CN110582091A - 定位无线质量问题的方法和装置 - Google Patents

定位无线质量问题的方法和装置 Download PDF

Info

Publication number
CN110582091A
CN110582091A CN201810595738.5A CN201810595738A CN110582091A CN 110582091 A CN110582091 A CN 110582091A CN 201810595738 A CN201810595738 A CN 201810595738A CN 110582091 A CN110582091 A CN 110582091A
Authority
CN
China
Prior art keywords
fingerprint
quality problem
probability
root cause
positioning
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.)
Granted
Application number
CN201810595738.5A
Other languages
English (en)
Other versions
CN110582091B (zh
Inventor
张砚寒
彭陈发
王国治
刘彪
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 Group Zhejiang Co Ltd
Original Assignee
China Mobile Group Zhejiang 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 Group Zhejiang Co Ltd filed Critical China Mobile Group Zhejiang Co Ltd
Priority to CN201810595738.5A priority Critical patent/CN110582091B/zh
Publication of CN110582091A publication Critical patent/CN110582091A/zh
Application granted granted Critical
Publication of CN110582091B publication Critical patent/CN110582091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • H04L41/0636—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 based on a decision tree 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
    • H04L41/0677—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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种定位无线质量问题的方法和装置。所述方法包括：根据无线质量问题特征模型提取待办质量问题的指纹特征，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征点；根据提取的指纹特征计算所述待办质量问题对应的每个指纹特征点的根因概率，生成包含每个指纹特征点和对应根因概率的根因表；根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因，所述定位检索表包括各指纹特征点对应的根因概率区间和原因。本发明实施例通过提取质量问题对应的指纹特征，实现无线质量问题分析的自动化和智能化，能够快速准确地定位出质量问题的原因，提高定位效率。

Description

定位无线质量问题的方法和装置
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种定位无线质量问题的方法和装置。
背景技术
随着4G用户的增长和网络规模的扩大，端到端、感知类等问题种类逐步增多，无线质量问题的分析难度逐步增大。目前，无线质量问题主要依靠人工经验按照一定分析流程进行原因定位，例如针对低接入、高掉线、切换差等常规的质量问题，通常依据常规的技术指导手册，根据质量问题特点，按照一定规则将对应TOP因素进行梳理和总结，然后结合人为经验设置关联指标和阈值。
但是，依靠人工经验的分析手段存在很多弊端，尤其是随着低速率、语音质差等感知类问题的增多，依靠上述传统的质量问题分析手段已经不能得到有效的解决，其弊端主要在于：
完全依赖人工分析效率低，即使是一个最简单的无线问题也需要20分钟，并且已有成熟经验的质量问题，仍然需要人工做重复低效的分析。另外，传统分析主要依靠告警数据、性能数据、现场测试数据等，不能准确、全面反映端到端、感知类问题的原因。
发明内容
本发明实施例提供一种定位无线质量问题的方法和装置，用以解决现有技术中定位质量问题效率低的缺陷，定位快速准确。
一方面，本发明实施例提供一种定位无线质量问题的方法，所述方法包括：
根据无线质量问题特征模型提取待办质量问题的指纹特征，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征点；
根据提取的指纹特征计算所述待办质量问题对应的每个指纹特征点的根因概率，生成包含每个指纹特征点和对应根因概率的根因表；
根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因，所述定位检索表包括各指纹特征点对应的根因概率区间和原因。
另一方面，本发明实施例提供一种定位无线质量问题的装置，所述装置包括：
提取单元，用于根据无线质量问题特征模型提取待办质量问题的指纹特征，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征点；
计算单元，用于根据提取的指纹特征计算所述待办质量问题对应的每个指纹特征点的根因概率；
生成单元，用于生成包含每个指纹特征点和对应根因概率的根因表；
定位单元，用于根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因，所述定位检索表包括各指纹特征点对应的根因概率区间和原因。
另一方面，本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述定位无线质量问题的方法的步骤。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述定位无线质量问题的方法的步骤。
本发明实施例通过提取质量问题对应的指纹特征，实现无线质量问题分析的自动化和智能化，能够快速准确地定位出质量问题的原因，提高定位效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明一实施例提供的定位无线质量问题的方法的流程示意图；
图2为本发明一实施例提供的无线质量问题与多维数据源的映射关系的示意图；
图3为本发明一实施例提供的基于多维数据源提取出各质量问题的指纹特征的流程示意图；
图4为本发明一实施例提供的无线质量问题特征模型的示意图；
图5为本发明一实施例提供的根因表与定位检索表进行匹配定位的示意图；
图6为本发明一实施例提供的定位无线质量问题的装置的结构示意图；
图7为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、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，对本发明实施例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作出创造性劳动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示出了本发明实施例提供的一种定位无线质量问题的方法的流程示意图。
如图1所示，本发明实施例提供的定位无线质量问题的方法具体包括以下步骤：
S11、根据无线质量问题特征模型提取待办质量问题的指纹特征，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征点；
本发明实施例在进行无线质量问题分析的过程中，根据待办质量问题对应的指纹特征模型，通过大数据计算提取出对应数据源的特征指标。具体地，参与无线质量分析的数据源为与无线质量相关的数据，如现有网优分析中的数据。
本发明实施例提供的无线质量问题特征模型包含了能够反映无线质量的问题的多维度数据源指标，具体包括与各种无线质量问题对应的指纹特征点，形成无线质量问题的指纹特征库。
S12、根据提取的指纹特征计算所述待办质量问题对应的每个指纹特征点的根因概率，生成包含每个指纹特征点和对应根因概率的根因表；
具体地，待办质量问题对应指纹库中多个指纹特征点，每个指纹特征点对应不同的原因，每个指纹特征点的根因概率即产生特定质量问题的每类原因的概率。本发明实施例对提取出的指纹特征点进行归一化，然后利用相关性算法，关联问题时间段的质量问题指标和指纹特征点指标，计算出每个指纹特征点对应的质量问题根因概率，形成指纹特征点与根因概率一一对应的根因表，并且考虑到辅助类指纹特征与根因类指纹特征的关系，利用辅助类指纹特征对根因概率进行修正，得到最终的根因表。
S13、根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因，所述定位检索表包括各指纹特征点对应的根因概率区间和原因。
本发明实施例结合历史工单数据和专家经验，为每个质量问题建立一套定位检索总表，定位检索总表中记录了每个质量问题所包含的各指纹特征点所对应的根因概率区间。将S12得到的特定质量问题的根因表输入到定位检索总表中进行匹配，当根因表中的概率落入到定位检索总表中的概率区间，则定位出特定质量问题原因。
本发明实施例提供的定位无线质量问题的方法，通过大数据计算提取质量问题的特征指标，针对待办质量问题进行根因关联运算得到根因表，将根因表与定位检索表进行匹配，定位出待办质量问题的原因。本发明实施例通过提取质量问题对应的指纹特征，实现无线质量问题分析的自动化和智能化，能够快速准确地定位出质量问题的原因，提高定位效率。
在上述实施例的基础上，所述方法还包括：
构建无线质量问题特征模型的步骤：
建立无线质量问题与多维数据源的映射关系；
根据所述映射关系提取出各质量问题的特征指标，并自动完成各特征指标时间维度的拼接；
对所述特征指标进行清洗，剔除缺失值、离群值、与常识不一致的值以及非无线网络问题单据，得到有效的特征数据；
对有效的特征数据进行聚类、维度划分、建立频繁项集以及建立关联规则，并挖掘出有效的强关联规则，得到各质量问题的指纹特征指标；
对所述指纹特征指标进行聚类降维，建立无线质量问题特征模型，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征类，所述指纹特征类包括关联类、辅助类和根因类，其中，所述根因类包括多个指纹特征项，各指纹特征项包括多个指纹特征点。
本发明实施例利用网络优化分析常用的多维数据源，通过大数据计算提取出与无线质量相关的特征指标，利用数据挖掘和机器学习算法对全量的数据源特征指标进行统一建模，构建包含指纹特征类、指纹特征项以及指纹特征点的三层指纹特征多维数据源的无线质量问题特征模型。
具体地，本发明实施例利用到的多维数据源几乎包括了现有网优分析中的所有数据，例如OMC((Operation and Maintenance Center，操作维护中心)北向性能数据、话单数据、MR(Measurement Report，测量报告)数据、SEQ(Sequence Number，源端发送的序列号)数据、网管参数配置数据、告警信息数据、工参/资管数据、XDR(External DataRepresentation，外部数据表示)数据、软硬采数据、用户HOST原始码流、各网元信令解码等。
下面结合附图对本发明实施例提供的标构建无线质量问题特征模型的方法进行详细阐述。
首先根据质量问题特点，完成无线质量问题与多维数据源指标的全量梳理，结合历史工单和专家经验，初步建立质量问题与可能相关的多维数据源映射关系。
图2示出了无线质量问题与多维数据源的映射关系的示意图。
参照图2，与无线质量相关的多维数据源包括OMC北向性能数据、MR数据、SEQ数据、网管参数配置数据、告警信息数据、工参/资管数据、软硬采数据、XDR数据等。
其次，通过海量数据的挖掘运算提取出各质量问题的指纹特征，从而完成三层指纹特征模型的构建。
图3示出了基于多维数据源提取出各质量问题的指纹特征的流程示意图。
参照图3，主要步骤包括：数据准备、数据预处理、场景聚类、建立频繁项、建立关联规则，规则度量和深度挖掘、特征指标提取等。
数据准备：通过大数据计算的方式，从多维数据源中提取出与无线质量问题相关的特征指标。
具体地，不同的质量问题特征制定不同的提取规则，并自动完成时间维度的拼接，大部分数据按照小时粒度进行提取，部分质量问题进行差异化提取，例如低速率质量问题定义为基站级天粒度指标，则需按照天粒度进行数据提取。
数据预处理：主要是对缺失值、离群值、与常识不一致的值、非无线网络问题单据等进行清洗，保留有效的特征数据。
具体地，设定3个清洗原则：
清洗原则1：由于数据源接入故障导致的明显异常数据，包含信令整体缺失或部分缺失，平台故障导致的数据错误等。
清洗原则2：对问题范围进行逐层检索，对于区域共性问题，直接以区域性趋势劣化或短板进行定位分析。
清洗原则3：上层指标(TCP类、CN接口、服务器类)是否和问题有明显的关联性，剔除非无线网络问题单据。
场景分类：主要是按照网元类型、设备厂家、覆盖区域、覆盖场景等维度进行数据聚类和维度划分。
建立频繁项集：频繁项集是数据挖掘算法，指纹特征点与质量问题存在X→Y的关联规则，X为自变量，Y为因变量，将自变量(指纹特征点)和因变量(质量问题)进行区间划分，例如指纹特征点MR RSRP(Reference Signal Receiving Power，参考信号接收功率)采样点小于-110dbm的占比划分为大于5％，大于10％，大于20％，大于30％，大于40％等多个区间，将eSRVCC(Enhanced Single Radio Voice Call Continuity，增强的单一无线语音呼叫连续性)切换成功率划分为对应的区间，如小于95％，小于85％等等，根据区间组合建立频繁项集。
建立关联规则：利用频繁项集算法从大数据中挖掘强关联规则，计算出支持度Support(X→Y)、可信度Confidence(X→Y)、提升度Lift(X→Y)等，例如eSRVCC切换成功率<95％时MR RSRP采样点<-110dbm的占比大于10％的置信度为76％。
规则度量和深度挖掘：满足最小支持度和最小置信度的规则，叫做“强关联规则”。然而强关联规则里，也分有效的强关联规则和无效的强关联规则。采用回归算法、特征选取算法(relief)等机器学习算法，对不同规则进行规则度量和深度挖掘，频繁项挖掘，提炼有效的强关联规则。
特征指标提取：根据深度挖掘结果，完成特征指标的提取。
最后，根据提取的质量问题特征指标，通过聚类降维算法，从多维度构建全量的无线质量问题特征，建立三层指纹库模型。
图4示出了本发明实施例无线质量问题特征模型的示意图。
参照图4，无线质量问题特征模型包含指纹特征类、指纹特征项以及指纹特征点三层模型，其中指纹特征类包括关联类、辅助类以及根因类，共包含14个特征维度：关联类包括时间特征和区域特征，辅助类包括切换计数特征(counter特征)、信令节点特征、XDR数据特征和软采集和硬采集数据特征；根因类包括告警特征、覆盖特征、干扰特征、负荷特征、切换特征、终端特征、传输特征和参数设置特征。
具体地，关联类指纹特征用于关联质量问题与指纹特征点；根因类特征又依次分为对应的指纹特征项和指纹特征点，通常每个质量问题包含多个指纹特征点，每个指纹特征点对应不同的质量问题原因；辅助类指纹特征例如每个质量问题引起的失败信令，每个失败信令对应一个质量问题的原因，因此，辅助类特征与根因类指纹特征点存在对应关系。
本发明实施通过海量数据的挖掘运算构建模型，相比纯粹人为经验总结准确性更高，并且具备可扩展性，能够适用于常见的各种KPI(Key Performance Indicators，关键绩效指标)问题、端到端的KQI(Key Quality Indicators，关键质量指标)问题，可以覆盖现阶段95％以上的端到端无线类问题。
在上述实施例的基础上，S12具体包括以下步骤：
根据根因类指纹特征计算每个指纹特征点与所述待办质量问题的关联概率PN；
根据辅助类指纹特征对所述关联概率PN进行修正，得到每个指纹特征点的根因概率；
生成各指纹特征点与待办质量问题根因概率一一对应的根因表。
具体地，所述根据所述辅助类指纹特征对所述关联概率PN进行修正包括：
根据辅助类指纹特征计算所述待办质量问题对应的每类原因值的概率；
判断原因值为核心网侧问题的概率是否为最大值且超过指定阈值；
当原因值为核心网侧问题的概率为最大值且超过指定阈值时，直接定位为核心网问题；否则根据辅助类指纹特征与根因类指纹特征的对应关系计算每个辅助类指纹特征与所述待办质量问题的关联概率PM，则每个指纹特征点的根因概率＝PN×min(PN，PM)/max(PN，PM)。
具体地，根因类指纹特征包含多个指纹特征点，每个指纹特征点对应不同的质量问题原因，每个指纹特征点的根因概率即产生特定质量问题的每类原因的概率。
本发明实施例对待办质量问题以及对应的每个指纹特征点进行归一化(即归一化为0和1)，然后采用相关性算法，以矩阵组合的方式，关联问题时间段的质量问题指标和指纹特征点指标，计算出每个指纹特征点与质量问题的关联概率。
表1示出了质量问题A的归一化数据
表1
质量问题(A) 时间1 时间2 … 时间168
eSRVCC 1(异常) 0(正常) … 1(异常)
表2示出了指纹特征点BN的归一化数据
表2
指纹特征点B 时间1 时间2 … 时间168
指纹特征点1 1(异常) 0(正常) … 0
指纹特征点2 0 1 … 1
… … … … …
指纹特征点N 1 0 … 1
根据表1和表2相关联的数据计算出关联概率P(B|A)，得到每个指纹特征点与质量问题的关联概率P指纹特征点N，生成待办质量问题的根因表。
表3示出了待办质量问题的根因表。
表3
如表3所示的根因表，每个指纹特征点与关联概率一一对应。
本发明实施例考虑到辅助类指纹特征与根因类指纹特征存在对应关系，利用辅助类指纹特征对根因概率进行修正，以得到更为准确的根因表。
具体地，以eSRVCC切换失败信令为例说明辅助类指纹特征对根因概率的修正过程。
首先通过人工梳理，梳理质量问题对应的每个失败信令(Cause)所对应的原因值。
表4示出了不同切换失败信令对应的原因值。
表4
计算得出每类原因的失败概率，具体每个信令Cause的失败概率是通过信令打点统计出来的。
表5示出了每类原因值的失败概率。
表5
表5示出的每类原因值的失败概率表示辅助类指纹特征与质量问题关联的概率。
表3示出的指纹特征点与质量问题的关联概率与表5示出的辅助类指纹特征与质量问题关联的概率从两个特征维度反映了质量问题。
本发明实施例通过历史数据和专家经验，建立辅助类指纹特征类与根因类指纹特征点的一一对应关系，然后根据表5示出的原因值对应的概率对表3示出的根因表中的关联概率进行修订，得到每个指纹特征点对应的最终的根因概率。
对质量问题根因概率修正如下：
根据TOP分析法，如果原因值为核心网侧问题的概率是TOP1问题，且匹配概率超过60％，则直接定位为核心网主因问题，不做下一步运算。
如果不满足以上条件，根据信令特征与根因特征的对应关系，计算出信令指纹特征点的概率P信令-指纹特征点N；则最终的每个指纹特征点的根因概率＝P指纹特征点N×min(P指纹特征点N，P信令-指纹特征点N)/max(P指纹特征点，P信令-指纹特征点N)。
本发明实施例基于大量历史经验数据的实际运算结果，将网优常用分析数据源、XDR数据、软采集和硬采集数据等进行汇聚和相关性运算，更准确、更全面定位问题，并且随着数据量的增多，通过反馈因子对算法做进一步调整，系统的准确性和匹配度会进一步改善。
在上述实施例的基础上，S14具体包括：
当所述根因表中的各指纹特征点的概率均在所述定位检索表中特定质量问题所对应的各指纹特征点的概率区间内，则获取所述待办质量问题在所述定位检索表中的定界原因和定位原因。
本发明实施例采用决策树、随机森林等算法，结合历史工单数据和专家经验，为每个质量问题建立一套定位检索总表，将根因表输入到定位检索总表进行检索输出定界、定位原因。
图5示出了根因表与定位检索表进行匹配定位的示意图。
参照图5，根据匹配结果能够定位出质量问题的定界原因和定位原因。能够更准确、更全面定位问题。
本发明实施例将传统的大量人工处理的步骤集成在系统中，同时将现有优化中常见的TOP分析法、Counter分析法、相关性分析法、语数协同分析法等都集成到决策规则中，无需受限于人员水平。
在上述实施例的基础上，在S13之后，所述方法还包括：将所述待办质量问题的网元基础信息、定界原因和定位原因可视化输出。
本发明实施例在定位出问题原因之后，通过可视化图文报表的方式将网元基础信息、问题定界、定为情况等进行输出，能够更直观地定位无线质量问题。
本发明实施例还提供一种定位无线质量问题的装置。
图6示出了本发明实施例提供的一种定位无线质量问题的装置的结构示意图。
如图6所示，本发明实施例提供的定位无线质量问题的装置包括提取单元11、计算单元12、生成单元13以及定位单元14，其中：
所述提取单元11，用于根据无线质量问题特征模型提取待办质量问题的指纹特征，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征点；
所述计算单元12，用于根据提取的指纹特征计算所述待办质量问题对应的每个指纹特征点的根因概率；
所述生成单元13，用于生成包含每个指纹特征点和对应根因概率的根因表；
所述定位单元14，用于根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因，所述定位检索表包括各指纹特征点对应的根因概率区间和原因。
本发明实施例提供的定位无线质量问题的装置，通过大数据计算提取质量问题的特征指标，针对待办质量问题进行根因关联运算得到根因表，将根因表与定位检索表进行匹配，定位出待办质量问题的原因。本发明实施例通过提取质量问题对应的指纹特征，实现无线质量问题分析的自动化和智能化，能够快速准确地定位出质量问题的原因，提高定位效率。
在上述实施例的基础上，所述装置还包括：构建单元，用于构建无线质量问题特征模型。
具体地，所述构建单元包括：
建立模块，建立无线质量问题与多维数据源的映射关系；
提取模块，用于根据所述映射关系提取出各质量问题的特征指标，并自动完成各特征指标时间维度的拼接；
清洗模块，用于对所述特征指标进行清洗，剔除缺失值、离群值、与常识不一致的值以及非无线网络问题单据，得到有效的特征数据；
处理模块，用于对有效的特征数据进行聚类、维度划分、建立频繁项集以及建立关联规则，并挖掘出有效的强关联规则，得到各质量问题的指纹特征指标；
构建模块，用于对所述指纹特征指标进行聚类降维，建立无线质量问题特征模型，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征类，所述指纹特征类包括关联类、辅助类和根因类，其中，所述根因类包括多个指纹特征项，各指纹特征项包括多个指纹特征点。
在上述实施例的基础上，所述指纹特征类包括关联类、辅助类以及根因类，其中所述关联类包括时间特征和区域特征，所述辅助类包括切换计数特征、信令节点特征、XDR数据特征和软硬采数据特征，所述根因类包括告警特征、覆盖特征、干扰特征、负荷特征、切换特征、终端特征、传输特征和参数设置特征。
在上述实施例的基础上，所述计算单元12包括：
计算模块，用于根据根因类指纹特征计算每个指纹特征点与所述待办质量问题的关联概率PN；
修正模块，用于根据辅助类指纹特征对所述关联概率PN进行修正，得到每个指纹特征点的根因概率；
生成模块，用于生成各指纹特征点与待办质量问题根因概率一一对应的根因表。
在上述实施例的基础上，所述修正模块包括：
第一计算子模块，用于根据辅助类指纹特征计算所述待办质量问题对应的每类原因值的概率；
判断子模块，用于判断原因值为核心网侧问题的概率是否为最大值且超过指定阈值；
定位子模块，用于当原因值为核心网侧问题的概率为最大值且超过指定阈值时，直接定位为核心网问题；
第二计算子模块，用于当原因值为核心网侧问题的概率不是最大值或者没有超过指定阈值时，根据辅助类指纹特征与根因类指纹特征的对应关系计算每个辅助类指纹特征与所述待办质量问题的关联概率PM，每个指纹特征点的根因概率＝PN×min(PN，PM)/max(PN，PM)。
在上述实施例的基础上，所述定位单元13，用于当所述根因表中的各指纹特征点的概率均在所述定位检索表中特定质量问题所对应的各指纹特征点的概率区间内，则获取所述待办质量问题在所述定位检索表中的定界原因和定位原因。
在上述实施例的基础上，所述装置还包括：
输出单元，用于在所述定位单元13定位出所述待办质量问题的原因之后，将所述待办质量问题的网元基础信息、定界原因和定位原因可视化输出。
本发明实施例中的功能模块可以通过硬件处理器(hardware processor)来实现相关功能模块，本发明实施例不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1的方法。
图7示出了本发明一实施例提供的电子设备的结构示意图。
如图7所示，本发明实施例提供的电子设备包括存储器21、处理器22、总线23以及存储在存储器21上并可在处理器22上运行的计算机程序。其中，所述存储器21、处理器22通过所述总线23完成相互间的通信。
所述处理器22用于调用所述存储器21中的程序指令，以执行所述程序时实现如图1的方法。
例如，所述处理器执行所述程序时实现如下方法：
根据无线质量问题特征模型提取待办质量问题的指纹特征，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征点；
根据提取的指纹特征计算所述待办质量问题对应的每个指纹特征点的根因概率，生成包含每个指纹特征点和对应根因概率的根因表；
根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因，所述定位检索表包括各指纹特征点对应的根因概率区间和原因。
本发明实施例提供的电子设备，通过提取质量问题对应的指纹特征，实现无线质量问题分析的自动化和智能化，能够快速准确地定位出质量问题的原因，提高定位效率。
本发明实施例还提供一种非暂态计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现如图1的步骤。
例如，所述处理器执行所述程序时实现如下方法：
根据与无线质量相关的多维数据源构建无线质量问题特征模型，所述无线质量问题特征模型包括指纹特征类、指纹特征项以及指纹特征点三层指纹特征模型；
根据所述指纹特征模型提取待办质量问题的指纹特征点数据；
计算每个指纹特征点的根因概率，得到所述待办质量问题的根因表；
将所述待办质量问题的根因表与定位检索表进行匹配，定位所述待办质量问题的原因，所述定位检索表包括每个质量问题对应的各指纹特征点的根因概率区间和原因。
本发明实施例提供的非暂态计算机可读存储介质，通过提取质量问题对应的指纹特征，实现无线质量问题分析的自动化和智能化，能够快速准确地定位出质量问题的原因，提高定位效率。
本发明一实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
根据无线质量问题特征模型提取待办质量问题的指纹特征，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征点；
根据提取的指纹特征计算所述待办质量问题对应的每个指纹特征点的根因概率，生成包含每个指纹特征点和对应根因概率的根因表；
根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因，所述定位检索表包括各指纹特征点对应的根因概率区间和原因。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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，本领域的普通技术人员应当理解：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 (10)

1.一种定位无线质量问题的方法，其特征在于，所述方法包括：
根据无线质量问题特征模型提取待办质量问题的指纹特征，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征点；
根据提取的指纹特征计算所述待办质量问题对应的每个指纹特征点的根因概率，生成包含每个指纹特征点和对应根因概率的根因表；
根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因，所述定位检索表包括各指纹特征点对应的根因概率区间和原因。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建无线质量问题特征模型的步骤：
建立无线质量问题与多维数据源的映射关系；
根据所述映射关系提取出各质量问题的特征指标，并自动完成各特征指标时间维度的拼接；
对所述特征指标进行清洗，剔除缺失值、离群值、与常识不一致的值以及非无线网络问题单据，得到有效的特征数据；
对有效的特征数据进行聚类、维度划分、建立频繁项集以及建立关联规则，并挖掘出有效的强关联规则，得到各质量问题的指纹特征指标；
对所述指纹特征指标进行聚类降维，建立无线质量问题特征模型，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征类，所述指纹特征类包括关联类、辅助类和根因类，其中，所述根因类包括多个指纹特征项，各指纹特征项包括多个指纹特征点。
3.根据权利要求2所述的方法，其特征在于，所述关联类包括时间特征和区域特征，所述辅助类包括切换计数特征、信令节点特征、XDR数据特征和软硬采数据特征，所述根因类包括告警特征、覆盖特征、干扰特征、负荷特征、切换特征、终端特征、传输特征和参数设置特征。
4.根据权利要求3所述的方法，其特征在于，所述计算所述待办质量问题对应的每个指纹特征点的根因概率，生成包含每个指纹特征点和对应根因概率的根因表包括：
根据根因类指纹特征计算每个指纹特征点与所述待办质量问题的关联概率PN；
根据辅助类指纹特征对所述关联概率PN进行修正，得到每个指纹特征点的根因概率；
生成各指纹特征点与根因概率一一对应的根因表。
5.根据权利要求4所述的方法，其特征在于，所述根据所述辅助类指纹特征对所述关联概率PN进行修正包括：
根据辅助类指纹特征计算所述待办质量问题对应的每类原因值的概率；
判断原因值为核心网侧问题的概率是否为最大值且超过指定阈值；
当原因值为核心网侧问题的概率为最大值且超过指定阈值时，直接定位为核心网问题；否则根据辅助类指纹特征与根因类指纹特征的对应关系计算每个辅助类指纹特征与所述待办质量问题的关联概率PM，则每个指纹特征点的根因概率＝PN×min(PN，PM)/max(PN，PM)。
6.根据权利要求5所述的方法，其特征在于，所述根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因包括：
当所述根因表中的各指纹特征点的概率均在所述定位检索表中特定质量问题所对应的各指纹特征点的概率区间内，则获取所述待办质量问题在所述定位检索表中的定界原因和定位原因。
7.根据权利要求5所述的方法，其特征在于，在所述获取所述待办质量问题在所述定位检索表中的定界原因和定位原因之后，所述方法还包括：
将所述待办质量问题的网元基础信息、定界原因和定位原因可视化输出。
8.一种定位无线质量问题的装置，其特征在于，所述装置包括：
提取单元，用于根据无线质量问题特征模型提取待办质量问题的指纹特征，所述无线质量问题特征模型包括各无线质量问题对应的指纹特征点；
计算单元，用于根据提取的指纹特征计算所述待办质量问题对应的每个指纹特征点的根因概率；
生成单元，用于生成包含每个指纹特征点和对应根因概率的根因表；
定位单元，用于根据所述根因表中的根因概率以及定位检索表中根因概率区间定位所述待办质量问题的原因，所述定位检索表包括各指纹特征点对应的根因概率区间和原因。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述定位无线质量问题的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所定位无线质量问题的步骤。
CN201810595738.5A 2018-06-11 2018-06-11 定位无线质量问题的方法和装置 Active CN110582091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810595738.5A CN110582091B (zh) 2018-06-11 2018-06-11 定位无线质量问题的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810595738.5A CN110582091B (zh) 2018-06-11 2018-06-11 定位无线质量问题的方法和装置

Publications (2)

Publication Number Publication Date
CN110582091A true CN110582091A (zh) 2019-12-17
CN110582091B CN110582091B (zh) 2023-05-02

Family

ID=68809821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810595738.5A Active CN110582091B (zh) 2018-06-11 2018-06-11 定位无线质量问题的方法和装置

Country Status (1)

Country Link
CN (1) CN110582091B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107548086A (zh) * 2016-06-24 2018-01-05 中兴通讯股份有限公司 根因定位方法及装置
CN113268936A (zh) * 2021-07-03 2021-08-17 石河子大学 一种基于多目标进化随机森林特征选择的关键质量特性识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104427549A (zh) * 2013-09-04 2015-03-18 中国移动通信集团浙江有限公司 一种网络问题分析方法及系统
CN105657738A (zh) * 2016-03-30 2016-06-08 北京高新创优科技有限公司 一种手机业务感知质差问题的定位方法、装置与系统
CN105828356A (zh) * 2015-01-06 2016-08-03 中国移动通信集团贵州有限公司 一种语音质量的优化方法和装置
CN106407226A (zh) * 2015-07-31 2017-02-15 华为技术有限公司 一种数据处理方法、备份服务器及存储系统
CN108009040A (zh) * 2017-12-12 2018-05-08 杭州时趣信息技术有限公司 一种确定故障根因的方法、系统和计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104427549A (zh) * 2013-09-04 2015-03-18 中国移动通信集团浙江有限公司 一种网络问题分析方法及系统
CN105828356A (zh) * 2015-01-06 2016-08-03 中国移动通信集团贵州有限公司 一种语音质量的优化方法和装置
CN106407226A (zh) * 2015-07-31 2017-02-15 华为技术有限公司 一种数据处理方法、备份服务器及存储系统
CN105657738A (zh) * 2016-03-30 2016-06-08 北京高新创优科技有限公司 一种手机业务感知质差问题的定位方法、装置与系统
CN108009040A (zh) * 2017-12-12 2018-05-08 杭州时趣信息技术有限公司 一种确定故障根因的方法、系统和计算机可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107548086A (zh) * 2016-06-24 2018-01-05 中兴通讯股份有限公司 根因定位方法及装置
CN113268936A (zh) * 2021-07-03 2021-08-17 石河子大学 一种基于多目标进化随机森林特征选择的关键质量特性识别方法
CN113268936B (zh) * 2021-07-03 2022-07-19 石河子大学 一种基于多目标进化随机森林特征选择的关键质量特性识别方法

Also Published As

Publication number Publication date
CN110582091B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
EP3975048A1 (en) Method for constructing cloud network alarm root cause relational tree model, device, and storage medium
WO2019184557A1 (zh) 定位根因告警的方法、装置和计算机可读存储介质
CN109189736B (zh) 一种告警关联规则的生成方法和装置
US20180255470A1 (en) Network Event Prediction Method and Apparatus and Method and Apparatus for Establishing Network-Event Prediction Model
CN109241068B (zh) 前后台数据比对的方法、装置及终端设备
CN112087334B (zh) 告警根因分析方法、电子设备和存储介质
CN111294819B (zh) 一种网络优化方法及装置
CN111176953B (zh) 一种异常检测及其模型训练方法、计算机设备和存储介质
CN112579789A (zh) 一种设备故障诊断的方法和装置及设备
CN105281925A (zh) 网络业务用户群组划分的方法和装置
CN113987190B (zh) 一种数据质量校验规则提取方法及系统
CN110889526B (zh) 一种用户升级投诉行为预测方法及系统
CN110582091B (zh) 定位无线质量问题的方法和装置
CN113283824A (zh) 智慧园区数据综合管理方法及系统
CN114722199A (zh) 基于通话录音的风险识别方法、装置、计算机设备及介质
CN113590603A (zh) 基于数据源智能选择的数据处理方法、装置、设备及介质
CN106815772A (zh) 电力数据上报方法及装置
CN113792981A (zh) 效率统计方法、装置及计算机可读存储介质
CN114138743A (zh) 基于机器学习的etl任务自动配置方法及装置
CN114968933A (zh) 数据中心的日志的分类方法和装置
CN117576823B (zh) 一种排队叫号系统终端
CN108260148B (zh) 一种故障检测方法及装置
CN113825162A (zh) 电信网络故障原因定位方法及装置
CN112307075A (zh) 用户关系识别方法及装置
CN115001941B (zh) 一种通信网管故障的确定方法及装置

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
GR01 Patent grant
GR01 Patent grant