指标优化方法及服务器、计算机可读存储介质与流程

阅读：评论：0

1.本发明实施例涉及但不限于人工智能技术领域，尤其涉及一种指标优化方法及服务器、计算机可读存储介质。

背景技术：

2.随着社会不断发展，目前各国陆续出台了一系列数据保护法律法规，旨在保护公民与企业数据隐私，可见对用户数据的保护以及数据的安全性需求将成为未来的不可逆趋势。由于不同地区的数据不能随意转移，因此这些法律法规的建立在不同程度上对人工智能传统的数据处理模式提出了新的挑战。目前，电信运营商的运维人员对网管系统需要持续的观察关键的性能指标，并进行相关性能指标的优化，通常而言，影响性能指标的操作有很多，例如，规避内部或外部干扰、修改邻区配置以及修改工程参数配置等，这些操作都会记录在日志信息中，相关技术中的性能指标优化，即根据这些操作来构造一套算法模型以进行指标优化，但是实际优化效果很一般，性能指标优化成功率相对较低。

技术实现要素：

3.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
4.本发明实施例提供了一种指标优化方法及服务器、计算机可读存储介质，能够提高性能指标优化成功率。
5.第一方面，本发明实施例提供了一种指标优化方法，应用于第一服务器，所述方法包括：
6.获取由各个第二服务器分别加密发送的与第一性能指标对应的第一优化结果和业务特征，其中，所述第一优化结果为由所述第二服务器的第一日志信息确定，所述第一日志信息携带有所述第一性能指标从异常状态恢复到正常状态的过程中的操作特征，所述业务特征用于表征执行所述操作特征的环境信息，所述第一优化结果包括针对所述第一性能指标的第一优化模型；
7.以所有所述第一优化结果和所有所述业务特征作为输入数据而构建联邦学习模型，并根据所述联邦学习模型确定第二优化模型；
8.向各个所述第二服务器分别加密发送所述第二优化模型，以使各个所述第二服务器根据所述第二优化模型更新所述第一优化模型。
9.第二方面，本发明实施例还提供了一种指标优化方法，应用于第二服务器，所述第二服务器设置有多个，所述方法包括：
10.获取第一日志信息和业务特征，所述第一日志信息携带有第一性能指标从异常状态恢复到正常状态的过程中的操作特征，所述业务特征用于表征执行所述操作特征的环境信息；
11.根据所述操作特征确定与所述第一性能指标对应的第一优化结果，所述第一优化
结果包括针对所述第一性能指标的第一优化模型；
12.向第一服务器加密传输所述第一优化结果和所述业务特征，以使所述第一服务器根据联邦学习模型确定第二优化模型，所述联邦学习模型为由所述第一服务器以多个所述第二服务器分别发送的所述第一优化结果和所述业务特征作为输入数据而构建；
13.接收由所述第一服务器加密发送的所述第二优化模型，并根据所述第二优化模型更新所述第一优化模型。
14.第三方面，本发明实施例还提供了一种服务器，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计算机程序时实现如上所述第一方面的指标优化方法。
15.第四方面，本发明实施例还提供了一种服务器，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计算机程序时实现如上所述第二方面的指标优化方法。
16.第五方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述第一方面的指标优化方法，或者，执行如上所述第二方面的指标优化方法。
17.本发明实施例包括：应用于第一服务器的指标优化方法，包括获取由各个第二服务器分别加密发送的与第一性能指标对应的第一优化结果和业务特征，其中，第一优化结果为由第二服务器的第一日志信息确定，第一日志信息携带有第一性能指标从异常状态恢复到正常状态的过程中的操作特征，业务特征用于表征执行操作特征的环境信息，第一优化结果包括针对第一性能指标的第一优化模型；以所有第一优化结果和所有业务特征作为输入数据而构建联邦学习模型，并根据联邦学习模型确定第二优化模型；向各个第二服务器分别加密发送第二优化模型，以使各个第二服务器根据第二优化模型更新第一优化模型。根据本发明实施例提供的方案，通过获取由各个第二服务器发送的第一优化结果和业务特征，使得在确定的第一优化结果的基础上结合业务特征而构建联邦学习模型，从而基于联邦学习模型可以得到相比第一优化模型具有更高精确度的第二优化模型，相比于相关技术，能够在不泄露或转移数据的条件下进行性能指标优化，安全性更高，并通过向各个第二服务器分别发送第二优化模型，使得各个第二服务器根据第二优化模型更新第一优化模型，从而能够提高第二服务器的性能指标优化成功率。
