CN112668733A - 基于无监督学习的通信管理系统缺陷故障派单方法及装置 - Google Patents

Abstract

本发明公开了一种基于无监督学习的通信管理系统缺陷故障派单方法及装置，其中该方法包括：获取通信管理系统中待派单的多个告警信息；对待派单的多个告警信息进行归并处理，得到多个归并结果；使用无监督学习算法，对多个归并结果进行聚类，得到多个聚类集合；基于预先构建的故障诊断知识库，获取各个聚类集合的缺陷故障标签，故障诊断知识库中包含：多个聚类集合与多个缺陷故障标签的映射关系，每个缺陷故障标签对应一种缺陷故障；根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息。本发明能够在应对复杂传输网络故障诊断时实现检修工单的自动派发。

Description

基于无监督学习的通信管理系统缺陷故障派单方法及装置

技术领域

本发明涉及通信领域，尤其涉及一种基于无监督学习的通信管理系统缺陷故障派单方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

在信息通信管理系统的运维现场，面对庞大复杂的信息集合，如何方便快捷地获取信息和发现知识是快速完成检修任务、提高检修效率、深度引入智能化分析手段的唯一解决方法。

目前，在通信管理系统缺陷故障检修工单的自动派发功能应用中，主要依靠人工整理的告警归并规则表来运作，对于网管翻译、设备故障分析及处置建议关联等方面，缺乏智能辅助决策。这种方式在应对例如电源缺陷、动环缺陷等确定性较强的缺陷时，能够取得较为良好的效果，但是在应对复杂传输网络故障诊断(例如，阿尔卡特缺陷故障)时，仍有可提高的空间。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例中提供了一种基于无监督学习的通信管理系统缺陷故障派单方法，用以解决现有通信管理系统缺陷故障检修工单的自动派发功能应用中，依靠人工整理的告警归并规则表来运作，难以适用于复杂传输网络故障诊断的技术问题，该方法包括：获取通信管理系统中待派单的多个告警信息；对待派单的多个告警信息进行归并处理，得到多个归并结果；使用无监督学习算法，对多个归并结果进行聚类，得到多个聚类集合；基于预先构建的故障诊断知识库，获取各个聚类集合的缺陷故障标签，故障诊断知识库中包含：多个聚类集合与多个缺陷故障标签的映射关系，每个缺陷故障标签对应一种缺陷故障；根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息。

本发明实施例中还提供了一种基于无监督学习的通信管理系统缺陷故障派单装置，用以解决现有通信管理系统缺陷故障检修工单的自动派发功能应用中，依靠人工整理的告警归并规则表来运作，难以适用于复杂传输网络故障诊断的技术问题，该装置包括：告警信息采集模块，用于获取通信管理系统中待派单的多个告警信息；告警信息归并处理模块，用于对待派单的多个告警信息进行归并处理，得到多个归并结果；聚类模块，用于使用无监督学习算法，对多个归并结果进行聚类，得到多个聚类集合；故障诊断模块，用于基于预先构建的故障诊断知识库，获取各个聚类集合的缺陷故障标签，故障诊断知识库中包含：多个聚类集合与多个缺陷故障标签的映射关系，每个缺陷故障标签对应一种缺陷故障；派单模块，用于根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息。

本发明实施例中还提供了一种计算机设备，用以解决现有通信管理系统缺陷故障检修工单的自动派发功能应用中，依靠人工整理的告警归并规则表来运作，难以适用于复杂传输网络故障诊断的技术问题，该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，处理器执行计算机程序时实现上述基于无监督学习的通信管理系统缺陷故障派单方法。

本发明实施例还提供一种计算机可读存储介质，用以解决现有通信管理系统缺陷故障检修工单的自动派发功能应用中，依靠人工整理的告警归并规则表来运作，难以适用于复杂传输网络故障诊断的技术问题，该计算机可读存储介质存储有执行上述基于无监督学习的通信管理系统缺陷故障派单方法的计算机程序。

