CN102006613A - 一种移动核心网故障数据二重联合线性判别方法 - Google Patents

Abstract

本发明涉及通讯网络领域，所要解决的技术问题是提供一种移动核心网故障识别二重联合线性判别方法，本发明通过研究移动核心网BSC的TRAU话务量数据分布规律，建立二重联合线性判别模型和三种模式判别准则，用来对移动核心网性能数据进行判别分析。本发明简单易行，且判别准确率达到100％。

Description

一种移动核心网故障数据二重联合线性判别方法

技术领域

本发明涉及通讯网络领域，尤其涉及一种移动核心网故障识别二重联合线性判别方法。

背景技术

1987年，我国首个TACS模拟蜂窝移动电话系统在广东建成并投入商用并在广州开通了我国第一个移动电话局，首批移动用户仅有700个。截至2009年12月底，中国移动用户数量已达到5.22亿个，居于世界移动用户数量之首。由此可见，中国移动通信业务发展之快举世瞩目。所以在当今移动通信业务高速发展的情形下，研究移动通信网络异常检测技术，防止网络瘫痪，及时发现网络故障，保障网络运行安全，提高网络运行质量是保障人们正常生活和工作以及促进国民经济健康发展的关键所在。

自1990年Bouloutas出版专著《Modeling Fault Management in Communication Networks》后，有关解决通信网络故障的技术与建模研究很快成为国际研究的热点。1991年，Frontini，Griffin和Towers基于知识系统采用规则推理的确定性模型研究了广域网的故障定位问题。Bouloutas，Calo和Finkel(1994)基于依赖图的技术给出了通信网络中故障识别和告警关联的建模和解决方法。Rouvellou and Hart(1995)基于概率有限状态机器分别建立了故障和告警模型，其中故障模型是用来识别那些可能是不完全或不正确的数据，告警模型是用来呈现大量的故障和噪声信息。Sehwartz，Adler，BIllmers(1995)和Steimann，Fr和Nejdl(1999)采用基于模型的推理技术研究了通讯网络的故障问题。Lo，Chen和Lin(2000)利用因果图模型研究通信网络的故障识别问题，描述通信网络事件之间的因果关系。Chao，Yang和Liu(2001)提出一种面向域的分级推理机制，它基于一个实证研究结果的精致网络故障传播模型的因果关系图。他们根据该分级推理机制的原理，在一个多域环境里设计了一个叫做告警关联视图的故障自动诊断系统。该系统不仅提供自动告警关联的过程，还提供高效的故障定位与识别的功能。Tang，Luo和Yang(2002)根据在同一个时间点故障发生时将导致网络流量明显偏离正常网络流量的特点，建立了基于网络流量的多重分形模型，用来对故障进行检测。具体方法是通过建立一个基于函数的指示器，在每一个时间点上测量网络流量的异常指数的偏离度，以此检测是否发生网络故障。Steinder，Sethi(2004)通过增加假设条件研究通讯网络中的概率故障诊断问题。Yu，Li和Chung(2006)将一个多协议标签交换(MPLS)的网络故障管理扩展为一个骨干网，设计了一个MPLS的连接监视器，监视MPLS操作并生成告警。他们还采用一种杂和技术有效地将MPLS告警和其他设备及服务告警包括事件聚合、规则方法、电报密码方法等进行关联。Chao，Natu和Sethi(2008)采用IP网络探测方法研究通信网络的故障隔离问题，并利用通信网络中的呼叫转移专用功能来克服在应用探测技术进行故障隔离过程中遇到的不适合情况和种种困难。Rathi和Thanuskodi(2009)将基于首页代理可靠性协议(VHAHA)作为一个完整的系统结构，把虚拟专用网络(VPN)扩展到移动Ipv6以支持网络性能可靠性，提供并解决移动Ipv6注册地区的安全问题，便于故障检测和数据恢复。