18.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
19.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
20.图1是本发明一个实施例提供的用于执行指标优化方法的网络拓扑的示意图；
21.图2是本发明一个实施例提供的指标优化方法的流程图；
22.图3是本发明一个实施例提供的操作特征的示意图；
23.图4是本发明一个实施例提供的业务特征的示意图；
24.图5是本发明另一个实施例提供的指标优化方法的流程图；
25.图6是本发明一个实施例提供的指标优化方法中确定第一优化结果的流程图；
26.图7是本发明一个实施例提供的指标优化方法中传输第一优化结果和业务特征的流程图；
27.图8是本发明一个实施例提供的服务器的示意图；
28.图9是本发明另一个实施例提供的服务器的示意图。
具体实施方式
29.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
30.需要注意的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
31.本发明提供了一种指标优化方法及服务器、计算机可读存储介质，通过获取由各个第二服务器发送的第一优化结果和业务特征，使得在确定的第一优化结果的基础上结合业务特征而构建联邦学习模型，从而基于联邦学习模型可以得到相比第一优化模型具有更高精确度的第二优化模型，相比于相关技术，能够在不泄露或转移数据的条件下进行性能指标优化，安全性更高，并通过向各个第二服务器分别发送第二优化模型，使得各个第二服务器根据第二优化模型更新第一优化模型，从而能够提高第二服务器的性能指标优化成功率。
32.下面结合附图，对本发明实施例作进一步阐述。
33.如图1所示，图1是本发明一个实施例提供的用于执行指标优化方法的网络拓扑的示意图。
34.在图1的示例中，该网络拓扑包括但不限于：第一服务器100和第二服务器200，其中，第一服务器100可以设置为一个，第二服务器200可以设置为多个，每个第二服务器200可以设置在不同的国家、地区以及区域等，且每个第二服务器200与第一服务器100之间可以通过内网交换机300进行连接，该网络可以是无线网络，例如，在条件下的无线通信网络，也可以是有线网络等，这并未限制。
35.在一实施例中，第二服务器200可以但不限于用于监控用户数据以及对用户数据中的相关指标进行性能优化，其中，用户数据的来源并不限定，理论上第二服务器200只要能够获取到用户数据即可，例如，参照图1，每个第二服务器200均通过相应的交换机与地区网管系统400连接，即，每个第二服务器200能够从相应的地区网管系统400获取第一日志信息，从而根据第一日志信息得到相应的地区网管系统400的用户数据，因此，通过第二服务器200可以实现网管性能指标优化，或者，不局限于地区网管系统400，若第二服务器200所在区域的用户数据存在安全、隐私或异常问题，则第二服务器200也可以对该用户数据进行性能优化，换言之，第二服务器200所获取的用户数据的来源可以不限制。
36.在一实施例中，第一服务器100作为联邦学习的核心，可以通过加密机制下的参数
交换方式，即，在不违反数据隐私法规的情况下，基于从各个第二服务器200获取的数据信息建立一个虚拟的共有模型，相应地，联邦学习的置信度模型则部署在各个第二服务器200上作为工作节点，各个第二服务器200根据联邦学习的置信度模型进行性能指标优化，在这个过程中，不会泄露任何私有数据，具有较高的安全性，其中，联邦学习(federated learning)是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模,以一个基本例子简要说明其功能原理：