本发明实施例中，在获取到通信管理系统中待派单的多个告警信息后，对待派单的多个告警信息进行归并处理，得到多个归并结果，然后使用无监督学习算法，对多个归并结果进行聚类，得到多个聚类集合，基于预先构建的故障诊断知识库，获取各个聚类集合的缺陷故障标签，最后根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息，与现有技术中依靠人工整理的告警归并规则表实现检修工单自动派发的技术方案相比，本发明实施例中，通过构建故障诊断知识库，基于无监督学习的故障诊断技术，将通信管理系统的网管翻译与处置建议关联，能够在应对复杂传输网络故障诊断时实现检修工单的自动派发，提升了缺陷自动工作的实用性、智能性、高效性，促进通信运维工作向自动化运维和智能化运维演进。

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。在附图中：

图1为本发明实施例中提供的一种基于无监督学习的通信管理系统缺陷故障派单方法流程图；

图2为本发明实施例中提供的一种故障诊断知识库的构建过程示意图；

图3为本发明实施例中提供的一种故障诊断知识库示意图；

图4为本发明实施例中提供的一种基于无监督学习的通信管理系统缺陷故障派单装置示意图；

图5为本发明实施例中提供的一种可选的基于无监督学习的通信管理系统缺陷故障派单装置示意图。

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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

本发明实施例中提供了一种基于无监督学习的通信管理系统缺陷故障派单方法，图1为本发明实施例中提供的一种基于无监督学习的通信管理系统缺陷故障派单方法流程图，如图1所示，该方法包括如下步骤：

S101，获取通信管理系统中待派单的多个告警信息。

需要说明的是，本发明实施例中通信管理系统可以是但不限于电力领域的光传输系统，本发明实施例中获取的待派单的各个告警信息可以是但不限于阿尔卡特缺陷的告警信息。

S102，对待派单的多个告警信息进行归并处理，得到多个归并结果。

在一个实施例中，上述S102可以通过如下步骤来实现：将待派单的多个告警信息按照时间顺序排列，得到告警序列；基于滑动窗口算法的归并时间阈值，对告警序列进行归并处理，得到多个归并结果。

本发明实施例中，基于大数据分析的智能告警归并技术，通过通道、拓扑关联关系、告警间衍生关系及推理关系，分析基于滑动窗口算法的归并时间阈值；研究缺陷对象化处理机制，针对告警信息来源单一无法进行告警联合研判的现状，以告警序列表征缺陷并进行特征提取。

S103，使用无监督学习算法，对多个归并结果进行聚类，得到多个聚类集合。

需要说明的是，无监督学习算法的典型例子就是聚类，聚类的目的在于把相似的东西聚在一起，而研究者并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。聚类算法一般有五种方法，最主要的是划分方法和层次方法两种。划分聚类算法通过优化评价函数把数据集分割为K个部分，它需要K作为输入参数。典型的分割聚类算法有K-means算法、K-medoids算法、CLARANS算法。层次聚类由不同层次的分割聚类组成，层次之间的分割具有嵌套的关系。它不需要输入参数，这是它优于分割聚类算法的一个明显的优点，其缺点是终止条件必须具体指定，典型的分层聚类算法有BIRCH算法、DBSCAN算法和CURE算法等。

目前深度学习中的无监督学习主要分为两类：一类是确定型的自编码方法及其改进算法，其目标主要是能够从抽象后的数据中尽量无损地恢复原有数据；另一类是概率型的受限波尔兹曼机及其改进算法，其目标主要是使受限玻尔兹曼机达到稳定状态时原数据出现的概率最大。确定型无监督学习主要有自编码及稀疏自编码、降噪自编码等。自编码可以看作是一个特殊的3层BP神经网络，特殊性体现在需要使得自编码网络的输入输出尽可能近似，即尽可能使得编码无损(能够从编码中还原出原来的信息)。虽然稀疏自编码可以学习一个相等函数，使得可见层数据和经过编码解码后的数据尽可能相等，但是其鲁棒性仍然较差，尤其是当测试样本和训练样本概率分布相差较大时，效果较差。为了解决这个问题，可采用降噪自编码，其基本思想是，以一定概率使输入层某些节点的值为0，此时输入到可视层的数据变为

