CN110868731A - VoLTE网络故障检测方法及系统 - Google Patents
VoLTE网络故障检测方法及系统 Download PDFInfo
- Publication number
- CN110868731A CN110868731A CN201810981353.2A CN201810981353A CN110868731A CN 110868731 A CN110868731 A CN 110868731A CN 201810981353 A CN201810981353 A CN 201810981353A CN 110868731 A CN110868731 A CN 110868731A
- Authority
- CN
- China
- Prior art keywords
- volte network
- svm model
- sample data
- network fault
- characteristic value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 14
- 238000005314 correlation function Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000012706 support-vector machine Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 102100039358 3-hydroxyacyl-CoA dehydrogenase type-2 Human genes 0.000 description 2
- 101001035740 Homo sapiens 3-hydroxyacyl-CoA dehydrogenase type-2 Proteins 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种VoLTE网络故障检测方法及系统，方法包括：将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。本发明实施例提供的VoLTE网络故障检测方法及系统，通过训练支持向量机的方法，对VOLTE网络故障原因进行检测，该方案利用人工智能分析，代替现场测试，提高了工作效率，并且无须人工设置阈值，检测的精度更高。
Description
技术领域
本发明实施例涉及无线通信技术领域，尤其涉及一种VoLTE网络故障检测方法及系统。
背景技术
目前现有的VoLTE网络故障问题的检测方法主要采用以下两种方案，第一种是根据现场测试人员进行VoLTE拨测进行问题分析和查找，第二种则是通过网管指标分析，设定阈值进行一些关键性能指标KPI的判断，来确定VoLTE的故障问题。
但是现有的两种方案均存在不少问题。采用现场测试法工作量巨大、问题分析的难度较高、问题记录不清晰且复现难度大。而采用网管指标分析是需要人为的设定阈值。该阈值一般是依据经验值来设定，一定程度上阈值的优劣的准确性直接影响VoLTE网络故障检测的精度，因此造成检测结果不准确。
因此，现在亟需一种VoLTE网络故障检测方法来解决上述问题。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种VoLTE网络故障检测方法及系统。
第一方面本发明实施例提供一种VoLTE网络故障检测方法，包括：
将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；
基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。
第二方面本发明实施例提供了一种VoLTE网络故障检测系统，包括：
输入模块，用于将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；
检测模块，用于基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。
第三方面本发明实施例提供了一种电子接入设备，包括：
处理器、存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述VoLTE网络故障检测方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述VoLTE网络故障检测方法。
本发明实施例提供的VoLTE网络故障检测方法及系统，通过训练支持向量机的方法，对VOLTE网络故障原因进行检测，该方案利用人工智能分析，代替现场测试，提高了工作效率，并且无须人工设置阈值，检测的精度更高。
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是本发明实施例提供的一种VoLTE网络故障检测方法流程示意图；
图2是本发明实施例提供的一种VoLTE网络故障检测系统结构示意图；
图3是本发明实施例提供的一种电子设备的结构框图。
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做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。
目前，现有技术中对于VOLTE网络故障问题的检测主要采用人工现场检测或者网管指标分析的形式进行。但现场测试法对于检测人员而言工作量巨大，并且问题分析的难度较高，不能清晰的将问题记录和复现。而网管指标分析法主要思路是基于网管数据人为的设定阈值，当用户发生投诉行为，利用每一个接口的数据监管功能，进行故障点定位。但该方法提供的阈值一般是依据经验值来设定，一定程度上阈值的优劣的准确性直接影响VoLTE网络故障检测的精度，因此精度不稳定是网管指标分析方法的一大缺陷。
针对上述问题，图1是本发明实施例提供的一种VoLTE网络故障检测方法流程示意图，如图1所示，包括：
