CN109618361A - 一种4g基站隐性故障排查方法及装置 - Google Patents

Abstract

本发明实施例提供一种4G基站隐性故障排查方法及装置，该方法包括：获取相关维度数据，对所述相关维度数据进行整合，得到数据指标集；基于线性相关分析法获取所述数据指标集的指标项之间的相关系数，根据所述相关系数对所述数据指标集降维，得到降维数据集；将所述降维数据集输入到训练好的故障定位模型中，得到故障识别结果。本发明实施例提供的一种4G基站隐性故障排查方法及装置，引入AI机器学习技术，通过挖掘4G基站隐性故障各方面深层次因素间的关联关系，形成智能化的隐性故障排查模型，实现问题的自动识别及诊断。

Description

一种4G基站隐性故障排查方法及装置

技术领域

本发明涉及无线通信领域，尤其涉及一种4G基站隐性故障排查方法及装置。

背景技术

基站隐性故障，是指没有明显的告警但是对基站的性能有影响的故障，或者存在反复出现后又能够自行消失的告警。这类故障的存在，会影响基站的网络性能，致使客户通话或上网业务质量变差，客户感知水平下降，影响网络口碑。

由于这些问题的隐蔽性，传统的网管系统难以发现，并排除这些网络隐患。尤其目前4G网络规模巨大，隐性故障问题凸显，网络运维工作面临着巨大的压力，亟待建立有效的问题监控及分析处理的支撑手段。因此，现在急需一种4G基站隐性故障排查方法来解决该问题。

发明内容

本发明实施例为克服上述技术缺陷，提供一种4G基站隐性故障排查方法及装置。

第一方面，本发明实施例提供一种4G基站隐性故障排查方法，包括：

获取相关维度数据，对所述相关维度数据进行整合，得到数据指标集；

基于线性相关分析法获取所述数据指标集的指标项之间的相关系数，根据所述相关系数对所述数据指标集降维，得到降维数据集；

将所述降维数据集输入到训练好的故障定位模型中，得到故障识别结果。

第二方面，本发明实施例提供一种4G基站隐性故障排查装置，包括：

获取模块，用于获取相关维度数据，对所述相关维度数据进行整合，得到数据指标集；

处理模块，用于基于线性相关分析法获取所述数据指标集的指标项之间的相关系数，根据所述相关系数对所述数据指标集降维，得到降维数据集；

识别模块，用于将所述降维数据集输入到训练好的故障定位模型中，得到故障识别结果。

本发明实施例提供的一种4G基站隐性故障排查方法及装置，引入AI机器学习技术，通过挖掘4G基站隐性故障各方面深层次因素间的关联关系，形成智能化的隐性故障排查模型，实现问题的自动识别及诊断。

附图说明

图1为本发明实施例提供的一种4G基站隐性故障排查方法的流程示意图；

图2为本发明实施例提供的特征线性相关性直方图；

图3为本发明实施例提供的5层全连接神经网络图；

图4为本发明实施例提供的一种4G基站隐性故障排查装置的结构示意图。

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，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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的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。

图1为本发明实施例提供的一种4G基站隐性故障排查方法的流程示意图，如图1所示，包括：

步骤11，获取相关维度数据，对所述相关维度数据进行整合，得到数据指标集；

步骤12，基于线性相关分析法获取所述数据指标集的指标项之间的相关系数，根据所述相关系数对所述数据指标集降维，得到降维数据集；

步骤13，将所述降维数据集输入到训练好的故障定位模型中，得到故障识别结果。

基站的隐性故障是指那些没有明显的告警但对基站的性能有影响的故障，或者是那些反复出现后又往往能自行消失的告警。这些告警的存在将使得系统的性能指标受到影响。由于这些问题的隐蔽性，往往无法直接发现它们，因此4G基站隐性故障排查具有重要的意义。

本发明实施例首先进行多维数据整合，具体的，对接基站主设备厂家北向接口以及相关网管系统，获取相关维度数据并将其采集解析入库，其中相关维度数据主要包括性能统计数据、参数配置数据、MR测量数据、故障告警数据和用户投诉数据等。数据整合的目的是确保数据采集完整准确，并对异常数据进行清洗处理，为后续提供稳定准确的数据结果和高效合理的处理逻辑。

对相关维度数据进行整合后，得到数据指标集，然后进行指标数据降维，具体的，基于上述各类数据指标集，通过线性相关分析方法统计相关系数，挖掘指标项之间的相关性。相关分析是在分析两个变量之间关系的密切程度时常用的统计分析方法，线性相关分析是最简单的相关分析方法，即两个变量之间是一种直线相关的关系。对于强相关性的指标项进行合并，实现数据降维，得到降维数据集。

