智能值守方法和装置、电子设备及存储介质

技术领域

本发明涉及通信领域，尤其涉及一种智能值守方法和装置、电子设备及存储介质。

背景技术

随着移动5G发展进入快车道，5G建设已经进入第二个规模建设高潮期，为支持4/5G融合，现网的升级改造也是紧锣密鼓，而频繁的网络调整给维护人员带来海量工作量的同时，也给网络安全带来风险隐患。因此，自动化、智慧化的安全验证及值守保障显得尤为迫切。如何高效地运行和维护多张不同制式的网络，如何通过人工智能对于核心网及周边设备进行统一健康管控，如何让维护工作触手可及般便利，如何不断减少运维成本并实现节能减排是目前网络工作的重大课题。现有技术中运营商网元割接的事后值守主要有以下两种方法：

人工值守不仅需要耗费大量人力进行指标查看、性能分析、业务拨测等基础性工作，同时可能存在拨测业务覆盖不全的风险。频繁的网络调整给维护人员带来海量工作量，依靠人工值守方案，运维成本高、效率低，且值守受限于员工经验，经验不足或失误会导致无法快速、有效的发现网络异常，也给网络安全带来风险隐患。

半自动值守系统通过将网元割接前后的性能差值输入至基于自编码神经网络模型训练获得的异常检测模型，并获得输出的差值重建数据；将性能差值数据与差值重建数据之间的重建误差与误差阈值进行比较，基于比较结果判断网元在割接后是否处于异常运行状态。由于利用深度学习比对割接事前和事后的性能数据来进行割接值守，相对于人工值守的方式提高了判断网元是否异常运行的准确度，一定程度上降低了虚警率。但此种值守方法只针对割接前后某一时刻的数据，无法做到细粒度和实时监测，并且，某些运行参数的异常并不一定表示现网设备整体状态的异常，如果多个运行参数存在异常，仍需要人工进一步判断现网设备的故障情况，仍然无法实现值守自动化，且准确度低。

发明内容

本发明提供一种智能值守方法和装置、电子设备及存储介质，用以解决现有技术中存在的技术缺陷。

本发明提供一种智能值守方法，包括：

采集核心网网元设备的值守数据，所述值守数据包括值守报告；

对所述值守数据进行数据聚合，得到值守因子；

将所述值守因子输入至设备健康度评估模型，输出核心网网元设备的状态预测结果；

其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的。

根据本发明所述的智能值守方法，其中，所述采集核心网网元设备的值守数据，包括：

定制值守任务，所述值守任务包括：拨测任务、高频值守任务、定期值守任务；

基于值守任务，采集核心网网元设备的值守数据。

根据本发明所述的智能值守方法，其中，所述采集核心网网元设备的值守数据，包括：

获取核心网网元设备的值守报告；

基于设备指标情况，选择性地采集设备指标；

基于设备告警情况，选择性地采集设备告警信息。

根据本发明所述的智能值守方法，其中，所述基于设备指标情况，选择性地采集设备指标；基于设备告警情况，选择性地采集设备告警信息包括：

在值守任务执行后，自动检测所述值守报告中是否存在设备指标；

若存在设备指标，则采集设备指标；

检测所述值守报告中是否存在设备告警；若存在设备告警，则采集设备告警信息。

根据本发明所述的智能值守方法，其中，所述将所述值守因子输入至设备健康度评估模型，输出核心网网元设备的状态预测结果之后，包括：

对所述核心网网元设备的名称进行模糊化处理。

根据本发明所述的智能值守方法，其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的，包括：

基于核心网网元设备的各个值守因子对健康度的影响构建健康度指数，基于健康度指数确定核心网网元设备的对应的健康度等级；将所述核心网网元设备的各个值守因子作为值守样本因子数据，将所述健康度等级作为预先确定的健康度标签；

所述健康度评估模型的损失函数为：

其中，w

根据本发明所述的智能值守方法，其中，所述方法还包括：

对输出的所述核心网网元设备的状态预测结果使用滑动窗口进行测试，得到所述状态预测结果的准确度。

本发明还提供了一种智能值守装置，包括：

值守数据采集模块，用于采集核心网网元设备的值守数据，所述值守数据包括值守报告；

数据聚合模块，用于对所述值守数据进行数据聚合，得到值守因子；

值守预测模块，用于将所述值守因子输入至设备健康度评估模型，输出核心网网元设备的状态预测结果；

其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述智能值守方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述智能值守方法的步骤。

