CN104052612A - 一种电信业务的故障识别与定位的方法及系统 - Google Patents
一种电信业务的故障识别与定位的方法及系统 Download PDFInfo
- Publication number
- CN104052612A CN104052612A CN201310080584.3A CN201310080584A CN104052612A CN 104052612 A CN104052612 A CN 104052612A CN 201310080584 A CN201310080584 A CN 201310080584A CN 104052612 A CN104052612 A CN 104052612A
- Authority
- CN
- China
- Prior art keywords
- feature value
- grader
- service feature
- fault
- failure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供了一种电信业务的故障识别与定位的方法及系统,所述方法包括:根据代表故障源的业务特征值和故障现象之间的相关系数,从样本数据中选择作为反向传递BP神经网络训练的业务特征值;为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器,并将弱分类器进行线性组合,得到对应的强分类器;按照各个业务特征值与故障现象之间的相关系数的大小顺序,将各个业务特征值对应的强分类器串联,并对串联后的强分类器进行训练,得到用于多故障源识别的层分类器;利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。本发明能够减少神经网络所需的训练样本量,提高故障检测实时性,并便于定位故障原因。
Description
技术领域
本发明涉及电信网络中的核心网、网管及业务支撑领域,具体涉及一种电信业务的故障识别与定位的方法及系统。
背景技术
随着电信业和信息服务技术业的发展,电信业务量也快速增长,所发生的故障数量也就会随之提升,这成为提升用户满意度、增强运营商公司的通信服务与用户之间的黏性的一个巨大障碍。
当前,解决故障的一个重要步骤是进行故障识别和定位,确定故障。这一步骤通常的实现方法是:人工识别故障,即根据业务数据和维护工作人员的经验,判定哪个方面存在故障,具体的判断的流程如下图1所示。
图1中,OCS为在线计费系统(Online Charging System);HLR为归属位置寄存系统(Host Location Register);BOSS为Business Operating SupportSystem。上述三个系统统称为业务系统。对业务系统运行过程中产生的数据进行采样,可以得到业务数据。当业务系统出现故障时,当前的处理方式为:前台的客服人员收到客户提交的故障信息后,将故障处理任务交给后台维护人员,后台维护人员根据客户和前台客服人员提供的信息来确认故障,并定位故障的原因,然后解决问题。这是一种被动的、延迟的模式,即必须在客户投诉后或者前台提供相关的报错信息时才能发现故障。显然,这种处理故障的方式就不会及时,从而影响到客户的满意度,降低用户对运营商服务的认同度。
神经网络又称为人工神经网络、神经计算,连接主义人工智能,并行分布处理等。一个神经网络是一个由简单处理元构成的规模宏大的并行分布处理器,具有存储经验知识和使之可用的特性。通过采用图2所示的神经网络,可以对故障进行实时检测,以缩短故障发生时处理的时间。
图2中,系统从OCS、HLR、BOSS和网络中采集的数据,通过神经网络输入层实时输入到经过训练的神经网络中,根据预测的故障的种类,输出层的不同的输入神经元产生的输入表明不同的系统故障。
图1所示的采用人工识别的故障识别方式是一种被动的、延迟的模式,即必须在客户投诉后或者前台有相关的报错时才去发现故障,那么这样处理故障就不会及时,从而影响用户对服务的认同。而图2所示基于神经网络的故障检测模型则存在着以下问题:
(1)所有的故障都在一个神经网络中检测,导致用于训练的样本数据量极大,这阻碍了该类模型的实用性。
用于检测故障的神经网络的输入接入了所有系统运行数据,而输入则产生所有的代表故障现象的故障信号。在训练时,任何一类现象的产生都需要所有的输入的数据,从输入和输出的维度来看,要确定任何一类的故障所需要的样本数据量都极大,这使得要训练好这样的一个检测神经网络需要大量的样本数据,这对于一个处于建设初期的故障检测系统和才关注故障检测的运行机构来说,难度较大。
(2)对于训练好的神经网络来说,由于其结构复杂,同时要计算各类故障,导致计算量大极具增大,这使得实时检测的延时较大。
故障检测的目的在于尽量缩短故障的响应时间,因此,包括故障识别和故障定位两个过程的故障检测的实时性非常重要。如果神经网络结构复杂,则需要计算的复杂度增大,计算时间将延长,这将不利于缩短故障识别和故障定位的时间。
(3)用于识别和定位故障的检测神经网络没有在故障现象(输出)和故障原因(输入)之间建立起明确的关系,这样导致不容易定位故障原因。
发明内容
有鉴于此,本发明实施例的目的是提供一种电信业务的故障识别与定位的方法及系统,能够减少神经网络所需的训练样本量,提高故障检测实时性,并便于定位故障原因。
为解决上述技术问题,本发明实施例提供方案如下:
本发明实施例提供了一种电信业务的故障识别与定位的方法,包括:
根据代表故障源的业务特征值和故障现象之间的相关系数,从样本数据中选择相关系数大于预设阈值的业务特征值,作为反向传递BP神经网络训练的业务特征值;
