网络的检测方法、装置、电子设备及存储介质与流程

1.本发明涉及网络通信技术领域，特别是涉及一种网络的检测方法、一种网络的检测装置、一种电子设备以及一种计算机可读存储介质。


背景技术：

2.目前传统的网管系统告警监控具有以下弊端：1)告警判定阈值固定：周末与非周末、节假日之间的指标存在很大差异，一天内休息时间和非休息时间之间的指标也存在很大差异，不能很好地通过固定阈值判定，导致判定告警不准确；2)时效性差：无法及时地发现大网非中断类故障，网管并不产生告警，用户的业务已经受影响；3)非中断类故障专业网管定位难：非中断类故障，专业网管一般没有告警，无法快速定位故障，并得知影响范围。


技术实现要素：

3.本发明实施例是提供一种网络的检测方法、装置、电子设备以及计算机可读存储介质，以解决或部分解决网络管理过程中存在告警判定不准确、时效性差以及故障定位难的问题。
4.本发明实施例公开了一种网络的检测方法，包括：
5.获取目标区域中各个检测区域等级对应的实时时序数据；
6.将所述实时时序数据输入用户数量预测模型，获得各个所述检测区域等级对应的在线用户预测数以及置信区间；
7.根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，所述网络检测结果包括所述目标区域网络正常，或所述目标区域中至少存在一个所述检测区域等级的网络异常。
8.可选地，所述在线用户预测数包括省级在线用户预测数、市级在线用户预测数，所述置信区间包括所述省级在线用户预测数对应的第一置信区间和所述市级在线用户预测数对应的第二置信区间，所述根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，包括：
9.若所述省级在线用户预测数落入所述第一置信区间，则生成针对所述目标区域的网络正常结果；
10.若所述省级在线用户预测数小于所述第一置信区间的上限值，则生成针对所述目标区域的省级骤降告警结果，并根据所述市级在线用户预测数以及所述第二置信区间进行市级的网络故障处理，生成针对所述目标区域的网络检测结果，所述省级骤降告警结果为目标区域在省级层面上在线用户数骤降导致网络异常的结果。
11.可选地，所述在线用户预测数还包括县级在线用户预测数，所述置信区间还包括与所述县级在线用户预测数对应的第三置信区间，所述根据所述市级在线用户预测数以及所述第二置信区间进行市级的网络故障处理，生成针对所述目标区域的网络检测结果，包括：
12.若所述市级在线用户预测数落入所述第二置信区间，则生成针对所述目标区域的网络正常结果，并取消所述省级骤降告警结果；
13.若所述市级在线用户预测数小于所述第二置信区间的下限值，则生成针对所述目标区域的市级骤降告警结果，并根据所述县级在线用户预测数以及所述第三置信区间进行县级的网络故障处理，生成针对所述目标区域的网络检测结果，所述市级骤降告警结果为目标区域在市级层面上在线用户数骤降导致网络异常的结果。
14.可选地，所述在线用户预测数还包括营服在线用户预测数，所述置信区间还包括与所述营服在线用户预测数对应的第四置信区间，所述根据所述县级在线用户预测数以及所述第三置信区间进行县级的网络故障处理，生成针对所述目标区域的网络检测结果，包括：
15.若所述县级在线用户预测数落入所述第三置信区间，则生成针对所述目标区域的网络正常结果，并取消所述市级骤降告警结果；
16.若所述县级在线用户预测数小于所述第三置信区间的下限值，则生成针对所述目标区域的县级骤降告警结果，并根据所述营服在线用户预测数以及所述第四置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，所述县级骤降告警结果为目标区域在县级层面上在线用户数骤降导致网络异常的结果。
17.可选地，所述在线用户预测数还包括设备在线用户预测数，所述置信区间还包括与所述设备在线用户预测数对应的第五置信区间，所述根据所述营服在线用户预测数以及所述第四置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，包括：
18.若所述营服在线用户预测数落入所述第四置信区间，则生成针对所述目标区域的网络正常结果，并取消所述县级骤降告警结果；
19.若所述营服在线用户预测数小于所述第四置信区间的下限值，则生成针对所述目标区域的营服级骤降告警结果，并根据所述设备在线用户预测数以及所述第五置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，所述营服骤降告警结果为目标区域在营业服务厅层面上在线用户数骤降导致网络异常的结果。
20.可选地，所述根据所述设备在线用户预测数以及所述第五置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，包括：
21.若所述设备在线用户预测数落入所述第五置信区间，则生成针对所述目标区域的网络正常结果，并取消所述营服骤降告警结果；
22.将位于所述目标区域中，且设备在线用户预测数小于所述第五置信区间的下限值的网络设备作为异常设备，生成针对所述异常设备的设备骤降告警结果，所述设备骤降告警结果为目标区域在设备层面上在线用户数骤降导致网络异常的结果。
23.可选地，所述根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，还包括：
24.若所述省级在线用户预测数大于所述第一置信区间的上限值，则生成针对所述目标区域的省级骤升告警结果，所述省级骤升告警结果为目标区域在省级层面上在线用户数骤升导致网络异常的结果；
25.若所述市级在线用户预测数大于所述第二置信区间的上限值，则生成针对所述目
标区域的市级骤升告警结果，所述市级骤升告警结果为目标区域在市级层面上在线用户数骤升导致网络异常的结果；
26.若所述县级在线用户预测数大于所述第三置信区间的上限值，则生成针对所述目标区域的县级骤升告警结果，所述县级骤升告警结果为目标区域在县级层面上在线用户数骤升导致网络异常的结果；
27.若所述营服在线用户预测数大于所述第四置信区间的上限值，则生成针对所述目标区域的营服骤升告警结果，所述营服骤升告警结果为目标区域在营业服务厅层面上在线用户数骤升导致网络异常的结果；
28.若所述设备在线用户预测数大于所述第五置信区间的上限值，则生成针对所述目标区域的设备骤升告警结果，所述设备骤升告警结果为目标区域在设备层面上在线用户数骤升导致网络异常的结果。
29.可选地，所述用户数量预测模型通过如下方式生成：
30.获取训练样本数据，所述训练样本数据包括第一时间段内的第一历史时序数据以及至少一个第二时间段内的第二历史时序数据；
31.将所述第一历史时序数据输入用户数量预测模型进行模型训练，获得与所述第一历史时序数据对应的预测数据，所述预测数据包括所述第一时间段对应的第一在线用户数；
32.获取所述第二历史时序数据对应的第二在线用户数；
33.将所述第一在线用户数与所述第二在线用户数进行方差运算，获得对应的方差，并基于所述方差对所述用户数量预测模型进行参数调整，直至所述方差小于或等于预设阈值，结束对所述用户数量预测模型的训练，获得训练完成的用户数量预测模型。
34.可选地，所述用户数量预测模型包括时序编码器、时序解码器以及自相关函数，所述将所述第一历史时序数据输入用户数量预测模型进行模型训练，获得与所述第一历史时序数据对应的预测数据，包括：
35.将所述第一历史时序数据输入用户数量预测模型，通过所述时序编码器对所述第一历史时序数据进行编码，输出与所述第一历史时序数据对应的过去周期项信息；
36.根据所述自相关函数对所述过去周期项信息进行处理，获得全局周期项信息；
37.将所述全局周期项信息输入所述时序解码器进行解码，获得与所述第一历史时序数据对应的预测数据。
38.可选地，所述时序编码器包括若干个时序编码层，所述用户数量预测模型还包括分解函数以及前馈网络，所述根据所述自相关函数对所述过去周期项信息进行处理，获得全局周期项信息，包括：
39.针对第l个时序编码层，通过所述自相关函数对所述过去周期项信息进行运算，获得相似周期子序列的带权和；
40.通过所述分解函数对所述过去周期项信息和所述相似周期子序列的带权和之间的和值进行处理，获得编码一阶段周期项信息；