本发明基于核心网网元设备的值守数据，实现全自动割接值守，执行效率大大提高，同时降低了运维成本。能够实现设备细粒度和实时监控，根据不同需求，定制不同值守方案；利用设备健康度评估模型能够实现从多维度综合分析现网设备整体状态的异常，判断准确度更高，实时性更强，提升了安全保障。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的智能值守方法的流程示意图；

图2是本发明提供的智能值守装置的结构示意图；

图3是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1描述本发明的一种智能值守方法，该方法包括：

S1、采集核心网网元设备的值守数据，所述值守数据包括值守报告；

核心网网元设备包括核心网中相关设备及周边设备，值守报告本身的巡检项也很多，包含了指标、告警等，所以需要对值守报告进行数据聚合。

S2、对所述值守数据进行数据聚合，得到值守因子；

以拨测时间为基准收集拨测执行时间段以及后续多批次设备指标数据、设备告警数据，以时间戳的形式聚合成时间线形式的数据纵轴，采用C4.5算法以决策树的形式构建一个分类器进行数据聚敛，(时间戳是所有数据类型均具备的标准时间格式，每种数据类型的数据根据时间戳的先后顺序形成“事件时序”，设备拓扑关联是通过拓扑关系来确定逻辑关系，比如相关设备，直接连接设备，业务相关设备等。用于指导哪些包含时间戳的数据聚合成“事件时序”)。具体步骤可以包括：

(1)模式/本体对齐：利用网元固有软硬件属性(名称、类型、值域)，属性之间的邻接关系来寻找源模式与中介模式的对应关系，确定网元与网元之间的拓扑关联关系，业务关联关系等。并且根据网元的类型采用C4.5算法建立了核心网设备分类器泛用模型，以决策树的形式对于不同数据来源的数据做统一标定分类。

(2)实体链接：关键在于实体识别，主要是识别相似实体(相似：多个命名实体可对应到一个真实实体)和消除实体歧义(一个实体可对应多个真实实体)。该项技术在网元设备统一口径中进行唯一性处理，摆脱描述的歧义性。对同一个实体的所有命名，指代都额外增加一个标识，标识采用UUID的方式进行唯一性保证。

(3)冲突解决：从所有冲突中甄别正确的值，主要在解决各类型数据采集采样时刻差异性导致的数据差异。

例如性能指标，一般从设备直接取的counter进行统计，设备上直接采集时采取5分钟粒度的统计文件。在汇聚到网管时进行汇聚，形成15分钟粒度的统计文件。这样会导致在计算KPI的时候，时刻均为15：00：00时，两个数据源计算出来的数据不同，因为一个是5分钟的统计，一个是15分钟的统计。此步骤对两个数据源的性能指标数据进行统一处理。

(4)关系推演：通过C4.5算法将孤立的切片数据进行融合，完成数据聚敛。统一拨测报告、设备指标、设备告警信息、巡检各类型数据，按照设备拓扑关联关系、事件时序等进行数据的关联。比如按照时序来标定关联数据，如果设备指标是按照15分钟进行统计，那告警就是同时间或相近时间的告警。

譬如在大批量告警中推演首发告警：根据告警的内在关联性，告警时间的前后，来找到首发告警，也就是导致后续一连串问题的原因。比如我们的拨测数据可能导致话务、业务影响，按照拨测的设备或时间来关联区间内的性能指标越限、告警等。