37.假设有两个不同且不相关的企业1和企业2,它们拥有不同数据，比如,企业1配置有用户特征数据，企业2配置有产品特征数据和标注数据，根据相关数据法规，这两个企业各自的数据不能简单地直接加以合并。考虑解决上述问题，一种手段为双方各自建立一个任务模型,每个任务模型可以是分类模型或预测模型,而这些任务模型可以在获得数据时受到各自企业的用户的认可,但出现了新的问题，即，如何在企业1和企业2各自一侧分别建立高质量的模型。采用联邦学习系统即可以解决这个问题，在各个企业的自有数据不出本地的情况下,联邦学习系统可以通过加密机制下的参数交换方式,即在不违反数据隐私法规情况下,建立一个虚拟的共有模型，该虚拟模型相当于将企业1和企业2各自的数据聚合在一起，但是在建立虚拟模型的时候,企业1和企业2各自的数据本身不移动,因此并不会泄露隐私和影响数据合规,在这样的联邦学习机制下，建好的模型在企业1和企业2各自的区域仅为本地的目标服务，从而确保每个企业的数据在使用时不会受到影响。
38.在一实施例中，用户数据即终端数据，其中，终端可以设置为多个，各个终端均可以称为接入终端、用户设备(user equipment，ue)、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、无线通信设备、用户代理或用户装置。例如，各个终端均可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol，sip)电话、无线本地环路(wireless local loop，wll)站、个人数字处理(personal digital assistant，pda)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备、5g网络或者未来5g以上网络中的终端设备等，本实施例对此并不作具体限定。
39.第一服务器100和第二服务器200均可以分别包括有存储器和处理器，其中，存储器和处理器可以通过总线或者其他方式连接。
40.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
41.本发明实施例描述的网络拓扑以及应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域技术人员可知，随着网络拓扑的演变和新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
42.本领域技术人员可以理解的是，图1中示出的网络拓扑并不构成对本发明实施例的限定，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。
43.在图1所示的网络拓扑中，第一服务器100和第二服务器200可以分别调用其储存的性能指标优化程序，以执行指标优化方法。
44.基于上述网络拓扑的结构，提出本发明的指标优化方法的各个实施例。
45.如图2所示，图2是本发明一个实施例提供的指标优化方法的流程图，可以但不限于应用于如图1实施例所示的网络拓扑中的第一服务器，该指标优化方法包括但不限于步骤s100至s300。
46.步骤s100:获取由各个第二服务器分别加密发送的与第一性能指标对应的第一优化结果和业务特征，其中，第一优化结果为由第二服务器的第一日志信息确定，第一日志信息携带有第一性能指标从异常状态恢复到正常状态的过程中的操作特征，业务特征用于表征执行操作特征的环境信息，第一优化结果包括针对第一性能指标的第一优化模型。
47.在一实施例中，通过获取由各个第二服务器发送的第一优化结果和业务特征，以之作为构建联邦学习模型的基础数据，以便于在后续的步骤中实现构建联邦学习模型。
48.需要说明的是，第一性能指标不是唯一确定的，可以根据实际场景进行选择，例如，在网络参数配置场景下，想要了解网络配置情况，因此相对较为关注网络邻区情况，在这种情景下，则确定网络邻区指标为第一性能指标，进而对网络邻区指标进行进一步地分析处理；第一日志信息可以由第二服务器实时获取，也可以由第二服务器预先获取并进行存储，根据前述关于网络拓扑的实施例可知，第一日志信息的载体可以为多种，例如，可以是网管系统、业务系统等，这并未限制。
49.在一实施例中，第一日志信息携带有第一性能指标从异常状态恢复到正常状态的过程中的操作特征，由于该操作特征伴随着第一性能指标的状态变更过程，因此，可以认为该操作特征对于第一性能指标的优化有影响，因此，可以基于该操作特征来进一步地确认与第一性能指标对应的第一优化结果。
50.可以理解地是，操作特征可以对应于第一性能指标从异常状态恢复到正常状态的过程中的全部操作特征，也可以对应于第一性能指标从异常状态恢复到正常状态的过程中的部分操作特征，这并未限制。
