CN110555452A - 一种基于智能聚类的网络问题处理方法及装置 - Google Patents
一种基于智能聚类的网络问题处理方法及装置 Download PDFInfo
- Publication number
- CN110555452A CN110555452A CN201810564156.0A CN201810564156A CN110555452A CN 110555452 A CN110555452 A CN 110555452A CN 201810564156 A CN201810564156 A CN 201810564156A CN 110555452 A CN110555452 A CN 110555452A
- Authority
- CN
- China
- Prior art keywords
- clustering
- module
- network problem
- data
- clustering result
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 235000019580 granularity Nutrition 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 206010027146 Melanoderma Diseases 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 108091092568 Alarmone Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于智能聚类的网络问题处理方法及装置，属于网络技术领域。所述方法包括：收集各网络问题数据；对各网络问题数据中的共性问题进行聚类，得到第一聚类结果；对各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果；根据第一聚类结果和第二聚类结果生成工单并进行派单。本发明中，在是单纯依赖“一刀切”的规则来进行问题小区筛选，提高了准确性；并且减少了对有共性的网络问题重复处理的耗时，提高了后续工单的处理效率；同时将相似性的问题进行合并，降低了工单数量，降低了成本；并且可以配置新的聚类维度，具备良好的扩展性。
Description
技术领域
本发明涉及网络技术领域，尤其涉及一种智能聚类的网络问题处理方法及装置。
背景技术
近年来LTE(Long Term Evolution，长期演进)网络快速部属实施，用户量也在快速增长。在对LTE网络的日常优化过程中，进行异常网元筛选及跟踪处理是一项基本工作。其通常是根据关注的关键指标(Key Performance Indicator，简称KPI)制定基于门限的判别规则，从而筛选出异常网元，进而生成相应的工单，执行优化处理流程。其中，在KPI判别规则的制定过程中，需要明确对各项指标的核查粒度和门限，再根据各省的优化实施经验，制定门限判别规则。
现有的对LTE网络的日常优化过程，通常是以小区为单位进行，首先进行异常网元筛选，包括：1)小区性能KPI指标的采集与汇总，即从无线操作维护中心(Operation&Maintenance Center-Radio，简称OMC)获取XML文件，对性能数据文件进行解析，实现性能指标的采集，并在采集性能指标后进行数据汇总，包括进行小时、天、周、月等的时间粒度的汇总，以及小区、片区、地市空间粒度的汇总。2)小区问题规则的制定，为进行异常网元筛选，需要制定筛选规则，实现区分地市和场景的小区筛选规则，从而按照制定的规则进行调度执行，筛选出异常网元。通常地，制定的小区规则支持按照门限、累计、TOP(降序排列后取前)筛选等，按照不同的时间粒度进行汇总判断；支持接通低、掉线高、切换差等KPI问题的规则；支持不同的时间粒度，选取不同规则的判断时间范围；支持时段累计获取地市TOP筛选。3)根据制定的问题规则筛选出异常网元。其次，根据筛选出的异常网元生成相应的工单；最后，进行派单并跟踪处理。
然而，上述异常网元的筛选及对应工单的生成是直接基于制定的问题规则“一刀切”式的完成，而从上述描述可知问题规则往往粒度很细，所以一方面，导致了最终生成的工单数量很大，提高了成本；另一方面，导致了相似性问题的工单很多，同一区域的工单也很多，使得重复性的工作很多，降低了产率及效率；再一方面，工单之间没有类型的区分，降低了管理效率和处理效率。
发明内容
根据本发明的实施方式，提供一种基于智能聚类的网络问题处理方法及装置。
一方面，本发明提供一种基于智能聚类的网络问题处理方法，包括：
步骤S1：收集各网络问题数据；
步骤S2：对所述各网络问题数据中的共性问题进行聚类，得到第一聚类结果；