可按需动态调节各类型数据的采用频率，例如：

细致度：指标劣化的网元，增加自动巡检，将巡检的细致程度动态增加，例如本来只巡检5个条目，扩大为巡检20个条目。

多场景：例如设备指标监控，对于指标阈值进行多场景自匹配，比如重大节假日，学校开学/放假等特定应用场景采取不同的阈值方案。

关联：例如成功率指标劣化后，从巡检中提取相关用户数，可能是用户数下降导致的正常劣化，排除低级别，次要告警。

S3、将所述值守因子输入至设备健康度评估模型，输出核心网网元设备的状态预测结果；

由于系统采取应收尽收的策略，实际建设时尽可能详尽地从各个维度进行数据采集、统计分析，为应对由此带来割裂性、独立性、一致性的挑战，本系统采用数据融合的方式，建立数据间、信息间、知识片段间，多维度、多粒度的关联关系，实现更多层面的信息交互，从而聚敛出数据与数据之间的内在关系，从而聚敛抽象数据与数据之间的关系，建立唯一评价体系，评价体系的核心是设备健康度评估模型。利用设备健康度评估模型可以得到核心网网元设备的状态预测结果。

其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的。

本发明基于核心网网元设备的值守数据，实现全自动割接值守，执行效率大大提高，同时降低了运维成本。能够实现设备细粒度和实时监控，根据不同需求，定制不同值守方案；利用设备健康度评估模型能够实现从多维度综合分析现网设备整体状态的异常，判断准确度更高，实时性更强，提升了安全保障。

本发明在数据集中处理分析实现上，建立成套的设备健康度评估评估体系。在评估呈现上采取百分比形式的健康度来描述设备状态。通过占比的高低来突出问题的严重性。问题的重要性评估采取固定占比及动态占比结合的方式灵活进行定义，其中固定占比采用前向计算方式根据内建的网络结构模型，将输入单元的状态直接传递到计算单元完成加权、偏置计算；动态占比采用AI人工智能反向传播优化算法，借助链式法则计算两个或两个以上符合函数的导数，将计算单元的梯度反向传播回输入单元，根据计算出的梯度，调整网络的可学习参数进而达到核心网全网的实时状态动态评估。动态占比调整方案可以将实际问题应收尽收，进一步细化问题的粒度，对于问题的关联呈予以有利支持。

设备健康度评估模型是指具体的实现，包括模型的训练、模型的使用、模型的反馈等一系列行为，而设备健康度评估体系对设备健康度评估模型来说是具有建设性的、指导性的意义，设备健康度评估体系可对设备健康度评估模型的行为进行引导，例如模型应如何建立，模型的数据应如何处理、输出应如何计算等。

