CN113162787B - 电信网络中故障定位的方法、节点分类方法以及相关设备 - Google Patents
电信网络中故障定位的方法、节点分类方法以及相关设备 Download PDFInfo
- Publication number
- CN113162787B CN113162787B CN202010077076.XA CN202010077076A CN113162787B CN 113162787 B CN113162787 B CN 113162787B CN 202010077076 A CN202010077076 A CN 202010077076A CN 113162787 B CN113162787 B CN 113162787B
- Authority
- CN
- China
- Prior art keywords
- node
- network
- nodes
- graph structure
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 185
- 238000000605 extraction Methods 0.000 claims abstract description 181
- 238000000547 structure data Methods 0.000 claims abstract description 121
- 238000012549 training Methods 0.000 claims description 224
- 230000006870 function Effects 0.000 claims description 76
- 238000013527 convolutional neural network Methods 0.000 claims description 69
- 239000013598 vector Substances 0.000 claims description 59
- 230000015654 memory Effects 0.000 claims description 57
- 238000011176 pooling Methods 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 230000004807 localization Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 92
- 230000008569 process Effects 0.000 description 49
- 238000010586 diagram Methods 0.000 description 23
- 238000005096 rolling process Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- MHABMANUFPZXEB-UHFFFAOYSA-N O-demethyl-aloesaponarin I Natural products O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=C(O)C(C(O)=O)=C2C MHABMANUFPZXEB-UHFFFAOYSA-N 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 235000002020 sage Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- H04L41/0677—Localisation of faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- H04L41/12—Discovery or management of network topologies
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例公开一种电信网络中故障定位的方法,该方法将人工智能技术应用在的网络设备管理领域中,该方法可以包括:根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据;将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,第一节点的非局部特征用于反映与第一节点的局部特征间的相似度符合预设条件的第二节点的特征;将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果用于指示电信网络中对应的网元为根源故障网元的概率;在单个节点的表征中,融入相似的节点的特征,提高了节点分类的准确性。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种电信网络中故障定位的方法、节点分类方法以及相关设备。
背景技术
电信网络是信息流通最重要的基础设施,其规模庞大、结构复杂且设备众多,是信息化社会最直接的参与者与支撑者。随着电信网络规模和复杂度的与日俱增,电信网络中故障设备的定位问题成为了重要的课题之一。
目前的主要解决方案是,工程师结合电信网络的网络拓扑信息以及设备的各种指标的元素值或系统日志等,对电信网络进行诊断以确定电信网络中各设备的运行状态,从而对故障设备进行定位。
随着电信网络规模不断扩大,结构越来越复杂,导致目前这种解决方案对工程师有极高的经验要求,且完全依赖人工经验进行故障设备定位,执行效率低。
发明内容
本申请实施例提供了一种电信网络中故障定位的方法、节点分类方法以及相关设备,用于通过图卷积神经网络对与电信网络对应的图结构中的节点进行分类,工程师可以结合图卷积神经网络输出的分类结果对电信网络中的根源故障节点进行定位,提高了根源故障设备定位过程的效率,在单个节点的表征中,融入了与第一节点相似的节点的特征,有利于提高节点的特征表达能力,从而有利于提高节点分类的准确性。
为解决上述技术问题,本申请实施例提供以下技术方案:
第一方面,本申请实施例提供一种节点分类方法,可用于人工智能领域的网络设备管理领域中。执行设备获取电信网络的网络拓扑信息和与电信网络中网元对应的网元数据,网元数据用于描述电信网络中的网元的运行状态。执行设备根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元,图结构中的节点与电信网络中的网元具有一一对应关系,边数据用于指示电信网络中网元与网元之间的连接关系,节点数据具体可以表现为属性向量,边数据具体可以表现为邻接矩阵。执行设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;其中,节点的局部特征中包括第一节点的局部特征,第一节点为图结构中任一节点,也即图结构中节点的局部特征包括图结构中每个节点的局部特征,第一节点的局部特征用于反映第一节点和图结构中与第一节点连接的第四节点的特征,该连接指的是通过边直接连接,图结构中节点的局部特征为局部特征提取网络采用空域或谱域的方式生成的。执行设备将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征;其中,图结构中节点的非局部特征中包括第一节点的非局部特征,也即图结构中节点的非局部特征中包括图结构中每个节点的非局部特征,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件。执行设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中每个节点为目标类别的概率,图结构中每个节点为目标类别的概率用于指示电信网络中对应的网元为根源故障网元的概率。其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
本实现方式中,通过上述方式,工程师可以结合图卷积神经网络输出的分类结果对电信网络中的根源故障节点进行定位,提高了根源故障设备定位过程的效率;且整个根源故障设备定位过程不再完全依赖于工程师的经验,从而降低了对工程师个人经验的要求,降低了根源故障设备定位过程的难度;由于在实际的电信网络中存在大量的网元对,也即电信网络中存在功能极其相似的网元,但功能极其相似的网元却不一定会直接连接,在单个节点的表征中,融入与第一节点的非局部特征,也即融入了与第一节点相似的节点的特征,有利于提高节点的特征表达能力,从而有利于提高节点分类的准确性。
在第一方面的一种可能实现方式中,执行设备将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,可以包括:执行设备基于图结构中节点的局部特征,计算第一节点与第三节点的局部特征间的相似度,其中,第三节点为图结构中除第一节点之外的节点。具体的,执行设备基于图结构中节点的局部特征计算第一节点的局部特征与第三节点中的任一节点的局部特征之间的余弦相似度、欧式距离或马氏距离,进而根据前述余弦相似度、欧式距离或马氏距离生成第一节点与第三节点中任一节点之间的相似度;其中,第一节点的局部特征和其他节点的局部特征之间的余弦相似度的数值越大,两者之间的相似度的数值越大;第一节点的局部特征和其他节点的局部特征之间的欧式距离的数值越小,两者之间的距离越近,两者之间的相似度越大;第一节点的局部特征和其他节点的局部特征之间的马氏距离的数值越小,两者之间的距离越近,两者之间的相似度越大。执行设备根据第一节点与第三节点的局部特征间的相似度,从第三节点中选取与第一节点的局部特征间相似度满足预设条件的至少一个节点,并将前述至少一个节点作为第二节点。执行设备根据第二节点的局部特征,得到第一节点的非局部特征。本实现方式中,逐个计算第一节点与图结构中除第一节点之外的其他节点的局部特征间的相似度,进而基于第一节点与每个节点之间的相似度执行第二节点选取操作,根据第二节点的局部特征生成第一节点的非局部特征,通过前述方式,使得整个非局部特征生成过程为可微分的,有利于提高非局部特征网络在迭代训练过程的效率。
在第一方面的一种可能实现方式中,执行设备根据第一节点与第三节点的局部特征间的相似度,从第三节点中选取第二节点,可以包括:执行设备根据第一节点与第三节点的局部特征间的相似度,从第三节点中选取与第一节点的局部特征间相似度最高的至少一个节点作为第二节点。其中,第二节点包括预设个数的节点,前述预设个数的取值可以为3、4、5或6其中,执行设备可以通过一次选取操作获取到第二节点中包括的所有节点,也可以执行多次选取操作,每次选取操作中选取第二节点中的一个节点,也即整个选取操作过程是可微分的。本实现方式中,由于局部特征可以较为准确的反映出节点的特性,基于局部特征的维度进行相似度最高的节点的选取操作,有利于提高选取过程的精确度,进而有利于进一步提高第一节点的特征表达,从而提高最后得到的分类结果的准确度。
在第一方面的一种可能实现方式中,执行设备根据第一节点与第三节点的局部特征间的相似度,从第三节点中选取第二节点,可以包括:执行设备中的非局部特征提取网络可以逐个判断第三节点中每个节点与第一节点的局部特征间的相似度是否大于或等于预设阈值,以从第三节点中选取与第一节点的局部特征间相似度大于或等于预设阈值的至少一个节点作为第二节点;前述预设阈值的取值可以为85%、88%、90%、92%、95%或98%。本实现方式中,提供了与第一节点的局部特征间的相似度符合预设条件的另一种实现方式,增加了本方案的实现灵活性。
在第一方面的一种可能实现方式中,第二节点中每个节点的局部特征包括至少一个维度的元素值,执行设备根据第二节点的局部特征,得到第一节点的非局部特征,可以包括:执行设备从第二节点中每个节点的局部特征中获取与目标维度对应的元素值,以从第二节点包括的所有节点中得到与目标维度对应的至少一个元素值,目标维度为每个节点的局部特征包括的至少一个维度中的任一维度,对与目标维度对应的至少一个元素值进行池化,以生成一个目标元素值,执行设备重复执行前述操作,以生成与局部特征包括的所有维度对应的目标元素值,得到第一节点的非局部特征。其中,前述池化可以最大池化或平均池化,最大池化指的是从与目标维度对应的至少一个元素值中选取最大的元素值,并将其确定为目标元素值,平均池化指的是获取与目标维度对应的至少一个元素值的平均值,并将其确定为目标元素值,第一节点的非局部特征中包括至少一个目标元素值。本实现方式中,通过前述方式,针对于第一节点相似度最高的至少一个第二节点包括的所有节点,逐个获取每个维度上的突出特征或者综合特征,也即逐维度执行池化操作,保证了生成的非局部特征反映了至少一个第二节点中所有节点的特征,且操作方案简单,易实现。
在第一方面的一种可能实现方式中,执行设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征,包括:执行设备基于边数据,从第三节点中选取与第一节点连接的节点作为第四节点,第三节点为图结构中除第一节点之外的节点;执行设备根据第一节点的节点数据和第四节点的节点数据,采用空域的方式得到第一节点的局部特征。其中,第一节点的节点数据和第四节点的节点数据包含于节点数据中,采用空域的方式也可以称为采用节点域的方式。本实现方式中,在图卷积神经网络处理的为与电信网络对应的图结构数据的情况下,采用空域的方式生成第一节点的局部特征,可以提高图卷积神经网络对电信网络的泛化能力,也即在被分类的电信网络中增加或减少网元的情况下,被分类的电信网络的网络结构会发生变动,而图卷积神经网络是根据变动前的电信网络结构训练的,采用空域的方式生成第一节点的局部特征,则不需要对图卷积网络进行重新训练,提高了对电信网络的根源故障网元定位过程的效率。
在第一方面的一种可能实现方式中,网元数据中包括与网元的属性对应的属性值,不同网元的属性种类相同或不同,节点数据包括图结构中节点的属性向量,边数据为邻接矩阵。则执行设备根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,可以包括:执行设备根据网元数据,获取与电信网络中所有网元对应的属性集合,并将属性集合作为图结构中节点的属性向量的属性种类,其中,属性集合包括电信网络中网元的所有属性种类。执行设备从属性集合中获取与目标网元的网元数据对应的第一属性,并根据目标网元的网元数据生成第一节点的属性向量中与第一属性对应的元素值,其中,目标网元与第一节点对应,也即目标网元为电信网络的多个网元中的任一网元,第一属性为目标网元的网元数据中存在的属性。在属性集合中包括除第一属性之外的第二属性的情况下,执行设备将第一节点的属性向量中与第二属性对应的元素值确定为预设值,其中,第二属性为属性集合中存在且目标网元的网元数据中不存在的属性,预设值的取值可以为0,与第一属性对应的元素值和与第二属性对应的元素值组成第一节点的属性向量的元素值,第一节点的属性向量的元素值是具有物理含义的。执行设备重复执行前述操作,以生成图结构中所有节点的属性向量。执行设备根据网络拓扑信息,生成邻接矩阵。本实现方式中,由于属性向量中包括的每个元素值都有其对应的物理含义,则工程师在对根源故障节点进行定位之后,可以根据根源故障节点的属性向量中的元素值,对根源故障节点的故障原因有一个初步的定位,从而有利于提高故障根源网元的故障原因的定位效率。
在第一方面的一种可能实现方式中,执行设备根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,包括:执行设备将网元数据输入自编码器,得到自编码器输出的节点数据,并根据网络拓扑信息,生成边数据,其中,网元数据为电信网络中网元的日志或者电信网络中网元的关键绩效指标,第一节点的节点数据中包括至少一种维度的元素值,前述元素值不具有物理含义。本实现方式中,通过自编码器自动生成节点的节点数据,方便快捷,易于操作。
在第一方面的一种可能实现方式中,分类结果包括图结构中节点的类别,前述类别包括非根源故障节点和根源故障节点,或者,前述类别包括非根源故障节点、模拟硬件故障节点、模拟配置故障节点和模拟协议层故障节点。或者,分类结果包括图结构中的节点为非根源故障节点的概率值和图结构中的节点为根源故障节点的概率值;或者,分类结果包括图结构中的节点为非根源故障节点的概率值、图结构中的节点为模拟硬件故障节点的概率值、图结构中的节点为模拟配置故障节点的概率值和图结构中的节点为模拟协议层故障节点的概率值。本实现方式中,提供了分类结果的各种具体展现形式,提高了本方案的实现灵活性。
第二方面,本申请实施例提供一种电信网络中故障定位的方法,可用于人工智能领域的网络节点分类领域中。执行设备获取电信网络的网络拓扑信息和与电信网络中网元端口对应的网元端口数据,网元端口数据用于描述电信网络中的网元端口的运行状态。执行设备根据网络拓扑信息和网元端口数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元端口,边数据用于指示电信网络中网元端口与网元端口之间的连接关系。执行设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;执行设备将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第一节点的非局部特征,第一节点为图结构中任一节点,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件。执行设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中节点为目标类别的概率,图结构中节点为目标类别的概率用于指示电信网络中对应的网元端口为根源故障网元端口的概率。其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
本申请第二方面中,执行设备还可以用于执行第一方面的各个可能实现方式中执行设备执行的步骤,对于执行设备执行第二方面以及第二方面的各种实现方式的具体实现步骤和每种实现方式带来的有益效果,可以参考第一方面以及第一方面中各种可能的实现方式中的描述,此处不再一一赘述。
第三方面,本申请实施例提供一种节点分类方法,可用于人工智能领域的网络节点分类领域中。执行设备获取待处理网络的网络拓扑信息和与待处理网络中节点对应的节点数据,节点数据用于描述待处理网络中的节点的运行状态。执行设备根据网络拓扑信息和节点数据,生成与待处理网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与待处理网络对应的图结构中节点的数据,图结构中的节点对应待处理网络中的节点,边数据用于指示待处理网络中节点与节点之间的连接关系。执行设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;执行设备将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第一节点的非局部特征,第一节点为图结构中任一节点,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件。执行设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中节点为目标类别的概率,图结构中节点为目标类别的概率用于指示待处理网络中对应的节点为根源故障节点的概率。其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
