CN113315660A - 一种基于网络和业务关系的载波网络故障诊断方法及系统 - Google Patents

一种基于网络和业务关系的载波网络故障诊断方法及系统 Download PDF

Info

Publication number
CN113315660A
CN113315660A CN202110577817.5A CN202110577817A CN113315660A CN 113315660 A CN113315660 A CN 113315660A CN 202110577817 A CN202110577817 A CN 202110577817A CN 113315660 A CN113315660 A CN 113315660A
Authority
CN
China
Prior art keywords
fault
network
link
reliability
virtual
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.)
Granted
Application number
CN202110577817.5A
Other languages
English (en)
Other versions
CN113315660B (zh
Inventor
施展
付佳佳
梁宇图
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110577817.5A priority Critical patent/CN113315660B/zh
Publication of CN113315660A publication Critical patent/CN113315660A/zh
Application granted granted Critical
Publication of CN113315660B publication Critical patent/CN113315660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/46—Interconnection of networks
    • H04L12/4641—Virtual LANs, VLANs, e.g. virtual private networks [VPN]
    • 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
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • 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)
  • Computer Security & Cryptography (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于网络和业务关系的载波网络故障诊断方法及系统，涉及载波网络管理技术领域。所述方法包括：根据底层网络和虚拟网络的关系，构建故障传播模型；根据底层网络和虚拟网络中链路发生故障的可信度、链路的虚拟业务承载量、链路归一化后的虚拟业务承载量和链路归一化后发生故障的可信度，对故障传播模型进行优化，得到优化故障传播模型；根据优化故障传播模型，获取故障可信度大于预设阈值的底层链路，并构建疑似故障集合；对疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合。本发明能够提升故障诊断结果的准确率，降低故障诊断结果的误报率。

Description

一种基于网络和业务关系的载波网络故障诊断方法及系统
技术领域
本发明涉及载波网络管理技术领域，尤其涉及一种基于网络和业务关系的载波网络故障诊断方法及系统。
背景技术
随着物联网和智能家电技术的快速发展和应用，电力载波网络得到了快速发展和应用。为满足越来越多用电设备的网络需求，电力公司加大了载波网络的建设和运营成本。由于网络虚拟化技术可以有效提升网络资源的利用率，被越来越多的网络运营商和设备商采用，逐渐成为下一代网络的关键技术。由于电力设备对网络可靠性要求较高，如果网络设备出现故障，需要快速的进行故障诊断，这样才能保证载波网络的稳定运行，提升电力用户的服务质量。但是，载波网络存在电力终端数量多、网络信号影响因素多等特点，容易导致载波网络管理系统中的网络噪声较大，从而影响故障定位的准确性。
发明内容
本发明目的在于，提供一种基于网络和业务关系的载波网络故障诊断方法及系统，以提升故障诊断结果的准确率，降低故障诊断结果的误报率。
为实现上述目的，本发明实施例提供一种基于网络和业务关系的载波网络故障诊断方法，包括：
根据底层网络和虚拟网络的关系，构建故障传播模型；
根据所述底层网络和所述虚拟网络中链路发生故障的可信度、链路的虚拟业务承载量、链路归一化后的虚拟业务承载量和链路归一化后发生故障的可信度，对所述故障传播模型进行优化，得到优化故障传播模型；
