CN109327331A - 通信网络中故障定位方法和装置 - Google Patents

Abstract

本发明公开了一种通信网络中故障定位方法和装置，所述方法包括：从通信网络的告警信息中，以关联分析方法分析出频繁故障点；根据分析出的频繁故障点进行故障定位。本发明通过消除冗余告警信息，缩短故障定位时间，提高故障定位的准确性。

Description

通信网络中故障定位方法和装置

技术领域

本发明涉及网络故障定位技术领域，特别是指一种通信网络中故障定位方法和装置。

背景技术

为了满足后5G时代的千亿级物联网(Internet of Things,IoT)设备需求，超密集网络(Ultra dense network，UDN)一直被认为是学术界和工业界的重要研究方向。虽然广泛的测试表明UDN可以充分利用近端传输的优势来提高资源利用效率，但设备和链路数量的急剧增加将导致更频繁的故障失败。而且，从大量的告警信息中实现故障定位是一个很大的挑战。

传统的故障定位方法可以分为两类：基于手工检测的排它方法和基于机器学习的分析方法。实际工程中应用最广泛的是手动检测专用方法。根据光时域反射仪(Opticaltime domain reflectometer，OTDR)等故障定位仪的测试结果，通过逐步淘汰可能的故障路径和设备节点来定位故障。在2017年中国光学快报期刊上，提出了一种双OTDR系统，它可以比较不同波长的测试曲线，实现高精度的故障定位。在2015年的IPC(InternationalPhotonics Conference，国际光子学会议)中，提出了一种基于OTDR迹线分析的点对多点故障定位方法。以上工作为各个链路或节点存在故障(主要在百公里级无源光网络场景)提供了一种直接检测故障定位的方法；然而，由于OTDR的检测范围超过100km，但小小区的覆盖半径仅为10-30米。在未来前端的每个小小区中使用OTDR并不是合理的方法。由于这些原因，网络运营商现在正在考虑采用基于机器学习的分析方法，该方法使用机器学习的分类功能来进行故障部分识别。之前已经提出将机器学习用于电力通信网络中的故障定位。然而，由于普通的机器学习方法的特征提取能力有限，所以后5G时代的故障数据爆炸对于普通机器学习方法来说已经达不到要求。

近年来，深度学习由于其惊人的数据处理能力和自动特征提取能力而受到广泛关注并击败了许多特定领域的最新方法。但是，尽管深度学习具有惊人的分类能力，但由于学习模型的复杂性，其对计算资源的需求也很大。在故障定位问题中，这是一个亟待解决的问题，故障定位需要快速性以及时效性。

本发明的发明人发现，在5G时代的故障模型中，存在大量的冗余告警信息，增加了故障定位的难度。其次，由于故障传播模型和业务部署的复杂性，告警与故障的关系非常复杂。即使在机器学习分析之后，我们也无法准确定位故障。因此，后5G前端传输网络的故障定位仍然存在一些挑战：

(1)未来前传网中的故障位置与以前有很大不同。前者由简单的UDN发展而来，故障目标由单一故障发展到洪泛故障，网络环境由静态确定性向动态不确定性转变，故障监测系统由集中式向分布式发展。

(2)报警信息的增加不等于有用信息的增加，而可能是干扰信息的增加。因此，应该使用更有效的特征提取方法。但是，预处理引起的额外计算对于硬件和算法都是一个严峻的考验。

(3)故障发生后，控制器通过分析报警信息确定故障的位置。未来的前传网将提供超高质量的用户体验。因此，我们需要减少故障定位分析的时间，这对于未来的后5G前传网络的部署至关重要。

(4)在未来的前端，故障的影响可能反映在多维报警信息中。例如，当出现网络光口故障RP3时，会发现链路和节点的告警信息会增加。很难判断故障的主要原因是来自链路还是设备节点，甚至是它们之间的交叉故障，例如，某条链路上的一个设备节点发生故障。