101、将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；
102、基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。
可以理解的是，本发明实施例针对的场景是对于VoLE网络的故障检测场景，VoLE网络是基于IMS的语音业务，它是一种IP数据传输技术，无需2G/3G网，而是将全部业务承载于4G网络上，可以实现数据与语音业务在同一网络下的统一。那么在4G网络中，如果需要提供高质量的音视频通话，则需要VoLTE网络的稳定可靠，本发明实施例提供的方案能够自动准确的对VoLTE网络进行故障检测，从而及时分析故障原因，提高VoLTE网络服务质量。
具体的，本发明实施例提供了一种支持向量机进行故障检测的方法。在步骤101中，可以理解的是，VoLTE网络中包含多个数据源提供的数据，例如：S1接口信令XDR数据、MRO数据、工参数据、软采数据等等。对于每一种类型的数据源提供的数据均可以采用本发明实施例提供的检测方法进行检测。将待检测的数据源(一种或多种)输入本发明实施例提供的训练后的支持向量机模型中，可以理解的是，支持向量机SVM模型能够对数据进行分析和分类。再通过本发明实施例提供的有针对性的训练，使得本发明实施例提供的训练后SVM模型能够完成VoLTE网络故障的检测任务。
进一步的，在步骤102中，本发明实施例提供的训练后的待检测数据源的特征值进行分析，需要说明的是，特征值是指VoLTE网络中常见的部分KPI值和KQI值，例如：RSRP、RSRQ、RRC建立成功率、ERAB建立成功率、掉话率、切换成功率，时延、分组丢失率、抖动等。不同的数据源提供的数据会具有不同数量和类型的特征值，且特征值的取值范围也不相同。那么本发明实施例提供的训练后的SVM模型对输入的数据源所具有的特征值进行分析，根据SVM模型中的分类算法，最终输出该特征值对应的VoLTE网络故障原因。VoLTE网络故障原因可能包括：高干扰、弱覆盖、过覆盖、切换故障、参数错配等问题，SVM模型在分析待检测数据的特征值，从而输出相应的VoLTE网络故障原因。
本发明实施例提供的VoLTE网络故障检测方法，通过训练支持向量机的方法，对VOLTE网络故障原因进行检测，该方案利用人工智能分析，代替现场测试，提高了工作效率，并且无须人工设置阈值，检测的精度更高。
由上述实施例的内容可知，本发明实施例提供了一个训练后的SVM模型对VoLTE网络故障原因进行检测。那么在上述实施例的基础上，在所述将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中之前，所述方法还包括：
获取训练样本数据以及每个样本数据的特征值；
基于所述训练样本数据以及每个样本数据的特征值，对预设SVM模型进行训练，得到所述训练后的SVM模型。
具体的，训练样本数据即本发明实施例提供的为预设SVM模型进行训练的海量历史数据，可以理解的是，这些训练样本数据由于数据源的不同，各自会具有不同的特征值，本发明实施例提供的特征值是指VoLTE网络中的部分KPI和KQI指标，例如：RSRP、RSRQ、RRC建立成功率、ERAB建立成功率、掉话率、切换成功率，时延、分组丢失率、抖动等。每一个样本数据均包括上述一种或多种特征值。
进一步的，本发明实施例按照预设的存储表对所有的样本数据进行存储。
表1样本数据存储表
| 特征1 | 特征2 | …… | 特征i | …… | 特征n | 输出 | |
| 样本X<sub>1</sub> | |||||||
| 样本X<sub>2</sub> | |||||||
| …… | |||||||
| 样本X<sub>m</sub> |
表1是本发明实施例提供的样本数据存储表，按照该表形式对每个样本数据进行存储，如表1所示，如具有m个样本数据，每一个样本数据具有的特征值对应填入表1中的特征1-n中，并且对于每个样本数据均会获知其网络故障原因，并将样本数据的网络故障原因作为其样本标签，从而建立如表1所示的存储表。网络故障原因主要包括：高干扰、弱覆盖、过覆盖、切换故障、参数错配。由于样本数据是历史数据，那么可以获知其数据所对应的故障网络故障原因。
进一步的，根据获取的样本数据以及每个样本数据的特征值，可以对预设的SVM模型进行训练，使其分类效果达到最佳。
在上述实施例的基础上，在所述获取训练样本数据以及每个样本数据的特征值后，所述方法还包括：
对所述训练样本数据的特征值进行归一化和特征选择。
可以理解的是，收集到的训练样本数据由于数据源的不同，并且不同特征值都具有自己的取值区间和分布，如果将数据的所有特征一块进行计算会对模型训练收敛带来困难。
针对上述情形，本发明实施例对训练样本数据的特征值进行了归一化和特征选择处理。可以理解的是，如果不对数据进行归一化，会导致梯度下降复杂、模型收敛困难，那么归一化实质上是让不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性。特征选择是指从多个原始特征中选择出一些有效特征来降低数据集维度的过程，可以提高训练算法性能，是非常重要的数据预处理工序。
通过本发明实施例提供的归一化和特征选择，能够对原始训练样本数据进行预处理，使得之后训练的效果更佳。
在上述实施例的基础上，所述对所述训练样本数据的特征值进行归一化和特征选择，包括：
基于反余切函数归一化法，将每个训练样本数据的所有特征值归一化到同一个预设区间内；
基于预设的信息增益选择算法，对归一化后的各个特征值进行特征选择，筛选出满足预设条件的目标特征值。
具体的，本发明实施例提供了一种反余切函数归一化法，来对训练样本数据进行归一化，可以理解的是，归一化过程实质上是一种将数据标准化的过程，使得归一化后的数据是标准型数据，从而消除指标之间的量纲影响，以解决数据指标之间的可比性。本发明实施例提供的反余切函数归一化法主要是基于公式
将角频率等变量转换到[-1,1]的区间内，[-1,1]即为本发明实施例所述的预设区间。
进一步的，对于归一化后的特征值，本发明实施例还需要对其进行特征选择，通过本发明实施例预设的特征增益算法能够计算每个特征值对应的特征增益量。
具体的，在数据集D中，根据某个特征A的信息增益进行特征选择，信息增益算法用公式表示为：
g(D,A)＝H(D)-H(D|A)；
数据集D的经验熵为：
其中C为输出的无线故障原因，设有k个类Ck，k＝1,2…k，|Ck|为属于类Ck的样本个数，有：
∑|Ck|＝|D|。
条件熵：
那么根据本发明实施例上述提供的特征选择算法，能够进行信息增益的计算，然后根据预设条件选择本发明实施例所需要的特征值。优选的，本发明实施例可以根据信息增益的大小对各个特征值进行排序，选择信息增益最高的特征值n个，而排序在n个之后的特征值被筛除，n为本发明实施例根据实际情况的设计值，对此本发明实施例不作具体限定。
在上述实施例的基础上，所述基于所述训练样本数据以及每个样本数据的特征值，对预设SVM模型进行训练，得到所述训练后的SVM模型，包括：
获取所述预设SVM模型中VoLTE网络故障原因和特征值之间的关联函数；
基于所述训练样本数据以及每个样本数据的特征值，对所述关联函数中的关联参数进行训练调整，以得到所述训练后的SVM模型。
所述关联函数中使用的核函数为高斯径向基函数。
由上述实施例的内容可知，本发明实施例会根据训练样本数据以及每个样本数据的特征值，对预设SVM模型进行训练。对SVM训练实质上是对关联函数中关联参数的调整过程。在本发明实施例提供的SVM模型中，首先会建立网络故障原因和特征值之间的函数关系，即VoLTE网络故障原因和特征值之间的关联函数。
例如：样本数量为m个，每个样本具有n个特征值，因此可以将样本i表示为：Xi＝{xi1,xi2,…,xin},xin表示第i个样本的第n个特征值。那么在SVM模型中，即可以建立故障原因y和特征值n之间的函数关系，样本数m可以称为嵌入维数。那么当m、n确定后，可以得到如下样本集：
故障原因y的集合可以表示为：
需要说明的是，由于故障原因分类为非线性分类过程，一般情况下SVM的线性分类器是没有办法解决非线性分类场景，故而改进SVM模型中的核函数，从而采用非线性的支持向量机模型来解决该场景下的非线性分类问题。
具体的本发明实施例建立输入X与输出Y之间的函数f，用公式可以表示为：
其中，K(x,xi)为核函数，本方案采用高斯径向基函数作为SVM算法的核函数，可以理解的是，在分类VoLTE网络故障场景下高斯径向基函数具有很好的逼近能力，在非线性系统中表现良好，因此核函数选为K(x,xi)＝e-γ||xi-xj||2,γ>0。并且选取一个好的核函数能够定义一个优良的初始空间中的决策边界的形状。
进一步的，通过将训练样本的输入，对函数f中关联参数c和γ进行调整。调整过程先通过粗略寻优来判断最优参数的估值，再在此估值附近进行精细寻优，最终得到合适的c和γ。γ是对核函数的参数调整，使得核函数和该模型相匹配。需要说明的是，调整c的过程至关重要，不同的c取值会造成不同的分类效果，c的值越大则分类间隔越小。当c和γ寻优完成，则模型中的关联参数调整完毕，模型也训练完成，从而得到最终训练后的SVM模型。
在上述实施例的基础上，所述基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因，包括：
将所述待检测数据源的特征值代入所述关联函数中，计算所述待检测数据源的特征值对应的VoLTE网络故障原因。
由上述实施例的内容可知，本发明实施例提供了一个训练后的SVM模型，该模型中具有VoLTE网络故障原因和特征值之间的关联函数。那么将VoLTE网络中的待检测数据源(S1接口信令XDR数据、MRO数据、工参、软采数据等)输入训练后的SVM模型后，根据支持向量机算法，对特征数据进行分析，输出该数据源对应的VoLTE网络故障原因，可能包括高干扰、弱覆盖、过覆盖、切换故障、参数错配等。
本发明实施例提供的VOLTE网络故障原因检测方法通过训练后的支持向量机模型，分析待检测数据的特征值，输出VOLTE网络故障原因，很好的反映出电信网络中出现的异常情况。
图2是本发明实施例提供的一种VoLTE网络故障检测系统结构示意图，如图2所示，包括：输入模块201和检测模块202，其中：
输入模块201用于将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；
检测模块202用于基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。
具体的如何通过输入模块201和检测模块202进行VoLTE网络故障检测可用于执行图1所示的VoLTE网络故障检测方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本发明实施例提供的VoLTE网络故障检测系统，通过训练支持向量机的方法，对VOLTE网络故障原因进行检测，该方案利用人工智能分析，代替现场测试，提高了工作效率，并且无须人工设置阈值，检测的精度更高。
在上述实施例的基础上，本发明实施例提供的VoLTE网络故障检测系统还包括：
特征值获取模块，用于获取训练样本数据以及每个样本数据的特征值；
模型训练模块，用于基于所述训练样本数据以及每个样本数据的特征值，对预设SVM模型进行训练，得到所述训练后的SVM模型。
在上述实施例的基础上，本发明实施例提供的VoLTE网络故障检测系统还包括：
数据预处理模块，用于对所述训练样本数据的特征值进行归一化和特征选择。
本发明实施例提供的数据预处理模块通过对特征值进行归一化和特征选择，使得模型训练过程更加方便，训练效果更好。
在上述实施例的基础上，所述数据预处理模块包括：
归一化单元，用于基于反余切函数归一化法，将每个训练样本数据的所有特征值归一化到同一个预设区间内；
特征选择单元，用于基于预设的信息增益选择算法，对归一化后的各个特征值进行特征选择，筛选出满足预设条件的目标特征值。
在上述实施例的基础上，所述模型训练模块包括：
关联函数单元，用于获取所述预设SVM模型中VoLTE网络故障原因和特征值之间的关联函数；
参数调整单元，用于基于所述训练样本数据以及每个样本数据的特征值，对所述关联函数中的关联参数进行训练调整，以得到所述训练后的SVM模型。
本发明实施例提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：
图3是本发明实施例提供的一种电子设备的结构框图，参照图3，所述电子设备，包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。
本发明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：将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。
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VoLTE网络故障检测方法，其特征在于，包括：
将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；
基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。
2.根据权利要求1所述的方法，其特征在于，在所述将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中之前，所述方法还包括：
获取训练样本数据以及每个样本数据的特征值；
基于所述训练样本数据以及每个样本数据的特征值，对预设SVM模型进行训练，得到所述训练后的SVM模型。
3.根据权利要求2所述的方法，其特征在于，在所述获取训练样本数据以及每个样本数据的特征值后，所述方法还包括：
对所述训练样本数据的特征值进行归一化和特征选择。
4.根据权利要求3所述的方法，其特征在于，所述对所述训练样本数据的特征值进行归一化和特征选择，包括：
基于反余切函数归一化法，将每个训练样本数据的所有特征值归一化到同一个预设区间内；
基于预设的信息增益选择算法，对归一化后的各个特征值进行特征选择，筛选出满足预设条件的目标特征值。
5.根据权利要求2所述的方法，其特征在于，所述基于所述训练样本数据以及每个样本数据的特征值，对预设SVM模型进行训练，得到所述训练后的SVM模型，包括：
获取所述预设SVM模型中VoLTE网络故障原因和特征值之间的关联函数；
基于所述训练样本数据以及每个样本数据的特征值，对所述关联函数中的关联参数进行训练调整，以得到所述训练后的SVM模型。
6.根据权利要求5所述的方法，其特征在于，所述关联函数中使用的核函数为高斯径向基函数。
7.根据权利要求6所述的方法，其特征在于，所述基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因，包括：
将所述待检测数据源的特征值代入所述关联函数中，计算所述待检测数据源的特征值对应的VoLTE网络故障原因。
8.一种VoLTE网络故障检测系统，其特征在于，包括：
输入模块，用于将VoLTE网络的待检测数据源输入训练后的支持向量机SVM模型中；
检测模块，用于基于所述训练后的SVM模型，对所述待检测数据源的特征值进行分析，输出VoLTE网络故障原因。
9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810981353.2A CN110868731A (zh) | 2018-08-27 | 2018-08-27 | VoLTE网络故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810981353.2A CN110868731A (zh) | 2018-08-27 | 2018-08-27 | VoLTE网络故障检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110868731A true CN110868731A (zh) | 2020-03-06 |
Family
ID=69650951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810981353.2A Pending CN110868731A (zh) | 2018-08-27 | 2018-08-27 | VoLTE网络故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110868731A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112787883A (zh) * | 2020-12-26 | 2021-05-11 | 中国农业银行股份有限公司 | 一种设备nat故障检测方法、装置及设备 |
| CN115426244A (zh) * | 2022-08-09 | 2022-12-02 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的网络设备故障检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021771A (zh) * | 2016-05-30 | 2016-10-12 | 天河国云（北京）科技有限公司 | 一种故障诊断方法及装置 |
| CN107370617A (zh) * | 2017-03-10 | 2017-11-21 | 南京航空航天大学 | 基于svm的蜂窝网络故障诊断系统 |
| CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
| CN107896243A (zh) * | 2017-11-07 | 2018-04-10 | 广东欧珀移动通信有限公司 | 网络数据加载的加速方法、装置、存储介质及移动终端 |
-
2018