根据所述优化故障传播模型，获取故障可信度大于预设阈值的底层链路，并构建疑似故障集合；
对所述疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合。
优选地，所述链路发生故障的可信度，通过以下公式进行计算：
Figure BDA0003084962890000021
其中，
Figure BDA0003084962890000022
表示链路xn的故障可信度，
Figure BDA0003084962890000023
表示链路xn故障时，可能导致出现的负症状，S表示网络管理系统获取到的所有负症状，运算符|*|表示求解集合中元素的数量。
优选地，所述链路的虚拟业务承载量，通过以下公式进行计算：
Figure BDA0003084962890000024
其中，
Figure BDA0003084962890000025
表示链路xn的虚拟业务承载量，z表示链路xn上承载的电力业务的类型，δj表示电力业务类型j的电力业务的数量。
优选地，所述链路的归一化后的虚拟业务承载量，通过以下公式进行计算：
Figure BDA0003084962890000026
其中，
Figure BDA0003084962890000027
表示链路xn归一化后的虚拟业务承载量，maxΘ表示所有链路中承载的虚拟业务的最大值，minΘ表示所有链路中承载的虚拟业务的最小值。
优选地，所述链路归一化后发生故障的可信度，通过以下公式进行计算：
Figure BDA0003084962890000028
其中，
Figure BDA0003084962890000029
表示归一化后的链路xn故障可信度，
Figure BDA00030849628900000210
表示链路xn归一化后的虚拟业务承载量，
Figure BDA00030849628900000211
表示链路xn的归一化前的虚拟业务承载量。
优选地，所述对所述疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合，包括：
根据所述疑似故障集合，计算所述疑似故障集合中所有故障集的可信度评估值；
选择可信度评估值最大的故障集作为最优的疑似故障集合。
优选地，所述疑似故障集合中故障集的可信度评估值，通过以下公式进行计算：
Figure BDA0003084962890000031
Figure BDA0003084962890000032
Figure BDA0003084962890000033
其中，CL(hkj)表示故障集hkj的可信度评估值，
Figure BDA0003084962890000034
表示网络管理系统获取到的异常服务中，可以通过故障集合hkj中故障链路解释的概率，SO表示网络管理系统获取到的异常服务，
Figure BDA0003084962890000035
表示故障集合hkj中可以通过故障链路解释的所有异常服务的概率。
本发明实施例还提供一种基于网络和业务关系的载波网络故障诊断系统，包括：
模型构建模块，用于根据底层网络和虚拟网络的关系，构建故障传播模型；
模型优化模块，用于根据所述底层网络和所述虚拟网络中链路发生故障的可信度、链路的虚拟业务承载量、链路归一化后的虚拟业务承载量和链路归一化后发生故障的可信度，对所述故障传播模型进行优化，得到优化故障传播模型；
疑似故障获取模块，用于根据所述优化故障传播模型，获取故障可信度大于预设阈值的底层链路，并构建疑似故障集合；
疑似故障筛选模块，用于对所述疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合。
本发明实施例还提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的基于网络和业务关系的载波网络故障诊断方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一实施例所述的基于网络和业务关系的载波网络故障诊断方法。
与现有技术相比，本发明具有以下有益效果：
本发明提供一种基于网络和业务关系的载波网络故障诊断方法，包括：根据底层网络和虚拟网络的关系，构建故障传播模型；根据所述底层网络和所述虚拟网络中链路发生故障的可信度、链路的虚拟业务承载量、链路归一化后的虚拟业务承载量和链路归一化后发生故障的可信度，对所述故障传播模型进行优化，得到优化故障传播模型；根据所述优化故障传播模型，获取故障可信度大于预设阈值的底层链路，并构建疑似故障集合；对所述疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合。本发明能够提升故障诊断结果的准确率，降低故障诊断结果的误报率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，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是本发明某一实施例提供的基于网络和业务关系的载波网络故障诊断方法的流程示意图；