在故障定位过程中，管理系统检测到网络异常状态，即故障告警。之后，网络运营商需要通过分析接收到的告警信息来获取故障的数量，位置和类型。然后，操作员将分析报警信息并定位故障，这也表明网络故障报警之间存在连接。这种相关性体现在两个方面。首先，一个故障可能导致多个告警信息连续发生，其它故障可能由一个故障触发。其次，由于网络拓扑的连通性，告警信息在空间上有一定的关系。因此，我们需要从大量的警告信息中找到有效的警报信息，以快速，准确地定位故障。

发明内容

有鉴于此，本发明的目的在于提出一种通信网络中故障定位方法和装置，通过消除冗余告警信息，缩短故障定位时间，提高故障定位的准确性。

基于上述目的本发明提供一种通信网络中故障定位方法，包括：

从通信网络的告警信息中，以关联分析方法分析出频繁故障点；

根据分析出的频繁故障点进行故障定位。

其中，所述以关联分析方法分析出频繁故障点，具体包括：

确定通信网络的告警信息所涉及的链路和节点；

将确定出的每个链路或节点作为单个项目，构建从低至高至少两层项目集；其中，第n层含n个项目的项目集是由第n-1层含n-1个项目的项目集中的频繁项目集所包含的项目组成的；

将最后一层项目集中包含的项目作为分析出的频繁故障点。

其中，所述根据分析出的频繁故障点进行故障定位，具体包括：

将所述最后一层项目集中包含的项目所对应的链路或节点所涉及的告警信息，作为有效告警信息对深度神经网络进行训练；

训练后的深度神经网络根据输入的告警信息定位故障。

本发明还提供一种通信网络中故障定位装置，包括：

频繁故障点分析模块，用于从通信网络的告警信息中，以关联分析方法分析出频繁故障点；

故障定位模块，用于根据分析出的频繁故障点进行故障定位。

本发明实施例的技术方案中，从通信网络的告警信息中，以关联分析方法分析出频繁故障点；根据分析出的频繁故障点进行故障定位。由于关联分析可以通过获取海量告警信息中的有效信息，从而有助于缩短故障定位时间。

进一步，在基于关联分析的基础上，从海量告警信息中提取有效信息后，再利用基于深度学习方法训练得到的深度神经网络，根据提取的有效信息，进行故障定位，从而提高故障定位准确性。

附图说明

图1为本发明实施例提供的一种故障定位方法流程图；

图2为本发明实施例提供的以关联分析方法分析出频繁故障点的流程图；

图3a为本发明实施例提供的一个示例中确定出的通信网络的告警信息所涉及的链路和节点的示意图；

图3b、3c、3d分别为本发明实施例提供的一个示例中第1、2、3层项目集的示意图；

图4为本发明实施例提供的频繁项目集的确定方法流程图；

图5为本发明实施例提供的一个以关联分析方法从5个告警信息中分析出频繁故障点示例的流程图；

图6为本发明实施例提供的一种故障定位装置内部结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

本发明的发明人发现，节点故障时往往有多个链接存在大量报警信息，尤其在大规模网络中，由于故障相关性的增强，进行故障判断时不仅仅是需要比较两个维度，可能是三个，四个甚至更多维度，导致计算成本随着维数的增加呈指数增长。本发明的发明人考虑到，有两种方法可以降低计算成本。首先，减少指标的数量是提高计算效率的最有效方法；其次，不是计算数据集中的所有组合，通过减少需要进行比较的组合来达到减少计算量的目的。

由此，本发明的技术方案中，提出了一种故障定位关联分析方法(AA-DL)。在故障定位过程中，关联分析可以通过获取海量告警信息中的有效信息，帮助缩短故障定位时间；此外，通过消除无用的干扰信息，故障定位的准确性将得到提高。

进一步，在基于关联分析的基础上，从海量告警信息中提取有效信息后，再利用基于深度学习方法训练得到的深度神经网络，根据提取的有效信息，进行故障定位，从而提高故障定位准确性。

此外，在基于深度学习方法训练深度神经网络时，也可先通过关联分析方法提取海量告警信息中的有效信息，再使用有效信息缩短深度学习的训练时间，即通过减少冗余报警信息来提高深度学习的速度。

