CN100382509C - 无线网络中故障定位的方法 - Google Patents

Abstract

本发明公开了一种无线网络中故障定位的方法，该方法的核心为：当无线资源发生故障后，采用统计分析方法对与无线资源对象有关的异常原因的相对变异性进行量化，维护端根据量化结果及预定值确定主要异常原因并进行故障定位处理。采用本发明所述的方法，实现了采用固定方式自动化进行故障定位处理的目的，提高了故障定位的效率及准确性。

Description

无线网络中故障定位的方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种无线网络中故障定位的方法。

背景技术

无线通信网络(比如CDMA网络)接入侧设备运行环境复杂，变化多端，导致无线资源出现故障后表现形式多样，维护和定位十分困难。影响无线资源功能指标主要有以下几类原因：

引发无线资源异常的原因很多，故障现象交错，现有的故障定位处理包括两个方面：动态跟踪定位和静态数据分析。动态跟踪定位即在出现问题的设备环境进行针对性路测重现问题并采集系统数据。静态分析数据是对采集到的系统数据进行半自动化分析，使用数据浏览工具、结合以往处理经验对关注的数据和流程进行定位分析。但是由于系统采集到的数据与厂商设备相关，属于私有数据没有业界规范可以参考，所以现有的故障定位流程没有成熟的模型，这就迫切需要能够自动化实现的故障定位方法和手段。

目前，在日常运维场景中，通常是通过定期观测无线网络设备的性能指标进行系统级的性能分析，通过对关键指标的考量得知设备的运行概况，如从话务量、接入成功率、掉话率等指标可以知道网络设备各个层次的性能情况。

这种方式仅能定位到出现故障的对象信息，无法定位出现故障的原因。如已知某个小区话务量下降，可以进一步定位到是这个小区内哪些载频引起的话务量下降，但仅从话统数据就无法得知故障载频具体的故障原因。还可以通过相关告警数据来找到故障载频在话务量下降的时间段内出现过哪些告警，看是否有传输故障、设备故障、软件故障等，通过分析告警数据可以将故障定位细化到已经上报的告警类型。

这种故障定位方式是根据某段时间内，单个对象和故障的相关性来定位故障问题的，但是实际情况往往是多个对象有多种故障现象并存，多数故障是相关的，其变化趋势类似。如果仅从单个故障单个对象入手定位问题，效率很低，结论也只是片面性的。或许可以依赖经验消除部分相关性故障，但是流程无法固化，分析效率无法根本提高。

另外，在用户投诉和开局测试场景中，根据投诉的主被叫号等入口参数，可以通过设备运行相关信息记录对软件流程进行回溯分析，定位出现问题的环节。如分析无线设备的运行日志打印，可以得到相应呼叫流程出现异常的原因、相关环境参数、性能参数等情况。

这种故障定位方式仅能分析特定用户在业务上的单次异常情况，在一段时间内同一个用户终端出现的异常往往是多样的，而且异常原因值也会有相关性。仅基于单次异常的日志信息定位问题的方法不能有效的发现主要的异常原因，对相关性的异常定位效率很低，基于经验分析可以提高效率，但是难于固化，很难实现自动分析。

因此，不难看出现有的故障定位方法存在以下几个问题：

1、故障定位分析流程无法固化；

2、需要大量人为分析处理，工作量大，效率低；

3、故障定位分析具有局限性，无法准确地定位出故障对象及故障原因。

发明内容

鉴于上述现有技术所存在的问题，本发明的目的是提供一种无线网络中故障定位的方法，能够采用固定的方式自动化进行故障定位处理，减少了工作量，提高了故障定位的效率。

本发明的目的是通过以下技术方案实现的：

本发明提供了一种无线网络中故障定位的方法，当无线资源发生故障后包括如下步骤：

A1、量化与无线资源对象有关的各异常原因的变化程度；

A2、量化与无线资源对象有关的各异常原因的变化范围；

A3、根据所述各异常原因的变化程度和变化范围量化与无线资源对象有关的各异常原因间的相对变异性；

B、维护端将所述各异常原因的量化后的相对变异性分别与预定值进行比较，当某个异常原因的量化后的相对变异性大于预定值时，则将该异常原因确定为主要异常原因，并进行故障定位处理。

所述步骤A1具体包括：

A11、基于一个时间段统计与无线资源对象有关的各异常原因单位时间内出现的次数；

A12、将所述基于一个时间段统计的各异常原因单位时间内出现的次数作为一组数值序列，分别计算各组数值序列的变异系数Rcv，所述计算Rcv的公式为： $\mathrm{RCV}=\frac{\mathrm{Stdevp}}{\mathrm{Average}},$