图2是本发明某一实施例提供的电力业务故障传播模型的结构示意图；
图3是本发明某一实施例提供的故障诊断方法的准确率比较结果示意图；
图4是本发明某一实施例提供的故障诊断方法的误报率比较结果示意图；
图5是本发明某一实施例提供的故障诊断方法的执行时长比较结果示意图；
图6是本发明某一实施例提供的基于网络和业务关系的载波网络故障诊断系统的结构示意图；
图7是本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
每个虚拟网络都承载一个业务，网络和业务的关系，是指底层网络和虚拟网络的资源分配关系。
请参阅图1，图1是本发明某一实施例提供的基于网络和业务关系的载波网络故障诊断方法的流程示意图。本实施例提供的基于网络和业务关系的载波网络故障诊断方法，包括以下步骤：
S110，根据底层网络和虚拟网络的关系，构建故障传播模型。
S120，根据底层网络和虚拟网络中链路发生故障的可信度、链路的虚拟业务承载量、链路归一化后的虚拟业务承载量和链路归一化后发生故障的可信度，对故障传播模型进行优化，得到优化故障传播模型。
在某一实施例中，链路发生故障的可信度，通过以下公式进行计算：
Figure BDA0003084962890000061
其中，
Figure BDA0003084962890000062
表示链路xn的故障可信度，
Figure BDA0003084962890000063
表示链路xn故障时，可能导致出现的负症状，S表示网络管理系统获取到的所有负症状，运算符|*|表示求解集合中元素的数量。
在某一实施例中，链路的虚拟业务承载量，通过以下公式进行计算：
Figure BDA0003084962890000064
其中，
Figure BDA0003084962890000065
表示链路xn的虚拟业务承载量，z表示链路xn上承载的电力业务的类型，δj表示电力业务类型j的电力业务的数量。
在某一实施例中，链路的归一化后的虚拟业务承载量，通过以下公式进行计算：
Figure BDA0003084962890000066
其中，
Figure BDA0003084962890000067
表示链路xn归一化后的虚拟业务承载量，maxΘ表示所有链路中承载的虚拟业务的最大值，minΘ表示所有链路中承载的虚拟业务的最小值。
在某一实施例中，链路归一化后发生故障的可信度，通过以下公式进行计算：
Figure BDA0003084962890000068
其中，
Figure BDA0003084962890000069
表示归一化后的链路xn故障可信度，
Figure BDA00030849628900000610
表示链路xn归一化后的虚拟业务承载量，
Figure BDA00030849628900000611
表示链路xn的归一化前的虚拟业务承载量。
S130，根据优化故障传播模型，获取故障可信度大于预设阈值的底层链路，并构建疑似故障集合。
S140，对疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合。
在某一实施例中，对疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合，包括：
根据疑似故障集合，计算疑似故障集合中所有故障集的可信度评估值；选择可信度评估值最大的故障集作为最优的疑似故障集合。
在某一实施例中，疑似故障集合中故障集的可信度评估值，通过以下公式进行计算：
Figure BDA0003084962890000071
Figure BDA0003084962890000072
Figure BDA0003084962890000073
其中，CL(hkj)表示故障集hkj的可信度评估值，
Figure BDA0003084962890000074
表示网络管理系统获取到的异常服务中，可以通过故障集合hkj中故障链路解释的概率，SO表示网络管理系统获取到的异常服务，
Figure BDA0003084962890000075
表示故障集合hkj中可以通过故障链路解释的所有异常服务的概率。
在本实施例中，载波网络由业务终端、接入站点、中央协调器、智能网关四种主要设备组成，通过综合网管系统对这些设备进行统一管理。其中，业务终端包括智能家电、智能电表、信号采集器等类型终端。接入站点是业务终端接入网络的主要设备，该设备为业务终端提供必要的网络接口和通信功能。中央协调器实现接入站点通信数据的汇总功能。智能网关是各个载波网络的核心出口设备，可以实现多个区域载波网络的联网和通信。综合网管系统采用网管协议和第三方代理方式，实现对载波网络设备的远程管控。
随着物联网技术的快速发展，载波网络对网络带宽的需求快速增加。为提升载波网络的资源利用率，网络虚拟化技术已成为一个关键技术。在网络虚拟化环境下，传统的载波网络被划分为底层网络和虚拟网络。底层网络包括底层节点和底层链路，为电力业务提供网络资源。使用G＝(N,E)表示底层网络的网络拓扑，其中，N表示底层网络的节点集合，使用ni∈N表示单个底层网络节点。E表示底层网络的链路集合，使用ej∈E表示单条底层网络链路。虚拟网络包括虚拟节点和虚拟链路，用于承载特定的电力业务。虚拟网络的虚拟节点和虚拟链路来自底层网络的底层节点和底层链路。使用GV＝(NV,EV)表示虚拟网络的网络拓扑，其中，NV表示虚拟网络的节点集合，使用