步骤S3：对所述各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果；
步骤S4：根据所述第一聚类结果和所述第二聚类结果生成工单并进行派单。
可选地，所述步骤S1，具体为：通过问题引擎在电子运维系统数据、道路测试数据、干扰数据、性能数据及其他数据中收集网络问题数据。
可选地，所述步骤S2，具体为：根据价值维度、难度维度、根因维度、地理维度对所述网络问题数据中的共性问题进行聚类，得到第一聚类结果。
可选地，根据价值维度对所述网络问题数据中的共性问题进行聚类，具体为：对所述网络问题数据中由核心区域、核心人物触发的问题，以及高话务量和高流量的问题进行价值聚类；
可选地，根据难度维度对所述网络问题数据中的共性问题进行聚类，具体为：对所述网络问题数据中高复现的问题进行难度聚类；
可选地，根据根因维度对所述网络问题数据中的共性问题进行聚类，具体为：将所述网络问题数据中相同根因的问题进行根因聚类；
可选地，根据地理维度对所述网络问题数据中的共性问题进行聚类，具体为：将所述网络问题数据中问题的发生点与地理信息系统关联得到问题密集区，对所述问题密集区的问题进行地理聚类。
可选地，所述步骤S3，具体为：根据性能规则、质量规则、黑点规则、室分规则对所述各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果。
可选地，所述步骤S4，具体包括：
步骤A1：获取第一预设时间段内的第一聚类结果和第二聚类结果；
步骤A2：初始化待生成工单的信息，并缓存第二预设时间段内的工单信息；
步骤A3：将获取的第一聚类结果、第二聚类结果与缓存的工单信息进行比对，根据比对结果对各聚类结果进行状态标记并置于相应的队列；
步骤A4：根据各队列中聚类结果的状态执行相应的问题追加或者工单生成操作，更新各队列并对生成的工单进行派单。
另一方面，本发明提供一种基于智能聚类的网络问题处理装置，包括：
收集模块，用于收集各网络问题数据；
第一聚类模块，用于对所述收集模块收集的各网络问题数据中的共性问题进行聚类，得到第一聚类结果；
第二聚类模块，用于对所述收集模块收集的各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果；
生成模块，用于根据所述第一聚类模块得到的第一聚类结果和所述第二聚类模块得到的第二聚类结果生成工单；
派单模块，用于对所述生成模块生成的工单进行派单。
可选地，所述收集模块，具体用于：通过问题引擎在电子运维系统数据、道路测试数据、干扰数据、性能数据及其他数据中收集网络问题数据。
可选地，所述第一聚类模块，具体用于：根据价值维度、难度维度、根因维度、地理维度对所述收集模块收集的网络问题数据中的共性问题进行聚类，得到第一聚类结果。
可选地，所述第一聚类模块，具体用于：
对所述收集模块收集的网络问题数据中由核心区域、核心人物触发的问题，以及高话务量和高流量的问题进行价值聚类；
对所述收集模块收集的网络问题数据中高复现的问题进行难度聚类；
将所述收集模块收集的网络问题数据中相同根因的问题进行根因聚类；
将所述收集模块收集的网络问题数据中问题的发生点与地理信息系统关联得到问题密集区，对所述问题密集区的问题进行地理聚类。
可选地，所述第二聚类模块，具体用于：根据性能规则、质量规则、黑点规则、室分规则对所述网络问题数据中问题的产生源点进行聚类，得到第二聚类结果。
可选地，所述生成模块，具体包括：获取子模块、初始化子模块、缓存子模块、比对子模块、标记子模块、执行子模块和更新子模块；
所述获取子模块，用于获取第一预设时间段内的第一聚类结果和第二聚类结果；
所述初始化子模块，用于初始化待生成工单的信息；
所述缓存子模块，用于缓存第二预设时间段内的工单信息；
所述比对子模块，用于将所述获取子模块获取的第一聚类结果、第二聚类结果与所述缓存子模块缓存的工单信息进行比对；
所述标记子模块，用于根据所述比对子模块的比对结果对各聚类结果进行状态标记并置于相应的队列；
所述执行子模块，用于根据各队列中聚类结果的状态执行相应的问题追加或者工单生成操作；
更新子模块，用于更新各队列；
对应地，所述派单模块，具体用于：对所述执行子模块生成的工单进行派单。
本发明的优点在于：
本发明中，从价值、难度、根因、地理等维度对网络问题数据中的共性问题进行聚类，并对问题的产生源点进行聚类，基于聚类的结果进行工单的生成或者问题的追加，并且提供了优先级处理机制，相对于现有技术，至少存在以下优势：
1)效率高：通过自动进行问题聚类，不仅减少了人为后分析的耗时，而且减少了对共性网络问题重复处理的耗时，大大提高了后续工单的处理效率；并且基于聚类结果，通过优先级的形式明晰问题的严重程度，从而优先处理严重的问题。
2)准确性高：不在是单纯依赖“一刀切”的规则来进行问题小区筛选，而是通过问题聚类来发现网络问题，更能真实的反映网络状态，发现问题严重的区域，更能有效的定位问题原因。