在第三方面的一种可能实现方式中,待处理网络为电信网络、社交网络、电子交易网络或交通网络。
本申请第三方面中,执行设备还可以用于执行第一方面的各个可能实现方式中执行设备执行的步骤,对于执行设备执行第三方面以及第三方面的各种实现方式的具体实现步骤和每种实现方式带来的有益效果,可以参考第一方面以及第一方面中各种可能的实现方式中的描述,此处不再一一赘述。
第四方面,本申请实施例提供一种电信网络中故障定位的方法,可用于人工智能领域的网络节点分类领域中。训练设备获取电信网络的网络拓扑信息和与电信网络中网元对应的网元数据,网元数据用于描述电信网络中的网元的运行状态。训练设备根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元,边数据用于指示电信网络中网元与网元之间的连接关系。训练设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。训练设备将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第五节点的非局部特征,第五节点为图结构中任一节点,第五节点的非局部特征用于反映第六节点的特征,第六节点与第五节点的局部特征间的相似度符合预设条件。训练设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到第五节点的分类结果,第五节点的分类结果包括第五节点为目标类别的概率,第五节点为目标类别的概率用于指示与第五节点对应的网元为根源故障网元的概率。训练设备根据第五节点的分类结果,利用损失函数对目标图卷积神经网络进行迭代训练,直至满足收敛条件,输出执行过迭代训练操作的目标图卷积神经网络,目标图卷积神经网络包括局部特征提取网络、非局部特征提取网络和分类器。
在第四方面的一种可能实现方式中,损失函数为交叉熵损失函数、负对数似然损失函数或指数损失函数。
本申请第四方面中,训练设备还可以用于执行第一方面的各个可能实现方式中执行设备执行的步骤,对于训练设备执行第四方面以及第四方面的各种实现方式的具体实现步骤和每种实现方式带来的有益效果,可以参考第一方面以及第一方面中各种可能的实现方式中的描述,此处不再一一赘述。
第五方面,本申请实施例提供了一种电信网络中故障定位的装置,可用于人工智能领域的节点分类领域中。电信网络中故障定位的装置包括:获取模块、生成模块、局部特征提取模块、非局部特征提取模块和分类模块。获取模块,用于获取电信网络的网络拓扑信息和与电信网络中网元对应的网元数据,网元数据用于描述电信网络中的网元的运行状态。生成模块,用于根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元,边数据用于指示电信网络中网元与网元之间的连接关系。局部特征提取模块,用于将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。非局部特征提取模块,用于将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第一节点的非局部特征,第一节点为图结构中任一节点,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件。分类模块,用于将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中节点为目标类别的概率,图结构中节点为目标类别的概率用于指示电信网络中对应的网元为根源故障网元的概率。其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
本申请第五方面中,电信网络中故障定位的装置的组成模块还可以用于执行第一方面的各个可能实现方式中执行设备执行的步骤,对于本申请第五方面提供的电信网络中故障定位的装置的组成模块执行第五方面以及第五方面的各种可能实现方式的具体实现步骤,均可以参考第一方面以及第一方面中各种可能的实现方式中的描述,此处不再一一赘述。
第六方面,本申请实施例提供了一种电信网络中故障定位的装置,可用于人工智能领域的节点分类领域中,电信网络中故障定位的装置包括:获取模块、生成模块、局部特征提取模块、非局部特征提取模块和分类模块。获取模块,用于获取电信网络的网络拓扑信息和与电信网络中网元端口对应的网元端口数据,网元端口数据用于描述电信网络中的网元端口的运行状态。生成模块,用于根据网络拓扑信息和网元端口数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元端口,边数据用于指示电信网络中网元端口与网元端口之间的连接关系。局部特征提取模块,用于将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。非局部特征提取模块,用于将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第一节点的非局部特征,第一节点为图结构中任一节点,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件。分类模块,用于将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中节点为目标类别的概率,图结构中节点为目标类别的概率用于指示电信网络中对应的网元端口为根源故障网元端口的概率。其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
本申请第六方面中,电信网络中故障定位的装置的组成模块还可以用于执行第二方面的各个可能实现方式中执行设备执行的步骤,对于本申请第六方面提供的电信网络中故障定位的装置的组成模块执行第六方面以及第六方面的各种可能实现方式的具体实现步骤,均可以参考第二方面以及第二方面中各种可能的实现方式中的描述,此处不再一一赘述。
第七方面,本申请实施例提供了一种节点分类装置,可用于人工智能领域的节点分类领域中。待处理网络中故障定位的装置包括:获取模块、生成模块、局部特征提取模块、非局部特征提取模块和分类模块。获取模块,用于获取待处理网络的网络拓扑信息和与待处理网络中节点对应的节点数据,节点数据用于描述待处理网络中的节点的运行状态。生成模块,用于根据网络拓扑信息和节点数据,生成与待处理网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与待处理网络对应的图结构中节点的数据,图结构中的节点对应待处理网络中的节点,边数据用于指示待处理网络中节点与节点之间的连接关系。局部特征提取模块,用于将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。非局部特征提取模块,用于将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第一节点的非局部特征,第一节点为图结构中任一节点,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件。分类模块,用于将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中节点为目标类别的概率,图结构中节点为目标类别的概率用于指示待处理网络中对应的节点为根源故障节点的概率。其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
本申请第七方面中,电信网络中故障定位的装置的组成模块还可以用于执行第三方面的各个可能实现方式中执行设备执行的步骤,对于本申请第七方面提供的电信网络中故障定位的装置的组成模块执行第七方面以及第七方面的各种可能实现方式的具体实现步骤,均可以参考第三方面以及第三方面中各种可能的实现方式中的描述,此处不再一一赘述。
第八方面,本申请实施例提供了一种电信网络中故障定位的装置,可用于人工智能领域的节点分类领域中。电信网络中故障定位的装置包括:获取模块、生成模块、局部特征提取模块、非局部特征提取模块、分类模块和训练模块。获取模块,用于获取电信网络的网络拓扑信息和与电信网络中网元对应的网元数据,网元数据用于描述电信网络中的网元的运行状态。生成模块,用于根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元,边数据用于指示电信网络中网元与网元之间的连接关系。局部特征提取模块,用于将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。非局部特征提取模块,用于将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第五节点的非局部特征,第五节点为图结构中任一节点,第五节点的非局部特征用于反映第六节点的特征,第六节点与第五节点的局部特征间的相似度符合预设条件。分类模块,用于将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到第五节点的分类结果,第五节点的分类结果包括第五节点为目标类别的概率,第五节点为目标类别的概率用于指示与第五节点对应的网元为根源故障网元的概率。训练模块,用于根据第五节点的分类结果,利用损失函数对目标图卷积神经网络进行迭代训练,直至满足收敛条件,输出执行过迭代训练操作的目标图卷积神经网络,目标图卷积神经网络包括局部特征提取网络、非局部特征提取网络和分类器。
本申请第八方面中,电信网络中故障定位的装置的组成模块还可以用于执行第四方面的各个可能实现方式中执行设备执行的步骤,对于本申请第八方面提供的电信网络中故障定位的装置的组成模块执行第八方面以及第八方面的各种可能实现方式的具体实现步骤,均可以参考第四方面以及第四方面中各种可能的实现方式中的描述,此处不再一一赘述。
第九方面,本申请实施例提供了一种执行设备,包括处理器,处理器与存储器耦合;存储器,用于存储程序;处理器,用于执行存储器中的程序,使得执行设备执行第一方面至第三方面的各个可能实现方式中执行设备执行的步骤。
第十方面,本申请实施例提供了一种训练设备,包括处理器,处理器与存储器耦合;存储器,用于存储程序;处理器,用于执行存储器中的程序,使得训练设备执行第四方面的各个可能实现方式中训练设备执行的步骤。
第十一方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面、第二方面、第三方面或第四方面的方法。
第十二方面,本申请实施例提供了一种电路系统,电路系统包括处理电路,处理电路配置为执行上述第一方面、第二方面、第三方面或第四方面的方法。
第十三方面,本申请实施例提供了一种计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面、第二方面、第三方面或第四方面的方法。
第十四方面,本申请提供了一种芯片系统,该芯片系统包括处理器,用于支持执行设备或训练设备实现上述方面中所涉及的功能,例如,发送或处理上述方法中所涉及的数据和/或信息。在一种可能的设计中,芯片系统还包括存储器,存储器,用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
附图说明
图1为本申请实施例提供的人工智能主体框架的一种结构示意图;
图2为本申请实施例提供的节点分类系统的一种系统架构图;
图3为本申请实施例提供的节点分类方法的一种流程示意图;
图4为本申请实施例提供的节点分类方法中电线网络的网络拓扑信息的一种示意图;
图5为本申请实施例提供的节点分类方法中图结构的一种示意图;
图6为本申请实施例提供的节点分类方法中生成非局部特征的一个示意图;
图7为本申请实施例提供的节点分类方法中图结构的一种示意图;
图8为本申请实施例提供的节点分类方法的另一种流程示意图;
图9为本申请实施例提供的节点分类方法的又一种流程示意图;
图10为本申请实施例提供的节点分类方法的再一种流程示意图;
图11为本申请实施例提供的节点分类方法的又一种流程示意图;
图12为本申请实施例提供的节点分类方法的再一种流程示意图;
图13为本申请实施例提供的节点分类方法的又一种流程示意图;
图14为本申请实施例提供的节点分类装置的一种流程示意图;
图15为本申请实施例提供的节点分类装置的另一种流程示意图;
图16为本申请实施例提供的执行设备的一种流程示意图;
图17为本申请实施例提供的训练设备的一种流程示意图;
图18为本申请实施例提供的芯片的一种结构示意图。
具体实施方式
本申请实施例提供了一种电信网络中故障定位的方法、节点分类方法以及相关设备,用于通过图卷积神经网络对与电信网络对应的图结构中的节点进行分类,工程师可以结合图卷积神经网络输出的分类结果对电信网络中的根源故障节点进行定位,提高了根源故障设备定位过程的效率,在单个节点的表征中,融入了与第一节点相似的节点的特征,有利于提高节点的特征表达能力,从而有利于提高节点分类的准确性。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
首先对人工智能系统总体工作流程进行描述,请参见图1,图1示出的为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本、图结构,还涉及到传统设备的物联网数据,包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用系统,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别,网络结构中节点的分类等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能制造、智能交通、智能家居、智能医疗、智能安防、自动驾驶、平安城市、网络安全、大数据分析等。
本申请实施例可以应用于人工智能领域的网络节点分类领域中,具体的,结合图1来讲,本申请实施例中基础设施获取的数据是与待处理网络对应的图结构,进而利用图卷积神经网络(graph convolutional network,GCN)对所述图结构中的节点进行分类。由于智能交通、网络设备管理或大数据分析等领域中都可以用到本申请实施例中的节点分类方法,下面将对多个落地到产品的多个应用场景进行介绍。
作为一示例,例如本申请实施例可以应用于网络安全领域中,获取与电信网络对应的图结构,电信网络中的网元或者网元中的端口可以对应于图结构中的节点,网元之间或网元端口之间的连接关系对应于图结构中的节点之间连接的边,利用图卷积神经网络对图结构中的节点进行分类,得到的分类结果可以用于指示对根源故障网元或者对根据故障端口进行定位,有利于提高故障网元的定位速率,进而提高网络安全度;进一步地,前述网元之间的连接关系包括物理连接和逻辑连接,物理连接指的是开放式系统互联(opensystem interconnect,OSI)模型中2层及以下的连接,网元间通过实体连线连接,例如光纤、双绞线、铜线、微波等等,逻辑连接指的是OSI模型中3层及以上的连接,设备间有直接的数据交互但是不一定存在直连的实体连线,例如点对点发送消息等。
作为另一种示例,例如本申请实施例可以应用于智能交通领域中,获取与交通网络对应的图结构。其中,交通路口对应于图结构中的节点,本申请实施例中图结构中的节点也可以称为图结构中的顶点,交通道路对应于图结构中的节点之间连接的边(也即由交通道路组成的节点之间的连接关系对应于图结构的边),利用图卷积神经网络对图结构中的节点进行分类,得到的分类结果可以用于指示交通路口的拥挤程度或出现交通故障的概率等分类信息,以协助优化交通网络。
作为另一示例,例如本申请实施例可以应用于大数据分析领域中,进一步地,例如待处理网络为社交网络时,社交网络中的用户端节点和服务器节点可以对应于图结构中的节点,用户端节点之间的通信关系,以及用户端节点与服务器节点之间的通信关系对应于图结构中节点之间的连接的边,利用图卷积神经网络对图结构中的节点进行分类,得到的分类结果可以用于指示使用用户端的兴趣爱好等。需要说明的是,以上举例仅为方便理解本申请实施例的应用场景,不对本申请实施例的应用场景进行穷举。
结合上述应用场景的描述,请参阅图2,图2为本申请实施例提供的节点分类系统的一种系统架构图,在图2中,节点分类系统200包括执行设备210、训练设备220、数据库230、客户设备240和数据存储系统250,执行设备210中包括计算模块211。
其中,数据库230中存储有训练数据集合,训练数据集合中包括至少一个目标网络的网络拓扑信息和与每个目标网络中节点对应的节点数据,训练设备220生成用于对与目标网络对应的图结构中节点进行分类的目标模型/规则201,并利用数据库中的训练数据集合对目标模型/规则201进行迭代训练,得到成熟的目标模型/规则201。本申请实施例中以目标模型/规则201为图卷积神经网络为例进行说明。
训练设备220得到的图卷积神经网络可以应用不同的系统或设备中,例如手机、平板、笔记本电脑、台式电脑、监控系统等等。其中,执行设备210可以调用数据存储系统250中的数据、代码等,也可以将数据、指令等存入数据存储系统250中。数据存储系统250可以置于执行设备210中,也可以为数据存储系统250相对执行设备210是外部存储器。
客户设备240在接收到待处理网络的拓扑信息和与待处理网络中节点对应的节点数据之后,计算模块211可以生成与待处理网络对应的图结构,并通过图卷积神经网络对生成的图结构中的每个节点进行分类操作,使得客户设备240可以输出分类结果。
本申请的一些实施例中,请参阅图2,执行设备210和客户设备240可以为分别独立的设备,执行设备210配置有I/O接口212,与客户设备240进行数据交互,“用户”可以通过客户设备240向I/O接口212输入待处理网络的拓扑信息和与待处理网络中节点对应的节点数据,执行设备210通过I/O接口212将分类结果返回给客户设备240,提供给用户,执行设备210可以具体表现为本地设备,也可以为远端设备。作为示例,例如客户设备240为电信网络中用于进行根源故障网元定位的设备,客户设备240将接收到的电信网络的网络拓扑信息和与电信网络中网元对应的网元数据发送给执行设备210,执行设备210生成与电信网络对应的图结构后,对图结构中的每个节点进行分类,得到分类结果,分类结果用于指示图结构包括的节点中的根源故障节点。
值得注意的,图2仅是本发明实施例提供的两种节点分类系统的架构示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制。例如,在本申请的另一些实施例中,执行设备210可以配置于客户设备240中,作为示例,例如执行设备210可以为手机、平板或台式电脑的主处理器(Host CPU)中用于进行图结构中节点分类的模块,执行设备210也可以为手机、平板或台式电脑中的神经网络处理器(NPU),NPU作为协处理器挂载到主处理器上,由主处理器分配任务。再例如,在本申请的另一些实施例中,执行设备210可以配置于训练设备220中,则数据存储系统250和数据库230可以集成于同一存储设备中,训练设备220在生成成熟的图卷积神经网络之后,将成熟的图卷积神经网络存储于数据存储系统250中,从而计算模块211可以直接调用成熟的图卷积神经网络对图结构中的节点进行分类。