41.通过所述前馈网络对所述过去周期项信息和所述编码一阶段周期项信息之间的和值进行处理，获得编码二阶段周期项信息；
42.将所述编码二阶段周期项信息作为全局周期项信息传递至所述时序解码器或第l
+1个时序编码层。
43.可选地，所述时序解码器包括若干个时序解码层，所述全局周期项信息包括季节性信息以及趋势性信息，所述将所述全局周期项信息输入所述时序解码器进行解码，获得与所述第一历史时序数据对应的预测数据，包括：
44.针对第n层时序解码层，通过所述自相关函数对所述季节性信息进行相加，并通过所述分解函数对和值结果进行分解，获得与所述季节性信息对应的解码一阶段周期项信息；
45.通过所述自相关函数对所述解码一阶段周期项信息与所述过去周期项信息进行处理，获得全局历史信息加权和；
46.通过所述分解函数对所述全局历史加权和与所述季节性信息之间的和值进行分解，获得解码二阶段周期项信息；
47.通过所述前馈网络对所述季节性信息和所述解码二阶段周期项信息之间的和值进行处理，获得解码三阶段周期项信息；
48.通过所述分解函数对所述趋势性信息进行三次分解，并对三次分解的结果进行加权聚合，获得趋势加权信息；
49.将所述解码三阶段周期项信息以及所述趋势加权信息传递至第n+1层时序解码层，并通过最后一层时序解码层输出与所述第一历史时序数据对应的预测数据。
50.本发明实施例还公开了一种网络的检测装置，包括：
51.时序数据获取模块，用于获取目标区域中各个检测区域等级对应的实时时序数据；
52.预测模块，用于将所述实时时序数据输入用户数量预测模型，获得各个所述检测区域等级对应的在线用户预测数以及置信区间；
53.检测模块，用于根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，所述网络检测结果包括所述目标区域网络正常，或所述目标区域中至少存在一个所述检测区域等级的网络异常。
54.可选地，所述在线用户预测数包括省级在线用户预测数、市级在线用户预测数，所述置信区间包括所述省级在线用户预测数对应的第一置信区间和所述市级在线用户预测数对应的第二置信区间，所述检测模块具体用于：
55.若所述省级在线用户预测数落入所述第一置信区间，则生成针对所述目标区域的网络正常结果；
56.若所述省级在线用户预测数小于所述第一置信区间的上限值，则生成针对所述目标区域的省级骤降告警结果，并根据所述市级在线用户预测数以及所述第二置信区间进行市级的网络故障处理，生成针对所述目标区域的网络检测结果，所述省级骤降告警结果为目标区域在省级层面上在线用户数骤降导致网络异常的结果。
57.可选地，所述在线用户预测数还包括县级在线用户预测数，所述置信区间还包括与所述县级在线用户预测数对应的第三置信区间，所述检测模块具体用于：
58.若所述市级在线用户预测数落入所述第二置信区间，则生成针对所述目标区域的网络正常结果，并取消所述省级骤降告警结果；
59.若所述市级在线用户预测数小于所述第二置信区间的下限值，则生成针对所述目
标区域的市级骤降告警结果，并根据所述县级在线用户预测数以及所述第三置信区间进行县级的网络故障处理，生成针对所述目标区域的网络检测结果，所述市级骤降告警结果为目标区域在市级层面上在线用户数骤降导致网络异常的结果。
60.可选地，所述在线用户预测数还包括营服在线用户预测数，所述置信区间还包括与所述营服在线用户预测数对应的第四置信区间，所述检测模块具体用于：
61.若所述县级在线用户预测数落入所述第三置信区间，则生成针对所述目标区域的网络正常结果，并取消所述市级骤降告警结果；
62.若所述县级在线用户预测数小于所述第三置信区间的下限值，则生成针对所述目标区域的县级骤降告警结果，并根据所述营服在线用户预测数以及所述第四置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，所述县级骤降告警结果为目标区域在县级层面上在线用户数骤降导致网络异常的结果。
63.可选地，所述在线用户预测数还包括设备在线用户预测数，所述置信区间还包括与所述设备在线用户预测数对应的第五置信区间，所述检测模块具体用于：
64.若所述营服在线用户预测数落入所述第四置信区间，则生成针对所述目标区域的网络正常结果，并取消所述县级骤降告警结果；
65.若所述营服在线用户预测数小于所述第四置信区间的下限值，则生成针对所述目标区域的营服级骤降告警结果，并根据所述设备在线用户预测数以及所述第五置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，所述营服骤降告警结果为目标区域在营业服务厅层面上在线用户数骤降导致网络异常的结果。
66.可选地，所述检测模块具体用于：
67.若所述设备在线用户预测数落入所述第五置信区间，则生成针对所述目标区域的网络正常结果，并取消所述营服骤降告警结果；
68.将位于所述目标区域中，且设备在线用户预测数小于所述第五置信区间的下限值的网络设备作为异常设备，生成针对所述异常设备的设备骤降告警结果，所述设备骤降告警结果为目标区域在设备层面上在线用户数骤降导致网络异常的结果。
69.可选地，所述检测模块具体还用于：
70.若所述省级在线用户预测数大于所述第一置信区间的上限值，则生成针对所述目标区域的省级骤升告警结果，所述省级骤升告警结果为目标区域在省级层面上在线用户数骤升导致网络异常的结果；
71.若所述市级在线用户预测数大于所述第二置信区间的上限值，则生成针对所述目标区域的市级骤升告警结果，所述市级骤升告警结果为目标区域在市级层面上在线用户数骤升导致网络异常的结果；
72.若所述县级在线用户预测数大于所述第三置信区间的上限值，则生成针对所述目标区域的县级骤升告警结果，所述县级骤升告警结果为目标区域在县级层面上在线用户数骤升导致网络异常的结果；
73.若所述营服在线用户预测数大于所述第四置信区间的上限值，则生成针对所述目标区域的营服骤升告警结果，所述营服骤升告警结果为目标区域在营业服务厅层面上在线用户数骤升导致网络异常的结果；
74.若所述设备在线用户预测数大于所述第五置信区间的上限值，则生成针对所述目
标区域的设备骤升告警结果，所述设备骤升告警结果为目标区域在设备层面上在线用户数骤升导致网络异常的结果。
75.可选地，所述用户数量预测模型通过如下模块生成：
76.样本数据获取模块，用于获取训练样本数据，所述训练样本数据包括第一时间段内的第一历史时序数据以及至少一个第二时间段内的第二历史时序数据；
77.模型预测模块，用于将所述第一历史时序数据输入用户数量预测模型进行模型训练，获得与所述第一历史时序数据对应的预测数据，所述预测数据包括所述第一时间段对应的第一在线用户数；
78.信息获取模块，用于获取所述第二历史时序数据对应的第二在线用户数；
79.模型调整模块，用于将所述第一在线用户数与所述第二在线用户数进行方差运算，获得对应的方差，并基于所述方差对所述用户数量预测模型进行参数调整，直至所述方差小于或等于预设阈值，结束对所述用户数量预测模型的训练，获得训练完成的用户数量预测模型。
80.可选地，所述用户数量预测模型包括时序编码器、时序解码器以及自相关函数，所述模型预测模块具体用于：
81.将所述第一历史时序数据输入用户数量预测模型，通过所述时序编码器对所述第一历史时序数据进行编码，输出与所述第一历史时序数据对应的过去周期项信息；
82.根据所述自相关函数对所述过去周期项信息进行处理，获得全局周期项信息；
83.将所述全局周期项信息输入所述时序解码器进行解码，获得与所述第一历史时序数据对应的预测数据。
84.可选地，所述时序编码器包括若干个时序编码层，所述用户数量预测模型还包括分解函数以及前馈网络，所述模型预测模块具体用于：
85.针对第l个时序编码层，通过所述自相关函数对所述过去周期项信息进行运算，获得相似周期子序列的带权和；
86.通过所述分解函数对所述过去周期项信息和所述相似周期子序列的带权和之间的和值进行处理，获得编码一阶段周期项信息；
87.通过所述前馈网络对所述过去周期项信息和所述编码一阶段周期项信息之间的和值进行处理，获得编码二阶段周期项信息；
88.将所述编码二阶段周期项信息作为全局周期项信息传递至所述时序解码器或第l+1个时序编码层。
