CN109995566B - 网络故障定位方法、装置、设备及介质 - Google Patents

网络故障定位方法、装置、设备及介质 Download PDF

Info

Publication number
CN109995566B
CN109995566B CN201711495484.1A CN201711495484A CN109995566B CN 109995566 B CN109995566 B CN 109995566B CN 201711495484 A CN201711495484 A CN 201711495484A CN 109995566 B CN109995566 B CN 109995566B
Authority
CN
China
Prior art keywords
abnormal event
analysis result
xdr
wireless
data
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
CN201711495484.1A
Other languages
English (en)
Other versions
CN109995566A (zh
Inventor
孔庆军
胡丁丁
李旭光
王蔚
王天琦
张卫星
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Liaoning Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Liaoning 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 China Mobile Communications Group Co Ltd, China Mobile Group Liaoning Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201711495484.1A priority Critical patent/CN109995566B/zh
Publication of CN109995566A publication Critical patent/CN109995566A/zh
Application granted granted Critical
Publication of CN109995566B publication Critical patent/CN109995566B/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
    • H04L41/0631—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
    • 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
    • H04L41/064—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 involving time analysis
    • 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
    • H04L41/065—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 involving logical or physical relationship, e.g. grouping and hierarchies
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了网络故障定位方法、装置、设备及介质。该方法包括：对工参配置基本数据进行审核校验，以获得核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据；基于核心网信令异常事件分析结果及无线信令XDR数据构建训练样本数据；对无线信令XDR数据进行归一化处理；基于训练样本数据创建无线环境评估模型并输出无线信令XDR的分析结果；基于训练样本数据与核心网信令异常事件分析结果生成判决器；将无线信令XDR的分析结果及核心网信令异常事件分析结果输入至判决器，并由判决器输出网络异常事件的最终分析结果。本发明能够对异常事件进行精准定界。

Description

网络故障定位方法、装置、设备及介质
技术领域
本发明涉及移动通信技术领域，尤其涉及一种网络故障定位方法、装置、设备及介质。
背景技术
移动通信领域(LTE/VOLTE)的网络优化，尤其是VOLTE网络下异常事件的端到端定位分析及用户投诉问题的自动化处理，主要分为宏观、微观两个分析方向。宏观分析，即采用聚类方法，把一定范围内发生的相同的异常事件按终端、小区、时间等不同维度进行汇聚，找到其中的共性，从而发现问题归属；微观分析，即采用信令面分析，按照信令流程，寻找异常信令所在网元，从而定位问题归属。
然而，宏观分析仅适合于宏观估计，例如，仅适合某个网络节点发生严重故障导致群体性异常的情形，对于单一的异常事件无法做到问题的精准定位。而对于微观定位，目前的主流自动分析系统主要针对核心网信令面进行分析，未考虑无线环境影响，无法实现问题的精准定界。
发明内容
本发明实施例提供了一种网络故障定位方法、装置、设备及介质，能够解决现有技术没有考虑无线环境分析导致对异常事件定界不准确的技术问题。
第一方面，本发明实施例提供了一种网络故障定位方法，所述方法包括：
对工参配置基本数据进行审核校验，以获得核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据；基于核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据构建训练样本数据；基于训练样本数据创建无线环境评估模型并通过无线环境评估模型输出无线信令XDR的分析结果；基于训练样本数据与核心网信令异常事件分析结果生成判决器；及将无线信令XDR的分析结果及核心网信令异常事件分析结果输入至判决器，并由判决器输出网络异常事件的最终分析结果。
第二方面，本发明实施例提供了一种网络故障定位装置，装置包括：
审核校验模块，用于对工参配置基本数据进行审核校验，以获得核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据，所述无线信令XDR的异常事件分析数据是指当全量异常事件发生时刻，对应用户的无线信令XDR的信息特征值及分析结果；训练样本数据构模块，用于基于核心网信令异常事件分析结果及无线信令XDR数据构建训练样本数据；无线环境评估模型创建模块，用于基于训练样本数据创建无线环境评估模型并通过无线环境评估模型输出无线信令XDR的分析结果；判决器生成模块，用于基于训练样本数据与核心网信令异常事件分析结果生成判决器；及定位结果输出模块，将无线信令XDR的分析结果及核心网信令异常事件分析结果输入至判决器，并输出定位结果。