51.在一实施例中，如图3所示，第一日志信息以存储列表形式保存有操作特征的记录，操作特征包括如下类型中的至少一种：
52.与第一性能指标对应的网元，记为neid；
53.与第一性能指标对应的对象，记为object；
54.针对第一性能指标执行操作的名称，记为operation name；
55.第一性能指标从异常状态恢复到正常状态前的数值,记为before value；
56.第一性能指标从异常状态恢复到正常状态后的数值,记为modify value；
57.针对第一性能指标执行操作的结果,记为result。
58.需要说明的是，在上述操作特征的各种类型中，网元和对象体现了第一性能指标的作用目标，针对第一性能指标执行操作的名称和结果体现了操作特征的具体含义，而第一性能指标从异常状态恢复到正常状态之前和之后的数值可以体现操作特征的作用程度，因此，通过操作特征可以表征对于第一性能指标造成的操作影响，因此，第一优化结果可以基于操作特征来进一步地确定，显然地，在不同的应用场景下，针对不同的性能指标，所对应的操作特征也可能是不同的，本实施例并未对其限制。
59.在一实施例中，第一优化结果包括针对第一性能指标的第一优化模型，还包括如下类型中的至少一种：
60.针对第一性能指标的预测优化成功率；
61.针对第一性能指标的实际优化成功率；
62.与预测优化成功率对应的置信度。
63.其中，针对第一性能指标，预测优化成功率为将相关特征参数输入到第一优化模型后而计算得到的预测优化成功率，其区别于实际优化成功率，通过比较两者之间的差异可以确定第一优化模型的精确程度；与预测优化成功率对应的置信度，可以表征达到预测优化成功率的可能性，即，对预测优化成功率进行区间估计，能够体现预测优化结果的稳定性，因此考虑置信度作为第一优化结果中的一项内容。
64.可以理解地是，第一优化结果还可以包括但不限于其他类型，比如提及到的作为样本的相关特征参数、优化过程中涉及到的其他参数等，这并未限制。
65.步骤s200:以所有第一优化结果和所有业务特征作为输入数据而构建联邦学习模型，并根据联邦学习模型确定第二优化模型。
66.在一实施例中，由于所有第一优化结果和所有业务特征均是加密传输到第一服务器的，这确保了所有第一优化结果和所有业务特征的数据安全性，使得第一服务器根据这些加密数据而得到安全稳定的第二优化模型。
67.在一实施例中，业务特征用于表征执行操作特征的环境信息，体现环境信息对于操作特征的影响，由于操作特征能够影响从异常状态恢复到正常状态的过程中的第一性能指标，因此，环境信息也能够间接地影响到第一性能指标的优化，所以在第一优化结果的基础上，进一步地以第一优化结果和业务特征作为输入数据而构建联邦学习模型，可以进一步地体现业务特征对于第一性能指标优化的影响，即能够基于联邦学习模型确定具有更高精确度的第二优化模型。
68.需要说明的是，不同的第二服务器所对应的业务特征互不影响，即，不同的第二服务器所对应的业务特征可能相同，也可能不相同，这是根据第二服务器的本地情况决定的。
69.在一实施例中，环境信息可以是多元化的，即，所有影响于操作特征的其他因素均可以被看做是环境信息。
70.示例一
71.参照图4，以列表的形式示出了业务特征可能的不同类型的记录参数，可以理解地是，作为网络节点的，由于所提供的通信网络可能会影响到操作特征的执行，因此可以将的相关参数作为业务特征，用以表征相应的环境信息，例如，业务特征可以但不限于为所在经度、所在纬度、天线角度、海拔高度和正常运行时间长度等的一种或多种；或者，考虑网管系统自身的规模容量影响，当网管系统的规模较小时，可能会影响到操作特征的执行速度和流畅程度，即，业务特征还可以但不限于为网管或地区的规模、地区人口密度和小区与邻区的比例等的一种或多种。
72.步骤s300:向各个第二服务器分别加密发送第二优化模型，以使各个第二服务器根据第二优化模型更新第一优化模型。
73.在一实施例中，通过向各个第二服务器分别发送第二优化模型，使得各个第二服务器根据第二优化模型更新第一优化模型，从而能够在不泄露或转移数据的条件下进行性
能指标优化，安全性更高，也能够提高第二服务器的性能指标优化成功率。
74.在一实施例中，由于第二优化模型是经过联邦学习而得到的，因此第二优化模型相当于是基于不同的第二服务器的不同数据以整合得到的，能够符合不同的第二服务器的性能指标优化条件，结合前述实施例可知，不同的第二服务器仅为本地的目标数据服务，因此即使接收到第二优化模型，也不会对本地的第二服务器的性能指标优化产生干扰影响。