为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器,并将所确定的弱分类器进行线性组合,得到该业务特征值对应的一个强分类器;
按照各个业务特征值与故障现象之间的相关系数的大小顺序,将各个业务特征值对应的强分类器串联,并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进行训练,得到用于多故障源识别的层分类器;
利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。
进一步地,上述方案中,所述利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位,包括:将电信业务过程中产生的业务数据和/或网络数据输入所述层分类器,根据各个强分类器产生的输出,定位故障原因。
进一步地,上述方案中,所述为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器,包括:
为已选择出的各个业务特征值,建立一个基于BP神经网络的弱分类器;
采用预先得到的包含正反业务数据的样本数据组合,训练所述弱分类器识别单故障源,直至达到预定的训练次数,得到训练后的弱分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
进一步地,上述方案中,所述采用包括多故障源数据和故障现象的样本数据分别对串联后的强分类器进行训练,得到用于多故障源识别的层分类器,包括:
采用包括多故障源数据和故障现象的样本数据,对串联后的强分类器进行训练,直至达到预定的训练次数,得到所述层分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
进一步地,上述方案中,进一步选择与故障现象之间的相关系数大于预设阈值的业务特征值,将所选择的业务特征值对应的强分类器进行所述串联。
本发明实施例还提供了一种电信业务的故障识别与定位的系统,包括:
特征值选取单元,用于根据代表故障源的业务特征值和故障现象之间的相关系数,从样本数据中选择相关系数大于预设阈值的业务特征值,作为反向传递BP神经网络训练的业务特征值;
单故障源识别单元,用于为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器,并将所确定的弱分类器进行线性组合,得到该业务特征值对应的一个强分类器;
多故障源识别单元,用于按照各个业务特征值与故障现象之间的相关系数的大小顺序,将各个业务特征值对应的强分类器串联,并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进行训练,得到用于多故障源识别的层分类器;
业务处理单元,用于利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。
进一步地,上述方案中,所述业务处理单元,进一步将电信业务过程中产生的业务数据和/或网络数据输入所述层分类器,根据各个强分类器产生的输出,定位故障原因。
进一步地,上述方案中,所述单故障源识别单元,进一步用于为已选择出的各个业务特征值,建立一个基于BP神经网络的弱分类器;采用预先得到的包含正反业务数据的样本数据组合,训练所述弱分类器识别单故障源,直至达到预定的训练次数,得到训练后的弱分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
进一步地,上述方案中,所述多故障源识别单元,进一步用于采用包括多故障源数据和故障现象的样本数据,对串联后的强分类器进行训练,直至达到预定的训练次数,得到所述层分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
进一步地,上述方案中,所述多故障源识别单元,进一步用于选择与故障现象之间的相关系数大于预设阈值的业务特征值,将所选择的业务特征值对应的强分类器进行所述串联。
从以上所述可以看出,本发明实施例提供的电信业务的故障识别与定位的方法及系统,能够准确的识别出故障并定位,可以减少人为检查业务数据的工作量。本发明实施例还具有训练样本量不大、故障检测实时性高和故障原因定位快速等优点。
附图说明
图1为现有技术中人工识别故障的示意图;
图2为应用神经网络进行故障识别的示意图;
图3为本发明实施例所述方法的流程示意图;
图4为本发明实施例所述系统的结构示意图;
图5为本发明实施例中的层叠神经网络集成结构的示意图;
图6为本发明实施例提供的层分类器的结构示意图。
具体实施方式
从现有的故障规避(故障解决)的经验来看,最容易降低用户满意度的环节,也是最花费时间的环节是故障定位,即不能快速地找到故障的原因,把故障消除。因此,如果能在短时间内能够识别到故障、定位故障,这将大大缩短解决故障的时间,提高用户的满意度。同时,如果在故障现象和故障原因之间确立明确的关系,对于缩短故障解决时间,也具有非常重要的意义。
基于以上分析,本发明实施例提供了一种电信业务的故障识别与定位的方法及系统,能够减少所需的训练样本量,提高故障检测实时性,并便于定位故障原因。本发明实施例的方法,能够主动的去分析现有的业务数据或网络数据,从而能够发现故障,并快速确定故障原因,以帮助维护人员快速地解决故障问题。这里,业务数据是从业务系统输出的数据,网络数据是电信网络(如接入网、核心网等)运行过程中产生的数据。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明进行详细描述。