第三方面，本发明实施例提供了一种网络故障定位设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
本发明实施例提供的基于无线环境分析的网络故障定位方法、装置、设备及介质，在基于对异常事件的核心网信令面分析基础上，增加了对异常发生时刻的无线环境分析，并根据核心网信令面分析结果与无线信令XDR的分析结果综合考量，从而对异常事件进行精准定界。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例的基于无线环境分析的网络故障定位方法的示意图。
图2示出了本发明实施例的基于无线环境分析的网络故障定位装置的结构示意图。
图3示出了本发明实施例的基于无线环境分析的网络故障定位设备的一种结构示意图。
图4示出了本发明实施例的等效距离算法的示意图。
图5示出了本发明实施例的图1的步骤S11中构建训练样本数据的细化流程图。
图6示出了本发明实施例的图1的步骤S12中建立无线环境评估模型的细化流程图。
图7示出了本发明实施例图6的步骤S13中生成分类器的细化流程图。
图8示出了本发明实施例的图1中步骤S14的细化流程图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
图1示出了本发明实施例的基于无线环境分析的网络故障定位方法的示意图。该方法包括如下步骤S10-S14。
步骤S10：对工参配置基本数据进行审核校验，以获得核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据。在本实施例中，所述无线信令XDR的异常事件分析数据是指当全量异常事件发生时刻，对应用户的无线信令XDR的信息特征值及分析结果。具体地，为保证分析方法输出结果准确性，需要提前审核校验并准备以下的工参配置基本数据：(1)现网站点物理配置信息及(2)现网小区的系统内、系统间切换关系配置信息表。其中，现网站点物理配置信息必须包含下列数据字段：Cell ID(小区识别码)，eNodeB ID(基站标识)，Longitude(经度)，Latitude(纬度)，EARFCN(中心频点)，PCI(Physical cell ID物理小区标识)，Azimuth(方位角)。
需要说明的是，提前审核校验并准备工参配置基本数据可以使得核心网信令异常事件分析结果，及当全量异常事件发生时刻，对应用户的无线信令XDR的信息特征值及分析结果符合要求。也就是说，所述核心网信令异常事件分析结果，及当全量异常事件发生时刻，对应用户的无线信令XDR的信息特征值及分析结果均来源于基本数据的分析处理。为了方便说明，所述当全量异常事件发生时刻，对应用户的无线信令XDR的信息特征值及分析结果可以简称为“无线信令XDR的异常事件分析数据”。
步骤S11：基于核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据构建训练样本数据。具体地，参照附图6，所述构建训练样本数据的方式采用如下步骤S110至步骤S114来实现：
S110：整理核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据。
其中，所述核心网信令异常事件分析结果的输出格式如下表：
特征字段 字段说明
TIME 事件时间
IMSI 用户
CONCLUSION 信令原因
需要说明的是，所述核心网信令异常事件分析结果以协议分析结果为准。所述核心网信令异常事件分析结果的样本数量级要求如下：(1)尽可能包含所有理论上存在的分析结果；(2)每种分析结果的数量为无线信令XDR的信息特征值数量的5倍以上。
进一步地，当全量异常事件发生时刻，对应用户的无线信令XDR的信息特征值及分析结果的输出格式如下表：
特征字段 字段说明
TIME 事件时间
IMSI 用户
FEATURE 1 特征1
…… ……
FEATURE n 特征n
CONCLUSION 无线原因
其中，对应用户的无线信令XDR的信息特征值、分析结果样本的数量要求为：(1)尽可能包含所有理论上存在的分析结果；(2)每种分析结果的数量为无线信令XDR的信息特征值数量的5倍以上。
此外，所述无线信令XDR的信息特征值必须包括如下12个方面：(1)最强邻区是否与服务小区同频；(2)最强邻区与服务小区是否配置邻区关系；(3)服务小区的RSRP(Reference Signal Receiving Power，参考信号接收功率)；(4)服务小区的PCI(物理小区标识，Physical cell ID)；(5)PHR(功率余量报告，Power Headroom Report)/UE(UserEquipment，用户设备)发射功率；(7)上行SINR(信号与干扰加噪声比，Signal toInterference plus Noise Ratio)；(8)eNB接受干扰功率；(9)最强邻区的RSRP；(10)最强邻区的PCI；(11)最强邻区与服务小区模三值；(12)最强邻区与服务小区等效距离。其中，所述等效距离的计算算法不仅考虑小区位置，而且还考虑相邻小区间的天线相对角度。具体的有效距离计算公式参考图4所示：Dist(Cell A，Cell B)＝D*(1+X*Cos(β)-X*Cos(α)，其中，当X＝0.5％时，D的最大变量不超过1％。需要说明的是，小区分为全向小区、定向小区、室内小区和室外小区，具体的计算方式如下：当室外主小区为全向小区时，该室外小区和基站连线的夹角(α)固定设置为0°；当室外邻小区为全向小区时，该室外邻小区和基站连线的夹角(β)固定设置为180°；而室内小区和室外全向小区按照上述方式同样处理；此外，有效距离计算时取整，X缺省50％，可手动调整。
所述无线信令XDR的分析结果应至少包括有如下原因：(1)下行弱覆盖；(2)邻区缺失；(3)主小区缺失最强邻区；(4)服务小区或目标邻小区模3干扰；(5)上行覆盖受限；(6)上行干扰；(7)上行瞬时干扰；(8)重叠覆盖；(9)测控参数异常；(10)无线网络正常。
S112：对无线信令XDR的异常事件分析数据进行归一化处理。具体地，所述对无线信令XDR的异常事件分析数据进行归一化处理的方式如下：
(1)取K＝{(X1|Y1)，(X2|Y2)，…(Xi|Yi)…，(Xm|Ym)}，其中，K为无线信令XDR的异常事件分析数据的样本数据集，m为无线信令XDR的异常事件分析数据的样本数量，(X1|Y1)代表一个无线信令XDR的异常事件分析数据的样本，X1代表无线信令XDR的异常事件分析数据的第1个样本的特征列X1＝{X1 1，X1 2，……，X1 r}，r代表无线信令XDR的异常事件分析数据的样本的特征数量，X1 r代表无线信令XDR的异常事件分析数据的第1个样本的第r个特征的值，Y1代表无线信令XDR的异常事件分析数据的第1个样本的分析结果；
(2)采用如下公式对无线信令XDR的异常事件分析数据的样本数据的每一个特征进行归一化处理，所述公式为：
Figure BDA0001536316480000061
Figure BDA0001536316480000062
