CN108111361B - 基于大数据分析的传输网络故障定位分析方法及系统 - Google Patents

基于大数据分析的传输网络故障定位分析方法及系统 Download PDF

Info

Publication number
CN108111361B
CN108111361B CN201810119164.4A CN201810119164A CN108111361B CN 108111361 B CN108111361 B CN 108111361B CN 201810119164 A CN201810119164 A CN 201810119164A CN 108111361 B CN108111361 B CN 108111361B
Authority
CN
China
Prior art keywords
network
risk point
code
alarm
set time
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.)
Active
Application number
CN201810119164.4A
Other languages
English (en)
Other versions
CN108111361A (zh
Inventor
胡志勇
曾军
金从元
王春枝
叶志伟
余晗
姚全锋
王若曦
周建军
苏军
严灵毓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Wuhan Fiberhome Technical Services Co Ltd
Original Assignee
Hubei University of Technology
Wuhan Fiberhome Technical Services Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology, Wuhan Fiberhome Technical Services Co Ltd filed Critical Hubei University of Technology
Priority to CN201810119164.4A priority Critical patent/CN108111361B/zh
Publication of CN108111361A publication Critical patent/CN108111361A/zh
Application granted granted Critical
Publication of CN108111361B publication Critical patent/CN108111361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0677—Localisation of faults
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)

Abstract

本发明公开了一种基于大数据分析的传输网络故障定位分析方法及系统，涉及网络故障定位技术领域，本发明通过发生故障的业务经过的网络风险点共性，计算各网络风险点的故障概率，实现传输网络故障的快速定位。本发明最主要的特点是通过大数据分析统计对网络风险点的故障概率实现量化，依托大数据分析统计快速计算出故障概率较高的网络风险点所在。相比于现在的故障定位，多依赖于经验判断，本发明借助计算机强大计算能力的大数据分析，量化计算，更加客观，更加准确，更加快速，可有效辅助故障的快速定位，降低故障历时。