请参照图3,本发明实施例所述的电信业务的故障识别与定位的方法,包括以下步骤:
步骤31,根据代表故障源的业务特征值和故障现象之间的相关系数,从样本数据中选择相关系数大于预设阈值的业务特征值,作为反向传递(BP,Back Propagation)神经网络训练的业务特征值。
本步骤中,通过相关系数对样本数据进行降维处理,选取合适的特征值进行后续计算,以减少计算工作量,提高计算速度。
步骤32,根据AdaBoost算法,为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器,并将所确定的弱分类器进行线性组合,得到该业务特征值对应的一个强分类器。
本步骤中,为已选择出的各个业务特征值,建立一个基于BP神经网络的弱分类器;采用预先得到的包含正反业务数据的样本数据组合,训练所述弱分类器识别单故障源,直至达到预定的训练次数,得到训练后的弱分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值;然后,对训练后的弱分类器进行线性的组合,得到一个强分类器。
步骤33,按照各个业务特征值与故障现象之间的相关系数的大小顺序,将各个业务特征值对应的强分类器串联,并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进行训练,得到用于多故障源识别的层分类器。
本步骤中,进一步选择与故障现象之间的相关系数大于预设阈值的业务特征值,将所选择的业务特征值对应的强分类器进行所述串联。然后,通过采用包括多故障源数据和故障现象的样本数据,对串联后的强分类器进行训练,直至达到预定的训练次数,得到所述层分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
步骤34,利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。
本步骤中,通过将电信业务过程中产生的业务数据和/或网络数据输入所述层分类器,然后根据各个强分类器产生的输出,定位故障原因。
从以上方法可以看出,本发明实施例通过相关性分析,对训练和检测的数据降维,降低了对训练样本数量的要求,使得本发明实施例中提出的故障检测技术实际可行。而且,本发明实施例通过分层的故障检测器的设计安排,将复杂的计算分解成简单的计算,提高了故障检测的实时性。最后,本发明实施例提供了一种分层结构的层分类器,该层分类器的每个强分类器的输出对应于一个故障,这样,在某个强分类器产生输出时即可以定位到对应的故障原因,提高了故障原因定位的速度。
基于以上方法,本发明实施例还相应的提供了一种电信业务的故障识别与定位的系统,如图4所示,该系统包括:
特征值选取单元,用于根据代表故障源的业务特征值和故障现象之间的相关系数,从样本数据中选择相关系数大于预设阈值的业务特征值,作为反向传递BP神经网络训练的业务特征值;
单故障源识别单元,用于根据AdaBoost算法,为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器,并将所确定的弱分类器进行线性组合,得到该业务特征值对应的一个强分类器;
多故障源识别单元,用于按照各个业务特征值与故障现象之间的相关系数的大小顺序,将各个业务特征值对应的强分类器串联,并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进行训练,得到用于多故障源识别的层分类器;
业务处理单元,用于利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。
优选地,所述业务处理单元,进一步将电信业务过程中产生的业务数据和/或网络数据输入所述层分类器,根据各个强分类器产生的输出,定位故障原因。
优选地,所述单故障源识别单元,进一步用于为已选择出的各个业务特征值,建立一个基于BP神经网络的弱分类器;采用预先得到的包含正反业务数据的样本数据组合,训练所述弱分类器识别单故障源,直至达到预定的训练次数,得到训练后的弱分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
优选地,所述多故障源识别单元,进一步用于采用包括多故障源数据和故障现象的样本数据,对串联后的强分类器进行训练,直至达到预定的训练次数,得到所述层分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
优选地,所述多故障源识别单元,进一步用于选择与故障现象之间的相关系数大于预设阈值的业务特征值,将所选择的业务特征值对应的强分类器进行所述串联。
为更好地理解以上方法,下面将通过更为详细的说明,对本发明的具体实施例作进一步阐述。
请参照图5,图5提供了本发明实施例用于故障的识别和定位的层叠神经网络集成结构。该神经网络集成结构主要实现三个功能:(1)分析故障源和故障现象数据的相关性,分故障现象确定样本数据;(2)训练神经网络(分类器)用于单故障源(单特征值)的识别;(3)集成神经网络,形成层叠分类器,用于多故障源(多特征值)的识别。以下分别进行说明。
(1)相关性分析,确定样本数据的输入特征值
样本数据的特征值(维度)众多,为了减少神经网络的计算量,本发明实施例对样本数据的输入进行降维处理,即选择合适的特征值。
作为一种优选实施方式,采用如下公式的相关性分析来选择特征值。
