[发明专利]基于混合门控神经网络的故障预测方法、装置和存储介质

说明书

本发明提供了一种基于混合门控神经网络的网络故障预测方法，将网络故障数据进行预处理转化为时间序列数据，其中，所述网络故障数据包括故障发生的时间节点信息和网络节点设备信息，每个时间序列数据表示当前时间段发生的所有故障类型；将产生故障的网络节点设备的反馈数据转化为文本标签数据；构建基于混合门控神经网络模型，所述混合门控神经网络模型包括嵌入层、混合门控层、邻域注意力层、自动编解码器层，将所述时间序列数据和所述文本标签数据输入所述基于混合门控神经网络模型，所述基于混合门控神经网络模型对网络故障数据中的数据进行预测。通过上述方法，可以挖掘故障数据之间的关联性，提高故障预测的精确性。

技术领域

本发明涉及人工智能技术领域，尤指一种基于混合门控神经网络的故障预测方法、装置和存储介质。

背景技术

随着电子装置的普及，在方便我们日常生活的同时，带来的是网络故障频发。网络故障的不断发生，目前是各大运营商广泛关注的问题。这些网络故障包括服务中断、网络速率低以及网络噪声。然而，网络故障的复杂性以及随机性导致很难利用传统方法对网络故障做出有效预测。

如何有效快速地预测网络故障的发生并进行一定程度的预警就具有重大意义，但是基于传统的统计方法只能在一定阈值下判断网络是否出现故障，这在随时间不断变化的动态网络中就会显得心有余而力不足。

发明内容

本发明的目的是提供基于混合门控神经网络的故障预测方法、装置和存储介质，旨在解决传统的预测方法因网络故障的复杂性以及网络故障本身存在的随机性，不能预测不同网络故障对其他故障的影响的问题，从而不能对故障进行预测的问题，从而提供一种能够对网络故障进行精确预测的技术方案。

为了解决上述问题，本发明实施例提供的提供一种混合门控神经网络的网络故障预测方法的技术方案如下：

一种基于混合门控神经网络的网络故障预测方法，所述方法包括：

S1.将网络故障数据进行预处理转化为时间序列数据，其中，所述网络故障数据包括故障发生的时间节点信息和网络节点设备信息，每个时间序列数据表示当前时间段发生的所有故障类型，所述故障类型包括但不限于端口故障、网卡故障、路由器故障、断网、断电、网线故障；

S2.将产生故障的网络节点设备的反馈数据转化为文本标签数据；

S3.构建基于混合门控神经网络模型，所述混合门控神经网络模型包括嵌入层、混合门控层、邻域注意力层、自动编解码器层，将所述时间序列数据和所述文本标签数据输入所述基于混合门控神经网络模型，所述基于混合门控神经网络模型对网络故障数据中的数据进行预测。

优选的，所述方法进一步包括：

根据所述网络故障数据，将故障发生的时间节点和所述时间序列数据基准转化为时间序列样本；

根据所述反馈数据，将故障发生的时间节点和所述文本标签数据转化为文本标签序列样本；

其中，所述时间序列样本和文本标签序列中的时间戳一一对应。

优选的，所述S3包括：

S31.构建一个嵌入层，并以所述时间序列样本和所述文本标签序列样本为所述嵌入层的输入序列，通过所述嵌入层将所述输入序列转化为多源数据特征嵌入和

S32.构建一个门控融合层，将所述多源数据特征和作为所述通过所述门控融合层的输入，得到中间特征向量具体过程如下：

其中，G₁和G₂为门控权重，特征向量为经过门控网络处理后得到的中间特征向量；