其中，Ej代表无线信令XDR的异常事件分析数据的第i个样本的第j个特征的均值，δj代表无线信令XDR的异常事件分析数据的第i个样本的第j个特征的方差，xi j代表无线信令XDR的异常事件分析数据的第i个样本的第j个特征归一化以后的值，xi{xi 1，xi 2，……，xi r}代表无线信令XDR的异常事件分析数据的第i个样本归一化后的特征列；
(3)采用字典A存储无线信令XDR的预设分析结果，其中，无线信令XDR的预设分析结果为A＝{1：″上行干扰″；2：″下行弱覆盖；……；a：″无线环境正常″}；
(4)使用字典索引yi代替无线信令XDR的异常事件分析数据中的分析结果，a为字典A的最大索引值，则yi∈[1,a]；
(5)将xi及yt替换K中(Xi|Yi)，则归一化后的无线信令XDR的异常事件分析数据为：
Figure BDA0001536316480000071
S114：根据归一化处理的无线信令XDR的异常事件分析数据及核心网信令异常事件分析结果整理为训练样本数据。
具体地，假设Z＝{Z1，Z2，…Zi…，Zm}为核心网信令异常事件分析结果样本数据集，m为与无线信令XDR的异常事件分析数据的样本数据集长度相同的样本数量，Zi代表第i个异常事件的核心网信令级异常事件分析结果；
采用字典存储核心网信令级异常事件分析结果C＝{1：″MAC失败″；2：″未知IMSI-HSS″；……c}，c为字典集C的最大索引值，则字典集C的索引zi∈[1,c]；
使用字典索引zi代替集合Z中Zi，代替后的核心网信令异常事件分析结果样本数据集为
Figure BDA0001536316480000072
结合归一化后无线信令XDR的异常事件分析数据
Figure BDA0001536316480000073
生成训练样本数据为
Figure BDA0001536316480000074
步骤S13：基于训练样本数据创建无线环境评估模型并输出无线信令XDR的分析结果。具体地，所述无线环境评估模型是采用基于ECOC-SVM编码分类方法建立的。在本实施例中，参照附图6，所述无线环境评估模型采用如下步骤S300至步骤S310来实现：
步骤S300：获取训练样本数据。
步骤S302：根据训练样本数据的类别数量，确定编码长度L。
步骤S304：根据训练样本数据的类别的数量及编码长度编码矩阵M。具体地，所述生成编码矩阵M的方式如下：假设无线环境分析结果(即训练样本数据)的类别数量是N，L是编码长度，取
Figure BDA0001536316480000075
其中，[…]中为取整函数，
Figure BDA0001536316480000076
其中，C为组合公式。需要说明的是，编码矩阵M的生成原则为：(a)编码矩阵M的行Mi，*(i＝1,……,N；*代表该行的所有列元素)与行Mj，*(j＝1,……,N；i≠j)之间不相关，行标i对应字典T索引，其中，T为无线信令XDR的分析结果的字典集；(b)编码矩阵M的列M*，i(i＝1,……,L；*代表该行的所有行元素)与列M*，j(j＝1,……,L；i≠j)之间不相关，且编码矩阵M中没有全为“1”或者全为“0”的列。
下面以N＝4为例说明生成编码矩阵M。
类别数量是N为4时的编码矩阵M为：
Figure BDA0001536316480000081
步骤S306：根据编码矩阵M，生成L个分类器。
步骤S308：根据L个分类器生成编码器。具体地，编码矩阵M的行代表N个分类，根据编码矩阵的每一列M*，i生成一个分类器hi，采用SVM(支持向量机，Support VectorMachine)作为分类器。行元素为“1”代表样本数据中，该类元素作为正样本，否则为负样本，例如M*，5，对应分类器h5，且类2的样本作为正样本，其余类样本作为负样本。最终，生成的编码器为H＝{h1，h2，……，hL}。进一步地，所述SVM分类器的生成通过采用参照附图7所述步骤S3060-S3064来实现：步骤S3060：构造SVM分类器的目标函数。步骤S3062：在训练样本数据中，对所述目标函数进行训练，使得所述目标函数汇总各个模型参数的取值。步骤S3064：所述目标函数汇总各个模型参数的取值构造SVM分类器。
步骤S310：根据编码矩阵M及编码器生成解码器，将训练样本数据输入至解码器并通过解码器输出无线信令XDR的分析结果。具体地，采用汉明距离解码公式生成解码器：，
Figure BDA0001536316480000082
其中，disH[Mr，*，H(x)]为以汉明距离解码公式生成的解码器，Mr为编码矩阵，hi(x)为编码器，I[Mr，i＝hi(x)]为判断函数。
所述将训练样本数据输入至解码器并通过解码器输出无线信令XDR的分析结果包括：
Figure BDA0001536316480000091
其中，
Figure BDA0001536316480000092
代表以r为变量使disH[Mr，*，H(x)]取得最小值，
Figure BDA0001536316480000093
为输出的无线信令XDR的分析结果，输出的无线信令XDR的分析结果为所在的行标r对应字典A的索引，A为无线信令XDR的预设分析结果的字典集。
步骤S14：基于训练样本数据与核心网信令异常事件分析结果生成判决器。所述判决器主要反映核心网信令异常事件分析结果对无线环境的依赖程度。
具体地，
Figure BDA0001536316480000094
其中，Kt为所述核心网信令异常事件分析结果中第t个分析结果对应的判决器，Pt为字典集C中第t个元素受无线环境因素影响的概率，p为设置的信概率(为可默认，可配置，例如，设置信概率p＝0.8)，所述
Figure BDA0001536316480000095
I[zi＝t]及I[yi＜c]均为判断函数，zi及yi来自训练样本数据
Figure BDA0001536316480000096
c为字典集C的最大索引值。
步骤S15：将无线信令XDR的分析结果及核心网信令异常事件分析结果输入至判决器，并由判决器输出网络异常事件的最终分析结果。
参照附图8，所述由判决器输出网络异常事件的最终分析结果的方式采用如下步骤S400至步骤S412来实现：
步骤S400：获取线环境评估模型输出的无线信令XDR的分析结果。
步骤S402：获取核心网信令异常事件分析结果。
步骤S404：将核心网信令异常事件分析结果输入至判决矩阵Kt。
步骤S406：判断核心网信令异常事件分析结果对应的Kt是否为1。若核心网信令异常事件分析结果对应的Kt为1，则流程进入步骤S408。若核心网信令异常事件分析结果对应的Kt为0，则流程进入步骤S410。
步骤S408：输出网络异常事件的最终分析结果为核心网信令异常事件分析结果。
步骤S410：判断无线信令XDR的分析结果是否正常。具体地说，若无线信令XDR的分析结果为“无线环境正常”(也可以是其它表示正常的信息，例如，OK)，则判断无线信令XDR的分析结果为正常，流程返回步骤S408。若具体地说，若无线信令XDR的分析结果为“无线环境不正常”(也可以是其它表示正常的信息，例如，NO)，则判断无线信令XDR的分析结果为不正常，流程进入步骤S412。
步骤S412：输出网络异常事件的最终分析结果为无线信令XDR的分析结果。
以下以某地市的一个小时的分析结果为例进行说明，统计核心网信令异常事件分析结果与无线信令XDR的分析结果，并以核心网信令异常事件分析结果中的核心网信令原因“TAU与X2切换冲突”为列属性对无线信令XDR的分析结果进行透视并对透视结果进行分析。以核心网信令异常事件分析结果中的“TAU与X2切换冲突”为例，透视结果为：
