基于时序分解的微服务调用链根因定位

近年来,微服务架构使用广泛,但由于微服务数量庞大且依赖关系复杂,且故障具有传播性,在快速检测故障的同时实现根因定位变得越来越有挑战性。基于此,提出了一种基于调用链时序分解的微服务根因定位的方法。首先计算调用链节点的时延性能并转化为多个时序数据,通过异常检测构造异常子图,其次利用随机游走算法对节点异常评分。采用公开数据实验分析表明,所提方法在异常集top1的精确度达到了84%,并与微服务根因分析经典方法进行了对比,较其中效果最好的MicroRCA精确度提升了97.6%。     

基于特征学习的5G用户投诉根因定位方法

5G网络的复杂性和业务的多样性,使得5G用户投诉的根因定位涉及终端、锚点、5G站点等多种因素,导致用户投诉的根因定位困难,处理效率低。文章基于特征学习的5G用户投诉根因定位,使用数据分析和特征工程算法,基于大量5G用户的历史投诉记录,结合业务经验和统计学准则,筛选出5G投诉相关的关键指标集合。针对每位5G用户的投诉,根据用户的经纬度地址,匹配出投诉关联的5G基站,并对关联基站提取出指标数据集合,使用孤立森林算法,筛选出关联基站的异常指标集合,最终结合专家经验规则,得出用户投诉的根因。     

一种基于模板匹配与隶属度解析的时序异常快速检测方法

传统的数据检测技术在处理大规模医疗数据时,耗时较高且抗干扰能力较弱。针对这些问题,文中应用模板匹配与隶属度解析技术,给出了一种时序数据异常状态的快速检测与分析方法。该方法采用TSTKS算法与滑动窗口理论实现时序数据多突变点快速检测,提取连续多窗口波动特征,构建时序数据的归一化波动向量,对大规模病变信号进行异常状态检测与分析。仿真数据与脑电病变信号分析等实验表明,此方法是一种较为快速、准确的大数据分析与检测方法。     

VoLTE语音端到端问题自动定位方法研究

本文主要介绍实现终端测试数据与核心网多种接口XDR数据进行同步关联的算法。利用对VoLTE通话异常原因的定位技术,指导VoLTE客户感知问题的发现、定界。研究成果可快速将VoLTE问题分配到归口部门进行解决,快速提升用户语音业务感知。     

网络运维场景中异常检测算法选择框架

为解决网络智能运维中智能模型构建门槛高、效率底的问题,提出了一种异常检测算法选择框架,通过对提取的时序数据特征进行波形分类,根据数据分类结果进行异常检测算法的最优匹配,并依据指令对本地选定的模型进行训练、更新,依靠选择的检测算法以及更新后的模型进行实时异常检测.本系统可以针对现实环境中各种KPI数据自动适配异常检测算法...     

面向数字化运营的无线网问题根因定位算法研究

在中国联通数字化转型过程中,为了快速定位无线网络问题,在识别出质差小区后,基于CM、PM、MR等数据,制定无线网络问题根因定位算法,建立根因定位算法库.根据根因定位算法实现对质差小区的问题自动定位和分析,从而快速、准确地定位网络问题,确保用户感知,降低人工成本,提升一线工作效率.     

基于孤立森林算法的分布式服务故障分析模型研究与应用

为解决大型分布式系统中服务故障排查困难及系统恢复漫长的问题,需要实现分布式服务故障分析技术.针对分布式服务故障定位复杂并需要快速定位故障的需求,文章提出一种基于孤立森林算法的分布式服务故障分析模型.通过滑动平均算法对主机性能数据进行时序计算生成动态阈值区间,并利用孤立森林算法进行模型训练,从而实现对分布式系统服务进行故...     