Description

基于大数据分析的传输网络故障定位分析方法及系统
技术领域
本发明涉及网络故障定位技术领域，具体涉及一种基于大数据分析的传输网络故障定位分析方法及系统。
背景技术
通信网对安全要求很高，传输网作为基础网络，其安全要求更高。
在网络出现故障后，实现故障的快速定位，对于快速恢复业务，保障网络安全有极为重要的现实意义。目前传输网对故障的定位需要依靠传输网网管监控零散的告警和性能等参数，靠人的技术和经验综合分析，以观察法、实验法、排他法等尝试的方式逐步收敛并最终定位，定位历时长，且受人的技术水平、观察能力、网络的复杂程度、数据量大小等因素影响大，更无法综合多专业网络、哑资源进行关联分析，常常导致故障定位不准、反复定位，故障历时长，造成通信事故。
同时，在故障发生前，某一个风险点对业务的影响程度没有量化的评估方法，无法从业务的重要性、属性和数量综合评估一个风险点故障时对业务造成影响的程度，预先识别风险点对业务的影响度。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于大数据分析的传输网络故障定位分析方法及系统，实现传输网络故障的快速定位。
为达到以上目的，本发明采取的技术方案是：一种基于大数据分析的传输网络故障定位分析方法：
获取当前传输网络的网络资源组成以及承载的业务；根据业务的业务路径经过的网络资源，构建网络风险点集合，构建业务和网络风险点之间的映射关系；
根据当前传输网络中设定时间内经过任一网络风险点的发生故障的业务总数、当前传输网络中发生故障的业务总数，计算出设定时间内在该网络风险点的故障概率。
在上述技术方案的基础上，计算设定时间内在任一网络风险点发生故障的概率的公式为：
Figure 375006DEST_PATH_IMAGE001
其中
Figure 907618DEST_PATH_IMAGE002
为设定时间T内经过该网络风险点的发生故障的业务总数；
Figure 434414DEST_PATH_IMAGE003
为设定时间T内当前传输网络中发生故障的业务总数。
在上述技术方案的基础上，根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 634452DEST_PATH_IMAGE004
；再结合
Figure 158974DEST_PATH_IMAGE004
计算出设定时间内在该网络风险点的故障概率
Figure 444462DEST_PATH_IMAGE005
；其中：
Figure 447053DEST_PATH_IMAGE006
其中，e为自然常数，A表示预定义的告警代码集，
Figure 298334DEST_PATH_IMAGE007
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 259337DEST_PATH_IMAGE008
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在所述告警代码集中的占比。
在上述技术方案的基础上，根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 32121DEST_PATH_IMAGE009
；再结合
Figure 838403DEST_PATH_IMAGE010
计算出设定时间内在该网络风险点的故障概率
Figure 13032DEST_PATH_IMAGE011
；其中：
Figure 410515DEST_PATH_IMAGE012
其中，e为自然常数，P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，
Figure 670595DEST_PATH_IMAGE013
表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure 14989DEST_PATH_IMAGE014
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在所述性能代码集中的占比。
在上述技术方案的基础上，根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 44125DEST_PATH_IMAGE015
；
根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 346930DEST_PATH_IMAGE016
；
结合
Figure 625465DEST_PATH_IMAGE015
和
Figure 39129DEST_PATH_IMAGE016
计算设定时间内在任一网络风险点发生故障的概率
Figure 651333DEST_PATH_IMAGE017
的公式为：
Figure 125039DEST_PATH_IMAGE018
其中，
Figure 94132DEST_PATH_IMAGE019
；
Figure 45908DEST_PATH_IMAGE020
；
因此，
Figure 846373DEST_PATH_IMAGE021
其中，e为自然常数，A表示预定义的告警代码集，
Figure 490981DEST_PATH_IMAGE022
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 947371DEST_PATH_IMAGE023
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在所述告警代码集中的占比；P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，
Figure 702837DEST_PATH_IMAGE024
表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure 295492DEST_PATH_IMAGE025
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在所述性能代码集中的占比。
在上述技术方案的基础上，根据不同业务类型的重要等级计算各业务的等效量因子
Figure 845422DEST_PATH_IMAGE026
，
Figure 789108DEST_PATH_IMAGE027
；
其中，
Figure 145003DEST_PATH_IMAGE028
为类型i业务的业务等级因子，该值根据业务通用等级取值；
Figure 857744DEST_PATH_IMAGE029
为业务通道主备因子，业务主用通道
Figure 578575DEST_PATH_IMAGE030
，业务备用通道
Figure 743977DEST_PATH_IMAGE031
；
计算任一网络风险点发生故障时的对业务的影响指数
Figure 637984DEST_PATH_IMAGE032
；
Figure 674073DEST_PATH_IMAGE033
其中，
Figure 362543DEST_PATH_IMAGE034
表示经过该网络风险点的所有业务的等级因子之和，n为经过该网络风险点的所有业务的总数；