其中，平均值 $\mathrm{Average}=\frac{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{m}_i}{n},$ 标准差 $\mathrm{Stdevp}=\sqrt{\frac{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(m_i-\mathrm{Average})}^2}{n}},$

m_i为与无线资源对象有关的异常原因单位时间内出现的次数；n代表时间段。

所述步骤A2具体包括：

将所述基于一个时间段统计的各异常原因单位时间内出现的次数作为一组数值序列，分别计算各组数值序列的全距Rg。

所述步骤A3具体包括：

A31、将所述计算出的Rcv作为一组数值序列计算其偏离系数；

A32、将所述计算出的Rg作为一组数值序列计算其偏离系数；

所述计算Rcv和Rg的偏离系数PR的公式为： $\mathrm{PR}=\frac{m_i-\mathrm{Min}\left(m_i\right)}{\mathrm{Rg}}$

其中，Rg＝Max(m_i)-Min(m_i)，

当计算Rcv的偏离系数时，m_i为Rcv对应的一组数值序列；

当计算Rg的偏离系数时，m_i为Rg对应的一组数值序列。

所述步骤B具体包括：

B1、设定Rcv的偏离系数和Rg的偏离系数的阀值；

B2、维护端将所述各异常原因的Rcv的偏离系数以及Rg的偏离系数分别与设定的阀值进行比较，当某个变异原因的Rcv的偏离系数以及Rg的偏离系数均大于预定阀值时，则将该异常原因确定为主要异常原因，将所述无线资源对象作为主要异常对象。

所述Rcv的偏离系数以及Rg的偏离系数的阀值可以相同。

当所述步骤A3为：根据与上下两层无线资源对象有关的各异常原因的变化程度和变化范围，分别量化与上下两层无线资源对象有关的各异常原因间的相对变异性时，所述步骤B包括：

维护端将所述上下两层无线资源对象共同的主要异常原因确定为故障原因，将相应的下层无线资源对象确定为故障对象。

所述的无线资源对象按从上到下分层，包括：小区级、扇区级和载频级的无线资源对象。

所述上下两层无线资源对象的各异常原因的Rcv的偏离系数以及Rg的偏离系数的阀值相同。

当根据设定的阀值无法确定所述主要异常原因或故障原因时，调整所述设定的阀值。

由上述本发明提供的技术方案可以看出，本发明具有如下优点：

1、能够自动化进行故障定位处理，使故障定位分析流程固化；

2、减少人为参与，降低了工作量，提高了故障定位处理的效率；

3、能够准确地定位出故障对象及故障原因。

附图说明

图1为本发明实施例所述方法的流程图。

具体实施方式

经过对无线网络接入侧设备的无线资源对象异常的分析，一个无线网络稳定运行一段时间中，如果话务量等性能指标没有突变的话，那么相关联的异常原因单位时间内出现的次数也不应该产生突变，如果产生突变，肯定是系统发生异常。这就需要一个指标去定量的衡量同一个异常原因在这段时间内的变化，变化程度用变异系数来表示，可以通过标准差和平均值来计算，突变越大则相应的变异系数越大。

变异系数虽然表明了数值序列的变异程度，但是如果不关联数值序列的变化范围，仍然不能够发现有效的异常点。因为有些异常原因虽然变化频繁，但是仅在一个很小的数值范围内变化，是没有分析意义的。因此还需要关联异常原因变化范围，可以用全距来表示，全距越大表示变化范围越大。

为了确定具体的故障原因，还需要量化同一个无线资源对象所有异常原因间相对的变异性，可以采用偏离系数来表示。当某个异常原因的变异系数和全距的偏离系数都大于设定阀值时，则认为该变异原因为主要异常原因。

本发明中所说的无线资源对象是指：将无线网络中的无线资源通信系统从逻辑上按层次进行化分，按照从上层到下层的顺序依次包括小区级的无线资源对象，扇区级的无线资源对象和载频级的无线资源对象。

为了对本发明有进一步的了解，下面将结合附图对本发明进行详细的说明。

本发明的具体实施方式如图1所示，包括如下步骤：

步骤11：当确认无线资源发生故障后，基于一个时间段统计与无线资源对象有关的各个异常原因单位时间内出现的次数。

可以通过网络的性能指标、告警信息和日志记录等统计异常原因出现的次数。

无线资源对象可以是小区级的、扇区级的以及载频级的无线资源对象。

所说的单位时间，可以根据实际需要确定，通常指一天。

所说的时间段通常为10天以内，在实际应用中选择3至7天较为合适。

假设某个小区级无线资源对象A发生故障，在过去的3天时间内，与该无线资源对象A相关的异常原因有硬切换异常、软切换异常、业务协商异常、等待超时、分配资源异常等十一个，统计这3天时间内这十一个异常原因每天出现的次数，其中，硬切换异常在三天内出现的次数依次为2685、2388和3391；