89.可选地，所述时序解码器包括若干个时序解码层，所述全局周期项信息包括季节性信息以及趋势性信息，所述模型预测模块具体用于：
90.针对第n层时序解码层，通过所述自相关函数对所述季节性信息进行相加，并通过所述分解函数对和值结果进行分解，获得与所述季节性信息对应的解码一阶段周期项信息；
91.通过所述自相关函数对所述解码一阶段周期项信息与所述过去周期项信息进行处理，获得全局历史信息加权和；
92.通过所述分解函数对所述全局历史加权和与所述季节性信息之间的和值进行分解，获得解码二阶段周期项信息；
93.通过所述前馈网络对所述季节性信息和所述解码二阶段周期项信息之间的和值进行处理，获得解码三阶段周期项信息；
94.通过所述分解函数对所述趋势性信息进行三次分解，并对三次分解的结果进行加权聚合，获得趋势加权信息；
95.将所述解码三阶段周期项信息以及所述趋势加权信息传递至第n+1层时序解码层，并通过最后一层时序解码层输出与所述第一历史时序数据对应的预测数据。
96.本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
97.所述存储器，用于存放计算机程序；
98.所述处理器，用于执行存储器上所存放的程序时，实现如本发明实施例所述的方法。
99.本发明实施例还公开了一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如本发明实施例所述的方法。
100.本发明实施例包括以下优点：
101.在本发明实施例中，通过获取目标区域中各个检测区域等级对应的实时时序数据，接着将实时时序数据输入用户数量预测模型，获得各个检测区域等级对应的在线用户预测数，以及获取检测区域等级对应的置信区间，然后根据各个检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对目标区域的网络检测结果，网络检测结果包括目标区域网络正常，或目标区域中至少存在一个检测区域等级的网络异常，通过对各个检测区域等级的实时时序数据预测相应地区的网络，实现了网络的多维度检测，提高了检测面积，同时基于检测结果，能够快速地定位影响片区，以便及时对网络异常的区域进行处理，保证网络的稳定性。
附图说明
102.图1是本发明实施例中提供的一种网络的检测方法的步骤流程图；
103.图2是本发明实施例中提供的一种网络的检测装置的结构框图；
104.图3是本发明实施例中提供的一种电子设备的框图。
具体实施方式
105.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
106.作为一种示例，在大网故障预警监控中，1)迫切地需要能够补足时序预测中非周末、周末、节假日之间，一天内作息时间和非作息时间之间的周期性、趋势性不一致的短板，且无需人工干预设置固定告警阈值，掌握运维的主动权，提前于监控系统发现潜在的风险；2)需要快速定位影响片区(省/地市/县分/营服)，及时评估受影响面(业务数、设备数等)；3)预测与预警任务并行处理，实现实时在线预警大面积网络故障，对于非中断类故障，比专业网管和业务部门早15-30分钟发现故障、早25分钟定位影响范围。
107.对此，在本发明中，通过获取目标区域中各个检测区域等级对应的实时时序数据，
接着将所述实时时序数据输入用户数量预测模型，获得各个所述检测区域等级对应的在线用户预测数，以及获取所述检测区域等级对应的置信区间，然后根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，所述网络检测结果包括所述目标区域网络正常，或所述目标区域中至少存在一个所述检测区域等级的网络异常，通过对各个检测区域等级的实时时序数据预测相应地区的网络，实现了网络的多维度检测，提高了检测面积，同时基于检测结果，能够快速地定位影响片区，以便及时对网络异常的区域进行处理，保证网络的稳定性。
108.具体的，参照图1，示出了本发明实施例中提供的一种网络的检测方法的步骤流程图，具体可以包括如下步骤：
109.步骤101，获取目标区域中各个检测区域等级对应的实时时序数据；
110.对于检测区域等级，其可以包括省级、市级、县级、营服以及设备等，其中，省级为以一个省份作为检测区域的等级，市级为以一个地级市作为检测区域的等级，县级为以一个县级市作为检测区域的等级，营服为以营业服务器所覆盖的区域作为检测区域的等级，设备为单个网络设备所覆盖的区域作为检测区域的等级，随着检测区域等级的降低，所检测的精度随之增加。
111.对于实时时序数据，其可以为数据中心实时采集业务在线记录，包括不同检测区域内不同业务的在线用户。具体的，数据中心可以通过kafka流式集群获取业务在线记录，并设定时间窗口对多类业务在线用户进行滑动窗口统计，得到实时时序数据，实时时序数据可以用于表征相应区域内用户对业务的使用情况。
112.步骤102，将所述实时时序数据输入用户数量预测模型，获得各个所述检测区域等级对应的在线用户预测数，以及获取所述检测区域等级对应的置信区间；
113.对于用户数量预测模型，其可以用于预测对应检测区域中用户在线数量，则可以各个检测区域等级对应的实时时序数据输入该用户数量预测模型，得到各个检测区域等级对应的在线用户预测数，同时可以获取各个检测区域等级对应的置信区间，置信区间可以用于判断检测区域中的用户在线数量是否处于异常状态，并根据判断结果生成检测区域对应的网络检测结果。
114.在具体实现中，若将省级的实时时序数据输入用户数量预测模型，则可以得到省级在线用户预测数；若将市级的实时时序数据输入用户数量预测模型，则可以得到市级在线用户预测数；若将县级的实时时序数据输入用户数量预测模型，则可以得到县级在线用户预测数；若将营服的实时时序数据输入用户数量预测模型，则可以得到营服在线用户预测数；若将设备的实时时序数据输入用户数量预测模型，则可以得到单个网络设备的设备在线用户预测数。相应地，不同检测等级对应不同的置信区间，本发明对此不作限制。
115.在本发明实施例中，对于用户数量预测模型，可以通过如下方式生成：
116.获取训练样本数据，训练样本数据包括第一时间段内的第一历史时序数据以及至少一个第二时间段内的第二历史时序数据，接着将第一历史时序数据输入用户数量预测模型进行模型训练，获得与第一历史时序数据对应的预测数据，预测数据包括第一时间段对应的第一在线用户数，接着获取第二历史时序数据对应的第二在线用户数，然后将第一在线用户数与第二在线用户数进行方差运算，获得对应的方差，并基于方差对用户数量预测模型进行参数调整，直至方差小于或等于预设阈值，结束对用户数量预测模型的训练，获得
训练完成的用户数量预测模型。
117.其中，第一时间段与第二时间段可以为相互衔接的时间，例如，第一时间段与第二时间段所对应的历史时序数据可以为历史三周的时序数据，则第一时间段可以为第一周的历史时序数据，第二时间段可以为后两周的时序数据，可以理解的是，还可以采用其他方式进行划分，通过划分两个不同时间段的数据，将第一时间段的第一历史时序数据作为模型输入进行预测，将第二时间段的第二历史时序数据作为验证数据，对预测结果进行检验，并基于检验结果对模型进行反向优化，实现模型训练。
118.可选地，对于历史时序数据，其可以按照不同的业务类型进行划分后，再按照检测区域等级进行多维度统计，从而得到各个业务在不同检测区域等级下对应的历史时序数据，例如，业务可以包括宽带、iptv(internet protocol television，交互式网络电视)以及移动互联网等，则可以得到宽带在相应省份、市级、县级、营服以及设备中的历史时序数据，iptv以及移动互联网同理，在此不再赘述。
119.在一种示例中，在获取了历史三周数据(宽带、iptv、移动等业务按省/地市/县分/营服/设备等多级维度统计的历史时序数据)，可以将第一周时序数据输入到用户数量预测模型推理得到第二、三周的预测时序结果在线用户数y
′
，并与第二、三周的真实时序在线用户数y，计算mse(mean squared error，均方差)loss，l
mse
＝(y-y
′
)2，迭代模型最小化此loss，即让预测值接近于真实值，此时通过pytorch框架的autograd函数实现mse loss自动求导(反向传播过程)调整模型各参数值，不断迭代直至模型收敛，最理想情况即预测值等于真实值y