Figure BDA0001536316480000101
Figure BDA0001536316480000111
则，“TAU与X2切换冲突”受无线环境影响的概率：
Figure BDA0001536316480000112
由于PTAU与x2切换冲突(98.6％)＞置信概率p(默认80％)。则其对应的判决矩阵的元素为：KTAU与x2切换冲突＝1。当核心网信令异常事件分析结果为“TAU与X2切换冲突”输入至判决器时，如果无线环境正常，则判决器输出的输出网络异常事件的最终分析结果为“TAU与X2切换冲突”；如果无线环境不正常，则通过判决器输出网络异常事件的最终分析结果即为无线信令XDR的分析结果。
需要说明的是，上述方法是基于XDR数据的无线信令、无线环境及核心网信令并行分析以进行异常界定。具体地，本申请在核心网信令异常事件分析结果的基础上，增加了对无线环境的考量，使对异常事件的原因定位更加精准。使用无线环境评估模型进行无线问题定位，不再需要大量的人员进行无线数据分析，节省了人力和资源，并且响应速度快。同时，基于无线信令XDR的分析结果与核心网信令异常事件分析结果的判决器，采用的是概率分布的知识，更具客观性，避免了人为因素等导致的判决条件不客观的弊端。
另外，结合图1述的本发明实施例的基于无线环境分析的网络故障定位方法可以由基于无线环境分析的网络故障装置来实现。图2示出了本发明实施例提供的基于无线环境分析的网络故障定位装置的结构示意图。
图2所示，所述基于无线环境分析的网络故障定位装置通过移动管理实体(Mobility Management Entity，MME)、服务网关(Serving GateWay，SGW)和基站(evolvedNode B，eNB)采集无线信令XDR(CDR呼叫详细记录和TDR事务详细记录统称)数据、网优测量报告(Measurement Report，MR)数据。
同时，所述移动互联网端到端问题定位应用在通信系统中，所述通信系统可以是任意的。例如，所述基于无线环境分析的网络故障定位装置可以应用在非接入层(Non-access stratum，NAS)核心网系统架构，所述方法也可以运用在5G等其他通信系统中。所述基于无线环境分析的网络故障定位装置从核心网(即NAS核心网系统)中获取核心网信令异常事件分析结果。
所述基于无线环境分析的网络故障定位装置用于根据采集的数据(即无线信令XDR数据及核心网信令异常事件分析结果)对移动互联网上网过程中存在的问题进行端到端的确定。同时对无线侧和核心侧网络问题，可以结合小区MR性能数据、网管OMC的性能数据和告警数据等进行精确的问题定位。
所述基于无线环境分析的网络故障定位装置获取通过对网络的关键接口处的原始报文内容进行深度检测分析和合成后而生成的无线信令XDR(CDR呼叫详细记录和TDR事务详细记录统称)数据，同时从核心网获取核心网信令异常事件分析结果，并使用无线环境评估模型进行无线问题定位，同时，基于无线信令XDR分析结果与核心网信令异常事件分析结果的判决器进行无线问题定位。
具体地，所述基于无线环境分析的网络故障定位装置包括审核校验模块301、训练样本数据构模块302、无线环境评估模型创建模块303、判决器生成模块304及定位结果输出模块305。
所述审核校验模块301，用于对工参配置基本数据进行审核校验，以获得核心网信令异常事件分析结果及无线信令XDR数据。具体地，所述审核校验模块通过移动管理实体(Mobility Management Entity，MME)、服务网关(Serving GateWay，SGW)和基站(evolvedNode B，eNB)采集无线信令XDR(CDR呼叫详细记录和TDR事务详细记录统称)数据、网优测量报告(Measurement Report，MR)数据。所述审核校验模块从核心网中获取核心网信令异常事件分析结果。在获取核心网信令异常事件分析结果及无线信令XDR数据之前，对工参配置基本数据进行审核校验，确保工参配置基本数据包括包含(1)现网站点物理配置信息及(2)现网小区的系统内、系统间切换关系配置信息表。
所述训练样本数据构模块302，用于基于核心网信令异常事件分析结果及无线信令XDR数据构建训练样本数据。
具体地说，所述训练样本数据构模块，用于整理核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据。
其中，所述核心网信令异常事件分析结果的输出格式如下表：
特征字段 字段说明
TIME 事件时间
IMSI 用户
CONCLUSION 信令原因
需要说明的是，所述核心网信令异常事件分析结果以协议分析结果为准。所述核心网信令异常事件分析结果的样本数量级要求如下：(1)尽可能包含所有理论上存在的分析结果；(2)每种分析结果的数量为无线信令XDR的信息特征值数量的5倍以上。
进一步地，当全量异常事件发生时刻，对应用户的无线信令XDR的信息特征值及分析结果的输出格式如下表：
Figure BDA0001536316480000131
Figure BDA0001536316480000141
其中，对应用户的无线信令XDR的信息特征值、分析结果样本的数量要求为：(1)尽可能包含所有理论上存在的分析结果；(2)每种分析结果的数量为无线信令XDR的信息特征值数量的5倍以上。
此外，所述无线信令XDR的信息特征值必须包括如下12个方面：(1)最强邻区是否与服务小区同频；(2)最强邻区与服务小区是否配置邻区关系；(3)服务小区的RSRP(Reference Signal Receiving Power，参考信号接收功率)；(4)服务小区的PCI(物理小区标识，Physical cell ID)；(5)PHR(功率余量报告，Power Headroom Report)/UE(UserEquipment，用户设备)发射功率；(7)上行SINR(信号与干扰加噪声比，Signal toInterference plus Noise Ratio)；(8)eNB接受干扰功率；(9)最强邻区的RSRP；(10)最强邻区的PCI；(11)最强邻区与服务小区模三值；(12)最强邻区与服务小区等效距离。其中，所述等效距离的计算算法不仅考虑小区位置，而且还考虑相邻小区间的天线相对角度。具体的有效距离计算公式参考图4所示：Dist(Cell A，Cell B)＝D*(1+X*Cos(β)-X*Cos(α)，其中，当X＝0.5％时，D的最大变量不超过1％。需要说明的是，小区分为全向小区、定向小区、室内小区和室外小区，具体的计算方式如下：当室外主小区为全向小区时，该室外小区和基站连线的夹角(α)固定设置为0°；当室外邻小区为全向小区时，该室外邻小区和基站连线的夹角(β)固定设置为180°；而室内小区和室外全向小区按照上述方式同样处理；此外，有效距离计算时取整，X缺省50％，可手动调整。
所述无线信令XDR的分析结果应至少包括有如下原因：(1)下行弱覆盖；(2)邻区缺失；(3)主小区缺失最强邻区；(4)服务小区或目标邻小区模3干扰；(5)上行覆盖受限；(6)上行干扰；(7)上行瞬时干扰；(8)重叠覆盖；(9)测控参数异常；(10)无线网络正常。