由于上述应用场景及网络架构的描述中提及,本申请实施例中采用图卷积神经网络对图结构中的节点进行分类,以下先解释一下图卷积神经网络的概念。图卷积神经网络的处理对象是图论中图(graph),前述图是由若干个节点(也可以称为“顶点”)连接构成的,图卷积神经网络的目的是提取图结构中节点的特征,进而进行节点的分类。本申请实施例中采用的图卷积神经网络是在目前存在的图卷积神经网络的基础上增加了非局部特征提取模块。以下在对本申请实施例提供的节点分类方法进行描述的过程中,将会对本申请实施例中的图卷积神经网络做进一步的介绍。
结合上述描述,下面首先结合本申请实施例应用于电信网络的根源故障网元定位这一应用场景,对本申请实施例提供的节点分类方法的具体实现流程进行描述。由于图结构中的一个节点可以代表电信网络中的一个网元,也可以图结构中的一个节点可以代表电信网络中的一个网元端口,而这两种情况的具体描述有所不同,以下将前述两种情况拆开描述。
一、图结构中的一个节点代表电信网络中的一个网元
本申请实施例中,在本申请实施例应用于电信网络的根源故障网元定位,且图结构的一个节点代表电信网络中的一个网元这一应用场景时,具体实现方式可以拆分为训练阶段和应用阶段,以下分别对本申请实施例提供的节点分类方法的训练阶段和应用阶段的具体实现流程进行描述。
(1)、训练阶段
本申请实施例中,训练阶段描述的是训练设备220如何利用数据库230中维护的训练数据集合得到图卷积神经网络的过程。请参阅图3,图3为本申请实施例提供的节点分类方法的一种流程示意图,本申请实施例提供的节点分类方法可以包括:
301、训练设备获取第一电信网络的网络拓扑信息和与第一电信网络中网元对应的网元数据。
本申请的一些实施例中,训练设备预先存储有训练数据集合,训练设备从训练数据集合中获取第一电信网络的网络拓扑信息和与第一电信网络中网元对应的网元数据。其中,训练数据集合中包括一个或多个电信网络的网络拓扑信息和与电信网络中网元对应的网元数据,第一电信网络为训练数据集合包括的一个或多个电信网络中的任一个电信网络,前述电信网络的网络拓扑信息和与电信网络中网元对应的网元数据的粒度级均为网元级别的。具体的,训练设备可以接收客户设备发送的电信网络的网络拓扑信息和网元数据,也可以为从电信网络中的网元处获取电信网络的网络拓扑信息和网元数据。
其中,每个电信网络中包括多个网元,电信网络的网络拓扑信息反映的为电信网络中网元之间的连接关系;为了进一步理解本方案,请参阅图4,图4为本申请实施例提供的节点分类方法中电线网络的网络拓扑信息的一种示意图,图4中以电信网络中包括16个网元为例,分别如图4所示,其中包括移动管理节点功能实体(mobility management entityfunction,MME)、服务网关(serving gateWay,SGW)、PDN网关(PDN gateWay,PGW)、路由和基站,应当理解,图4中的示例仅为方便理解本方案,不用于限定本方案。训练数据集中的网元数据包括网元的标签和网元级别的运行状态描述信息,网元的标签用于指示该网元是否为根源故障网元,网元级别的运行状态描述信息可以包括网元的关键绩效指标(keyperformance indicator,KPI)、网元的日志(LOG)、网元的告警信息、网元的接收到的指令等等用于描述整个网元的运行状态的信息。进一步地,网元级别的KPI可以有多种属性,网元级别的KPI的属性种类与网元的属性有关,作为示例,例如网元为基站,则基站的KPI可以包括基站的吞吐量、基站的无线掉话率、基站的物理资源块使用数等,网元的日志指的可以为网元的事务日志、操作日志或其他类型的日志等等,此次不做穷举。
302、训练设备生成与第一电信网络对应的图结构数据。
本申请的一些实施例中,训练设备在获取到第一电信网络的网络拓扑信息和与第一电信网络的网元数据,可以根据第一电信网络的网络拓扑信息和第一电信网络的网元数据,生成与第一电信网络对应的图结构数据。其中,图结构数据包括节点数据和反映电信网络中网元与网元之间连接关系的边数据;进一步地,节点数据具体可以表现为属性向量(attribute vectors)的形式,也可以表现为数组或其他形式;边数据具体可以表现为邻接矩阵的形式,也可以表现为数组或其他形式。所述节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元,具体可以为一一对应关系。
为进一步理解本方案,请参阅图5,图5为本申请实施例提供的节点分类方法中图结构的一种示意图,图5为结合图4进行举例,图5中示出的图结构包括16个节点,分别与图4中的16个网元对应,图5中的节点1与B省的省级路由对应,节点2与B省的分组交换(packetswitch,PS)域机房中的路由对应,节点3和B省的PS域机房中的PGW对应,节点4和B省的PS域机房中的SGW对应,节点5和B省的PS域机房中的MME对应,节点6和B省某市的无线域机房的路由对应,节点7和B省某市的无线域机房的基站对应,节点8和B省某市的无线域机房的另一基站对应,节点9与A省的省级路由对应,节点10与A省的分组交换(packet switch,PS)域机房中的路由对应,节点11和A省的PS域机房中的PGW对应,节点12和A省的PS域机房中的SGW对应,节点13和A省的PS域机房中的MME对应,节点14和A省某市的无线域机房的路由对应,节点15和A省某市的无线域机房的基站对应,节点16和A省某市的无线域机房的另一基站对应,应当理解,图5中的示例仅为方便理解图结构与电信网络之间的对应关系,在实际产品中,训练设备上可以不存储有图5示出的图,而是存储图结构数据。
具体的,在一种实现方式中,节点数据具体表现为属性向量,边数据具体表现为邻接矩阵,属性向量可以包括与网元的至少一种属性对应的元素值,属性向量中包括的元素值是具有物理含义的。第一电信网络中的网元数据中包括与每个网元的每种属性对应的属性值,不同网元的属性种类相同或不同。步骤302可以包括:训练设备根据网元数据,获取与电信网络中所有网元对应的属性集合,并将属性集合作为图结构中节点的属性向量的属性种类,其中,属性集合包括电信网络中网元的所有属性种类。训练设备从属性集合中获取与目标网元的网元数据对应的第一属性,并根据目标网元的网元数据生成第一节点的属性向量中与第一属性对应的元素值,其中,目标网元与第一节点对应,也即目标网元为电信网元中的任一个网元,第一属性为目标网元的网元数据中存在的属性。在属性集合中包括除第一属性之外的第二属性的情况下,训练设备将第一节点的属性向量中与第二属性对应的元素值确定为预设值,其中,第二属性为属性集合中存在且目标网元的网元数据中不存在的属性,与第一属性对应的元素值和与第二属性对应的元素值组成第一节点的属性向量的元素值。训练设备对第一电信网络中的网元数据中的每个网元均执行前述操作,从而得到与网元一一对应的每个节点的属性向量。训练设备还根据第一电信网络的网络拓扑信息,生成反映第一电信网络中网元与网元之间连接关系的邻接矩阵。本申请实施例中,由于属性向量中包括的每个元素值都有其对应的物理含义,则工程师在对根源故障节点进行定位之后,可以根据根源故障节点的属性向量中的元素值,对根源故障节点的故障原因有一个初步的定位,从而有利于提高故障根源网元的故障原因的定位效率。
其中,与属性向量中包括的每种属性对应的元素值指的可以为该属性的属性值,作为示例,例如属性为基站的吞吐量,则属性的属性值可以为5000kps或6000kps等,作为另一示例,例如属性为基站的物理资源库使用数,则属性的属性值可以为500或800等。与属性向量中包括的每种属性对应的元素值指的也可以是根据该属性的属性值得到的网元为根源故障网元的概率值,作为示例,例如属性为基站的吞吐量,属性的属性值为0kps,与该属性的属性值对应的基站为根源故障基站的概率值为0.98等等。预设值的取值可以为0、或其他数值等,此处举例仅为方便理解本方案,不用于限定本方案。
为进一步理解本方案,已知第一电信网络中有五个网元,五个网元分别为网元A、网元B、网元C、网元D和网元E。网元A的网元数据为属性1的值为a1,属性2的值为a2,属性3的值为a3;网元B的网元数据为属性3的值为b1,属性4的值为b2;网元C的网元数据为属性1的值为c1,属性5的值为c2,属性6的值为c3,属性7的值为c4;网元D的网元数据为属性2的值为d1,属性4的值为d2,属性8的值为d3,网元E的网元数据为属性3的值为e1,属性5的值为e2。通过前述数据可知,网元A至网元E中不同网元的网元数据中包括了不同的数据,则采用本实施例中的属性向量生成方式得到的每个网元的属性向量可以如下,此处以通过表格展示本实施例中生成属性向量的方式。
表1
属性1 | 属性2 | 属性3 | 属性4 | 属性5 | 属性6 | 属性7 | 属性8 | |
网元A | a1 | a2 | a3 | 0 | 0 | 0 | 0 | 0 |
网元B | 0 | 0 | b1 | b2 | 0 | 0 | 0 | 0 |
网元C | c1 | 0 | 0 | 0 | c2 | c3 | c4 | 0 |
网元D | 0 | d1 | 0 | d2 | 0 | 0 | 0 | d3 |
网元E | 0 | 0 | e1 | 0 | e2 | 0 | 0 | 0 |
参阅上述表1,表1中以预设值的取值为0为例,每一行数据代表一个网元的属性向量中包括的元素值,每个网元的属性向量中包括网元A至网元E的所有属性。对于网元A的属性向量的生成过程,由于网元A的网元数据中包括属性1、属性2和属性3的属性值,则可以直接进行填充,网元A的网元数据中不包括属性4值属性8的属性值,在填充为预设值(也即表1中的0);对于网元B至网元E的属性向量的生成过程可参阅网元A的生成过程,此处不做赘述。需要说的是,在实际情况中,可以通过数组等方式展示网元的属性向量,一个电信网络中可以包括更多或更少的网元,属性向量中可以包括更多或更少的属性,表1中的举例仅为方便理解本方案,不用于限定本方案。
在另一种实现方式中,节点数据也可以包括网元的至少一种维度的元素值,前述至少一种维度的划分可以为不具有物理含义的,而是基于物理含义的属性值抽象出的高维度特征。步骤302可以包括:将网元数据输入自编码器,得到自编码器输出的节点数据,并根据网络拓扑信息,生成边数据,其中,网元数据为电信网络中网元的日志或者电信网络中网元的关键绩效指标。本申请实施例中,通过自编码器自动生成节点的节点数据,方便快捷,易于操作。
303、训练设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。
本申请的一些实施例中,训练设备中的局部特征提取网络在获取到与第一电信网络对应的图结构数据之后,可以从顶点数据中获取第五节点的节点数据,其中,第五节点为与第一电信网络对应的图结构数据中的任一个节点,为需要通过图卷积神经网络进行分类的节点。训练设备中的局部特征提取网络根据边数据,从第八节点中选取与第五节点连接的节点作为第七节点,第八节点为与第一电信网络对应的图结构中除第五节点之外的节点。训练设备中的局部特征提取网络从顶点数据中获取第七节点的节点数据,根据第五节点的节点数据和第七节点的节点数据,生成第五节点的局部特征。本申请实施例中,节点之间相连接指的是节点之间通过边直接连接;局部特征为根据节点数据进而再次抽象之后生成的更高纬度的特征,第五节点的局部特征包括第五节点的至少一个维度的元素值。
具体的,训练设备可以根据第五节点的节点数据和第七节点的节点数据,采用谱域(spectral domain)的方式生成第五节点的局部特征,其中,采用谱域的方式也可以称为采用频域的方式。训练设备也可以根据第五节点的节点数据和第七节点的节点数据,采用空域(spatial domain)的方式生成第五节点的局部特征,其中,采用空域的方式也可以称为采用节点域(vertex domain)的方式。本申请实施例中,在图卷积神经网络处理的为与电信网络对应的图结构数据的情况下,采用空域的方式生成第五节点的局部特征,可以提高图卷积神经网络对电信网络的泛化能力,也即在被分类的电信网络中增加或减少网元的情况下,被分类的电信网络的网络结构会发生变动,而图卷积神经网络是根据变动前的电信网络结构训练的,采用空域的方式生成第五节点的局部特征,则不需要对图卷积网络进行重新训练,提高了对电信网络的根源故障网元定位过程的效率。
更具体地,以采用的图卷积神经网络为在图注意力神经网络(graph attentionnetworks,GAT)的基础上添加了非局部特征提取模块为例,已知与第一电信网络对应的图结构数据中节点的节点数据N为与第一电信网络对应的图结构数据中节点的个数,/>代表每个节点的节点数据的长度,也即/>代表每个节点的节点数据包括F个元素,以第五节点为节点i,第五节点的一阶邻域节点(也即与第五节点连接的第七节点)为节点j,第七节点中包括D个节点,则训练设备利用GAT采用空域的方式生成第五节点的局部特征的具体实现方式如下:
通过共享的线性转换矩阵W与第五节点以及第七节点的节点数据进行乘积,并通过如下公式计算第五节点与每个第七节点之间的关注度得分:
eij=W′·CONCAT(Whi,Whj); (1)
其中,eij代表节点i(也即第五节点)和节点j(也即第七节点中的一个节点)之间的关注度得分,代表W′的维度为1×2F′,作为示例,例如F′=8,CONCAT(a,b)表示将向量a与向量b拼接起来,/>代表W的长度为F′×F,hi代表节点i,hj代表节点j,对D个节点中的所有节点均通过式(1)得到与第五节点之间的关注度得分。
进而通过归一化指数(softmax)函数对eij进行归一化处理,得到用于聚合的权值系数,具体公式如下:
其中,αij代表节点j(也即第七节点中的一个节点)的权值系数,Ni为与节点i(也即第五节点)连接的至少一个节点组合的集合(也即第七节点中包括的D个节点),exp代表自然常数e的指数幂,对D个节点中所有节点均通过式(2)进行计算,得到第七节点中每个节点的权值系数。
在得到第七节点中每个节点的权值系数后,可以通过如下公式计算获得第五节点的局部特征:
其中,h′i代表节点i(也即第五节点)的局部特征,σ代表激活函数(activationfunctions),包括但不限于ReLU函数和sigmoid函数,式(3)中其他字母的含义已在式(1)和式(2)中进行了解释,此次不再赘述。需要说明的是,此处仅以本申请实施例采用的图卷积神经网络为在图注意力神经网络的基础上添加了非局部特征提取模块进行举例,前述图注意力神经网络还可以被替换为其他类型的图卷积神经网络,则对应的,上述式(1)至式(3)可以被替代为其他类型的公式,此处举例仅为方便理解本方案,不用于限定本方案。
训练设备中的局部特征提取网络重复执行生成第五节点的局部特征的步骤,从而基于图结构数据,得到图结构中节点的局部特征。其中,图结构中节点的局部特征包括图结构中任一个节点的局部特征,也即图结构中节点的局部特征包括图结构中每个节点的局部特征。
304、训练设备基于图结构中节点的局部特征,计算第五节点与第七节点的局部特征间的相似度,第七节点为图结构中除第五节点之外的节点。
本申请的一些实施例中,训练设备在得到图结构中节点的局部特征之后,会将图结构中节点的局部特征输入到非局部特征提取网络中,以得到非局部特征提取网络输出的图结构中节点的非局部特征。图结构中节点的非局部特征中包括图结构中每个节点的非局部特征;第五节点的非局部特征用于反映第六节点的特征,第六节点为第七节点中与第五节点的局部特征间的相似度符合预设条件。进一步地,与第五节点的局部特征间的相似度符合预设条件的节点可以为与第五节点的局部特征间的相似度超过预设阈值的节点,也可以为与第五节点的局部特征间的相似度最高的至少一个节点。
具体的,在一种实现方式中,训练设备中的非局部特征提取网络基于图结构中节点的局部特征,逐个计算第五节点与第七节点中每个节点的局部特征间的相似度,得到第五节点与第七节点的局部特征间的相似度;其中,第五节点与第七节点的局部特征间的相似度中包括第五节点与第七节点中每个节点的局部特征间的相似度。更具体的,训练设备中的非局部特征提取网络计算第五节点的局部特征和其他节点的局部特征之间的余弦相似度、欧式距离或马氏距离等,进而生成所述相似度。其中,第五节点的局部特征和其他节点的局部特征之间的余弦相似度的数值越大,两者之间的相似度的数值越大,两者之间的余弦相似度的数值越小,两者之间的相似度的数值越小;第五节点的局部特征和其他节点的局部特征之间的欧式距离的数值越大,两者之间的距离越远,两者之间的相似度越小,数值越小,两者之间的距离越近,两者之间相似度越大;第五节点的局部特征和其他节点的局部特征之间的马氏距离的数值越大,两者之间的距离越远,两者之间的相似度越小,数值越小,两者之间的距离越近,两者之间相似度越大,应理解,此次举例仅为证明本方案的可实现性,还可以通过其他类型的公式计算第五节点的局部特征和其他节点的局部特征之间的相似度,此处不做限定。为进一步理解本方案,请参阅如下示例,已知与第一电信网络对应的图结构数据中节点的局部特征其中,N为与第一电信网络对应的图结构数据中节点的总数目,通过如下公式计算第五节点与其他节点之间的相似度:
Si={sit|sit=-||h′i-h′t||2,1≤t≤N,t≠i}; (4)
其中,Si代表与第一电信网络对应的图结构数据中其他节点与第五节点之间相似度的集合,sit代表节点t与节点i之间的相似度,节点t为与第一电信网络对应的图结构数据中除第五节点之外的其他节点中的任一个节点,h′i代表节点i的局部特征,h′t代表节点t的局部特征,||h′i-h′t||2代表节点i的局部特征与节点t的局部特征的差值的二范数的平方。
应当理解,在实际应用场景中上述公式(4)可以做修改,作为示例,例如公式(4)为根据节点之间的局部特征的欧式距离生成相似度的一个距离,在具体实现场景中,节点之间的局部特征的相似度还可以为结合余弦相似度或马氏距离等生成,上述公式(4)仅为方便理解本方案所作出的示例,不用于限定本方案。
在另一种实现方式中,由于相同类型的网元相似度较高,不同类型的网元相似度较低,训练设备中的非局部特征提取网络可以从图结构中节点的局部特征获取与第五节点对应网元的网元类型,以及,与第七节点中每个节点对应网元的网元类型,进而计算第五节点与第七节点中每个节点的局部特征间的相似度。
305、训练设备根据第五节点与第七节点的局部特征间的相似度,从第五节点中选取第六节点。
本申请的一些实施例中,训练设备中的非局部特征提取网络在得到第五节点与第七节点的局部特征间的相似度之后,可以从第五节点中选取第六节点,第六节点中包括一个或多个节点。
