CN111953531B - 网络故障分析方法及装置 - Google Patents
网络故障分析方法及装置 Download PDFInfo
- Publication number
- CN111953531B CN111953531B CN202010739761.4A CN202010739761A CN111953531B CN 111953531 B CN111953531 B CN 111953531B CN 202010739761 A CN202010739761 A CN 202010739761A CN 111953531 B CN111953531 B CN 111953531B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- data
- sequence data
- type
- network
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 309
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 195
- 238000004590 computer program Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000007477 logistic regression Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model 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
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L41/14—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
本发明公开了一种网络故障分析方法及装置，该方法包括：获取当前故障分析周期内业务终端对应的时序数据集合；计算时序数据集合中每种类型的时序数据对应的同比特征值和环比特征值；根据同比特征值和环比特征值计算时序特征值；确定每个全局分类空间资源的状态统计量；根据时序特征值和状态统计量生成入模数据；将入模数据输入至预先确定出的网络故障判别模型进行分析以得到网络判别结果。可见，实施本发明能够自动获得网络中的业务终端的时序数据，然后基于时序数据进行分析得到网络故障的判别结果，从而能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。
Description
技术领域
本发明涉及网络维护技术领域，尤其涉及一种网络故障分析方法及装置。
背景技术
近年，物联网技术在电网系统中的广泛应用大大推动了电网系统的改革。物联网技术已逐渐渗入电网系统的各个环节(物联网技术逐渐被应用在电网配电自动化、计量自动化、电表直抄等业务中)，提高了电网系统中各个环节的信息感知深度和广度。
实际应用中，千万数量级的业务终端散落在电网系统的各个角落，这些业务终端通过通信连接组成巨大的网络，对于该网络的维护问题已日渐凸显。目前，在进行网络的维护时，主要使用人工的方式对网络故障进行分析：通信运营商进行通信网络故障分析，业务终端设备厂家对终端设备故障进行排查，通信模组厂家对通信模组故障进行排查，公司IT部门对内网进行故障分析，最后综合上述多方的反馈信息再结合人工经验确认网络故障的原因，然而，实践发现，这种网络故障分析方式的分析效率低且准确性不高。
发明内容
本发明所要解决的技术问题在于，提供一种网络故障分析方法及装置，能够自动获得网络中的业务终端的时序数据，然后基于时序数据进行分析得到网络故障的判别结果，从而能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。
为了解决上述技术问题，本发明第一方面公开了一种网络故障分析方法，所述方法包括：
获取当前故障分析周期内业务终端对应的时序数据集合，所述时序数据集合包括至少一种类型的时序数据，所述时序数据集合包括的时序数据用于确定所述业务终端的网络状态；
计算所述时序数据集合中每种所述类型的时序数据对应的同比特征值；
计算所述时序数据集合中每种所述类型的时序数据对应的环比特征值；
根据每种所述类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值；
确定所述业务终端对应的全局分类空间资源集合中每个全局分类空间资源在所述当前故障分析周期内的状态统计量；
根据每种所述类型的时序数据对应的时序特征值和每个所述全局分类空间资源对应的状态统计量生成入模数据；
将所述入模数据输入至预先确定出的网络故障判别模型进行分析以得到所述业务终端的网络判别结果，所述网络判别结果用于表示所述业务终端的网络状态为正常状态或者所述业务终端的网络状态为故障状态。
本发明第二方面公开了一种网络故障分析装置，所述装置包括：
获取模块，用于获取当前故障分析周期内业务终端对应的时序数据集合，所述时序数据集合包括至少一种类型的时序数据，所述时序数据集合包括的时序数据用于确定所述业务终端的网络状态；
计算模块，用于计算所述时序数据集合中每种所述类型的时序数据对应的同比特征值；
所述计算模块，还用于计算所述时序数据集合中每种所述类型的时序数据对应的环比特征值；
所述计算模块，还用于根据每种所述类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值；
确定模块，用于确定所述业务终端对应的全局分类空间资源集合中每个全局分类空间资源在所述当前故障分析周期内的状态统计量；
生成模块，用于根据每种所述类型的时序数据对应的时序特征值和每个所述全局分类空间资源对应的状态统计量生成入模数据；
分析模块，用于将所述入模数据输入至预先确定出的网络故障判别模型进行分析以得到所述业务终端的网络判别结果，所述网络判别结果用于表示所述业务终端的网络状态为正常状态或者所述业务终端的网络状态为故障状态。
本发明第三方面公开了一种网络故障分析装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的网络故障分析方法。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的网络故障分析方法。
与现有技术相比，本发明具有以下有益效果：
本发明实施例通过获取当前故障分析周期内的时序数据集合，然后计算时序数据集合中的时序数据对应的同比特征值和环比特征值，并根据同比特征值和环比特征值计算时序特征值，接着确定全局分类空间资源集合的状态统计量，并根据时序特征值和状态统计量生成入模数据，最后将入模数据输入至网络故障判别模型进行分析得到网络判别结果，从而能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。另外，通过对包括用于表示网络的整体状态的状态统计量的入模数据进行分析得到网络判别结果，从而能够从网络整体的视角进行分析，进一步地提高网络故障分析的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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是本发明实施例公开的一种网络故障分析方法的流程示意图；
图2是本发明实施例公开的另一种网络故障分析方法的流程示意图；
图3是本发明实施例公开的一种网络故障判别模型的训练方法的流程示意图；
图4是本发明实施例公开的一种网络故障分析模型的训练方法的流程示意图；
图5是本发明实施例公开的一种网络故障分析装置的结构示意图；
图6是本发明实施例公开的另一种网络故障分析装置的结构示意图；
图7是本发明实施例公开的又一种网络故障分析装置的结构示意图；
图8是本发明实施例公开的一种网络故障判别模型的训练装置的结构示意图；
图9是本发明实施例公开的另一种网络故障判别模型的训练装置的结构示意图；
图10是本发明实施例公开的一种网络故障分析模型的训练装置的结构示意图；
图11是本发明实施例公开的另一种网络故障分析模型的训练装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种网络故障分析方法及装置，能够自动获得网络中的业务终端的时序数据，然后基于时序数据进行分析得到网络故障的判别结果，从而能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。
实施例一