深度递归网络在物联网系统异常检测中应用研究

物联网系统采用感知层、传输层和应用层三层体系架构,物联网的三层结构具有时序性,上一层数据异常会链式反应到后续层,传统的物联网异常检测方法无法有效识别数据异常并快速定位异常发生在哪一层。文中提出以深度递归网络对物联网系统异常检测进行建模,感知层、传输层、应用层作为深度网络输出层,深度递归网络通过核函数变换能够提取高阶特征,并且深度递归网络本身的时序特性能够提升异常检测的准确性。实验结果表明,深度递归网络在物联网系统异常检测中能够获得较高的检测准确率。     

一种智能网异常话单大数据处理方法

针对移动智能网运维缺少业务异常预警和故障定位的支撑手段现状,本文提出了一种智能网异常话单大数据处理方法.通过Hadoop大数据处理架构提升了智能网话单大数据存储和处理能力,基于话单大数据和智能网异常话单查询分析系统实现了智能网呼叫追溯、业务质量异常的主动预警和实时定位等功能,解决了智能网现网业务异常发现滞后于用户投诉、已有手段无法快速进行问题定位等问题,有效提升了用户感知和用户满意度.     

基于改进快速密度峰值聚类算法的电力大数据异常值检测分析

针对传统聚类算法对于大数据背景下大量电力大数据异常监测过程中存在的问题,提出在电力大数据异常值检测中的快速密度峰值聚类算法的改进.对传统基于密度峰值空间聚类方法进行分析,得到传统算法在使用过程中的问题.提出了快速密度峰值聚类算法的改进,对自适应参数与聚类中心自动的选择,通过标准化局部密度与距离对大数据异常值进行评测,能...     

浅层探地雷达的快速异常检测

提出了一种浅层探地雷达快速异常区域检测方法.通过数字图像处理技术对探地雷达探测数据进行分析处理,根据地表回波梯度幅度大的图像特性将其从雷达数据中去除以克服其对地下异常目标检测的影响,然后利用基于梯度的自适应阈值方法在抑制杂波干扰的同时,对地下层中的异常区域进行快速定位.通过实测数据的实验验证,证实了所提的方法在处理异常目标检测与定位时的高效与快速.     

一种快速的突变点在线检测算法设计与实现

传统TSTKS算法是一种离线突变点检测算法,该算法在待检测数据存在多个突变点时准确度较低。针对这一问题,文中结合TSTKS算法与滑动窗口理论,提出了一种快速时序数据突变点在线检测方法。该方法利用滑动窗口的思想将待检测数据切分为若干子段,并根据窗口顺序对每个子段采用TSTKS算法进行突变点检测,进而实现时序数据多突变点快速检测。实验结果表明,相比于常见的几种突变点检测算法,采用文中提出算法对存在多突变点的时序数据进行检测时耗时较少,相对误差率较低且命中率较高。     

基于日志数据的窗口化异常检测方法

传统的异常检测方法采用不定时巡检和用户反馈等被动方式发现问题,效率低、无法主动发现故障。本文提出了一种基于日志数据的窗口化异常检测方法,首先对历史日志数据进行预处理,获取日志模式库,再将日志数据转换成事件统计矩阵,结合COPOD算法快速定位异常点,及时发现具体异常日志,保证检测高效及准确。经实验数据表明,本文提出的异常检测方法能有效检测出多事件中存在的异常数据,且在大数据处理过程中效率较高。     

一种混合模型的时序数据异常检测方法

对设备性能指标、用户数据指标的异常检测能有效地发现系统潜在故障,本文提出了一种混合异常检测方法。该方法利用k-means将历史数据按照时间进行划分,使用grubbs算法剔除历史数据中的噪音,并计算各时间段的阈值形成动态阈值,同时利用曲线拟合和ARIMA算法对预处理后的历史数据进行训练,得到对应的模型,作为判断异常的依据。该方法结合了统计学的高效、机器学习的准确,无需对数据进行标注,该方法能自动发现单指标和多指标异常。通过在几个系统的实际运维的检验,本文提出的方法能有效地发现缺数异常和系统异常,提高告警准确率,单指标的查全率达到100%,平均查准率为95.7%,算法的效率满足生产环境中的性能要求。     

基于机器学习的无线网络隐性故障智能定位系统研究

广泛使用业界优秀的开源技术和AI算法，对多个无线网络小区业务、性能指标结合历史数据进行异常检测，实现有监督的机器学习能力，基于循环神经网络（RNN）、孤立森林（Isolation Forest）和统计模型的智能定位算法，结合多系统多维度数据实现全网小区业务及性能的动态分析，主动定位和发现网络中设计缺陷、现场故障、软硬件未知漏洞等问题，总结定位问题形成案例库，并自学习优化定位算法，逐步完善智能学习条件和功能，实现小区级隐性故障的智能定位和发现。该系统已完成19776个小区隐性故障整治，系统隐性故障定位准确率为82%。     