3)成本低：不在是简单的通过门限控制限定问题，而是通过共性问题的聚类，以及问题产生源点的聚类，将相似性的问题进行合并，从而大大降低了工单数量，降低了成本。
4)扩展性好：可以配置新的聚类维度，具备良好的扩展性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
附图1为本发明提供的一种基于智能聚类的网络问题处理方法流程图；
附图2为本发明提供的一种基于智能聚类的网络问题处理方法中的聚类用例图；
附图3为本发明提供的一种基于智能聚类的网络问题处理装置模块组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
根据本发明的实施方式，提供一种基于智能聚类的网络问题处理方法，如图1所示，包括：
步骤101：收集各网络问题数据；
步骤102：对收集的各网络问题数据中的共性问题进行聚类，得到第一聚类结果；
步骤103：对收集的各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果；
步骤104：根据第一聚类结果和第二聚类结果生成工单并进行派单。
根据本发明的实施方式，步骤101，具体为：通过问题引擎在电子运维系统(Electric Operation Maintenance System，简称EOMS)数据、道路测试数据、干扰数据、性能数据及其他数据中收集网络问题数据。
其中，道路测试数据又称为黑点数据；性能数据，包括：话务量、流量等；其他数据，包括：经纬度、警告信息等。
根据本发明的实施方式，步骤102，具体为：根据价值维度、难度维度、根因维度、地理维度对收集的网络问题数据中的共性问题进行聚类，得到第一聚类结果。
根据本发明的实施方式，根据价值维度对收集的网络问题数据中的共性问题进行聚类，具体为：对收集的网络问题数据中由核心区域、核心人物触发的问题，以及高话务量和高流量的问题进行价值聚类；
更加具体地，在本实施例中，根据价值维度对收集的网络问题数据中的共性问题进行聚类的聚类条件，包括：
导入高价值场景，定义高价值描述；例如，将领导工作地点、党政关键基站作为高价值场景；
按照流量对全网小区进行排名并过滤；优选地，在本实施例中，按照流量对全网小区进行降序排名，并过滤出位于前5％的小区；
接入外部数据源；例如，接入全网收入话费最高的基站。
根据本发明的实施方式，根据难度维度对收集的网络问题数据中的共性问题进行聚类，具体为：对收集的网络问题数据中高复现的问题进行难度聚类；
更加具体地，对网络问题数据中的高复现小区进行合并，并核对历史数据中高复现小区重复发生的问题，从而得到全网高复现的问题；
优选地，将上个月出现3天及以上的小区确定为高复现小区。
根据本发明的实施方式，根据根因维度对收集的网络问题数据中的共性问题进行聚类，具体为：将收集的网络问题数据中相同根因的问题进行根因聚类；
更加具体地，基于弱覆盖、高干扰等不同的根因，统计每日产生相应问题的小区数量，对小区数量突增对应的一类问题进行预警，派发整治工单；
根据本发明的实施方式，根据地理维度对收集的网络问题数据中的共性问题进行聚类，具体为：将收集的网络问题数据中问题的发生点与地理信息系统关联得到问题密集区，对问题密集区进行地理聚类。
具体地，将收集的网络问题数据中各问题的发生点的经纬度在地理信息系统中进行打点得到多个黑点，对地理信息系统中的黑点进行收缩聚合；
其中，收缩聚合，具体包括：判断所有点与其自身最近的点之间的距离是否小于预设门限，将距离小于门限的点进行初次聚合得到聚合块；判断各聚合块是否存在相邻的聚合块，并将相邻的聚合块进行聚合，直至不存在相邻的聚合块；
优选地，在本实施例中，预设门限为500米。
进一步地，在本实施例中，在根据地理维度对收集的网络问题数据中的共性问题进行聚类时，还包括：根据不同问题特点、区域特征、责任区分工、问题严重程度等，对各类问题引入分级成单模式；对应的，派发工单的模式包括：问题点级(小区、地理信息系统中的黑点栅格类)、片区级、地市级三类工单级别：
其中，问题点级(小区、黑点栅格类)，具体为：对单个小区、单个问题黑点、单个栅格(可根据需求，定义栅格大小)，按照一定的时间周期(例如，将一周时间作为问题汇聚周期)，由集中优化工单管理平台根据通用网关接口(Common Gateway Interface，简称CGI)或地理化栅格标识作为唯一关联，进行问题自动汇聚。汇聚后，前期发现的所有问题将按CGI、黑点或栅格进行映射，最终呈现以唯一标识的问题集，即充分展现一个在一定周期内存在的多维度问题。
其中，区域级(行政区、网格)：对满足区域派单规则的多个小区或多个黑点，以问题区域集中性(优化区)、解决方案一致性等维度，按区域进行汇聚，最终形成工单派发分公司在现场进行基础网络优化处理，区域级汇聚同时考虑一线分公司按区域的责任分工和对应市场的支撑分析。派发工单前，对问题点进行汇聚，以提升一线分公司优化人员处理效率。