′
＝y。
120.在一些可选实施例中，用户数量预测模型包括时序编码器、时序解码器以及自相关函数，则模型训练过程中，可以将第一历史时序数据输入用户数量预测模型，通过时序编码器对第一历史时序数据进行编码，输出与第一历史时序数据对应的过去周期项信息，并根据自相关函数对过去周期项信息进行处理，获得全局周期项信息，然后将全局周期项信息输入时序解码器进行解码，获得与第一历史时序数据对应的预测数据。
121.在具体实现中，时序编码器包括若干个时序编码层，用户数量预测模型还包括分解函数以及前馈网络，则在编码过程中，针对第l个时序编码层，可以先通过自相关函数对过去周期项信息进行运算，获得相似周期子序列的带权和，接着通过分解函数对过去周期项信息和相似周期子序列的带权和之间的和值进行处理，获得编码一阶段周期项信息，然后通过前馈网络对过去周期项信息和编码一阶段周期项信息之间的和值进行处理，获得编码二阶段周期项信息，再将编码二阶段周期项信息作为全局周期项信息传递至时序解码器或第l+1个时序编码层。以及，时序解码器包括若干个时序解码层，全局周期项信息包括季节性信息以及趋势性信息，则在解码过程中，针对第n层时序解码层，可以先通过自相关函数对季节性信息进行相加，并通过分解函数对和值结果进行分解，获得与季节性信息对应的解码一阶段周期项信息，通过自相关函数对解码一阶段周期项信息与过去周期项信息进行处理，获得全局历史信息加权和，接着通过分解函数对全局历史加权和与季节性信息之间的和值进行分解，获得解码二阶段周期项信息，然后通过前馈网络对季节性信息和解码二阶段周期项信息之间的和值进行处理，获得解码三阶段周期项信息没，再通过分解函数对趋势性信息进行三次分解，并对三次分解的结果进行加权聚合，获得趋势加权信息，同时
将解码三阶段周期项信息以及趋势加权信息传递至第n+1层时序解码层，并通过最后一层时序解码层输出与第一历史时序数据对应的预测数据。
122.在一种示例中，对于用户数量预测模型，可以通过如下方式进行建模：
123.1)引入基于序列周期性的自相关机制，通过计算原序列x
t
和滞后序列x
t-τ
自相关系数找到周期性相似的子序列，然后再平移时间做相似子序列的聚合，加深序列内在模式之间的层次性交互作用；
124.2)基于移动平均思想，平滑时间序列周期性波动，突出长期趋势，进而分离周期项与趋势项：x
t
＝avgpool(padding(x))，xs＝x-x
t
。其中，padding是为了保证序列长度不变，avgpool是移动平均。x为待分解的隐变量，x
t
,xs分别为趋势项和周期项，将上述公式记为xs,x
t
＝seriesdecomp(x)。
125.3)构建时序编码器：重点关注周期项的建模，输出的是过去的周期项信息，它将被用做互信息，帮助时序解码器调整预测结果。
126.假设我们有n个时序编码层，第l个时序编码层的内部细节如下：
[0127][0128][0129]
第l个时序编码层输出的周期项数据经过autocorrelation自相关函数得到相似周期子序列的带权和，与自身相加后通过seriesdecomp分解函数得到一阶段周期项信息，经过feedforward前馈网络与自身相加后得到二阶段周期项信息，作为全局的周期项信息表示传递给时序解码器和l+1层时序编码器。
[0130]
其上的feedforward前馈网络定义为feedforward(x)＝max(0,xw1+b1)w2+b2，其中w1、w2为神经网络层的权重，b1、b2为神经网络层的偏置，皆为模型可学习参数。
[0131]
4)构建时序解码器：对过去的周期项使用堆叠自相关机制，基于序列的周期性质来进行依赖挖掘，并聚合具有相似过程的子序列，预测周期项；对过去的趋势项使用累积的方式，逐步从预测的隐变量中提取出趋势信息，预测趋势项。假设我们有n个时序解码层，第l个时序解码层的内部细节如下：
[0132][0133][0134][0135][0136]
季节性信息部分：第l个时序解码层输出的周期项数据经过autocorrelation自相关函数与自身相加后，经seriesdecomp分解函数分解得到一阶段周期项信息，与时序编码器输出的过去周期性信息，经autocorrelation自相关函数得到全局历史信息加权和，与自身相加、再经seriesdecomp分解函数分解得到二阶段周期项信息，接着经过feedforward前
馈网络再与自身相加，最后seriesdecomp分解函数分解提取三阶段周期项信息，传递给l+1层时序解码器(l+1《n)或得到最终周期项预测值(第n层时序解码器)。
[0137]
趋势性信息部分：第l个时序解码层输出的周期项数据通过三次时序分解函数seriesdecomp得到的趋势信息进行加权聚合，传递给l+1层时序解码器(l+1《n)或得到最终趋势项预测值(第n层时序解码器)。
[0138]
通过上述过程，引入基于序列周期性的自相关机制，加深序列内在模式之间的层次性交互作用，找到周期性相似的子序列。能自适应节假日、周末、工作作息时间等周期之间的差异，算法模型预测更精准，与实际情况更贴合，提升预警任务的鲁棒性。以及，通过编码器-解码器结构时序预测算法，实现长序列预测，即待预测的序列长度远远大于输入长度，相比短时序预测算法，大大减少模型预测的次数，减少资源消耗。
[0139]
需要说明的是，对于时序编码器和时序解码器，其可以包括相同的层数，也可以包括不同的层数，即对于时序编码器中的“n”取值，与时序解码器中的“n”取值，可以相同，也可以不同，本发明对此不作限制。
[0140]
步骤103，根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，所述网络检测结果包括所述目标区域网络正常，或所述目标区域中至少存在一个所述检测区域等级的网络异常。
[0141]
在本发明实施例中，通过用户数量预测模型得到各个检测区域等级对应的在线用户预测数后，可以将在线用户预测数与置信区间进行比较实现对相应检测区域的网络故障处理，并根据各个检测区域的检测结果，得到目标区域的网络检测结果，网络检测结果包括目标区域网络正常，或目标区域中至少存在一个检测区域等级的网络异常，通过对各个检测区域等级的实时时序数据预测相应地区的网络，实现了网络的多维度检测，提高了检测面积，同时基于检测结果，能够快速地定位影响片区，以便及时对网络异常的区域进行处理，保证网络的稳定性。
[0142]
例如，可以将省级在线用户预测数与省级对应的第一置信区间进行比较，判断目标区域在省级的检测区域内是否存在网络故障的问题，对于市级、县级、营服、设备等，其检测过程同理，在此不再赘述。
[0143]
在具体实现中，在线用户预测数包括省级在线用户预测数、市级在线用户预测数，置信区间包括省级在线用户预测数对应的第一置信区间和市级在线用户预测数对应的第二置信区间，若省级在线用户预测数落入第一置信区间，则生成针对目标区域的网络正常结果；若省级在线用户预测数小于第一置信区间的上限值，则生成针对目标区域的省级骤降告警结果，并根据市级在线用户预测数以及第二置信区间进行市级的网络故障处理，生成针对目标区域的网络检测结果，省级骤降告警结果为目标区域在省级层面上在线用户数骤降导致网络异常的结果。
[0144]
对于市级的网络检测，在线用户预测数还包括县级在线用户预测数，置信区间还包括与县级在线用户预测数对应的第三置信区间，若市级在线用户预测数落入第二置信区间，则生成针对目标区域的网络正常结果，并取消省级骤降告警结果；若市级在线用户预测数小于第二置信区间的下限值，则生成针对目标区域的市级骤降告警结果，并根据县级在线用户预测数以及第三置信区间进行县级的网络故障处理，生成针对目标区域的网络检测结果，市级骤降告警结果为目标区域在市级层面上在线用户数骤降导致网络异常的结果。
[0145]
对于县级的网络检测，在线用户预测数还包括营服在线用户预测数，置信区间还包括与营服在线用户预测数对应的第四置信区间，若县级在线用户预测数落入第三置信区间，则生成针对目标区域的网络正常结果，并取消市级骤降告警结果；若县级在线用户预测数小于第三置信区间的下限值，则生成针对目标区域的县级骤降告警结果，并根据营服在线用户预测数以及第四置信区间进行营服的网络故障处理，生成针对目标区域的网络检测结果，县级骤降告警结果为目标区域在县级层面上在线用户数骤降导致网络异常的结果。
