CN113315663B - 一种基于业务特征的载波网络故障诊断方法及系统 - Google Patents

一种基于业务特征的载波网络故障诊断方法及系统 Download PDF

Info

Publication number
CN113315663B
CN113315663B CN202110595144.6A CN202110595144A CN113315663B CN 113315663 B CN113315663 B CN 113315663B CN 202110595144 A CN202110595144 A CN 202110595144A CN 113315663 B CN113315663 B CN 113315663B
Authority
CN
China
Prior art keywords
fault
network node
network
abnormal
service
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
Application number
CN202110595144.6A
Other languages
English (en)
Other versions
CN113315663A (zh
Inventor
付佳佳
施展
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 CN202110595144.6A priority Critical patent/CN113315663B/zh
Publication of CN113315663A publication Critical patent/CN113315663A/zh
Application granted granted Critical
Publication of CN113315663B publication Critical patent/CN113315663B/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
    • H04L41/0677—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
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于业务特征的载波网络故障诊断方法及系统，涉及载波网络技术领域。所述方法包括：根据与网络节点相关联的异常服务，得到网络节点的特征；其中，网络节点的特征包括故障特征、历史故障特征和资源利用率；根据网络节点的特征，构建网络节点故障可能性分析矩阵；将网络节点故障可能性分析矩阵进行归一化处理，得到优化矩阵；根据优化矩阵，得到网络节点的故障可信度；根据故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合；对异常可信度集合中的每个异常业务进行故障定位。本发明能够根据业务特征，分析网络节点的故障可信度和异常症状的可信度，从而为载波网络的故障诊断提供故障定位。

