CN104639368A - 通信网络设备的故障处理方法及装置 - Google Patents

Abstract

本发明实施例提供了一种通信网络设备的故障处理方法及装置，涉及通信领域，能够解决现有技术对通信网络设备的故障的处理效率较低的问题，通信网络设备的故障处理方法包括：故障管理设备获取通信网络设备对应的时间序列格式数据；所述故障管理设备通过所述时间序列格式数据，判断所述通信网络设备是否存在异常趋势；若所述通信网络设备存在异常趋势，则所述故障管理设备生成故障预测信息。本发明可用于网络故障管理。

Description

通信网络设备的故障处理方法及装置

技术领域

本发明涉及通信领域，尤其涉及一种通信网络设备的故障处理方法及装置。

背景技术

近年来，网络功能虚拟化技术日益普及，由于其能够实现软硬件的解耦合，且不拘限于硬件架构，因此具有极强的灵活性。然而，该技术在提高灵活性的同时，也引入了物理硬件、虚拟化层以及网络应用之间的不确定性以及集成第三方系统、开源软件以及虚拟组网的复杂性等问题，在这种情况下，对通信网络设备的故障进行处理，必须从相关网络中的各种数据源进行采集(例如不同厂商，不同产品产生的海量日志和告警信息等等)，进而对采集到的海量的数据进行分析处理，以解决故障。

然而，在对于通信网络设备的故障处理过程中，传统的网络故障管理方法只能被动地应对已出现的故障，进而采取相应的解决措施，而如上述内容所提到的，目前对通信网络设备的故障的处理通常需要对海量的数据进行分析，因此故障处理所需要的时间较长，从而导致对通信网络设备的故障的处理效率较低。

发明内容

本发明实施例提供了一种通信网络设备的故障处理装置以及方法，目的在于解决现有技术对通信网络设备的故障的处理效率较低的问题。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本发明提供了一种通信网络设备的故障处理方法，所述方法包括：

故障管理设备获取通信网络设备对应的时间序列格式数据；

所述故障管理设备通过所述时间序列格式数据，判断所述通信网络设备是否存在异常趋势；

若所述通信网络设备存在异常趋势，则所述故障管理设备生成故障预测信息。

结合第一方面，在第一种可能的实施方式中，所述所述故障管理设备通过所述时间序列格式数据，判断所述通信网络设备是否存在异常趋势包括：

所述故障管理设备通过所述时间序列格式数据获取实时参数值，判断所述实时参数值是否在预置范围外，所述预置范围对应所述通信网络设备在无异常运行状态下的运行参数值范围；

所述若所述通信网络设备存在异常趋势，则生成故障预测信息包括：

若所述实时参数值在所述预置范围外，则所述故障管理设备生成所述故障预测信息。

结合第一方面的第一种可能的实施方式，在第二种可能的实施方式中，所述所述故障管理设备通过所述时间序列格式数据获取实时参数值，判断所述实时参数值是否在预置范围外具体包括：

通过比对所述实时参数值与所述期望参数值的偏差，判断所述实时参数值是否在所述期望参数值的预置范围外，所述实时参数值为根据所述时间序列格式数据计算得到的通信网络设备的实际运行参数值，所述期望参数值为基于以往的所述实时参数值的通信网络设备的理论运行参数值。

结合第一方面，在第三种可能的实施方式中，所述所述故障管理设备通过所述时间序列格式数据，判断所述通信网络设备是否存在异常趋势包括：

所述故障管理设备通过所述时间序列格式数据生成异常事件时序图，获取所述异常事件时序图对应的异常事件概率值，判断所述异常事件概率值是否大于或者等于预置异常事件概率值；

所述若所述通信网络设备存在异常趋势，则生成故障预测信息包括：

若所述异常事件概率值大于或者等于预置异常事件概率值，则生成所述故障预测信息。

结合第一方面的第三种可能的实施方式，在第四种可能的实施方式中，所述所述故障管理设备通过所述时间序列格式数据生成异常事件时序图，获取所述异常事件时序图对应的异常事件概率值，判断所述异常事件概率值是否大于或者等于预置异常事件概率值具体包括：