地市级：对地市分公司中的一类问题，整体指标下降严重或小区(问题点)比例过高，则派发地市级工单。
更进一步地，在本实施例中，步骤102之后，还包括：将第一聚类结果保存至数据库。
根据本发明的实施方式，步骤103，具体为：根据性能规则、质量规则、黑点规则、室分规则对收集的各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果。
其中，问题的产生源点，包括小区、机房、设备等。
例如，在性能规则中包含地铁场景，并且在地铁场景中定义了接通率差小区规则、掉线差小区规则、切换成功率差小区规则，则将通过该三项规则发现的差小区进行合并。
需要指出地，当同一小区触发多项规则时，后续合并至同一工单派发处理。例如，某小区既触发了质量规则，又触发了室分规则，在后续生成工单的过程中，不会针对同一小区生成两个工单，而是进行合并处理生成一个工单。
进一步地，在本实施例中，对各网络问题数据中问题的产生源点进行聚类时，还包括：定义网络聚类的类别，其是规则的一个属性，而规则是决定问题合并及工单生成的条件，也是派单逻辑的关键要素。
例如，如图2所示的聚类用例图，根据优化分析的需要定义网络聚类分为大类和小类。
需要说明地，图2仅用于示意，而不用于限定。
更进一步地，步骤103之后，还包括：将第二聚类结果保存至数据库。
根据本发明的实施方式，步骤104中，根据第一聚类结果和第二聚类结果生成工单，具体包括：
步骤A1：获取第一预设时间段内的第一聚类结果和第二聚类结果；
具体地，在数据库中获取第一预设时间段内的第一聚类结果和第二聚类结果；优选地，第一预设时间段为24小时。
步骤A2：初始化待生成工单的信息，并缓存第二预设时间段内的工单信息；
具体地，初始化待生成工单的工单编号、权限、处理时限等信息。
优选地，第二预设时间段为一个月。
步骤A3：将获取的第一聚类结果、第二聚类结果与缓存的工单信息进行比对，根据比对结果对各聚类结果进行状态标记并置于相应的队列；
具体地，将获取的第一聚类结果、第二聚类结果与缓存的工单信息进行比对，判断是否存在需要进行问题追加的聚类结果，是则将对应的聚类结果的状态标记为“合并”后放于合并队列，并将不需进行问题追加的聚类结果的状态标记为“生成”后放于生成队列；否则将各聚类结果的状态标记为“生成”后放于生成队列；
本发明中，提供问题追加机制，对于各聚类结果中的问题，如已有同网元同问题、且已生成而处于未闭环状态的工单，则对相应的工单进行恶化时间及恶化情况的追加，不再生成与聚类结果对应的新工单。
其中，已生成而处于未闭环状态的工单，包括：已生成而未派单的工单；已生成且已派单，但在处理期限内处于未完成状态的工单等。
步骤A4：根据各队列中聚类结果的状态执行相应的问题追加或者工单生成操作，并更新各队列。
进一步地，本实施例中，提供容错机制，即步骤A4中，还包括：通过模拟事务，进行出错时回滚；
具体地，考虑到回滚失败的情况，对于出错的工单，不可破坏现有数据，即，在问题追加或者工单生成时，如果已存在将要问题追加或生成的工单，则跳过。对于缓存的工单信息，如果当前工单是一个月前的告警，则直接在数据库中进行工单生成或问题追加；并在步骤A4中，问题追加或者工单生成操作完成后，将新增项放入缓存列表，其中，缓存列表使用dictionary(字典)，并将intId类作为key，以提高查询速度。
更进一步地，本发明中，还提供优先级处理机制，在工单生成时，通过检索历史工单，发现高频出现的问题，及高频出现问题的小区，并将当前出现的同类型的问题或同网元进行优先级提升以优先处理。
实施例二
根据本发明的实施方式，提供一种基于智能聚类的网络问题处理装置，如图3所示，包括：
收集模块201，用于收集各网络问题数据；
第一聚类模块202，用于对收集模块收集的各网络问题数据中的共性问题进行聚类，得到第一聚类结果；
第二聚类模块203，用于对收集模块201收集的各网络问题数据中产生问题的地点进行聚类，得到第二聚类结果；
生成模块204，用于根据第一聚类模块202得到的第一聚类结果和第二聚类模块203得到的第二聚类结果生成工单；
派单模块205，用于对生成模块204生成的工单进行派单。
根据本发明的实施方式，收集模块201，具体用于：通过问题引擎在电子运维系统数据、道路测试数据、干扰数据、性能数据及其他数据中收集网络问题数据。
其中，道路测试数据又称为黑点数据；性能数据，包括：话务量、流量等；其他数据，包括：经纬度、警告信息等。
根据本发明的实施方式，第一聚类模块202，具体用于：根据价值维度、难度维度、根因维度、地理维度对收集模块201收集的网络问题数据中的共性问题进行聚类，得到第一聚类结果。
根据本发明的实施方式，第一聚类模块202，具体用于：