下面结合附图详细说明本发明实施例的技术方案。

本发明实施例提供的一种故障定位方法流程，如图1所示，包括如下步骤：

步骤S101：从通信网络的告警信息中，以关联分析方法分析出频繁故障点。

步骤S102：根据分析出的频繁故障点进行故障定位。

上述步骤S101中，以关联分析方法分析出频繁故障点的具体方法流程，如图2所示，包括如下步骤：

步骤S201：确定通信网络的告警信息所涉及的链路和节点。

例如，对于如图3a所示的一个示例中，可以确定告警信息所涉及的链路和节点包括：L1、L2、L3、L4、N1、N2。

步骤S202：将确定出的每个链路或节点作为单个项目，构建从低至高至少两层项目集。

本步骤中，将确定出的每个链路或节点作为单个项目，从第1层项目集开始，从低至高，逐层构建各层项目集。其中，第m层项目集为含m个项目的项目集；m为1到N的自然数，N为构建的项目集的最大层数。而构建的第1层项目集为含1个项目的项目集，且分析出的每个项目分别包含于一个第1层的项目集中。例如，对于将如图3a所示的告警信息所涉及的链路或节点作为单个项目后，构建的第1层项目集如图3b所示，包括的项目集有：{L1}、{L2}、{L3}、{L4}、{N1}、{N2}。可以看出，每个项目集中仅包含一个项目。

本步骤在构建各层项目集的过程中，第n层含n个项目的项目集是由第n-1层含n-1个项目的项目集中的频繁项目集所包含的项目组成；其中，n为1到N的自然数。

例如，如图3c所示的第2层含2个项目的项目集是由第1层含1个项目的项目集中的频繁项目集所包含的项目组成的；其中，第1层项目集中的频繁项目集包括：{L1}、{L2}、{L3}、{N1}。

其中，频繁项目集的确定方法具体根据如图4所示的子步骤确定的：

子步骤S401：统计一个项目集的支持次数。

本子步骤中，针对所述通信网络的每个告警信息，若确认该项目集中所有项目均在该告警信息中涉及，则将该告警信息视为满足条件的告警信息；进而，统计满足条件的告警信息的个数，作为该项目集的支持次数。

例如，针对如图3c所示的第2层项目集中的{L1、L2}项目集，可以确认在如图3a所示的告警信息中，有3个告警信息为满足条件的告警信息，即L1、L2均在这3个告警信息中涉及。

子步骤S402：将统计的该项目集的支持次数与设定的阈值进行比较，根据比较结果确定是否为频繁项目集。

本子步骤中，若统计的支持次数大于设定的阈值时，确认该项目集为频繁项目集；否则，确认该项目集为不频繁项目集。

上述阈值可以是根据所述通信网络的告警信息的总数的一半设置，或由技术人员根据经验进行设置。例如，3a所示的告警信息的总数为5，其一半为2.5，阈值设置为2；若项目集的支持次数大于2，则表明支持该项目集的告警信息占总告警信息的多数，为频繁项目集。

此外，确定频繁项目集还依据如下定理：

定理一：如果一个项目集是一个频繁项目集合，则其所有子集也都是频繁项目集。例如，{A，B，C}是一个频繁项目集，则{A，B，C}的所有子集也是频繁项目集。

定理二：如果一个项目集不是一个频繁项目集，它的所有超集则都不是频繁项目集。例如，{A}不是一个频繁项目集，则包含A的任何项目集都不是一个频繁项目集。

步骤S203：将最后一层项目集中包含的项目作为分析出的频繁故障点。

下面以一个从5个告警信息中以关联分析方法分析出频繁故障点的示例，来进一步详细讲述本发明的技术方案，该示例的具体流程如图5所示，包括如下步骤：

步骤S501：从5个告警信息中分析出每个告警信息所涉及的链路和节点。

如图3a所示，从5个告警信息中分析出每个告警信息所涉及的链路和节点包括：L1、L2、L3、L4、N1、N2。

步骤S502：将分析出的每个链路或节点作为单个项目，构建第1层项目集。

如图3b所示，将分析出的每个链路或节点作为单个项目，构建的第1层项目集包括：{L1}、{L2}、{L3}、{L4}、{N1}、{N2}。

步骤S503：根据第1层项目集中的频繁项目集构建第2层项目集。

本步骤中，先确定第1层项目集中的频繁项目集：针对第1层项目集中的每个项目集，统计该项目集的支持次数，得到的统计结果如图3b所示。对于阈值设置为2的情况，可以看出其中的频繁项目集包括：{L1}、{L2}、{L3}、{N1}。