具体的,在一种实现方式中,步骤305包括:训练设备中的非局部特征提取网络根据第五节点与第七节点的局部特征间的相似度,从第七节点中选取与第五节点的局部特征间相似度最高的至少一个节点作为第六节点,前述至少一个节点中包括K个节点。K的取值可以为预先配置于训练设备中的,由于在实际的电信网络中存在大量的网元对,也即电信网络中存在功能相似的网元,但功能相似的网元却不一定会直接连接,在单个节点的表征中,融入与其相似的节点的特征,有利于提高节点的特征表达能力,从而有利于提高节点分类的准确性。但若K的取值太低,则增加的特征过少,对于特征表达能力的提高有限,K的取值太高,则K个节点中容易引入与第五节点不是那么相似的节点,从而引入了噪声特征,也不利于提高对第五节点进行分类的准确性。作为示例,例如K的取值可以为3、4、5、6或其他取值等。具体K的取值可以结合电信网络中网元的数量、电信网络中网元的类型或其他因素等确定。本申请实施例中,根据节点的局部特征从图结构数据包括的节点中选取与第五节点的相似度最高的至少一个节点,进而生成第五节点的非局部特征,由于局部特征可以较为准确的反映出节点的特性,基于局部特征的维度进行相似度最高的节点的选取操作,有利于提高选取过程的精确度,进而有利于进一步提高第五节点的特征表达,从而提高最后得到的分类结果的准确度。
更具体的,训练设备中的非局部特征提取网络根据第五节点与第七节点的局部特征间的相似度之后,也即在得到Si之后,训练设备中的非局部特征提取网络从其他节点中选取与h′i相似度最高的K个节点的局部特征,前述K个节点可以通过K次选取操作实现,在第k次选取操作中,训练设备可以通过图卷积神经网络利用如下公式生成每个节点被选出的概率:
其中,代表在第k次选取操作中节点p被选为节点i的最相似的节点的概率,节点p代表与第一电信网络对应的图结构数据中正在被计算选出概率的节点,λ用以对节点之间的局部特征的相似度进行放大,作为示例,例如λ=1×109,以保证每次只有距离最近的那一个节点被选出的概率无限接近于1,而其余节点被选出概率都无限接近于0,/>代表在k次选取操作中节点t被选为节点i的最相似的节点的概率。
进一步地,在一种情况下,前述K次选取操作可以为一次性执行,在K次选取操作中,节点t与节点i之间的相似度均不发生变化。在通过公式(5)得到与第一电信网络对应的图结构数据中所有节点被选为第五节点的最相似的K个节点的概率值之后,可以按照概率值由高到低的方式对所有概率值进行排序,选取前K个概率值,并获取与所述前K个概率值对应的K个节点,以确定为与第五节点最相似的K个节点。在另一种情况下,前述K次选取操作是可微分的,每次选取操作都只选概率值最大的一个节点,这样可以使得图卷积神经网络的训练过程是端到端的,以提高执行过训练操作的图卷积神经网络的分类精度。在K的取值为1时,在k为大于1的整数的情况下,对节点t与节点i之间的相似度通过如下公式进行更新:
log代表自然对数,通过式(6)可以保证某个节点一旦被选中,该节点与节点i的局部特征的相似度被更新到趋于-∞,从而不会在接下来的选取操作中被选中,而未被选中的节点与节点i的局部特征的相似度保持不变。在第一次选取操作中,是通过公式(4)和公式(5)生成概率值之后,选取与最大概率值对应的节点,在第二次选取操作至第K次选取操作中,是通过公式(6)和公式(5)生成概率值,以选取与最大概率值对应的节点,在执行第一次选取操作之后,重复执行与公式(6)和公式(5)对应的选取操作K-1次,已选取出与第五节点相似度最高的K个节点。
应当理解,在实际应用场景中上述公式(5)和(6)可以做修改,作为示例,例如公式(5)中的exp可以替换为其他运算形式;作为再一示例,例如公式(6)中可以将 替换为一个无穷小的数据等等,上述公式(5)和(6)仅为方便理解本方案所作出的示例,不用于限定本方案。
在另一种实现方式中,步骤305包括:训练设备中的非局部特征提取网络根据第五节点与第七节点的局部特征间的相似度,训练设备中的非局部特征提取网络可以逐个判断第七节点中每个节点与第五节点的局部特征间的相似度是否大于或等于预设阈值,以从第七节点中选取与第五节点的局部特征间相似度大于或等于预设阈值的至少一个节点作为第六节点。前述预设阈值的取值可以为85%、88%、90%、92%、95%、98%或其他取值等。更具体的,与前一种实现方式类似,前述判断操作可以设置为可微分的。本申请实施例中,提供了与第五节点的局部特征间的相似度符合预设条件的另一种实现方式,增加了本方案的实现灵活性。
训练设备中的非局部特征提取网络根据第五节点与第七节点的局部特征间的相似度,从第五节点中选取第六节点之后,可以获取第六节点中每个节点的局部特征。具体的,在训练设备为通过K次选取操作得到与第五节点的相似度最高的第六节点的情况下,在前述K次选取操作中,每确定一个与第五节点最相似的节点之后,训练设备可以通过图卷积神经网络根据如下公式生成与节点i最相似的节点的特征:
其中,代表第k次选取操作中选中的节点的局部特征,/>代表第k次选取操作中每个节点与第五节点之间的相似度,h′t代表第k次选取操作中每个节点的局部特征,通过公式(7)可以得到与节点i(也即第五节点)相似度最高的K个节点的局部特征需要说明的是,由于在第k次选取操作中被选中的节点与第五节点的相似度无限接近于1,没被选中的节点的与第五节点的相似度无线接近于0,因此通过公式(7)计算得到的第k次选取操作中选中的目标节点的局部特征与在执行选取操作之前直接生成的目标节点的局部特征基本没变,设计成公式(7)的样式主要是为了使得K次选取操作是可微分的。
306、训练设备根据第六节点的局部特征,得到第五节点的非局部特征。
本申请实施例中,训练设备中的非局部特征提取网络在获取到第六节点的局部特征之后,可以生成第五节点的非局部特征。其中,第六节点的局部特征包括至少一个维度的元素值,第五节点的非局部特征也包括至少一个维度的元素值,第五节点的非局部特征中包括的元素个数与第六节点的局部特征包括的元素个数相同,非局部特征也是训练设备通过非局部特征提取网络抽象获得的特征,区别在于,某一节点的局部特征是根据该节点的节点数据以及与该节点的邻接节点的节点数据生成的,某一节点的非局部特征是根据与该节点相似的节点的局部特征生成的,与该节点相似的节点不一定需要与该节点连接。
具体的,步骤306可以包括:训练设备中的非局部特征提取网络从第六节点包括的每个节点的局部特征中获取与目标维度对应的元素值,以得到与目标维度对应的至少一个元素值,目标维度为每个节点的局部特征包括的至少一个维度中的任一维度;训练设备对与目标维度对应的至少一个元素值进行池化(pooling),以将与目标维度对应的至少一个元素值压缩成一个目标元素值,重复执行前述操作,以生成与所有维度对应的目标元素值,得到第五节点的非局部特征,第五节点的非局部特征中包括至少一个目标元素值。其中,本申请实施例中的池化可以最大池化(max pooling)、平均池化(mean pooling)或其他类型的池化方式,最大池化指的是从与目标维度对应的至少一个元素值中选取最大的元素值,并将其确定为目标元素值,平均池化指的是获取与目标维度对应的至少一个元素值的平均值,并将其确定为目标元素值。本申请实施例中,通过前述方式,针对于第五节点相似度最高的至少一个第六节点包括的所有节点,逐个获取每个维度上的突出特征或者综合特征,也即逐维度执行池化操作,保证了生成的非局部特征反映了至少一个第六节点中所有节点的特征,且操作方案简单,易实现。
为进一步理解本方案,请参阅图6,图6为本申请实施例提供的节点分类方法中生成非局部特征的一个示意图。图6中以第六节点包括五个节点,每个节点的局部特征包括5个维度的元素值为例,其中,A1至A5分别代表一个节点的局部特征(也即第六节点中每个节点的局部特征),A6代表第五节点的非局部特征,图6中以逐维度池化过程中采用最大池化的方式为例。针对5个维度中的第一个维度(也即目标维度的一个示例),每个节点的局部特征中均存在1个对应的元素值,也即图6中虚线内的内容,对与第一个对应的5个元素值,对与第一个对应的5个元素值进行最大池化,发现与第一个对应的5个元素值中A5的元素值最大,所以将A5的第一个维度的元素值确定为目标元素值,也即得到A6中的第一个目标元素值。对于生成与剩余4个维度对应的4个目标元素值的具体实现方式,与前述生成第一个维度对应的目标元素值的过程一致,此处不逐一介绍,应当理解,图6中的示例仅为方便理解本方案,不用于限定本方案。
训练设备中的非局部特征提取网络重复执行生成第五节点的非局部特征的步骤,从而基于图结构中节点的局部特征,得到图结构中节点的非局部特征。其中,图结构中节点的非局部特征包括图结构中任一个节点的非局部特征,也即图结构中节点的非局部特征包括图结构中每个节点的非局部特征。本申请实施例中,通过上述方式,使得整个非局部特征生成过程为可微分的,有利于提高非局部特征网络在迭代训练过程的效率。
307、训练设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果。
本申请的一些实施例中,训练设备中的非局部特征提取网络将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器,得到第五节点的分类结果,第五节点的分类结果包括第五节点为目标类别的概率,第五节点为目标类别的概率用于指示与第五节点对应的网元为根源故障网元的概率。其中,图卷积神经网络输出的第五节点的分类结果具体可以只包括第五节点的类别,作为示例,例如分类结果为“是”或“否”,前述“是”指的是第五节点为根源故障节点,前述“否”指的是第五节点为非根源故障节点;作为另一示例,前述“是”也可以通过编码“0”表示,前述否通过“1”表示。分类结果也可以包括节点为非根源故障节点的概率值和节点为根源故障节点的概率值,作为示例,例如第五节点的分类结果为“0 0.1;1 0.9”,也即分类结果指示第五节点为非根源故障节点的概率值为0.1,第五节点为根源故障节点的概率值为0.9。分类结果还可以包括节点为非根源故障节点的概率值、节点为模拟硬件故障(port shutdown)节点的概率值、节点为模拟配置(remove vlan)故障的概率值和节点为模拟协议层(remove network)故障的概率值。需要说明的是,在实际情况中,分类结果还可以携带更多或更少的信息,例如随着网元的故障类型中的变动,分类结果中的故障类型也可以响应变动,前述举例均仅为方便理解本方案,不用于限定本方案。本申请实施例中,提供了分类结果的各种具体展现形式,提高了本方案的实现灵活性。
具体的,步骤304至306为可选步骤,若不执行步骤304至306,则步骤307可以包括:训练设备通过图卷积神经网络,根据图卷积神经网络提取到的第五节点的局部特征对第五节点进行分类,得到分类结果。若执行步骤304至306,则步骤307可以包括:训练设备中的分类器根据第五节点的局部特征和第五节点的非局部特征,对第五节点进行分类,得到第五节点的分类结果。本申请实施例中,由于在实际的电信网络中存在大量的网元对,也即电信网络中存在功能极其相似的网元,但功能极其相似的网元却不一定会直接连接,在单个节点的表征中,融入与第五节点的非局部特征,也即融入了与第五节点相似的节点的特征,有利于提高节点的特征表达能力,从而有利于提高节点分类的准确性。
为进一步理解本方案,请参阅图7,图7为本申请实施例提供的节点分类方法中图结构数据的一种示意图。图7中以池化采用的为最大池化(max poling)为例,B1指的是局部特征提取网络生成第五节点的局部特征;B2指的是局部特征提取网络生成图结构中除第五节点之外的其他节点的局部特征;B3指的是非局部特征提取网络通过图卷积神经网络根据第五节点的局部特征和其他节点的局部特征执行K次选取(select)操作,从而获取到了B4,也即K个与第五节点最相似的节点的局部特征,进而对K个与第五节点最相似的节点的局部特征进行逐维度池化(也即图7中的B5),得到第五节点的非局部特征(也即图7中的B6),分类器结合第五节点的局部特征和第五节点的非局部特征,预测(predict)第五节点的类别(也即图7中的B7),得到第五节点的分类结果(也即图7中的B8),分类结果中包括第五节点为非根源故障节点的概率值和第五节点为根源故障节点的概率值。应理解,图7中的示例仅为方便理解本方案,不用于限定本方案。
需要说明的是,若不执行步骤204和步骤205,则本申请实施例中采用的图卷积神经网络可以和现有技术中的图卷积神经网络相同,作为示例,采用的图卷积神经网络可以为GAT、图采样和聚合神经网络(graph sample and aggregate,GraphSAGE)或其他图卷积神经网络等等。若执行步骤204和步骤205,则本申请实施例中采用的图卷积神经网络与目前的图卷积神经网络不同,结合图7,目前图卷积神经网络在对图结构数据的节点进行分类的过程包括图7中的B1、B7和B8,也即通过图卷积神经网络生成第五节点的局部特征,并根据第五节点的局部特征对第五节点进行分类,得到第五节点的分类结果。而本申请实施例中的图卷积网络在对图结构数据的节点进行分类的过程还包括步骤B2、B3、B4、B5、B6,本申请实施例中的图卷积神经网络执行B7的方式也与目前的图卷积神经网络的处理方式不同,本申请实施例中的图卷积神经网络是根据第五节点的局部特征和第五节点的非局部特征对第五节点进行分类,得到第五节点的分类结果。
308、训练设备根据分类结果,利用损失函数对图卷积神经网络进行迭代训练,直至满足收敛条件。
本申请实施例中,训练设备在通过分类器输出节点的分类结果之后,根据分了器输出的节点的分类结果和训练数据集中节点的标签,利用损失函数对图卷积神经网络进行迭代训练,直至满足收敛条件。其中,损失函数可以为交叉熵损失函数(cross entropyloss)、负对数似然损失函数(neg log-likelihood loss)、指数损失函数(exponentialloss)或其他类型的损失函数;前述满足收敛条件可以为满足损失函数的收敛条件,也可以为迭代训练的次数达到预设次数等。本申请实施例中,提供了损失函数的多种具体实现方式,提高了本方案的选择灵活性。
具体的,在一种情况下,训练设备可以在得到一个第五节点的分类结果之后,也即在执行步骤303至306一次之后,直接根据分类器输出的第五节点的分类结果和训练数据集中第五节点的标签,计算损失函数的函数值,并根据损失函数的函数值通过梯度下降法对图卷积神经网络的参数值进行更新,从而完成了对图卷积网络的一次训练。训练设备重复执行前述操作,以对图卷积神经网络进行迭代训练,直至满足收敛条件。
在另一种情况下,训练设备可以在得到与第一电信网络对应的图结构数据中多个节点的分类结果之后,也即在执行步骤303至306多次之后,根据分类器输出的多个节点的分类结果和训练数据集中多个节点的标签,计算损失函数的函数值,进而根据损失函数的函数对图卷积神经网络的参数值进行更新,从而完成对图卷积神经网络的一次训练。作为示例,前述多个节点可以包括4个节点、5个节点、6个节点或其他数值等。训练设备重复执行前述操作,以对图卷积神经网络进行迭代训练,直至满足收敛条件。
在另一种情况下,训练设备可以在生成与第一电信网络对应的图结构数据中所有节点的分类结果之后,根据与第一电信网络对应的图结构数据中所有节点的分类结果以及训练数据集合中与第一电信网络对应的图结构数据中所有节点的标签,计算损失函数值,对图卷积神经网络的参数值进行更新,以完成对图卷积神经网络的一次训练。训练设备重复执行前述操作,以对图卷积神经网络进行迭代训练,直至满足收敛条件。
更具体的,此次以损失函数为交叉熵损失函数为例,在进行迭代训练过程中采用的损失函数的具体表达公式如下:
其中,V的取值为预设值,结合上述三种情况,V的取值可以为1、4、5、6或者是训练数据集合中与第一电信网络中所有带标签的网元的个数,i指的是节点i,C为节点的类别数,此处以节点为非根源故障节点和根源故障节点两类为例,也即以C的取值为2为例,Γ代表示性函数,yi代表节点i在训练数据集中的标签分类f,log代表自然对数,exp代表自然常数e的指数幂,oif代表图卷积神经网络对节点i在f类上的分类得分,也即图卷积神经网络对节点i在f类上的预测概率值,oig代表图卷积神经网络对节点i在g类上的分类得分,g类指的是C种类别中的任一个类别。应当理解,式(8)仅为选择交叉熵损失函数的情况下的一种示例,若变更损失函数的类型,则所使用的损失函数也会发生变化,此次举例仅为方便理解本方案,不用于限定本方案。
309、训练设备输出执行过迭代训练操作的图卷积神经网络。
本申请实施例中,训练设备利用训练数据集合中的数据对图卷积神经网络进行迭代训练,直至满足收敛条件后,可以得到执行过迭代训练操作的图卷积神经网络,进而可以输出执行过迭代训练操作的图卷积神经网络。具体的,若训练设备和执行设备为同一个设备,则可以将执行过迭代训练操作的图卷积神经网络输出至训练设备上的存储器,从而执行设备可以直接从存储其中获取执行过迭代训练操作的图卷积神经网络;若训练设备和执行设备为不同的设备,则可以通过有线网络、无线网络或移动存储设备,将执行过迭代训练操作的图卷积神经网络输出至执行设备上。
本申请实施例中,通过前述方式,训练得到对与电信网络对应的图结构数据中节点进行分类的图卷积神经网络,从而工程师可以结合图卷积神经网络输出的分类结果对电信网络中的根源故障网元进行定位,提高了根源故障网元定位过程的效率;且整个根源故障网元定位过程不再完全依赖于工程师的经验,从而降低了对工程师个人经验的要求,降低了根源故障网元定位过程的难度。
(2)、应用阶段
本申请实施例中,应用阶段描述的是执行设备410如何利用成熟的图卷积神经网络生成与电信网络对应的图结构数据的分类结果的过程,具体的,请参阅图8,图8为本申请实施例提供的节点分类方法的一种流程示意图,本申请实施例提供的节点分类方法可以包括:
801、执行设备获取第二电信网络的网络拓扑信息和与第二电信网络中网元对应的网元数据,网元数据用于描述第二电信网络中的网元的运行状态。
本申请的一些实施例中,在一种实现方式中,执行设备为服务器形态,客户设备上可以配置有与服务器形态的执行设备进行通信的客户端,步骤801可以包括:用户通过配置于客户设备上的客户端向执行设备发送故障网元定位请求,故障网元定位请求中携带有网络拓扑信息和网元数据;对应的,执行设备接收客户设备发送的故障网元定位请求,并获取故障网元定位请求中携带的网络拓扑信息和网元数据。其中,配置于客户设备上的客户端可以为应用程序客户端,也可以为浏览器形式的客户端。
在另一种实现方式中,执行设备为客户设备形态的,客户设备的展示界面上展示有客户端,所述客户端中配置有执行过训练操作的图卷积神经网络。步骤801可以包括:客户设备接收用户输入的网络拓扑信息和网元数据。具体的,前述客户端中展示有数据接收接口,从而用户通过前述接口输入网络拓扑信息和网元数据。更具体的,用户可以将包括有网络拓扑信息和网元数据的文件拖拽至与数据接收接口对应的区域,从而执行设备接收到包括有网络拓扑信息和网元数据的文件;用户也可以通过该所述数据接收接口输入存储地址,从而执行设备从所述存储地址中获取网络拓扑信息和网元数据;用户还可以通过其他方式输入网络拓扑信息和网元数据等,此次不对配置有图卷积神经网络的客户端获取网络拓扑信息和网元数据的方式进行穷举。
其中,网络拓扑信息和网元数据的概念可以参阅图3对应实施例中步骤301中的描述,此处不做赘述。区别在于,图3对应实施例中步骤301中描述的第一电信网络为训练阶段处理的电信网络,本实施例中的第二电信网络为应用阶段的电信网络。
802、执行设备生成与第一电信网络对应的图结构数据。
803、执行设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。
804、执行设备基于图结构中节点的局部特征,计算第一节点与第三节点的局部特征间的相似度,第三节点为图结构中除第一节点之外的节点。
805、执行设备根据第一节点与第三节点的局部特征间的相似度,从第一节点中选取第二节点。
806、执行设备根据第二节点的局部特征,得到第一节点的非局部特征。