式中,X为待选的特征值,Y为与故障有关的输出值。例如,X为服务器硬盘的剩余空间与标准空间的比值,Y为每秒内查询的次数。下标i表示不同的时间点,N表示样本数据采样的数量,表示Xi的平均值,表示Yi的平均值,rXY表示X与Y之间的相关性。
在这一步骤中,本实施例选择rXY为0.5作为阈值,即选择大于等于0.5的特征值,进入后续训练计算。
(2)单故障源识别器
在本实施例中,采用BP神经网络,建立一个有三层的网络模型:输入层、隐层、输出层。首先,在输入层输入预先获得的作为样本数据的业务数据或网络数据,经过隐层的作用函数的作用,在输出端就可以输出值,本实施例中,输出值只有两种:1和0,其中1代表该数据有故障,0代表没有,然后根据误差计算函数计算出误差,与预期误差相比,如果没有达到预期误差的要求,将刚才输出的信息反馈到输入层和隐层,从而作用于输入层和隐层,调节权值和相关的函数,来达到优化输出值的作用。
根据神经网络集成理论,通过单独训练多个神经网络,并将其结果合成,可以显著地提高神经网络的泛化能力,在本实施例中,这种泛化能力即为故障识别能力。这里采用的结果合成方法是AdaBoost算法,即为每一个特征值确定一个弱分类器,然后将这些弱分类器进行线性的组合,就组成了一种强分类器。在该算法中,每一个业务特征值被赋予一个权值,如果某个样本没有被正确分类,它的权值就会被提高,相反则会降低,其算法描述如下:
1)针对所选择的特征值,获得一定数量的正反业务数据的样本,作为训练分类器的样本数据,这里假定有正反数据样本各有若干条。
2)初始化训练分类器组合的权值w,将正反业务数据样本按照预设的不同比例(例如,10:1、10:2、10:3、…、10:10)进行样本组合生成多个样本组合。通常,负样本比正样本少很多,因此,每类样本组合的正样本不减少,而负样本的生成可以采用重复生成的方式来进行样本数量补齐;
3)为每个样本组合建立一个分类器(BP神经网络算法),针对每个样本组合,进行预定次数(如100次训练),然后,对执行完训练的分类器进行模拟误差估算,误差为:训练模拟输出与实际输出的差值;
4)选择所有样本组合对应的分类器中误差最小的预设数量的分类器,例如选择误差最小的3个分类器;
5)将分类器的模拟正确识别率作为组合权重,对上述选择的分类器进行线性组合,得到该业务特征值对应的强分类器。
经过上面的过程就可以得到一个强分类器,该分类器可以很快的分辨出该条数据是否故障,提高了故障识别的效率,但是只能针对具有单一特征值的故障的情况。
(3)多故障源识别器
前面得到单个的强分类器,而当特征值的数量超过一个的时候,无法采用前面的单故障源识别器。因此,本实施例提供了如图6所示的一种层分类器的模型,该层分类器是用串联的方式将多个神经网络(即上文的强分类器)进行组合。根据相关系数来安排各神经网络在层分类器中的位置。采用多故障源数据和正常数据的所有故障源X与故障现象Y分别对各个神经网络进行训练。具体步骤为:
1)采用(1)中的相关性分析的步骤,选择大于相关系数阈值0.5的所有与某一故障现象Y相关的特征值X;一个故障现象可能由若干个故障源引起,一个故障源对应于一个特征值;这里的某一故障现象Y可以从需要定位的故障现象中任选。
2)按各个特征值与所选择的故障现象Y之间的相关系数的大小顺序,将各个特征值所表示的故障源对应的神经网络排入层分类器(如图6所示)中;相关系数的大小反映了引起故障现象的故障源的可能性的大小;相关系数大的神经网络,排序在更接近输入端的位置(如图6中更靠右的位置);
3)分别用样本数据对神经网络进行训练,训练的过程与(2)单故障源识别器1)、2)和3)步相同。
通过这样的安排,每一层故障分类器就可以排除一个故障源,层次越高的分类器(排序越靠近输入端位置的分类器),其对应的特征值引起故障的可能性越大,因此,这类组合可以高效地检测和定位故障,第一层分类器只用到了一个就可以筛选出不是故障的信息,然后依次将剩下的没有筛选出的业务数据经过其他的分类器去执行,这样就可以很高效地识别故障并通过神经网络产生出的输出定位故障原因(故障源)。
经实验得出的结论:使用该分层结构比不用分层的单个神经网络结构的识别故障的效率平均可以提高数倍。
综上,本发明实施例根据电信业务的故障定位的需求及其特点,提出了分类器的级联模式,在业务特征值的选取时,本发明实施例将业务数据中的故障现象与故障源(故障原因)所代表的数据之间做关联分析,确定故障的考察范围(选择相关系数大于阈值的特征值),从而可以降低维度,减小后续计算的计算复杂度,提高计算速度;并且,本发明实施例采用分类器的分层结构模式,分层结构的优势在于:(1)处理效率高。分层结构分类器的处理效率高于由单个神经网络构成的分类器,经实验验证:输入相同的特征值,分层结构模式的分类器模型的效率可以提高数倍;(2)快速定位故障:通过分层结构中神经网络的输出即可定位故障源。
以上所述仅是本发明的实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种电信业务的故障识别与定位的方法,其特征在于,包括:
根据代表故障源的业务特征值和故障现象之间的相关系数,从样本数据中选择相关系数大于预设阈值的业务特征值,作为反向传递BP神经网络训练的业务特征值;
为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器,并将所确定的弱分类器进行线性组合,得到该业务特征值对应的一个强分类器;
按照各个业务特征值与故障现象之间的相关系数的大小顺序,将各个业务特征值对应的强分类器串联,并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进行训练,得到用于多故障源识别的层分类器;