根据频繁项目集{L1}、{L2}、{L3}、{N1}，构建的第2层项目集如图3c所示，包括：{L1、L3}、{L1、L2}、{L2、L3}、{L1、N1}、{L2、N1}、{L3、N1}。

步骤S504：根据第2层项目集中的频繁项目集构建第3层项目集。

本步骤中，先确定第2层项目集中的频繁项目集：针对第2层项目集中的每个项目集，统计该项目集的支持次数，得到的统计结果如图3c所示。对于阈值设置为2的情况，可以看出其中的频繁项目集包括：{L1、L2}、{L2、L3}、{L1、N1}、{L2、N1}。

根据频繁项目集{L1、L2}、{L2、L3}、{L1、N1}、{L2、N1}，构建的第3层项目集如图3d所示，包括：{L1、L2、N1}、{L1、L2、L3}。

事实上，如果不修剪不频繁的项目集，在这种情况下第3层项目集会有20个指标，即20种项目的组合方式，也就是有20个项目集；由于修剪了不频繁的项目集大大减少了指标。

步骤S505：将最后一层第3层项目集中包含的项目作为分析出的频繁故障点。

由于第3层项目集{L1、L2、N1}、{L1、L2、L3}的支持次数分别为2、1，均没超过阈值，在该层项目集不再有频繁项目集，则不用再构建更高层项目集；则将最后一层第3层项目集中包含的项目L1、L2、L3、N1作为分析出的频繁故障点。

由此可以看出在分析出频繁故障点L1、L2、L3、N1后，以频繁故障点确定故障定位的范围，大大缩减了故障定位的范围，达到缩短故障定位时间的目的。

在分析出频繁故障点后，上述步骤S102提到的根据分析出的频繁故障点进行故障定位的较佳方法可以是，将频繁故障点所涉及的告警信息作为有效告警信息输入到经过训练的深度神经网络，再由经过训练的深度神经网络输出故障定位结果，从而提高故障定位精度。

而深度神经网络是事先训练得到的；深度神经网络可以是经由海量的告警信息通过深度学习的方法训练得到的；更优地，在训练深度神经网络之前，也可以预先对海量的告警信息经过上述的关联分析方法来消除无用的干扰信息得到有效信息，再使用有效信息训练深度神经网络，缩短深度学习的训练时间，可以达到通过减少冗余报警信息来提高深度学习的速度的目的。训练深度神经网络可以采用现有方法，此处不赘述。

基于上述的方法，本发明实施例提供的一种通信网络中故障定位装置，如图6所示，包括：频繁故障点分析模块601和故障定位模块602。

其中，频繁故障点分析模块601用于从通信网络的告警信息中，以关联分析方法分析出频繁故障点；具体地，频繁故障点分析模块601用于确定通信网络的告警所涉及的链路和节点；将确定出的每个链路或节点作为单个项目，构建从低至高至少两层项目集；其中，第n层含n个项目的项目集是由第n-1层含n-1个项目的项目集中的频繁项目集所包含的项目组成的；将最后一层项目集中包含的项目作为分析出的频繁故障点。

故障定位模块602用于根据分析出的频繁故障点进行故障定位；具体地，故障定位模块602用于将所述最后一层项目集中包含的项目所对应的链路或节点所涉及的告警信息，作为有效告警信息对深度神经网络进行训练；训练后的深度神经网络根据输入的告警信息定位故障。

