F(x)的稳定性确定。

9.根据权利要求1所述网络故障诊断方法，其特征在于，还包括：

采用CART算法生成所述梯度提升树分类器预测模型。

10.根据权利要求1所述网络故障诊断方法，其特征在于，还包括：

根据网络故障诊断的结果在故障排除建议数据库中搜索对应的故障排除建议并反馈给用户。

11.一种网络故障诊断系统，其特征在于，包括：

读取装置，读取网络历史数据，所述网络历史数据包括：症状数据集以及故障数据集；

训练装置，采用所述症状数据集以及故障数据集对梯度提升树分类器预测模型进行训练；

诊断装置，利用训练后的梯度提升树分类器预测模型进行网络故障诊断。