Description

一种基于业务特征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技术领域，尤其涉及一种基于业务特征的载波网络故障诊断方法及系统。
背景技术
电力线载波网络具有数据传输速度高、不需要新建网络基础设施的特点，已成为电力公司转型发展的重要技术之一。基于电力线载波技术建设的载波网络，可以为电力物联网提供网络资源，不但降低了电力物联网的建设成本，而且提升了电力物联网的建设速度和服务质量。随着电力物联网业务的快速发展，对载波网络的基础资源提出了越来越多的需求。为满足电力物联网的建设需求，提升载波网络基础资源的利用率，网络切片技术逐渐成为载波网络的一项关键技术。在网络切片环境下，载波网络的基础资源被划分为虚拟网络和底层网络。底层网络为虚拟网络提供底层节点和底层链路资源。虚拟网络通过租用底层节点和底层链路资源，构建虚拟网络。虽然网络切片技术提升了载波网络的资源利用率，但是，网络切片使得网络架构更加复杂，给网络故障管理带来了较大的挑战。
基于现有技术，通过故障和症状的关系和采用贝叶斯理论求解故障，由于载波网络中的设备类型多样、网络结构复杂，导致载波网络中的噪声较大，诊断算法性能较低。
发明内容
本发明目的在于，提供一种基于业务特征的载波网络故障诊断方法，根据业务特征，分析网络节点的故障可信度和异常症状的可信度，从而为故障诊断算法提供故障定位。
为实现上述目的，本发明实施例提供一种基于业务特征的载波网络故障诊断方法，包括：
根据与网络节点相关联的异常服务，得到所述网络节点的特征；其中，所述网络节点的特征包括故障特征、历史故障特征和资源利用率；
根据所述网络节点的特征，构建网络节点故障可能性分析矩阵；
将网络节点故障可能性分析矩阵进行归一化处理，得到优化矩阵；
根据所述优化矩阵，得到网络节点的故障可信度；
根据所述故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合；
对所述异常可信度集合中的每个异常业务进行故障定位。
优选地，所述根据与网络节点相关联的异常服务，得到所述网络节点的特征，包括：
根据网管系统上报的与所述网络节点相关联的异常服务的集合，以及故障传播模型中与所述网络节点相关联的异常服务的集合，计算所述网络节点发生故障的确定性，得到所述网络节点的故障特征；
网络节点发生故障的确定性通过以下公式进行计算：
Figure BDA0003090620930000021
其中，
Figure BDA0003090620930000022
表示网络节点fi发生故障的确定性，
Figure BDA0003090620930000023
表示网管系统上报的与网络节点fi相关联的异常服务的集合，
Figure BDA0003090620930000024
表示故障传播模型中与网络节点fi相关联的异常服务的集合。
优选地，所述根据与网络节点相关联的异常服务，得到所述网络节点的特征，包括：
根据预设时间段内所有网络节点发生的不可用次数，计算网络节点在预设时间段内发生不可用次数的归一化取值，得到历史故障特征；
网络节点在预设时间段内发生不可用次数的归一化取值，通过以下公式进行计算：
Figure BDA0003090620930000031
其中，
Figure BDA0003090620930000032
表示网络节点fi在时间段t内发生不可用次数的归一化取值，
Figure BDA0003090620930000033
表示网络节点fi在时间段t内发生不可用的次数，
Figure BDA0003090620930000034
表示时间段t内所有网络节点发生不可用次数的最小值，
Figure BDA0003090620930000035
表示时间段t内所有网络节点发生不可用次数的最大值。
优选地，所述根据与网络节点相关联的异常服务，得到所述网络节点的特征，包括：
根据网络节点的节点资源使用量、节点资源量、链路使用量和链路资源量，得到网络节点的资源利用率；
网络节点的资源利用率，通过以下公式进行计算：
Figure BDA0003090620930000036
其中，Used(ni)表示网络节点的节点资源使用量与链路使用量之和，All(ni)表示网络节点的节点资源量与链路资源量之和。
优选地，所述网络节点的故障可信度，通过以下公式进行计算：
Figure BDA0003090620930000037
R＝(rij)NM；
Figure BDA0003090620930000038
Figure BDA0003090620930000039
Figure BDA00030906209300000310
其中，xij表示第i个网络节点的第j个故障性能指标的取值，N表示网络节点的数量，M表示每个网络节点的故障性能指标数量，
Figure BDA00030906209300000311
表示第i个网络节点的第j个指标的最大值，
Figure BDA00030906209300000312
表示第i个网络节点的第j个指标的最小值，Zi表示网络节点的故障可信度，下标NM表示矩阵R是N行、M列，rij表示矩阵R中的元素。
优选地，所述根据所述故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合，包括：
根据虚拟业务关联的底层网络组件的集合以及网络节点属于底层网络组件集合的元素，计算虚拟业务的异常可信度；
虚拟业务的异常可信度，通过以下公式进行计算：
Figure BDA0003090620930000041
其中，sm表示虚拟业务的异常可信度，Pm表示虚拟业务sm关联的底层网络组件的集合，fi∈Pm表示网络节点fi属于底层网络组件集合的元素。
优选地，所述对所述异常可信度集合中的每个异常业务进行故障定位，包括：
根据故障和症状的关系，求解最可能的疑似故障集合；
所述疑似故障集合发生故障的可能性，通过以下公式进行计算：
F*＝maxFP(F|S)；
Figure BDA0003090620930000042
其中，F*表示疑似故障集合F＝{f1,f2,...,fn}发生故障的可能性，pa(sj)表示故障传播模型中，与sj相连接的故障节点，N表示网络节点的数量，M表示症状的数量，S表示症状集合。
本发明实施例还提供一种基于业务特征的载波网络故障诊断系统，包括：
特征分析模块，用于根据与网络节点相关联的异常服务，得到所述网络节点的特征；其中，所述网络节点的特征包括故障特征、历史故障特征和资源利用率；
矩阵构建模块，用于根据所述网络节点的特征，构建网络节点故障可能性分析矩阵；
矩阵优化模块，用于将网络节点故障可能性分析矩阵进行归一化处理，得到优化矩阵；
故障可信度获取模块，用于根据所述优化矩阵，得到网络节点的故障可信度；
异常可信度分析模块，用于根据所述故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合；
故障定位模块，用于对所述异常可信度集合中的每个异常业务进行故障定位。