根据本发明所述的智能值守方法，其中，所述采集核心网网元设备的值守数据，包括：

定制值守任务，所述值守任务包括：拨测任务、高频值守任务、定期值守任务；

基于值守任务，采集核心网网元设备的值守数据。

高频值守任务是指：按照固定周期，比如5分钟，15分钟，30分钟，1小时等粒度进行周期切片巡检，不依赖于拨测系统。

定期值守任务是指：按照固定时间，比如现网割接改造后1小时，3小时，5小时等固定时间进行切片巡检。该种方式更倾向于全面的、检查逻辑复杂的一次长时间巡检。

所述值守报告包括拨测结果和巡检结果，即执行拨测任务时值守报告为拨测结果、执行高频值守任务和定期值守任务时值守报告为巡检结果。

巡检是指对设备状态，健康度，工作正常与否等可以通过指令查询的信息进行集中检查。

值守是对整个过程描述，可以认为巡检是一种数据来源，拨测，性能指标，设备告警是不同的数据来源。值守过程中不间断的收集这是数据，反馈问题，达成自动值守的目标。

根据本发明所述的智能值守方法，其中，所述采集核心网网元设备的值守数据，包括：

获取核心网网元设备的值守报告；

基于设备指标情况，选择性地采集设备指标；

设备指标是指核心网中相关设备的各项性能指标，比如UDC，包括HLR-FE、HSS-FE、CUDB、PG等多项性能指标。

基于设备告警情况，选择性地采集设备告警信息。

设备告警是指，通过对各项设备指标运行参数分别设置阈值的方式来发现系统是否存在异常，给出相应的设备告警。

根据本发明所述的智能值守方法，其中，所述基于设备指标情况，选择性地采集设备指标；基于设备告警情况，选择性地采集设备告警信息包括：

在值守任务执行后，自动检测所述值守报告中是否存在设备指标；

若存在设备指标，则采集设备指标；值守报告是必要的，设备指标和设备告警不是必要的，如果当前报告有设备指标项则进行下一步操作，若没有则直接进行数据聚合。

检测所述值守报告中是否存在设备告警；若存在设备告警，则采集设备告警信息。若不存在设备告警，则直接进行数据聚合。

根据本发明所述的智能值守方法，其中，所述将所述值守因子输入至设备健康度评估模型，输出核心网网元设备的状态预测结果之后，包括：

对所述核心网网元设备的名称进行模糊化处理。

现网信息安全是网络维护工作的高压线，安全性在系统建设时也被作为重点内容进行全方位的考量和评估。本系统利用模糊控制技术自动完成网元名称模糊化处理。模糊化处理与上面的健康度预测是没有关联的。

在保留部分标识信息的基础上取消原有的命名逻辑，采取全新并且仅维护人员可读懂的命名表达式，并支持定期/不定期的更换网元命名表达式，自动完成网元名称模糊化处理。具体步骤如下：

步骤101：模糊化接口

将真实的确定量输入转换为一个模糊矢量。

举例说明，假如有TEST001-000-01、TEST001-000-02、TEST002-000-01、TEST002-000-02等网元名称，我们可以拿到网元名称的生成规则(例如：TEST序列号+000+序号)，有了规则就可以进行模糊处理，此时，就将一个确定量转换成了一个矢量。

步骤102：知识库建立

知识库由数据库和规则库两部分构成：

数据库：将网元名称、告警名称、指标值等所有输入、输出变量的全部模糊子集录入数据库，用于在规则推理的模糊关系方程求解过程中，向推理机提供数据。

规则库：基于专家知识库或手动操作人员长期积累的经验，建立一系列的关系词，借助专家知识库将关系词进行“翻译”，最后将模糊规则数值化。

举例说明：建立一个日期-时间-网元名称-序号的规则，这是我们提出来的规则，日期、网元名称等都是一些关系词，每一个都是切分开的匹配项，最后进行翻译将每一个匹配项组合生成一个数值化的规则。

步骤103：模糊化处理

在保留部分标识信息的基础上取消原有的命名逻辑，采取全新并且仅维护人员可读懂的命名表达式，并支持定期/不定期的更换网元命名表达式，自动完成网元名称模糊化处理。

在一个具体实施例中，模糊化处理包括：

第一步：输入网元名；

第二步：解析网元名，解析出网元格式，进行匹配；

判断用户指令，【e；f；g；h】的标识信息。

用户指令信息【e；f；g；h】：e代表用户的权限信息，f代表网元设备健康度得分，g代表当前数据类型，h代表处理数据的开头以及结尾类型信息。

基于标识信息e，判断用户权限等级，当用户等级大于L的情况下，可对用户发送的数据进行模糊化处理；

基于网元设备健康度以及当前数据类型进行评估，如果网元设备健康度(具体计算方式参见上文)>80％，且，当前数据类型为数据或字符型，则进行下一步判断；

判断标识信息h，若d为字母开头且以字母结尾类型则进行半模糊处理(例：TEST001A),若d为以字母开头以数字结尾类型则进行全模糊处理(例：TEST0011)。

第三步：若进行全模糊处理，则判断网元名最后一位数是否为偶数，若为偶数则选择A规则，若为奇数则选择B规则；若为半模糊处理，则对网元名称进行解析，将字母段与数字段进行分割，字母段选择C规则，数字段选择D规则。

A规则：整体进行BASE格式转换，并截取前5位字符；整体进行MD5加密，并截取前5位；将两次结果拼接。

B规则：获取文件名中的数字，将每位数字乘10相加，得到其结果，将结果转换为16进制；将文件名的字母段进行拼接并进行BASE格式转换，截取前5位后拼接16进制结果。

C规则：将每个字母的ASCII码(十进制)进行拼接，将最后结果转为16进制

D规则：求所有数字的平方和，并进行16进制转换。

根据本发明所述的智能值守方法，其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的，包括：

基于核心网网元设备的各个值守因子对健康度的影响构建健康度指数，基于健康度指数确定核心网网元设备的对应的健康度等级；将所述核心网网元设备的各个值守因子作为值守样本因子数据，将所述健康度等级作为预先确定的健康度标签；

所述健康度评估模型的损失函数为：

其中，w

利用损失函数进行评估，损失函数值越低代表模型的鲁棒性越好。模型训练好可直接进行使用，若出现实际情况在训练过程中未覆盖到等特殊情况需要进行迭代优化。

基于数据聚合处理分析结果，构建设备健康度评估体系。

构建网元设备健康度评估体系，获得训练样本。

首先，依据核心网网元设备性能指标、设备告警信息、巡检结果、拨测结果等健康度影响要素，按照四个层级进行逐步细分，构建网元设备健康度评估体系，具体如下：

第一级的判断标准为拨测报告，会根据告警情况来得到本级的值，告警的值越低，本级别起始值越低；

第二级的判断标准为告警情况，会根据巡检结果来得到本级的值，根据巡检结果的中间值划分标准，；

第三级的判断标准为巡检结果，会根据巡检结果的异常数量来得到本级的值；

第四级的判断标准为性能指标，指标的值越接近阈值，则得分越低；

上述四个级别中健康度影响要素的分值与值守报告、网元设备状态参数等相关，具体依经验确定，从而得到某设备的健康度等级。举例说明：比如某设备第一级、第二级、第三级、第四级得分分别为8、5、4、3，则最终得出健康度为(8*a+5*b+4*c+3*d)/((a+b+c+d)*10)得出最后健康度指数50％(可依据实际情况进行调整权重，本次计算权重为1:1:1:1)；a、b、c、d在此表示四个条目的权重：(8*1+5*1+4*1+3*1)/(1+1+1+1)*10得结果50％；这个结果会被持久化保存，在模型训练中当做一个样本。

上述设备的健康度等级50％与该设备对应的设备指标、设备告警信息、巡检结果、拨测结果等形成一个训练样本。在此不需要人工，会以自动化的方式形成训练样本，人工需要做的就是根据实际情况调整各条目权重占比。

具体的，网元设备健康度评估体系的一个实施例，如下表1所示：

表1

/>

基于神经网络构建网元设备健康度评估模型的构成如下：

数据处理。性能指标：271个，统一标准化为0～1之间。设备告警信息、检查项：413个，统一标准化为0～1之间。拨测结果项：100个，统一标准化为0～1之间。

确定网络结构。本实施例采用三层神经网络结构，输入层节点数为784，分别对应性能指标、告警/检查项、拨测结果的信息，输入层把对应的信息传给隐含层，隐含层再将对应的数据传到输出层。隐含层的节点数量根据运行效率、训练次数及网络总误差进行调整；输出层节点数为1，表示健康度评级。

模型训练：

下一层的每个神经元的激活值等于上一层中所有激活值的加权和，再加上一些权重偏置值。权重偏置值采取16+16+10，784*16+16*16+16*10＝13002，此处按照10级标准进行健康度评级。

整个网络健康度有13002多个权重偏置值，供我们调整，正式调整这些数值来无限趋近于网络整体真实健康状态。

本实施例中，训练深度神经网络时，随机初始化所有权重和偏置值。对神经网络进行训练学习，以实现对各权重和偏置值的优化。当神经网络的实际输出与期望输出的误差小于预设的误差阈值，停止训练，得到网元设备健康度评估模型，否则将每一层的参数进行更新，重新训练。在这个“神经网络”训练过程中，可以使用的算法是“梯度下降法”。传递函数选择hardlim阈值型函数，在此过程中，存在达到某种条件输出指定的值，所以选择阈值型函数。所述误差计算方法和参数更新方法均为现有技术，本发明在此不做过多阐述。

根据本发明所述的智能值守方法，其中，所述方法还包括：

对输出的所述核心网网元设备的状态预测结果使用滑动窗口进行测试，得到所述状态预测结果的准确度。

在实际训练中使用监督学习，会考虑使用滑动窗口进行测试，滑动窗口比较适用与时间序列数据的处理，在此使用以前的数据(健康度)作为输入参数，使用预测出的数据作为输出参数，用来监测预测模型的输出的准确度。

参见图2，下面对本发明提供的智能值守装置进行描述，下文描述的智能值守装置与上文描述的智能值守方法可相互对应参照，所述智能值守装置包括：

值守数据采集模块10，用于采集核心网网元设备的值守数据，所述值守数据包括值守报告；

核心网网元设备包括核心网中相关设备及周边设备，值守报告本身的巡检项也很多，包含了指标、告警等，所以需要对值守报告进行数据聚合。

数据聚合模块20，用于对所述值守数据进行数据聚合，得到值守因子；

值守预测模块30，用于将所述值守因子输入至设备健康度评估模型，输出核心网网元设备的状态预测结果；

以拨测时间为基准收集拨测执行时间段以及后续多批次设备指标数据、设备告警数据，以时间戳的形式聚合成时间线形式的数据纵轴，采用C4.5算法以决策树的形式构建一个分类器进行数据聚敛，(时间戳是所有数据类型均具备的标准时间格式，每种数据类型的数据根据时间戳的先后顺序形成“事件时序”，设备拓扑关联是通过拓扑关系来确定逻辑关系，比如相关设备，直接连接设备，业务相关设备等。用于指导哪些包含时间戳的数据聚合成“事件时序”)。具体步骤可以包括：

(1)模式/本体对齐：利用网元固有软硬件属性(名称、类型、值域)，属性之间的邻接关系来寻找源模式与中介模式的对应关系，确定网元与网元之间的拓扑关联关系，业务关联关系等。并且根据网元的类型采用C4.5算法建立了核心网设备分类器泛用模型，以决策树的形式对于不同数据来源的数据做统一标定分类。

(2)实体链接：关键在于实体识别，主要是识别相似实体(相似：多个命名实体可对应到一个真实实体)和消除实体歧义(一个实体可对应多个真实实体)。该项技术在网元设备统一口径中进行唯一性处理，摆脱描述的歧义性。对同一个实体的所有命名，指代都额外增加一个标识，标识采用UUID的方式进行唯一性保证。

(3)冲突解决：从所有冲突中甄别正确的值，主要在解决各类型数据采集采样时刻差异性导致的数据差异。

例如性能指标，一般从设备直接取的counter进行统计，设备上直接采集时采取5分钟粒度的统计文件。在汇聚到网管时进行汇聚，形成15分钟粒度的统计文件。这样会导致在计算KPI的时候，时刻均为15：00：00时，两个数据源计算出来的数据不同，因为一个是5分钟的统计，一个是15分钟的统计。此步骤对两个数据源的性能指标数据进行统一处理。

(4)关系推演：通过C4.5算法将孤立的切片数据进行融合，完成数据聚敛。统一拨测报告、设备指标、设备告警信息、巡检各类型数据，按照设备拓扑关联关系、事件时序等进行数据的关联。比如按照时序来标定关联数据，如果设备指标是按照15分钟进行统计，那告警就是同时间或相近时间的告警。

譬如在大批量告警中推演首发告警：根据告警的内在关联性，告警时间的前后，来找到首发告警，也就是导致后续一连串问题的原因。比如我们的拨测数据可能导致话务、业务影响，按照拨测的设备或时间来关联区间内的性能指标越限、告警等。

可按需动态调节各类型数据的采用频率，例如：

细致度：指标劣化的网元，增加自动巡检，将巡检的细致程度动态增加，例如本来只巡检5个条目，扩大为巡检20个条目。

多场景：例如设备指标监控，对于指标阈值进行多场景自匹配，比如重大节假日，学校开学/放假等特定应用场景采取不同的阈值方案。

关联：例如成功率指标劣化后，从巡检中提取相关用户数，可能是用户数下降导致的正常劣化，排除低级别，次要告警。

由于系统采取应收尽收的策略，实际建设时尽可能详尽地从各个维度进行数据采集、统计分析，为应对由此带来割裂性、独立性、一致性的挑战，本系统采用数据融合的方式，建立数据间、信息间、知识片段间，多维度、多粒度的关联关系，实现更多层面的信息交互，从而聚敛出数据与数据之间的内在关系，从而聚敛抽象数据与数据之间的关系，建立唯一评价体系，评价体系的核心是设备健康度评估模型。利用设备健康度评估模型可以得到核心网网元设备的状态预测结果。