利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。
2.如权利要求1所述的方法,其特征在于,所述利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位,包括:将电信业务过程中产生的业务数据和/或网络数据输入所述层分类器,根据各个强分类器产生的输出,定位故障原因。
3.如权利要求1所述的方法,其特征在于,所述为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器,包括:
为已选择出的各个业务特征值,建立一个基于BP神经网络的弱分类器;
采用预先得到的包含正反业务数据的样本数据组合,训练所述弱分类器识别单故障源,直至达到预定的训练次数,得到训练后的弱分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
4.如权利要求1所述的方法,其特征在于,所述采用包括多故障源数据和故障现象的样本数据分别对串联后的强分类器进行训练,得到用于多故障源识别的层分类器,包括:
采用包括多故障源数据和故障现象的样本数据,对串联后的强分类器进行训练,直至达到预定的训练次数,得到所述层分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
5.如权利要求1所述的方法,其特征在于,进一步选择与故障现象之间的相关系数大于预设阈值的业务特征值,将所选择的业务特征值对应的强分类器进行所述串联。
6.一种电信业务的故障识别与定位的系统,其特征在于,包括:
特征值选取单元,用于根据代表故障源的业务特征值和故障现象之间的相关系数,从样本数据中选择相关系数大于预设阈值的业务特征值,作为反向传递BP神经网络训练的业务特征值;
单故障源识别单元,用于为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器,并将所确定的弱分类器进行线性组合,得到该业务特征值对应的一个强分类器;
多故障源识别单元,用于按照各个业务特征值与故障现象之间的相关系数的大小顺序,将各个业务特征值对应的强分类器串联,并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进行训练,得到用于多故障源识别的层分类器;
业务处理单元,用于利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。
7.如权利要求6所述的系统,其特征在于,所述业务处理单元,进一步将电信业务过程中产生的业务数据和/或网络数据输入所述层分类器,根据各个强分类器产生的输出,定位故障原因。
8.如权利要求6所述的系统,其特征在于,所述单故障源识别单元,进一步用于为已选择出的各个业务特征值,建立一个基于BP神经网络的弱分类器;采用预先得到的包含正反业务数据的样本数据组合,训练所述弱分类器识别单故障源,直至达到预定的训练次数,得到训练后的弱分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
9.如权利要求6所述的系统,其特征在于,所述多故障源识别单元,进一步用于采用包括多故障源数据和故障现象的样本数据,对串联后的强分类器进行训练,直至达到预定的训练次数,得到所述层分类器,其中,每执行一次训练后估算训练目标误差,选择其中误差最小的分类器并降低该分类器的权值。
10.如权利要求6所述的系统,其特征在于,所述多故障源识别单元,进一步用于选择与故障现象之间的相关系数大于预设阈值的业务特征值,将所选择的业务特征值对应的强分类器进行所述串联。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310080584.3A CN104052612B (zh) | 2013-03-13 | 2013-03-13 | 一种电信业务的故障识别与定位的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310080584.3A CN104052612B (zh) | 2013-03-13 | 2013-03-13 | 一种电信业务的故障识别与定位的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104052612A true CN104052612A (zh) | 2014-09-17 |
CN104052612B CN104052612B (zh) | 2017-08-25 |
Family
ID=51504997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310080584.3A Active CN104052612B (zh) | 2013-03-13 | 2013-03-13 | 一种电信业务的故障识别与定位的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104052612B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105554786A (zh) * | 2015-12-11 | 2016-05-04 | 中国联合网络通信集团有限公司 | 一种定位网络问题的方法及装置 |