Figure 280821DEST_PATH_IMAGE035
表示当前传输网络中的所有业务的等级因子之和，N为当前传输网络中的所有业务的总数。
本发明还公开了一种基于大数据分析的传输网络故障定位分析系统，包括：
网络风险点构建模块，其用于获取当前传输网络的网络资源组成以及承载的业务；根据业务的业务路径经过的网络资源，构建网络风险点集合、业务和网络风险点之间的映射关系；
网络风险点故障率计算模块，其用于根据设定时间内经过任一网络风险点的发生故障的业务总数、当前传输网络中发生故障的业务总数，计算出设定时间内在该网络风险点的故障概率。
在上述技术方案的基础上，所述传输网络故障定位分析系统还包括告警贡献指数计算模块，其用于根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 181781DEST_PATH_IMAGE036
；再结合
Figure 603535DEST_PATH_IMAGE036
计算出设定时间内在该网络风险点的故障概率
Figure 931748DEST_PATH_IMAGE037
其中：
Figure 71742DEST_PATH_IMAGE038
其中，e为自然常数，A表示预定义的告警代码集，
Figure 510814DEST_PATH_IMAGE039
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 849391DEST_PATH_IMAGE040
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在所述告警代码集中的占比。
在上述技术方案的基础上，所述传输网络故障定位分析系统还包括性能代码贡献指数计算模块，其用于根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 82926DEST_PATH_IMAGE041
；再结合
Figure 506954DEST_PATH_IMAGE041
计算出设定时间内在该网络风险点的故障概率
Figure 755576DEST_PATH_IMAGE042
；其中：
Figure 151923DEST_PATH_IMAGE043
其中，e为自然常数，P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，
Figure 556359DEST_PATH_IMAGE024
表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure 670946DEST_PATH_IMAGE044
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在所述性能代码集中的占比。
在上述技术方案的基础上，所述传输网络故障定位分析系统还包括告警贡献指数计算模块和性能代码贡献指数计算模块；
所述告警贡献指数计算模块用于根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 248558DEST_PATH_IMAGE045
；
所述性能代码贡献指数计算模块用于根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 499410DEST_PATH_IMAGE046
；
结合
Figure 340327DEST_PATH_IMAGE045
和
Figure 942210DEST_PATH_IMAGE046
计算设定时间内在任一网络风险点发生故障的概率
Figure 792354DEST_PATH_IMAGE047
的公式为：
Figure 897714DEST_PATH_IMAGE048
；
Figure 909532DEST_PATH_IMAGE049
因此，
Figure 733131DEST_PATH_IMAGE050
其中，e为自然常数，A表示预定义的告警代码集，
Figure 121387DEST_PATH_IMAGE051
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 143570DEST_PATH_IMAGE052
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在所述告警代码集中的占比；P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，
Figure 60711DEST_PATH_IMAGE024
表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure 637185DEST_PATH_IMAGE053
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在所述性能代码集中的占比。
与现有技术相比，本发明的优点在于：
本发明通过发生故障的业务经过的网络风险点共性，计算各网络风险点的故障概率，实现传输网络故障的快速定位。本发明最主要的特点是通过大数据分析统计对网络风险点的故障概率实现量化，依托大数据分析统计快速计算出故障概率较高的网络风险点所在。相比于现在的故障定位，多依赖于经验判断，本发明借助计算机强大计算能力的大数据分析，量化计算，更加客观，更加准确，更加快速，可有效辅助故障的快速定位，降低故障历时。
本发明通过分析经过网络风险点的业务等效量因子来评估网络风险点故障时对业务的影响度。业务的等效量通过业务通道的等级、主备属性建立，真实的反应业务的用户需求特性。相比现有的主观性判断网络风险大小，本发明量化了风险指标，可以快速客观的反应网络中存在发生故障时对业务的影响度高的网络风险点，指导运维生产。同时通过该方法，可衍生多种实际用途，包括故障模拟、操作演练等，具有极高的实用价值。
附图说明
图1为本发明实施例中基于大数据分析的传输网络故障定位分析方法的网络风险点与业务映射关系示意图；
图2为本发明实施例中基于大数据分析的传输网络故障定位分析系统的结构示意图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
实施例1：
本发明实施例提供一种基于大数据分析的传输网络故障定位分析方法：
获取当前传输网络的网络资源组成以及承载的业务；根据业务的业务路径经过的网络资源，构建网络风险点集合，构建业务和网络风险点之间的映射关系；
根据当前传输网络中设定时间内经过任一网络风险点的发生故障的业务总数、当前传输网络中发生故障的业务总数，计算出设定时间内在该网络风险点的故障概率。
计算设定时间内在任一网络风险点发生故障的概率的公式为：
Figure 360291DEST_PATH_IMAGE054
其中
Figure 440242DEST_PATH_IMAGE055
为设定时间T内经过该网络风险点的发生故障的业务总数；
Figure 59442DEST_PATH_IMAGE056
为设定时间T内当前传输网络中发生故障的业务总数。