所述训练样本数据构模块，用于对无线信令XDR的异常事件分析数据进行归一化处理。具体地，所述对无线信令XDR的异常事件分析数据进行归一化处理包括：
(1)取K＝{(X1|Y1)，(X2|Y2)，…(Xi|Yi)…，(Xm|Ym)}，其中，K为无线信令XDR的异常事件分析数据的样本数据集，m为无线信令XDR的异常事件分析数据的样本数量，(X1|Y1)代表一个无线信令XDR的异常事件分析数据的样本，X1代表无线信令XDR的异常事件分析数据的第1个样本的特征列X1＝{X1 1，X1 2，……，X1 r}，r代表无线信令XDR的异常事件分析数据的样本的特征数量，X1 r代表无线信令XDR的异常事件分析数据的第1个样本的第r个特征的值，Y1代表无线信令XDR的异常事件分析数据的第1个样本的分析结果；
(2)采用如下公式对无线信令XDR的异常事件分析数据的样本数据的每一个特征进行归一化处理，所述公式为：
Figure BDA0001536316480000151
Figure BDA0001536316480000152
其中，Ej代表无线信令XDR的异常事件分析数据的第i个样本的第j个特征的均值，δj代表无线信令XDR的异常事件分析数据的第i个样本的第j个特征的方差，xi j代表无线信令XDR的异常事件分析数据的第i个样本的第j个特征归一化以后的值，xi＝{xi 1，xi 2，……，xi r}代表无线信令XDR的异常事件分析数据的第i个样本归一化后的特征列；
(3)采用字典A存储无线信令XDR的预设分析结果，其中，无线信令XDR的预设分析结果为Λ＝{1：″上行干扰″；2：″下行弱覆盖；……；a：″无线环境正常″}；
(4)使用字典索引yi代替无线信令XDR的异常事件分析数据中的分析结果，a为字典A的最大索引值，则yi∈[1,a]；
(5)将xi及yt替换K中(Xi|Yi)，则归一化后的无线信令XDR的异常事件分析数据为：
Figure BDA0001536316480000153
所述训练样本数据构模块，用于根据归一化处理的无线信令XDR的异常事件分析数据及核心网信令异常事件分析结果整理为训练样本数据。
具体地，假设Z＝{Z1，Z2，…Zi…，Zm}为核心网信令异常事件分析结果样本数据集，m为与无线信令XDR的异常事件分析数据的样本数据集长度相同的样本数量，Zi代表第i个异常事件的核心网信令级异常事件分析结果；采用字典存储核心网信令级异常事件分析结果C＝{1：″MAC失败″；2：″未知IMSI-HSS″；……c}，c为字典集C的最大索引值，则字典集C的索引zi∈[1,c]；使用字典索引zi代替集合Z中Zi，代替后的核心网信令异常事件分析结果样本数据集为
Figure BDA0001536316480000163
结合归一化后无线信令XDR的异常事件分析数据
Figure BDA0001536316480000165
生成训练样本数据为
Figure BDA0001536316480000164
所述无线环境评估模型创建模块303，用于基于训练样本数据创建无线环境评估模型并输出无线信令XDR的分析结果。具体地，具体地，所述无线环境评估模型是采用基于ECOC-SVM编码分类方法建立的。在本实施例中，所述创建无线环境评估模型，用于获取所述训练样本数据的类别；
所述创建无线环境评估模型，用于根据训练样本数据的类别的数量，确定编码长度L。
所述创建无线环境评估模型，用于根据训练样本数据的类别的数量及编码长度编码矩阵M。具体地，所述生成编码矩阵M的方式如下：假设无线环境分析结果(即训练样本数据)的类别数量是N，L是编码长度，取
Figure BDA0001536316480000161
其中，[…]中为取整函数，
Figure BDA0001536316480000162
其中，C为组合公式。需要说明的是，编码矩阵M的生成原则为：(a)编码矩阵M的行Mi，*(i＝1,……,N；*代表该行的所有列元素)与行Mj，*(j＝1,……，N；i≠j)之间不相关，行标i对应字典T索引；(b)编码矩阵M的列M*，i(i＝1,……,L；*代表该行的所有行元素)与列M*，j(j＝1,……,L；i≠j)之间不相关，且编码矩阵M中没有全为“1”或者全为“0”的列。
下面以N＝4为例说明生成编码矩阵M为：
Figure BDA0001536316480000171
所述创建无线环境评估模型，用于根据编码矩阵M，生成L个分类器。
所述创建无线环境评估模型，用于根据L个分类器生成编码器。具体地，编码矩阵M的行代表N个分类，根据编码矩阵的每一列M*，i生成一个分类器hi，采用SVM(支持向量机，Support Vector Machine)作为分类器。行元素为“1”代表样本数据中，该类元素作为正样本，否则为负样本，例如M*，5，对应分类器h5，且类2的样本作为正样本，其余类样本作为负样本。最终，生成的编码器为H＝{h1，h2，……，hL}。
所述创建无线环境评估模型，用于根据编码矩阵M及编码器生成解码器，并通过解码器输出无线信令XDR的分析结果。具体地，采用汉明距离解码公式生成解码器：
Figure BDA0001536316480000172
disH[Mr，*，H(x)]为以汉明距离解码公式生成的解码器，Mr为编码矩阵，hi(x)为编码器，I[Mr，i＝hi(x)]为判断函数。所述将训练样本数据输入至解码器并通过解码器输出无线信令XDR的分析结果包括：
Figure BDA0001536316480000173
其中，
Figure BDA0001536316480000174
代表以r为变量使disH[Mr，*，H(x)]取得最小值，
Figure BDA0001536316480000175
为输出的无线信令XDR的分析结果，输出的无线信令XDR的分析结果为所在的行标r对应字典A的索引，A为无线信令XDR的预设分析结果的字典集。
所述判决器生成模块304，用于基于训练样本数据与核心网信令异常事件分析结果生成判决器。所述判决器主要反映核心网信令异常事件分析结果对无线环境的依赖程度。具体地说，所述基于训练样本数据与核心网信令异常事件分析结果生成判决器，包括：
Figure BDA0001536316480000181
其中，Kt为所述核心网信令异常事件分析结果中第t个分析结果对应的判决器，Pt为字典集C中第t个元素受无线环境因素影响的概率，p为设置的信概率，所述
Figure BDA0001536316480000182
I[zi＝t]及I[yi＜c]均为判断函数，zi及yi来自训练样本数据
Figure BDA0001536316480000183
c为字典集C的最大索引值。
所述定位结果输出模块305，用于将无线信令XDR的分析结果及核心网信令异常事件分析结果输入至判决器，并由判决器输出网络异常事件的最终分析结果。
具体地，所述定位结果输出模块305，用于获取线环境评估模型输出的无线信令XDR的分析结果。
所述定位结果输出模块305，用于获取核心网信令异常事件分析结果。
所述定位结果输出模块305，用于将核心网信令异常事件分析结果输入至判决矩阵Kt。