75.示例二
76.本发明实施例提供的指标优化方法的流程可以是：
77.假设存在两个第二服务器(记为a和b)，在确定a和b的情况下，a和b分别从相应的第一日志信息中提取出操作特征并确认得到第一优化结果，并分别将各自的操作特征和第一优化结果加密发送到对应的中间节点(第一中间节点对应于a，第二中间节点对应于b)，例如交换机、中转站等(可以是如图1中实施例所示的内网交换机)，同时将各自获取到的对应业务特征加密发送至相应的中间节点，然后第一服务器从第一中间节点和第二中间节点分别获取操作特征、第一优化结果和业务特征，并以所获取到的第一优化结果和业务特征作为输入数据而构建联邦学习模型，并根据联邦学习模型确定第二优化模型，最终第一服务器通过第一中间节点和第二中间节点分别向a和b对应返回第二优化模型，使得a和b分别根据第二优化模型更新第一优化模型，从而提高a和b的性能指标优化成功率。
78.可以理解地是，步骤s100至s300是动态可循环执行的，即，各个第二服务器根据第二优化模型不断更新第一优化模型，并基于更新后的优化模型重新确定优化结果和业务特征，使得第一服务器持续地以所有第一优化结果和所有业务特征作为输入数据而构建联邦学习模型，并根据联邦学习模型确定不断优化的第二优化模型。
79.此外，在上述过程中，根据各个第二服务器在不同条件下所确定的优化结果的差异，可以进一步地对应确定业务特征的影响程度，从而决定是否仍以上一次的业务特征进行加密发送，例如，第一优化结果中的预测优化成功率为79％，在经过第二优化模型更新第一优化模型之后，在原有的业务特征的基础上新增一个业务特征，在这种情况下，第二次获取到的更新后的第一优化结果的预测优化成功率为85％，则可以推断加入的新的业务特征对于提高预测优化成功率有着显著地影响，因此可以在以后的性能指标优化过程中，保留新添加的业务特征，类似地，若经过调整业务特征之后，第一优化结果的预测优化成功率反而相对降低，则可以选择剔除相应的业务特征。
80.如图5所示，图5是本发明另一个实施例提供的指标优化方法的流程图，该指标优化方法可以应用于如图1所示实施例中的网络拓扑中的第二服务器，第二服务器设置为多个，该方法包括但不限于步骤s400至s700。
81.步骤s400:获取第一日志信息和业务特征，第一日志信息携带有第一性能指标从异常状态恢复到正常状态的过程中的操作特征，业务特征用于表征执行操作特征的环境信息；
82.在一实施例中，通过获取第一日志信息和业务特征，可以确定与第一性能指标从异常状态恢复到正常状态的过程中的操作特征，以及该操作特征在执行条件下的环境信息，从而可以基于操作特征和环境信息在后续的步骤中实现构建联邦学习模型。
83.在一实施例中，操作特征包括如下类型中的至少一种：
84.与第一性能指标对应的网元；
85.与第一性能指标对应的对象；
86.针对第一性能指标执行操作的名称；
87.第一性能指标从异常状态恢复到正常状态前的数值；
88.第一性能指标从异常状态恢复到正常状态后的数值；
89.针对第一性能指标执行操作的结果。
90.需要说明的是，本实施例中的操作特征与上述如图3所示实施例的操作特征，具有相同的技术原理以及相同的技术效果，关于本实施例的技术原理以及技术效果，可以参照上述如图3所示实施例中的相关描述说明，为了避免内容重复冗余，此处不再赘述。
91.步骤s500:根据操作特征确定与第一性能指标对应的第一优化结果，第一优化结果包括针对第一性能指标的第一优化模型。
92.在一实施例中，第一日志信息携带有第一性能指标从异常状态恢复到正常状态的过程中的操作特征，由于该操作特征伴随着第一性能指标的状态变更过程，因此，可以认为该操作特征对于第一性能指标的优化有影响，因此，可以基于该操作特征来进一步地确认与第一性能指标对应的第一优化结果。
93.在一实施例中，第一优化结果包括针对第一性能指标的第一优化模型，还包括如下类型中的至少一种：
94.针对第一性能指标的预测优化成功率；
95.针对第一性能指标的实际优化成功率；
96.与预测优化成功率对应的置信度。
97.可以理解地是，第一优化结果还可以包括但不限于其他类型，比如作为样本的相关特征参数、优化过程中涉及到的其他参数等，这并未限制。
98.在图6的示例中，在操作特征为多个，第一日志信息还包括指标影响特征，指标影响特征用于表征多个操作特征之间的相关性的情况下，步骤s500包括但不限于步骤s510至s520。