[0146]
对于营服的网络检测，在线用户预测数还包括设备在线用户预测数，置信区间还包括与设备在线用户预测数对应的第五置信区间，若营服在线用户预测数落入第四置信区间，则生成针对目标区域的网络正常结果，并取消县级骤降告警结果；若营服在线用户预测数小于第四置信区间的下限值，则生成针对目标区域的营服级骤降告警结果，并根据设备在线用户预测数以及第五置信区间进行营服的网络故障处理，生成针对目标区域的网络检测结果，营服骤降告警结果为目标区域在营业服务厅层面上在线用户数骤降导致网络异常的结果。
[0147]
对于设备的网络检测，若设备在线用户预测数落入第五置信区间，则生成针对目标区域的网络正常结果，并取消营服骤降告警结果；将位于目标区域中，且设备在线用户预测数小于第五置信区间的下限值的网络设备作为异常设备，生成针对异常设备的设备骤降告警结果，设备骤降告警结果为目标区域在设备层面上在线用户数骤降导致网络异常的结果。
[0148]
此外，若省级在线用户预测数大于第一置信区间的上限值，则生成针对目标区域的省级骤升告警结果，省级骤升告警结果为目标区域在省级层面上在线用户数骤升导致网络异常的结果；若市级在线用户预测数大于第二置信区间的上限值，则生成针对目标区域的市级骤升告警结果，市级骤升告警结果为目标区域在市级层面上在线用户数骤升导致网络异常的结果；若县级在线用户预测数大于第三置信区间的上限值，则生成针对目标区域的县级骤升告警结果，县级骤升告警结果为目标区域在县级层面上在线用户数骤升导致网络异常的结果；若营服在线用户预测数大于第四置信区间的上限值，则生成针对目标区域的营服骤升告警结果，营服骤升告警结果为目标区域在营业服务厅层面上在线用户数骤升导致网络异常的结果；若设备在线用户预测数大于第五置信区间的上限值，则生成针对目标区域的设备骤升告警结果，设备骤升告警结果为目标区域在设备层面上在线用户数骤升导致网络异常的结果。
[0149]
在一种示例中，基于宽带、iptv、移动互联网等业务，针对省/市/县分/营服/设备等多级维度，使用当前时刻真实的业务在线用户数，模型预测到当前时刻的上下置信区间作对比，超出上置信区间则告警为业务在线用户数骤升、低于下置信区间则告警为业务在线用户数骤降。
[0150]
在具体实现中，针对故障场景，关注业务在线用户数骤降，基于省地市+业务多维联动，预警结果与判断策略结合，告警不同场景的大面积故障。关联用户业务资源树信息，快速定位影响片区(省/地市/县分/营服)，甚至定位故障的网络设备，及时评估受影响面(业务数、设备数等)，具体过程可以包括：
[0151]
1、省维度告警单业务在线用户数骤降，则查询地市维度单业务在线用户数骤降情况；若存在地市骤降情况，则进入下一步骤；若不存在，则判定省维度为正常波动，取消省维
度告警。
[0152]
2、地市维度告警单业务在线用户数骤降，则查询县分维度单业务在线用户数骤降情况；若存在县分骤降情况，则进入下一步骤；若不存在，则判定地市维度为正常波动，取消地市维度告警。
[0153]
3、县分维度告警单业务在线用户数骤降，则查询营服维度单业务在线用户数骤降情况；若存在营服骤降情况，则进入下一步骤；若不存在，则判定县分维度为正常波动，取消县分维度告警。
[0154]
4、营服维度告警单业务在线用户数骤降，则查询设备(olt、基站等)维度单业务在线用户数骤降情况；若存在设备骤降情况，则告警故障的网络设备；若不存在，则判定营服维度为正常波动，取消营服维度告警。
[0155]
结合上述过程的多维联动，预警结果与判断策略结合，快速告警影响片区(省/地市/县分/营服)，甚至告警故障的网络设备，关联用户业务资源树信息，及时评估受影响面(业务数、设备数等)。
[0156]
需要说明的是，本发明实施例包括但不限于上述示例，可以理解的是，本领域技术人员在本发明实施例的思想指导下，还可以根据实际需求进行设置，本发明对此不作限制。
[0157]
在本发明实施例中，通过获取目标区域中各个检测区域等级对应的实时时序数据，接着将实时时序数据输入用户数量预测模型，获得各个检测区域等级对应的在线用户预测数，以及获取检测区域等级对应的置信区间，然后根据各个检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对目标区域的网络检测结果，网络检测结果包括目标区域网络正常，或目标区域中至少存在一个检测区域等级的网络异常，通过对各个检测区域等级的实时时序数据预测相应地区的网络，实现了网络的多维度检测，提高了检测面积，同时基于检测结果，能够快速地定位影响片区，以便及时对网络异常的区域进行处理，保证网络的稳定性。
[0158]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
[0159]
参照图2，示出了本发明实施例中提供的一种网络的检测装置的结构框图，具体可以包括如下模块：
[0160]
时序数据获取模块201，用于获取目标区域中各个检测区域等级对应的实时时序数据；
[0161]
预测模块202，用于将所述实时时序数据输入用户数量预测模型，获得各个所述检测区域等级对应的在线用户预测数以及置信区间；
[0162]
检测模块203，用于根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，所述网络检测结果包括所述目标区域网络正常，或所述目标区域中至少存在一个所述检测区域等级的网络异常。
[0163]
在一些可选实施例中，所述在线用户预测数包括省级在线用户预测数、市级在线用户预测数，所述置信区间包括所述省级在线用户预测数对应的第一置信区间和所述市级
在线用户预测数对应的第二置信区间，所述检测模块203具体用于：
[0164]
若所述省级在线用户预测数落入所述第一置信区间，则生成针对所述目标区域的网络正常结果；
[0165]
若所述省级在线用户预测数小于所述第一置信区间的上限值，则生成针对所述目标区域的省级骤降告警结果，并根据所述市级在线用户预测数以及所述第二置信区间进行市级的网络故障处理，生成针对所述目标区域的网络检测结果，所述省级骤降告警结果为目标区域在省级层面上在线用户数骤降导致网络异常的结果。
[0166]
在一些可选实施例中，所述在线用户预测数还包括县级在线用户预测数，所述置信区间还包括与所述县级在线用户预测数对应的第三置信区间，所述检测模块203具体用于：
[0167]
若所述市级在线用户预测数落入所述第二置信区间，则生成针对所述目标区域的网络正常结果，并取消所述省级骤降告警结果；
[0168]
若所述市级在线用户预测数小于所述第二置信区间的下限值，则生成针对所述目标区域的市级骤降告警结果，并根据所述县级在线用户预测数以及所述第三置信区间进行县级的网络故障处理，生成针对所述目标区域的网络检测结果，所述市级骤降告警结果为目标区域在市级层面上在线用户数骤降导致网络异常的结果。
[0169]
在一些可选实施例中，所述在线用户预测数还包括营服在线用户预测数，所述置信区间还包括与所述营服在线用户预测数对应的第四置信区间，所述检测模块203具体用于：
[0170]
若所述县级在线用户预测数落入所述第三置信区间，则生成针对所述目标区域的网络正常结果，并取消所述市级骤降告警结果；
[0171]
若所述县级在线用户预测数小于所述第三置信区间的下限值，则生成针对所述目标区域的县级骤降告警结果，并根据所述营服在线用户预测数以及所述第四置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，所述县级骤降告警结果为目标区域在县级层面上在线用户数骤降导致网络异常的结果。
[0172]
在一些可选实施例中，所述在线用户预测数还包括设备在线用户预测数，所述置信区间还包括与所述设备在线用户预测数对应的第五置信区间，所述检测模块203具体用于：
[0173]
若所述营服在线用户预测数落入所述第四置信区间，则生成针对所述目标区域的网络正常结果，并取消所述县级骤降告警结果；
[0174]
