HC2020 NAIE大咖面对面——岳大炯《网络KPI之时序预测与异常检测----在线自监督等学习机制与集成》

举报
就挺突然 发表于 2020/11/13 16:17:58 2020/11/13
【摘要】 HC2020 NAIE大咖面对面之《网络KPI之时序预测与异常检测----在线自监督等学习机制与集成》你将GET到:各种通讯系统中,大量的软硬件模块,出于业务、性能、故障等监控的目的,产生并采集了大量与时间相关的各种指标数据。 通讯网络中的数据,主要包含: 性能指标:时序数据,浮点数值告警数据:半结构化,半标准化,文本各种静态配置:形式不定 基于这些数据,可以实现各种能力,如预测,异常检测等...

HC2020 NAIE


《网络KPI之时序预测与异常检测----在线自监督等学习机制与集成》


你将GET到:


各种通讯系统中,大量的软硬件模块,出于业务、性能、故障等监控的目的,产生并采集了大量与时间相关的各种指标数据。

 

通讯网络中的数据,主要包含:

 

性能指标:时序数据,浮点数值

告警数据:半结构化,半标准化,文本

各种静态配置:形式不定

 

基于这些数据,可以实现各种能力,如预测,异常检测等,并提供为有价值的服务:比如基于预测实现:流量预测、用户预测辅助容量规划,设备节能,客户流失管理;基于异常预测实现:故障预警、故障发现、故障关联过滤,辅助修复等,减少业务损失和人力投入。

 

另外还有一类主要的数据:各种拓扑数据。

image.png

在通讯系统智能化的实践中,如果能有效利用拓扑数据,在各种应用场景,比如故障检测、关联、修复、根因分析,都非常有用。


 但是,拓扑数据在通讯系统中,可能是不同层的,偏底层/物理层的拓扑相对静态,而偏上层/逻辑层的拓扑可能快速动态变化。

 

这就需要我们对时序预测与异常检测有一定的了解:


什么是时序?

image.png

什么是时序预测(Time Series Prediction)?

image.png

时序预测,是根据一定长度历史时序,预测将来一步到多步的时间点的时序数值。


什么是时序异常检测(Time Series Anomaly Detection)

image.png

时序异常检测,是从一条或多条时序中,独立或者关联,识别出显著不同于其他大多数的少数疑似点。

乍看之下,时序数据的异常检测,输入数据形式简单,任务也很明确,一般情况输入的数量也很小,很容易设计各种算法来做异常检测,而且有不同类型的大量异常检测算法可以直接使用或者改进使用。

 

事实上,要实现一个(套)综合能力强大,能很好的适合通讯领域的要求的时序数据异常检测算法,挑战非常大。维护高度一致、实时,甚至多个历史版本的拓扑,其代价又很高。

 

这些挑战,有何策略可以应对或者缓解呢?

 

1)技术方案/算法,能够容忍一定程度的不一致;

2)对拓扑能做一定程度的抽象,不要过分依赖实例;

3)对于不一致性,可以采用推理后二次确认;

4)工程实现上,采用按需更新部分拓扑减少新代价等。

 

如果你对本话题感兴趣,欢迎莅临“华为2020全联接”,与专家面对面沟通交流。

也可直接在本文下方评论区留言提出你的问题、发表你的观点、阐述你的理解,我们将挑选高赞回答赠送《迁移学习》一本。



image.png


如果你有任何问题,欢迎在本帖回复

如果你想和大咖面对面交流,欢迎莅临HC2020华为全联结


时间:9月25日 或 9月26日

地点:上海·世博中心


【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。