- 2018-08-27 CN CN201810981353.2A patent/CN110868731A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021771A (zh) * | 2016-05-30 | 2016-10-12 | 天河国云（北京）科技有限公司 | 一种故障诊断方法及装置 |
| CN107370617A (zh) * | 2017-03-10 | 2017-11-21 | 南京航空航天大学 | 基于svm的蜂窝网络故障诊断系统 |
| CN107634857A (zh) * | 2017-09-22 | 2018-01-26 | 安徽师范大学 | 基于svm的故障检测模型构建及评估方法 |
| CN107896243A (zh) * | 2017-11-07 | 2018-04-10 | 广东欧珀移动通信有限公司 | 网络数据加载的加速方法、装置、存储介质及移动终端 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112787883A (zh) * | 2020-12-26 | 2021-05-11 | 中国农业银行股份有限公司 | 一种设备nat故障检测方法、装置及设备 |
| CN112787883B (zh) * | 2020-12-26 | 2022-07-12 | 中国农业银行股份有限公司 | 一种设备nat故障检测方法、装置及设备 |
| CN115426244A (zh) * | 2022-08-09 | 2022-12-02 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的网络设备故障检测方法 |
| CN115426244B (zh) * | 2022-08-09 | 2024-03-15 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的网络设备故障检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108877839B (zh) | 基于语音语义识别技术的语音质量感知评估的方法及系统 | |
| CN109902833B (zh) | 机器学习模型解释方法以及装置 | |
| US9491285B2 (en) | Technique for performance management in a mobile communications network | |
| CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
| CN110474786B (zh) | 基于随机森林分析VoLTE网络故障原因的方法及装置 | |
| CN110797046B (zh) | 语音质量mos值的预测模型建立方法及装置 | |
| EP3771152A1 (en) | Network analysis program, network analysis device, and network analysis method | |
| CN112243249A (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
| CN111163482B (zh) | 数据的处理方法、设备及存储介质 | |
| CN110868731A (zh) | VoLTE网络故障检测方法及系统 | |
| CN115185760A (zh) | 异常检测方法以及装置 | |
| CN111341333B (zh) | 噪声检测方法、噪声检测装置、介质及电子设备 | |
| CN105679335A (zh) | 基于无线分析的语音质量评估方法及系统 | |
| CN110855474A (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
| CN109963301B (zh) | 一种网络结构干扰的分析方法及装置 | |
| CN114071233B (zh) | 音视频质量评价方法及其装置、设备、介质、产品 | |
| CN110868732B (zh) | VoLTE接通无线失败的问题定位方法、系统和设备 | |
| CN102129575A (zh) | 一种基于颜色空间肤色模型的色情图像分析系统 | |
| US20230353447A1 (en) | Root cause analysis | |
| WO2022149149A1 (en) | Artificial intelligence with dynamic causal model for failure analysis in mobile communication network | |
| CN111954232B (zh) | 无线网络指标分类方法和装置 | |
| KR101518287B1 (ko) | 통화 불량 분석 방법 및 장치 | |
| Wilches-Cortina et al. | A VoIP call classifier for carrier grade based on Support Vector Machines | |
| Li et al. | A real-time QoE methodology for AMR codec voice in mobile network | |
| Zhi et al. | Research of voice speech quality evaluation based on trace data |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200306 |
|
| RJ01 | Rejection of invention patent application after publication |