最后，将得到的降维数据集输入到训练好的故障识别模型中，训练好的故障识别模型采用机器学习算法，最后得到故障识别结果。

本发明实施例提供的一种4G基站隐性故障排查方法，引入AI机器学习技术，通过挖掘4G基站隐性故障各方面深层次因素间的关联关系，形成智能化的隐性故障排查模型，实现问题的自动识别及诊断。

在上述实施例的基础上，所述相关维度数据具体包括：

性能统计数据、参数配置数据、MR测量数据、故障告警数据和用户投诉数据。

本发明实施例中，相关维度数据包括性能统计数据、参数配置数据、MR测量数据、故障告警数据和用户投诉数据，具体的：

性能统计数据，用于从性能维度评估网络运行是否正常，主要包括的指标有上行流量、下行流量、上行丢包率、下行丢包率、PRB平均干扰；

参数配置数据，包括参数配置值，以及参数调整记录，分析参数类型有接入类、切换类、均衡类参数等；

MR测量数据，通过分析用户级采样点，评估网络的覆盖、质量及干扰是否正常；

故障告警数据，包括活动告警和历史告警，主要包括影响退服或降质类的故障告警；

用户投诉数据，包括用户投诉的时间、位置、故障现象等，从用户角度排查隐性故障问题。

本发明实施例提供的一种4G基站隐性故障排查方法，引入AI机器学习技术，通过挖掘4G基站隐性故障各方面深层次因素间的关联关系，并且通过上述相关维度数据的整合，为后续提供稳定准确的数据结果，形成智能化的隐性故障排查模型，实现问题的自动识别及诊断。

所述指标项具体包括：

上行流量、下行流量、PRB平均干扰电平、上行丢包率、下行丢包率、无线接通率、无线掉线率和切换成功率。

所述根据所述相关系数对所述数据指标集降维，得到降维数据集，具体包括：

若相关系数的绝对值大于预设值，合并对应的指标项，得到所述降维数据集。

所述预设值为0.8。

本发明实施例基于上述各类数据指标集，通过线性相关分析方法统计相关系数，挖掘指标项之间的相关性。对于强相关性的指标项进行合并，实现数据降维。其中，指标项具体包括上行流量、下行流量、PRB平均干扰电平、上行丢包率、下行丢包率、无线接通率、无线掉线率和切换成功率。

表1反映的是各个指标项之间的线性相关性。相关系数取值范围[-1,1]，大于0为正相关，小于0为负相关，等于0说明两者没有线性相关性。一般认为其绝对值大于0.8时，则认为是强线性相关。本发明实施例中，预设值设置为0.8，当相关系数的绝对值大于0.8时，合并对应的指标项，得到降维数据集。

表1

图2为本发明实施例提供的特征线性相关性直方图，如图2所示，通过非线性权重分析，各指标项对于隐性故障的影响，实现影响程度的量化评估。通过分析发现，上行流量、下行流量、PRB平均干扰电平、上行丢包率、下行丢包率等指标，可以作为隐性故障排查模型的特征。

本发明实施例提供的一种4G基站隐性故障排查方法，引入AI机器学习技术，通过挖掘4G基站隐性故障各方面深层次因素间的关联关系，形成智能化的隐性故障排查模型，实现问题的自动识别及诊断。

在上述实施例的基础上，所述训练好的故障定位模型通过以下步骤获取：

获取样本数据，基于非线性权重分析得到特征参数；

将所述样本数据输入至故障定位模型中，基于机器学习算法对所述特征参数进行处理，得到预训练的故障定位模型；

利用所述预训练的故障定位模型获取故障定位准确率，基于所述故障定位准确率调整所述预训练的故障定位模型，得到训练好的故障定位模型。

所述利用所述预训练的故障定位模型获取故障定位准确率，具体包括：

获取现网数据，所述现网数据包括故障位置数据；

将所述现网数据输入到所述预训练的故障定位模型中，获取对应的故障定位模拟结果；

根据所述故障位置数据和所述故障定位模拟结果，得到所述故障定位准确率。

首先获取样本数据并输入，基于非线性权重分析得到特征参数，然后将样本数据输入至故障定位模型中，基于机器学习算法对特征参数进行处理，得到预训练的故障定位模型。图3为本发明实施例提供的5层全连接神经网络图，如图3所示，依据数据的马尔科夫性，建立统一的深度学习模型，完成对隐性故障进行智能评估。

最后利用所述预训练的故障定位模型获取故障定位准确率，基于所述故障定位准确率调整所述预训练的故障定位模型，得到训练好的故障定位模型。具体的，通过故障定位模型训练，在具体问题分析时，对输出的问题定位进行现场实际验证，得到故障定位准确率，并对验证偏差较大的问题进行进一步训练集收集，对模型进行调整。例如，将现网数据输入到评估模型中，计算出模型的模拟值，通过求模拟值和真实值求残差值，并生成相应的残差分布图，主要集中在[-0.1,0.1]之间，残差的平均值为0.03，表明模型的准确性高。