软交换异常在三天内出现的次数依次为2、0和5；等等。

为了记录方便，将异常原因用代码表示，比如用KA1至KA11分别表示硬切换异常、软切换异常、业务协商异常、等待超时、分配资源异常等十一个异常原因，相应异常原因每天出现的次数统计如表1所示。

异常原因	第1天	第2天	第3天	变异系数Rcv	Rcv的偏离系数	全距Rg	Rg的偏离系数
								KA1	2685次	2388次	3391次	0.15	0	1003	0.3976
KA2	2次	0次	5次	0.88	0.58	5	0.0016
								KA3	4次	15次	7次	0.54	0.31	11	0.0039
KA4	4次	19次	13次	0.51	0.29	15	0.0055
								KA5	79次	493次	2600次	1.04	0.71	2521	1
KA6	12次	3次	10次	0.46	0.25	9	0.0032
								KA7	23次	72次	41次	0.45	0.24	49	0.0190
KA8	12次	4次	1次	0.82	0.53	11	0.0039
								KA9	0次	2次	3次	0.75	0.48	3	0.0007
KA10	0次	0次	1次	1.41	1	1	0
								KA11	0次	0次	46次	1.41	1	46	0.0178

表1为某3天时间内某个小区级无线资源对象A相关的异常原因每天出现次数的统计数据。

步骤12：量化各异常原因的变异程度。

量化异常原因的变异性的方法是：将基于一个时间段统计的各个异常原因单位时间出现的次数作为一组数值序列，分别计算各组数值序列的变异系数。

计算变异系数的过程是：首先计算平均值，计算公式为：

平均值 $\mathrm{Average}=\frac{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{m}_i}{n}$ 公式1；

然后，计算标准差，计算公式为：

标准差 $\mathrm{Stdevp}=\sqrt{\frac{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(m_i-\mathrm{Average})}^2}{n}}$ 公式2；

最后计算变异系数，计算公式为：

变异系数 $\mathrm{RCV}=\frac{\mathrm{Stdevp}}{\mathrm{Average}}$ 公式3；

其中，m_i(i＝0，1，2，...n-1)为异常原因出现次数的统计值，n代表时间段。

对于步骤11中表1所统计的3天内的KA1至KA11十一个异常原因每天出现次数的统计值序列(其中，n为3)，根据上述公式可以分别计算出这十一个异常原因的变异系数，如表1中变异系数Rcv对应的一列数字。

步骤13：量化各异常原因的变化范围。

量化异常原因的变化范围的具体方法是：将基于一段时间统计的异常原因单位时间出现的次数作为一组数值序列m_i(i＝0，1，2，...n-1)，计算该组数值序列的全距。计算公式如下：

全距Rg＝Max(m_i)-Min(m_i)公式4；

根据上述公式可以计算出表1中的KA1至KA11十一个异常原因的(其中，n为3)全距，如表1中全距Rg对应的一列数字。

步骤14：量化各异常原因间的相对变异性。

量化各异常原因间的相对变异性的具体方法是：将步骤12和步骤13中计算出的异常原因的变异系数和全距分别作为一组数值序列，分别计算变异系数和全距的偏离系数。计算公式如下：

偏离系数 $\mathrm{PR}=\frac{m_i-\mathrm{Min}\left(m_i\right)}{\mathrm{Rg}}$ 公式5；

其中，Rg的定义参考公式4。

当计算变异系数的偏离系数时，m_i(i＝0，1，2，...n-1)为步骤12中计算出的异常原因的变异系数组成的数值序列；

当计算全距的偏离系数时，m_i(i＝0，1，2，...n-1)为步骤13中计算出的异常原因的全距组成的数值序列。

根据上述公式，可以计算出上述KA1至KA11十一个异常原因的变异系数的偏离系数和全距的偏离系数，如表1所示。

步骤15：维护端将各个异常原因的变异系数的偏离系数以及全距的偏离系数分别与设定的阀值进行比较，当某个异常原因的变异系数的偏离系数以及全距的偏离系数均大于设定的阀值时，则将该异常原因确定为主要的异常原因。