Figure BDA0003084962890000081
表示单个虚拟网络节点。EV表示虚拟网络的链路集合，使用
Figure BDA0003084962890000082
表示单条虚拟网络链路。为提升各种业务的服务质量，每个虚拟网络一般承载一种电力业务。
为快速准确的找到引起电力业务异常的底层网络资源，需要将异常的电力业务与底层网络资源建立关联关系。本发明基于贝叶斯理论构建故障传播模型，将电力业务与底层网络资源建立关联关系。
为提升电力业务的服务质量，网络管理系统可以实时获得电力业务的运行状态。当网络管理系统发现电力业务的运行状态异常时，将业务的异常信息发送给网络管理人员。网络管理人员可以基于异常电力业务所使用的底层网络资源的状态，找到引起电力业务异常的原因。本发明以端到端的电力业务为研究对象，使用
Figure BDA0003084962890000083
表示从虚拟节点
Figure BDA0003084962890000084
到虚拟节点
Figure BDA0003084962890000085
的一个端到端的电力业务。为描述底层网络和虚拟网络的关系，使用GV↓G表示底层网络G为虚拟网络GV分配资源。对于网络节点和网络链路，使用
Figure BDA0003084962890000086
表示底层节点
Figure BDA0003084962890000087
为虚拟节点
Figure BDA0003084962890000088
分配资源。使用
Figure BDA0003084962890000089
表示底层路径
Figure BDA00030849628900000810
为虚拟链路
Figure BDA00030849628900000811
分配资源。其中，底层路径
Figure BDA00030849628900000812
表示以“为虚拟链路
Figure BDA00030849628900000813
的两个虚拟节点分配资源的底层节点”为起止节点的底层路径。
基于贝叶斯理论构建的电力业务故障传播模型(如图2所示)包括上层节点、下层节点、两层间的连线三部分。其中，上层节点表示症状节点，由电力业务的状态构成。使用So＝{s1,s2,...,sm}表示由m个电力业务构成的症状集合。sm的取值为0或1。当sm＝1时，表示电力业务m处于异常状态，称为负症状。当sm＝0时，表示电力业务m处于正常状态，称为正症状。
下层节点表示故障节点，由底层网络的网络资源构成。使用X＝{x1,x2,...,xn}表示n个疑似故障x构成的集合。xn的取值为0或1。当xn＝1时，表示底层网络资源n不可用，称为负故障。当xn＝0时，表示底层网络资源n可用，称为正故障。两层间的连线是一条从底层节点到上层节点的有向线条，表示故障节点为负故障时，可以导致上层的症状节点为负症状的概率。为了实现底层节点到上层节点的有向连接，需要首先将电力业务使用的虚拟资源映射到底层网络资源。
通过上述分析，本发明在故障传播模型优化方面，采取计算每条链路发生故障的可信度、计算每条链路的虚拟业务承载量、链路发生故障的可信度优化三个步骤。
为了判断每条链路发生故障的可能性，定义链路xn故障可信度
Figure BDA0003084962890000091
用于评价链路xn发生故障的可能性。
Figure BDA0003084962890000092
的值使用公式(1)计算。
Figure BDA0003084962890000093
表示链路xn故障时，可以导致出现的负症状。S表示网络管理系统观察到的所有负症状。运算符|*|表示求解集合中元素的数量。
Figure BDA0003084962890000094
当底层链路上承载的电力业务较多时，其发生异常时将导致较多的电力业务不可用。所以，仅仅以公式(1)计算得到的链路发生故障的可信度不是非常准确。为了将公式(1)的值进行优化，本发明从每条链路的虚拟业务承载量方面进行优化。链路xn的虚拟业务承载量
Figure BDA0003084962890000095
使用公式(2)进行计算，z表示链路xn上承载的电力业务的类型，δj表示电力业务类型j的电力业务的数量。
Figure BDA0003084962890000096
从链路发生故障的可信度计算过程可知，当链路的虚拟业务承载量较多时，其发生故障时的负症状数量较多。此时，链路发生故障的可信度取值不能公平的评价链路发生故障的可能性。所以，在使用链路发生故障的可信度时，需要与业务数量进行关联。本发明采用归一化算法，将业务数量进行归一化，从而使“链路发生故障的可信度”更加合理。每条链路xn的虚拟业务承载量
Figure BDA0003084962890000097
使用公式(3)进行归一化，归一化后的链路xn的虚拟业务承载量