网络风险点集合是指业务经过的网络资源集合。按照业务逻辑，会影响业务的业务路径经过的要素包括：业务板卡、交换板卡、主控板卡、连接光纤（管道）、承载波道。其中，非业务共性处理的组件，连接光纤、承载波道和线路板卡及其端口存在一一映射的关系，可以建立一个风险集合；业务共性处理的组件，设备中交换板卡、主控板卡和设备存在一一映射的关系，可以建立一个风险集合。对于源宿终结业务的板卡，因和对端设备互联也是通过线缆或光缆连接，同样存在唯一确定性，因此也属于链路风险点。基于以上规则，网络风险点建立两类类型：链路风险点和设备风险点。如：NNI互联的A局03槽01端口和B局08槽02端口构成3个风险点：
风险点一：
l A局PTN设备03槽01端口
l B局PTN设备08槽02端口
l A局OTN设备第3波道
l B局OTN设备第3波道
l B局间光缆管道号XXX，纤芯1，2
风险点二：
A局设备（A局交换、A局主控）
风险点三：
B局设备（B局交换、B局主控）
步骤二：计算网络风险点受损业务通道占比
本发明计算网络风险点受损业务通道占比的方法：
业务1、2、3为示例网络承载的业务，业务路径参见图1所示。如果3条业务受损，则图示网络风险点1（注：仅给出了链路风险点）的受损业务通道占比计算如下：受损业务1、2与网络风险点1有关，业务3无关，因此：
Figure 857634DEST_PATH_IMAGE057
同样计算其他风险点的受损业务通道占比如下表：
风险点
Figure 587693DEST_PATH_IMAGE058
网络风险点1 66.67%
网络风险点2 33.33%
网络风险点3 66.67%
网络风险点4 33.33%
网络风险点5 33.33%
实施例2：
在实施例1的基础上，根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 256571DEST_PATH_IMAGE036
；再结合
Figure 312252DEST_PATH_IMAGE036
计算出设定时间内在该网络风险点的故障概率
Figure 597740DEST_PATH_IMAGE059
；其中
Figure 600331DEST_PATH_IMAGE060
其中，e为自然常数，A表示预定义的告警代码集，
Figure 451612DEST_PATH_IMAGE061
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 412615DEST_PATH_IMAGE062
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在告警代码集中的占比。
例如，根据网络采用的设备类型，定义一个对业务通道有影响的告警代码集，为有限集，举例如下：
Figure 654241DEST_PATH_IMAGE063
Figure DEST_PATH_IMAGE064
为定义的5类告警代码，故障时间段T内，假设风险点1发生了告警
Figure 805997DEST_PATH_IMAGE065
，则告警对故障的贡献度指数为：
Figure 980626DEST_PATH_IMAGE066
实施例3：
在实施例1的基础上，根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure DEST_PATH_IMAGE067
；再结合
Figure 378110DEST_PATH_IMAGE067
计算出设定时间内在该网络风险点的故障概率
Figure 638190DEST_PATH_IMAGE068
；其中：
Figure DEST_PATH_IMAGE069
其中，e为自然常数，P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，
Figure 576059DEST_PATH_IMAGE024
表示性能代码的劣化门限，
Figure 339615DEST_PATH_IMAGE070
，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure 376841DEST_PATH_IMAGE071
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在性能代码集中的占比。
例如，根据网络采用的设备类型，定义一个对业务通道有影响的性能代码集，为有限集，举例如下：
Figure 124218DEST_PATH_IMAGE072
Figure 537881DEST_PATH_IMAGE073
为定义的5类影响业务通道的性能代码，每个性能代码定义其劣化门限值
Figure 218261DEST_PATH_IMAGE070
，故障时间段T内，假设风险点1性能
Figure DEST_PATH_IMAGE074
发生劣化，即
Figure 223127DEST_PATH_IMAGE075
则超出劣化门限的性能代码对故障的贡献度指数为：
Figure 192220DEST_PATH_IMAGE076
实施例4：
在实施例1的基础上，根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure DEST_PATH_IMAGE077
；
根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 675153DEST_PATH_IMAGE078
；
结合
Figure 678882DEST_PATH_IMAGE077
和
Figure 57910DEST_PATH_IMAGE078
计算设定时间内在任一网络风险点发生故障的概率
Figure 514299DEST_PATH_IMAGE079
的公式为：
Figure 269766DEST_PATH_IMAGE080
其中，
Figure 128000DEST_PATH_IMAGE019
；
Figure 943510DEST_PATH_IMAGE081
；
因此，
Figure 418353DEST_PATH_IMAGE082
其中，e为自然常数，A表示预定义的告警代码集，
Figure DEST_PATH_IMAGE083
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 446352DEST_PATH_IMAGE084
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在告警代码集中的占比；P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，
Figure 159093DEST_PATH_IMAGE024
表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure DEST_PATH_IMAGE085
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在性能代码集中的占比。
实施例5：
在实施例1的基础上，根据不同业务类型的重要等级计算各业务的等效量因子
Figure 682522DEST_PATH_IMAGE086
，
Figure 113503DEST_PATH_IMAGE087
其中，
