(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111288496.3 (22)申请日 2021.11.02 (71)申请人 浪潮通信 信息系统有限公司 地址 250100 山东省济南市高新区浪潮路 1036号浪潮科技园S0 6号楼 (72)发明人 付双红　 (74)专利代理 机构 济南信达专利事务所有限公 司 37100 代理人 冯春连 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 10/00(2012.01) G06Q 50/30(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习算法确定性能动态门限 的方法 (57)摘要 本发明公开一种基于机器学习算法确定性 能动态门限的方法， 涉及通信网络运维技术领 域， 其实现内容包括： 步骤S1、 选 取设定时间长度 的性能历史数据存储至样本库； 步骤S2、 基于机 器学习算法， 对样本库的数据进行自动检测， 自 动去除检测到的异常数据指标， 基于样本库的剩 余数据自动生成性能动态门限； 步骤S3、 性能动 态门限基于样本库的更新数据持续进行自动修 正， 以便于性能指标告警的生成和实时监控。 本 发明可以有效减少指标异常误报， 通过动态门限 的自动持续调整， 积极推进监控去人工化， 实现 IT换人， 从而节省运维时长， 提高工作效率。 权利要求书1页 说明书3页 附图1页 CN 114118710 A 2022.03.01 CN 114118710 A 1.一种基于 机器学习算法确定性能动态门限的方法， 其特 征在于,其实现内容包括： 步骤S1、 选取设定时间长度的性能历史数据存 储至样本库； 步骤S2、 基于机器学习算法， 对样本库的数据进行自动 检测， 自动去除检测到的异常数 据指标， 基于样本库的剩余数据自动生成性能动态门限； 步骤S3、 性能动态门限基于样本库的更新数据持续进行自动修正， 以便于性能指标告 警的生成和实时监控。 2.根据权利要求1所述的一种基于机器学习算法确定性能动态门限的方法， 其特征在 于， 执行步骤S2， 基于机器学习算法， 对样本库的数据进行多算法指标的异常检测， 对检测 结果进行整体评估后输出检测结果， 并自动去除检测到的异常数据指标。 3.根据权利要求1所述的一种基于机器学习算法确定性能动态门限的方法， 其特征在 于， 执行步骤S2， 基于样本库的剩余数据得到性能动态门限的过程 为： 步骤S2.1、 选取某个时间点， 从样本库中获取 该时间点向前3 0天的历史数据； 步骤S2.2、 设定有效值的百分比a， 选取其中3 0*a个数据作为有效数据计算上 下基线； 步骤S2.3、 计算选取的30*a个有效数据的平均值E和方差sigma， 其中， 上基线M＝E+ sigma， 下基线N ＝E‑sigma； 步骤S2.4、 上基线和下基线基于选取的时间发生改变， 当选取多个时间点时， 计算得到 的上基线和下基线即为动态门限的变化范围。 4.根据权利要求3所述的一种基于机器学习算法确定性能动态门限的方法， 其特征在 于， 计算得到上基线和下基线后， 根据各专业指标静态阈值门限的波动幅度,设置容忍度依 次递增或递减r1、 r2、 r3、 r 4， 用以区分红橙黄蓝的各级 上门限或下门限， 进而根据各级预警 容忍度， 计算得到预警门限。 5.根据权利要求3所述的一种基于机器学习算法确定性能动态门限的方法， 其特征在 于， 执行步骤S2.1时， 通常选取月初的某个时间点， 随后以该时间点向前30天的历史数据计 算上基线和下基线。 6.根据权利要求3所述的一种基于机器学习算法确定性能动态门限的方法， 其特征在 于， 执行步骤S2.2时， 设定有效值的百分比a具体为95％。 7.