807、执行设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果。
本申请实施例中,步骤802至807的具体实现方式可以参考图3对应实施例中步骤302至307的描述,此处不做赘述。区别在于将图3对应实施例中步骤302至307的描述中的第一电信网络替换为第二电信网络,将图3对应实施例中步骤302至307的描述中的第五节点替换为第一节点,将第六节点替换为第二节点,将第七节点替换为第三节点,将第八节点替换为第四节点。其中,第一节点为与第二电信网络对应的图结构包括的节点中的任一个节点,第二节点为根据图结构中每个节点与第一节点之间的局部特征间的相似度从第三节点中选取的,第三节点为图结构包括的多个节点中除第一节点之外的节点,第四节点为图结构包括的多个节点中与第一节点连接的节点。
808、执行设备输出分类结果。
本申请的一些实施例中,执行设备在得到分类结果之后,会输出分类结果;其中,应用阶段的分类结果中包括图结构中每个节点为目标类别的概率。具体的,若执行设备为服务器形态,则执行设备向客户设备发送分类结果,以通过客户设备向用户展示分类结果。若执行设备为客户设备形态,则执行设备可以通过展示界面直接向用户展示分类结果。其中,向用户展示的分类结果可以为包括分类结果的文件,也可以为直接通过表格示出根源故障网元的位置和该网元为根源故障网元的概率值,也可以只展示根源故障网元的位置等,此次不对分类结果的具体展示方式进行限定,具体可以结合产品形态确定。
本申请实施例中,根据电信网络的网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,并通过图卷积神经网络对所述图结构数据中的节点进行分类,得到分类结果,分类结果用于指示图结构数据包括的节点中的根源故障节点,也即工程师可以结合图卷积神经网络输出的分类结果对电信网络中的根源故障节点进行定位,提高了根源故障设备定位过程的效率;且整个根源故障设备定位过程不再完全依赖于工程师的经验,从而降低了对工程师个人经验的要求,降低了根源故障设备定位过程的难度。在单个节点的表征中,融入与第五节点的非局部特征,也即融入了与第五节点相似的节点的特征,有利于提高节点的特征表达能力,从而有利于提高节点分类的准确性。
二、图结构数据中的一个节点代表电信网络中的一个网元端口
本申请实施例中,以上图3至图8对应的实施例中介绍了图结构数据的一个节点代表电信网络中的一个网元的情况下的具体实现方式,以下将介绍一个节点代表电信网络中网元的以网元端口的具体实现方式,也即网元数据的粒度级为网元端口级。在这种情况下,也需要对训练阶段和应用阶段分别进行描述。
(1)、训练阶段
本申请实施例中,请参阅图9,图9为本申请实施例提供的节点分类方法的一种流程示意图,本申请实施例提供的节点分类方法可以包括:
901、训练设备获取第一电信网络的网络拓扑信息和与第一电信网络中网元端口对应的网元端口数据。
902、训练设备生成与第一电信网络对应的图结构数据。
903、训练设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。
904、训练设备基于图结构中节点的局部特征,计算第五节点与第七节点的局部特征间的相似度,第七节点为图结构中除第五节点之外的节点。
905、训练设备根据第五节点与第七节点的局部特征间的相似度,从第五节点中选取第六节点。
906、训练设备根据第六节点的局部特征,得到第五节点的非局部特征。
907、训练设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果。
908、训练设备根据分类结果,利用损失函数对图卷积神经网络进行迭代训练,直至满足收敛条件。
909、训练设备输出执行过迭代训练操作的图卷积神经网络。
本申请实施例中,步骤901至909的具体实现方式可以参考图3对应实施例中步骤301至309的描述,此处不做赘述。区别在于:本实施例中的网络拓扑信息和网元端口数据的粒度级都是网元端口级别的,也即本实施例中的网络拓扑信息反映的是电信网络中的网元端口之间的连接关系,网元端口数据也是反映的为网元端口级别的运行状态。且本实施例中的分类结果中根源故障节点指向的为根源故障网元端口。
(2)、应用阶段
本申请实施例中,请参阅图10,图10为本申请实施例提供的节点分类方法的一种流程示意图,本申请实施例提供的节点分类方法可以包括:
1001、执行设备获取第二电信网络的网络拓扑信息和与第二电信网络中网元端口对应的网元端口数据,网元端口数据用于描述第二电信网络中的网元端口的运行状态。
1002、执行设备生成与第一电信网络对应的图结构数据。
1003、执行设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。
1004、执行设备基于图结构中节点的局部特征,计算第一节点与第三节点的局部特征间的相似度,第三节点为图结构中除第一节点之外的节点。
1005、执行设备根据第一节点与第三节点的局部特征间的相似度,从第一节点中选取第二节点。
1006、执行设备根据第二节点的局部特征,得到第一节点的非局部特征。
1007、执行设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果。
1008、执行设备输出分类结果。
本申请实施例中,步骤1001至1008的具体实现方式可以参考图8对应实施例中步骤801至808的描述,此处不做赘述。区别在于:本实施例中的网络拓扑信息和网元端口数据的粒度级都是网元端口级别的,也即本实施例中的网络拓扑信息反映的是电信网络中的网元端口之间的连接关系,网元端口数据也是反映的为网元端口级别的运行状态。且本实施例中的分类结果中根源故障节点指向的为根源故障网元端口。
本申请实施例中,通过前述方式,训练得到对与电信网络对应的图结构数据中节点进行分类的图卷积神经网络,从而工程师可以结合图卷积神经网络输出的分类结果对电信网络中的根源故障网元端口进行定位,提高了根源故障网元端口定位过程的效率;且整个根源故障网元端口定位过程不再完全依赖于工程师的经验,从而降低了对工程师个人经验的要求,降低了根源故障网元端口定位过程的难度;不仅能够帮助对电信网络中的根源故障网元进行定位,而且能够对电信网络中的根源故障网元端口进行定位,扩展了本方案的应用场景,提高了实现灵活性。
以上图3至图10对应的实施例中介绍的均为将本申请实施例提供的节点分类方法应用于电信网络这一具体场景中的具体实现方式,而本申请实施例中提供的节点分类方法还可以应用于对社交网络、电子交易网络、交通网络或其他类型的网络中的节点进行分类。接下来,本申请实施例还提供了一种节点分类方法,该分类方法可以应用于对各种类型的网络。以下也分别对训练阶段和应用阶段进行描述。
(1)训练阶段
本申请的一些实施例中,请参阅图11,图11为本申请实施例提供的节点分类方法的一种流程示意图,本申请实施例提供的节点分类方法可以包括:
1101、训练设备获取第一待处理网络的网络拓扑信息和与第一待处理网络中节点对应的节点数据。
1102、训练设备生成与第一待处理网络对应的图结构数据。
1103、训练设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。
1104、训练设备基于图结构中节点的局部特征,计算第五节点与第七节点的局部特征间的相似度,第七节点为图结构中除第五节点之外的节点。
1105、训练设备根据第五节点与第七节点的局部特征间的相似度,从第五节点中选取第六节点。
1106、训练设备根据第六节点的局部特征,得到第五节点的非局部特征。
1107、训练设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果。
1108、训练设备根据分类结果,利用损失函数对图卷积神经网络进行迭代训练,直至满足收敛条件。
1109、训练设备输出执行过迭代训练操作的图卷积神经网络。
本申请实施例中,步骤1101至1109的具体实现方式可以参考图3对应实施例中步骤301至309的描述,以及,图9对应实施例中步骤901至909的描述,此处不做赘述。
区别在于:第一,图3对应实施例中步骤304和305是可选地,图9对应实施例中步骤904和905是可选地,而图11对应实施例中步骤1104和1105不是可选地,对应的,图11对应实施例中的步骤1106仅包括根据第五节点的局部特征和第五节点的非局部特征,通过图卷积神经网络对第五节点进行分类这种实现方式,不包括仅根据第五节点的局部特征,通过图卷积神经网络对第五节点进行分类这种实现方式。
第二,图3和图9对应实施例中都是针对电信网络的处理方式,而图11对应实施例中的目标网络的类型包括但不限于电信网络、社交网络、电子交易网络、交通网络或其他类型的网络。对应的,图11对应实施例中的训练数据集合包括的为至少一个目标网络的网络拓扑信息和目标网络中节点的节点数据,在目标网络为电信网络的情况下,目标网络中的节点的具体表现形式、节点数据中包括的内容以及分类结果中包括的内容均可参阅上述图3和图9对应的实施例中的描述。在目标网络为社交网络的情况下,目标网络中的节点可以为多个用户端以及至少一个社交服务器,节点数据可以包括对客户端的社交行为进行统计后的得到二次统计属性,作为示例,例如用户端的活跃程度,用户端的访问内容类型,用户端的活跃时间等;节点数据中还可以包括社交服务器的状态描述信息,作为示例,例如社交服务器的处理能力等,分类结果可以为用于指示使用用户端的兴趣爱好等。在目标网络为电子交易网络的情况下,目标网络的节点可以为电子交易系统中的至少一个交易服务器和交易客户端,节点数据可以包括交易服务器的处理时延、交易服务器的交易事务处理速率、交易客户端的交易发起时延等等,分类结果可以用于指示故障交易节点。在目标网络为交通网络的情况下,交通网络的节点可以为交通路口、立交桥或其他类型的交通节点等,节点数据可以为交通节点的平均车辆量、交通节点的事故发生率或其他交通数据等,分类结果可以用于指示待优化交通节点等等。前述举例均仅为证明本方案的可实现性,不用于限定本方案。
本申请实施例中,训练得到的图卷积神经网络在对网络中的节点进行分类的过程中,在提取单个网络节点的特征时,融入与该节点的非局部特征,也即融入了与该节点相似的节点的特征,有利于提高该节点的特征表达能力,从而有利于提高节点分类的准确性。此外,处理的目标网络可以为电信网络、社交网络、电子交易网络或交通网络,扩展了本方案的应用场景,提高了本方案的实现灵活性。
(2)应用阶段
本申请的一些实施例中,请参阅图12,图12为本申请实施例提供的节点分类方法的一种流程示意图,本申请实施例提供的节点分类方法可以包括:
1201、执行设备获取第二待处理网络的网络拓扑信息和与第二待处理网络中节点对应的节点数据,节点数据用于描述第二待处理网络中的节点的运行状态。
1202、执行设备生成与第一待处理网络对应的图结构数据。
1203、执行设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征。
1204、执行设备基于图结构中节点的局部特征,计算第一节点与第三节点的局部特征间的相似度,第三节点为图结构中除第一节点之外的节点。
1205、执行设备根据第一节点与第三节点的局部特征间的相似度,从第一节点中选取第二节点。
1206、执行设备根据第二节点的局部特征,得到第一节点的非局部特征。
1207、执行设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果。
1208、执行设备输出分类结果。
本申请实施例中,步骤1201和1208的具体实现方式可以参考图8对应实施例中的步骤801和808,也可以参考图10对应实施例中的步骤1001和1008,此处不做赘述。区别在于本实施例中的待处理网络不仅包括电信网络,还包括社交网络、电子交易网络或交通网络,对应的,本实施例中的网络中的节点、节点数据以及分类结果的内容范围与图8和图10对应实施例中的描述有所不同,可参看图11对应实施例中对前述概念的定义。步骤1202至1206的具体实现方式可以参考图11对应实施例中步骤1102至1106的描述,此处不做赘述。
为进一步理解本方案,请参阅图13,图13为本申请实施例提供的节点分类方法的一种流程示意图。其中,C1、执行设备在获取到待处理的网络拓扑信息和待处理的电信网络中节点的节点数据之后,生成与待处理网络对应的图结构数据;C2、执行设备上配置有图卷积神经网络,图卷积神经网络中的局部特征提取网络基于图结构数据,提取图结构中节点的局部特征;C3、图卷积神经网络中的非局部特征提取根据节点的局部特征,提取图结构中节点的非局部特征;C4、图卷积神经网络中的分类器根据图结构中节点的局部特征和图结构中节点的非局部特征,对图结构中节点进行分类。应当理解,图13中的示例仅为更直观的理解本方案,不用于限定本方案。
本申请实施例中,图卷积神经网络在提取单个网络节点的特征时,融入与该节点的非局部特征,也即融入了与该节点相似的节点的特征,有利于提高该节点的特征表达能力,从而有利于提高节点分类的准确性。
为了对本申请带来的有益效果有进一步地理解,以下结合实验数据对本方案的有益效果做进一步展示,此处展示的为在对节点进行分类的过程中,加入节点的非局部特征所带来的效果的提升。实验数据集为37张电信网络图和每张电信网络图中网元的网元数据,此次实验的粒度级为网元级,每个图上有50至200个节点不等,每个图上有2至5个根源异常节点。对比图卷积神经网络采用的为GAT,本方案的图卷积神经网络为在GAT的基础上增加了非局部特征获取模块,本次实验中将前述37张电信网络图中五分之四的数据用来训练本方案中的图卷积神经网络,用五分之一的数据来验证本方案的图卷积神经网络与GAT之间的性能差别,实验结果如下:
表2
GAT | 本方案的图卷积神经网络 | |
准确率 | 0.93 | 0.94 |
查全率 | 0.60 | 0.70 |
精确度 | 0.63 | 0.68 |
通过上述表2可以看出,相对于GAT,采用加入了非局部特征提取模块的图卷积神经网络(也即本方案提供的图卷积神经网络)在准确率、查全率和精确度上都有提升。
在图1至图13所对应的实施例的基础上,为了更好的实施本申请实施例的上述方案,下面还提供用于实施上述方案的相关设备。具体参阅图14,图14为本申请实施例提供的节点分类装置的一种结构示意图,电信网络中故障定位的装置1400包括:获取模块1401、生成模块1402、局部特征提取模块1403、非局部特征提取模块1404和分类模块1405。获取模块1401,用于获取电信网络的网络拓扑信息和与电信网络中网元对应的网元数据,网元数据用于描述电信网络中的网元的运行状态;生成模块1402,用于根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元,边数据用于指示电信网络中网元与网元之间的连接关系;局部特征提取模块1403,用于将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;非局部特征提取模块1404,用于将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第一节点的非局部特征,第一节点为图结构中任一节点,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件;分类模块1405,用于将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中节点为目标类别的概率,图结构中节点为目标类别的概率用于指示电信网络中对应的网元为根源故障网元的概率;其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
在一种可能的设计中,非局部特征提取模块1404,具体用于:基于图结构中节点的局部特征,计算第一节点与第三节点的局部特征间的相似度,第三节点为图结构中除第一节点之外的节点;根据第一节点与第三节点的局部特征间的相似度,从第三节点中选取第二节点;根据第二节点的局部特征,得到第一节点的非局部特征。
在一种可能的设计中,非局部特征提取模块1404,具体用于根据第一节点与第三节点的局部特征间的相似度,从第三节点中选取与第一节点的局部特征间相似度最高的至少一个节点作为第二节点。
在一种可能的设计中,非局部特征提取模块1404,具体用于根据第一节点与第三节点的局部特征间的相似度,从第三节点中选取与第一节点的局部特征间相似度大于或等于预设阈值的至少一个节点作为第二节点。
在一种可能的设计中,第二节点中每个节点的局部特征包括至少一个维度的元素值,非局部特征提取模块1404,具体用于:从第二节点中每个节点的局部特征中获取与目标维度对应的元素值,以从第二节点包括的所有节点中得到与目标维度对应的至少一个元素值,目标维度为每个节点的局部特征包括的至少一个维度中的任一维度;对与目标维度对应的至少一个元素值进行池化,以生成目标元素值;重复执行前述操作,以生成与局部特征包括的所有维度对应的目标元素值,得到第一节点的非局部特征,第一节点的非局部特征中包括至少一个目标元素值。
在一种可能的设计中,局部特征提取模块1403,具体用于:基于边数据,从第三节点中选取与第一节点连接的节点作为第四节点,第三节点为图结构中除第一节点之外的节点;根据第一节点的节点数据和第四节点的节点数据,采用空域的方式得到第一节点的局部特征,第一节点的节点数据和第四节点的节点数据包含于节点数据中。
在一种可能的设计中,网元数据中包括与网元的属性对应的属性值,不同网元的属性种类相同或不同,节点数据包括图结构中节点的属性向量,边数据为邻接矩阵;生成模块1402,具体用于:根据网元数据,获取与电信网络中所有网元对应的属性集合,并将属性集合作为图结构中节点的属性向量的属性种类,其中,属性集合包括电信网络中网元的所有属性种类;从属性集合中获取与目标网元的网元数据对应的第一属性,并根据目标网元的网元数据生成第一节点的属性向量中与第一属性对应的元素值,其中,目标网元与第一节点对应,第一属性为目标网元的网元数据中存在的属性;在属性集合中包括除第一属性之外的第二属性的情况下,将第一节点的属性向量中与第二属性对应的元素值确定为预设值,其中,第二属性为属性集合中存在且目标网元的网元数据中不存在的属性,与第一属性对应的元素值和与第二属性对应的元素值组成第一节点的属性向量的元素值;根据网络拓扑信息,生成邻接矩阵。
在一种可能的设计中,生成模块1402,具体用于将网元数据输入自编码器,得到自编码器输出的节点数据,并根据网络拓扑信息,生成边数据,其中,网元数据为电信网络中网元的日志或者电信网络中网元的关键绩效指标。
在一种可能的设计中,分类结果包括图结构中的节点为非根源故障节点的概率值和图结构中的节点为根源故障节点的概率值;或者,分类结果包括图结构中的节点为非根源故障节点的概率值、图结构中的节点为模拟硬件故障节点的概率值、图结构中的节点为模拟配置故障节点的概率值和图结构中的节点为模拟协议层故障节点的概率值。