99.步骤s510:根据指标影响特征从各个操作特征中确定具有相关性的多个操作特征；
100.步骤s520:根据具有相关性的多个操作特征确定与第一性能指标对应的第一优化结果。
101.在一实施例中，当操作特征为多个，则意味着可能出现同时执行不同的操作特征，在这种情况下，若不同操作特征之间的配合效果更好，则有利于对第一性能指标进行更准确地优化，因此，引入了指标影响特征这一概念，可以通过指标影响特征确定多个操作特征之间的相关性，从而将具有相关性的多个操作特征提取出来配合执行，可以免除不相关的操作特征的影响，使得操作特征的执行效果将会更加良好，其中，指标影响特征可以通过采样统计而确定，可以以相关系数或等级的形式进行表示，在判断时可以设置阈值来选出相关的操作特征，例如，针对图3所示实施例提供的操作特征，若指标影响特征表征网元出现次数与操作对象、操作结果之间的相关系数，同时预设一个相关系数阈值，当相关系数不小于相关系数阈值，则可以判定网元、操作对象和操作结果之间的相关程度较高，可确定网元、操作对象和操作结果为一组相关操作特征，进而根据具有相关性的网元、操作对象和操作结果确定与第一性能指标对应的第一优化结果。
102.在一实施例中，针对所选择的多个操作特征进行指标优化预测时，通过将网元、操作对象和操作结果作为输入数据提供给第一优化模型，第一优化模型则会相应记录与输入信息相关的内容，并输出针对第一性能指标的预测优化成功率，基于以上信息则可以确定第一优化结果的全部内容。
103.步骤s600:向第一服务器加密传输第一优化结果和业务特征，以使第一服务器根据联邦学习模型确定第二优化模型，联邦学习模型为由第一服务器以多个第二服务器分别发送的第一优化结果和业务特征作为输入数据而构建；
104.在一实施例中，通过向第一服务器加密传输第一优化结果和业务特征，确保了所有第一优化结果和所有业务特征的数据安全性，使得第一服务器所确定的第二优化模型具有数据安全性，同时由于将业务特征与第一优化结果实现配合传输，即，以第一优化结果和业务特征作为输入数据而构建联邦学习模型，可以进一步地体现业务特征对于第一性能指标优化的影响，即能够基于联邦学习模型确定具有更高精确度的第二优化模型。
105.在图7的示例中，步骤s600包括但不限于步骤s610至步骤s620。
106.步骤s610:根据第一优化结果和业务特征确定与第一优化结果和业务特征对应的第一梯度。
107.步骤s620:向第一服务器加密传输第一梯度。
108.在一实施例中，由于梯度作为一个向量参数，其既表征大小也表征方向，因此梯度作为数据参数具有可靠的稳定性，因此，采用第一梯度来承载第一优化结果和业务特征，可以简化传输难度，当其经过加密传输至第一服务器之后，第一服务器可以还原第一梯度而得到原来的第一优化结果和业务特征，较为方便可靠。
109.需要说明的是，上述各实施例中的加密所对应的具体手段并不限定，例如差异隐私化、秘密共享等，可以根据实际应用场景自行设置。
110.步骤s700：接收由第一服务器加密发送的第二优化模型，并根据第二优化模型更新第一优化模型。
111.在一实施例中，通过接收第二优化模型，从而可以根据第二优化模型更新第一优化模型，从而能够在不泄露或转移数据的条件下进行性能指标优化，安全性更高，也能够提高第二服务器的性能指标优化成功率。
112.另外，该指标优化方法可以应用于如图1所示实施例中的网络拓扑中的第二服务器和第一服务器，该方法包括但不限于步骤s800至s1200。
113.步骤s800:第二服务器获取第一日志信息和业务特征，第一日志信息携带有第一性能指标从异常状态恢复到正常状态的过程中的操作特征，业务特征用于表征执行操作特征的环境信息；
114.步骤s900:第二服务器根据操作特征确定与第一性能指标对应的第一优化结果，并向第一服务器加密传输第一优化结果和业务特征，第一优化结果包括针对第一性能指标的第一优化模型；
115.步骤s1000:第一服务器以所有第二服务器的第一优化结果和业务特征作为输入数据而构建联邦学习模型，并根据联邦学习模型确定第二优化模型；
116.步骤s1100:向第二服务器加密发送第二优化模型。
117.步骤s1200:第二服务器根据第二优化模型更新第一优化模型。