利用频繁子图挖掘对所述时间序列格式数据进行分析，从所述时间序列格式数据中提取异常事件记录，并按照时间顺序格式化所述异常事件记录，以生成异常事件时序图，并将所述异常事件时序图抽象化为子图，若正在发生的异常事件所对应的子图在图集中出现的频率大于或等于最小支持度，则判断异常事件概率值大于或者等于预置异常事件概率值。

第二方面，本发明还提供了一种通信网络设备的故障处理装置，所述装置包括：

获取模块，用于获取通信网络设备对应的时间序列格式数据；

分析模块，与所述获取模块连接，用于通过所述时间序列格式数据判断是否存在异常趋势；

生成模块，与所述分析模块连接，用于若所述通信网络设备存在异常趋势，则生成故障预测信息。

结合第二方面，在第一种可能的实施方式中，所述分析模块用于通过所述时间序列格式数据获取实时参数值，判断所述实时参数值是否在预置范围外，所述预置范围对应所述通信网络设备在无异常运行状态下的运行参数值范围；

所述生成模块用于若所述实时参数值在所述预置范围外，则生成所述故障预测信息。

结合第二方面的第一种可能的实施方式，在第二种可能的实施方式中，所述分析模块具体用于：

通过比对所述实时参数值与期望参数值的偏差，判断所述实时参数值是否在所述期望参数值的预置范围外，所述实时参数值为根据所述时间序列格式数据计算得到的通信网络设备的实际运行参数值，所述期望参数值为基于以往的所述实时参数值的通信网络设备的理论运行参数值。

结合第二方面，在第三种可能的实施方式中，所述分析模块用于通过所述时间序列格式数据生成异常事件时序图，获取所述异常事件时序图对应的异常事件概率值，判断所述异常事件概率值是否大于或者等于预置异常事件概率值；

所述生成模块用于若所述异常事件概率值大于或者等于预置异常事件概率值，则生成所述故障预测信息。

结合第二方面的第三种可能的实施方式，在第四种可能的实施方式中，所述分析模块具体用于：

利用频繁子图挖掘对所述时间序列格式数据进行分析，从所述时间序列格式数据中提取异常事件记录，并按照时间顺序格式化所述异常事件记录，以生成异常事件时序图，并将所述异常事件时序图抽象化为子图，若正在发生的异常事件所对应的子图在图集中出现的频率大于或等于最小支持度，则判断异常事件概率值大于或者等于预置异常事件概率值。

本发明实施例提供了一种通信网络设备的故障处理方法及装置，通过通信网络设备对应的时间序列格式数据判断是否存在异常趋势，当存在异常趋势时，主动生成故障预测信息。基于时间序列格式数据，根据已经发生的事件推测若干时间后的事件，或根据已有的数据估算若干时间后的数据，从而能够在故障尚未发生时，通过数据分析得出是否存在可能导致故障的异常趋势，进而主动生成故障预测信息，以尽早应对可能发生的故障，提高网络故障管理的效率。

附图说明

图1为本发明实施例提供的通信网络设备的故障处理方法的示意图；

图2为图1中步骤200和步骤300的一种流程示意图；

图3为图1中步骤200和步骤300的另一种流程示意图；

图4为本发明实施例提供的通信网络设备的故障处理装置的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图对本发明实施例所提供的通信网络设备的故障处理方法及装置进行详细描述。

本发明提供了一种通信网络设备的故障处理方法，如图1所示，包括：

100、故障管理设备获取通信网络设备对应的时间序列格式数据。

在该步骤中，对当前通信网络设备及其相关网络中的原始运行数据进行采集，例如硬件、虚拟化层、软件的系统日志、事件和告警信息等，而后整合分类这些数据，并按照时间顺序排列，获得时间序列格式数据。例如，对于通信网络设备的数据吞吐量进行监测，每天获得一个监测值，将这些监测值按照时间顺序排列即得到数据吞吐量相关的时间序列格式数据。需要说明的是，该步骤提供对各种主流协议和接口的支持，包括简单网络管理协议SNMP、开放数据库互连ODBC、记录文件Log Files等。

以网络功能虚拟化功能设备为例，由于网络功能虚拟化技术实现软件和硬件的解耦合，为更快定位并处理故障，硬件、虚拟化层和软件的告警数量将迅速增加。因此，为了提前预判网络功能虚拟化设备通信网络设备的故障，本步骤尽可能多地从各种数据源采集数据，例如不同厂商、不同产品产生的海量日志、事件和告警信息等。