隐含层输出为y，然后由重构x的输出z，使得z和x的差值尽可能的小。概率型无监督学习的典型代表就是限制玻尔兹曼机，限制玻尔兹曼机是玻尔兹曼机的一个简化版本，可以方便地从可见层数据推算出隐含层的激活状态。

本发明实施例中，采用无监督学习算法，将网管翻译、设备故障分析及处置建议关联，以实现缺陷故障自动派单。常用的无监督学习算法主要有主成分分析方法PCA、等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法和局部切空间排列方法等。从原理上来说PCA等数据降维算法同样适用于深度学习，但是这些数据降维方法复杂度较高，并且其算法的目标太明确，使得抽象后的低维数据中没有次要信息，而这些次要信息可能在更高层看来是区分数据的主要因素。因而，深度学习中的无监督学习，需采用较为简单的算法和直观的评价标准。

S104，基于预先构建的故障诊断知识库，获取各个聚类集合的缺陷故障标签，故障诊断知识库中包含：多个聚类集合与多个缺陷故障标签的映射关系，每个缺陷故障标签对应一种缺陷故障。

图2为本发明实施例中提供的一种故障诊断知识库的构建过程示意图，如图2所示，基于告警自动归并及缺陷对象化技术研究成果，进行基于人工智能的缺陷对象相似性计算模型构建，实现合理的缺陷相似性标度并进行结果检验；研究针对缺陷对象的无监督学习技术，实现同源缺陷整合，为缺陷智能诊断定位定级提供支撑；研究基于无监督学习结果的智能缺陷定位分析及等级判断技术，实现实时告警自动归并后生成缺陷的自动判定并将判定结果送入缺陷单生成过程。图3为本发明实施例中提供的一种故障诊断知识库示意图。

S105，根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息。

需要说明的是，本发明实施例中，在将各个告警信息进行归并、聚类处理后，基于预先构建的故障诊断知识库，得到各个聚类集合的缺陷故障标签，进而，根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息，以便实现复杂告警信息的自动派单。

在一个实施例中，本发明实施例中提供的基于无监督学习的通信管理系统缺陷故障派单方法，还可以包括如下步骤：基于预先构建的设备可靠性评估模型，确定通信管理系统中各个设备的可靠性评估结果；基于预先构建的通道可靠性评估模型，确定通信管理系统中各个通道的可靠性评估结果；根据通信管理系统中各个设备的可靠性评估结果和各个通道的可靠性评估结果，确定每种缺陷故障影响业务的迂回路由信息。

本发明实施例中，综合考虑通信管理系统中各个设备的历史告警情况、检修信息、当前性能参数，建立设备可靠性评估模型；综合设备可靠性评估、当前带宽占用情况、历史业务增长情况及业务重要程度等信息，构建通道可靠性评估模型；通过研究大数据情景下电力通信通道、拓扑、资源及业务的建模技术，研究电力通信传输网的检修作业对光缆及设备承载业务的影响情况；研究基于设备及通道可靠性评估的迂回路由自动判断优选技术，分析参数可包括：线路等级要求(例如220kV以上)、光缆类型(如OPGW)、覆盖传输系统(允许多个系统综合分析)等。自动搜索受影响业务的迂回路由，能够便于辅助检修人员制定检修预案，实现通道迂回路由的自动判断和优选，提高缺陷判别的快速性和准确性，提升运维效率。

在具体实施时，还可以通过如下步骤来构建设备可靠性评估模型和通道可靠性评估模型：根据设备历史告警情况、历史检修信息、当前性能参数，构建对各个设备进行可靠性评估的设备可靠性评估模型；根据设备可靠性评估结果、当前带宽占用情况、历史业务增长情况及业务重要程度，构建对各个通道进行可靠性评估的通道可靠性评估模型。

基于同一发明构思，本发明实施例中还提供了一种无监督学习的通信管理系统缺陷故障派单装置，如下面的实施例。由于该装置解决问题的原理与无监督学习的通信管理系统缺陷故障派单方法相似，因此该装置的实施可以参见无监督学习的通信管理系统缺陷故障派单方法的实施，重复之处不再赘述。

图4为本发明实施例中提供的一种基于无监督学习的通信管理系统缺陷故障派单装置示意图，如图4所示，该装置包括：告警信息采集模块401、告警信息归并处理模块402、聚类模块403、故障诊断模块404和派单模块405。

其中，告警信息采集模块401，用于获取通信管理系统中待派单的多个告警信息；告警信息归并处理模块402，用于对待派单的多个告警信息进行归并处理，得到多个归并结果；聚类模块403，用于使用无监督学习算法，对多个归并结果进行聚类，得到多个聚类集合；故障诊断模块404，用于基于预先构建的故障诊断知识库，获取各个聚类集合的缺陷故障标签，故障诊断知识库中包含：多个聚类集合与多个缺陷故障标签的映射关系，每个缺陷故障标签对应一种缺陷故障；派单模块405，用于根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息。

在一个实施例中，本发明实施例中提供的基于无监督学习的通信管理系统缺陷故障派单装置中，告警信息归并处理模块402还可以用于：将待派单的多个告警信息按照时间顺序排列，得到告警序列；基于滑动窗口算法的归并时间阈值，对告警序列进行归并处理，得到多个归并结果。

在一个实施例中，如图5所示，本发明实施例中提供的基于无监督学习的通信管理系统缺陷故障派单装置还可以包括：设备可靠性评估模块406，用于基于预先构建的设备可靠性评估模型，确定通信管理系统中各个设备的可靠性评估结果；通道可靠性评估模块407，用于基于预先构建的通道可靠性评估模型，确定通信管理系统中各个通道的可靠性评估结果；检修方案确定模块408，用于根据通信管理系统中各个设备的可靠性评估结果和各个通道的可靠性评估结果，确定每种缺陷故障影响业务的迂回路由信息。

进一步地，如图5所示，本发明实施例中提供的基于无监督学习的通信管理系统缺陷故障派单装置还可以包括：设备可靠性评估模型构建模块409，用于根据各个设备的历史告警情况、历史检修信息、当前性能参数，构建对各个设备进行可靠性评估的设备可靠性评估模型；通道可靠性评估模型构建模块410，用于根据各个通道的设备可靠性评估结果、当前带宽占用情况、历史业务增长情况及业务重要程度，构建对各个通道进行可靠性评估的通道可靠性评估模型。

基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有通信管理系统缺陷故障检修工单的自动派发功能应用中，依靠人工整理的告警归并规则表来运作，难以适用于复杂传输网络故障诊断的技术问题，该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，处理器执行计算机程序时实现上述基于无监督学习的通信管理系统缺陷故障派单方法。

基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有通信管理系统缺陷故障检修工单的自动派发功能应用中，依靠人工整理的告警归并规则表来运作，难以适用于复杂传输网络故障诊断的技术问题，该计算机可读存储介质存储有执行上述基于无监督学习的通信管理系统缺陷故障派单方法的计算机程序。

综上所述，本发明实施例中提供了一种基于无监督学习的通信管理系统缺陷故障派单方法、装置、计算机设备及计算机可读存储介质，在获取到通信管理系统中待派单的多个告警信息后，对待派单的多个告警信息进行归并处理，得到多个归并结果，然后使用无监督学习算法，对多个归并结果进行聚类，得到多个聚类集合，基于预先构建的故障诊断知识库，获取各个聚类集合的缺陷故障标签，最后根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息，与现有技术中依靠人工整理的告警归并规则表实现检修工单自动派发的技术方案相比，本发明实施例中，通过构建故障诊断知识库，基于无监督学习的故障诊断技术，将通信管理系统的网管翻译与处置建议关联，能够在应对复杂传输网络故障诊断时实现检修工单的自动派发，提升了缺陷自动工作的实用性、智能性、高效性，促进通信运维工作向自动化运维和智能化运维演进。