Figure BDA0003084962890000098
使用
Figure BDA0003084962890000099
表示。其中，maxΘ表示所有链路中承载的虚拟业务的最大值，minΘ表示所有链路中承载的虚拟业务的最小值。
Figure BDA0003084962890000101
基于此，优化后的链路xn故障可信度使用公式(4)计算，其中，
Figure BDA0003084962890000102
表示优化后的链路xn故障可信度。通过公式(4)，可以更加公平的根据承载业务量对链路的故障可信度进行评估。
Figure BDA0003084962890000103
选择故障可信度大于阈值Π的底层链路，构建疑似故障集合H。
通过计算链路xn故障可信度，可以获得最可能发生故障的底层链路。但是，如何从可能发生故障的底层链路中查找最可能发生故障的链路资源，组成最终的疑似故障集合，是一个急需解决的问题。
假设同时发生故障的底层链路数量为k，则由k个底层链路构成的疑似故障集合为h＝{fi,fj,...,fk}。为提高构建疑似故障集合的效率，本发明基于链路xn故障可信度，仅选择故障可信度大于阈值Π的底层链路，构建疑似故障集合。使用hkj表示构建的疑似故障集合，其中，k表示同时发生故障的底层链路的数量，j表示第k种疑似故障的集合数量。所以，疑似故障集合选择的目标为从k×j个疑似故障集合中选择最优的疑似故障集合。
为了从构建的多个疑似故障集合中选择最优的疑似故障集合，本发明定义故障集hkj的可信度评估值CL(hkj)，使用公式(5)计算。
Figure BDA0003084962890000104
Figure BDA0003084962890000105
Figure BDA0003084962890000106
公式(5)中，
Figure BDA0003084962890000107
用于计算观察到的异常服务中可以由故障集合hkj中故障链路解释的概率，使用公式(6)计算。SO表示观察到的异常服务。
Figure BDA0003084962890000108
表示底层网络链路
Figure BDA0003084962890000109
故障时服务
Figure BDA00030849628900001010
为异常的概率。
Figure BDA00030849628900001011
用于计算故障集合hkj中故障链路可以解释的所有异常服务的概率，使用公式(7)计算。
Figure BDA0003084962890000111
表示故障集合hkj中故障链路可以解释的所有异常服务。
通过分析公式(5)到公式(7)可知，公式(5)计算的故障集hkj的可信度评估值CL(hkj)越大，表明故障集hkj中的故障导致的异常服务被观察到的数量较多，而且故障集hkj中的故障导致的异常服务都被观察到。
对于疑似故障集合H中的每个故障集，使用公式(5)计算故障集hkj的可信度评估值CL(hkj)；选择最大的可信度评估值CL(hkj)对应的故障集作为最优的疑似故障集合h*。
本发明某一实施例提供的基于网络和业务关系的载波网络故障诊断方法如表1所示。
表1基于网络和业务关系的载波网络故障诊断方法
Figure BDA0003084962890000112
在构建故障传播模型步骤中，基于底层网络和虚拟网络的关系，构建故障传播模型。在故障传播模型优化步骤中，主要工作包括计算每条链路发生故障的可信度、计算每条链路的虚拟业务承载量、业务数量归一化、优化链路故障可信度四个子过程。在构建疑似故障集合步骤中，从k×j个疑似故障集合中选择最优的疑似故障集合。在故障定位步骤中，包括计算故障集hkj的可信度评估值CL(hkj)、确定最优的疑似故障集合h*两个子过程。
在某一具体实施例中，基于底层网络和虚拟网络，网络拓扑使用GT-ITM拓扑生成器生成。在网络规模方面，底层网络拓扑的网络节点数量从100个到500个变化，模拟不同的网络规模。虚拟网络拓扑的网络节点数量服从(5，10)的均匀分布。在网络故障模拟方面，每个底层网络节点的先验故障概率服从[0.005,0.01]的均匀分布。
将本发明涉及的基于网络和业务关系的载波网络故障诊断方法(carriernetwork fault diagnosis algorithm based on network and business relationship，CNFDAoNBR)与基于贝叶斯理论的载波网络故障诊断方法(carrier network faultdiagnosis algorithm based on Bayesian theory，CNFDAoBT)进行了比较。CNFDAoBT方法的诊断过程与本发明涉及的方法CNFDAoNBR类似，主要区别是本发明方法CNFDAoNBR在执行故障定位前，基于网络和业务关系，对故障传播模型进行了优化。方法CNFDAoBT不对故障传播模型进行优化。在方法性能指标方面，从故障诊断的准确率、误报率、方法执行时长三个方面进行对比。