需要说明的是,电信网络中故障定位的装置1400中各模块/单元之间的信息交互、执行过程等内容,与本申请中图8和图10对应的各个方法实施例基于同一构思,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还提供一种节点分类装置,请参阅图15,图15为本申请实施例提供的训练设备的一种结构示意图,电信网络中故障定位的装置1500包括:获取模块1501、生成模块1502局部特征提取模块1503、非局部特征提取模块1504、分类模块1505和训练模块1506。获取模块1501,用于获取电信网络的网络拓扑信息和与电信网络中网元对应的网元数据,网元数据用于描述电信网络中的网元的运行状态;生成模块1502,用于根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元,边数据用于指示电信网络中网元与网元之间的连接关系;局部特征提取模块1503,用于将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;非局部特征提取模块1504,用于将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第五节点的非局部特征,第五节点为图结构中任一节点,第五节点的非局部特征用于反映第六节点的特征,第六节点与第五节点的局部特征间的相似度符合预设条件;分类模块1505,用于将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到第五节点的分类结果,第五节点的分类结果包括第五节点为目标类别的概率,第五节点为目标类别的概率用于指示与第五节点对应的网元为根源故障网元的概率;训练模块1506,用于根据第五节点的分类结果,利用损失函数对目标图卷积神经网络进行迭代训练,直至满足收敛条件,输出执行过迭代训练操作的目标图卷积神经网络,目标图卷积神经网络包括局部特征提取网络、非局部特征提取网络和分类器。
在一种可能的设计中,损失函数为交叉熵损失函数、负对数似然损失函数或指数损失函数。本申请实施例中,提供了损失函数的多种具体实现方式,提高了本方案的选择灵活性。
需要说明的是,电信网络中故障定位的装置1500中各模块/单元之间的信息交互、执行过程等内容,与本申请中图3至图7以及图9对应的各个方法实施例基于同一构思,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
接下来介绍本申请实施例提供的一种执行设备,请参阅图16,图16为本申请实施例提供的执行设备的一种结构示意图。其中,执行设备1600上可以部署有图14对应实施例中所描述的电信网络中故障定位的装置1400,用于实现图8对应实施例中执行设备的功能;或者,执行设备1600上用于实现图9对应实施例中执行设备的功能;或者,执行设备1600上用于实现图12对应实施例中执行设备的功能。具体的,执行设备1600包括:接收器1601、发射器1602、处理器1603和存储器1604(其中执行设备1600中的处理器1603的数量可以一个或多个,图16中以一个处理器为例),其中,处理器1603可以包括应用处理器16031和通信处理器16032。在本申请的一些实施例中,接收器1601、发射器1602、处理器1603和存储器1604可通过总线或其它方式连接。
存储器1604可以包括只读存储器和随机存取存储器,并向处理器1603提供指令和数据。存储器1604的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1604存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1603控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1603中,或者由处理器1603实现。处理器1603可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1603中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1603可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1603可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1604,处理器1603读取存储器1604中的信息,结合其硬件完成上述方法的步骤。
接收器1601可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1602可用于通过第一接口输出数字或字符信息;发射器1602还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器1602还可以包括显示屏等显示设备。
本申请实施例中,在一种情况下,处理器1603,用于执行图8对应实施例中的执行设备执行的节点分类方法。具体的,应用处理器16031,用于执行如下步骤:
获取电信网络的网络拓扑信息和与电信网络中网元对应的网元数据,网元数据用于描述电信网络中的网元的运行状态;
根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元,边数据用于指示电信网络中网元与网元之间的连接关系;
将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;
将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第一节点的非局部特征,第一节点为图结构中任一节点,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件;
将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中节点为目标类别的概率,图结构中节点为目标类别的概率用于指示电信网络中对应的网元为根源故障网元的概率;
其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
需要说明的是,应用处理器16031还用于执行图8或图10对应实施例中由执行设备执行的其他步骤,应用处理器16031执行上述各个步骤的具体方式,与本申请中图8或图10对应的各个方法实施例基于同一构思,其带来的技术效果与本申请中图8或图10对应的各个方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
在另一种情况下,处理器1603,用于执行图9对应实施例中的执行设备执行的节点分类方法。具体的,应用处理器16031,用于执行如下步骤:
获取电信网络的网络拓扑信息和与电信网络中网元端口对应的网元端口数据,网元端口数据用于描述电信网络中的网元端口的运行状态;
根据网络拓扑信息和网元端口数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元端口,边数据用于指示电信网络中网元端口与网元端口之间的连接关系;
将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;
将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第一节点的非局部特征,第一节点为图结构中任一节点,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件;
将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中节点为目标类别的概率,图结构中节点为目标类别的概率用于指示电信网络中对应的网元端口为根源故障网元端口的概率;
其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
需要说明的是,应用处理器16031还用于执行图8或图10对应实施例中由执行设备执行的其他步骤,应用处理器16031执行上述各个步骤的具体方式,与本申请中图8或图10对应的各个方法实施例基于同一构思,其带来的技术效果与本申请中图8或图10对应的各个方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
在另一种情况下,处理器1603,用于执行图12对应实施例中的执行设备执行的节点分类方法。具体的,应用处理器16031,用于执行如下步骤:
获取待处理网络的网络拓扑信息和与待处理网络中节点对应的节点数据,节点数据用于描述待处理网络中的节点的运行状态;
根据网络拓扑信息和节点数据,生成与待处理网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与待处理网络对应的图结构中节点的数据,图结构中的节点对应待处理网络中的节点,边数据用于指示待处理网络中节点与节点之间的连接关系;
将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;
将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第一节点的非局部特征,第一节点为图结构中任一节点,第一节点的非局部特征用于反映第二节点的特征,第二节点与第一节点的局部特征间的相似度符合预设条件;
将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果,分类结果包括图结构中节点为目标类别的概率,图结构中节点为目标类别的概率用于指示待处理网络中对应的节点为根源故障节点的概率;
其中,局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络,目标图卷积神经网络通过训练得到。
需要说明的是,应用处理器16031还用于执行图12对应实施例中由执行设备执行的其他步骤,应用处理器16031执行上述各个步骤的具体方式,与本申请中图12对应的各个方法实施例基于同一构思,其带来的技术效果与本申请中图12对应的各个方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还提供了一种训练设备,请参阅图17,图17是本申请实施例提供的训练设备一种结构示意图。其中,训练设备1700上可以部署有图15对应实施例中所描述的电信网络中故障定位的装置1500,用于实现图3至图7对应实施例中训练设备的功能;或者,训练设备1700用于实现图9对应实施例中训练设备的功能;或者,训练设备1700用于实现图11对应实施例中训练设备的功能。具体的,训练设备1700由一个或多个服务器实现,训练设备1700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)1722(例如,一个或一个以上处理器)和存储器1732,一个或一个以上存储应用程序1742或数据1744的存储介质1730(例如一个或一个以上海量存储设备)。其中,存储器1732和存储介质1730可以是短暂存储或持久存储。存储在存储介质1730的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1722可以设置为与存储介质1730通信,在训练设备1700上执行存储介质1730中的一系列指令操作。
训练设备1700还可以包括一个或一个以上电源1726,一个或一个以上有线或无线网络接口1750,一个或一个以上输入输出接口1758,和/或,一个或一个以上操作系统1741,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本申请实施例中,在一种情况中,中央处理器1722,用于执行图3至图7对应实施例中的训练设备执行的节点分类方法。具体的,中央处理器1722,用于执行如下步骤:
获取电信网络的网络拓扑信息和与电信网络中网元对应的网元数据,网元数据用于描述电信网络中的网元的运行状态;
根据网络拓扑信息和网元数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元,边数据用于指示电信网络中网元与网元之间的连接关系;
将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;
将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第五节点的非局部特征,第五节点为图结构中任一节点,第五节点的非局部特征用于反映第六节点的特征,第六节点与第五节点的局部特征间的相似度符合预设条件;
将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到第五节点的分类结果,第五节点的分类结果包括第五节点为目标类别的概率,第五节点为目标类别的概率用于指示与第五节点对应的网元为根源故障网元的概率;
根据第五节点的分类结果,利用损失函数对目标图卷积神经网络进行迭代训练,直至满足收敛条件,输出执行过迭代训练操作的目标图卷积神经网络,目标图卷积神经网络包括局部特征提取网络、非局部特征提取网络和分类器。
需要说明的是,中央处理器1722还用于执行图3至图7对应实施例中由训练设备执行的其他步骤,中央处理器1722执行上述各个步骤的具体方式,与本申请中图3至图7对应的各个方法实施例基于同一构思,其带来的技术效果与本申请中图3至图7对应的各个方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例中,在一种情况中,中央处理器1722,用于执行图9对应实施例中的训练设备执行的节点分类方法。具体的,中央处理器1722,用于执行如下步骤:
获取电信网络的网络拓扑信息和与电信网络中网元端口对应的网元端口数据,网元端口数据用于描述电信网络中的网元端口的运行状态;
根据网络拓扑信息和网元端口数据,生成与电信网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与电信网络对应的图结构中节点的数据,图结构中的节点对应电信网络中的网元端口,边数据用于指示电信网络中网元端口与网元端口之间的连接关系;
将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;
将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第五节点的非局部特征,第五节点为图结构中任一节点,第五节点的非局部特征用于反映第六节点的特征,第六节点与第五节点的局部特征间的相似度符合预设条件;
将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到第五节点的分类结果,第五节点的分类结果包括第五节点为目标类别的概率,第五节点为目标类别的概率用于指示与第五节点对应的网元端口为根源故障网元端口的概率;
根据第五节点的分类结果,利用损失函数对目标图卷积神经网络进行迭代训练,直至满足收敛条件,输出执行过迭代训练操作的目标图卷积神经网络,目标图卷积神经网络包括局部特征提取网络、非局部特征提取网络和分类器。
需要说明的是,中央处理器1722还用于执行图9对应实施例中由训练设备执行的其他步骤,中央处理器1722执行上述各个步骤的具体方式,与本申请中图9对应的各个方法实施例基于同一构思,其带来的技术效果与本申请中图9对应的各个方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
在另一种情况中,本申请实施例中,中央处理器1722,用于执行图11对应实施例中的训练设备执行的节点分类方法。具体的,中央处理器1722,用于执行如下步骤:
获取待处理网络的网络拓扑信息和与待处理网络中节点对应的节点数据,节点数据用于描述待处理网络中的节点的运行状态;
根据网络拓扑信息和节点数据,生成与待处理网络对应的图结构数据,其中,图结构数据包括节点数据和边数据,节点数据用于指示与待处理网络对应的图结构中节点的数据,图结构中的节点对应待处理网络中的节点,边数据用于指示待处理网络中节点与节点之间的连接关系;
将图结构数据输入局部特征提取网络得到图结构中节点的局部特征;
将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征,图结构中节点的非局部特征中包括第五节点的非局部特征,第五节点为图结构中任一节点,第五节点的非局部特征用于反映第六节点的特征,第六节点与第五节点的局部特征间的相似度符合预设条件;
将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到第五节点的分类结果,第五节点的分类结果包括第五节点为目标类别的概率,第五节点为目标类别的概率用于指示与第五节点对应的节点为根源故障节点的概率;
根据第五节点的分类结果,利用损失函数对目标图卷积神经网络进行迭代训练,直至满足收敛条件,输出执行过迭代训练操作的目标图卷积神经网络,目标图卷积神经网络包括局部特征提取网络、非局部特征提取网络和分类器。
需要说明的是,中央处理器1722还用于执行图11对应实施例中由训练设备执行的其他步骤,中央处理器1722执行上述各个步骤的具体方式,与本申请中图11对应的各个方法实施例基于同一构思,其带来的技术效果与本申请中图11对应的各个方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例中还提供一种包括计算机程序产品,当其在计算机上运行时,使得计算机执行如前述图3至图7所示实施例描述的方法中训练设备所执行的步骤,或者,使得计算机执行如前述图8所示实施例描述的方法中执行设备所执行的步骤,或者,使得计算机执行如前述图9所示实施例描述的方法中训练设备所执行的步骤,或者,使得计算机执行如前述图10所示实施例描述的方法中执行设备所执行的步骤,或者,使得计算机执行如前述图11所示实施例描述的方法中训练设备所执行的步骤,或者,使得计算机执行如前述图12所示实施例描述的方法中执行设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述图3至图7所示实施例描述的方法中训练设备所执行的步骤,或者,使得计算机执行如前述图8所示实施例描述的方法中执行设备所执行的步骤,或者,使得计算机执行如前述图9所示实施例描述的方法中训练设备所执行的步骤,或者,使得计算机执行如前述图10所示实施例描述的方法中执行设备所执行的步骤,或者,使得计算机执行如前述图11所示实施例描述的方法中训练设备所执行的步骤,或者,使得计算机执行如前述图12所示实施例描述的方法中执行设备所执行的步骤。
本申请实施例提供的执行设备或训练设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使训练设备内的芯片执行上述图3至图7所示实施例描述的节点分类方法,或者,以使执行设备内的芯片执行上述图8所示实施例描述的节点分类方法,或者,以使训练设备内的芯片执行上述图9所示实施例描述的节点分类方法,或者,以使执行设备内的芯片执行上述图10所示实施例描述的节点分类方法,或者,以使训练设备内的芯片执行上述图11所示实施例描述的节点分类方法,或者,以使执行设备内的芯片执行上述图12所示实施例描述的节点分类方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(randomaccess memory,RAM)等。
具体的,请参阅图18,图18为本申请实施例提供的芯片的一种结构示意图,所述芯片可以表现为神经网络处理器NPU 180,NPU 180作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路180,通过控制器1804控制运算电路1803提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1803内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1803是二维脉动阵列。运算电路1803还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1803是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1802中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1801中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1808中。
统一存储器1806用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1805,DMAC被搬运到权重存储器1802中。输入数据也通过DMAC被搬运到统一存储器1806中。
BIU为Bus Interface Unit即,总线接口单元1810,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1809的交互。
总线接口单元1810(Bus Interface Unit,简称BIU),用于取指存储器1809从外部存储器获取指令,还用于存储单元访问控制器1805从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1806或将权重数据搬运到权重存储器1802中或将输入数据数据搬运到输入存储器1801中。
向量计算单元1807包括多个运算处理单元,在需要的情况下,对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对特征平面进行上采样等。
在一些实现中,向量计算单元1807能将经处理的输出的向量存储到统一存储器1806。例如,向量计算单元1807可以将线性函数和/或非线性函数应用到运算电路1803的输出,用以生成激活值。在一些实现中,向量计算单元1807生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1803的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1804连接的取指存储器(instruction fetch buffer)1809,用于存储控制器1804使用的指令;
统一存储器1806,输入存储器1801,权重存储器1802以及取指存储器1809均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述各个方法实施例中所示的图卷积神经网络中各层的运算可以由运算电路1803或向量计算单元1807执行。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述第一方面方法的程序执行的集成电路。
另外需说明的是,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。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的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,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,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,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (20)
1.一种电信网络中故障定位的方法,其特征在于,所述方法包括:
获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据,所述网元数据用于描述所述电信网络中的网元的运行状态;
根据所述网络拓扑信息和所述网元数据,生成与所述电信网络对应的图结构数据,其中,所述图结构数据包括节点数据和边数据,所述节点数据用于指示与所述电信网络对应的图结构中节点的数据,所述图结构中的节点对应所述电信网络中的网元,所述边数据用于指示所述电信网络中网元与网元之间的连接关系;
将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征;所述将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征,包括:基于所述边数据,从第三节点中选取与第一节点连接的节点作为第四节点,所述第一节点为所述图结构中任一节点,所述第三节点为所述图结构中除所述第一节点之外的节点;根据所述第一节点的节点数据和所述第四节点的节点数据,得到所述第一节点的局部特征;
将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征,所述图结构中节点的非局部特征中包括所述第一节点的非局部特征,所述第一节点的非局部特征用于反映第二节点的特征,所述第二节点与所述第一节点的局部特征间的相似度符合预设条件;所述将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征,包括:基于所述图结构中节点的局部特征,计算所述第一节点与第三节点的局部特征间的相似度;根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取所述第二节点;根据所述第二节点的局部特征,得到所述第一节点的非局部特征;
将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果,所述分类结果包括所述图结构中节点为目标类别的概率,所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元为根源故障网元的概率;
其中,所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络,所述目标图卷积神经网络通过训练得到;
所述第二节点中每个节点的局部特征包括至少一个维度的元素值,所述根据所述第二节点的局部特征,得到所述第一节点的非局部特征,包括:
从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值,以从所述第二节点包括的所有节点中得到与所述目标维度对应的至少一个元素值,所述目标维度为所述每个节点的局部特征包括的至少一个维度中的任一维度;
对与所述目标维度对应的至少一个元素值进行池化,以生成目标元素值;
重复执行如下操作:从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值,对与所述目标维度对应的至少一个元素值进行池化,以生成与所述局部特征包括的所有维度对应的目标元素值,得到所述第一节点的非局部特征,所述第一节点的非局部特征中包括至少一个所述目标元素值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取第二节点,包括:
根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取与所述第一节点的局部特征间相似度最高的至少一个节点作为所述第二节点。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取第二节点,包括:
根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取与所述第一节点的局部特征间相似度大于或等于预设阈值的至少一个节点作为所述第二节点。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述网元数据中包括与网元的属性对应的属性值,不同网元的属性种类相同或不同,所述节点数据包括所述图结构中节点的属性向量,所述边数据为邻接矩阵;
所述根据所述网络拓扑信息和所述网元数据,生成与所述电信网络对应的图结构数据包括:
根据所述网元数据,获取与所述电信网络中所有网元对应的属性集合,并将所述属性集合作为所述图结构中节点的属性向量的属性种类,其中,所述属性集合包括所述电信网络中网元的所有属性种类;
从所述属性集合中获取与目标网元的网元数据对应的第一属性,并根据目标网元的网元数据生成所述第一节点的属性向量中与所述第一属性对应的元素值,其中,所述目标网元与所述第一节点对应,所述第一属性为所述目标网元的网元数据中存在的属性;
在所述属性集合中包括除所述第一属性之外的第二属性的情况下,将所述第一节点的属性向量中与所述第二属性对应的元素值确定为预设值,其中,所述第二属性为所述属性集合中存在且所述目标网元的网元数据中不存在的属性,所述与所述第一属性对应的元素值和所述与所述第二属性对应的元素值组成所述第一节点的属性向量的元素值;
根据所述网络拓扑信息,生成所述邻接矩阵。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述根据所述网络拓扑信息和所述网元数据,生成与所述电信网络对应的图结构数据,包括:
将所述网元数据输入自编码器,得到所述自编码器输出的所述节点数据,并根据所述网络拓扑信息,生成所述边数据,其中,所述网元数据为所述电信网络中网元的日志或者所述电信网络中网元的关键绩效指标KPI。
6.一种电信网络中故障定位的方法,其特征在于,所述方法包括:
获取电信网络的网络拓扑信息和与所述电信网络中网元端口对应的网元端口数据,所述网元端口数据用于描述所述电信网络中的网元端口的运行状态;
根据所述网络拓扑信息和所述网元端口数据,生成与所述电信网络对应的图结构数据,其中,所述图结构数据包括节点数据和边数据,所述节点数据用于指示与所述电信网络对应的图结构中节点的数据,所述图结构中的节点对应所述电信网络中的网元端口,所述边数据用于指示所述电信网络中网元端口与网元端口之间的连接关系;
将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征;所述将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征,包括:基于所述边数据,从第三节点中选取与第一节点连接的节点作为第四节点,所述第一节点为所述图结构中任一节点,所述第三节点为所述图结构中除所述第一节点之外的节点;根据所述第一节点的节点数据和所述第四节点的节点数据,得到所述第一节点的局部特征;
将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征,所述图结构中节点的非局部特征中包括所述第一节点的非局部特征,所述第一节点的非局部特征用于反映第二节点的特征,所述第二节点与所述第一节点的局部特征间的相似度符合预设条件;所述将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征,包括:基于所述图结构中节点的局部特征,计算所述第一节点与第三节点的局部特征间的相似度;根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取所述第二节点;根据所述第二节点的局部特征,得到所述第一节点的非局部特征;
将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果,所述分类结果包括所述图结构中节点为目标类别的概率,所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元端口为根源故障网元端口的概率;
其中,所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络,所述目标图卷积神经网络通过训练得到;
所述第二节点中每个节点的局部特征包括至少一个维度的元素值,所述根据所述第二节点的局部特征,得到所述第一节点的非局部特征,包括:
从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值,以从所述第二节点包括的所有节点中得到与所述目标维度对应的至少一个元素值,所述目标维度为所述每个节点的局部特征包括的至少一个维度中的任一维度;
对与所述目标维度对应的至少一个元素值进行池化,以生成目标元素值;
重复执行如下操作:从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值,对与所述目标维度对应的至少一个元素值进行池化,以生成与所述局部特征包括的所有维度对应的目标元素值,得到所述第一节点的非局部特征,所述第一节点的非局部特征中包括至少一个所述目标元素值。
7.一种电信网络中故障定位的方法,特征在于,所述方法包括:
获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据,所述网元数据用于描述所述电信网络中的网元的运行状态;
根据所述网络拓扑信息和所述网元数据,生成与所述电信网络对应的图结构数据,其中,所述图结构数据包括节点数据和边数据,所述节点数据用于指示与所述电信网络对应的图结构中节点的数据,所述图结构中的节点对应所述电信网络中的网元,所述边数据用于指示所述电信网络中网元与网元之间的连接关系;
将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征;所述将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征,包括:基于所述边数据,从第七节点中选取与第五节点连接的节点作为第八节点,所述第五节点为所述图结构中任一节点,所述第七节点为所述图结构中除所述第五节点之外的节点;根据所述第五节点的节点数据和所述第八节点的节点数据,得到所述第五节点的局部特征;
将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征,所述图结构中节点的非局部特征中包括所述第五节点的非局部特征,所述第五节点的非局部特征用于反映第六节点的特征,所述第六节点与所述第五节点的局部特征间的相似度符合预设条件;将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征,包括:基于所述图结构中节点的局部特征,计算所述第五节点与第七节点的局部特征间的相似度;根据所述第五节点与第七节点的局部特征间的相似度,从所述第七节点中选取所述第六节点;根据所述第六节点的局部特征,得到所述第五节点的非局部特征;
将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到所述第五节点的分类结果,所述第五节点的分类结果包括所述第五节点为目标类别的概率,所述第五节点为目标类别的概率用于指示与所述第五节点对应的网元为根源故障网元的概率;
根据所述第五节点的分类结果,利用损失函数对目标图卷积神经网络进行迭代训练,直至满足收敛条件,输出执行过迭代训练操作的目标图卷积神经网络,所述目标图卷积神经网络包括所述局部特征提取网络、所述非局部特征提取网络和所述分类器;
所述第六节点中每个节点的局部特征包括至少一个维度的元素值,所述根据所述第六节点的局部特征,得到所述第五节点的非局部特征,包括:
从所述第六节点中每个节点的局部特征中获取与目标维度对应的元素值,以从所述第六节点包括的所有节点中得到与所述目标维度对应的至少一个元素值,所述目标维度为所述每个节点的局部特征包括的至少一个维度中的任一维度;
对与所述目标维度对应的至少一个元素值进行池化,以生成目标元素值;
重复执行如下操作:从所述第六节点中每个节点的局部特征中获取与目标维度对应的元素值,对与所述目标维度对应的至少一个元素值进行池化,以生成与所述局部特征包括的所有维度对应的目标元素值,得到所述第五节点的非局部特征,所述第五节点的非局部特征中包括至少一个所述目标元素值。
8.根据权利要求7所述的方法,其特征在于,所述损失函数为交叉熵损失函数、负对数似然损失函数或指数损失函数。
9.一种电信网络中故障定位的装置,其特征在于,所述装置包括:
获取模块,用于获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据,所述网元数据用于描述所述电信网络中的网元的运行状态;
生成模块,用于根据所述网络拓扑信息和所述网元数据,生成与所述电信网络对应的图结构数据,其中,所述图结构数据包括节点数据和边数据,所述节点数据用于指示与所述电信网络对应的图结构中节点的数据,所述图结构中的节点对应所述电信网络中的网元,所述边数据用于指示所述电信网络中网元与网元之间的连接关系;
局部特征提取模块,用于将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征;所述局部特征提取模块,具体用于:基于所述边数据,从第三节点中选取与第一节点连接的节点作为第四节点,所述第一节点为所述图结构中任一节点,所述第三节点为所述图结构中除所述第一节点之外的节点;根据所述第一节点的节点数据和所述第四节点的节点数据,得到所述第一节点的局部特征;
非局部特征提取模块,用于将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征,所述图结构中节点的非局部特征中包括所述第一节点的非局部特征,所述第一节点的非局部特征用于反映第二节点的特征,所述第二节点与所述第一节点的局部特征间的相似度符合预设条件;所述非局部特征提取模块,具体用于:基于所述图结构中节点的局部特征,计算所述第一节点与第三节点的局部特征间的相似度;根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取所述第二节点;根据所述第二节点的局部特征,得到所述第一节点的非局部特征;
分类模块,用于将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果,所述分类结果包括所述图结构中节点为目标类别的概率,所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元为根源故障网元的概率;
其中,所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络,所述目标图卷积神经网络通过训练得到;
所述第二节点中每个节点的局部特征包括至少一个维度的元素值,所述非局部特征提取模块,具体用于:
从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值,以从所述第二节点包括的所有节点中得到与所述目标维度对应的至少一个元素值,所述目标维度为所述每个节点的局部特征包括的至少一个维度中的任一维度;