对收集模块201收集的网络问题数据中由核心区域、核心人物触发的问题，以及高话务量和高流量的问题进行价值聚类；
对收集模块201收集的网络问题数据中高复现的问题进行难度聚类；
将收集模块201收集的网络问题数据中相同根因的问题进行根因聚类；
将收集模块201收集的网络问题数据中问题的发生点与地理信息系统关联得到问题密集区，对问题密集区的问题进行地理聚类。
根据本发明的实施方式，所述装置，还包括：保存模块，用于将第一聚类模块202得到的第一聚类结果保存至数据库。
根据本发明的实施方式，第二聚类模块203，具体用于：根据性能规则、质量规则、黑点规则、室分规则对收集的各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果。
其中，问题的产生源点包括小区、机房、设备等。
在本实施例中，保存模块，还用于将第二聚类模块203得到的第二聚类结果保存至数据库。
根据本发明的实施方式，生成模块204，包括：获取子模块、初始化子模块、缓存子模块、比对子模块、标记子模块、执行子模块和更新子模块；
其中，获取子模块，用于获取第一预设时间段内的保存模块保存的第一聚类结果和第二聚类结果；
初始化子模块，用于初始化待生成工单的信息；
缓存子模块，用于缓存第二预设时间段内的工单信息；
比对子模块，用于将获取子模块获取的第一聚类结果、第二聚类结果与缓存子模块缓存的工单信息进行比对；
标记子模块，用于根据比对子模块的比对结果对对各聚类结果进行状态标记并置于相应的队列；
执行子模块，用于根据各队列中聚类结果的状态执行相应的问题追加或者工单生成操作；
更新子模块，用于更新各队列；
对应地，派单模块205，具体用于：对执行子模块生成的工单进行派单。
其中，第一预设时间段，优选为24小时；第二预设时间段，优选为一个月。
根据本发明的实施方式，还包括：容错模块，用于在生成模块204生成工单的过程中，通过模拟事务，进行出错时回滚。
根据本发明的实施方式，还包括：优选级处理模块，用于在生成模块204生成工单时，检索历史工单，发现高频出现的问题，及高频出现问题的小区，并将当前出现的同类型的问题或同网元进行优先级提升以优先处理。
本发明中，从价值、难度、根因、地理等维度对网络问题数据中的共性问题进行聚类，并对问题的产生源点进行聚类，基于聚类的结果进行工单的生成或者问题的追加，并且提供了优先级处理机制，一方面，减少了人为后分析的耗时，减少了对共性网络问题重复处理的耗时，并通过优先级的形式明晰问题的严重程度，大大提高了后续工单的处理效率；另一方面，不在是单纯依赖“一刀切”的规则来进行问题小区筛选，提高了准确性；再一方面，将相似性的问题进行合并，降低了工单数量，降低了成本；并且可以配置新的聚类维度，具备良好的扩展性。
以上所述，仅为本发明较佳的具体实施方式，但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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种基于智能聚类的网络问题处理方法，其特征在于，包括：
步骤S1：收集各网络问题数据；
步骤S2：对所述各网络问题数据中的共性问题进行聚类，得到第一聚类结果；
步骤S3：对所述各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果；
步骤S4：根据所述第一聚类结果和所述第二聚类结果生成工单并进行派单。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1，具体为：通过问题引擎在电子运维系统数据、道路测试数据、干扰数据、性能数据及其他数据中收集网络问题数据。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2，具体为：根据价值维度、难度维度、根因维度、地理维度对所述网络问题数据中的共性问题进行聚类，得到第一聚类结果。
4.根据权利要求3所述的方法，其特征在于，
根据价值维度对所述网络问题数据中的共性问题进行聚类，具体为：对所述网络问题数据中由核心区域、核心人物触发的问题，以及高话务量和高流量的问题进行价值聚类；
根据难度维度对所述网络问题数据中的共性问题进行聚类，具体为：对所述网络问题数据中高复现的问题进行难度聚类；
根据根因维度对所述网络问题数据中的共性问题进行聚类，具体为：将所述网络问题数据中相同根因的问题进行根因聚类；
根据地理维度对所述网络问题数据中的共性问题进行聚类，具体为：将所述网络问题数据中问题的发生点与地理信息系统关联得到问题密集区，对所述问题密集区的问题进行地理聚类。
5.根据权利要求1所述的方法，其特征在于，所述步骤S3，具体为：根据性能规则、质量规则、黑点规则、室分规则对所述各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果。