故障诊断方法的准确率比较结果如图3所示。图3中，X轴表示底层网络节点的数量从100个增加到500个，Y轴表示故障诊断方法的准确率。观察图可知，两个方法在不同网络规模下的故障诊断准确率趋于平衡，都维持在一个区间范围内。两个方法的执行结果比较方面，本发明方法CNFDAoNBR的故障诊断准确率维持在80％左右，对比方法CNFDAoBT的故障诊断准确率维持在75％左右。说明本发明方法提高了故障诊断方法的准确率。
故障诊断方法的误报率比较结果如图4所示。图4中，X轴表示底层网络节点的数量从100个增加到500个，Y轴表示故障诊断方法的误报率。观察图可知，两个方法在不同网络规模下的故障诊断误报率趋于平衡，都维持在一个区间范围内。两个方法的执行结果比较方面，本发明方法CNFDAoNBR的故障诊断误报率维持在18％左右，对比方法CNFDAoBT的故障诊断误报率维持在20％左右。实验结果说明本发明方法降低了故障诊断方法的误报率。
故障诊断方法的执行时长比较结果如图5所示。图5中，X轴表示底层网络节点的数量从100个增加到500个，Y轴表示故障诊断方法的执行时长。观察图可知，两个方法在不同网络规模下的故障诊断执行时长随着底层网络规模的增加都快速增加。这说明底层网络节点增加后，底层网络的拓扑更加复杂，生成的故障传播模型更加复杂，所以故障诊断的时间快速增加。两个方法的执行结果比较方面，随着底层网络规模的增大，本发明方法CNFDAoNBR的故障诊断执行时长增长趋势逐渐变小，说明本发明方法对故障传播模型优化的时间开销对方法的执行时长影响逐渐变小。实验结果表明本发明方法的故障诊断执行时长对网络故障诊断方法的影响较小，可以应用到实际的故障诊断环境中。
请参阅图6，图6是本发明某一实施例提供的基于网络和业务关系的载波网络故障诊断系统的结构示意图。在本实施例中与上述实施例相同的部分，在此不再赘述。本实施例提供的基于网络和业务关系的载波网络故障诊断系统包括：
模型构建模块210，用于根据底层网络和虚拟网络的关系，构建故障传播模型。
模型优化模块220，用于根据底层网络和虚拟网络中链路发生故障的可信度、链路的虚拟业务承载量、链路归一化后的虚拟业务承载量和链路归一化后发生故障的可信度，对故障传播模型进行优化，得到优化故障传播模型。
疑似故障获取模块230，用于根据优化故障传播模型，获取故障可信度大于预设阈值的底层链路，并构建疑似故障集合。
疑似故障筛选模块240，用于对疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合。
请参阅图7，本发明实施例提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任意一个实施例中的基于网络和业务关系的载波网络故障诊断方法。
处理器用于控制该计算机终端设备的整体操作，以完成上述的基于网络和业务关系的载波网络故障诊断方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static RandomAccess Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于网络和业务关系的载波网络故障诊断方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的基于网络和业务关系的载波网络故障诊断方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成上述的基于网络和业务关系的载波网络故障诊断方法，并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于网络和业务关系的载波网络故障诊断方法，其特征在于，包括：
根据底层网络和虚拟网络的关系，构建故障传播模型；
根据所述底层网络和所述虚拟网络中链路发生故障的可信度、链路的虚拟业务承载量、链路归一化后的虚拟业务承载量和链路归一化后发生故障的可信度，对所述故障传播模型进行优化，得到优化故障传播模型；
根据所述优化故障传播模型，获取故障可信度大于预设阈值的底层链路，并构建疑似故障集合；
对所述疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合。
2.根据权利要求1所述的基于网络和业务关系的载波网络故障诊断方法，其特征在于，所述链路发生故障的可信度，通过以下公式进行计算：
Figure FDA0003084962880000011
其中，
Figure FDA0003084962880000012
表示链路xn的故障可信度，
Figure FDA0003084962880000013
表示链路xn故障时，可能导致出现的负症状，S表示网络管理系统获取到的所有负症状，运算符|*|表示求解集合中元素的数量。
3.根据权利要求1所述的基于网络和业务关系的载波网络故障诊断方法，其特征在于，所述链路的虚拟业务承载量，通过以下公式进行计算：
Figure FDA0003084962880000014
其中，
Figure FDA0003084962880000015