其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的。

根据本发明所述的智能值守装置，其中，所述值守数据采集模块10用于：

定制值守任务，所述值守任务包括：拨测任务、高频值守任务、定期值守任务；

基于值守任务，采集核心网网元设备的值守数据。

值守是对整个过程描述，可以认为巡检是一种数据来源，拨测，性能指标，设备告警是不同的数据来源。值守过程中不间断的收集这是数据，反馈问题，达成自动值守的目标。

根据本发明所述的智能值守装置，其中，所述值守数据采集模块10用于：

获取核心网网元设备的值守报告；

基于设备指标情况，选择性地采集设备指标；

设备指标是指核心网中相关设备的各项性能指标，比如UDC，包括HLR-FE、HSS-FE、CUDB、PG等多项性能指标。

基于设备告警情况，选择性地采集设备告警信息。

根据本发明所述的智能值守装置，其中，所述值守数据采集模块10用于：

在值守任务执行后，自动检测所述值守报告中是否存在设备指标；

若存在设备指标，则采集设备指标；值守报告是必要的，设备指标和设备告警不是必要的，如果当前报告有设备指标项则进行下一步操作，若没有则直接进行数据聚合。

检测所述值守报告中是否存在设备告警；若存在设备告警，则采集设备告警信息。若不存在设备告警，则直接进行数据聚合。

根据本发明所述的智能值守装置，其中，还包括模糊化处理模块，所述模糊化处理模块用于：

对所述核心网网元设备的名称进行模糊化处理。

现网信息安全是网络维护工作的高压线，安全性在系统建设时也被作为重点内容进行全方位的考量和评估。本系统利用模糊控制技术自动完成网元名称模糊化处理。模糊化处理与上面的健康度预测是没有关联的。

在保留部分标识信息的基础上取消原有的命名逻辑，采取全新并且仅维护人员可读懂的命名表达式，并支持定期/不定期的更换网元命名表达式，自动完成网元名称模糊化处理。具体步骤如下：

根据本发明所述的智能值守方法，其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的，包括：

基于核心网网元设备的各个值守因子对健康度的影响构建健康度指数，基于健康度指数确定核心网网元设备的对应的健康度等级；将所述核心网网元设备的各个值守因子作为值守样本因子数据，将所述健康度等级作为预先确定的健康度标签；

所述健康度评估模型的损失函数为：

其中，w

利用损失函数进行评估，损失函数值越低代表模型的鲁棒性越好。模型训练好可直接进行使用，若出现实际情况在训练过程中未覆盖到等特殊情况需要进行迭代优化。

根据本发明所述的智能值守装置，其中，所述装置还包括测试模块，测试模块用于：

对输出的所述核心网网元设备的状态预测结果使用滑动窗口进行测试，得到所述状态预测结果的准确度。

在实际训练中使用监督学习，会考虑使用滑动窗口进行测试，滑动窗口比较适用与时间序列数据的处理，在此使用以前的数据(健康度)作为输入参数，使用预测出的数据作为输出参数，用来监测预测模型的输出的准确度。

图3示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行智能值守方法，该方法包括：

S1、采集核心网网元设备的值守数据，所述值守数据包括值守报告；

S2、对所述值守数据进行数据聚合，得到值守因子；

S3、将所述值守因子输入至设备健康度评估模型，输出核心网网元设备的状态预测结果；

其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的智能值守方法，该方法包括：

S1、采集核心网网元设备的值守数据，所述值守数据包括值守报告；

S2、对所述值守数据进行数据聚合，得到值守因子；

S3、将所述值守因子输入至设备健康度评估模型，输出核心网网元设备的状态预测结果；

其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的智能值守方法，该方法包括：

S1、采集核心网网元设备的值守数据，所述值守数据包括值守报告；

S2、对所述值守数据进行数据聚合，得到值守因子；

S3、将所述值守因子输入至设备健康度评估模型，输出核心网网元设备的状态预测结果；

其中，所述设备健康度评估模型是基于值守样本因子数据和预先确定的健康度标签进行训练后得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。