CN106713016A (zh) * | 2016-12-07 | 2017-05-24 | 中国联合网络通信集团有限公司 | 室内分布系统的故障推理方法及装置 |
CN107067519A (zh) * | 2017-05-12 | 2017-08-18 | 广东工业大学 | 一种基于脑电身份识别的保险箱 |
CN107169434A (zh) * | 2017-05-10 | 2017-09-15 | 广东工业大学 | 一种具备排他性的脑电身份识别方法 |
CN107370618A (zh) * | 2017-06-05 | 2017-11-21 | 北京奇艺世纪科技有限公司 | 故障排查方法、装置及电子设备 |
CN108696379A (zh) * | 2017-04-07 | 2018-10-23 | 南京航空航天大学 | 基于集成学习和smote的蜂窝网络故障诊断系统 |
EP3396558A4 (en) * | 2015-12-23 | 2018-10-31 | Tencent Technology Shenzhen Company Limited | Method for user identifier processing, terminal and nonvolatile computer readable storage medium thereof |
CN110716127A (zh) * | 2019-10-29 | 2020-01-21 | 恩平市高尔电子科技有限公司 | 一种麦克风接收器线路板检测系统 |
CN112129869A (zh) * | 2020-09-23 | 2020-12-25 | 清华大学深圳国际研究生院 | 基于数据驱动的现场质谱仪稳定输出控制系统及方法 |
CN113490857A (zh) * | 2019-02-06 | 2021-10-08 | 利萨·德雷克塞迈尔有限责任公司 | 方法和测试设备 |
US11196638B2 (en) | 2015-11-05 | 2021-12-07 | Huawei Technologies Co., Ltd. | Network event prediction method and apparatus and method and apparatus for establishing network-event prediction model |
CN113887414A (zh) * | 2021-09-30 | 2022-01-04 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备和存储介质 |
CN116805926A (zh) * | 2023-08-21 | 2023-09-26 | 上海飞旗网络技术股份有限公司 | 网络业务类型识别模型训练方法、网络业务类型识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102957579A (zh) * | 2012-09-29 | 2013-03-06 | 北京邮电大学 | 一种网络异常流量监测方法及装置 |
-
2013
- 2013-03-13 CN CN201310080584.3A patent/CN104052612B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102957579A (zh) * | 2012-09-29 | 2013-03-06 | 北京邮电大学 | 一种网络异常流量监测方法及装置 |
Non-Patent Citations (1)
Title |
---|
HAN-YONGZHONG等: "Research of Identification and Positioning System for Network Failure based on BP neural network", 《IEEE》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11196638B2 (en) | 2015-11-05 | 2021-12-07 | Huawei Technologies Co., Ltd. | Network event prediction method and apparatus and method and apparatus for establishing network-event prediction model |
CN105554786B (zh) * | 2015-12-11 | 2019-08-09 | 中国联合网络通信集团有限公司 | 一种定位网络问题的方法及装置 |
CN105554786A (zh) * | 2015-12-11 | 2016-05-04 | 中国联合网络通信集团有限公司 | 一种定位网络问题的方法及装置 |
EP3396558A4 (en) * | 2015-12-23 | 2018-10-31 | Tencent Technology Shenzhen Company Limited | Method for user identifier processing, terminal and nonvolatile computer readable storage medium thereof |
CN106713016A (zh) * | 2016-12-07 | 2017-05-24 | 中国联合网络通信集团有限公司 | 室内分布系统的故障推理方法及装置 |