请参阅图1，图1是本发明实施例公开的一种网络故障分析方法的流程示意图。如图1所示，该网络故障分析方法可以包括以下操作：
101、获取当前故障分析周期内业务终端对应的时序数据集合，时序数据集合包括至少一种类型的时序数据，时序数据集合包括的时序数据用于确定业务终端的网络状态。
在一个可选的实施例中，时序数据集合中的时序数据包括用于表示业务终端对应的5G切片中的AMF占用虚拟/物理服务器资源情况的数据、用于表示业务终端对应的UPF占用虚拟/物理服务器资源情况的数据、用于表示实时带宽的数据、用于表示实时网络延迟的数据、用于表示运营商的物联网卡流量的数据、用于表示物联网卡在线状态的数据、用于表示业务终端的设备心跳数的数据、用于表示业务终端的CPU占用率的数据、用于表示业务终端的内存使用率的数据、用于表示通信模块温度的数据、用于表示信号强弱度的数据、用于表示信号的信躁比的数据和用于表示业务终端的数据包的数据中的至少一种。
可见，实施该可选的实施例，通过将不同类型的数据作为时序数据，然后根据不同类型的时序数据进行后续的分析，能够增加用于分析的数据的维度，从而提高网络故障分析的准确性。
102、计算时序数据集合中每种类型的时序数据对应的同比特征值。
在另一个可选的实施例中，时序数据集合中每种类型的时序数据包括该种类型的当前时序数据和该种类型的同比时序数据；
以及，计算时序数据集合中每种类型的时序数据对应的同比特征值，包括：
根据时序数据集合中每种类型的时序数据中的当前时序数据构建该种类型的时序数据对应的当前时序数据向量，并根据时序数据集合中每种类型的时序数据中的同比时序数据构建该种类型的时序数据对应的同比时序数据向量；
判断时序数据集合中每种类型的时序数据是否是数值型数据；
当判断出该种类型的时序数据是数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的欧式距离值以作为该种类型的时序数据对应的同比特征值；
当判断出该种类型的时序数据不是数值型数据时，判断该种类型的时序数据是否是分类型数据；
当判断出该种类型的时序数据是分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的汉明距离值以作为该种类型的时序数据对应的同比特征值。
在该另一个可选的实施例中，当前时序数据可以是当前故障分析周期内的多个时间节点的业务终端的时序数据，同比时序数据可以是同比故障分析周期内的多个时间节点的业务终端的时序数据。其中，同比故障分析周期可以是前一天中与当前故障分析周期的时间段相同的时间周期，且同比故障分析周期内的多个时间节点和当前故障分析周期内的多个时间节点一一对应。这里，单个时序数据是用于表示业务终端在对应的时间节点上相关状态的数据，例如，其中一个时序数据是用于表示在上午9点正，业务终端所属的5G切片中的AMF占用虚拟/物理服务器资源情况的数据。业务终端是设置在网络中的终端，例如，电网系统中的智能电表。
在该另一个可选的实施例中，所构建的当前时序数据向量可以表示为：X(t)＝(x(t1),x(t2),...,x(tn))，其中，X(t)表示当前时序数据向量，t表示当前故障分析周期，ti表示当前故障分析周期t中第i个时间节点，x(ti)表示第i个时间节点上的时序数据，n表示当前故障分析周期t中的时间节点的数量。同理，所构建的同比时序数据向量可以表示为：
其中，
表示同比时序数据向量，
表示同比故障分析周期，
表示同比故障分析周期
中第i个时间节点，
表示第i个时间节点上的时序数据，n表示同比故障分析周期
中的时间节点的数量。
在该另一个可选的实施例中，数值型数据是指用具体数值大小来表征业务终端的相关状态的数据，例如，用于表示业务终端的CPU占用率的数据是一种数值型数据，用于表示业务终端的CPU占用率的数据可以是0.2、0.3、0.4等，当用于表示业务终端的CPU占用率的数据是0.2时，即表示业务终端的CPU占用率为百分之二十。
当一种类型的时序数据是数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的欧式距离值可以通过以下公式实现：
其中，
表示当前时序数据向量和同比时序数据向量的欧式距离值。
在该另一个可选的实施例中，分类型数据是指使用预设的固定数值来表征业务终端的相关状态的数据，例如，用于表示物联网卡在线状态的数据是一种分类型数据，用于表示物联网卡在线状态的数据可以是1或0，当该数据是1时，即表示该数据对应的物联网卡在线，当该数据是0时，即表示该数据对应的物联网卡不在线。
当一种类型的时序数据是分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的汉明距离值可以通过以下公式实现：
其中，
其中，
表示当前时序数据向量和同比时序数据向量的汉明距离值，H(u,v)是一个用于计算汉明距离值的函数。
这里，u是(x(t1),x(t2),...,x(ti))，v是
可见，实施该另一个可选的实施例，能够根据时序数据的数据类型的不同，使用不同的计算方式计算同比特征值，从而使得同比特征值更加准确地表征网络的状态，进而提高网络故障分析的准确性。
103、计算时序数据集合中每种类型的时序数据对应的环比特征值。
在又一个可选的实施例中，时序数据集合中每种类型的时序数据还包括该种类型的环比时序数据；
以及，计算时序数据集合中每种类型的时序数据对应的环比特征值，包括：
根据时序数据集合中每种类型的时序数据中的环比时序数据构建该种类型的时序数据对应的环比时序数据向量；
判断时序数据集合中每种类型的时序数据是否是数值型数据；
当判断出该种类型的时序数据是数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的欧式距离值以作为该种类型的时序数据对应的环比特征值；
当判断出该种类型的时序数据不是数值型数据时，判断该种类型的时序数据是否是分类型数据；
当判断出该种类型的时序数据是分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的汉明距离值以作为该种类型的时序数据对应的环比特征值。
在该又一个可选的实施例中，环比时序数据可以是环比故障分析周期内的多个时间节点的业务终端的时序数据，环比故障分析周期可以是当天中当前故障分析周期的前一个故障分析周期，且环比故障分析周期内的多个时间节点和当前故障分析周期内的多个时间节点一一对应。类比于所构建的当前时序数据向量，所构建的环比时序数据向量可以表示为：
其中，
表示环比时序数据向量，
表示环比故障分析周期，
表示环比故障分析周期
中第i个时间节点，
表示第i个时间节点上的时序数据，n表示环比故障分析周期
中的时间节点的数量。
当一种类型的时序数据是数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的欧式距离值可以通过以下公式实现：
其中，
表示当前时序数据向量和环比时序数据向量的欧式距离值。
当一种类型的时序数据是分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的汉明距离值可以通过以下公式实现：
其中，
其中，
表示当前时序数据向量和环比时序数据向量的汉明距离值，H(u,v)是一个用于计算汉明距离值的函数。
这里，u是(x(t1),x(t2),...,x(ti))，v是
可见，实施该又一个可选的实施例，能够根据时序数据的数据类型的不同，使用不同的计算方式计算环比特征值，从而使得环比特征值更加准确地表征网络的状态，进而提高网络故障分析的准确性。
104、根据每种类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值。
在又一个可选的实施例中，根据每种类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值，包括：
计算每种类型的时序数据对应的同比特征值和环比特征值的加权和以作为该种类型的时序数据对应的时序特征值，其中，每种类型的时序数据对应的同比特征值和环比特征值各自对应的权重均是根据该种类型的时序数据的周期性变化情况和业务规律预先确定出的。计算一种类型的时序数据对应的时序特征值的过程可以表示为以下公式：
d＝wtb×dtb+whb×dhb
其中，d为时序特征值，wtb为同比特征值对应的权重，dtb为同比特征值，whb为环比特征值对应的权重，dhb为环比特征值。
可见，实施该又一个可选的实施例，能够在计算时序特征值的过程中，将该种类型的时序数据的周期性变化情况和业务规律考虑在内，从而使得时序特征值更加准确地表征网络的状态，进而提高网络故障分析的准确性。
105、确定业务终端对应的全局分类空间资源集合中每个全局分类空间资源在当前故障分析周期内的状态统计量。
在又一个可选的实施例中，全局分类空间资源集合包括5G切片和运营商；以及，确定业务终端对应的全局分类空间资源集合中每个全局分类空间资源在当前故障分析周期内的状态统计量，包括：
判断业务终端对应的全局分类空间资源集合中每个全局分类空间资源是否是第一资源，第一资源包括5G切片或运营商；
当判断出该全局分类空间资源是第一资源时，计算在当前故障分析周期内，属于该全局分类空间资源的在线的物联网卡的数量和属于该全局分类空间资源的物联网卡的总数量的比值以作为该全局分类空间资源在当前故障分析周期内的状态统计量。
在该又一个可选的实施例中，当业务终端所对应的全局分类空间资源为5G切片时，该全局分类空间资源在当前故障分析周期内的状态统计量可以通过以下公式计算：
其中，η5G表示业务终端所对应的全局分类空间资源为5G切片时对应的状态统计量，N5G表示在该5G切片下的物联网卡的总数量，
表示在该5G切片下在当前故障分析周期中在线的物联网卡的数量。
当业务终端所对应的全局分类空间资源为运营商时，该全局分类空间资源在当前故障分析周期内的状态统计量可以通过以下公式计算：
其中，ηop表示业务终端所对应的全局分类空间资源为运营商时对应的状态统计量，Nop表示属于该运营商的物联网卡的总数量，
表示属于该运营商的在当前故障分析周期中在线的物联网卡的数量。
需要说明的是，判断在当前故障分析周期内物联网卡是否是在线状态具体可以通过以下方式来实现：计算该物联网卡在当前故障分析周期内的在线率，并判断该物联网卡的在线率是否大于在线阈值，当判断出该物联网卡的在线率大于在线阈值时，确定该物联网卡在线，当判断出该物联网卡的在线率不大于在线阈值时，确定该物联网卡不在线。
可见，实施该又一个可选的实施例，能够计算不同类型的状态统计量，从而使得状态统计量能够更加准确地表征网络的整体状态，进而提高网络故障分析的准确性。
在该又一个可选的实施例中，进一步可选的，全局分类空间资源集合还包括运营商基站小区号和设备厂家及类型；
以及，上述网络故障分析方法还包括：
当判断出该全局分类空间资源不是第一资源时，判断该全局分类空间资源是否是第二资源，第二资源包括运营商基站小区号或设备厂家及类型；
当判断出该全局分类空间资源是第二资源时，计算在当前故障分析周期内，属于该全局分类空间资源的在线的业务终端的数量和属于该全局分类空间资源的业务终端的总数量的比值以作为该全局分类空间资源在当前故障分析周期内的状态统计量。
在该进一步可选的实施例中，当业务终端所对应的全局分类空间资源为运营商基站小区号时，该全局分类空间资源在当前故障分析周期内的状态统计量可以通过以下公式计算：
其中，ηbs表示业务终端所对应的全局分类空间资源为运营商基站小区号时对应的状态统计量，Nbs表示在该运营商小区下的物联网卡的总数量，
表示在该运营商小区下在当前故障分析周期中在线的业务终端的总数量。
当业务终端所对应的全局分类空间资源为设备厂家及类型时，该全局分类空间资源在当前故障分析周期内的状态统计量可以通过以下公式计算：
其中，ηem表示业务终端所对应的全局分类空间资源为设备厂家及类型时对应的状态统计量，Nem表示属于该设备厂家及类型的业务终端的总数量，
表示属于该设备厂家及类型的在当前故障分析周期中在线的业务终端的总数量。
需要说明的是，判断在当前故障分析周期内业务终端是否是在线状态具体可以通过以下方式来实现：计算该业务终端在当前故障分析周期内的在线率，并判断该业务终端的在线率是否大于在线阈值，当判断出该业务终端的在线率大于在线阈值时，确定该业务终端在线，当判断出该业务终端的在线率不大于在线阈值时，确定该业务终端不在线。
可见，实施该进一步可选的实施例，能够计算多种类型的状态统计量，从而使得状态统计量能够更加准确地表征网络的整体状态，进而提高网络故障分析的准确性。
106、根据每种类型的时序数据对应的时序特征值和每个全局分类空间资源对应的状态统计量生成入模数据。
在上述步骤106中，入模数据可以具体是根据所有类型的时序数据对应的时序特征值和所有类型的全局分类空间资源对应的状态统计量构建的一个向量。根据所有类型的时序数据对应的时序特征值和所有类型的全局分类空间资源对应的状态统计量生成入模数据的具体过程可以如下：
将所有类型的时序数据对应的时序特征值构建成一个时序特征值向量，其中，该时序特征值向量可以表示为：
d＝[d1,d2,......,dm]
其中，d是时序特征向量，dm是第m种类型的时序数据对应的时序特征值，m表示时序特征值对应的时序数据的类型的数目。
将所有的全局分类空间资源对应的状态统计量构建成一个状态统计量向量，其中，该状态统计量向量可以表示为：
[η5G,ηop,ηbs,ηem]
其中，η是状态统计量。
最后，将时序特征值向量和状态统计量向量拼接成一个向量，以该拼接成的向量作为入模数据，该拼接成的向量可以表示为：
s＝[d1,d2,...,dm,η5G,ηop,ηbs,ηem]
其中，s是拼接成的向量。
107、将入模数据输入至预先确定出的网络故障判别模型进行分析以得到业务终端的网络判别结果，网络判别结果用于表示业务终端的网络状态为正常状态或者业务终端的网络状态为故障状态。
在上述步骤107中，网络故障判别模型可以是由逻辑回归算法训练得到的数学模型，模型中的参数是经过训练后被确定的。将业务终端的数据按照时间划分为多个当前故障分析周期，提取每个当前故障分析周期的入模数据，并以业务专家对业务终端在每个当前故障分析周期内网络是否正常的判别结果作为样本标签，从而构建出建模数据集。然后，按照一定的比例将建模数据集划分为训练集和测试集，根据训练集利用逻辑回归算法训练得到该网络故障判别模型，根据测试集评估和优化该网络故障判别模型。
其中，网络故障判别模型对入模数据的的具体处理过程可以为：
(1)根据入模数据获得模型计算结果。
将入模数据输入到模型中，入模数据中各维度数据与模型对应参数进行相乘然后再对相乘后得到的结果求和，得到模型计算结果hθ(s)：
其中θ为模型参数，是对模型进行训练后确定的。
(2)模型计算结果经过Sigmoid函数输出网络判别结果为网络正常的概率值。
将模型计算结果经过Sigmoid函数映射到[0,1]区间内，从而得到模型的网络判别结果为网络正常的概率值pnormal，该计算过程具体可以表示为：
(3)根据该概率值确定模型最终输出的网络判别结果。
通过给定阈值ε(例如0.5)确定模型最终输出的网络判别结果，当pnormal≥ε时，模型最终输出的网络判别结果为网络正常，否则模型最终输出的网络判别结果为网络故障，即模型最终输出的网络判别结果ostate，ostate可以表示为：
其中，当ostate等于0时，表示网络正常，当ostate等于1时，表示网络故障。
可见，实施图1所描述的网络故障分析方法，能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。另外，通过对包括用于表示网络的整体状态的状态统计量的入模数据进行分析得到网络判别结果，从而能够从网络整体的视角进行分析，进一步地提高网络故障分析的准确性。此外，还使用多种类型的时序数据和多种类型的状态统计量，增加分析数据的维度，且根据时序数据的数据类型不同使用不同的计算方法，并将不同类型的时序数据的周期性变化情况和业务规律考虑在内，从而能够更进一步地提高网络故障分析的准确性。
实施例二
请参阅图2，图2是本发明实施例公开的另一种网络故障分析方法的流程示意图。如图2所示，该网络故障分析方法可以包括以下操作：
201、获取当前故障分析周期内业务终端对应的时序数据集合，时序数据集合包括至少一种类型的时序数据，时序数据集合包括的时序数据用于确定业务终端的网络状态。
202、计算时序数据集合中每种类型的时序数据对应的同比特征值。
203、计算时序数据集合中每种类型的时序数据对应的环比特征值。
204、根据每种类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值。
205、确定业务终端对应的全局分类空间资源集合中每个全局分类空间资源在当前故障分析周期内的状态统计量。
206、根据每种类型的时序数据对应的时序特征值和每个全局分类空间资源对应的状态统计量生成入模数据。
207、将入模数据输入至预先确定出的网络故障判别模型进行分析以得到业务终端的网络判别结果，网络判别结果用于表示业务终端的网络状态为正常状态或者业务终端的网络状态为故障状态。
对于上述步骤201-步骤207的具体描述可以参见上述步骤101-步骤107的具体描述，在此不再一一赘述。
208、当网络判别结果用于表示业务终端的网络状态为故障状态时，将入模数据输入至预先确定出的网络故障分析模型进行分析以得到网络故障原因，网络故障原因包括传输网网络质量、5G核心网网络质量、运营商基站故障、运营商物联网卡异常和业务终端设备自身故障的至少一种。
在上述步骤208中，网络故障分析模型可以是由全连接神经网络算法训练得到的。该模型结构具体由输入层、若干个隐藏层和输出层共同构成，入模数据从输入层开始向后经过每一层隐藏层的计算处理，最终传递到输出层处理得到每种类型的网络故障原因出现的概率值，其中，该模型能够分析出的网络故障原因的类型可以包括传输网网络质量、5G核心网网络质量、运营商基站故障、运营商物联网卡异常和业务终端设备自身故障中的至少一种。进一步可选的，当网络故障分析模型分析出的网络故障原因为多个时，以出现的概率值最大的网络故障原因作为该模型的最终分析结果。另外，将业务终端的数据按照时间划分为多个当前故障分析周期，提取每个当前故障分析周期的入模数据，并以业务专家对业务终端在每个当前故障分析周期内的网络故障原因的分析结果作为样本标签，从而构建出建模数据集。然后，按照一定的比例划分该建模数据集为训练集和测试集，根据训练集利用反向传播算法和Adam优化算法训练得到该网络故障分析模型，根据测试集评估和优化该网络故障分析模型。
其中，网络故障分析模型对入模数据的具体处理过程可以为：
(1)将入模数据传入该网络故障分析模型计算该网络故障分析模型的输入层的输出。
入模数据s传入模型输入层后不进行计算处理，因此经过输入层后得到的输出仍然为s，以此作为下一层隐藏层的输入。
(2)计算网络故障分析模型的隐藏层的输出。
将模型输入层的输出结果s作为下一层隐藏层的输入z，其中隐藏层的每个神经元c的输出是根据该神经元的输入与相应的权重w进行线性加权求和，然后通过激活函数f处理得到的。其中，激活函数常常使用ReLU函数，具体可以为：
其中，hkl表示第k层隐藏层中第l个神经元cl的输出，Nk表示第k层隐藏层输入zk的维度，wklq表示第k层隐藏层中第l个神经元cl上第q个权重，bkl表示第k层隐藏层中第l个神经元cl上的偏置。隐藏层上所有神经元的输出共同构成一个向量，作为该隐藏层的输出，具体为：
其中，hk表示第k层隐藏层的输出，Mk表示第k层隐藏层所包含的神经元数目。
网络故障分析模型的各层隐藏层的输出都是经过类似的计算过程得到的，上一层隐藏层的输出作为下一层隐藏层的输入，通过从前往后逐层传递计算得到最后一层隐藏层输出。
(3)计算输出层的输出。
最后一层隐藏层的输出结果作为输出层的输入y，通过Softmax函数将输出层各神经元接收到的输入数值映射到[0,1]区间内，并且保证该输出层的所有神经元的输出数值之和为1，因此输出层上每个神经元的输出均可以作为一种网络故障原因发生的概率值，这样输出层就输出了各个类型的网络故障原因发生的概率值，输出层的输出结果P具体可以为：
P＝[ptn,p5G,pbs,pcard,pte]
其中，ptn,p5G,pbs,pcard,pte分别表示传输网网络质量、5G核心网网络质量、运营商基站故障、运营商物联网卡异常、业务终端设备自身故障出现的概率值，其中每一个概率值的计算过程为：
其中，ytn,y5G,ybs,ycard,yte分别表示传输网网络质量、5G核心网网络质量、运营商基站故障、运营商物联网卡异常、业务终端设备自身故障等网络故障原因对应的神经元所接收的输入值，y*表示为这些输入值的其中之一，p*表示ptn,p5G,pbs,pcard,pte中的其中之一。最后，可以将出现概率值最大的网络故障原因作为该网络故障分析模型的最终分析结果。
其中，该网络故障分析模型可以有1层输入层，4层隐藏层，1层输出层，隐藏层中的激活函数使用ReLU函数，详细信息如下表所示：
| 层名称 | 神经元数目 |
| 输入层 | m+4 |
| 隐藏层1 | 32 |
| 隐藏层2 | 64 |
| 隐藏层3 | 32 |
| 隐藏层4 | 5 |
| 输出层 | 5 |
可见，实施图2所描述的网络故障分析方法，能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。另外，通过对包括用于表示网络的整体状态的状态统计量的入模数据进行分析得到网络判别结果，从而能够从网络整体的视角进行分析，进一步地提高网络故障分析的准确性。此外，还使用多种类型的时序数据和多种类型的状态统计量，增加分析数据的维度，且根据时序数据的数据类型不同使用不同的计算方法，并将不同类型的时序数据的周期性变化情况和业务规律考虑在内，从而能够更进一步地提高网络故障分析的准确性。最后，在网络故障判别模型输出网络判别结果为网络故障之后，进行网络故障的具体原因的分析，从而使网络故障分析方法更加智能化。
实施例三
请参阅图3，图3是本发明实施例公开的一种网络故障判别模型的训练方法的流程示意图。如图3所示，该网络故障判别模型的训练方法可以包括以下操作：
301、获取多个训练分析周期内业务终端对应的多个训练数据集合，一个训练分析周期对应有一个训练数据集合，每个训练数据集合包括至少一种类型的训练数据，训练数据集合包括的训练数据用于确定业务终端的网络状态。
302、对于每个训练数据集合，计算该训练数据集合中每种类型的训练数据对应的同比特征值。
303、对于每个训练数据集合，计算该训练数据集合中每种类型的训练数据对应的环比特征值。
304、对于每个训练数据集合，根据该训练数据集合中每种类型的训练数据对应的同比特征值以及环比特征值计算该训练数据集合中该种类型的训练数据对应的时序特征值。
305、对于每个训练分析周期，确定该训练分析周期中业务终端对应的训练全局分类空间资源集合中每个训练全局分类空间资源在该训练分析周期内的状态统计量。
306、对于每个训练分析周期，根据该训练分析周期中每种类型的训练数据对应的时序特征值和每个训练全局分类空间资源对应的状态统计量生成该训练分析周期的入模数据。
对于上述步骤301-步骤306的具体描述可以参照上述步骤101-步骤106的具体描述，在此不再一一赘述。其中，上述步骤301中的训练数据的数据类型与上述步骤101中的时序数据的数据类型相同，上述步骤301中的训练分析周期与上述步骤101中的当前故障分析周期是同一类型的时间周期，上述步骤305中的训练全局分类空间资源与上述步骤105中的全局分类空间资源的类型相同。
307、根据网络故障判别人员对业务终端在每个训练分析周期内网络是否正常的判别结果，生成每个训练分析周期的入模数据对应的样本标签。
在上述步骤307中，网络故障判别人员可以是具有丰富经验的业务专家。业务专家按照自身的经验对每个训练分析周期的入模数据进行网络是否正常的判别，若该训练分析周期的判别结果是正常，则生成的该训练分析周期的样本标签用于表示网络正常，若该训练分析周期的判别结果是故障，则生成的该训练分析周期的样本标签用于表示网络故障。
308、基于所有训练分析周期的入模数据和所有入模数据各自对应的样本标签利用逻辑回归算法训练预先确定出的网络故障判别模型。
在上述步骤308中，可以按照一定的比例将所有的入模数据划分为训练集和测试集，根据训练集利用逻辑回归算法训练得到该网络故障判别模型，根据测试集评估和优化该网络故障判别模型。预先确定出的网络故障判别模型的具体描述可以参照实施例一中对网络故障判别模型的具体描述，在此不再一一赘述。
可见，实施图3所描述的网络故障判别模型的训练方法，能够训练得到网络故障判别模型，从而能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。另外，训练得到的网络故障判别模型能够对包括用于表示网络的整体状态的状态统计量的入模数据进行分析得到网络判别结果，从而能够从网络整体的视角进行分析，进一步地提高网络故障分析的准确性。
实施例四
请参阅图4，图4是本发明实施例公开的一种网络故障分析模型的训练方法的流程示意图。如图4所示，该网络故障分析模型的训练方法可以包括以下操作：
401、获取多个训练分析周期内业务终端对应的多个训练数据集合，一个训练分析周期对应有一个训练数据集合，每个训练数据集合包括至少一种类型的训练数据，训练数据集合包括的训练数据用于确定业务终端的网络状态。
402、对于每个训练数据集合，计算该训练数据集合中每种类型的训练数据对应的同比特征值。
403、对于每个训练数据集合，计算该训练数据集合中每种类型的训练数据对应的环比特征值。
404、对于每个训练数据集合，根据该训练数据集合中每种类型的训练数据对应的同比特征值以及环比特征值计算该训练数据集合中该种类型的训练数据对应的时序特征值。
405、对于每个训练分析周期，确定该训练分析周期中业务终端对应的训练全局分类空间资源集合中每个训练全局分类空间资源在该训练分析周期内的状态统计量。
406、对于每个训练分析周期，根据该训练分析周期中每种类型的训练数据对应的时序特征值和每个训练全局分类空间资源对应的状态统计量生成该训练分析周期的入模数据。
对于上述步骤401-步骤406的具体描述可以参照上述步骤101-步骤106的具体描述，在此不再一一赘述。其中，上述步骤401中的训练数据的数据类型与上述步骤101中的时序数据的数据类型相同，上述步骤401中的训练分析周期与上述步骤101中的当前故障分析周期是同一类型的时间周期，上述步骤405中的训练全局分类空间资源与上述步骤105中的全局分类空间资源的类型相同。
407、根据网络故障分析人员对业务终端在每个训练分析周期内的网络故障原因的分析结果，生成每个训练分析周期的入模数据对应的样本标签。
在上述步骤407中，网络故障分析人员可以是具有丰富经验的业务专家。业务专家按照自身的经验对每个训练分析周期的入模数据进行网络故障原因的分析后得到分析结果，若该训练分析周期的分析结果是传输网网络质量，则生成的该训练分析周期的样本标签用于表示传输网网络质量，若该训练分析周期的分析结果是5G核心网网络质量，则生成的该训练分析周期的样本标签用于表示5G核心网网络质量，若该训练分析周期的分析结果是运营商基站故障，则生成的该训练分析周期的样本标签用于表示运营商基站故障，若该训练分析周期的分析结果是运营商物联网卡异常，则生成的该训练分析周期的样本标签用于表示运营商物联网卡异常，若该训练分析周期的分析结果是业务终端设备自身故障，则生成的该训练分析周期的样本标签用于表示业务终端设备自身故障。
408、基于所有训练分析周期的入模数据和所有入模数据各自对应的样本标签利用反向传播算法和Adam优化算法训练预先确定出的网络故障分析模型。
在上述步骤408中，可以按照一定的比例将所有的入模数据划分为训练集和测试集，根据训练集利用反向传播算法和Adam优化算法训练得到该网络故障分析模型，根据测试集评估和优化该网络故障分析模型。预先确定出的网络故障分析模型的具体描述可以参照实施例二中的网络故障分析模型的具体描述，在此不再一一赘述。
可见，实施图4所描述的网络故障分析模型的训练方法，能够训练得到网络故障分析模型，从而能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。另外，训练得到的网络故障分析模型能够对包括用于表示网络的整体状态的状态统计量的入模数据进行分析得到网络故障分析结果，从而能够从网络整体的视角进行分析，进一步地提高网络故障分析的准确性。此外，训练得到的网络故障分析模型能够进行网络故障的具体原因的分析，从而使网络故障分析方法更加智能化。
实施例五
请参阅图5，图5是本发明实施例公开的一种网络故障分析装置的结构示意图。如图5所示，该网络故障分析装置可以包括：
获取模块501，用于获取当前故障分析周期内业务终端对应的时序数据集合，时序数据集合包括至少一种类型的时序数据，时序数据集合包括的时序数据用于确定业务终端的网络状态；
计算模块502，用于计算时序数据集合中每种类型的时序数据对应的同比特征值；
计算模块502，还用于计算时序数据集合中每种类型的时序数据对应的环比特征值；
计算模块502，还用于根据每种类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值；
确定模块503，用于确定业务终端对应的全局分类空间资源集合中每个全局分类空间资源在当前故障分析周期内的状态统计量；
生成模块504，用于根据每种类型的时序数据对应的时序特征值和每个全局分类空间资源对应的状态统计量生成入模数据；
分析模块505，用于将入模数据输入至预先确定出的网络故障判别模型进行分析以得到业务终端的网络判别结果，网络判别结果用于表示业务终端的网络状态为正常状态或者业务终端的网络状态为故障状态。
可见，实施图5所描述的网络故障分析装置，能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。另外，通过对包括用于表示网络的整体状态的状态统计量的入模数据进行分析得到网络判别结果，从而能够从网络整体的视角进行分析，进一步地提高网络故障分析的准确性。
在一个可选的实施例中，分析模块505，还用于在将入模数据输入至预先确定出的网络故障判别模型进行分析以得到业务终端的网络判别结果之后，当网络判别结果用于表示业务终端的网络状态为故障状态时，将入模数据输入至预先确定出的网络故障分析模型进行分析以得到网络故障原因，网络故障原因包括传输网网络质量、5G核心网网络质量、运营商基站故障、运营商物联网卡异常和业务终端设备自身故障的至少一种。
可见，实施图6所描述的网络故障分析装置，能够在网络故障判别模型输出网络判别结果为网络故障之后，进行网络故障的具体原因的分析，从而使网络故障分析方法更加智能化。
在另一个可选的实施例中，时序数据集合中每种类型的时序数据包括该种类型的当前时序数据和该种类型的同比时序数据；
以及，计算模块502计算时序数据集合中每种类型的时序数据对应的同比特征值的具体方式为：
根据时序数据集合中每种类型的时序数据中的当前时序数据构建该种类型的时序数据对应的当前时序数据向量，并根据时序数据集合中每种类型的时序数据中的同比时序数据构建该种类型的时序数据对应的同比时序数据向量；
判断时序数据集合中每种类型的时序数据是否是数值型数据；
当判断出该种类型的时序数据是数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的欧式距离值以作为该种类型的时序数据对应的同比特征值；
当判断出该种类型的时序数据不是数值型数据时，判断该种类型的时序数据是否是分类型数据；
当判断出该种类型的时序数据是分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的汉明距离值以作为该种类型的时序数据对应的同比特征值。
可见，实施图6所描述的网络故障分析装置，能够根据时序数据的数据类型的不同，使用不同的计算方式计算同比特征值，从而使得同比特征值更加准确地表征网络的状态，进而提高网络故障分析的准确性。
在又一个可选的实施例中，时序数据集合中每种类型的时序数据还包括该种类型的环比时序数据；
以及，计算模块502计算时序数据集合中每种类型的时序数据对应的环比特征值的具体方式为：
根据时序数据集合中每种类型的时序数据中的环比时序数据构建该种类型的时序数据对应的环比时序数据向量；
判断时序数据集合中每种类型的时序数据是否是数值型数据；
当判断出该种类型的时序数据是数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的欧式距离值以作为该种类型的时序数据对应的环比特征值；
当判断出该种类型的时序数据不是数值型数据时，判断该种类型的时序数据是否是分类型数据；
当判断出该种类型的时序数据是分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的汉明距离值以作为该种类型的时序数据对应的环比特征值。
可见，实施图6所描述的网络故障分析装置，能够根据时序数据的数据类型的不同，使用不同的计算方式计算环比特征值，从而使得环比特征值更加准确地表征网络的状态，进而提高网络故障分析的准确性。
在又一个可选的实施例中，计算模块502根据每种类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值的具体方式为：
计算每种类型的时序数据对应的同比特征值和环比特征值的加权和以作为该种类型的时序数据对应的时序特征值，其中，每种类型的时序数据对应的同比特征值和环比特征值各自对应的权重均是根据该种类型的时序数据的周期性变化情况和业务规律预先确定出的。
可见，实施图6所描述的网络故障分析装置，能够在计算时序特征值的过程中，将该种类型的时序数据的周期性变化情况和业务规律考虑在内，从而使得时序特征值更加准确地表征网络的状态，进而提高网络故障分析的准确性。
在又一个可选的实施例中，全局分类空间资源集合包括5G切片和运营商；
以及，确定模块503包括：
判断子模块5031，用于判断业务终端对应的全局分类空间资源集合中每个全局分类空间资源是否是第一资源，第一资源包括5G切片或运营商；
计算子模块5032，用于当判断子模块5031判断出该全局分类空间资源是第一资源时，计算在当前故障分析周期内，属于该全局分类空间资源的在线的物联网卡的数量和属于该全局分类空间资源的物联网卡的总数量的比值以作为该全局分类空间资源在当前故障分析周期内的状态统计量。
可见，实施图6所描述的网络故障分析装置，能够计算不同类型的状态统计量，从而使得状态统计量能够更加准确地表征网络的整体状态，进而提高网络故障分析的准确性。
在又一个可选的实施例中，全局分类空间资源集合还包括运营商基站小区号和设备厂家及类型；
以及，判断子模块5031，还用于当判断出该全局分类空间资源不是第一资源时，判断该全局分类空间资源是否是第二资源，第二资源包括运营商基站小区号或设备厂家及类型；
计算子模块5032，还用于当判断子模块5031判断出该全局分类空间资源是第二资源时，计算在当前故障分析周期内，属于该全局分类空间资源的在线的业务终端的数量和属于该全局分类空间资源的业务终端的总数量的比值以作为该全局分类空间资源在当前故障分析周期内的状态统计量。
可见，实施图6所描述的网络故障分析装置，能够计算多种类型的状态统计量，从而使得状态统计量能够更加准确地表征网络的整体状态，进而提高网络故障分析的准确性。
在又一个可选的实施例中，时序数据集合中的时序数据包括用于表示业务终端对应的5G切片中的AMF占用虚拟/物理服务器资源情况的数据、用于表示业务终端对应的UPF占用虚拟/物理服务器资源情况的数据、用于表示实时带宽的数据、用于表示实时网络延迟的数据、用于表示运营商的物联网卡流量的数据、用于表示物联网卡在线状态的数据、用于表示业务终端的设备心跳数的数据、用于表示业务终端的CPU占用率的数据、用于表示业务终端的内存使用率的数据、用于表示通信模块温度的数据、用于表示信号强弱度的数据、用于表示信号的信躁比的数据和用于表示业务终端的数据包的数据中的至少一种。
可见，实施图6所描述的网络故障分析装置，通过将不同类型的数据作为时序数据，然后根据不同类型的时序数据进行后续的分析，能够增加用于分析的数据的维度，从而提高网络故障分析的准确性。
对于网络故障分析装置的具体描述可以参照上述网络故障分析方法的具体描述，在此不再一一赘述。
可见，实施图6所描述的网络故障分析装置，能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。另外，通过对包括用于表示网络的整体状态的状态统计量的入模数据进行分析得到网络判别结果，从而能够从网络整体的视角进行分析，进一步地提高网络故障分析的准确性。此外，还使用多种类型的时序数据和多种类型的状态统计量，增加分析数据的维度，且根据时序数据的数据类型不同使用不同的计算方法，并将不同类型的时序数据的周期性变化情况和业务规律考虑在内，从而能够更进一步地提高网络故障分析的准确性。最后，在网络故障判别模型输出网络判别结果为网络故障之后，进行网络故障的具体原因的分析，从而使网络故障分析方法更加智能化。
实施例六
请参阅图7，图7是本发明实施例公开的又一种网络故障分析装置的结构示意图。如图7所示，该装置可以包括：
存储有可执行程序代码的存储器701；
与存储器701耦合的处理器702；
处理器702调用存储器701中存储的可执行程序代码，用于执行实施例一或实施例二中所描述的网络故障分析方法。
实施例七
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二中所描述的网络故障分析方法。
实施例八
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二中所描述的网络故障分析方法。
实施例九
请参阅图8，图8是本发明实施例公开的一种网络故障判别模型的训练装置的结构示意图。如图8所示，该网络故障判别模型的训练装置可以包括：
获取模块801，用于获取多个训练分析周期内业务终端对应的多个训练数据集合，一个训练分析周期对应有一个训练数据集合，每个训练数据集合包括至少一种类型的训练数据，训练数据集合包括的训练数据用于确定业务终端的网络状态；
计算模块802，用于对每个训练数据集合，计算该训练数据集合中每种类型的训练数据对应的同比特征值；
计算模块802，还用于对每个训练数据集合，计算该训练数据集合中每种类型的训练数据对应的环比特征值；
计算模块802，还用于对每个训练数据集合，根据该训练数据集合中每种类型的训练数据对应的同比特征值以及环比特征值计算该训练数据集合中该种类型的训练数据对应的时序特征值；
确定模块803，用于对每个训练分析周期，确定该训练分析周期中业务终端对应的训练全局分类空间资源集合中每个训练全局分类空间资源在该训练分析周期内的状态统计量；
生成模块804，用于对每个训练分析周期，根据该训练分析周期中每种类型的训练数据对应的时序特征值和每个训练全局分类空间资源对应的状态统计量生成该训练分析周期的入模数据；
生成模块804，还用于根据网络故障判别人员对业务终端在每个训练分析周期内网络是否正常的判别结果，生成每个训练分析周期的入模数据对应的样本标签；
训练模块805，用于基于所有训练分析周期的入模数据和所有入模数据各自对应的样本标签利用逻辑回归算法训练预先确定出的网络故障判别模型。
对于上述网络故障判别模型的训练装置的具体描述可以参照上述网络故障判别模型的训练方法的具体描述，在此不再一一赘述。
可见，实施图8所描述的网络故障判别模型的训练装置，能够训练得到网络故障判别模型，从而能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。另外，通过使用包括用于表示网络的整体状态的状态统计量的入模数据作为网络故障判别模型的输入，从而使训练得到的网络故障判别模型能够从网络整体的视角进行分析，进一步地提高网络故障分析的准确性。
实施例十
请参阅图9，图9是本发明实施例公开的另一种网络故障判别模型的训练装置的结构示意图。如图9所示，该装置可以包括：
存储有可执行程序代码的存储器901；
与存储器901耦合的处理器902；
处理器902调用存储器901中存储的可执行程序代码，用于执行实施例三中所描述的网络故障判别模型的训练方法。
实施例十一
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例三中所描述的网络故障判别模型的训练方法。
实施例十二
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例三中所描述的网络故障判别模型的训练方法。
实施例十三
请参阅图10，图10是本发明实施例公开的一种网络故障分析模型的训练装置的结构示意图。如图10所示，该网络故障分析模型的训练装置可以包括：
获取模块1001，用于获取多个训练分析周期内业务终端对应的多个训练数据集合，一个训练分析周期对应有一个训练数据集合，每个训练数据集合包括至少一种类型的训练数据，训练数据集合包括的训练数据用于确定业务终端的网络状态；
计算模块1002，用于对每个训练数据集合，计算该训练数据集合中每种类型的训练数据对应的同比特征值；
计算模块1002，还用于对每个训练数据集合，计算该训练数据集合中每种类型的训练数据对应的环比特征值；
计算模块1002，还用于对每个训练数据集合，根据该训练数据集合中每种类型的训练数据对应的同比特征值以及环比特征值计算该训练数据集合中该种类型的训练数据对应的时序特征值；
确定模块1003，用于对每个训练分析周期，确定该训练分析周期中业务终端对应的训练全局分类空间资源集合中每个训练全局分类空间资源在该训练分析周期内的状态统计量；
生成模块1004，用于对每个训练分析周期，根据该训练分析周期中每种类型的训练数据对应的时序特征值和每个训练全局分类空间资源对应的状态统计量生成该训练分析周期的入模数据；
生成模块1004，还用于根据网络故障分析人员对业务终端在每个训练分析周期内的网络故障原因的分析结果，生成每个训练分析周期的入模数据对应的样本标签；
训练模块1005，用于基于所有训练分析周期的入模数据和所有入模数据各自对应的样本标签利用反向传播算法和Adam优化算法训练预先确定出的网络故障分析模型。
对于上述网络故障分析模型的训练装置的具体描述可以参照上述网络故障分析模型的训练方法的具体描述，在此不再一一赘述。
可见，实施图10所描述的网络故障分析模型的训练装置，能够训练得到网络故障分析模型，从而能够实现网络故障的自动化分析，提高网络故障分析的效率和准确性，有利于实现电网系统的智能化。另外，通过使用包括用于表示网络的整体状态的状态统计量的入模数据作为网络故障分析模型的输入，从而使训练得到的网络故障分析模型能够从网络整体的视角进行分析，进一步地提高网络故障分析的准确性。此外，训练得到的网络故障分析模型能够进行网络故障的具体原因的分析，从而使网络故障分析方法更加智能化。
实施例十四
请参阅图11，图11是本发明实施例公开的另一种网络故障分析模型的训练装置的结构示意图。如图11所示，该装置可以包括：
存储有可执行程序代码的存储器1101；
与存储器1101耦合的处理器1102；
处理器1102调用存储器1101中存储的可执行程序代码，用于执行实施例四中所描述的网络故障分析模型的训练方法。
实施例十五
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例四中所描述的网络故障分析模型的训练方法。
实施例十六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例四中所描述的网络故障分析模型的训练方法。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。
通过以上的实施例的具体描述，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,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种网络故障分析方法及装置所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种网络故障分析方法，其特征在于，所述方法包括：
获取当前故障分析周期内业务终端对应的时序数据集合，所述时序数据集合包括至少一种类型的时序数据，所述时序数据集合包括的时序数据用于确定所述业务终端的网络状态；
计算所述时序数据集合中每种所述类型的时序数据对应的同比特征值；
计算所述时序数据集合中每种所述类型的时序数据对应的环比特征值；
根据每种所述类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值；
确定所述业务终端对应的全局分类空间资源集合中每个全局分类空间资源在所述当前故障分析周期内的状态统计量；
根据每种所述类型的时序数据对应的时序特征值和每个所述全局分类空间资源对应的状态统计量生成入模数据；
将所述入模数据输入至预先确定出的网络故障判别模型进行分析以得到所述业务终端的网络判别结果，所述网络判别结果用于表示所述业务终端的网络状态为正常状态或者所述业务终端的网络状态为故障状态。
2.根据权利要求1所述的网络故障分析方法，其特征在于，所述将所述入模数据输入至预先确定出的网络故障判别模型进行分析以得到所述业务终端的网络判别结果之后，所述方法还包括：
当所述网络判别结果用于表示所述业务终端的网络状态为故障状态时，将所述入模数据输入至预先确定出的网络故障分析模型进行分析以得到网络故障原因，所述网络故障原因包括传输网网络质量、5G核心网网络质量、运营商基站故障、运营商物联网卡异常和业务终端设备自身故障的至少一种。
3.根据权利要求1或2所述的网络故障分析方法，其特征在于，所述时序数据集合中每种所述类型的时序数据包括该种类型的当前时序数据和该种类型的同比时序数据；
以及，所述计算所述时序数据集合中每种所述类型的时序数据对应的同比特征值，包括：
根据所述时序数据集合中每种所述类型的时序数据中的当前时序数据构建该种类型的时序数据对应的当前时序数据向量，并根据所述时序数据集合中每种所述类型的时序数据中的同比时序数据构建该种类型的时序数据对应的同比时序数据向量；
判断所述时序数据集合中每种所述类型的时序数据是否是数值型数据，当判断出该类型的时序数据是所述数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的欧式距离值以作为该种类型的时序数据对应的同比特征值，当判断出该种类型的时序数据不是所述数值型数据时，判断该种类型的时序数据是否是分类型数据，当判断出该种类型的时序数据是所述分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的汉明距离值以作为该种类型的时序数据对应的同比特征值。
4.根据权利要求3所述的网络故障分析方法，其特征在于，所述时序数据集合中每种所述类型的时序数据还包括该种类型的环比时序数据；
以及，所述计算所述时序数据集合中每种所述类型的时序数据对应的环比特征值，包括：
根据所述时序数据集合中每种所述类型的时序数据中的环比时序数据构建该种类型的时序数据对应的环比时序数据向量；
判断所述时序数据集合中每种所述类型的时序数据是否是数值型数据；
当判断出该种类型的时序数据是所述数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的欧式距离值以作为该种类型的时序数据对应的环比特征值；
当判断出该种类型的时序数据不是所述数值型数据时，判断该种类型的时序数据是否是分类型数据；
当判断出该种类型的时序数据是所述分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的汉明距离值以作为该种类型的时序数据对应的环比特征值。
5.根据权利要求4所述的网络故障分析方法，其特征在于，所述根据每种所述类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值，包括：
计算每种所述类型的时序数据对应的同比特征值和环比特征值的加权和，以作为该种类型的时序数据对应的时序特征值，其中，每种所述类型的时序数据对应的同比特征值和环比特征值各自对应的权重均是根据该种类型的时序数据的周期性变化情况和业务规律预先确定出的。
6.根据权利要求5所述的网络故障分析方法，其特征在于，所述全局分类空间资源集合包括5G切片和运营商；
以及，所述确定所述业务终端对应的全局分类空间资源集合中每个全局分类空间资源在所述当前故障分析周期内的状态统计量，包括：
判断所述业务终端对应的全局分类空间资源集合中每个全局分类空间资源是否是第一资源，所述第一资源包括5G切片或运营商；
当判断出该全局分类空间资源是所述第一资源时，计算在所述当前故障分析周期内，属于该全局分类空间资源的在线的物联网卡的数量和属于该全局分类空间资源的物联网卡的总数量的比值以作为该全局分类空间资源在所述当前故障分析周期内的状态统计量。
7.根据权利要求6所述的网络故障分析方法，其特征在于，所述全局分类空间资源集合还包括运营商基站小区号和设备厂家及类型；
以及，所述方法还包括：
当判断出该全局分类空间资源不是所述第一资源时，判断该全局分类空间资源是否是第二资源，所述第二资源包括运营商基站小区号或设备厂家及类型；
当判断出该全局分类空间资源是所述第二资源时，计算在所述当前故障分析周期内，属于该全局分类空间资源的在线的业务终端的数量和属于该全局分类空间资源的业务终端的总数量的比值以作为该全局分类空间资源在所述当前故障分析周期内的状态统计量。
8.根据权利要求1-7任一项所述的网络故障分析方法，其特征在于，所述时序数据集合中的时序数据包括用于表示所述业务终端对应的5G切片中的AMF占用虚拟/物理服务器资源情况的数据、用于表示所述业务终端对应的UPF占用虚拟/物理服务器资源情况的数据、用于表示实时带宽的数据、用于表示实时网络延迟的数据、用于表示运营商的物联网卡流量的数据、用于表示物联网卡在线状态的数据、用于表示所述业务终端的设备心跳数的数据、用于表示所述业务终端的CPU占用率的数据、用于表示所述业务终端的内存使用率的数据、用于表示通信模块温度的数据、用于表示信号强弱度的数据、用于表示信号的信躁比的数据和用于表示所述业务终端的数据包的数据中的至少一种。
9.一种网络故障分析装置，其特征在于，所述装置包括：
获取模块，用于获取当前故障分析周期内业务终端对应的时序数据集合，所述时序数据集合包括至少一种类型的时序数据，所述时序数据集合包括的时序数据用于确定所述业务终端的网络状态；
计算模块，用于计算所述时序数据集合中每种所述类型的时序数据对应的同比特征值；
所述计算模块，还用于计算所述时序数据集合中每种所述类型的时序数据对应的环比特征值；
所述计算模块，还用于根据每种所述类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值；
确定模块，用于确定所述业务终端对应的全局分类空间资源集合中每个全局分类空间资源在所述当前故障分析周期内的状态统计量；
生成模块，用于根据每种所述类型的时序数据对应的时序特征值和每个所述全局分类空间资源对应的状态统计量生成入模数据；
分析模块，用于将所述入模数据输入至预先确定出的网络故障判别模型进行分析以得到所述业务终端的网络判别结果，所述网络判别结果用于表示所述业务终端的网络状态为正常状态或者所述业务终端的网络状态为故障状态。
10.一种网络故障分析装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-8任一项所述的网络故障分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010739761.4A CN111953531B (zh) | 2020-07-28 | 2020-07-28 | 网络故障分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010739761.4A CN111953531B (zh) | 2020-07-28 | 2020-07-28 | 网络故障分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111953531A CN111953531A (zh) | 2020-11-17 |
| CN111953531B true CN111953531B (zh) | 2023-03-24 |
Family
ID=73338722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010739761.4A Active CN111953531B (zh) | 2020-07-28 | 2020-07-28 | 网络故障分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111953531B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113923101B (zh) * | 2021-10-11 | 2023-12-26 | 广东省电信规划设计院有限公司 | 物联设备网络故障分析方法及装置 |
| CN115983646B (zh) * | 2023-03-20 | 2023-06-02 | 章和技术(广州)有限公司 | 一种评估变电站网络设备风险的方法及其相关设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104360208A (zh) * | 2014-12-05 | 2015-02-18 | 国家电网公司 | 用电信息采集运维系统的采集故障分析及处理方法 |
| CN110121189A (zh) * | 2018-02-05 | 2019-08-13 | 大唐移动通信设备有限公司 | 一种网络监控方法和装置 |
| CN110808864A (zh) * | 2019-11-12 | 2020-02-18 | 国家电网有限公司 | 通信预警方法、装置及系统 |
| CN110912775A (zh) * | 2019-11-26 | 2020-03-24 | 中盈优创资讯科技有限公司 | 物联网企业网络故障的监控方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11348018B2 (en) * | 2017-12-19 | 2022-05-31 | Aspen Technology, Inc. | Computer system and method for building and deploying models predicting plant asset failure |
-
2020
- 2020-07-28 CN CN202010739761.4A patent/CN111953531B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104360208A (zh) * | 2014-12-05 | 2015-02-18 | 国家电网公司 | 用电信息采集运维系统的采集故障分析及处理方法 |
| CN110121189A (zh) * | 2018-02-05 | 2019-08-13 | 大唐移动通信设备有限公司 | 一种网络监控方法和装置 |
| CN110808864A (zh) * | 2019-11-12 | 2020-02-18 | 国家电网有限公司 | 通信预警方法、装置及系统 |
| CN110912775A (zh) * | 2019-11-26 | 2020-03-24 | 中盈优创资讯科技有限公司 | 物联网企业网络故障的监控方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 《配电终端运维支持系统设计与应用研究》;徐骏，王兴念，张乐岐，蒋郁葱，胡期红;《供用电》;20180630;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111953531A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Fast cascading outage screening based on deep convolutional neural network and depth-first search | |
| CN111953531B (zh) | 网络故障分析方法及装置 | |
| CN116976682B (zh) | 一种基于模糊算法的用电信息采集系统运行状态评估方法 | |
| CN114511112B (zh) | 一种基于物联网的智慧运维方法、系统和可读存储介质 | |
| CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力系统动态分析方法 | |
| CN116910274B (zh) | 基于知识图谱和预测模型的试题生成方法及系统 | |
| CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
| CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
| CN117519951A (zh) | 基于消息中台的实时数据处理方法及系统 | |
| CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
| CN116433018A (zh) | 基于数字孪生的配电网风险态势感知方法及装置 | |
| CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
| Huang et al. | Electricity Theft Detection based on Iterative Interpolation and Fusion Convolutional Neural Network | |
| CN115589613A (zh) | 异常网络指标预警方法和装置、通信网络和存储介质 | |
| CN115174421A (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
| CN110738326B (zh) | 一种人工智能服务系统模型的选择方法和装置 | |
| CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
| Hassani et al. | Dynamic group decision support models for locating faults in power systems | |
| Zhao et al. | Research on machine learning-based correlation analysis method for power equipment alarms | |
| CN117973904B (zh) | 智能制造的产能分析方法及系统 | |
| CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 | |
| Gang et al. | Research on intelligent fault diagnosis based on time series analysis algorithm | |
| CN118469402B (zh) | 一种数字孪生辅助的故障诊断方法、系统和介质 | |
| CN118484703A (zh) | 一种基于迁移学习的电能表故障分类方法及装置 | |
| CN118584358A (zh) | 用于变电站共享直流电源系统的故障诊断方法 |
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 |