6.根据权利要求1所述的方法，其特征在于，所述步骤S4，具体包括：
步骤A1：获取第一预设时间段内的第一聚类结果和第二聚类结果；
步骤A2：初始化待生成工单的信息，并缓存第二预设时间段内的工单信息；
步骤A3：将获取的第一聚类结果、第二聚类结果与缓存的工单信息进行比对，根据比对结果对各聚类结果进行状态标记并置于相应的队列；
步骤A4：根据各队列中聚类结果的状态执行相应的问题追加或者工单生成操作，更新各队列并对生成的工单进行派单。
7.一种基于智能聚类的网络问题处理装置，其特征在于，包括：
收集模块，用于收集各网络问题数据；
第一聚类模块，用于对所述收集模块收集的各网络问题数据中的共性问题进行聚类，得到第一聚类结果；
第二聚类模块，用于对所述收集模块收集的各网络问题数据中问题的产生源点进行聚类，得到第二聚类结果；
生成模块，用于根据所述第一聚类模块得到的第一聚类结果和所述第二聚类模块得到的第二聚类结果生成工单；
派单模块，用于对所述生成模块生成的工单进行派单。
8.根据权利要求7所述的装置，其特征在于，所述收集模块，具体用于：通过问题引擎在电子运维系统数据、道路测试数据、干扰数据、性能数据及其他数据中收集网络问题数据。
9.根据权利要求7所述的装置，其特征在于，所述第一聚类模块，具体用于：根据价值维度、难度维度、根因维度、地理维度对所述收集模块收集的网络问题数据中的共性问题进行聚类，得到第一聚类结果。
10.根据权利要求9所述的装置，其特征在于，所述第一聚类模块，具体用于：
对所述收集模块收集的网络问题数据中由核心区域、核心人物触发的问题，以及高话务量和高流量的问题进行价值聚类；
对所述收集模块收集的网络问题数据中高复现的问题进行难度聚类；
将所述收集模块收集的网络问题数据中相同根因的问题进行根因聚类；
将所述收集模块收集的网络问题数据中问题的发生点与地理信息系统关联得到问题密集区，对所述问题密集区的问题进行地理聚类。
11.根据权利要求7所述的装置，其特征在于，所述第二聚类模块，具体用于：根据性能规则、质量规则、黑点规则、室分规则对所述网络问题数据中问题的产生源点进行聚类，得到第二聚类结果。
12.根据权利要求7所述的装置，其特征在于，所述生成模块，包括：获取子模块、初始化子模块、缓存子模块、比对子模块、标记子模块、执行子模块和更新子模块；
所述获取子模块，用于获取第一预设时间段内的第一聚类结果和第二聚类结果；
所述初始化子模块，用于初始化待生成工单的信息；
所述缓存子模块，用于缓存第二预设时间段内的工单信息；
所述比对子模块，用于将所述获取子模块获取的第一聚类结果、第二聚类结果与所述缓存子模块缓存的工单信息进行比对；
所述标记子模块，用于根据所述比对子模块的比对结果对各聚类结果进行状态标记并置于相应的队列；
所述执行子模块，用于根据各队列中聚类结果的状态执行相应的问题追加或者工单生成操作；
更新子模块，用于更新各队列；
所述派单模块，具体用于：对所述执行子模块生成的工单进行派单。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810564156.0A CN110555452A (zh) | 2018-06-04 | 2018-06-04 | 一种基于智能聚类的网络问题处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810564156.0A CN110555452A (zh) | 2018-06-04 | 2018-06-04 | 一种基于智能聚类的网络问题处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110555452A true CN110555452A (zh) | 2019-12-10 |
Family
ID=68735899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810564156.0A Pending CN110555452A (zh) | 2018-06-04 | 2018-06-04 | 一种基于智能聚类的网络问题处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555452A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408812A (zh) * | 2021-06-30 | 2021-09-17 | 北京红山信息科技研究院有限公司 | 一种网络优化方法、装置、计算机设备及存储介质 |
| CN113453241A (zh) * | 2020-03-24 | 2021-09-28 | 中国移动通信集团河北有限公司 | 一种网络测试方法、装置、计算设备以及存储介质 |