在我们国家，杨放春(1993)通过将延时调整电路中的故障(包括功能故障)等效成其数据线上多重桥接组合故障，提出一个可敏化此类故障的最小测试集，研究多级数字交换网络中延时调整电路的故障诊断问题。李祥和(1995)介绍了专家系统与数据通信网相结合产生的三种典型应用：网络故障诊断专家系统、路由选择专家系统和开发交换软件专家系统。孙颖楷和曹龙汉(2000)利用基于粗糙集理论的人工神经网络对故障进行诊断。张小松，伦志新和窦炳琳(2005)基于依赖图的技术对网络故障进行识别。彭熙，李艳，王倩；和肖德宝(2005利用基于网络拓扑结构的智能诊断技术对故障定位系统进行设计。钟仕群，朱程荣和齐邦(2006)利用贝叶斯网络集成方法建立了故障定位模型。郑秋华等(2007，2008)利用拉格朗日松弛和次梯度法研究网络故障智能诊断的关键技术。安若铭，安伟光和谷吉海(2009)基于因果图的技术分析对网络诊断模型进行研究。

这些模型和算法都是对移动网络硬件故障或软件故障进行研究，或是对网络其他一些性能指标进行分析。到目前为止，还未见有利用移动核心网性能数据进行分析，从对故障数据的识别达到对网络发生故障予以告警的文献报导。

本发明首次公开一种通过对移动核心网性能数据(也即BSC的TRAU数据)的历史分布规律进行分析，从中抽象出离群曲线的故障特征，然后建立数学模型来对移动核心网性能数据中的故障数据进行识别，通过对移动核心网性能数据中的故障数据进行识别达到发现移动网络发生故障并给予告警的目的。本发明给出的移动核心网故障识别二重联合线性判别方法，对故障数据的识别准确率达到100％。

发明内容

本发明解决的技术问题是克服现有技术的不足，提供一种新的移动核心网异常判别方法，即移动核心网故障识别二重联合线性判别方法。其针对移动核心网性能数据，即BSC的TRAU数据进行分析，建立判别模型和判别准则。本发明简单易行且能够达到100％的判别准确率。

为解决上述技术问题，本发明采用的技术方案如下：

本发明研究这样一种故障现象：由于移动网络用户数量突然增加，导致网络容量不足而引起信道堵塞或网络交换系统软件发生瘫痪而引起重大网络故障的现象，称之为数据突增事件。通过研究移动核心网BSC的TRAU话务量数据曲线规律，来达到对移动核心网数据突增事件的监控和告警。

所述TRAU话务量曲线的绘制方法如下，首先进行数据采集：记录某d天内的n个BSC的TRAU话务量数据，记为

其中

表示第i个BSC在第j天第k个时间点的TRAU话务量，每天记录的时间点为t个，其中i＝1，2，3....n，j＝1，2，3.....d，k＝1，2，3.....t。

然后绘制TRAU话务量曲线：以时间(或者时间点序号)为横坐标，TRAU话务量

为纵坐标，绘制出d天的所有n个BSC的TRAU话务量曲线。

由于TRAU话务量数据的离散度很大，画出来的图形效果很不直观，所以为了更加直观的观察数据变化趋势，还可以采用TRAU话务量数据点在一天内的点平均话务率来刻划。定义TRAU数据的点平均话务率

为：

即

$Y_{i,j}^{\left(k\right)}=\frac{\frac{X_{i,j}^{\left(k\right)}}{\underset{k=1}{\overset{t}{\mathrm{\Σ}}}{X}_{i,j}^{\left(k\right)}}}{24}\×100\%$

计算出所有n个BSC的TRAU数据的点平均话务率

以时间(或者时间点序号)为横坐标，TRAU数据的点平均话务率

为纵坐标，绘制出d天的所有n个BSC的TRAU数据的点平均话务率曲线；

由点平均话务率计算式可知，TRAU数据的点平均话务率曲线与TRAU话务量曲线变化趋势相同。

本发明移动核心网故障数据二重联合线性判别方法，具体包括以下步骤：

①确定离群曲线：在所观测的时间范围内，如果某个BSC的TRAU话务量曲线严重偏离大部分BSC的正常分布规律，则称该BSC为离群曲线(也可称为异常曲线)。

②设定风险警界线和数据突增临界线：若知道每个BSC的最大承载量值，则可以取小于最大承载量值的某个值作为进入监控区域的临界值。但实际中，往往无法得知该最大承载量值，所以本发明定义最大承载量临界值，以其来代替最大承载量值，具体定义如下：