表示链路xn的虚拟业务承载量，z表示链路xn上承载的电力业务的类型，δj表示电力业务类型j的电力业务的数量。
4.根据权利要求1所述的基于网络和业务关系的载波网络故障诊断方法，其特征在于，所述链路的归一化后的虚拟业务承载量，通过以下公式进行计算：
Figure FDA0003084962880000021
其中，
Figure FDA0003084962880000022
表示链路xn归一化后的虚拟业务承载量，maxΘ表示所有链路中承载的虚拟业务的最大值，minΘ表示所有链路中承载的虚拟业务的最小值。
5.根据权利要求1所述的基于网络和业务关系的载波网络故障诊断方法，其特征在于，所述链路归一化后发生故障的可信度，通过以下公式进行计算：
Figure FDA0003084962880000023
其中，
Figure FDA0003084962880000024
表示归一化后的链路xn故障可信度，
Figure FDA0003084962880000025
表示链路xn归一化后的虚拟业务承载量，
Figure FDA0003084962880000026
表示链路xn的归一化前的虚拟业务承载量。
6.根据权利要求1所述的基于网络和业务关系的载波网络故障诊断方法，其特征在于，所述对所述疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合，包括：
根据所述疑似故障集合，计算所述疑似故障集合中所有故障集的可信度评估值；
选择可信度评估值最大的故障集作为最优的疑似故障集合。
7.根据权利要求1所述的基于网络和业务关系的载波网络故障诊断方法，其特征在于，所述疑似故障集合中故障集的可信度评估值，通过以下公式进行计算：
Figure FDA0003084962880000027
Figure FDA0003084962880000028
Figure FDA0003084962880000029
其中，CL(hkj)表示故障集hkj的可信度评估值，
Figure FDA0003084962880000031
表示网络管理系统获取到的异常服务中，可以通过故障集合hkj中故障链路解释的概率，SO表示网络管理系统获取到的异常服务，
Figure FDA0003084962880000032
表示故障集合hkj中可以通过故障链路解释的所有异常服务的概率。
8.一种基于网络和业务关系的载波网络故障诊断系统，其特征在于，包括：
模型构建模块，用于根据底层网络和虚拟网络的关系，构建故障传播模型；
模型优化模块，用于根据所述底层网络和所述虚拟网络中链路发生故障的可信度、链路的虚拟业务承载量、链路归一化后的虚拟业务承载量和链路归一化后发生故障的可信度，对所述故障传播模型进行优化，得到优化故障传播模型；
疑似故障获取模块，用于根据所述优化故障传播模型，获取故障可信度大于预设阈值的底层链路，并构建疑似故障集合；
疑似故障筛选模块，用于对所述疑似故障集合进行故障定位，获取可信度评估值最大的故障集作为最优的疑似故障集合。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7任一项所述的基于网络和业务关系的载波网络故障诊断方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于网络和业务关系的载波网络故障诊断方法。
CN202110577817.5A 2021-05-26 2021-05-26 一种基于网络和业务关系的载波网络故障诊断方法及系统 Active CN113315660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110577817.5A CN113315660B (zh) 2021-05-26 2021-05-26 一种基于网络和业务关系的载波网络故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110577817.5A CN113315660B (zh) 2021-05-26 2021-05-26 一种基于网络和业务关系的载波网络故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113315660A true CN113315660A (zh) 2021-08-27
CN113315660B CN113315660B (zh) 2022-05-10

Family

ID=77375147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110577817.5A Active CN113315660B (zh) 2021-05-26 2021-05-26 一种基于网络和业务关系的载波网络故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113315660B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7120559B1 (en) * 2004-06-29 2006-10-10 Sun Microsystems, Inc. System and method for performing automated system management