若所述营服在线用户预测数小于所述第四置信区间的下限值，则生成针对所述目标区域的营服级骤降告警结果，并根据所述设备在线用户预测数以及所述第五置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，所述营服骤降告警结果为目标区域在营业服务厅层面上在线用户数骤降导致网络异常的结果。
[0175]
在一些可选实施例中，所述检测模块203具体用于：
[0176]
若所述设备在线用户预测数落入所述第五置信区间，则生成针对所述目标区域的网络正常结果，并取消所述营服骤降告警结果；
[0177]
将位于所述目标区域中，且设备在线用户预测数小于所述第五置信区间的下限值的网络设备作为异常设备，生成针对所述异常设备的设备骤降告警结果，所述设备骤降告
警结果为目标区域在设备层面上在线用户数骤降导致网络异常的结果。
[0178]
在一些可选实施例中，所述检测模块203具体还用于：
[0179]
若所述省级在线用户预测数大于所述第一置信区间的上限值，则生成针对所述目标区域的省级骤升告警结果，所述省级骤升告警结果为目标区域在省级层面上在线用户数骤升导致网络异常的结果；
[0180]
若所述市级在线用户预测数大于所述第二置信区间的上限值，则生成针对所述目标区域的市级骤升告警结果，所述市级骤升告警结果为目标区域在市级层面上在线用户数骤升导致网络异常的结果；
[0181]
若所述县级在线用户预测数大于所述第三置信区间的上限值，则生成针对所述目标区域的县级骤升告警结果，所述县级骤升告警结果为目标区域在县级层面上在线用户数骤升导致网络异常的结果；
[0182]
若所述营服在线用户预测数大于所述第四置信区间的上限值，则生成针对所述目标区域的营服骤升告警结果，所述营服骤升告警结果为目标区域在营业服务厅层面上在线用户数骤升导致网络异常的结果；
[0183]
若所述设备在线用户预测数大于所述第五置信区间的上限值，则生成针对所述目标区域的设备骤升告警结果，所述设备骤升告警结果为目标区域在设备层面上在线用户数骤升导致网络异常的结果。
[0184]
在一些可选实施例中，所述用户数量预测模型通过如下模块生成：
[0185]
样本数据获取模块，用于获取训练样本数据，所述训练样本数据包括第一时间段内的第一历史时序数据以及至少一个第二时间段内的第二历史时序数据；
[0186]
模型预测模块202，用于将所述第一历史时序数据输入用户数量预测模型进行模型训练，获得与所述第一历史时序数据对应的预测数据，所述预测数据包括所述第一时间段对应的第一在线用户数；
[0187]
信息获取模块，用于获取所述第二历史时序数据对应的第二在线用户数；
[0188]
模型调整模块，用于将所述第一在线用户数与所述第二在线用户数进行方差运算，获得对应的方差，并基于所述方差对所述用户数量预测模型进行参数调整，直至所述方差小于或等于预设阈值，结束对所述用户数量预测模型的训练，获得训练完成的用户数量预测模型。
[0189]
在一些可选实施例中，所述用户数量预测模型包括时序编码器、时序解码器以及自相关函数，所述模型预测模块202具体用于：
[0190]
将所述第一历史时序数据输入用户数量预测模型，通过所述时序编码器对所述第一历史时序数据进行编码，输出与所述第一历史时序数据对应的过去周期项信息；
[0191]
根据所述自相关函数对所述过去周期项信息进行处理，获得全局周期项信息；
[0192]
将所述全局周期项信息输入所述时序解码器进行解码，获得与所述第一历史时序数据对应的预测数据。
[0193]
在一些可选实施例中，所述时序编码器包括若干个时序编码层，所述用户数量预测模型还包括分解函数以及前馈网络，所述模型预测模块202具体用于：
[0194]
针对第l个时序编码层，通过所述自相关函数对所述过去周期项信息进行运算，获得相似周期子序列的带权和；
[0195]
通过所述分解函数对所述过去周期项信息和所述相似周期子序列的带权和之间的和值进行处理，获得编码一阶段周期项信息；
[0196]
通过所述前馈网络对所述过去周期项信息和所述编码一阶段周期项信息之间的和值进行处理，获得编码二阶段周期项信息；
[0197]
将所述编码二阶段周期项信息作为全局周期项信息传递至所述时序解码器或第l+1个时序编码层。
[0198]
在一些可选实施例中，所述时序解码器包括若干个时序解码层，所述全局周期项信息包括季节性信息以及趋势性信息，所述模型预测模块202具体用于：
[0199]
针对第n层时序解码层，通过所述自相关函数对所述季节性信息进行相加，并通过所述分解函数对和值结果进行分解，获得与所述季节性信息对应的解码一阶段周期项信息；
[0200]
通过所述自相关函数对所述解码一阶段周期项信息与所述过去周期项信息进行处理，获得全局历史信息加权和；
[0201]
通过所述分解函数对所述全局历史加权和与所述季节性信息之间的和值进行分解，获得解码二阶段周期项信息；
[0202]
通过所述前馈网络对所述季节性信息和所述解码二阶段周期项信息之间的和值进行处理，获得解码三阶段周期项信息；
[0203]
通过所述分解函数对所述趋势性信息进行三次分解，并对三次分解的结果进行加权聚合，获得趋势加权信息；
[0204]
将所述解码三阶段周期项信息以及所述趋势加权信息传递至第n+1层时序解码层，并通过最后一层时序解码层输出与所述第一历史时序数据对应的预测数据。
[0205]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0206]
另外，本发明实施例还提供了一种电子设备，包括：处理器，存储器，存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述网络的检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0207]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述网络的检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0208]
图3为实现本发明各个实施例的一种电子设备的硬件结构示意图。
[0209]
该电子设备300包括但不限于：射频单元301、网络模块302、音频输出单元303、输入单元304、传感器305、显示单元306、用户输入单元307、接口单元308、存储器309、处理器310、以及电源311等部件。本领域技术人员可以理解，本发明实施例中所涉及的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
[0210]
应理解的是，本发明实施例中，射频单元301可用于收发信息或通话过程中，信号
的接收和发送，具体的，将来自基站的下行数据接收后，给处理器310处理；另外，将上行的数据发送给基站。通常，射频单元301包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元301还可以通过无线通信系统与网络和其他设备通信。
[0211]
电子设备通过网络模块302为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
[0212]
音频输出单元303可以将射频单元301或网络模块302接收的或者在存储器309中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元303还可以提供与电子设备300执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元303包括扬声器、蜂鸣器以及受话器等。
[0213]
输入单元304用于接收音频或视频信号。输入单元304可以包括图形处理器(graphics processing unit，gpu)3041和麦克风3042，图形处理器3041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元306上。经图形处理器3041处理后的图像帧可以存储在存储器309(或其它存储介质)中或者经由射频单元301或网络模块302进行发送。麦克风3042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元301发送到移动通信基站的格式输出。