某个异常BSC曲线在所观测的时间范围内第一次(每次以“天”为单位)达到的最大TRAU值，即该异常曲线在该天的峰值，称为该异常曲线的最大承载量临界值，记为M，TRAU话务量数据大最大承载量临界值即进行告警。

定义数据突增临界值为最大承载量临界值减去一个正整数，记为C，C＝M-α，其中取α为不大于该BSC最大承载量临界值M的

的最大整数，即其中T为某一常数因子，且满足Tα≤M。在实际应用中一般取T＝10。TRAU话务量数据大于数据突增临界值即进入监控区域，进行监控。直线TRAU＝M为风险警界线，直线TRAU＝C为数据突增临界线。

③建立三个类别数据点：利用数据突增临界线和风险警界线将TRAU话务量数据分为三个类别：正常点类别，异常点类别和故障点类别，对任一TRAU话务量数据X，

所述异常点和故障点合称为广义异常点。

根据上式，得出TRAU话务量曲线上数据突增临界线下方的点为正常点，在风险警界线上或高于数据突增临界线且在风险警界线上或低于风险警界线的点为异常点，风险警界线上方为故障点。

④建立二重联合线性判别模型：针对异常曲线，建立第一线性判别模型：

$f_1\left(x\right)=\frac{(x-{\mathrm{\μ}}_G)({\mathrm{\μ}}_{G_1}-{\mathrm{\μ}}_{G_2})}{{\mathrm{\σ}}_G^2}$

其中x表示TRAU话务量数据，μ_G是TRAU话务量数据总体G的均值，

是正常点类别G₁的均值，

是广义异常点类别G₂的均值，σ_G ²是TRAU话务量数据总体G的方差；

建立第二线性判别模型：

$f_2\left(y\right)=\frac{(y-{\mathrm{\μ}}_{G_2})({\mathrm{\μ}}_{G_{21}}-{\mathrm{\μ}}_{G_{22}})}{{\mathrm{\σ}}_{G_2}^2}$

其中y表示广义异常点数据，

是异常点类别G₂₁的均值，

是故障点类别G₂₂的均值，

是广义异常点类别G₂的方差；

二重联合线性判别模型为：

$\left\{\begin{array}{c}{f}_1\left(x\right)=\frac{(x-{\mathrm{\μ}}_G)({\mathrm{\μ}}_{G_1}-{\mathrm{\μ}}_{G_2})}{{\mathrm{\σ}}_G^2}\\ f_2\left(x\right)=\frac{(x-{\mathrm{\μ}}_{G_2})({\mathrm{\μ}}_{G_{21}}-{\mathrm{\μ}}_{G_{22}})}{{\mathrm{\σ}}_{G_2}^2}\end{array}\right..$

⑤确定二重联合判别阀值：所述二重联合线性判别阀值包括第一判别阈值和第二判别阈值，分别记为W₁和W₂，W₁为x＝C时的f₁(x)的值，W₂为y＝M时的f₂(y)的值，即二重联合线性判别阈值为

$\left\{\begin{array}{c}{W}_1=f_1\left(C\right)\\ W_2=f_2\left(M\right)\end{array}\right..$

⑥建立二重联合线性判别准则：令d₁＝f₁(x)-W₁，d₂＝f₂(y)-W₂，对异常曲线上任一TRAU话务量数据X∈G带入上述两式，则：

⑦判别分析TRAU话务量故障数据：利用所述二重联合线性判别准则对新的TRAU话务量数据进行判别分析，便可从异常曲线上的广义异常点数据区域中筛选出故障点数据，从而达到对移动核心网TRAU故障数据进行快速而准确的判别，判别准确率达到100％。

与现有技术相比，本发明技术方案的有益效果是：本发明提供了一种新的移动核心网异常判别方法，即移动核心网故障识别二重联合线性判别方法，通过研究移动核心网BSC的TRAU话务量数据分布规律，建立二重联合线性判别模型和二重联合线性判别准则，用来对移动核心网性能数据进行判别分析。本发明简单易行，且判别准确率达到100％。