| CN113673910A (zh) * | 2021-09-09 | 2021-11-19 | 四川邦泰物业服务有限公司 | 基于多端管理的物业信息管理方法和系统 |
| CN116187724A (zh) * | 2023-04-27 | 2023-05-30 | 成都秦川物联网科技股份有限公司 | 智慧燃气平台工单联动处理方法、物联网系统及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1588880A (zh) * | 2004-10-15 | 2005-03-02 | 华中科技大学 | 基于聚类与关联的网络安全报警系统 |
| US20140006871A1 (en) * | 2012-06-27 | 2014-01-02 | Brocade Communications Systems, Inc. | Network monitoring and diagnostics |
| WO2014180400A1 (zh) * | 2013-11-25 | 2014-11-13 | 中兴通讯股份有限公司 | 问题定位处理方法及装置 |
| CN104270785A (zh) * | 2014-10-17 | 2015-01-07 | 四川公用信息产业有限责任公司 | 一种基于地理栅格聚合的无线网络区域问题定位方法 |
| CN104270787A (zh) * | 2014-10-17 | 2015-01-07 | 四川公用信息产业有限责任公司 | 一种无线网络工单的全自动闭环管控方法 |
| CN104349366A (zh) * | 2014-11-03 | 2015-02-11 | 四川公用信息产业有限责任公司 | 一种基于gis的无线网络问题关联分析方法 |
| US20150254969A1 (en) * | 2014-03-10 | 2015-09-10 | Verizon Patent And Licensing Inc. | Method and system for providing aggregated network alarms |
| CN105427039A (zh) * | 2015-05-22 | 2016-03-23 | 国网青海省电力公司西宁供电公司 | 一种基于责任区的配电网抢修工单高效处理方法 |
| CN105744553A (zh) * | 2014-12-08 | 2016-07-06 | 中兴通讯股份有限公司 | 一种网络关联分析方法及装置 |
-
2018
- 2018-06-04 CN CN201810564156.0A patent/CN110555452A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1588880A (zh) * | 2004-10-15 | 2005-03-02 | 华中科技大学 | 基于聚类与关联的网络安全报警系统 |
| US20140006871A1 (en) * | 2012-06-27 | 2014-01-02 | Brocade Communications Systems, Inc. | Network monitoring and diagnostics |
| WO2014180400A1 (zh) * | 2013-11-25 | 2014-11-13 | 中兴通讯股份有限公司 | 问题定位处理方法及装置 |
| US20150254969A1 (en) * | 2014-03-10 | 2015-09-10 | Verizon Patent And Licensing Inc. | Method and system for providing aggregated network alarms |
| CN104270785A (zh) * | 2014-10-17 | 2015-01-07 | 四川公用信息产业有限责任公司 | 一种基于地理栅格聚合的无线网络区域问题定位方法 |
| CN104270787A (zh) * | 2014-10-17 | 2015-01-07 | 四川公用信息产业有限责任公司 | 一种无线网络工单的全自动闭环管控方法 |
| CN104349366A (zh) * | 2014-11-03 | 2015-02-11 | 四川公用信息产业有限责任公司 | 一种基于gis的无线网络问题关联分析方法 |
| CN105744553A (zh) * | 2014-12-08 | 2016-07-06 | 中兴通讯股份有限公司 | 一种网络关联分析方法及装置 |