本发明实施例提供的一种4G基站隐性故障排查方法，引入AI机器学习技术，通过挖掘4G基站隐性故障各方面深层次因素间的关联关系，形成智能化的隐性故障排查模型，实现问题的自动识别及诊断。

图4为本发明实施例提供的一种4G基站隐性故障排查装置的结构示意图，如图4所示，包括获取模块41、处理模块42和识别模块43，其中：

获取模块41用于获取相关维度数据，对所述相关维度数据进行整合，得到数据指标集；

处理模块42用于基于线性相关分析法获取所述数据指标集的指标项之间的相关系数，根据所述相关系数对所述数据指标集降维，得到降维数据集；

识别模块43用于将所述降维数据集输入到训练好的故障定位模型中，得到故障识别结果。

本发明实施例首先进行多维数据整合，具体的，获取模块41对接基站主设备厂家北向接口以及相关网管系统，获取相关维度数据并将其采集解析入库，其中相关维度数据主要包括性能统计数据、参数配置数据、MR测量数据、故障告警数据和用户投诉数据等。数据整合的目的是确保数据采集完整准确，并对异常数据进行清洗处理，为后续提供稳定准确的数据结果和高效合理的处理逻辑。

对相关维度数据进行整合后，得到数据指标集，然后处理模块42进行指标数据降维，具体的，基于上述各类数据指标集，通过线性相关分析方法统计相关系数，挖掘指标项之间的相关性。相关分析是在分析两个变量之间关系的密切程度时常用的统计分析方法，线性相关分析是最简单的相关分析方法，即两个变量之间是一种直线相关的关系。对于强相关性的指标项进行合并，实现数据降维，得到降维数据集。

最后，识别模块43将得到的降维数据集输入到训练好的故障识别模型中，训练好的故障识别模型采用机器学习算法，最后得到故障识别结果。

本发明实施例提供的装置是用于执行上述各方法实施例的，具体的流程和详细介绍请参见上述各方法实施例，此处不再赘述。

本发明实施例提供的一种4G基站隐性故障排查装置，引入AI机器学习技术，通过挖掘4G基站隐性故障各方面深层次因素间的关联关系，形成智能化的隐性故障排查模型，实现问题的自动识别及诊断。

以上所述仅为本发明的优选实施例，并不用于限制本发明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充，但并不会偏离本发明的精神或者超越所附权利要求书定义的范围。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种4G基站隐性故障排查方法，其特征在于，包括：

获取相关维度数据，对所述相关维度数据进行整合，得到数据指标集；

基于线性相关分析法获取所述数据指标集的指标项之间的相关系数，根据所述相关系数对所述数据指标集降维，得到降维数据集；

将所述降维数据集输入到训练好的故障定位模型中，得到故障识别结果。

2.根据权利要求1所述的方法，其特征在于，所述相关维度数据具体包括：

性能统计数据、参数配置数据、MR测量数据、故障告警数据和用户投诉数据。

3.根据权利要求1所述的方法，其特征在于，所述指标项具体包括：

上行流量、下行流量、PRB平均干扰电平、上行丢包率、下行丢包率、无线接通率、无线掉线率和切换成功率。

4.根据权利要求3所述的方法，其特征在于，所述根据所述相关系数对所述数据指标集降维，得到降维数据集，具体包括：

若相关系数的绝对值大于预设值，合并对应的指标项，得到所述降维数据集。

5.根据权利要求4所述的方法，其特征在于，所述预设值为0.8。

6.根据权利要求1所述的方法，其特征在于，所述训练好的故障定位模型通过以下步骤获取：

获取样本数据，基于非线性权重分析得到特征参数；

将所述样本数据输入至故障定位模型中，基于机器学习算法对所述特征参数进行处理，得到预训练的故障定位模型；

利用所述预训练的故障定位模型获取故障定位准确率，基于所述故障定位准确率调整所述预训练的故障定位模型，得到训练好的故障定位模型。

7.根据权利要求6所述的方法，其特征在于，所述利用所述预训练的故障定位模型获取故障定位准确率，具体包括：

获取现网数据，所述现网数据包括故障位置数据；

将所述现网数据输入到所述预训练的故障定位模型中，获取对应的故障定位模拟结果；

根据所述故障位置数据和所述故障定位模拟结果，得到所述故障定位准确率。

8.一种4G基站隐性故障排查装置，其特征在于，包括：

获取模块，用于获取相关维度数据，对所述相关维度数据进行整合，得到数据指标集；

处理模块，用于基于线性相关分析法获取所述数据指标集的指标项之间的相关系数，根据所述相关系数对所述数据指标集降维，得到降维数据集；

识别模块，用于将所述降维数据集输入到训练好的故障定位模型中，得到故障识别结果。