需要说明的是，上述从大量数据源采集到的海量数据可能存在杂乱冗杂、格式混乱、时效性不足等问题，因此必须对采集到的原始数据进行整合。具体的，本发明将杂乱冗余、格式混乱、时效性不足的原始数据进行过滤清洗、去冗处理和聚合分类。特别的，若涉及到隐私数据，则对隐私数据进行去隐私化处理，提取隐私索引字段，根据去隐私映射关系表中的映射规则进行去隐私化。而后按照时间顺序将处理后的数据进行整理，生成时间序列格式数据。

200、所述故障管理设备通过所述时间序列格式数据，判断所述通信网络设备是否存在异常趋势。

在该步骤中，对异常趋势的判定可以采用如下方式：由于通信网络设备在正常可用状态和故障不可用状态之间存在异常的中间状态，此时设备可能仍处于相对可用的状态，并没有出现明显故障，但存在可能导致故障的异常趋势，本发明对该中间状态进行判断及检测，以在设备进入故障不可用状态前及时预测和处理，从而排除异常(即可能引起故障的问题)，避免设备进入故障不可用状态，最终提高故障处理的效率，需要说明的是，本发明不仅具有上述检测异常趋势并对其进行排除的功能，即使设备已进入故障不可用状态，也能够对故障进行识别和排除。

300、若所述通信网络设备存在异常趋势，则所述故障管理设备生成故障预测信息。

具体的，由上述内容可知，通信网络设备的正常可用状态与异常的中间状态存在界线，该界线可表示运行参数的临界值、异常事件发生频率的临界值等，本步骤根据异常事件之间的关联关系、事件规则以及历史数据，预先将上述界线量化，以生成理论值，并将根据时间序列格式数据分析得到的实时参数值与该理论值进行比较，若实时参数值偏离该理论值的程度超过一定阈值，则判定通信网络设备出现异常趋势，进而生成故障预测信息。

需要说明的是的是，在步骤300完成后，本发明对分析的结果进行综合处理，预测当前通信网络设备的运行状况和未来趋势，并预测当前异常导致故障的可能性，将上述综合处理所得的结果综合整理成故障处理信息，并形成可视化输出界面以提供给管理员确认，管理员确认可根据该信息对网络通信设备的故障进行处理后，故障管理设备根据该信息进行故障处理。可以理解的是，也可不将故障处理信息提供给管理员，而直接进行下述对异常和故障进行处理的步骤，可根据网络管理策略设置故障处理信息是否需要经过管理员确认。

故障处理的具体过程如下：故障管理设备根据故障处理信息启动相应处理程序，例如，若故障处理信息预测发生承载能力或者网络资源不足，则启动冗余资源对在网业务进行接管；若故障处理信息预测发生链路异常，则启动备份链路机制；若故障处理信息预测网元功能软件异常，则需要启动业务迁移和重新实例化机制；若故障处理信息预测网元功能硬件异常，则需要启动业务迁移和容灾倒换机制，并通知网络管理员排查。需要说明的是，对于异常及故障的预测以及处理措施并不限于上述情况，对于任意时间及空间状态下的通信网络设备，本领域技术人员均可根据实际情况设置对应的异常及故障处理措施。

本发明实施例提供了一种通信网络设备的故障处理方法，通过通信网络设备对应的时间序列格式数据判断是否存在异常趋势，当存在异常趋势时，主动生成故障预测信息。基于时间序列格式数据，根据已经发生的事件推测若干时间后的事件，或根据已有的数据估算若干时间后的数据，从而能够在故障尚未发生时，通过数据分析得出是否存在可能导致故障的异常趋势，进而主动生成故障预测信息，以尽早应对可能发生的故障，提高网络故障管理的效率。

本发明实施例中的另一实施方式中，提供了实现上述步骤200和步骤300的具体方法流程，该方法流程如图2所示，包括：

210、所述故障管理设备通过所述时间序列格式数据获取实时参数值，判断所述实时参数值是否预置范围外，所述预置范围对应所述通信网络设备在无异常运行状态下的运行参数值范围。

在通信网络设备正常运行的一定时间范围内，描述设备运行的参数是保持平稳的，即时刻t监测到的设备运行参数集X_t与时刻t+1监测到的设备运行参数集X_t+1具有相同的分布。具体的，监测到的设备运行参数满足大数定理(当试验次数足够多时，事件出现的频率无穷接近于该事件发生的概率)，即设备运行参数随机变量序列X_t每天的实时参数值收敛于期望参数值：