对与所述目标维度对应的至少一个元素值进行池化,以生成目标元素值;
重复执行如下操作:从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值,对与所述目标维度对应的至少一个元素值进行池化,以生成与所述局部特征包括的所有维度对应的目标元素值,得到所述第一节点的非局部特征,所述第一节点的非局部特征中包括至少一个所述目标元素值。
10.根据权利要求9所述的装置,其特征在于,所述非局部特征提取模块,具体用于根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取与所述第一节点的局部特征间相似度最高的至少一个节点作为所述第二节点。
11.根据权利要求9所述的装置,其特征在于,所述非局部特征提取模块,具体用于根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取与所述第一节点的局部特征间相似度大于或等于预设阈值的至少一个节点作为所述第二节点。
12.根据权利要求9至11任一项所述的装置,其特征在于,所述网元数据中包括与网元的属性对应的属性值,不同网元的属性种类相同或不同,所述节点数据包括所述图结构中节点的属性向量,所述边数据为邻接矩阵;所述生成模块,具体用于:
根据所述网元数据,获取与所述电信网络中所有网元对应的属性集合,并将所述属性集合作为所述图结构中节点的属性向量的属性种类,其中,所述属性集合包括所述电信网络中网元的所有属性种类;
从所述属性集合中获取与目标网元的网元数据对应的第一属性,并根据目标网元的网元数据生成所述第一节点的属性向量中与所述第一属性对应的元素值,其中,所述目标网元与所述第一节点对应,所述第一属性为所述目标网元的网元数据中存在的属性;
在所述属性集合中包括除所述第一属性之外的第二属性的情况下,将所述第一节点的属性向量中与所述第二属性对应的元素值确定为预设值,其中,所述第二属性为所述属性集合中存在且所述目标网元的网元数据中不存在的属性,所述与所述第一属性对应的元素值和所述与所述第二属性对应的元素值组成所述第一节点的属性向量的元素值;
根据所述网络拓扑信息,生成所述邻接矩阵。
13.根据权利要求9至11任一项所述的装置,其特征在于,所述生成模块,具体用于将所述网元数据输入自编码器,得到所述自编码器输出的所述节点数据,并根据所述网络拓扑信息,生成所述边数据,其中,所述网元数据为所述电信网络中网元的日志或者所述电信网络中网元的关键绩效指标KPI。
14.一种电信网络中故障定位的装置,其特征在于,所述装置包括:
获取模块,用于获取电信网络的网络拓扑信息和与所述电信网络中网元端口对应的网元端口数据,所述网元端口数据用于描述所述电信网络中的网元端口的运行状态;
生成模块,用于根据所述网络拓扑信息和所述网元端口数据,生成与所述电信网络对应的图结构数据,其中,所述图结构数据包括节点数据和边数据,所述节点数据用于指示与所述电信网络对应的图结构中节点的数据,所述图结构中的节点对应所述电信网络中的网元端口,所述边数据用于指示所述电信网络中网元端口与网元端口之间的连接关系;
局部特征提取模块,用于将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征;所述局部特征提取模块,具体用于:基于所述边数据,从第三节点中选取与第一节点连接的节点作为第四节点,所述第一节点为所述图结构中任一节点,所述第三节点为所述图结构中除所述第一节点之外的节点;根据所述第一节点的节点数据和所述第四节点的节点数据,得到所述第一节点的局部特征;
非局部特征提取模块,用于将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征,所述图结构中节点的非局部特征中包括所述第一节点的非局部特征,所述第一节点的非局部特征用于反映第二节点的特征,所述第二节点与所述第一节点的局部特征间的相似度符合预设条件;所述非局部特征提取模块,具体用于:基于所述图结构中节点的局部特征,计算所述第一节点与第三节点的局部特征间的相似度;根据所述第一节点与第三节点的局部特征间的相似度,从所述第三节点中选取所述第二节点;根据所述第二节点的局部特征,得到所述第一节点的非局部特征;
分类模块,用于将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果,所述分类结果包括所述图结构中节点为目标类别的概率,所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元端口为根源故障网元端口的概率;
其中,所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络,所述目标图卷积神经网络通过训练得到;
所述第二节点中每个节点的局部特征包括至少一个维度的元素值,所述非局部特征提取模块,具体用于:
从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值,以从所述第二节点包括的所有节点中得到与所述目标维度对应的至少一个元素值,所述目标维度为所述每个节点的局部特征包括的至少一个维度中的任一维度;
对与所述目标维度对应的至少一个元素值进行池化,以生成目标元素值;
重复执行如下操作:从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值,对与所述目标维度对应的至少一个元素值进行池化,以生成与所述局部特征包括的所有维度对应的目标元素值,得到所述第一节点的非局部特征,所述第一节点的非局部特征中包括至少一个所述目标元素值。
15.一种电信网络中故障定位的装置,特征在于,所述装置包括:
获取模块,用于获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据,所述网元数据用于描述所述电信网络中的网元的运行状态;
生成模块,用于根据所述网络拓扑信息和所述网元数据,生成与所述电信网络对应的图结构数据,其中,所述图结构数据包括节点数据和边数据,所述节点数据用于指示与所述电信网络对应的图结构中节点的数据,所述图结构中的节点对应所述电信网络中的网元,所述边数据用于指示所述电信网络中网元与网元之间的连接关系;
局部特征提取模块,用于将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征;所述局部特征提取模块,具体用于:基于所述边数据,从第七节点中选取与第五节点连接的节点作为第八节点,所述第五节点为所述图结构中任一节点,所述第七节点为所述图结构中除所述第五节点之外的节点;根据所述第五节点的节点数据和所述第八节点的节点数据,得到所述第五节点的局部特征;
非局部特征提取模块,用于将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征,所述图结构中节点的非局部特征中包括所述第五节点的非局部特征,所述第五节点的非局部特征用于反映第六节点的特征,所述第六节点与所述第五节点的局部特征间的相似度符合预设条件;所述非局部特征提取模块,具体用于:基于所述图结构中节点的局部特征,计算所述第五节点与第七节点的局部特征间的相似度;根据所述第五节点与第七节点的局部特征间的相似度,从所述第七节点中选取所述第六节点;根据所述第六节点的局部特征,得到所述第五节点的非局部特征;
分类模块,用于将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到所述第五节点的分类结果,所述第五节点的分类结果包括所述第五节点为目标类别的概率,所述第五节点为目标类别的概率用于指示与所述第五节点对应的网元为根源故障网元的概率;
训练模块,用于根据所述第五节点的分类结果,利用损失函数对目标图卷积神经网络进行迭代训练,直至满足收敛条件,输出执行过迭代训练操作的目标图卷积神经网络,所述目标图卷积神经网络包括所述局部特征提取网络、所述非局部特征提取网络和所述分类器;
所述第六节点中每个节点的局部特征包括至少一个维度的元素值,所述非局部特征提取模块,具体用于:
从所述第六节点中每个节点的局部特征中获取与目标维度对应的元素值,以从所述第六节点包括的所有节点中得到与所述目标维度对应的至少一个元素值,所述目标维度为所述每个节点的局部特征包括的至少一个维度中的任一维度;
对与所述目标维度对应的至少一个元素值进行池化,以生成目标元素值;
重复执行如下操作:从所述第六节点中每个节点的局部特征中获取与目标维度对应的元素值,对与所述目标维度对应的至少一个元素值进行池化,以生成与所述局部特征包括的所有维度对应的目标元素值,得到所述第五节点的非局部特征,所述第五节点的非局部特征中包括至少一个所述目标元素值。
16.根据权利要求15所述的装置,其特征在于,所述损失函数为交叉熵损失函数、负对数似然损失函数或指数损失函数。
17.一种执行设备,其特征在于,包括处理器,所述处理器与存储器耦合,
所述存储器,用于存储程序;
所述处理器,用于执行所述存储器中的程序,使得所述执行设备执行如权利要求1至5中任一项所述的方法,或者,使得所述执行设备执行如权利要求6所述的方法。
18.一种训练设备,其特征在于,包括处理器,所述处理器与存储器耦合,
所述存储器,用于存储程序;
所述处理器,用于执行所述存储器中的程序,使得所述训练设备执行如权利要求7或8所述的方法。
19.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1至5中任一项所述的方法,或者,使得计算机执行如权利要求6所述的方法,或者,使得计算机执行如权利要求7所述的方法。
20.一种电路系统,其特征在于,所述电路系统包括处理电路,所述处理电路配置为执行如权利要求1至5中任一项所述的方法,或者,配置为执行如权利要求6所述的方法,或者,配置为执行如权利要求7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010077076.XA CN113162787B (zh) | 2020-01-23 | 2020-01-23 | 电信网络中故障定位的方法、节点分类方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010077076.XA CN113162787B (zh) | 2020-01-23 | 2020-01-23 | 电信网络中故障定位的方法、节点分类方法以及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113162787A CN113162787A (zh) | 2021-07-23 |
CN113162787B true CN113162787B (zh) | 2023-09-29 |
Family
ID=76882099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010077076.XA Active CN113162787B (zh) | 2020-01-23 | 2020-01-23 | 电信网络中故障定位的方法、节点分类方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113162787B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114173370A (zh) * | 2021-12-30 | 2022-03-11 | 中国电信股份有限公司 | 一种故障定位方法、装置、设备及存储介质 |
CN114721860B (zh) * | 2022-05-23 | 2023-04-07 | 北京航空航天大学 | 一种基于图神经网络的微服务系统故障定位方法 |
CN115242679A (zh) * | 2022-07-30 | 2022-10-25 | 北京理工大学 | 一种通信网络中节点宕机的检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002353906A (ja) * | 2001-05-24 | 2002-12-06 | Nec Corp | 光通信網、光通信ノード装置及びそれに用いる障害検出方法並びに障害位置特定方法 |
CN104796273A (zh) * | 2014-01-20 | 2015-07-22 | 中国移动通信集团山西有限公司 | 一种网络故障根源诊断的方法和装置 |
CN106470122A (zh) * | 2016-09-20 | 2017-03-01 | 北京汇通金财信息科技有限公司 | 一种网络故障定位方法及装置 |
CN108540330A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种异构网络环境下的基于深度学习的网络故障诊断方法 |
CN109491338A (zh) * | 2018-11-09 | 2019-03-19 | 南通大学 | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
CN110110809A (zh) * | 2019-05-16 | 2019-08-09 | 郑州轻工业学院 | 基于机器故障诊断的模糊自动机的构建方法 |
CN110134539A (zh) * | 2019-05-14 | 2019-08-16 | 极智(上海)企业管理咨询有限公司 | 一种分布式系统故障根源的诊断方法 |
CN110601909A (zh) * | 2019-10-22 | 2019-12-20 | 广州供电局有限公司 | 网络维护方法、装置、计算机设备和存储介质 |
-
2020
- 2020-01-23 CN CN202010077076.XA patent/CN113162787B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002353906A (ja) * | 2001-05-24 | 2002-12-06 | Nec Corp | 光通信網、光通信ノード装置及びそれに用いる障害検出方法並びに障害位置特定方法 |
CN104796273A (zh) * | 2014-01-20 | 2015-07-22 | 中国移动通信集团山西有限公司 | 一种网络故障根源诊断的方法和装置 |
CN106470122A (zh) * | 2016-09-20 | 2017-03-01 | 北京汇通金财信息科技有限公司 | 一种网络故障定位方法及装置 |
CN108540330A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种异构网络环境下的基于深度学习的网络故障诊断方法 |
CN109491338A (zh) * | 2018-11-09 | 2019-03-19 | 南通大学 | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
CN110134539A (zh) * | 2019-05-14 | 2019-08-16 | 极智(上海)企业管理咨询有限公司 | 一种分布式系统故障根源的诊断方法 |
CN110110809A (zh) * | 2019-05-16 | 2019-08-09 | 郑州轻工业学院 | 基于机器故障诊断的模糊自动机的构建方法 |
CN110601909A (zh) * | 2019-10-22 | 2019-12-20 | 广州供电局有限公司 | 网络维护方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113162787A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230196117A1 (en) | Training method for semi-supervised learning model, image processing method, and device | |
WO2021218471A1 (zh) | 一种用于图像处理的神经网络以及相关设备 | |
CN113162787B (zh) | 电信网络中故障定位的方法、节点分类方法以及相关设备 | |
WO2022012407A1 (zh) | 一种用于神经网络的训练方法以及相关设备 | |
CN112434462A (zh) | 一种模型的获取方法及设备 | |
CN111797589B (zh) | 一种文本处理网络、神经网络训练的方法以及相关设备 | |
CN111860588A (zh) | 一种用于图神经网络的训练方法以及相关设备 | |
CN113011282A (zh) | 图数据处理方法、装置、电子设备及计算机存储介质 | |
CN111931002B (zh) | 一种匹配方法以及相关设备 | |
WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
US20240232575A1 (en) | Neural network obtaining method, data processing method, and related device | |
US20220130495A1 (en) | Method and Device for Determining Correlation Between Drug and Target, and Electronic Device | |
WO2023231753A1 (zh) | 一种神经网络的训练方法、数据的处理方法以及设备 | |
CN113902010A (zh) | 分类模型的训练方法和图像分类方法、装置、设备和介质 | |
CN115034379A (zh) | 一种因果关系确定方法及相关设备 | |
CN113657022B (zh) | 一种芯片故障识别方法及相关设备 | |
CN111159481A (zh) | 图数据的边预测方法、装置及终端设备 | |
CN114494933A (zh) | 基于边缘智能的水文监测站图像识别监测系统 | |
CN113065634B (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
EP4398128A1 (en) | Recommendation method and related device | |
CN114900435B (zh) | 一种连接关系预测方法及相关设备 | |
WO2022052647A1 (zh) | 一种数据处理方法、神经网络的训练方法以及相关设备 | |
CN113361402B (zh) | 识别模型的训练方法、确定准确率的方法、装置和设备 | |
CN115345291A (zh) | 一种图处理方法及相关装置 | |
CN114898881A (zh) | 一种生存预测方法、装置、设备和存储介质 |
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 |