[发明专利]一种云架构下的异常隐患预测方法及系统

权利要求书

1.一种云架构下的异常隐患预测方法，其特征在于，应用于云架构，所述云架构包括中心云、多个边缘计算节点MEC、多个基站和多个移动台，所述方法包括：

所述多个MEC获取所述多个基站的测试数据，并将所述测试数据发送至所述中心云中；

所述中心云将所述测试数据进行数据清洗，并生成时空序列；

所述中心云使用3-sigma原则对所述时空序列进行异常监测，获取每个时空序列发生异常的次数、持续时间以及高斯概率密度分布指标，生成特征向量；

所述中心云建立并优化多通道的时空预测模型，将所述特征向量输入至所述时空预测模型，预测出未来N个时刻内异常指标的次数和持续时间。

2.根据权利要求1所述的方法，其特征在于，所述中心云使用3-sigma原则对所述时空序列进行异常监测，包括：

将所述时空序列进行标准化处理，形成N*M的时空矩阵R；

逐一分解出所述时空矩阵的KPI和QOE指标；

使用3-sigma方法对异常的所述KPI和QOE指标的开始时间和结束时间进行预测，并统计在时间窗口T内出现的异常次数；

计算在所述时间窗口T内的告诉分布概率密度函数，输出高斯概率密度分布指标。

3.根据权利要求2所述的方法，其特征在于，所述计算在所述时间窗口T内的高斯分布概率密度函数，输出高斯概率密度分布指标，包括：

通过公式计算出参数μ和σ，其中f(x；μ,σ)为高斯分布概率密度函数，x为一维随机变量，μ和σ为高斯概率密度指标。

4.根据权利要求1所述的方法，其特征在于，所述生成特征向量，包括：

将所述异常的KPI、QOE指标类型、指标参数、异常次数、持续时间和高斯概率密度分布指标进行拼接，形成所述特征向量。

5.根据权利要求1所述的方法，其特征在于，所述中心云建立并优化多通道的时空预测模型，包括：

所述中心云建立多时间卷积神经网络单元与长短期记忆网络单元的多通道时空预测模型；

获取历史实际异常指标；

获取历史特征向量，将所述历史特征向量作为输入值，对所述多通道时空预测模型进行训练，输出历史预测异常指标；

基于所述历史实际异常指标和所述历史预测异常指标，计算确定损失函数；

对所述多通道时空预测模型的超参数进行迭代调整，以使所述损失函数达到最小。

6.根据权利要求5所述的方法，其特征在于，将所述特征向量输入至所述时空预测模型，预测出未来N个时刻内异常指标的次数和持续时间，包括：

将所述特征向量作为所述多通道时空预测模型的输入值，通过所述多时间卷积神经网络单元对所述特征向量进行处理，得到标量输出值；

通过所述长短期记忆网络单元，对所述标量输出值进行处理，获取输出值，所述输出值包括未来N个时刻内异常指标的次数和持续时间。

7.根据权利要求1所述的方法，其特征在于，所述中心云将所述测试数据进行数据清洗，包括：

所述中心云基于所述测试数据的置信度、边界框阈值以及截取时间窗口进行数据清洗。

8.根据权利要求1所述的方法，其特征在于，所述多个MEC获取所述多个基站的测试数据，包括：

在所述基站端部署软探针，主动发起移动台连接测试；

所述基站在测试过程中采集并存储测试数据，并将所述测试数据发送至所述多个MEC中。