$E\left(X\right)=\frac{1}{T}\underset{t}{\mathrm{\Σ}}{X}_t$

基于上述说明，网络异常将引起设备运行的实时参数值偏离期望参数值。因此，作为发现异常的关键，本发明将对设备运行参数是否处于预置范围外进行定量分析，可以理解的是，预置范围是管理员结合历史实时参数值以及实际情况，根据期望参数值设置的合理参数范围。

310、若所述实时参数值在所述预置范围外，则所述故障管理设备生成所述故障预测信息。

具体的，当实时参数值在所述期望参数值的预置范围外时，则故障管理设备判断当前的通信网络设备存在异常趋势，结合通信网络设备的容量性能、异常事件规则，根据检测到的实时参数值生成故障预测信息，该步骤把异常趋势所对应的异常事件映射到对应的节点，对该事件进行追踪。通过对异常事件告警进行解析，计算异常事件导致通信网络设备故障的可能性，从而排除误告警，提高故障处理效率。

本发明实施例中的另一实施方式中，提供了实现上述步骤210的具体方法，包括：

通过比对所述实时参数值与所述期望参数值的偏差，判断所述实时参数值是否在期望参数值的预置范围外，所述实时参数值为根据所述时间序列格式数据计算得到的通信网络设备的实际运行参数值，所述期望参数值为基于以往的所述实时参数值的通信网络设备的理论运行参数值。

在该步骤中，采用统计学规律计算并分析通信网络设备的事件序列格式数据，以判断通信网络设备的异常趋势。具体的，由于设备运行参数的时间序列中在某一时刻t的网络参数集X_t由其之前若干时刻的数据及随机干扰项确定，即设备运行参数具有一定的记忆特性。因此，存在p阶自回归模型AR(p)，

X_t＝α₁X_t-1+α₂X_t-2+…+α_pX_t-p+δ_t

其中，δ_t为加性噪声，α₁α₂…α_p为t时刻之前对当前时刻t的影响强度。当网络运行状态发生明显变化或者产生异常趋势时，上述等式关系将出现较大的偏差。

在上述公式中，需要从时间序列格式数据中提取历史上的设备运行参数值，按照时间t的变化带入上述公式，从而通过曲线拟合和参数估计逐步确定α₁α₂…α_p的值以及δ_t在正常运行状态下的理论值，将这些值带入公式中，即可求得设备运行参数的期望参数值，

结合通信网络设备的实际运行情况，以及历史实时参数值的数据记录，根据期望参数值设置合理的预置范围，并将当前的实时参数值与该预置范围进行比较，当实时参数值超出该范围时，判断通信网络设备出现异常。

对于网络异常的预测视为一个假设检验问题，需要判断X_t+n是否与X_t同分布。根据概率密度函数计算{X_1,X₂…X₃}的期望和方差的最大似然估计，并采用似然比检验的假设检验法师计算网络存在异常的似然比。

在本发明的另一实施方式中，如图3所示，提供了实现上述步骤200和步骤300的具体方法流程，包括：

220、所述故障管理设备通过所述时间序列格式数据生成异常事件时序图，获取所述异常事件时序图对应的异常事件概率值，判断所述异常事件概率值是否大于或者等于预置异常事件概率值。

对于网络运行的事件类参数而言，需要对事件的关联关系进行挖掘。例如，可通过模糊等量约束的因果关联算法，在事件类集合并不完备和事件多样化的情况下，根据约束的强制程度改进事件因果管理计算的性能，发现事件间潜在的因果关联关系。具体的，例如存在事件A、B，若事件A发生后经过时间t，发生B事件的概率超过设定值，则可认为事件A和B具有因果关联关系，该关系具体为：事件A发生后经过时间t，则可能发生B事件。

基于上述内容，建立异常事件以及故障事件之间的因果关联关系，当异常事件发生时，求出异常事件导致故障事件的概率值，若该概率值超过预置异常事件概率值，则预测网络通信设备可能发生故障。