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。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于无监督学习的通信管理系统缺陷故障派单方法，其特征在于，包括：

获取通信管理系统中待派单的多个告警信息；

对待派单的多个告警信息进行归并处理，得到多个归并结果；

使用无监督学习算法，对所述多个归并结果进行聚类，得到多个聚类集合；

基于预先构建的故障诊断知识库，获取各个聚类集合的缺陷故障标签，所述故障诊断知识库中包含：多个聚类集合与多个缺陷故障标签的映射关系，每个缺陷故障标签对应一种缺陷故障；

根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息。

2.如权利要求1所述的方法，其特征在于，对待派单的多个告警信息进行归并处理，得到多个归并结果，包括：

将待派单的多个告警信息按照时间顺序排列，得到告警序列；

基于滑动窗口算法的归并时间阈值，对所述告警序列进行归并处理，得到多个归并结果。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

基于预先构建的设备可靠性评估模型，确定所述通信管理系统中各个设备的可靠性评估结果；

基于预先构建的通道可靠性评估模型，确定所述通信管理系统中各个通道的可靠性评估结果；

根据所述通信管理系统中各个设备的可靠性评估结果和各个通道的可靠性评估结果，确定每种缺陷故障影响业务的迂回路由信息。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

根据设备历史告警情况、历史检修信息、当前性能参数，构建对各个设备进行可靠性评估的设备可靠性评估模型；

根据设备可靠性评估结果、当前带宽占用情况、历史业务增长情况及业务重要程度，构建对各个通道进行可靠性评估的通道可靠性评估模型。

5.一种基于无监督学习的通信管理系统缺陷故障派单装置，其特征在于，包括：

告警信息采集模块，用于获取通信管理系统中待派单的多个告警信息；

告警信息归并处理模块，用于对待派单的多个告警信息进行归并处理，得到多个归并结果；

聚类模块，用于使用无监督学习算法，对所述多个归并结果进行聚类，得到多个聚类集合；

故障诊断模块，用于基于预先构建的故障诊断知识库，获取各个聚类集合的缺陷故障标签，所述故障诊断知识库中包含：多个聚类集合与多个缺陷故障标签的映射关系，每个缺陷故障标签对应一种缺陷故障；

派单模块，用于根据各个聚类集合的缺陷故障标签，生成相应缺陷故障的检修工单信息。

6.如权利要求5所述的装置，其特征在于，所述告警信息归并处理模块还用于：

将待派单的多个告警信息按照时间顺序排列，得到告警序列；

基于滑动窗口算法的归并时间阈值，对所述告警序列进行归并处理，得到多个归并结果。

7.如权利要求5所述的装置，其特征在于，所述装置还包括：

设备可靠性评估模块，用于基于预先构建的设备可靠性评估模型，确定所述通信管理系统中各个设备的可靠性评估结果；

通道可靠性评估模块，用于基于预先构建的通道可靠性评估模型，确定所述通信管理系统中各个通道的可靠性评估结果；

检修方案确定模块，用于根据所述通信管理系统中各个设备的可靠性评估结果和各个通道的可靠性评估结果，确定每种缺陷故障影响业务的迂回路由信息。

8.如权利要求7所述的装置，其特征在于，所述装置还包括：

设备可靠性评估模型构建模块，用于根据各个设备的历史告警情况、历史检修信息、当前性能参数，构建对各个设备进行可靠性评估的设备可靠性评估模型；

通道可靠性评估模型构建模块，用于根据各个通道的设备可靠性评估结果、当前带宽占用情况、历史业务增长情况及业务重要程度，构建对各个通道进行可靠性评估的通道可靠性评估模型。

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任一项所述基于无监督学习的通信管理系统缺陷故障派单方法。

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权利要求1至4任一项所述基于无监督学习的通信管理系统缺陷故障派单方法的计算机程序。

Images