所述定位结果输出模块305，用于判断核心网信令异常事件分析结果对应的Kt是否为1。若核心网信令异常事件分析结果对应的Kt为1，则所述定位结果输出模块305输出核心网信令异常事件分析结果。若核心网信令异常事件分析结果对应的Kt为0，则所述定位结果输出模块305判断无线信令XDR的分析结果是否正常。具体地说，若无线信令XDR的分析结果为“无线环境正常”(也可以是其它表示正常的信息，例如，OK)，则判断无线信令XDR的分析结果为正常，所述定位结果输出模块305输出的网络异常事件的最终分析结果为核心网信令异常事件分析结果。若具体地说，若无线信令XDR的分析结果为“无线环境不正常”(也可以是其它表示正常的信息，例如，NO)，则判断无线信令XDR的分析结果为不正常，所述定位结果输出模块305输出的网络异常事件的最终分析结果为无线信令XDR的分析结果。
另外，上述本发明实施例的基于无线环境分析的网络故障定位方法可以由基于无线环境分析的网络故障定位设备来实现。图3示出了本发明实施例提供的基于无线环境分析的网络故障定位设备的硬件结构示意图。
基于无线环境分析的网络故障定位设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。存储器402可以包括用于数据或指令的大容量存储器。处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种基于无线环境分析的网络故障定位方法。
在一个示例中，基于无线环境分析的网络故障定位设备还可包括通信接口403和总线410。其中，如图3所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。通信接口403，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。总线410包括硬件、软件或两者，将基于无线环境分析的网络故障定位设备的部件彼此耦接在一起。在合适的情况下，总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
另外，结合上述实施例中的基于无线环境分析的网络故障定位方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于无线环境分析的网络故障定位方法。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (12)

1.一种网络故障定位方法，其特征在于，所述方法包括：
对工参配置基本数据进行审核校验，以获得核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据；
基于核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据构建训练样本数据；
基于训练样本数据创建无线环境评估模型并通过无线环境评估模型输出无线信令XDR的分析结果；
基于训练样本数据与核心网信令异常事件分析结果生成判决器；及
将所述无线信令XDR的分析结果及核心网信令异常事件分析结果输入至判决器，并由判决器输出网络异常事件的最终分析结果；
所述无线信令XDR的异常事件分析数据是指当全量异常事件发生时刻，对应用户的无线信令XDR的信息特征值及分析结果；
所述创建无线环境评估模型包括：
获取所述训练样本数据的类别；
根据训练样本数据的类别的数量，确定编码长度L；
根据训练样本数据的类别的数量及编码长度编码矩阵M；
根据编码矩阵M，生成L个分类器；
根据L个分类器生成编码器；
根据编码矩阵M及编码器生成解码器；
将训练样本数据输入至解码器并通过解码器输出无线信令XDR的分析结果。
2.根据权利要求1所述的方法，其特征在于，所述构建训练样本数据包括：
整理核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据；
对无线信令XDR的异常事件分析数据进行归一化处理；及
将归一化处理的无线信令XDR的异常事件分析数据及核心网信令异常事件分析结果整理为训练样本数据。
3.根据权利要求2所述的方法，其特征在于，所述对无线信令XDR的异常事件分析数据进行归一化处理包括：
取K＝{(X1|Y1),(X2|Y2),…(Xi|Yi)…,(Xm|Ym)}，其中，K为无线信令XDR的异常事件分析数据的样本数据集，m为无线信令XDR的异常事件分析数据的样本数量，(X1|Y1)代表一个无线信令XDR的异常事件分析数据的样本，X1代表无线信令XDR的异常事件分析数据的第1个样本的特征列X1＝{X1 1,X1 2,……,X1 r}，r代表无线信令XDR的异常事件分析数据的样本的特征数量，X1 r代表无线信令XDR的异常事件分析数据的第1个样本的第r个特征的值，Y1代表无线信令XDR的异常事件分析数据的第1个样本的分析结果；
采用如下公式对无线信令XDR的异常事件分析数据的样本数据的每一个特征进行归一化处理，所述公式为：
Figure FDA0003465516410000021
Figure FDA0003465516410000022
其中，Ej代表无线信令XDR的异常事件分析数据的第i个样本的第j个特征的均值，δj代表无线信令XDR的异常事件分析数据的第i个样本的第j个特征的方差，xi j代表无线信令XDR的异常事件分析数据的第i个样本的第j个特征归一化以后的值，xi＝{xi 1,xi 2,……,xi r}代表无线信令XDR的异常事件分析数据的第i个样本归一化后的特征列；
采用字典A存储无线信令XDR的预设分析结果，其中，无线信令XDR的预设分析结果为A＝{1:"上行干扰"；2:"下行弱覆盖；……；a:"无线环境正常"}；
使用字典索引yi代替无线信令XDR的异常事件分析数据中的分析结果a为字典A的最大索引值，则yi∈[1,a]；
将xi及yt替换K中(Xi|Yi)，则归一化后的无线信令XDR的异常事件分析数据为：
Figure FDA0003465516410000031
4.根据权利要求3所述的方法，其特征在于，所述将归一化处理的无线信令XDR的异常事件分析数据及核心网信令异常事件分析结果整理为训练样本数据包括：
Z＝{Z1,Z2,…Zi…,Zm}为核心网信令异常事件分析结果样本数据集，m为与无线信令XDR的异常事件分析数据的样本数据集长度相同的样本数量，Zi代表第i个异常事件的核心网信令级异常事件分析结果；
采用字典存储核心网信令级异常事件分析结果C＝{1:"MAC失败"；2:"未知IMSI-HSS"；……c}，c为字典集C的最大索引值，则字典集C的索引zi∈[1,c]；
使用字典索引zi代替集合Z中Zi，代替后的核心网信令异常事件分析结果样本数据集为
Figure FDA0003465516410000032
结合归一化后无线信令XDR的异常事件分析数据
Figure FDA0003465516410000033
生成训练样本数据为
Figure FDA0003465516410000034
5.根据权利要求1所述的方法，其特征在于，所述编码矩阵M的生成原则为：
编码矩阵M的行Mi,*与行Mj,*之间不相关，行标i对应字典A的索引，A为无线信令XDR的预设分析结果的字典集，*代表该行的所有列元素，其中，i等于1至N之间的任意整数，j等于1至N之间的任意整数，且i不等于j；