118.需要说明的是，本实施例中的步骤s800至s1200与上述如图2所示实施例的步骤s100至s300以及如图5所示实施例的步骤s400至s700，具有相同的技术原理以及相同的技术效果，不同实施例之间的区别在于执行主体不同，其中，上述如图2所示实施例的执行主体为第一服务器，上述如图5所示实施例的执行主体为第二服务器，而本实施例的执行主体为第一服务器和第二服务器。关于本实施例的技术原理以及技术效果，可以参照上述如图2和图5所示实施例中的相关描述说明，为了避免内容重复冗余，此处不再赘述。
119.另外，参照图8，本发明的一个实施例还提供了一种服务器，该服务器包括：第一存储器、第一处理器及存储在第一存储器上并可在第一处理器上运行的计算机程序。
120.第一处理器和第一存储器可以通过第一总线或者其他方式连接。
121.需要说明的是，本实施例中的服务器，可以应用为例如图1所示实施例中的第一服务器，本实施例中的服务器能够构成例如图1所示实施例中的网络拓扑的一部分，这些实施例均属于相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。
122.实现上述实施例的指标优化方法所需的非暂态软件程序以及指令存储在第一存储器中，当被第一处理器执行时，执行上述各实施例的指标优化方法，例如，执行以上描述的图2中的方法步骤s100至s300。
123.另外，参照图9，本发明的一个实施例还提供了一种服务器，该服务器包括：第二存储器、第二处理器及存储在第二存储器上并可在第二处理器上运行的计算机程序。
124.第二处理器和第二存储器可以通过第二总线或者其他方式连接。
125.需要说明的是，本实施例中的服务器，可以应用为例如图1所示实施例中的第二服务器，本实施例中的服务器能够构成例如图1所示实施例中的网络拓扑的一部分，这些实施例均属于相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。
126.实现上述实施例的指标优化方法所需的非暂态软件程序以及指令存储在第二存储器中，当被第二处理器执行时，执行上述各实施例的指标优化方法，例如，执行以上描述的图5中的方法步骤s400至s700、图6中的方法步骤s510至s520或图7中的方法步骤s610至s620。
127.另外，本发明的一个实施例还提供了一种网络节点，该网络节点包括：第三存储器、第三处理器及存储在第三存储器上并可在第三处理器上运行的计算机程序。
128.第三处理器和第三存储器可以通过第三总线或者其他方式连接。
129.需要说明的是，本实施例中的网络节点，可以应用为例如图1所示实施例中的第一服务器和第二服务器，本实施例中的网络节点能够构成例如图1所示实施例中的网络拓扑的一部分，这些实施例均属于相同的发明构思，因此这些实施例具有相同的实现原理以及技术效果，此处不再详述。
130.实现上述实施例的指标优化方法所需的非暂态软件程序以及指令存储在第三存储器中，当被第三处理器执行时，执行上述各实施例的指标优化方法，例如，执行以上描述的方法步骤s800至s1200。
131.以上所描述的装置实施例仅仅是示意性的，其中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，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。
132.此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个第一处理器、第二处理器、第三处理器或控制器执行，例如，被上述设备实施例中的一个第一处理器、第二处理器或第三处理器执行，可使得上述第一处理器、第二处理器或第三处理器执行上述实施例中的指标优化方法，例如，执行以上描述的图2中的方法步骤s100至s300，或者，执行以上描述的图5中的方法步骤s400至s700、图6中的方法步骤s510至s520或图7中的方法步骤s610至s620，或者，执行以上描述的方法步骤s800至s1200。
133.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
134.以上是对本发明的较佳实施方式进行的具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

技术特征：