本发明实施例提供的一种通信网络中故障定位装置中的各模块实现功能的具体方法可参考上述各方法流程中详述的内容，此处不再赘述。

本发明实施例的技术方案中，从通信网络的告警信息中，以关联分析方法分析出频繁故障点；根据分析出的频繁故障点进行故障定位。由于关联分析可以通过获取海量告警信息中的有效信息，从而有助于缩短故障定位时间。

进一步，在基于关联分析的基础上，从海量告警信息中提取有效信息后，再利用基于深度学习方法训练得到的深度神经网络，根据提取的有效信息，进行故障定位，从而提高故障定位准确性。

此外，在基于深度学习方法训练深度神经网络时，也可先通过关联分析方法提取海量告警信息中的有效信息，再使用有效信息缩短深度学习的训练时间，即通过减少冗余报警信息来提高深度学习的速度。

本技术领域技术人员可以理解，本发明包括涉及用于执行本申请中所述操作中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随即存储器)、EPROM(ErasableProgrammableRead-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically ErasableProgrammable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。

本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本发明公开的结构图和/或框图和/或流图的框或多个框中指定的方案。

本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明的精神和原则之内，所做的任何省略、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 (10)

1.一种通信网络中故障定位方法，其特征在于，包括：

从通信网络的告警信息中，以关联分析方法分析出频繁故障点；

根据分析出的频繁故障点进行故障定位。

2.根据权利要求1所述的方法，其特征在于，所述以关联分析方法分析出频繁故障点，具体包括：

确定通信网络的告警信息所涉及的链路和节点；

将确定出的每个链路或节点作为单个项目，构建从低至高至少两层项目集；其中，第n层含n个项目的项目集是由第n-1层含n-1个项目的项目集中的频繁项目集所包含的项目组成的；

将最后一层项目集中包含的项目作为分析出的频繁故障点。

3.根据权利要求2所述的方法，其特征在于，所述频繁项目集是根据如下方法确定：

统计一个项目集的支持次数；

若统计的支持次数大于设定的阈值时，确认该项目集为频繁项目集。

4.根据权利要求3所述的方法，其特征在于，所述统计一个项目集的支持次数，具体包括：

针对所述通信网络的每个告警信息，若确认该项目集中所有项目均在该告警信息中涉及，则将该告警信息视为满足条件的告警信息；

统计满足条件的告警信息的个数，作为该项目集的支持次数。

5.根据权利要求2所述的方法，其特征在于，所述根据分析出的频繁故障点进行故障定位，具体包括：

将所述最后一层项目集中包含的项目所对应的链路或节点所涉及的告警信息，作为有效告警信息对深度神经网络进行训练；

训练后的深度神经网络根据输入的告警信息定位故障。

6.根据权利要求5所述的方法，其特征在于，所述深度神经网络是根据如下方法事先训练得到的：

对海量的告警信息经过关联分析方法消除无用的干扰信息得到有效信息；

使用有效信息训练所述深度神经网络。

7.根据权利要求2所述的方法，其特征在于，构建的第1层项目集为含1个项目的项目集，且分析出的每个项目分别包含于一个第1层的项目集中。

8.一种通信网络中故障定位装置，其特征在于，包括：

频繁故障点分析模块，用于从通信网络的告警信息中，以关联分析方法分析出频繁故障点；

故障定位模块，用于根据分析出的频繁故障点进行故障定位。

9.根据权利要求8所述的装置，其特征在于，

所述频繁故障点分析模块具体用于确定通信网络的告警所涉及的链路和节点；将确定出的每个链路或节点作为单个项目，构建从低至高至少两层项目集；其中，第n层含n个项目的项目集是由第n-1层含n-1个项目的项目集中的频繁项目集所包含的项目组成的；将最后一层项目集中包含的项目作为分析出的频繁故障点。

10.根据权利要求9所述的装置，其特征在于，还包括：

所述故障定位模块具体用于将所述最后一层项目集中包含的项目所对应的链路或节点所涉及的告警信息，作为有效告警信息对深度神经网络进行训练；训练后的深度神经网络根据输入的告警信息定位故障。