Figure 210772DEST_PATH_IMAGE088
为类型i业务的业务等级因子，该值根据业务通用等级取值；
Figure DEST_PATH_IMAGE089
为业务通道主备因子，业务主用通道
Figure 309178DEST_PATH_IMAGE090
，业务备用通道
Figure DEST_PATH_IMAGE091
；
计算任一网络风险点发生故障时的对业务的影响指数
Figure 528807DEST_PATH_IMAGE092
Figure DEST_PATH_IMAGE093
其中，
Figure 978243DEST_PATH_IMAGE094
表示经过该网络风险点的所有业务的等级因子之和，n为经过该网络风险点的所有业务的总数；
Figure 410361DEST_PATH_IMAGE095
表示当前传输网络中的所有业务的等级因子之和，N为当前传输网络中的所有业务的总数。
例如，假设全部业务通道以及是否经过风险点1，有如下属性，则根据业务得等级系数
Figure 832115DEST_PATH_IMAGE088
和主备属性系数
Figure 425907DEST_PATH_IMAGE089
计算出每条业务通道等效量因子：
等级属性
Figure 565902DEST_PATH_IMAGE088
 通道数量 主备属性 是否经过风险点1
Figure 270553DEST_PATH_IMAGE088
Figure DEST_PATH_IMAGE096
铁级 1 2 主 是 1 2
铜级 1 3 备 否 0.8 2.4
金级 1.5 2 主 否 1 3
钻石级 2 1 备 是 0.8 1.6
风险点1所承载的所有业务的等级因子之和
Figure 343551DEST_PATH_IMAGE097
；全部业务等级因子之和为
Figure DEST_PATH_IMAGE098
。则风险点1的业务受损风险率为：
Figure 904982DEST_PATH_IMAGE099
实施例6：
参见图2所示，本发明实施例还公开了一种基于大数据分析的传输网络故障定位分析系统：
获取当前传输网络的网络资源组成以及承载的业务；根据业务的业务路径经过的网络资源，构建网络风险点集合，构建业务和网络风险点之间的映射关系；
根据当前传输网络中设定时间内经过任一网络风险点的发生故障的业务总数、当前传输网络中发生故障的业务总数，计算出设定时间内在该网络风险点的故障概率。
计算设定时间内在任一网络风险点发生故障的概率的公式为：
Figure 532273DEST_PATH_IMAGE019
其中
Figure DEST_PATH_IMAGE100
为设定时间T内经过该网络风险点的发生故障的业务总数；
Figure 40614DEST_PATH_IMAGE101
为设定时间T内当前传输网络中发生故障的业务总数。
实施例7：
在实施例6的基础上，传输网络故障定位分析系统还包括告警贡献指数计算模块，其用于根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 702540DEST_PATH_IMAGE102
；再结合
Figure 372556DEST_PATH_IMAGE102
计算出设定时间内在该网络风险点的故障概率
Figure DEST_PATH_IMAGE103
；其中：
Figure 18301DEST_PATH_IMAGE104
其中，e为自然常数，A表示预定义的告警代码集，
Figure 533596DEST_PATH_IMAGE105
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure DEST_PATH_IMAGE106
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在告警代码集中的占比。
例如，根据网络采用的设备类型，定义一个对业务通道有影响的告警代码集，为有限集，举例如下：
Figure 581186DEST_PATH_IMAGE107
Figure DEST_PATH_IMAGE108
为定义的5类告警代码，故障时间段T内，假设风险点1发生了告警
Figure 947402DEST_PATH_IMAGE109
，则告警对故障的贡献度指数为：
Figure DEST_PATH_IMAGE110
实施例8：
在实施例6的基础上，传输网络故障定位分析系统还包括性能代码贡献指数计算模块，其用于根据根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 80443DEST_PATH_IMAGE111
；再结合
Figure 665008DEST_PATH_IMAGE111
计算出设定时间内在该网络风险点的故障概率
Figure 35947DEST_PATH_IMAGE112
；其中：
Figure DEST_PATH_IMAGE113
其中，e为自然常数，P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，
Figure 375661DEST_PATH_IMAGE024
表示性能代码的劣化门限，
Figure 730419DEST_PATH_IMAGE070
，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure 853096DEST_PATH_IMAGE114
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在性能代码集中的占比。
例如，根据网络采用的设备类型，定义一个对业务通道有影响的性能代码集，为有限集，举例如下：
Figure DEST_PATH_IMAGE115
Figure 140858DEST_PATH_IMAGE116
为定义的5类影响业务通道的性能代码，每个性能代码定义其劣化门限值
Figure 323578DEST_PATH_IMAGE070
，故障时间段T内，假设风险点1性能
Figure DEST_PATH_IMAGE117
发生劣化，即
Figure 431211DEST_PATH_IMAGE118
，则超出劣化门限的性能代码对故障的贡献度指数为：
Figure 357579DEST_PATH_IMAGE119
实施例9：
在实施例6的基础上，传输网络故障定位分析系统还包括告警贡献指数计算模块和性能代码贡献指数计算模块；
告警贡献指数计算模块用于根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 437530DEST_PATH_IMAGE120
；
性能代码贡献指数计算模块用于根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 853468DEST_PATH_IMAGE121
；
结合
Figure 651660DEST_PATH_IMAGE120
和
Figure 850560DEST_PATH_IMAGE121
计算设定时间内在任一网络风险点发生故障的概率
Figure 316176DEST_PATH_IMAGE122
的公式为：
Figure DEST_PATH_IMAGE123