一种基于LSTM自动编码机的工业系统异常检测方法

在工业互联网的环境下,自动有效的异常检测方法对工业系统的安全、稳定生产具有重要的意义。传统的异常检测方法存在需要大量标注样本、不适应高维度时序数据等不足,提出一种基于LSTM自动编码机的工业系统异常检测方法。为克服现有方法依赖标注样本的不足,提出采用自动编码机,通过无监督的方式学习大量正常样本的特征和模式,在此基础上通过对样本进行重构和计算重构误差的方式进行异常检测。其次,为克服现有方法不适应高维度时序数据的不足,提出采用双向LSTM作为编码器,进而挖掘多维时序数据的潜在特征。基于一个真实造纸工业的数据集的实验表明,所提方法在各项指标上都对现有无监督异常检测方法有一定的提升,检测的总体精度达到了93.4%。     

频繁挖掘算法模型库助力5G新基建

针对传统批量投诉处理信息收集耗时、分析效果依赖专家经验等问题,通过引入频繁挖掘算法,挖掘2 800多个分析维度,开发共性投诉分析应用程序。利用门限自学习、数据自缓存、网格自汇聚及智能化呈现等技术,助力共性投诉快速定位异常根因。     

基于自注意力的无监督室内定位信号异常检测

基于射频信号的室内指纹定位技术,以其精度高、部署成本低等优点被广泛运用于室内定位领域。室内信号环境的变化会直接影响定位精度。深度神经网络也用于时序数据异常检测,在此基础上,提出了一种基于自注意力机制的无监督室内定位信号异常检测模型。训练模型的输入是易获得的正常信号环境下无位置标签的指纹数据。该模型的注意力模块关注提取指纹数据中不同信号来源之间的相互关联,结合关联误差和重构误差来放大正常与异常的可区分性,从而提升室内定位信号检测的精度。在实验室采集的蓝牙信号数据集和一个公开的Wi-Fi数据集UJIIndoor Loc中进行性能评估,实验结果表明,与其他算法相比,所提模型具有最好的异常检测性能。     

基于机器学习的基站故障根因分析方法研究

基站作为移动通信网络的关键基础设施，其稳定运行对网络质量和用户体验有着重要影响。但是，基站系统设备以及环境因素变化会导致各种故障，传统的基于人工经验的故障定位方法效率低下，无法快速定位故障，恢复基站服务，影响用户感知。为此，本文提出一种机器学习的方法来辅助基站故障根因定位。以历史告警数据和故障工单为源数据，通过TF-IDF、NMF和word2vec算法实现特征提取，并以CatBoost作为故障根因定位模型，从而实现快速判断故障工单的故障类别。最终本文所构建的模型根因定位准确率为88%。结果表明，该方案可有效用于辅助通信网络运维人员快速精准定位故障根因，并根据解决方案处理故障，从而缩短故障处理时长，提升网络运维的效率和质量。     

基于Bi-LSTM模型的轨迹异常点检测算法

定位技术的飞速发展催生了时空轨迹大数据,轨迹数据中往往存在着明显偏离轨迹的异常点。检测出轨迹中的异常点对提高数据质量和后续轨迹数据挖掘精度至关重要。该文提出了一种基于双向长短时记忆网络(Bidirectional Long Short-Term Memory, Bi-LSTM)模型的轨迹异常点检测算法。首先对每个轨迹点提取一个6维的运动特征向量,然后构建了一个Bi-LSTM模型,模型输入为一定序列长度的轨迹数据特征向量,输出为轨迹点的类型结果。同时,算法采用了欠采样和过采样的组合方法缓解类别不平衡对检测性能的影响。融合了长短时记忆网络单元和双向网络,Bi-LSTM模型能够自动学习正常点和邻近异常点在运动特征上的差异。基于真实船舶轨迹标注数据的实验结果表明,该文算法的检测性能显著优于恒定速度阈值法、不考虑数据时序性的经典机器学习分类算法和卷积神经网络模型,尤其是召回率达到了0.902,验证了该文算法的有效性。