设定的变异系数的偏离系数的阀值以及全距的偏离系数的阀值可以相同，也可以不同。较佳的实现方案是将二者的阀值设置为相同，如0.5；而且在实际应用中，可以根据需要对阀值的大小进行调整。

假如我们将变异系数的阀值和全距的阀值均设置为0.5，分析表1中的数据可以知道KA5的变异系数的偏离系数为0.71，其全距的偏离系数为1，均大于预定阀值0.5，所以可以确定小区级对象A为故障对象，KA5所代表的异常原因(如分配资源异常)为主要异常原因。

如果通过上述步骤，无法确定主要异常原因时，即没有一个异常原因的变异系数的偏离系数以及全距的偏离系数均大于预定的阀值，此时，需要调低阀值，直到确定出一个主要异常原因。

由于某个无线资源对象可以进一步细分为下层更小的对象组合，上层对象的异常原因的变异性分析结果不一定与其下层更离散的对象的分析结果一致。为了更加准确地确定故障对象及相应的故障原因，需要继续对下层各个无线资源对象的异常原因进行变异性分析，确定相应的主要变异原因，然后采用交叉分析法最终确定故障对象及相应的故障原因。

交叉分析法就是对上层无线资源对象的主要异常原因和下层各个无线资源对象的主要异常原因取交集，将交集部分(即上层无线资源对象和下层无线资源对象共同的主要异常原因)确定为故障原因，将相应的下层无线资源对象确定为故障对象。

如分析某个扇区无线资源对象A的各异常原因的相对变异性，将Rcv和Rg的偏离系数与设定的阀值比较后，找到相对异变性较大的两个主要异常原因KA和KB后，还要对该扇区资源对象A下层的载频无线资源对象分析各异常原因间的相对变异性。如果某个载频无线资源对象M的主要异常原因是KA，那么故障对象就进一步细化到扇区A的载频M，相应的故障原因进一步确定为异常原因KA。

在下层对象分析中异常原因KB没有体现出变异性可能是阀值定义较大，也可能是异常原因KB在多个下层对象中分布比较均匀所致，前一种原因可以通过调低阀值来修正，后一种原因可以通过在无线资源记录信息中进一步分解细化异常原因KB来修正。

根据实际应用情况来看，仅交叉分析相关联的二层无线资源对象，就能够准确地自动确定故障对象和故障原因。

因此，本发明具体实施方式如图1所示，还包括如下步骤：

步骤16：维护端对下层各个无线资源对象的变异原因进行变异性分析，确定主要变异原因。

对于表1中所示的小区级无线资源对象A的各个异常原因统计值，在其下层某个子对象A1(即某个扇区级资源对象)的相应异常原因统计值如表2所示：

异常原因	第1天	第2天	第3天	Rcv	Rcv的偏离系数	Rg	Rg的偏离系数
								KA1	8次	15次	4次	0.51	0	11	0.0039
KA4	1次	0次	0次	1.41	1	1	0
								KA5	79次	493次	2600次	1.04	0.5889	2521	1

表2为某3天时间内某个扇区级无线资源对象A1相关的各异常原因单位时加出现次数的统计数据。

根据表2可知，小区级无线资源对象A下层的某个扇区级无线资源对象A1的相关异常原因有三个：KA1、KA4和KA5。

3天内KA1出现的次数分别为：8、15、4；KA4出现的次数分别为：1、0、0；KA5出现的次数分别为：79、493、2600。

分别将3天内这三个异常原因每天出现次数的统计值作为三组数值序列，根据公式1、2和3得到相应的变异系数0.51、1.41、1.04；根据公式4得到相应的全距11、1、2521。

将变异系数作为一组数值序列，根据公式5计算出变异系数的偏离系数；

将全距作为一组数值序列，根据公式5计算出全距的偏离系数。

将两组偏离系数与设定的阀值0.5进行比较，只有KA5的两个偏离系数均大于阀值0.5，因此可以判断出子对象A1的主要异常原因是KA5所代表的异常原因(即分配资源异常)。

相关联的上下两层无线资源对象的各异常原因的Rcv的偏离系数以及Rg的偏离系数的阀值相同。

步骤17：维护端进一步确定故障对象及相应的故障原因。

也就是说将上层无线资源对象和下层各无线资源对象共同的主要异常原因确定为故障原因，将相应的下层无线资源对象确定为故障对象。

比如，将步骤15确定的小区级无线资源对象A的主要变异原因与步骤16确定的某扇区级无线资源对象A1的主要异常原因取交集作为具体故障原因(即KA5所代表的异常原因)，将相应的某扇区级无线资源对象A1确定为具体故障对象。

如果针对上层无线资源对象确定出了相应的主要异常原因，而针对其下层无线资源对象没有确定出相应的主要异常原因，则需要调低设定的阀值，重新确定主要异常原因，直到确定出故障原因；

如果调整阀值后，仍无法确定出故障原因，则可能是上层无线资源对象的异变原因在其下层的各个无线资源对象上平均分布造成的，此时将上层无线资源对象作为故障对象，将相应的主要异常原因作为故障原因，当然实际情况中这种现象较少。

因此，采用本发明的技术方案，可以通过对关联分析无线网络的性能、告警和异常呼叫日志等数据，自动定位发生故障的无线资源对象和故障原因；能够使故障定位流程固定化，提高工作效率；并能定量给出各类异常原因的变异性，便于比较和其他自动化处理。而且随着无线网络的性能、告警和异常呼叫日志等记录信息的完善，能够自动定位更精确的对象和相应的故障原因。

以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (10)

1.一种无线网络中故障定位的方法，其特征在于，当无线资源发生故障后，包括如下步骤：

A1、量化与无线资源对象有关的各异常原因的变化程度；

A2、量化与无线资源对象有关的各异常原因的变化范围；

A3、根据所述各异常原因的变化程度和变化范围量化与无线资源对象有关的各异常原因间的相对变异性；

B、维护端将所述各异常原因的量化后的相对变异性分别与预定值进行比较，当某个异常原因的量化后的相对变异性大于预定值时，则将该异常原因确定为主要异常原因，并进行故障定位处理。

2.根据权利要求1所述的方法，其特征在于，所述步骤A1具体包括：

A11、基于一个时间段统计与无线资源对象有关的各异常原因单位时间内出现的次数；

A12、将所述基于一个时间段统计的各异常原因单位时间内出现的次数作为一组数值序列，分别计算各组数值序列的变异系数Rcv，所述计算Rcv的公式为： $\mathrm{RCV}=\frac{\mathrm{Stdevp}}{\mathrm{Average}}$

其中，

m_i为与无线资源对象有关的异常原因单位时间内出现的次数；n代表时间段。

3.根据权利要求2所述的方法，其特征在于，所述步骤A2具体包括：

将所述基于一个时间段统计的各异常原因单位时间内出现的次数作为一组数值序列，分别计算各组数值序列的全距Rg。

4.根据权利要求3所述的方法，其特征在于，所述步骤A3具体包括：

A31、将所述计算出的Rcv作为一组数值序列计算其偏离系数；

A32、将所述计算出的Rg作为一组数值序列计算其偏离系数；

所述计算Rcv和Rg的偏离系数PR的公式为： $\mathrm{PR}=\frac{m_i-\mathrm{Min}\left(m_i\right)}{\mathrm{Rg}}$

其中，Rg＝Max(m_i)-Min(m_i)，

当计算Rcv的偏离系数时，m_i为Rcv对应的一组数值序列；

当计算Rg的偏离系数时，m_i为Rg对应的一组数值序列。

5.根据权利要求4所述的方法，其特征在于，所述步骤B具体包括：

B1、设定Rcv的偏离系数和Rg的偏离系数的阀值；

B2、维护端将所述各异常原因的Rcv的偏离系数以及Rg的偏离系数分别与设定的阀值进行比较，当某个变异原因的Rcv的偏离系数以及Rg的偏离系数均大于预定阀值时，则将该异常原因确定为主要异常原因，将所述无线资源对象作为主要异常对象。

6.根据权利要求5所述的方法，其特征在于，所述Rcv的偏离系数以及Rg的偏离系数的阀值可以相同。

7.根据权利要求1至6任一项所述的方法，其特征在于，当所述步骤A3为：根据与上下两层无线资源对象有关的各异常原因的变化程度和变化范围，分别量化与上下两层无线资源对象有关的各异常原因间的相对变异性时，所述步骤B包括：

维护端将所述上下两层无线资源对象共同的主要异常原因确定为故障原因，将相应的下层无线资源对象确定为故障对象。

8.根据权利要求7所述的方法，其特征在于，所述的无线资源对象按从上到下分层，包括：小区级、扇区级和载频级的无线资源对象。

9.根据权利要求8所述的方法，其特征在于：所述上下两层无线资源对象的各异常原因的Rcv的偏离系数以及Rg的偏离系数的阀值相同。

10.根据权利要求8所述的方法，其特征在于：当根据设定的阀值无法确定所述主要异常原因或故障原因时，调整所述设定的阀值。