其中，
Figure 168594DEST_PATH_IMAGE124
；
Figure 188503DEST_PATH_IMAGE125
因此，
Figure DEST_PATH_IMAGE126
其中，e为自然常数，A表示预定义的告警代码集，
Figure 987832DEST_PATH_IMAGE127
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 42376DEST_PATH_IMAGE128
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在告警代码集中的占比；P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，
Figure 540396DEST_PATH_IMAGE024
表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure 313180DEST_PATH_IMAGE129
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在性能代码集中的占比。
实施例10：
在实施例6的基础上，传输网络故障定位分析系统还包括等效量因子计算模块和业务受损风险计算模块，参见图2所示；
等效量因子计算模块用于根据不同业务类型的重要等级计算各业务的等效量因子
Figure 119462DEST_PATH_IMAGE130
Figure 28512DEST_PATH_IMAGE131
其中，
Figure 957154DEST_PATH_IMAGE132
为类型i业务的业务等级因子，该值根据业务通用等级取值；
Figure 951655DEST_PATH_IMAGE133
为业务通道主备因子，业务主用通道
Figure 827207DEST_PATH_IMAGE134
，业务备用通道
Figure DEST_PATH_IMAGE135
计算任一网络风险点发生故障时的对业务的影响指数
Figure 387501DEST_PATH_IMAGE136
Figure DEST_PATH_IMAGE137
其中，
Figure 955886DEST_PATH_IMAGE138
表示经过该网络风险点的所有业务的等级因子之和，n为经过该网络风险点的所有业务的总数；
Figure DEST_PATH_IMAGE139
表示当前传输网络中的所有业务的等级因子之和，N为当前传输网络中的所有业务的总数。
本发明不局限于上述实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种基于大数据分析的传输网络故障定位分析方法，其特征在于：
获取当前传输网络的网络资源组成以及承载的业务；根据业务的业务路径经过的网络资源，构建网络风险点集合，构建业务和网络风险点之间的映射关系；
根据当前传输网络中设定时间内经过任一网络风险点的发生故障的业务总数、当前传输网络中发生故障的业务总数，计算出设定时间内在该网络风险点的故障概率Pi(E/T)；
根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 203960DEST_PATH_IMAGE001
；再结合
Figure 640757DEST_PATH_IMAGE001
计算出设定时间内在该网络风险点的故障概率
Figure 923840DEST_PATH_IMAGE002
；其中：
Figure 556815DEST_PATH_IMAGE004
其中，e为自然常数，A表示预定义的告警代码集，
Figure 625266DEST_PATH_IMAGE005
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 888757DEST_PATH_IMAGE006
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在所述告警代码集中的占比。
2.如权利要求1所述的一种基于大数据分析的传输网络故障定位分析方法，其特征在于：
计算设定时间内在任一网络风险点发生故障的概率的公式为：
Figure 941026DEST_PATH_IMAGE007
其中
Figure 646202DEST_PATH_IMAGE008
为设定时间T内经过该网络风险点的发生故障的业务总数；
Figure 100317DEST_PATH_IMAGE009
为设定时间T内当前传输网络中发生故障的业务总数。
3.如权利要求1所述的一种基于大数据分析的传输网络故障定位分析方法，其特征在于：
根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 878917DEST_PATH_IMAGE010
；再结合
Figure 418483DEST_PATH_IMAGE010
计算出设定时间内在该网络风险点的故障概率
Figure 924419DEST_PATH_IMAGE011
；其中：
Figure 967462DEST_PATH_IMAGE012
其中，e为自然常数，P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，P’表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure DEST_PATH_IMAGE013
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在所述性能代码集中的占比。
4.如权利要求1所述的一种基于大数据分析的传输网络故障定位分析方法，其特征在于：
根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 103914DEST_PATH_IMAGE014
；
根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure DEST_PATH_IMAGE015
；
结合fAL(E/T)和fPE（E/T）计算设定时间内在任一网络风险点发生故障的概率
Figure 786568DEST_PATH_IMAGE016
的公式为：
Figure 112507DEST_PATH_IMAGE017
；
其中，
Figure 275635DEST_PATH_IMAGE007
；
Figure 396038DEST_PATH_IMAGE018
因此，
Figure 896814DEST_PATH_IMAGE019
其中，e为自然常数，A表示预定义的告警代码集，
Figure 495285DEST_PATH_IMAGE020
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 496608DEST_PATH_IMAGE006
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在所述告警代码集中的占比；P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，P’表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure 522333DEST_PATH_IMAGE021