根据权利要求1所述的一种基于机器学习算法确定性能动态门限的方法， 其特征在 于， 性能指标告警基于自动修正的性能动态门限生成， 且可以直接满足标准告警模型定义， 不涉及原 始告警信息 到标准化告警信息的转换。 8.根据权利要求7所述的一种基于机器学习算法确定性能动态门限的方法， 其特征在 于， 性能指标告警的标题命名规则为 “测量对象类别+指标名称+低于 ×级门限”。 9.根据权利要求7所述的一种基于机器学习算法确定性能动态门限的方法， 其特征在 于， 性能指标告警包括如下信息： 告警设备， 告警对象、 告警设备类型、 告警对象类型、 网元 厂家、 告警标题， 告警时间， 网管告警级别， 网管告警ID， 告警正文。 10.根据权利要求9所述的一种基于机器学习算法确定性 能动态门限的方法， 其特征在 于， 告警正文信息包含： 指标名称、 指标值、 统计周期、 阈值、 指标算法表达式和相关测量项 名称和测试值的名值对， 其中， 指标算法表达式和相关测量项名称和测试值的名值对形如： “RRC连接建立 成功率＝RRC连接建立成功次数/RRC连接建立请求次数*100％， RRC连接建立 成功次数＝ ××， RRC连接建立请求次数＝ ××”。权　利　要　求　书 1/1 页 2 CN 114118710 A 2一种基于机 器学习算法确定性能动态 门限的方 法 技术领域 [0001]本发明涉及 通信网络运维技术领域， 具体的说是一种基于机器学习算法确定性能 动态门限的方法。 背景技术 [0002]当前传统网管性能指 标门限配置需要人工进行配置， 指标配置之前需要人工进行 大量的数据分析,根据人工经验完成指标门限定义并手工完成配置后， 需要人工跟进性能 告警产生的情况， 如定义的指标门限不合适， 还需要进 行多次修正， 整个过程需要耗费大量 的人力成本， 而且效率低下。 发明内容 [0003]本发明针对目前技术发展的需求和不足之处， 提供一种基于机器学习算法确定性 能动态门限的方法。 [0004]本发明的一种基于机器学习算法确定性能动态门限的方法， 解决上述技术问题采 用的技术方案如下： [0005]一种基于 机器学习算法确定性能动态门限的方法， 其实现内容包括： [0006]步骤S1、 选取设定时间长度的性能历史数据存 储至样本库； [0007]步骤S2、 基于机器学习算法， 对样本库的数据进行自动检测， 自动去除检测到的异 常数据指标， 基于样本库的剩余数据自动生成性能动态门限； [0008]步骤S3、 性能动态门限基于样本库的更新数据持续进行自动修正， 以便于性能指 标告警的生成和实时监控。 [0009]可选的， 执行步骤S2， 基于机器学习算法， 对样本库的数据进行多算法指标的异常 检测， 对检测结果进行整体评估后输出检测结果， 并自动去除检测到的异常数据指标。 [0010]可选的， 执 行步骤S2， 基于样本库的剩余数据得到性能动态门限的过程 为： [0011]步骤S2.1、 选取某个时间点， 从样本库中获取 该时间点向前3 0天的历史数据； [0012]步骤S2.2、 设定有效值的百分比a， 选取其中30*a个数据作为有效数据计算上下基 线； [0013]步骤S2.3、 计算选取的30*a个有效数据的平均值E和方差sigma， 其中， 上基线M＝E +sigma， 下基线N ＝E‑sigma； [0014]步骤S2.4、 上基线和下基线基于选取的时间发生改变， 当选取多个时间点时， 计算 得到的上基线和下基线即为动态门限的变化范围。 [0015]进一步可选 的， 计算得到上基线和下基线后， 根据各专业指标静态阈值门限的波 动幅度,设置容忍度 依次递增或递减r1、 r2、 r3、 r 4， 用以区分红橙黄蓝的各级上门限或下门 限， 进而根据各级预警容忍度， 计算得到预警门限。 [0016]更进一步可选的， 执行步骤S2.1时， 通常选取月初的某个时间点， 随后以该时间点 向前30天的历史数据计算上基线和下基线。说　明　书 1/3 页 3 CN 114118710 A 3