[发明专利]网络故障诊断方法、系统

说明书

本发明提供一种网络故障诊断方法、系统，采用网络历史数据中的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，然后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，能够有效提高网络故障诊断精度，并能够有效缩短网路故障诊断时间，适应多样化生产场景。

技术领域

本发明涉及通信互联网技术领域，尤其涉及一种网络故障诊断方法、系统、计算机设备以及计算机可读存储介质。

背景技术

随着信息技术的快速发展，网络系统的规模不断扩大，复杂程度也越来越高，网络中某一部分出现故障时会引起一系列症状，若不能及时准确地检测出故障点，则整个网络的系统功能、可靠运行、安全生产都会受到影响，甚至会导致网络瘫痪。因此，及时有效的诊断网络故障十分重要。

早期依赖专家知识网络故障的方法已经难以保证当前大规模、高复杂度网络的稳定性。因此，在大型复杂网络中，智能诊断大量应用，比如利用朴素贝叶斯算法进行故障分类。

朴素贝叶斯算法(naive Bayes,简称NB)是基于贝叶斯规则的监督学习算法，它遵循了贝叶斯假设，也叫做朴素贝叶斯条件独立假设，该假设极大的简化了该算法的贝叶斯网络结构。但是，朴素贝叶斯条件独立假设在实践中通常与真实的数据情况相违背，导致NB的分类精度低，进而导致网络故障诊断的精度低。

发明内容

有鉴于此，本发明提供一种网络故障诊断方法、系统、计算机设备以及计算机可读存储介质，能够有效提高网络故障诊断精度。

为了实现上述目的，本发明采用如下技术方案：

第一方面，提供一种网络故障诊断方法，包括：

读取网络历史数据，该网络历史数据包括：症状数据集以及故障数据集；

采用该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。

进一步地，该采用该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：

将该症状数据集以及该故障数据集输入该梯度提升树分类器预测模型，得到与该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该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该训练目标对多棵提升树进行训练。

进一步地，该根据多个预测结果计算该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、该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该训练目标。

进一步地，该根据多个预测结果、该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该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该故障数据集计算第m-1棵提升树的残差；

根据第m棵提升树的预测结果以及该第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。

进一步地，该根据多个预测结果以及该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该训练目标计算该提升树的梯度值；

根据该梯度值调整该提升树的权重。

进一步地，该根据一提升树的预测结果以及该训练目标计算该提升树的梯度值，包括：