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在所述性能代码集中的占比。
5.如权利要求1所述的一种基于大数据分析的传输网络故障定位分析方法，其特征在于：
根据不同业务类型的重要等级计算各业务的等效量因子Sij，
Figure 258208DEST_PATH_IMAGE022
其中，
Figure 175217DEST_PATH_IMAGE024
为类型i业务的业务等级因子，该值根据业务通用等级取值；
Figure 781779DEST_PATH_IMAGE026
为业务通道主备因子，业务主用通道
Figure 509564DEST_PATH_IMAGE027
，业务备用通道
Figure 732735DEST_PATH_IMAGE028
；
计算任一网络风险点发生故障时的对业务的影响指数
Figure 187855DEST_PATH_IMAGE029
；
Figure 180082DEST_PATH_IMAGE030
；
其中，
Figure 78768DEST_PATH_IMAGE031
表示经过该网络风险点的所有业务的等级因子之和，n为经过该网络风险点的所有业务的总数；
Figure 510274DEST_PATH_IMAGE032
表示当前传输网络中的所有业务的等级因子之和，N为当前传输网络中的所有业务的总数，RCi(C/E)为任一网络风险点发生故障时的对业务的影响指数。
6.一种基于大数据分析的传输网络故障定位分析系统，其特征在于，包括：
网络风险点构建模块，其用于获取当前传输网络的网络资源组成以及承载的业务；根据业务的业务路径经过的网络资源，构建网络风险点集合、业务和网络风险点之间的映射关系；
网络风险点故障率计算模块，其用于根据设定时间内经过任一网络风险点的发生故障的业务总数、当前传输网络中发生故障的业务总数，计算出设定时间内在该网络风险点的故障概率Pi(E/T)；
所述传输网络故障定位分析系统还包括告警贡献指数计算模块，其用于根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 254239DEST_PATH_IMAGE001
；再结合
Figure 819081DEST_PATH_IMAGE001
计算出设定时间内在该网络风险点的故障概率
Figure 826352DEST_PATH_IMAGE002
；其中：
Figure 945486DEST_PATH_IMAGE033
其中，e为自然常数，A表示预定义的告警代码集，
Figure 211251DEST_PATH_IMAGE005
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 912491DEST_PATH_IMAGE006
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在所述告警代码集中的占比。
7.如权利要求6所述的一种基于大数据分析的传输网络故障定位分析系统，其特征在于：
所述传输网络故障定位分析系统还包括性能代码贡献指数计算模块，其用于根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 621821DEST_PATH_IMAGE010
；再结合
Figure 16201DEST_PATH_IMAGE010
计算出设定时间内在该网络风险点的故障概率
Figure 101968DEST_PATH_IMAGE034
；其中：
Figure 923294DEST_PATH_IMAGE035
其中，e为自然常数，P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，P’表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限；
Figure 318372DEST_PATH_IMAGE013
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在所述性能代码集中的占比。
8.如权利要求6所述的一种基于大数据分析的传输网络故障定位分析系统，其特征在于：
所述传输网络故障定位分析系统还包括告警贡献指数计算模块和性能代码贡献指数计算模块；
所述告警贡献指数计算模块用于根据预定义的告警代码集，计算任一网络风险点在设定时间内产生的告警对故障的贡献度指数
Figure 225148DEST_PATH_IMAGE036
；
所述性能代码贡献指数计算模块用于根据预定义的性能代码集，计算任一网络风险点在设定时间内产生的超出劣化门限的性能代码对故障的贡献度指数
Figure 832716DEST_PATH_IMAGE037
；
结合
Figure 508548DEST_PATH_IMAGE036
和
Figure 825260DEST_PATH_IMAGE037
计算设定时间内在任一网络风险点发生故障的概率
Figure 203020DEST_PATH_IMAGE011
的公式为：
Figure 630590DEST_PATH_IMAGE017
；
其中，
Figure 616388DEST_PATH_IMAGE007
；
Figure 104002DEST_PATH_IMAGE039
因此，
Figure 703479DEST_PATH_IMAGE040
其中，e为自然常数，A表示预定义的告警代码集，
Figure 403582DEST_PATH_IMAGE041
表示该网络风险点在设定时间内产生属于告警代码集内的告警代码数，
Figure 772115DEST_PATH_IMAGE006
表示该网络风险点在设定时间内产生的属于告警代码集内的告警代码在所述告警代码集中的占比，P表示预定义的性能代码集，Pi表示代码值超出劣化门限的性能代码，P’表示性能代码的劣化门限，P’=[Pmin，Pmax]，Pmin为劣化门限上限，Pmax为劣化门限下限，
Figure 165050DEST_PATH_IMAGE021
表示该网络风险点在设定时间内产生的代码值超出劣化门限的性能代码在所述性能代码集中的占比，RCi(C/E)为任一网络风险点发生故障时的对业务的影响指数。
CN201810119164.4A 2018-02-06 2018-02-06 基于大数据分析的传输网络故障定位分析方法及系统 Active CN108111361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810119164.4A CN108111361B (zh) 2018-02-06 2018-02-06 基于大数据分析的传输网络故障定位分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810119164.4A CN108111361B (zh) 2018-02-06 2018-02-06 基于大数据分析的传输网络故障定位分析方法及系统