CN111884859A (zh) * 2020-07-30 2020-11-03 国网重庆市电力公司电力科学研究院 一种网络故障诊断方法、装置及可读存储介质
CN112415330A (zh) * 2020-10-27 2021-02-26 山东山大电力技术股份有限公司 一种基于广域信息的电网故障智能辨识方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7120559B1 (en) * 2004-06-29 2006-10-10 Sun Microsystems, Inc. System and method for performing automated system management
CN111884859A (zh) * 2020-07-30 2020-11-03 国网重庆市电力公司电力科学研究院 一种网络故障诊断方法、装置及可读存储介质
CN112415330A (zh) * 2020-10-27 2021-02-26 山东山大电力技术股份有限公司 一种基于广域信息的电网故障智能辨识方法及系统

Also Published As

Publication number Publication date
CN113315660B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN103426056B (zh) 基于风险评估的电力系统薄弱环节辨识方法
Namal et al. Autonomic trust management in cloud-based and highly dynamic IoT applications
US8656009B2 (en) Indicating an impact of a change in state of a node
EP3338191A1 (en) Diagnostic framework in computing systems
WO2022061900A1 (zh) 故障自治能力的确定方法以及相关设备
US10884805B2 (en) Dynamically configurable operation information collection
CN112367191B (zh) 一种5g网络切片下服务故障定位方法
CN108737573A (zh) 一种分布式存储集群及其服务响应控制方法、装置和设备
CN111884859B (zh) 一种网络故障诊断方法、装置及可读存储介质
CN112383934A (zh) 一种5g网络切片下多域协作的服务故障诊断方法
CN113518367B (zh) 5g网络切片下基于服务特征的故障诊断方法及系统
CN113315660B (zh) 一种基于网络和业务关系的载波网络故障诊断方法及系统
CN113572639B (zh) 一种载波网络故障的诊断方法、系统、设备和介质
Sagkriotis et al. Energy usage profiling for virtualized single board computer clusters
CN113315661B (zh) 一种基于动态贝叶斯网络的载波网络故障诊断方法
CN113315663B (zh) 一种基于业务特征的载波网络故障诊断方法及系统
KR102467254B1 (ko) 네트워크 스위치 장치와 가입자 단말 사이의 인터넷 속도를 예측하는 장치 및 방법
CN112866009A (zh) 一种综合服务站虚拟网络故障诊断方法及装置
CN112260873B (zh) 一种5g网络切片下动态网络故障诊断方法
CN116582451B (zh) 一种弹性通信网络结合虚拟化技术通讯运营的方法
Liu et al. Fault-Tolerant Secure Routing Based on Trust Evaluation Model in Data Center Networks
Zheng et al. Dynamic Network Fault Diagnosis Algorithm under 5G Network Slice
Tirtea et al. Using resource monitoring to select recovery strategies
Mendoza et al. Determining Most Likely Links (MLL) for Network Fault Localization
CN112291804A (zh) 一种5g网络切片下噪声网络的服务故障诊断方法

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