附图说明

图1为本实施例7月1日81个BSC的TRAU话务量曲线图；

图2为本实施例7月1日DGM18B1的TRAU话务量曲线图；

图3为本实施例7月1日DGM18B1和DGM15B1的TRAU话务量曲线比较图；

图4为本实施例7月1日81个BSC在21:40的TRAU值汇总图；

图5为本实施例DGM18B1的风险警界线和控制区域图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的说明。

实施例1

一种移动核心网故障数据二重联合线性判别方法，具体如下：

本文数据来源于某移动公司核心网的性能数据，数据采集的时间和范围是7月1-31日的81个BSC的TRAU数据，数据粒度为10分钟，故一天24小时就有144个数据。为了便于对数据的分析，我们先通过图形来观察这81个BSC的变化规律。作出TRAU话务量曲线，即以时间作为横坐标，该时间点的TRAU话务量作为纵坐标。从时间0:00起，把0:00的TRAU话务量作为第1个数据点，把0:10的TRAU话务量作为第2个数据点，以此类推，23:50的TRAU话务量就是第144个数据点。

选取存在异常曲线的某天为研究对象，7月1日即存在异常曲线，故取其为研究对象，7月1日的TRAU话务量曲线如图1所示。

由图1可知，绝大部分BSC的TRAU点TRAU话务量曲线的分布是比较有规律的，曲线变化趋势较集中一致。但我们发现在这81条BSCTRAU话务量曲线中，有一条BSC曲线明显偏离大部分BSC的曲线分布规律，该条曲线即为异常曲线。

经查实该异常曲线为DGM18B1。DGM18B1的TRAU话务量曲线如图2所示。由图2知，DGM18B1曲线在9:20(第57个数据点)突然远远偏离其他80个BSC，向上急剧增加，并在21:40(第131个数据点)达到所有81个BSC在这一天内的第一高峰值，TRAU话务量为3745，一直到晚上23:00(第139个数据点)TRAU话务量才与其他80个BSC分布规律一致。

再提取其余的80个BSC在2009年7月1日21:40的TRAU话务量数据，经分析发现，DGM15B1在这个时间点的TRAU值位于第二峰值，总话务量达到2875。图3给出了DGM18 B1和DGM15 B1TRAU话务量曲线比较图。

为了更直观地观察，我们将81个BSC在2009年7月1日在时间21:40(第131个时间点)的TRAU话务量数据绘制在一张图上，如图4所示。

由图4知，第一峰值和第二峰值之差为：3745-2875＝870，相差较大，这说明DGM18B1在2009年7月1日21:40确实远远偏离了其他80个BSC的TRAU值，从而使DGM18B1成了81个BSC的离群曲线。

另一方面，再从均值和方差来分析验证。首先利用其他80条BSC(不考虑DGM18B1)在2009年7月1日21:40的TRAU话务量，计算其均值和方差分别为：

然后再计算总体均值和方差(即全部81个BSC这个时间点即2009年7月1日21:40的均值和方差)，得到：

两个方差值之差为：191129.8-152982.8＝38147，该方差的差值非常大，这就进一步说明了DGM18B1的曲线变化趋势在2009年7月1日的时间段[19:00，23:00]确实严重偏离了正常的BSC曲线分布规律。

DGM18B1在2009年7月1日是一条异常曲线，因此需要对DGM18B1进行监控，为此需要确定监控区域，以防TRAU总话务量突然冲破BSC的最大承载量时造成信道堵塞而发生网络故障。

DGM18B1的最大承载量临界值为M_DGM18B1＝3745，取T_DGM18B1＝10，于是所以该BSC的数据突增临界值为C_DGM18B1＝3745-374＝3371。DGM18B1风险警界线为TRAU＝3745，数据突增临界线为TRAU＝3371。所以DGM18B1中的任一TRAU话务量数据X，其故障判别准则如下：