CN108696379A (zh) * | 2017-04-07 | 2018-10-23 | 南京航空航天大学 | 基于集成学习和smote的蜂窝网络故障诊断系统 |
CN107169434A (zh) * | 2017-05-10 | 2017-09-15 | 广东工业大学 | 一种具备排他性的脑电身份识别方法 |
CN107067519B (zh) * | 2017-05-12 | 2023-02-03 | 广东工业大学 | 一种基于脑电身份识别的保险箱 |
CN107067519A (zh) * | 2017-05-12 | 2017-08-18 | 广东工业大学 | 一种基于脑电身份识别的保险箱 |
CN107370618A (zh) * | 2017-06-05 | 2017-11-21 | 北京奇艺世纪科技有限公司 | 故障排查方法、装置及电子设备 |
CN113490857B (zh) * | 2019-02-06 | 2024-04-02 | 利萨·德雷克塞迈尔有限责任公司 | 方法和测试设备 |
CN113490857A (zh) * | 2019-02-06 | 2021-10-08 | 利萨·德雷克塞迈尔有限责任公司 | 方法和测试设备 |
CN110716127A (zh) * | 2019-10-29 | 2020-01-21 | 恩平市高尔电子科技有限公司 | 一种麦克风接收器线路板检测系统 |
CN112129869B (zh) * | 2020-09-23 | 2022-11-18 | 清华大学深圳国际研究生院 | 基于数据驱动的现场质谱仪稳定输出控制系统及方法 |
CN112129869A (zh) * | 2020-09-23 | 2020-12-25 | 清华大学深圳国际研究生院 | 基于数据驱动的现场质谱仪稳定输出控制系统及方法 |
CN113887414A (zh) * | 2021-09-30 | 2022-01-04 | 北京百度网讯科技有限公司 | 目标检测方法、装置、电子设备和存储介质 |
CN116805926A (zh) * | 2023-08-21 | 2023-09-26 | 上海飞旗网络技术股份有限公司 | 网络业务类型识别模型训练方法、网络业务类型识别方法 |
CN116805926B (zh) * | 2023-08-21 | 2023-11-17 | 上海飞旗网络技术股份有限公司 | 网络业务类型识别模型训练方法、网络业务类型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104052612B (zh) | 2017-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104052612A (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN105930277B (zh) | 一种基于缺陷报告分析的缺陷源代码定位方法 | |
CN106470122B (zh) | 一种网络故障定位方法及装置 | |
CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN104331635B (zh) | 电力光纤通信光功率预测的方法 | |
CN109117941A (zh) | 告警预测方法、系统、存储介质及计算机设备 | |
CN103514566A (zh) | 一种风险控制系统及方法 | |
CN107967485A (zh) | 用电计量设备故障分析方法及装置 | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
CN112433927A (zh) | 基于时间序列聚类和lstm的云服务器老化预测方法 | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN112508243A (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
CN106327357A (zh) | 一种基于改进概率神经网络的负载识别方法 | |
CN112308341A (zh) | 电力数据的处理方法和装置 | |
CN109829627A (zh) | 一种基于集成学习方案的电力系统动态安全置信评估方法 | |
CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
CN106251861A (zh) | 一种基于场景建模的公共场所异常声音检测方法 | |
CN115422788A (zh) | 一种配电网线损分析管理方法、装置、存储介质及系统 | |
CN111539612A (zh) | 一种风险分类模型的训练方法和系统 | |
CN113393316B (zh) | 基于海量大数据、核心算法的贷款全过程精准风控及管理系统 | |
CN115878992A (zh) | 综合管廊供电系统的监控方法和监控系统 | |
Gu et al. | Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems | |
CN116611911A (zh) | 基于支持向量机的信用风险预测方法及装置 | |
CN116225752A (zh) | 基于故障模式库的微服务系统故障根因分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |