[发明专利]边缘节点异常定位方法、装置、设备及计算机程序产品

权利要求书

1.一种边缘节点异常定位方法，其特征在于，所述边缘节点异常定位方法包括以下步骤：

获取当前边缘节点及邻居节点的网络性能数据，其中，所述邻居节点为与所述当前边缘节点存在关联关系的节点；

基于训练后的异常预测模型和所述网络性能数据，对所述当前边缘节点进行异常定位预测，得到异常定位预测结果。

2.如权利要求1所述的边缘节点异常定位方法，其特征在于，所述异常预测模型包括中心节点级图注意力层、边缘节点异常定位器和若干邻居节点级图注意力层，所述基于训练后的异常预测模型和所述网络性能数据，对所述当前边缘节点进行异常定位预测，得到异常定位预测结果的步骤包括：

基于所述若干邻居节点级图注意力层，将所述当前边缘节点的网络性能数据分别与各个所述邻居节点的网络性能数据进行邻居节点级注意力聚合，得到各个边缘节点特征；

基于所述中心节点级图注意力层，对所述各个边缘节点特征进行中心节点级注意力聚合，得到边缘节点聚合特征；

基于所述边缘节点异常定位器和所述边缘节点聚合特征，对所述当前边缘节点进行异常定位预测，得到异常定位预测结果。

3.如权利要求2所述的边缘节点异常定位方法，其特征在于，所述基于所述若干邻居节点级图注意力层，将所述当前边缘节点的网络性能数据分别与各个所述邻居节点的网络性能数据进行邻居节点级注意力聚合，得到各个边缘节点特征的步骤包括：

对所述当前边缘节点的网络性能数据和各个所述邻居节点的网络性能数据进行标准化处理，得到当前边缘节点的性能向量和各个邻居节点的性能向量；

基于所述若干邻居节点级图注意力层，将所述当前边缘节点的性能向量分别与所述各个邻居节点的性能向量进行邻居节点级注意力聚合，得到各个边缘节点特征。

4.如权利要求2至3中任一项所述的边缘节点异常定位方法，其特征在于，所述邻居节点包括多个，多个邻居节点包括MEP节点、UPF节点、DC-GW节点和终端节点，所述若干邻居节点级图注意力层包括第一邻居节点级图注意力层、第二邻居节点级图注意力层、第三邻居节点级图注意力层和第四邻居节点级图注意力层，所述基于所述若干邻居节点级图注意力层，将所述当前边缘节点的网络性能数据分别与各个所述邻居节点的网络性能数据进行邻居节点级注意力聚合，得到各个边缘节点特征的步骤包括：

基于所述第一邻居节点级图注意力层，将所述当前边缘节点的网络性能数据与所述MEP节点的网络性能数据进行邻居节点级注意力聚合，得到第一边缘节点特征；

基于所述第二邻居节点级图注意力层，将所述当前边缘节点的网络性能数据与所述UPF节点的网络性能数据进行邻居节点级注意力聚合，得到第二边缘节点特征；

基于所述第三邻居节点级图注意力层，将所述当前边缘节点的网络性能数据与所述DC-GW节点的网络性能数据进行邻居节点级注意力聚合，得到第三边缘节点特征；

基于所述第四邻居节点级图注意力层，将所述当前边缘节点的网络性能数据与所述终端节点的网络性能数据进行邻居节点级注意力聚合，得到第四边缘节点特征。

5.如权利要求1所述的边缘节点异常定位方法，其特征在于，所述基于训练后的异常预测模型和所述网络性能数据，对所述当前边缘节点进行异常定位预测，得到异常定位预测结果的步骤之前，还包括：

获取边缘节点训练数据和邻居节点训练数据，并对所述边缘节点训练数据和所述邻居节点训练数据进行针对于异常定位结果的标签标注，得到异常定位结果数据；

获取待训练模型，在所述边缘节点训练数据、所述邻居节点训练数据和所述异常定位结果数据中选取训练样本数据；

基于所述训练样本数据，对所述待训练模型进行迭代训练，得到异常预测模型。