编码矩阵M的列M*,i与列M*,j之间不相关，其中，i等于1至L之间的任意整数，j等于1至L之间的任意整数，i不等于j，且编码矩阵M中没有全为“1”或者全为“0”的列。
6.根据权利要求5所述的方法，其特征在于，所述编码矩阵M的行代表N个分类，根据编码矩阵的每一列M*,i生成一个分类器hi并采用SVM作为分类器，其中，行元素为“1”代表样本数据中的正样本，否则，行元素不为“1”代表样本数据中的负样本。
7.根据权利要求6所述的方法，其特征在于，所述将训练样本数据输入至解码器并通过解码器输出无线信令XDR的分析结果包括：
Figure FDA0003465516410000041
其中，
Figure FDA0003465516410000042
代表以r为变量使disH[Mr,*,H(x)]取得最小值，
Figure FDA0003465516410000043
为输出的无线信令XDR的分析结果，输出的无线信令XDR的分析结果为所在的行标r对应字典A的索引，A为无线信令XDR的预设分析结果的字典集，disH[Mr,*,H(x)]为以汉明距离解码公式生成的解码器，
Figure FDA0003465516410000044
Mr为编码矩阵，hi(x)为编码器，I[Mr,i＝hi(x)]为判断函数。
8.根据权利要求7所述的方法，其特征在于，所述基于训练样本数据与核心网信令异常事件分析结果生成判决器，包括：
Figure FDA0003465516410000045
其中，Kt为所述核心网信令异常事件分析结果中第t个分析结果对应的判决器，Pt为字典集C中第t个元素受无线环境因素影响的概率，p为设置的信概率，所述
Figure FDA0003465516410000046
I[zi＝t]及I[yi<c]均为判断函数，zi及yi来自训练样本数据
Figure FDA0003465516410000047
Figure FDA0003465516410000048
c为字典集C的最大索引值。
9.根据权利要求8所述的方法，其特征在于，所述由判决器输出网络异常事件的最终分析结果包括：
获取无线环境评估模型输出的无线信令XDR的分析结果；
获取核心网信令异常事件分析结果；
将核心网信令异常事件分析结果输入至判决矩阵Kt；
若核心网信令异常事件分析结果对应的Kt为1或无线信令XDR的分析结果为正常，则输出网络异常事件的最终分析结果为核心网信令异常事件分析结果；
若核心网信令异常事件分析结果对应的Kt为0且无线信令XDR的分析结果为不正常，则输出网络异常事件的最终分析结果为无线信令XDR的分析结果。
10.一种网络故障定位装置，其特征在于，所述装置包括：
审核校验模块，用于对工参配置基本数据进行审核校验，以获得核心网信令异常事件分析结果及无线信令XDR的异常事件分析数据；
训练样本数据构模块，用于基于核心网信令异常事件分析结果及无线信令XDR数据构建训练样本数据；
无线环境评估模型创建模块，用于基于训练样本数据创建无线环境评估模型并通过无线环境评估模型输出无线信令XDR的分析结果；
判决器生成模块，用于基于训练样本数据与核心网信令异常事件分析结果生成判决器；及
定位结果输出模块，用于将所述无线信令XDR的分析结果及核心网信令异常事件分析结果输入至判决器，并由判决器输出网络异常事件的最终分析结果；
所述无线信令XDR的异常事件分析数据是指当全量异常事件发生时刻，对应用户的无线信令XDR的信息特征值及分析结果；
所述创建无线环境评估模型包括：
获取所述训练样本数据的类别；
根据训练样本数据的类别的数量，确定编码长度L；
根据训练样本数据的类别的数量及编码长度编码矩阵M；
根据编码矩阵M，生成L个分类器；
根据L个分类器生成编码器；
根据编码矩阵M及编码器生成解码器；
将训练样本数据输入至解码器并通过解码器输出无线信令XDR的分析结果。
11.一种网络故障定位设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-9中任一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-9中任一项所述的方法。
CN201711495484.1A 2017-12-31 2017-12-31 网络故障定位方法、装置、设备及介质 Active CN109995566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711495484.1A CN109995566B (zh) 2017-12-31 2017-12-31 网络故障定位方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711495484.1A CN109995566B (zh) 2017-12-31 2017-12-31 网络故障定位方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN109995566A CN109995566A (zh) 2019-07-09
CN109995566B true CN109995566B (zh) 2022-05-10

Family

ID=67111715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711495484.1A Active CN109995566B (zh) 2017-12-31 2017-12-31 网络故障定位方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN109995566B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733083B (zh) * 2019-10-28 2023-08-18 中国移动通信集团湖南有限公司 一种数据校验方法、系统及装置
CN112838943B (zh) * 2019-11-25 2022-06-10 华为技术有限公司 信令分析方法和相关装置
CN111030876B (zh) * 2019-12-25 2022-05-06 武汉绿色网络信息服务有限责任公司 一种基于DPI的NB-IoT终端故障定位方法和装置
CN113453408B (zh) * 2020-03-26 2022-11-04 浙江宇视科技有限公司 一种补光驱动控制电路、方法及网络摄像机
CN111510940B (zh) * 2020-04-14 2023-02-28 中国联合网络通信集团有限公司 信令分析方法及设备
CN111800854A (zh) * 2020-06-24 2020-10-20 北京红山信息科技研究院有限公司 基站位置验证方法、装置、设备及存储介质
CN111787581B (zh) * 2020-06-28 2022-09-27 中国联合网络通信集团有限公司 邻区优化方法及设备
US20230039510A1 (en) * 2021-08-03 2023-02-09 Rakuten Mobile, Inc. Neighbor relation conflict prediction