1.一种指标优化方法，应用于第一服务器，所述方法包括：获取由各个第二服务器分别加密发送的与第一性能指标对应的第一优化结果和业务特征，其中，所述第一优化结果为由所述第二服务器的第一日志信息确定，所述第一日志信息携带有所述第一性能指标从异常状态恢复到正常状态的过程中的操作特征，所述业务特征用于表征执行所述操作特征的环境信息，所述第一优化结果包括针对所述第一性能指标的第一优化模型；以所有所述第一优化结果和所有所述业务特征作为输入数据而构建联邦学习模型，并根据所述联邦学习模型确定第二优化模型；向各个所述第二服务器分别加密发送所述第二优化模型，以使各个所述第二服务器根据所述第二优化模型更新所述第一优化模型。2.根据权利要求1所述的指标优化方法，所述第一优化结果还包括如下类型中的至少一种：针对所述第一性能指标的预测优化成功率；针对所述第一性能指标的实际优化成功率；与所述预测优化成功率对应的置信度。3.根据权利要求1或2所述的指标优化方法，所述操作特征包括如下类型中的至少一种：与所述第一性能指标对应的网元；与所述第一性能指标对应的对象；针对所述第一性能指标执行操作的名称；所述第一性能指标从异常状态恢复到正常状态前的数值；所述第一性能指标从异常状态恢复到正常状态后的数值；针对所述第一性能指标执行操作的结果。4.一种指标优化方法，应用于第二服务器，所述第二服务器设置有多个，所述方法包括：获取第一日志信息和业务特征，所述第一日志信息携带有第一性能指标从异常状态恢复到正常状态的过程中的操作特征，所述业务特征用于表征执行所述操作特征的环境信息；根据所述操作特征确定与所述第一性能指标对应的第一优化结果，所述第一优化结果包括针对所述第一性能指标的第一优化模型；向第一服务器加密传输所述第一优化结果和所述业务特征，以使所述第一服务器根据联邦学习模型确定第二优化模型，所述联邦学习模型为由所述第一服务器以多个所述第二服务器分别发送的所述第一优化结果和所述业务特征作为输入数据而构建；接收由所述第一服务器加密发送的所述第二优化模型，并根据所述第二优化模型更新所述第一优化模型。5.根据权利要求4所述的一种指标优化方法，其特征在于，所述操作特征为多个，所述第一日志信息还包括指标影响特征，所述指标影响特征用于表征多个操作特征之间的相关性；所述根据所述操作特征确定与所述第一性能指标对应的第一优化结果，包括：
根据所述指标影响特征从各个所述操作特征中确定具有相关性的多个所述操作特征；根据具有相关性的多个所述操作特征确定与所述第一性能指标对应的第一优化结果。6.根据权利要求4所述的一种指标优化方法，其特征在于，所述向第一服务器加密传输所述第一优化结果和所述业务特征，包括：根据所述第一优化结果和所述业务特征确定与所述第一优化结果和所述业务特征对应的第一梯度；向第一服务器加密传输所述第一梯度。7.根据权利要求4所述的指标优化方法，所述第一优化结果还包括如下类型中的至少一种：针对所述第一性能指标的预测优化成功率；针对所述第一性能指标的实际优化成功率；与所述预测优化成功率对应的置信度。8.根据权利要求4或7所述的指标优化方法，所述操作特征包括如下类型中的至少一种：与所述第一性能指标对应的网元；与所述第一性能指标对应的对象；针对所述第一性能指标执行操作的名称；所述第一性能指标从异常状态恢复到正常状态前的数值；所述第一性能指标从异常状态恢复到正常状态后的数值；针对所述第一性能指标执行操作的结果。9.一种服务器，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3中任意一项所述的指标优化方法。10.一种服务器，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求4至8中任意一项所述的指标优化方法。11.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至3中任意一项所述的指标优化方法，或者，执行权利要求4至8中任意一项所述的指标优化方法。

技术总结

本发明提供了一种指标优化方法及服务器、计算机可读存储介质，其中，应用于第一服务器的方法，包括获取由各个第二服务器分别加密发送的第一优化结果和业务特征，第一优化结果为由第一日志信息确定，第一日志信息携带有第一性能指标从异常状态恢复到正常状态的过程中的操作特征，业务特征用于表征执行操作特征的环境信息，第一优化结果包括针对第一性能指标的第一优化模型；根据所有第一优化结果和所有业务特征构建联邦学习模型，并根据联邦学习模型确定第二优化模型；向各个第二服务器分别加密发送第二优化模型。本发明实施例中，能够提高第二服务器的性能指标优化成功率，且在不泄露或转移数据的条件下进行性能指标优化，安全性高。性高。性高。