| CN105427039A (zh) * | 2015-05-22 | 2016-03-23 | 国网青海省电力公司西宁供电公司 | 一种基于责任区的配电网抢修工单高效处理方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113453241A (zh) * | 2020-03-24 | 2021-09-28 | 中国移动通信集团河北有限公司 | 一种网络测试方法、装置、计算设备以及存储介质 |
| CN113453241B (zh) * | 2020-03-24 | 2023-04-28 | 中国移动通信集团河北有限公司 | 一种网络测试方法、装置、计算设备以及存储介质 |
| CN113408812A (zh) * | 2021-06-30 | 2021-09-17 | 北京红山信息科技研究院有限公司 | 一种网络优化方法、装置、计算机设备及存储介质 |
| CN113673910A (zh) * | 2021-09-09 | 2021-11-19 | 四川邦泰物业服务有限公司 | 基于多端管理的物业信息管理方法和系统 |
| CN116187724A (zh) * | 2023-04-27 | 2023-05-30 | 成都秦川物联网科技股份有限公司 | 智慧燃气平台工单联动处理方法、物联网系统及存储介质 |
| CN116187724B (zh) * | 2023-04-27 | 2023-07-14 | 成都秦川物联网科技股份有限公司 | 智慧燃气平台工单联动处理方法、物联网系统及存储介质 |
| US12056636B2 (en) | 2023-04-27 | 2024-08-06 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods for platform work order linkage processing based on smart gas operations and internet of things systems thereof |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555452A (zh) | 一种基于智能聚类的网络问题处理方法及装置 | |
| CN106815709B (zh) | 一种服务快速响应中心支撑系统及方法 | |
| CN102149103B (zh) | 网络优化系统及方法 | |
| CN104349366B (zh) | 一种基于gis的无线网络问题关联分析方法 | |
| CN109828182A (zh) | 一种基于故障分类处理的电网系统故障分析预警方法 | |
| CN110121189B (zh) | 一种网络监控方法和装置 | |
| CN105917625A (zh) | 使用附加数据的检测到的网络异常的分类 | |
| CN106332052B (zh) | 基于移动通信终端的微区域治安预警方法 | |
| CN111737325A (zh) | 一种基于大数据技术的电力数据分析方法和装置 | |
| CN109783553A (zh) | 一种配电网海量数据质量提升系统 | |
| CN108446842B (zh) | 一种电力营配风控管理方法和系统 | |
| CN106056515A (zh) | 一种社区网格事件聚类特征的提取方法 | |
| CN106886517A (zh) | 业务选址方法、装置以及系统 | |
| CN111797145A (zh) | 一种电力客户容忍度评价分类方法 | |
| CN113902583B (zh) | 利用低压网络设备数据的配网侧运维方法及系统 | |
| CN114446287A (zh) | 一种基于nlp和gis的城市事件分拨方法及系统 | |
| CN115865611A (zh) | 一种网络设备的故障处理方法、装置及电子设备 | |
| CN109526027A (zh) | 一种小区容量优化方法、装置、设备及计算机存储介质 | |
| CN115334559B (zh) | 网络检测方法、装置、设备及介质 | |
| CN102075990B (zh) | 大面积基站退服告警监控方法及系统 | |
| CN104299065A (zh) | 一种调度自动化主备系统间模型正确性校验的方法 | |
| CN113902485B (zh) | 一种专变电力用户行业识别方法、装置及设备 | |
| CN110738453A (zh) | 一种基于云计算的气象综合业务系统 | |
| CN111698711B (zh) | 公网无线通信通道故障智能诊断的分析方法及分析系统 | |
| CN109769216B (zh) | 一种基于手机信号在复杂环境中将用户分群的方法及装置 |
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 |