[0214]
电子设备300还包括至少一种传感器305，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板3061的亮度，接近传感器可在电子设备300移动到耳边时，关闭显示面板3061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器305还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
[0215]
显示单元306用于显示由用户输入的信息或提供给用户的信息。显示单元306可包括显示面板3061，可以采用液晶显示器(liquid crystal display，lcd)、有机发光二极管(organic light-emitting diode,oled)等形式来配置显示面板3061。
[0216]
用户输入单元307可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元307包括触控面板3071以及其他输入设备3072。触控面板3071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板3071上或在触控面板3071附近的操作)。触控面板3071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器310，接收处理器310发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板3071。除了触控面板3071，用户输入单元307还可以包括其他输入设备3072。具体地，其他输入设备3072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
[0217]
进一步的，触控面板3071可覆盖在显示面板3061上，当触控面板3071检测到在其上或附近的触摸操作后，传送给处理器310以确定触摸事件的类型，随后处理器310根据触摸事件的类型在显示面板3061上提供相应的视觉输出。可以理解的是，在一种实施例中，触控面板3071与显示面板3061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板3071与显示面板3061集成而实现电子设备的输入和输出功能，具体此处不做限定。
[0218]
接口单元308为外部装置与电子设备300连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(i/o)端口、视频i/o端口、耳机端口等等。接口单元308可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备300内的一个或多个元件或者可以用于在电子设备300和外部装置之间传输数据。
[0219]
存储器309可用于存储软件程序以及各种数据。存储器309可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器309可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0220]
处理器310是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器309内的软件程序和/或模块，以及调用存储在存储器309内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器310可包括一个或多个处理单元；优选的，处理器310可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器310中。
[0221]
电子设备300还可以包括给各个部件供电的电源311(比如电池)，优选的，电源311可以通过电源管理系统与处理器310逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
[0222]
另外，电子设备300包括一些未示出的功能模块，在此不再赘述。
[0223]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0224]
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0225]
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体
实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。
[0226]
本领域普通技术人员可以意识到，结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0227]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0228]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0229]
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单元来实现本实施例方案的目的。
[0230]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0231]
所述功能如果以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、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0232]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种网络的检测方法，其特征在于，包括：获取目标区域中各个检测区域等级对应的实时时序数据；将所述实时时序数据输入用户数量预测模型，获得各个所述检测区域等级对应的在线用户预测数以及置信区间；根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，所述网络检测结果包括所述目标区域网络正常，或所述目标区域中至少存在一个所述检测区域等级的网络异常。2.根据权利要求1所述的方法，其特征在于，所述在线用户预测数包括省级在线用户预测数、市级在线用户预测数，所述置信区间包括所述省级在线用户预测数对应的第一置信区间和所述市级在线用户预测数对应的第二置信区间，所述根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，包括：若所述省级在线用户预测数落入所述第一置信区间，则生成针对所述目标区域的网络正常结果；若所述省级在线用户预测数小于所述第一置信区间的上限值，则生成针对所述目标区域的省级骤降告警结果，并根据所述市级在线用户预测数以及所述第二置信区间进行市级的网络故障处理，生成针对所述目标区域的网络检测结果，所述省级骤降告警结果为目标区域在省级层面上在线用户数骤降导致网络异常的结果。3.根据权利要求2所述的方法，其特征在于，所述在线用户预测数还包括县级在线用户预测数，所述置信区间还包括与所述县级在线用户预测数对应的第三置信区间，所述根据所述市级在线用户预测数以及所述第二置信区间进行市级的网络故障处理，生成针对所述目标区域的网络检测结果，包括：若所述市级在线用户预测数落入所述第二置信区间，则生成针对所述目标区域的网络正常结果，并取消所述省级骤降告警结果；若所述市级在线用户预测数小于所述第二置信区间的下限值，则生成针对所述目标区域的市级骤降告警结果，并根据所述县级在线用户预测数以及所述第三置信区间进行县级的网络故障处理，生成针对所述目标区域的网络检测结果，所述市级骤降告警结果为目标区域在市级层面上在线用户数骤降导致网络异常的结果。4.根据权利要求3所述的方法，其特征在于，所述在线用户预测数还包括营服在线用户预测数，所述置信区间还包括与所述营服在线用户预测数对应的第四置信区间，所述根据所述县级在线用户预测数以及所述第三置信区间进行县级的网络故障处理，生成针对所述目标区域的网络检测结果，包括：若所述县级在线用户预测数落入所述第三置信区间，则生成针对所述目标区域的网络正常结果，并取消所述市级骤降告警结果；若所述县级在线用户预测数小于所述第三置信区间的下限值，则生成针对所述目标区域的县级骤降告警结果，并根据所述营服在线用户预测数以及所述第四置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，所述县级骤降告警结果为目标区域在县级层面上在线用户数骤降导致网络异常的结果。5.根据权利要求4所述的方法，其特征在于，所述在线用户预测数还包括设备在线用户
预测数，所述置信区间还包括与所述设备在线用户预测数对应的第五置信区间，所述根据所述营服在线用户预测数以及所述第四置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，包括：若所述营服在线用户预测数落入所述第四置信区间，则生成针对所述目标区域的网络正常结果，并取消所述县级骤降告警结果；若所述营服在线用户预测数小于所述第四置信区间的下限值，则生成针对所述目标区域的营服级骤降告警结果，并根据所述设备在线用户预测数以及所述第五置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，所述营服骤降告警结果为目标区域在营业服务厅层面上在线用户数骤降导致网络异常的结果。6.根据权利要求5所述的方法，其特征在于，所述根据所述设备在线用户预测数以及所述第五置信区间进行营服的网络故障处理，生成针对所述目标区域的网络检测结果，包括：若所述设备在线用户预测数落入所述第五置信区间，则生成针对所述目标区域的网络正常结果，并取消所述营服骤降告警结果；将位于所述目标区域中，且设备在线用户预测数小于所述第五置信区间的下限值的网络设备作为异常设备，生成针对所述异常设备的设备骤降告警结果，所述设备骤降告警结果为目标区域在设备层面上在线用户数骤降导致网络异常的结果。7.根据权利要求6所述的方法，其特征在于，所述根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，还包括：若所述省级在线用户预测数大于所述第一置信区间的上限值，则生成针对所述目标区域的省级骤升告警结果，所述省级骤升告警结果为目标区域在省级层面上在线用户数骤升导致网络异常的结果；若所述市级在线用户预测数大于所述第二置信区间的上限值，则生成针对所述目标区域的市级骤升告警结果，所述市级骤升告警结果为目标区域在市级层面上在线用户数骤升导致网络异常的结果；若所述县级在线用户预测数大于所述第三置信区间的上限值，则生成针对所述目标区域的县级骤升告警结果，所述县级骤升告警结果为目标区域在县级层面上在线用户数骤升导致网络异常的结果；若所述营服在线用户预测数大于所述第四置信区间的上限值，则生成针对所述目标区域的营服骤升告警结果，所述营服骤升告警结果为目标区域在营业服务厅层面上在线用户数骤升导致网络异常的结果；若所述设备在线用户预测数大于所述第五置信区间的上限值，则生成针对所述目标区域的设备骤升告警结果，所述设备骤升告警结果为目标区域在设备层面上在线用户数骤升导致网络异常的结果。8.根据权利要求1-7任一项所述的方法，其特征在于，所述用户数量预测模型通过如下方式生成：获取训练样本数据，所述训练样本数据包括第一时间段内的第一历史时序数据以及至少一个第二时间段内的第二历史时序数据；将所述第一历史时序数据输入用户数量预测模型进行模型训练，获得与所述第一历史
时序数据对应的预测数据，所述预测数据包括所述第一时间段对应的第一在线用户数；获取所述第二历史时序数据对应的第二在线用户数；将所述第一在线用户数与所述第二在线用户数进行方差运算，获得对应的方差，并基于所述方差对所述用户数量预测模型进行参数调整，直至所述方差小于或等于预设阈值，结束对所述用户数量预测模型的训练，获得训练完成的用户数量预测模型。9.根据权利要求8所述的方法，其特征在于，所述用户数量预测模型包括时序编码器、时序解码器以及自相关函数，所述将所述第一历史时序数据输入用户数量预测模型进行模型训练，获得与所述第一历史时序数据对应的预测数据，包括：将所述第一历史时序数据输入用户数量预测模型，通过所述时序编码器对所述第一历史时序数据进行编码，输出与所述第一历史时序数据对应的过去周期项信息；根据所述自相关函数对所述过去周期项信息进行处理，获得全局周期项信息；将所述全局周期项信息输入所述时序解码器进行解码，获得与所述第一历史时序数据对应的预测数据。10.根据权利要求9所述的方法，其特征在于，所述时序编码器包括若干个时序编码层，所述用户数量预测模型还包括分解函数以及前馈网络，所述根据所述自相关函数对所述过去周期项信息进行处理，获得全局周期项信息，包括：针对第l个时序编码层，通过所述自相关函数对所述过去周期项信息进行运算，获得相似周期子序列的带权和；通过所述分解函数对所述过去周期项信息和所述相似周期子序列的带权和之间的和值进行处理，获得编码一阶段周期项信息；通过所述前馈网络对所述过去周期项信息和所述编码一阶段周期项信息之间的和值进行处理，获得编码二阶段周期项信息；将所述编码二阶段周期项信息作为全局周期项信息传递至所述时序解码器或第l+1个时序编码层。11.根据权利要求10所述的方法，其特征在于，所述时序解码器包括若干个时序解码层，所述全局周期项信息包括季节性信息以及趋势性信息，所述将所述全局周期项信息输入所述时序解码器进行解码，获得与所述第一历史时序数据对应的预测数据，包括：针对第n层时序解码层，通过所述自相关函数对所述季节性信息进行相加，并通过所述分解函数对和值结果进行分解，获得与所述季节性信息对应的解码一阶段周期项信息；通过所述自相关函数对所述解码一阶段周期项信息与所述过去周期项信息进行处理，获得全局历史信息加权和；通过所述分解函数对所述全局历史加权和与所述季节性信息之间的和值进行分解，获得解码二阶段周期项信息；通过所述前馈网络对所述季节性信息和所述解码二阶段周期项信息之间的和值进行处理，获得解码三阶段周期项信息；通过所述分解函数对所述趋势性信息进行三次分解，并对三次分解的结果进行加权聚合，获得趋势加权信息；将所述解码三阶段周期项信息以及所述趋势加权信息传递至第n+1层时序解码层，并通过最后一层时序解码层输出与所述第一历史时序数据对应的预测数据。
12.一种网络的检测装置，其特征在于，包括：时序数据获取模块，用于获取目标区域中各个检测区域等级对应的实时时序数据；预测模块，用于将所述实时时序数据输入用户数量预测模型，获得各个所述检测区域等级对应的在线用户预测数以及置信区间；检测模块，用于根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，所述网络检测结果包括所述目标区域网络正常，或所述目标区域中至少存在一个所述检测区域等级的网络异常。13.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行存储器上所存放的程序时，实现如权利要求1-11任一项所述的方法。14.一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-11任一项所述的方法。

技术总结
本发明实施例提供了一种网络的检测方法、装置、电子设备及存储介质，应用于网络通信技术领域，所述方法包括：获取目标区域中各个检测区域等级对应的实时时序数据；将所述实时时序数据输入用户数量预测模型，获得各个所述检测区域等级对应的在线用户预测数以及置信区间；根据各个所述检测区域等级对应的在线用户预测数以及置信区间进行网络故障处理，生成针对所述目标区域的网络检测结果，所述网络检测结果包括所述目标区域网络正常，或所述目标区域中至少存在一个所述检测区域等级的网络异常。常。常。


技术研发人员：郑振宇 黄雪伟 郑博 林妍 邹晓聪 刘弢 郦敏懿 梁慧 何志伟
受保护的技术使用者：中国电信股份有限公司
技术研发日：2023.07.04
技术公布日：2023/9/25