320、若所述异常事件概率值大于或者等于预置异常事件概率值，则生成所述故障预测信息。

生成故障信息的具体流程以及方法在上述步骤310中已经提及，此处不再赘述。

本发明实施例中的另一实施方式中，提供了实现上述步骤220的具体方法，包括：

利用频繁子图挖掘对所述时间序列格式数据进行分析，从所述时间序列格式数据中提取异常事件记录，并按照时间顺序格式化所述异常事件记录，以生成异常事件时序图，并将所述异常事件时序图抽象化为子图，若正在发生的异常事件所对应的子图在图集中出现的频率大于或等于最小支持度，则判断异常事件概率值大于或者等于预置异常事件概率值。

例如，以事件发生的时间关系作为因果关联关系进行分析，从时间序列格式数据中获得异常事件的记录，把每个异常事件的记录抽象为时序图(即按照时间顺序排列的异常事件记录图)，找出异常事件在时间上的相关性，以时间作为关键属性进行分析，生成时序图对应的子图，则每个时序图所对应的子图的图边序列值代表发生时间。根据通信网络设备的网络拓扑信息、通信网络设备的容量性能、事件规则以及历史故障的记录，设定频繁子图模式的最小支持度(对应预置事件概率值)。如果正在发生的事件所对应的子图超过最小支持度，则代表异常事件概率值大于预置事件概率值。

需要说明的是，在上述过程中也可结合其他的要素作为关键属性进行分析，例如找出异常事件在时间和空间上的相关性，以时间和空间作为关键属性进行分析，本发明实施例对于建立事件间关联关系的关键属性并不作特定限定。

本发明还提供了一种通信网络设备的故障处理装置，可用于实现如图1至图3所示的方法流程，如图4所示，所述装置包括：

获取模块10，用于获取通信网络设备对应的时间序列格式数据；

分析模块20，与所述获取模块10连接，用于通过所述时间序列格式数据判断是否存在异常趋势；

生成模块30，与所述分析模块20连接，用于若所述通信网络设备存在异常趋势，则生成故障预测信息。

本发明实施例提供了一种通信网络设备的故障处理装置，通过通信网络设备对应的时间序列格式数据判断是否存在异常趋势，当存在异常趋势时，主动生成故障预测信息。基于时间序列格式数据，根据已经发生的事件推测若干时间后的事件，或根据已有的数据估算若干时间后的数据，从而能够在故障尚未发生时，通过数据分析得出是否存在可能导致故障的异常趋势，进而主动生成故障预测信息，以尽早应对可能发生的故障，提高网络故障管理的效率。

可选的，所述分析模块20用于通过所述时间序列格式数据获取实时参数值，判断所述实时参数值是否在预置范围外，所述预置范围对应所述通信网络设备在无异常运行状态下的运行参数值范围；

所述生成模块30用于若所述实时参数值在所述预置范围外，则生成所述故障预测信息。

进一步的，所述分析模块20具体用于：

通过比对所述实时参数值与期望参数值的偏差，判断所述实时参数值是否在所述期望参数值的预置范围外，所述实时参数值为根据所述时间序列格式数据计算得到的通信网络设备的实际运行参数值，所述期望参数值为基于以往的所述实时参数值的通信网络设备的理论运行参数值。

可选的，所述分析模块20用于通过所述时间序列格式数据生成异常事件时序图，获取所述异常事件时序图对应的异常事件概率值，判断所述异常事件概率值是否大于或者等于预置异常事件概率值；

所述生成模块30用于若所述异常事件概率值大于或者等于预置异常事件概率值，则生成所述故障预测信息。

进一步的，所述分析模块20具体用于：

利用频繁子图挖掘对所述时间序列格式数据进行分析，从所述时间序列格式数据中提取异常事件记录，并按照时间顺序格式化所述异常事件记录，以生成异常事件时序图，并将所述异常事件时序图抽象化为子图，若正在发生的异常事件所对应的子图在图集中出现的频率大于或等于最小支持度，则判断异常事件概率值大于或者等于预置异常事件概率值。

需要说明的是，本领域技术人员可以理解，上述装置的结构并不构成对本发明的限定，它也可以是其他类型的结构，还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。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围。

Claims (10)

