CN102255764A - 传输网故障诊断方法及装置 - Google Patents

Abstract

一种传输网故障诊断方法及装置，该方法包括步骤：采集设定网络的告警信息和配置信息，所述配置信息包括网元层信息和网络连接层信息；根据由配置信息确定的故障传播模型构造贝叶斯网络模型，所述构造过程包括：对应故障传播模型中的每个节点，定义贝叶斯网络的一组变量，对应故障传播模型中的每一条有向边，定义贝叶斯网络的一条有向边，并初始化贝叶斯网络中各根节点的先验概率与各有向边的条件概率；根据所述告警信息，基于所述贝叶斯网络模型推理判断各待查询变量的各状态出现的条件概率，根据各待查询变量的条件概率状态确定故障点。本发明方案可以准确定位故障点，具有很强的可操作性。

Description

传输网故障诊断方法及装置

技术领域

本发明涉及一种传输网的故障诊断方法、一种传输网的故障诊断装置。

背景技术

在传输网中，出现故障是难以避免的，当有故障发生时，会发出相应的告警信息。依据现有的告警方式，当网络中发生一个故障时可能会产生大量的告警，通常情况下，一个大型的传输网中一天的告警量可以达到上百万条之多，面对如此庞大的告警数据，对于网络管理员来说，快速准确地从海量告警中分析并定位故障变得越来越困难，其原因除了故障引起的告警序列中会包含着无意义的告警、冗余的告警，且无意义、冗余的告警可能会重复出现之外，对于同一子网来说，某个通信实体发生故障上报告警后，会影响到其他存在依赖关系的通信实体也上报告警，如果仅考虑故障与告警之间的因果关系，而并没有把因果关系与通信实体件的依赖关系相结合，在实际传输网的告警相关性中将不太实用，此外，对于多层传输网来说，下层网络出现的故障往往会对上层网络产生影响，由于不同层网络的网管系统之间信息并不能互通，上报的告警信息中常常包含不完整的数据，因而也无法进行全网的根故障诊断。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于提供一种传输网的故障诊断方法、一种传输网的故障诊断系统，其可以准确定位故障点，且操作性强。

为了达到上述目的，本发明采用以下技术方案：

一种传输网故障诊断方法，包括步骤：

采集设定网络的告警信息和配置信息，所述配置信息包括网元层信息和网络连接层信息；

根据由配置信息确定的故障传播模型构造贝叶斯网络模型，所述构造过程包括：对应故障传播模型中的每个节点，定义贝叶斯网络的一组变量，对应故障传播模型中的每一条有向边，定义贝叶斯网络的一条有向边，并初始化贝叶斯网络中各根节点的先验概率与各有向边的条件概率；

根据所述告警信息，基于所述贝叶斯网络模型推理判断各待查询变量的各状态出现的条件概率，根据各待查询变量的条件概率状态确定故障点。

一种传输网故障诊断装置，包括：

采集单元，用于采集设定网络的告警信息和配置信息，所述配置信息包括网元层信息和网络连接层信息；

模型构建单元，用于根据由配置信息确定的故障传播模型构造贝叶斯网络模型，所述构造过程包括：对应故障传播模型中的每个节点，定义贝叶斯网络的一组变量，对应故障传播模型中的每一条有向边，定义贝叶斯网络的一条有向边，并初始化贝叶斯网络中各根节点的先验概率与各有向边的条件概率；

故障诊断单元，用于根据所述告警信息，基于所述贝叶斯网络模型推理判断各待查询变量的各状态出现的条件概率，根据各待查询变量的条件确定故障点。

根据上述本发明方案，其是将通信实体间不确定的依赖关系用概率来表示，利用概率推理定位故障，基于贝叶斯网络进行告警相关性分析和故障诊断，所构建的贝叶斯网络是基于网络结构的有向图解描述，具有多源信息一致表达与信息融合能力，能进行双向的并行推理，使推理结果更为准确可靠，适用于有条件地依赖多种控制因素的决策，从而可以利用贝叶斯网络准确定位故障点，具有很强的可操作性。

