[发明专利]一种云架构下的异常隐患预测方法及系统

说明书

本发明公开了一种云架构下的异常隐患预测方法，应用于云架构，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，方法包括：多个MEC获取多个基站的测试数据，并将测试数据发送至中心云中；中心云将测试数据进行数据清洗，并生成时空序列；中心云使用3‑sigma原则对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；中心云建立并优化多通道的时空预测模型，将特征向量输入至时空预测模型，预测出未来N个时刻内异常指标的次数和持续时间。

技术领域

本发明属于云计算领域，具体地，涉及一种云架构下的异常隐患预测的方法及系统。

背景技术

目前的云架构中，边云协同的概念会使得云端和边缘计算相互配合，相得益彰。传统的边云协同技术中，多个边缘节点MEC与一个中心云进行连接及数据交互，边缘节点MEC负责移动台的数据交互和行为监测。

然而，在目前的边云协同架构下，如何正对整个架构网络进行业务能力监测及预测会是一个很重要的问题。目前，传统的基于网络设备关键性能指标(Key performanceindicator,KPI)和用户体验质量(Quality of Experience,QOE)是网络异常监测的关键指标，如何对其进行监控和预测是实现网络异常监测的核心问题。

对于目前的网络异常监测技术中，会采用时间序列等方式进行网络设备异常预测，但目前的方法预测精度低，且维护成本高。

发明内容

本发明提供了一种云架构下的异常隐患预测的方法及系统，有效解决了现有技术中异常隐患预测精度低且维护成本高的问题，有效提升了网络故障预测精度，减少维护成本。

为了实现上述目的，本发明提供了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。

可选地，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。

可选地，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。

可选地，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。

可选地，所述中心云建立并优化多通道的时空预测模型，包括：