1.一种通信网络设备的故障处理方法，其特征在于，所述方法包括：

故障管理设备获取通信网络设备对应的时间序列格式数据；

所述故障管理设备通过所述时间序列格式数据，判断所述通信网络设备是否存在异常趋势；

若所述通信网络设备存在异常趋势，则所述故障管理设备生成故障预测信息。

2.根据权利要求1所述的方法，其特征在于，所述所述故障管理设备通过所述时间序列格式数据，判断所述通信网络设备是否存在异常趋势包括：

所述故障管理设备通过所述时间序列格式数据获取实时参数值，判断所述实时参数值是否在预置范围外，所述预置范围对应所述通信网络设备在无异常运行状态下的运行参数值范围；

所述若所述通信网络设备存在异常趋势，则生成故障预测信息包括：

若所述实时参数值在所述预置范围外，则所述故障管理设备生成所述故障预测信息。

3.根据权利要求2所述的方法，其特征在于，所述所述故障管理设备通过所述时间序列格式数据获取实时参数值，判断所述实时参数值是否在预置范围外具体包括：

通过比对所述实时参数值与期望参数值的偏差，判断所述实时参数值是否在所述期望参数值的预置范围外，所述实时参数值为根据所述时间序列格式数据计算得到的通信网络设备的实际运行参数值，所述期望参数值为基于以往的所述实时参数值的通信网络设备的理论运行参数值。

4.根据权利要求1所述的方法，其特征在于，所述所述故障管理设备通过所述时间序列格式数据，判断所述通信网络设备是否存在异常趋势包括：

所述故障管理设备通过所述时间序列格式数据生成异常事件时序图，获取所述异常事件时序图对应的异常事件概率值，判断所述异常事件概率值是否大于或者等于预置异常事件概率值；

所述若所述通信网络设备存在异常趋势，则生成故障预测信息包括：

若所述异常事件概率值大于或者等于预置异常事件概率值，则生成所述故障预测信息。

5.根据权利要求4所述的方法，其特征在于，所述所述故障管理设备通过所述时间序列格式数据生成异常事件时序图，获取所述异常事件时序图对应的异常事件概率值，判断所述异常事件概率值是否大于或者等于预置异常事件概率值具体包括：

利用频繁子图挖掘对所述时间序列格式数据进行分析，从所述时间序列格式数据中提取异常事件记录，并按照时间顺序格式化所述异常事件记录，以生成异常事件时序图，并将所述异常事件时序图抽象化为子图，若正在发生的异常事件所对应的子图在图集中出现的频率大于或等于最小支持度，则判断异常事件概率值大于或者等于预置异常事件概率值。

6.一种通信网络设备的故障处理装置，其特征在于，所述装置包括：

获取模块，用于获取通信网络设备对应的时间序列格式数据；

分析模块，与所述获取模块连接，用于通过所述时间序列格式数据判断是否存在异常趋势；

生成模块，与所述分析模块连接，用于若所述通信网络设备存在异常趋势，则生成故障预测信息。

7.根据权利要求6所述的装置，其特征在于，所述分析模块用于通过所述时间序列格式数据获取实时参数值，判断所述实时参数值是否在预置范围外，所述预置范围对应所述通信网络设备在无异常运行状态下的运行参数值范围；

所述生成模块用于若所述实时参数值在所述预置范围外，则生成所述故障预测信息。

8.根据权利要求7所述的装置，其特征在于，所述分析模块具体用于：

通过比对所述实时参数值与期望参数值的偏差，判断所述实时参数值是否在所述期望参数值的预置范围外，所述实时参数值为根据所述时间序列格式数据计算得到的通信网络设备的实际运行参数值，所述期望参数值为基于以往的所述实时参数值的通信网络设备的理论运行参数值。

9.根据权利要求6所述的装置，其特征在于，所述分析模块用于通过所述时间序列格式数据生成异常事件时序图，获取所述异常事件时序图对应的异常事件概率值，判断所述异常事件概率值是否大于或者等于预置异常事件概率值；

所述生成模块具体用于若所述异常事件概率值大于或者等于预置异常事件概率值，则生成所述故障预测信息。

10.根据权利要求9所述的装置，其特征在于，所述分析模块具体用于：

利用频繁子图挖掘对所述时间序列格式数据进行分析，从所述时间序列格式数据中提取异常事件记录，并按照时间顺序格式化所述异常事件记录，以生成异常事件时序图，并将所述异常事件时序图抽象化为子图，若正在发生的异常事件所对应的子图在图集中出现的频率大于或等于最小支持度，则判断异常事件概率值大于或者等于预置异常事件概率值。