即在数据突增临界线以下的都是正常点，在数据突增临界线和风险警界线之间的都是异常点，在风险警界线之上的都是故障点。

根据上述故障判别准则，找出7月中含有故障点的天数，共有以下六组：

(1).DGM18B1在2009年7月2日的144个TRAU数据

(2).DGM18B1在2009年7月7日的144个TRAU数据

(3).DGM18B1在2009年7月9日的144个TRAU数据

(4).DGM18B1在2009年7月14日的144个TRAU数据

(5).DGM18B1在2009年7月16日的144个TRAU数据

(6).DGM18B1在2009年7月21日的144个TRAU数据

判别结果如表1所示：

表1 故障判别准则判断结果

根据上述故障判别准则，DGM18B1的TRAU话务量只要达到3371，就开始进行监控告警，一旦TRAU话务量超过3745时，就开始进行可疑故障告警。因此，虽然DGM18B1曲线在早上9:20(第57个数据点)突然远远偏离其他80个BSC，独自向上急剧增加，但工作人员对DGM18B1的监控是从TRAU值为3371开始，所以早上9:20未列入监控区域，监控的时间段为[20:30，22:50]，对应的数据点区间是[124，138]，如图5所示。

对DGM18B1建立二重联合线性判别模型，

$\left\{\begin{array}{c}{f}_1\left(x\right)=\frac{(x-{\mathrm{\μ}}_G)({\mathrm{\μ}}_{G_1}-{\mathrm{\μ}}_{G_2})}{{\mathrm{\σ}}_G^2}\\ f_2\left(x\right)=\frac{(x-{\mathrm{\μ}}_{G_2})({\mathrm{\μ}}_{G_{21}}-{\mathrm{\μ}}_{G_{22}})}{{\mathrm{\σ}}_{G_2}^2}\end{array}\right.$

x----TRAU话务量数据，

μ_G----TRAU话务量数据总体G，

----正常点类别G₁的均值，

----广义异常点类别G₂的均值，

----TRAU话务量数据总体G的方差，

y----广义异常点数据，

----异常点类别G₂₁的均值，

----是故障点类别G₂₂的均值，

----TRAU广义异常点类别G₂的方差。

由于7月1日这天不存在故障点，所以利用存在故障点的7月2日的TRAU话务量数据进行计算，得出上式具体为：

$\left\{\begin{array}{c}{f}_1\left(x\right)=-0.00134(x-2054)\\ f_2\left(y\right)=-0.01276(y-3680)\end{array}\right.$

二重联合线性判别阀值为：

$\left\{\begin{array}{c}{W}_1=-1.76478\\ W_2=-0.8294\end{array}\right.$

建立DGM18B1的广义异常点判别准则(称为第一判别准则)如下：对任一x∈G，d₁＝f₁(x)-W₁＝-0.00134(x-2054)+1.76478，有

$\left\{\begin{array}{cc}{d}_1>0& x\∈G_1\\ d_1\≤0& x\∈G_2\end{array}\right.$

建立DGM18B1的故障点判别准则(称为第二判别准则)如下：对任一y∈G₂，令d₂＝f₂(y)-W₁＝-0.01276(y-3680)+0.8294，有

$\left\{\begin{array}{cc}{d}_2>0& y\∈G_{21}\\ d_2\≤0& y\∈G_{22}\end{array}\right.$

于是得到适合于故障判别的二重联合线性判别准则如下：

对于DGM18B1中的任一TRAU话务量数据X，

为了验证以上判别准则相对于依据TRAU话务量曲线的故障判别准则的准确率，对7月2日的数据进行回判，同时对7月份其他所有存在故障点天数的数据进行判别，判别结果如表2所示：

表2 三种模式判别准则判断结果

由上表看出，对这6组数据判断结果相对于表1中利用故障判别准则判断的结果的准确率都为100％，误判个数为0。

本发明建立的移动核心网故障数据二重联合线性判别方法，对数据的判断达到了100％的准确率，能够很精确的对移动核心网BSC的TRAU话务量数据进行监控和判别。

以上所述为较佳实施例，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种移动核心网故障数据二重联合线性判别方法，所述的移动核心网数据是TRAU话务量数据，其特征在于，通过研究移动核心网BSC的TRAU话务量曲线分布规律，对移动核心网故障数据进行判别分析，具体包括以下步骤：