附图说明

图1是本发明的传输网故障诊断方法实施例的流程示意图；

图2是一个具体示例中的SDH over DWDM模型的示意图；

图3是依据图2的模型的贝叶斯网络的示意图；

图4是本发明的传输网故障诊断装置实施例一的结构示意图；

图5是本发明的传输网故障诊断装置实施例二的结构示意图；

图6是本发明的传输网故障诊断装置实施例三的结构示意图。

具体实施方式

以下结合具体实施例对本发明方案进行详细阐述。

参见图1所示，是本发明传输网故障诊断方法实施例的流程示意图，其包括步骤：

步骤S101：采集设定网络的告警信息和配置信息，这里的配置信息包括网元层信息和网络连接层信息，进入步骤S102；

步骤S102：根据由配置信息确定的故障传播模型构造贝叶斯网络模型，该构造过程包括：对应故障传播模型中的每个节点，定义贝叶斯网络的一组变量，对应故障传播模型中的每一条有向边，定义贝叶斯网络的一条有向边，并初始化定义贝叶斯网络中各根节点的先验概率与各有向边的条件概率，进入步骤S103；

步骤S103：根据上述告警信息，基于上述构造的贝叶斯网络模型推理判断待查询变量的各状态出现的条件概率，并依据各待查询变量的条件概率确定出现故障的故障点。

根据上述本发明方案，其是将通信实体间不确定的依赖关系用概率来表示，利用概率推理定位故障，基于贝叶斯网络进行告警相关性分析和故障诊断，所构建的贝叶斯网络是基于网络结构的有向图解描述，具有多源信息一致表达与信息融合能力，能进行双向的并行推理，使推理结果更为准确可靠，适用于有条件地依赖多种控制因素的决策，从而可以利用贝叶斯网络准确定位故障点，具有很强的可操作性。

上述步骤S101中的设定网络，是指被管理网络，所采集的告警信息可以包括多个字段，例如告警发生时间、告警清除时间、告警发生的位置信息、告警级别、告警内容描述等等，所采集的配置信息包含有网元层信息和连接层信息，其中，网元层描述的是设定网络中物理或者逻辑上的网元，例如子网、局站、基槽、机盘、端口等等，网络连接层信息描述的是网元之间的连接关系。在采集到告警信息和配置信息后，可转换为适用于数据库存储的格式进行存储。具体的采集方式、格式转换方式可以是与现有技术中已有的方式相同，在此不予赘述。

根据上述采集到的配置信息，可以得到该设定网络的故障传播模型，该故障传播模型中描述了各网元、网络连接层等发生故障时与其直接或者间接相关的其他网元、网络连接层的关联关系。根据该故障传播模型，可以构造得到贝叶斯网络模型，具体的构造过程可以如下所述：

首先，对应故障传播模型中的每个节点(这里的节点可以是网元层中的网元、也可以是网元连接层中的连接关系)，定义贝叶斯网络的一组变量V_i，变量V_i中的各元素分别代表该节点的一个状态，其中变量的值域等于{fault，normal}。当V_i＝fault时，表示对应的故障传播模型中的子网出现故障，无法向上层子网提供正确的服务，当V_i＝normal时，表示对应的故障传播模型中的子网处于正常状态，没有出现故障。

随后，对应故障传播模型中的每一条有向边X→Y，定义贝叶斯网络的一条有向边Y→X，表示节点Y是节点X的父节点，X与Y之间存在功能依赖关系。

然后对贝叶斯网络中各根节点的先验概率与各有向边的条件概率进行初始化，其中，这里的“根节点”表示底层子网，“叶子节点”表示高层子网，在贝叶斯网络中，根节点的先验概率和有向边的条件概率的初始值可以根据历史数据统计得出，也可以是根据通信专家的经验进行估计得到，或者也可以是采用其他的方式得到。

然后，可以根据告警信息，基于上述构造的贝叶斯网络模型进行概率推理。

采用X表示查询变量，E表示证据变量E₁，E₂，...，E_n，e表示一个观察到的特定事件，具体指代所接收到的告警信息，Y表示非证据变量集(也可称之为隐变量)Y₁，Y₂，...，Y_n。基于贝叶斯网络的概率推理的基本任务是：在给定一组证据变量E的观察值e，计算一组查询变量X的后验概率分布P(X|e)。

具体可通过下述贝叶斯公式计算：

$P\left(X\right|e)=\frac{P(X,e)}{P\left(e\right)}=\mathrm{\αP}(X,e)=\mathrm{\α}\underset{y}{\mathrm{\Σ}}P(X,e,y)$

式中，P(X|e)表示在观测到证据e后X的条件概率分布，即待查询变量基于所采集到的告警信息的条件概率，P(X，e)表示X与e的联合概率分布，P(e)表示证据e发生的概率，α是一个归一化常数，保证其所包含的概率相加等于1，y表示隐变量，P(X，e，y)表示表示X、e、y三个变量的联合概率，即隐变量y条件下的查询变量基于所采集到的告警信息的联合概率。其中的求和针对所有可能的y，即非证据变量Y的值的所有可能组合。P(X，e，y)可根据以下贝叶斯公式求和：

$P(x_1,x_2,..,x_n)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}P\left(x_i\right|\mathrm{parents}\left(x_i\right))=\underset{i=1}{\overset{n}{\mathrm{\Π}}}P\left(x_i\right|x_{i-1},...,x_1)$

上式中，parents(xi)表示xi节点的父节点。具体的贝叶斯公式的计算方式可以与现有技术中的相同，在此不予赘述。

考虑到故障引起的告警信息的序列中包含着很多无意义的告警、冗余的告警，例如因告警未及时处理而引发的同一告警的重复报告，冗余数据量大，若直接对采集到的告警信息执行本发明方案中的上述建立贝叶斯模型等步骤，势必会影响到故障诊断的效率，因此，在上述步骤S101中的采集了告警信息和配置信息之后，还可以包括步骤：

步骤S1012：对所采集的告警信息进行预处理，这里的预处理包括对告警信息进行压缩处理，这里的压缩处理包括：去除告警信息中冗余的告警信息。通过预处理操作，可将多个告警信息合并为少数几条甚至一条具有更准确信息的告警信息，这样的话，就可以用少数几条或者一条告警信息来代替初始的多条告警信息。

上述步骤S1012的预处理过程，可以是在步骤S102的构造贝叶斯网络模型的步骤之前进行，也可以是与步骤S 102同时进行，只要在步骤S103的推理判断步骤时所采用的告警信息已经做了压缩处理即可。

如上所示，在本发明方案中，是将通信实体间不确定的依赖关系用概率来表示，利用概率进行推理、定位故障。通过给定一组可观察(或计算)的子网内部失效情况的观测值e(即已知子网内部失效情况)，计算一组查询变量X的后验概率分布P(X|e)，即诊断出通信网的根故障源。例如，当故障发生时，不是必然导致告警的发生，而是以一定的概率引发该告警，依据构造的贝叶斯模型进行贝叶斯推理，根据告警信息可以确定一组最有可能的故障集合，可适用于不确定环境下的告警管理系统。

为了能够对本发明方案做进一步的详细了解，以下就其中一个具体实例进行详细说明。在该实例中，实验环境是采用ADM16SDH设备和OLS80GDWDM设备组建网络，SDH系统采用MS-SPRING保护方式。SDH与DWDM系统的承载关系如图2所示。

如图2所示，物理传输层由4个光缆段组成{1#，2#，3#，4#}，光缆上承载一个DWDM系统。DWDM系统由a、b、c、d这4个OADM站组成了链状结构，组成了3个光传送段{a-b，b-c，c-d}。4个SDH系统{R1，R2，R3，R4}承载在DWDM系统之上。其中，R1承载在b-c段上，R2承载在b-c和c-d段上，R3承载在b-c和c-d段上，R4承载在a-b和b-c段上。

定义查询变量X＝{X₁，X₂，X₃，X₄}表示光缆段信息，隐变量(非证据变量)Y＝{Y₁，Y₂，Y₃}表示DWDM光传送段信息，证据变量E＝{E₁，E₂，E₃，E₄}表示SDH复用段信息。其中，变量的值域等于{fault，normal}，当变量状态等于fault时，表示线路故障，无法为上层提供可靠的传输服务，当变量状态等于normal时，表示可以提供可靠、正常的服务。

根据图3中所示的SDH over DWDM故障传播模型，可以构造出图3中所示的贝叶斯网络。贝叶斯网络的先验概率、条件概率表等可以根据历史故障数据统计获得。

下表表1中示出了光缆段故障的先验概率表。

表1光缆段故障的先验概率

	X1	X2	X3	X4
					故障	0.3	0.1	0.2	0.1

在上表1中，各数值分别表示发生故障的概率，如上表1所示，示出了X1发生故障的概率为0.3，X2发生故障的概率为0.1，X3发生故障的概率为0.2，X4发生故障的概率为0.1。

下表表2中示出了DWDM光传送段Y1故障的条件概率表。

表2DWDM光传送段Y1故障的条件概率表

在上表中，各数值分别表示X1、X2处于对应的状态下，Y1发生故障的概率，上表中示出了：在X1正常、X2正常的状态下，Y1发生故障的概率为0.1，在X1、X2处于其他状态的情况下，Y1发生的概率为0.95。

下表表3示出了DWDM光传送段Y2故障的条件概率表。

表3DWDM光传送段Y2故障的条件概率表

在上表中，各数值分别表示X3处于对应的状态下，Y2发生故障的概率。依据表3所示，在X3发生故障的情况下，Y2发生故障的概率为0.95，在X3正常的情况下，Y2发生故障的概率为0.1。

下表表4示出了DWDM光传送段Y3故障的条件概率表。

表4DWDM光传送段Y3故障的条件概率表

在上表中，各数值分别表示X4处于对应的状态下，Y3发生故障的概率。依据表4所示，在X4发生故障的情况下，Y3发生故障的概率为0.90，在X4正常的情况下，Y3发生故障的概率为0.1。

下表表5示出了SDH环1故障的条件概率表。

表5SDH环1故障的条件概率表

在上表中，各数值分别表示Y2处于对应的状态下，E1发生故障的概率。依据表5所示，在Y2发生故障的情况下，E1发生故障的概率为0.9，在Y2正常的情况下，E1发生故障的概率为0.2。

下表表6示出了SDH环2故障的条件概率表。

表6SDH环2故障的条件概率表

在上表中，各数值分别表示Y2、Y3处于对应的状态下，E2发生故障的概率。依据表6所示，在Y2、Y3均发生故障的情况下，E2发生故障的概率为0.9，在Y2发生故障、Y3正常的情况下，E2发生故障的概率为0.3，在Y2正常、Y3发生故障的情况下，E2发生故障的概率为0.3，在Y2、Y3均正常的情况下，E2发生故障的概率为0.1。

下表表7示出了SDH环3故障的条件概率表。

表7SDH环3故障的条件概率表

在上表中，各数值分别表示Y2、Y3处于对应的状态下，E3发生故障的概率。依据表7所示，在Y2、Y3均发生故障的情况下，E3发生故障的概率为0.9，在Y2发生故障、Y3正常的情况下，E3发生故障的概率为0.3，在Y2正常、Y3发生故障的情况下，E3发生故障的概率为0.3，在Y2、Y3均正常的情况下，E3发生故障的概率为0.2。

表8示出了SDH环4故障的条件概率表。

表8SDH环4故障的条件概率表

在上表中，各数值分别表示Y2、Y1处于对应的状态下，E4发生故障的概率。依据表8所示，在Y2、Y1均发生故障的情况下，E4发生故障的概率为0.9，在Y2发生故障、Y1正常的情况下，E4发生故障的概率为0.2，在Y2正常、Y1发生故障的情况下，E4发生故障的概率为0.2，在Y2、Y1均正常的情况下，E4发生故障的概率为0.1。

假设在某个时间段内，R2和R3同时上报告警信息，告警指示R2和R3复用段线路故障。

从而可以根据上面的先验概率、条件概率，计算出光缆段X3、X4处于相应状态的概率：

P(X₃|e₂，e₃)＝αP(X₃，e₂，e₃)

＝αP(X₂)P(Y₂|X₃)P(e₂|Y₂)P(e₃|Y₂)

＝(0.94，0.06)

P(X₄|e₂，e₃)＝αP(X₄，e₂，e₃)

＝αP(X₄)P(Y₃|X₄)P(e₂|Y₃)P(e₃|Y₃)

＝(0.88，0.12)

依据上述推算结果，可以得知X3发生故障的概率为0.94、处于正常状态的概率为0.06，X4发生故障的概率为0.88、处于正常状态的概率为0.12，由于X3发生故障的概率大于X4发生故障的概率，因此引起“R2和R3同时出现告警”的根故障是：3#光缆段出现线路故障，从而可以判定是3#光缆段出现了线路故障。

为了对本发明方案的执行效率进行评估和衡量，可以定义故障诊断准确率HR，

通过对多次测量结果统计平均，根故障诊断率HR≥92.5％，由此可见，本发明方案可以有效地对传输网的故障进行诊断，可以准确定位根故障点，且可操作性高。

根据上述本发明方法，本发明还提供一种传输网故障诊断装置，图4中示出了本发明的传输网故障诊断装置实施例一的结构示意图，其包括有：

采集单元401，用于采集设定网络的告警信息和配置信息，这里的配置信息包括网元层信息和网络连接层信息；

与采集单元401连接的模型构建单元402，用于根据由配置信息确定的故障传播模型构造贝叶斯网络模型，该构造过程包括：对应故障传播模型中的每个节点，定义贝叶斯网络的一组变量，对应故障传播模型中的每一条有向边，定义贝叶斯网络的一条有向边，并初始化定义贝叶斯网络中各根节点的先验概率与各有向边的条件概率；

与采集单元401、模型构建单元402连接的故障诊断单元403，根据上述采集单元采集的告警信息，基于上述贝叶斯网络模型推理判断待查询变量的各状态出现的条件概率，并依据各待查询变量的条件概率确定出现故障的故障点。

图5中示出了本发明的传输网故障诊断装置实施例二的结构示意图，在本实施例中，与图4中所示的实施例一的不同之处主要在于，本实施例中还包括预处理单元4012。

如图5所示，在本实施例中，预处理单元4012连接在采集单元401与模型构建单元402之间，故障诊断单元403与模型构建单元402、预处理单元4012连接，预处理单元4012用于对所采集的告警信息进行预处理，这里的预处理包括对告警信息进行压缩处理，所述压缩处理包括：去除告警信息中冗余的告警信息。此时，故障诊断单元403所依据的告警信息，是预处理单元预处理之后的告警信息。

在该实施例的方案中，考虑到故障引起的告警信息的序列中包含着很多无意义的告警、冗余的告警，例如，还有因告警未及时处理而引发的同一告警的重复报告，冗余数据量大，若直接对采集到的告警信息进行本发明方案中的建立贝叶斯模型等步骤，势必会影响到故障诊断的效率，因此，通过进行预处理，可将多个告警信息合并为少数几条甚至一条具有更准确信息的告警信息，这样的话，就可以用少数几条或者一条告警信息来代替初始的多条告警信息，提高处理效率。

图5所示中，是以预处理单元4012连接在采集单元401与模型构建单元402之间、采集到告警信息后直接进行预处理进行说明，根据实际需要，预处理单元也可以是连接在采集单元401与故障诊断单元403之间，预处理过程与模型构建单元构造贝叶斯模型的过程可以同时进行，如图6的实施例三的结构示意图所示，在此不予赘述。

本发明的传输网故障诊断装置进行信息采集、模型构建、确定故障节点的方式与上述本发明的传输网故障诊断方法中的相同，在此不予多加赘述。

以上所述的本发明实施方式，仅仅是对本发明较佳实施方式的说明，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (8)

1.一种传输网故障诊断方法，其特征在于，包括步骤：

采集设定网络的告警信息和配置信息，所述配置信息包括网元层信息和网络连接层信息；

根据由配置信息确定的故障传播模型构造贝叶斯网络模型，所述构造过程包括：对应故障传播模型中的每个节点，定义贝叶斯网络的一组变量，对应故障传播模型中的每一条有向边，定义贝叶斯网络的一条有向边，并初始化贝叶斯网络中各根节点的先验概率与各有向边的条件概率；

根据所述告警信息，基于所述贝叶斯网络模型推理判断各待查询变量的各状态出现的条件概率，根据各待查询变量的条件概率状态确定故障点。

2.根据权利要求1所述的传输网故障诊断方法，其特征在于，在采集了告警信息和配置信息之后、基于所述贝叶斯网络模型推理判断各待查询变量的各状态出现的条件概率之前，还包括步骤：

对所采集的告警信息进行压缩处理，所述压缩处理包括：去除告警信息中冗余的告警信息。

3.根据权利要求1或2所述的传输网故障诊断方法，其特征在于，采用下式推理判断待查询变量的各状态出现的条件概率：

$P\left(X\right|e)=\frac{P(X,e)}{P\left(e\right)}=\mathrm{\αP}(X,e)=\mathrm{\α}\underset{y}{\mathrm{\Σ}}P(X,e,y)$

P(X|e)表示待查询变量基于所采集到的告警信息的条件概率，P(e)表示观察到的告警信息发生的概率，P(X，e)表示X与e的联合概率分布，y表示隐变量，P(X，e，y)表示隐变量y条件下的查询变量基于所采集到的告警信息的联合概率，α为归一化常数。

4.根据权利要求1或2所述的传输网故障诊断方法，其特征在于，各根节点的先验概率与各有向边的条件概率根据历史统计数据得出。

5.一种传输网故障诊断装置，其特征在于，包括：

采集单元，用于采集设定网络的告警信息和配置信息，所述配置信息包括网元层信息和网络连接层信息；

模型构建单元，用于根据由配置信息确定的故障传播模型构造贝叶斯网络模型，所述构造过程包括：对应故障传播模型中的每个节点，定义贝叶斯网络的一组变量，对应故障传播模型中的每一条有向边，定义贝叶斯网络的一条有向边，并初始化贝叶斯网络中各根节点的先验概率与各有向边的条件概率；

故障诊断单元，用于根据所述告警信息，基于所述贝叶斯网络模型推理判断各待查询变量的各状态出现的条件概率，根据各待查询变量的条件确定故障点。

6.根据权利要求5所述的传输网故障诊断装置，其特征在于，还包括与采集单元、故障诊断单元连接的预处理单元，用于对所采集的告警信息进行压缩处理，所述压缩处理包括：去除告警信息中冗余的告警信息。

7.根据权利要求5或6所述的传输网故障诊断装置，其特征在于，故障诊断单元采用下式推理判断待查询变量的各状态出现的概率：

$P\left(X\right|e)=\frac{P(X,e)}{P\left(e\right)}=\mathrm{\αP}(X,e)=\mathrm{\α}\underset{y}{\mathrm{\Σ}}P(X,e,y)$

P(X|e)表示待查询变量基于所采集到的告警信息的条件概率，P(e)表示观察到的告警信息发生的概率，P(X，e)表示X与e的联合概率分布，y表示隐变量，P(X，e，y)表示隐变量y条件下的查询变量基于所采集到的告警信息的联合概率，α为归一化常数。

8.根据权利要求5或6所述的传输网故障诊断装置，其特征在于，各根节点的先验概率与各有向边的条件概率根据历史统计数据得出。

Images