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101605072A (zh) * 2008-06-12 2009-12-16 阿尔卡特朗讯公司 保护基于分组的网络不受攻击的方法以及安全边界节点
CN101614787A (zh) * 2009-07-07 2009-12-30 南京航空航天大学 基于M-ary结构分类器的模拟电子电路故障诊断方法
CN102799899A (zh) * 2012-06-29 2012-11-28 北京理工大学 基于svm和gmm的特定音频事件分层泛化识别方法
CN103945442A (zh) * 2014-05-07 2014-07-23 东南大学 移动通信系统中基于线性预测原理的系统异常检测方法
CN105046279A (zh) * 2015-08-07 2015-11-11 合肥工业大学 一种模拟电路故障模式分类方法
EP3040927A1 (en) * 2015-01-01 2016-07-06 Deutsche Telekom AG System for generating fabricated pattern data records
CN106911523A (zh) * 2017-04-25 2017-06-30 杭州东方通信软件技术有限公司 移动互联网用户通过lte上网问题定位的方法和系统
CN107133265A (zh) * 2017-03-31 2017-09-05 咪咕动漫有限公司 一种识别行为异常用户的方法及装置
CN107332681A (zh) * 2016-04-28 2017-11-07 中国移动通信集团福建有限公司 一种故障维度分析方法及网络设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9031093B2 (en) * 2012-12-06 2015-05-12 Intel Corporation EEE refresh and wake signaling for 100GBASE-KP4

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101605072A (zh) * 2008-06-12 2009-12-16 阿尔卡特朗讯公司 保护基于分组的网络不受攻击的方法以及安全边界节点
CN101614787A (zh) * 2009-07-07 2009-12-30 南京航空航天大学 基于M-ary结构分类器的模拟电子电路故障诊断方法
CN102799899A (zh) * 2012-06-29 2012-11-28 北京理工大学 基于svm和gmm的特定音频事件分层泛化识别方法
CN103945442A (zh) * 2014-05-07 2014-07-23 东南大学 移动通信系统中基于线性预测原理的系统异常检测方法
EP3040927A1 (en) * 2015-01-01 2016-07-06 Deutsche Telekom AG System for generating fabricated pattern data records
CN105046279A (zh) * 2015-08-07 2015-11-11 合肥工业大学 一种模拟电路故障模式分类方法
CN107332681A (zh) * 2016-04-28 2017-11-07 中国移动通信集团福建有限公司 一种故障维度分析方法及网络设备
CN107133265A (zh) * 2017-03-31 2017-09-05 咪咕动漫有限公司 一种识别行为异常用户的方法及装置
CN106911523A (zh) * 2017-04-25 2017-06-30 杭州东方通信软件技术有限公司 移动互联网用户通过lte上网问题定位的方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GSM隐性故障智能诊断系统的研究;刘欣川;《移动通信》;20131231;正文第1-3节 *
刘欣川.GSM隐性故障智能诊断系统的研究.《移动通信》.2013, *

Also Published As

Publication number Publication date
CN109995566A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109995566B (zh) 网络故障定位方法、装置、设备及介质
CN110602741B (zh) 网络弱覆盖的识别方法、装置、设备及存储介质
CN105744553B (zh) 一种网络关联分析方法及装置
CN111372183B (zh) 一种识别质差终端的方法、装置、设备及存储介质
CN111356147B (zh) 一种室分小区故障定位方法及装置
US8744431B2 (en) Apparatus and method for network based wireless network test
CN111654870B (zh) 调整小区覆盖区的控制方法、装置、设备及存储介质
CN111586740B (zh) 最小化路测技术配置方法和基站
US20220174511A1 (en) Method and system for filtering of abnormal network parameter values prior to being used in training of a prediction model in a communication network
CN107438264B (zh) 小区性能分析方法及装置
CN113329430A (zh) 网络优化方法和装置
KR102333866B1 (ko) 이동 통신 네트워크 이상 진단 장치 및 방법
CN113133058B (zh) 负载均衡方法、装置及系统
CN106941685B (zh) 一种确定天线接反的方法及系统
CN118158719A (zh) 一种基站路测的自适应辅助方法、装置、设备及存储介质
CN115379476B (zh) 确定小区干扰类型的方法、装置、设备及存储介质
CN114154765B (zh) 小区预测方法、装置、电子设备及存储介质
CN109993388B (zh) 劣化小区主因判断方法、装置、设备及介质
CN115623572A (zh) 上行干扰处理方法及装置
CN115134909A (zh) 通信干扰源的定位方法、装置、设备及存储介质
JP6822941B2 (ja) 通信端末、端末制御プログラム、端末制御方法及び通信システム
CN107734525B (zh) 一种基于扫频的lte系统rs平衡确定方法及装置
CN112243257A (zh) 一种无线小区的覆盖黑洞识别方法及系统
CN115379477B (zh) 确定小区干扰类型的方法、装置、设备及存储介质
CN113727377B (zh) 基于基站参数判断无线通信环境变化的方法及设备

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