①确定离群曲线；

②设定风险警界线和数据突增临界线；

③建立三个类别数据点；

④建立二重联合线性判别模型；

⑤确定二重联合判别阀值；

⑥建立二重联合线性判别准则；

⑦判别分析TRAU话务量故障数据。

2.根据权利要求1所述的移动核心网故障数据二重联合线性判别方法，其特征在于，所述步骤①确定离群曲线具体为：找出偏离大部分TRAU话务量曲线的离群曲线。

3.根据权利要求2所述的移动核心网故障数据二重联合线性判别方法，其特征在于，所述步骤②设定风险警界线和数据突增临界线具体为：找出某条异常曲线在所观测的时间范围内第一次达到的峰值，称之为最大承载量临界值，记为M，数据突增临界值C＝M-α，其中取α为不大于该BSC最大承载量临界值M的

的最大整数，即

其中T为某一常数因子，且满足Tα≤M；直线TRAU＝M为风险警界线，直线TRAU＝C为数据突增临界线。

4.根据权利要求3所述的移动核心网故障识别二重联合线性判别方法，其特征在于，所述步骤③建立三个类别数据点具体为：利用数据突增临界线和风险警界线将TRAU话务量数据分为三个类别：正常点类别，异常点类别和故障点类别，对任一TRAU话务量数据X，

所述异常点和故障点合称为广义异常点。

5.根据权利要求4所述的移动核心网故障识别二重联合线性判别方法，其特征在于，所述步骤④建立二重联合线性判别模型具体为：针对异常曲线，建立第一线性判别模型：

$f_1\left(x\right)=\frac{(x-{\mathrm{\μ}}_G)({\mathrm{\μ}}_{G_1}-{\mathrm{\μ}}_{G_2})}{{\mathrm{\σ}}_G^2}$

其中x表示TRAU话务量数据，μ_G是TRAU话务量数据总体G的均值，

是正常点类别G₁的均值，

是广义异常点类别G₂的均值，σ_G ²是TRAU话务量数据总体G的方差；

建立第二线性判别模型：

$f_2\left(y\right)=\frac{(y-{\mathrm{\μ}}_{G_2})({\mathrm{\μ}}_{G_{21}}-{\mathrm{\μ}}_{G_{22}})}{{\mathrm{\σ}}_{G_2}^2}$

其中y表示广义异常点数据，

是异常点类别G₂₁的均值，

是故障点类别G₂₂的均值，

是广义异常点类别G₂的方差；

故障识别二重联合线性判别模型为：

$\left\{\begin{array}{c}{f}_1\left(x\right)=\frac{(x-{\mathrm{\μ}}_G)({\mathrm{\μ}}_{G_1}-{\mathrm{\μ}}_{G_2})}{{\mathrm{\σ}}_G^2}\\ f_2\left(x\right)=\frac{(x-{\mathrm{\μ}}_{G_2})({\mathrm{\μ}}_{G_{21}}-{\mathrm{\μ}}_{G_{22}})}{{\mathrm{\σ}}_{G_2}^2}\end{array}\right..$

6.根据权利要求5所述的移动核心网故障识别二重联合线性判别方法，其特征在于，所述步骤⑤确定二重联合判别阀值具体为：所述二重联合线性判别阀值包括第一判别阈值和第二判别阈值，分别记为W₁和W₂，二重联合线性判别阈值为

$\left\{\begin{array}{c}{W}_1=f_1\left(C\right)\\ W_2=f_2\left(M\right)\end{array}\right..$

7.根据权利要求6所述的移动核心网故障识别二重联合线性判别方法，其特征在于，所述步骤⑥建立二重联合线性判别准则具体为：令d₁＝f₁(x)-W₁，d₂＝f₂(y)-W₂，对异常曲线上任一TRAU话务量数据X∈G带入上述两式，则：

8.根据权利要求7所述的移动核心网异常数据线性判别方法，其特征在于，所述步骤⑦判别分析TRAU话务量故障数据具体为：利用所述二重联合线性判别准则对新的TRAU话务量数据进行判别分析。

Images