Publications (2)

Publication Number Publication Date
CN108111361A CN108111361A (zh) 2018-06-01
CN108111361B true CN108111361B (zh) 2021-10-15

Family

ID=62222077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810119164.4A Active CN108111361B (zh) 2018-02-06 2018-02-06 基于大数据分析的传输网络故障定位分析方法及系统

Country Status (1)

Country Link
CN (1) CN108111361B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109379133B (zh) * 2018-12-11 2020-03-31 武汉烽火技术服务有限公司 Pon网络丢包的处理方法及系统
CN110086655B (zh) * 2019-04-02 2022-03-08 武汉烽火技术服务有限公司 基于网络震荡强度的通信网告警数据分析方法及系统
CN110061867B (zh) * 2019-04-02 2022-01-07 武汉烽火技术服务有限公司 基于故障源告警强度的通信网告警分析方法及系统
CN110086656B (zh) * 2019-04-02 2022-03-01 武汉烽火技术服务有限公司 基于告警维护延缓度的通信网告警数据分析方法及系统
CN110705232B (zh) * 2019-08-27 2023-04-07 国网山东省电力公司信息通信公司 电力通信网检修影响业务状态分析报告生成方法及系统
CN111339398A (zh) * 2019-12-19 2020-06-26 杭州安恒信息技术股份有限公司 一种多元化大数据情报分析系统及其分析方法
CN112818035B (zh) * 2021-01-29 2022-05-17 湖北工业大学 一种网络故障预测方法及终端设备及存储介质
CN114553680B (zh) * 2022-03-04 2023-06-13 华信咨询设计研究院有限公司 一种通信底层网络故障快速定位辅助方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1681245A (zh) * 2004-04-05 2005-10-12 华为技术有限公司 评估传输网络性能的方法
CN103428024A (zh) * 2012-05-26 2013-12-04 李秉钧 一种对通信传输网络资源的品质进行动态管理的系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101741641B (zh) * 2009-11-30 2011-11-16 北京航空航天大学 基于链路的通信网络业务可靠性试验方法
CN102103198A (zh) * 2010-11-19 2011-06-22 深圳市科陆电子科技股份有限公司 一种计量设备故障自动排查系统和排查方法
CN104319785B (zh) * 2014-09-27 2017-02-15 国家电网公司 一种基于源流路径电气剖分的风电系统关键节点识别方法
CN105187255B (zh) * 2015-09-29 2018-08-14 华为技术有限公司 故障分析方法、故障分析装置和服务器

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1681245A (zh) * 2004-04-05 2005-10-12 华为技术有限公司 评估传输网络性能的方法
CN103428024A (zh) * 2012-05-26 2013-12-04 李秉钧 一种对通信传输网络资源的品质进行动态管理的系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
传输网络评估及优化研讨;王金凤;《科学咨询(科技·管理)》;20121205;102-103 *

Also Published As

Publication number Publication date
CN108111361A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN108111361B (zh) 基于大数据分析的传输网络故障定位分析方法及系统
CN100479385C (zh) 一种多设备集中维护方法和系统
CN102437922B (zh) 一种基于n-1原则的电力通信网业务影响分析方法
US20180375373A1 (en) Impact increments-based state enumeration reliability assessment approach and device thereof
CN109120338B (zh) 网络故障定位方法、装置、设备和介质
CN108768710A (zh) 一种光传输网络健康的动态权重评估方法、模型及装置
CN111865627B (zh) 传输组网评估方法、装置、计算设备及计算机存储介质
CN111836134B (zh) 网络拓扑信息的获取方法、装置、设备及存储介质
CN103607320A (zh) 电力通信网抗毁性评价方法
WO2018107882A1 (zh) 故障定位方法和网络设备
Zhang et al. A diameter-constrained approximation algorithm of multistate two-terminal reliability
Xing et al. Load balancing-based routing optimization mechanism for power communication networks
CN111884832A (zh) 一种获取无源网络拓扑信息的方法及相关设备
CN113438010A (zh) 面向天地一体化网络的星座系统能力评估体系及评估系统
CN115272027A (zh) 一种用于双碳管理的低碳排放数据监测系统
CN109962801B (zh) 通信质量异常定位方法、装置、设备及介质
He et al. Topological approach to measure network recoverability
CN104883362A (zh) 异常访问行为控制方法及装置
CN112752172B (zh) 一种基于迁移学习的光通道故障诊断方法和系统
CN116723136B (zh) 应用fcm聚类算法的网络检测数据的方法
US20110038269A1 (en) Estimation method for loss rates in a packetized network
CN109858822B (zh) 一种基于流关联分析的信息电力融合系统可靠性评估方法
CN109861855B (zh) 一种电力通信网络中节点重要度的确定方法和装置
CN109905249B (zh) 处理计费消息的方法、装置、设备及介质
CN115842760A (zh) 故障检测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant