CN110855480B - 一种网络故障定因分析方法及装置 - Google Patents
一种网络故障定因分析方法及装置 Download PDFInfo
- Publication number
- CN110855480B CN110855480B CN201911058679.9A CN201911058679A CN110855480B CN 110855480 B CN110855480 B CN 110855480B CN 201911058679 A CN201911058679 A CN 201911058679A CN 110855480 B CN110855480 B CN 110855480B
- Authority
- CN
- China
- Prior art keywords
- hidden danger
- network
- information
- fault
- network fault
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种网络故障定因分析方法及装置，其中，方法包括：根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。本发明能够自动实现网络故障定因分析，提高网络故障定因分析的效率。
Description
技术领域
本发明涉及网络故障分析领域，尤其涉及一种网络故障定因分析方法及装置。
背景技术
随着运营商网络设备日趋虚拟化、自动化和智能化，网络复杂度呈指数级增长，网络设备承载的业务协议复杂性高、灵活度大、业务组织方式多样，这就导致网络运维、网络管理、业务维护变得日益繁杂和困难。而现有技术中，主要依靠人工的方式排除网络故障，这就导致无论是复杂度还是及时性都无法满足日常维护工作的要求。
发明内容
为了解决现有技术主要依靠人工确定网络故障定因，存在浪费人力，无法满足日常维护工作要求的缺陷，本发明的第一方面提供一种网络故障定因分析方法，包括：
根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；
根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；
实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。
本发明的进一步实施例中，网络故障定因分析方法还包括：
提取网络故障根因信息的特征；
接收根据提取的特征确定的细化根因信息；
将细化根因信息存储于机器学习隐患样本库中。
本发明的进一步实施例中，网络故障定因分析方法还包括：
根据网络故障的根因信息，确定故障维修建议信息，并将故障维修建议信息发送给相应工作人员。
本发明的进一步实施例中，所述隐患类别包括管线、光交箱、设备、组网、机房及动力、性能中的多个。
本发明的进一步实施例中，根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系的过程包括：
将预先收集的多组网络设备信息按照隐患类别划分数据集；
将某一隐患类别作为一节点，若该隐患类别的数据集对应的网络故障结果一致，则将对应的网络故障结果作为该节点的叶子节点；
若该隐患类别的数据集对应的网络故障结果不一致，则按照该隐患类别的根因属性，对预先收集的多组网络设备信息进行分组，对分组结果分别执行重新划分数据集及其之后的步骤，直至找到所有叶子节点为止。
本发明的第二方面提供一种网络故障定因分析装置，包括：
收集模块，用于根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；
关联模块，用于根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；
分析模块，用于实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。
本发明的进一步实施例中，网络故障定因分析装置还包括：
提取模块，用于提取网络故障根因信息的特征；
接收模块，用于接收根据提取的特征确定的细化根因信息；
更新模块，用于将细化根因信息存储于机器学习隐患样本库中。
本发明的进一步实施例中，网络故障定因分析装置还包括：报修模块，用于根据网络故障的根因信息，确定故障维修建议信息，并将故障维修建议信息发送给相应工作人员。
本发明的进一步实施例中，所述隐患类别包括管线、光交箱、设备、组网、机房及动力、性能中的多个。
本发明的进一步实施例中，分析模块根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系的过程包括：
将预先收集的多组网络设备信息按照隐患类别划分数据集；
将某一隐患类别作为一节点，若该隐患类别的数据集对应的网络故障结果一致，则将对应的网络故障结果作为该节点的叶子节点；
若该隐患类别的数据集对应的网络故障结果不一致，则按照该隐患类别的根因属性，对预先收集的多组网络设备信息进行分组，对分组结果分别执行重新划分数据集及其之后的步骤，直至找到所有叶子节点为止。
本发明的第三方面提供一种计算机设备，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计算机程序时实现前述任一实施例所述网络故障定因分析方法的步骤。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行计算机程序，所述计算机程序被处理器执行时实现前述任一实施例所述网络故障定因分析方法的步骤。
本发明提供的网络故障定因分析方法及装置，能够自动实现网络故障定因分析，从网络管理的角度来看，排障过程花费时间更短，资源消耗更少，运维效率更高。从用户使用的角度来看，网络性能更好，网络故障更少，会提升用户体验，提升网络的核心竞争力。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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示出了本发明一实施例的网络故障定因分析方法的流程图；
图2示出了本发明另一实施例的网络故障定因分析方法的流程图；
图3示出了本发明再一实施例的网络故障定因分析方法的流程图；
图4示出了本发明一实施例的隐患事件关联关系确定过程的流程图；
图5A及图5B示出了本发明一具体实施例的部分隐患事件关联关系示意图；
图6示出了本发明一实施例的网络故障定因分析装置的结构图；
图7示出了本发明另一实施例的网络故障定因分析装置的结构图。
具体实施方式
为了使本发明的技术特点及效果更加明显，下面结合附图对本发明的技术方案做进一步说明，本发明也可有其他不同的具体实例来加以说明或实施，任何本领域技术人员在权利要求范围内做的等同变换均属于本发明的保护范畴。
在本说明书的描述中，参考术语“一实施例”、“一具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
基于现有技术中，存在网络故障定因主要依靠人工确定，存在浪费人力，无法满足日常维护工作要求的缺陷，本发明的一实施例中，如图1所示，提供一种网络故障定因分析方法，包括：
步骤110，根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果。
步骤120，根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系，如图5B所示。
步骤130，实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。
详细的说，根因信息包括至少一个隐患类别下的根因属性，本发明对根因信息具体包括的内容不做限定。
本发明提供的网络故障定因分析方法，根据预先收集的多组网络设备信息，利用决策树算法能够还原网络中的事件关联，进而给出网络故障的准确判断，并能确定网络故障的根因信息。从网络管理的角度来看，排障过程花费时间更短，资源消耗更少，运维效率更高。从用户使用的角度来看，网络性能更好，网络故障更少，会提升用户体验，提升网络的核心竞争力。
本发明一实施例中，隐患类别包括管线、光交箱、设备、组网、机房及动力、性能中的多个，每种隐患类别下包括一个或多个根因属性，本发明对隐患类别及隐患类别下属的根因属性不做具体限定。隐患类别的根因属性包括正常及根因属性，网络故障结果包括网络故障及网络无故障。一具体实施方式中，隐患类别及根因属性如表一所示，预先收集的多组网络设备信息如表二所示。
表一：
| 隐患来源 | 隐患类别 | 根因属性 |
| 作业计划 | 管线隐患 | 管井隐患 |
| 作业计划 | 管线隐患 | 杆路隐患 |
| 作业计划 | 光交箱隐患 | 光交箱隐患 |
| 日常巡检 | 设备隐患 | 软件版本隐患 |
| 日常巡检 | 组网隐患 | 接入点未成环 |
| 日常巡检 | 组网隐患 | 汇聚层超大环 |
| 日常巡检 | 组网隐患 | 业务主备物理同路由 |
| 日常巡检 | 组网隐患 | 业务环网同路由 |
| 日常巡检 | 性能隐患 | 光功率异常 |
| 日常巡检 | 性能隐患 | 流量异常 |
| 日常巡检 | 性能隐患 | 误码异常 |
| 日常巡检 | 性能隐患 | 主控板CPU |
| 日常巡检 | 性能隐患 | 内存隐患 |
| 日常巡检 | 性能隐患 | 带宽利用率越限 |
| 日常巡检 | 性能隐患 | 环网隐患：环网利用率越限 |
| 日常巡检 | 性能隐患 | 业务隐患：丢包、抖动、时延 |
| 作业计划 | 机房及动力隐患 | 空调制冷能力不足隐患 |
| 作业计划 | 机房及动力隐患 | 蓄电池供应能力不足隐患 |
| ... | ... | ... |
表二：
由表二所示多组网络设备信息，确定的隐患事件关联关系如图5B所示，下面以一具体实施例说明利用隐患事件关联关系确定是否出现网络故障及根因信息的过程：
对实时采集的网络设备信息，首先看隐患类别组网的具体内容，若为汇聚层超大环，则网络有故障，对应的根因信息为汇聚层超大环。若接入点未成环，则无法直接判断网络是否有故障，再看隐患类别管线的具体内容，若正常，则网络无故障；若杆路隐患，则网络有故障，对应的根因信息为接入点未成环、杆路隐患；若管井隐患，无法直接判断网络是否有故障，再看隐患类别光交箱，若正常，则网络无故障；若光交箱隐患，则网络有故障，对应的根因信息为接入点未成环、管井隐患、光交箱隐患。
如图2所示，为了提高网络故障判断及根因信息确定的准确度，网络故障定因分析方法除了包括上述步骤110至步骤130外，还包括：
步骤140，提取网络故障根因信息的特征。例如网络故障根因为物理端口DOWN，具体信息如下：
Y/2/PHYSICALPORTDOWN:OID 1.3.6.1.4.1.2011.5.25.219.2.12.1The physicalstatus of the port changed to Down.(EntityPhysicalIndex＝14,IfIndex＝14,EntityPhysicalIndex＝14,EntPhysicalName＝"GigabitEthernet1/0/6",EntityTrapFaultID＝144384,PortDownReason＝"LOS")。
提取网络故障根因信息的特征即提取网络故障根因信息中的关键字内容。上述物理端口DOWN信息提取出的关键字内容为PortDownReason＝"LOS"。
步骤150，接收根据提取的特征确定细化根因信息。
具体实施时，可由人工根据提取出的特征确定细化根因信息，本发明对确定细化根因信息的方式不做限定。通过分析上述关键字内容PortDownReason＝"LOS"，可以得到细化根因信息：光丢失。
步骤160，将细化根因信息存储于机器学习隐患样本库中。
具体实施时，执行完步骤160后，可直接执行上述步骤100至步骤200以完善隐患事件关联关系，还可间隔一定时间间隔之后再执行上述步骤100至步骤200以完善隐患事件关联关系，本发明对步骤执行的时间点不做限定。
本实施通过识别细化的根因信息，将其加入至机器学习隐患样本库，如此往复，能够使机器学习隐患样本库不断丰富完善，进而使隐患事件关联关系不断丰富完善，提高网络故障判断及根因信息确定的准确度。
如图3所示，为了尽快排除故障，网络故障定因分析方法除了包括上述步骤110至步骤130外，还包括：
步骤140’，根据网络故障的根因信息，确定故障维修建议信息，并将故障维修建议信息发送给相应工作人员。
具体实施时，可根据根因信息预先建立维修建议库，根据网络故障的根因信息，从维修建议库查找维修建议。
本发明一实施例中，如图4所示，上述步骤120根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系的过程包括：
步骤121，将预先收集的多组网络设备信息按照隐患类别划分数据集。如表二所示预先收集的多组网络设备信息，每一隐患类别列的数据为一数据集。
步骤122，将某一隐患类别作为一节点，判断该隐患类别的数据集对应的网络故障结果是否一致。
若该隐患类别的数据集对应的网络故障结果一致，则将对应的网络故障结果作为该节点的叶子节点。
若该隐患类别的数据集对应的网络故障结果不一致，则按照该隐患类别的根因属性，对预先收集的多组网络设备信息进行分组。
如表二所示预先收集的多组网络设备信息，以组网为例，组网数据集对应的网络故障结果既包括有故障，也包括无故障，因此，需按照组网的根因属性(正常、接入点未成环、汇聚层超大环、业务主备物理同路由、业务环网)将预先收集的多组网络设备信息进行分组，分组结果如图5A所示，图中数字对应表二中的编号。
步骤123，对分组结果分别执行重新划分数据集及其之后的步骤，直至找到所有叶子节点为止。
继续步骤122中的具体实施例，以接入点未成环属性为例，按管线划分数据集，管线对应的网络故障结果既包括有故障，也包括无故障，因此，需按照管线的根因属性(正常、管井隐患、杆路隐患)将分组结果{2,7,12,17}进行分组，分组结果如图5B虚线框，对分组结果继续执行步骤122及步骤123，直至找到所有叶子节点为止。
基于同一发明构思，本发明实施例中还提供了一种网络故障定因分析装置，如下面的实施例所述。由于该装置解决问题的原理与网络故障定因分析方法相似，因此该装置的实施可以参见网络故障定因分析方法的实施，重复之处不再赘述。如图6所示，网络故障定因分析装置包括：
收集模块610，用于根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果。一些具体实施方式中，所述隐患类别包括管线、光交箱、设备、组网、机房及动力、性能中的多个。
关联模块620，用于根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系。
分析模块630，用于实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。
进一步实施例中，如图7所示，网络故障定因分析装置还包括：
提取模块640，用于提取网络故障根因信息的特征。
接收模块650，用于接收根据提取的特征确定细化根因信息。
更新模块660，用于将细化根因信息存储于机器学习隐患样本库中。
本发明的进一步实施例中，网络故障定因分析装置还包括：报修模块，用于根据网络故障的根因信息，确定故障维修建议信息，并将故障维修建议信息发送给相应工作人员。
本发明进一步实施例中，上述分析模块630根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系的过程包括：
将预先收集的多组网络设备信息按照隐患类别划分数据集；
将某一隐患类别作为一节点，若该隐患类别的数据集对应的网络故障结果一致，则将对应的网络故障结果作为该节点的叶子节点；
若该隐患类别的数据集对应的网络故障结果不一致，则按照该隐患类别的根因属性，对预先收集的多组网络设备信息进行分组，对分组结果分别执行重新划分数据集及其之后的步骤，直至找到所有叶子节点为止。
本发明一些实施例中，还提供一种计算机设备，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，处理器执行所述计算机程序时实现前述任一实施例所述的网络故障定因分析方法的步骤。
本发明一些实施例中，还提供一种计算机可读存储介质，计算机可读存储介质存储有执行计算机程序，所述计算机程序被处理器执行时实现前述任一实施例所述的网络故障定因分析方法的步骤。
本发明提供的网络故障定因分析方法及装置，能够自动实现网络故障定因分析，从网络管理的角度来看，排障过程花费时间更短，资源消耗更少，运维效率更高。从用户使用的角度来看，网络性能更好，网络故障更少，会提升用户体验，提升网络的核心竞争力。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅用于说明本发明的技术方案，任何本领域普通技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围应视权利要求范围为准。
Claims (10)
1.一种网络故障定因分析方法，其特征在于，包括：
根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；
根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；
实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息；
根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系的过程包括：
将预先收集的多组网络设备信息按照隐患类别划分数据集；
将某一隐患类别作为一节点，若该隐患类别的数据集对应的网络故障结果一致，则将对应的网络故障结果作为该节点的叶子节点；
若该隐患类别的数据集对应的网络故障结果不一致，则按照该隐患类别的根因属性，对预先收集的多组网络设备信息进行分组，对分组结果分别执行重新划分数据集及其之后的步骤，直至找到所有叶子节点为止。
2.如权利要求1所述的网络故障定因分析方法，其特征在于，还包括：
提取网络故障根因信息的特征；
接收根据提取的特征确定的细化根因信息；
将细化根因信息存储于机器学习隐患样本库中。
3.如权利要求1所述的网络故障定因分析方法，其特征在于，还包括：
根据网络故障的根因信息，确定故障维修建议信息，并将故障维修建议信息发送给相应工作人员。
4.如权利要求1至3任一项所述的网络故障定因分析方法，其特征在于，所述隐患类别包括管线、光交箱、设备、组网、机房及动力、性能中的多个。
5.一种网络故障定因分析装置，其特征在于，包括：
收集模块，用于根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；
关联模块，用于根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；
分析模块，用于实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息；
关联模块根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系的过程包括：将预先收集的多组网络设备信息按照隐患类别划分数据集；将某一隐患类别作为一节点，若该隐患类别的数据集对应的网络故障结果一致，则将对应的网络故障结果作为该节点的叶子节点；若该隐患类别的数据集对应的网络故障结果不一致，则按照该隐患类别的根因属性，对预先收集的多组网络设备信息进行分组，对分组结果分别执行重新划分数据集及其之后的步骤，直至找到所有叶子节点为止。
6.如权利要求5所述的网络故障定因分析装置，其特征在于，还包括：
提取模块，用于提取网络故障根因信息的特征；
接收模块，用于接收根据提取的特征确定的细化根因信息；
更新模块，用于将细化根因信息存储于机器学习隐患样本库中。
7.如权利要求5所述的网络故障定因分析装置，其特征在于，还包括：报修模块，用于根据网络故障的根因信息，确定故障维修建议信息，并将故障维修建议信息发送给相应工作人员。
8.如权利要求5至7任一项所述的网络故障定因分析装置，其特征在于，所述隐患类别包括管线、光交箱、设备、组网、机房及动力、性能中的多个。
9.一种计算机设备，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计算机程序时实现权利要求1至4任一项所述网络故障定因分析方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行计算机程序，所述计算机程序被处理器执行时实现权利要求1至4任一项所述网络故障定因分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911058679.9A CN110855480B (zh) | 2019-11-01 | 2019-11-01 | 一种网络故障定因分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911058679.9A CN110855480B (zh) | 2019-11-01 | 2019-11-01 | 一种网络故障定因分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110855480A CN110855480A (zh) | 2020-02-28 |
| CN110855480B true CN110855480B (zh) | 2023-01-13 |
Family
ID=69598581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911058679.9A Active CN110855480B (zh) | 2019-11-01 | 2019-11-01 | 一种网络故障定因分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110855480B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177416A (zh) * | 2020-04-13 | 2020-05-19 | 傲林科技有限公司 | 事件根因分析模型构建方法、事件根因分析方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104301137A (zh) * | 2014-09-23 | 2015-01-21 | 国家电网公司 | 电力通信故障对业务影响的分析方法及系统 |
| CN104486115A (zh) * | 2014-12-11 | 2015-04-01 | 北京百度网讯科技有限公司 | 定位故障的方法及系统 |
| CN104506340A (zh) * | 2014-11-21 | 2015-04-08 | 河南中烟工业有限责任公司 | 基于工业以太网故障诊断方法中决策树的创建方法 |
| CN107341550A (zh) * | 2017-05-03 | 2017-11-10 | 北京海顿中科技术有限公司 | 故障/隐患知识库系统和建立方法 |
| CN108345723A (zh) * | 2018-01-24 | 2018-07-31 | 江苏新中天塑业有限公司 | 一种基于决策树和贝叶斯网络的电机故障诊断系统及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107171819B (zh) * | 2016-03-07 | 2020-02-14 | 北京华为数字技术有限公司 | 一种网络故障诊断方法及装置 |
| CN109218114B (zh) * | 2018-11-12 | 2021-06-08 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测系统及检测方法 |
| CN109617715A (zh) * | 2018-11-27 | 2019-04-12 | 中盈优创资讯科技有限公司 | 网络故障诊断方法、系统 |
| CN110351118B (zh) * | 2019-05-28 | 2020-12-01 | 华为技术有限公司 | 根因告警决策网络构建方法、装置和存储介质 |
-
2019
- 2019-11-01 CN CN201911058679.9A patent/CN110855480B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104301137A (zh) * | 2014-09-23 | 2015-01-21 | 国家电网公司 | 电力通信故障对业务影响的分析方法及系统 |
| CN104506340A (zh) * | 2014-11-21 | 2015-04-08 | 河南中烟工业有限责任公司 | 基于工业以太网故障诊断方法中决策树的创建方法 |
| CN104486115A (zh) * | 2014-12-11 | 2015-04-01 | 北京百度网讯科技有限公司 | 定位故障的方法及系统 |
| CN107341550A (zh) * | 2017-05-03 | 2017-11-10 | 北京海顿中科技术有限公司 | 故障/隐患知识库系统和建立方法 |
| CN108345723A (zh) * | 2018-01-24 | 2018-07-31 | 江苏新中天塑业有限公司 | 一种基于决策树和贝叶斯网络的电机故障诊断系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110855480A (zh) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110609759B (zh) | 一种故障根因分析的方法及装置 | |
| KR20210019564A (ko) | 운영 유지 시스템 및 방법 | |
| CN110247792A (zh) | 一种基于网络告警关联的故障处理方法及装置 | |
| WO2018082364A1 (zh) | 一种配电网停电范围分析方法、装置和计算机存储介质 | |
| CN111010297B (zh) | 电力通信网支持跨专业故障的智能分析方法及系统 | |
| CN109150619B (zh) | 一种基于网络流量数据的故障诊断方法及系统 | |
| CN107294745B (zh) | 网络拓扑自动发现方法及装置 | |
| JP5933463B2 (ja) | ログ生起異常検知装置及び方法 | |
| CN109981326B (zh) | 家庭宽带感知故障定位的方法及装置 | |
| CN102938708A (zh) | 基于告警传播模式的告警相关性分析系统及其分析方法 | |
| CN111092752B (zh) | 跨多个网络切片的故障定位方法及装置 | |
| CN106656620A (zh) | 网络设备监控处理方法及系统 | |
| CN104468191A (zh) | 基于时间窗和网络模型的电力通信故障预警方法及系统 | |
| CN103295155A (zh) | 证券核心业务系统监控方法 | |
| CN102055604A (zh) | 一种故障定位方法及其系统 | |
| CN113505048A (zh) | 基于应用系统画像的统一监控平台及实现方法 | |
| CN110489317A (zh) | 基于工作流的云系统任务运行故障诊断方法与系统 | |
| CN110855480B (zh) | 一种网络故障定因分析方法及装置 | |
| CN114363212B (zh) | 一种设备检测方法、装置、设备和存储介质 | |
| CN107548087A (zh) | 一种告警关联分析的方法及装置 | |
| CN102546235B (zh) | 云计算环境下面向web应用的性能诊断方法和系统 | |
| CN117729576A (zh) | 告警监控方法、装置、设备及存储介质 | |
| CN110609761B (zh) | 确定故障源的方法、装置、存储介质和电子设备 | |
| CN116737963A (zh) | 基于无监督知识图谱的故障根因定位方法、装置及设备 | |
| CN109992497A (zh) | 一种配电自动化终端标准测试用例更新发布的方法及系统 |
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 | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: Room 702-2, No. 4811, Cao'an Highway, Jiading District, Shanghai Patentee after: CHINA UNITECHS Address before: 100872 5th floor, Renmin culture building, 59 Zhongguancun Street, Haidian District, Beijing Patentee before: CHINA UNITECHS |