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业务特征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业务特征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业务特征的载波网络故障诊断方法，包括：根据与网络节点相关联的异常服务，得到所述网络节点的特征；其中，所述网络节点的特征包括故障特征、历史故障特征和资源利用率；根据所述网络节点的特征，构建网络节点故障可能性分析矩阵；将网络节点故障可能性分析矩阵进行归一化处理，得到优化矩阵；根据所述优化矩阵，得到网络节点的故障可信度；根据所述故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合；对所述异常可信度集合中的每个异常业务进行故障定位。本发明能够根据业务特征，分析网络节点的故障可信度和异常症状的可信度，从而为载波网络的故障诊断提供故障定位。
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业务特征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基于业务特征的载波网络故障诊断方法中优化故障传播模型的结构示意图；
图3为本发明某一实施例提供的基于业务特征的载波网络故障诊断系统的结构示意图；
图4是本发明某一实施例提供的故障诊断算法的准确率比较示意图；
图5是本发明某一实施例提供的故障诊断算法的误报率比较示意图；
图6是本发明某一实施例提供的故障诊断算法的诊断时长比较示意图；
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。
业务特征即网络资源的业务特征，指的是业务的属性即载波网络上的业务属性，包括业务对应的虚拟网络所承载的底层网络资源的关系、业务的运行状态。
请参阅图1，图1为本发明某一实施例提供的基于业务特征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业务特征的载波网络故障诊断方法包括以下步骤：
S110，根据与网络节点相关联的异常服务，得到网络节点的特征；其中，网络节点的特征包括故障特征、历史故障特征和资源利用率。
在某一实施例中，根据网管系统上报的与网络节点相关联的异常服务的集合，以及故障传播模型中与网络节点相关联的异常服务的集合，计算网络节点发生故障的确定性，得到网络节点的故障特征。
网络节点发生故障的确定性通过以下公式进行计算：
Figure BDA0003090620930000071
其中，
Figure BDA0003090620930000072
表示网络节点fi发生故障的确定性，
Figure BDA0003090620930000073
表示网管系统上报的与网络节点fi相关联的异常服务的集合，
Figure BDA0003090620930000074
表示故障传播模型中与网络节点fi相关联的异常服务的集合。
在某一实施例中，根据与网络节点相关联的异常服务，得到网络节点的特征，包括：
根据预设时间段内所有网络节点发生的不可用次数，计算网络节点在预设时间段内发生不可用次数的归一化取值，得到历史故障特征。
网络节点在预设时间段内发生不可用次数的归一化取值，通过以下公式进行计算：
Figure BDA0003090620930000081
其中，
Figure BDA0003090620930000082
表示网络节点fi在时间段t内发生不可用次数的归一化取值，
Figure BDA0003090620930000083
表示网络节点fi在时间段t内发生不可用的次数，
Figure BDA0003090620930000084
表示时间段t内所有网络节点发生不可用次数的最小值，
Figure BDA0003090620930000085
表示时间段t内所有网络节点发生不可用次数的最大值。
在某一实施例中，根据与网络节点相关联的异常服务，得到网络节点的特征，包括：
根据网络节点的节点资源使用量、节点资源量、链路使用量和链路资源量，得到网络节点的资源利用率。
网络节点的资源利用率，通过以下公式进行计算：
Figure BDA0003090620930000086
其中，Used(ni)表示网络节点的节点资源使用量与链路使用量之和，All(ni)表示网络节点的节点资源量与链路资源量之和。
S120，根据网络节点的特征，构建网络节点故障可能性分析矩阵。
S130，将网络节点故障可能性分析矩阵进行归一化处理，得到优化矩阵。
S140，根据优化矩阵，得到网络节点的故障可信度。
在某一实施例中，网络节点的故障可信度，通过以下公式进行计算：
Figure BDA0003090620930000087
R＝(rij)NM；
Figure BDA0003090620930000088
Figure BDA0003090620930000089
Figure BDA00030906209300000810
其中，xij表示第i个网络节点的第j个故障性能指标的取值，N表示网络节点的数量，M表示每个网络节点的故障性能指标数量，
Figure BDA0003090620930000091
表示第i个网络节点的第j个指标的最大值，
Figure BDA0003090620930000092
表示第i个网络节点的第j个指标的最小值，Zi表示网络节点的故障可信度，下标NM表示矩阵R是N行、M列，rij表示矩阵R中的元素。
S150，根据故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合。
在某一实施例中，根据故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合，包括：
根据虚拟业务关联的底层网络组件的集合以及网络节点属于底层网络组件集合的元素，计算虚拟业务的异常可信度。
虚拟业务的异常可信度，通过以下公式进行计算：
Figure BDA0003090620930000093
其中，sm表示虚拟业务的异常可信度，Pm表示虚拟业务sm关联的底层网络组件的集合，fi∈Pm表示网络节点fi属于底层网络组件集合的元素。
S160，对异常可信度集合中的每个异常业务进行故障定位。
在某一实施例中，对异常可信度集合中的每个异常业务进行故障定位，包括：
根据故障和症状的关系，求解最可能的疑似故障集合。
疑似故障集合发生故障的可能性，通过以下公式进行计算：
F*＝maxFP(F|S)；
Figure BDA0003090620930000094
其中，F*表示疑似故障集合F＝{f1,f2,...,fn}发生故障的可能性，pa(sj)表示故障传播模型中，与sj相连接的故障节点，N表示网络节点的数量，M表示症状的数量，S表示症状集合。
在网络切片环境下，载波网络由底层网络和虚拟网络构成。底层网络使用G＝(N,E)表示，包括底层节点和底层链路。ni∈N表示底层网络节点。ej∈E表示底层网络链路。虚拟网络使用GV＝(NV,EV)表示，包括虚拟节点和虚拟链路。
Figure BDA0003090620930000101
表示虚拟网络节点，
Figure BDA0003090620930000102
表示虚拟网络链路。
网络运营商建立网管系统对网络上的设备和服务进行实时监控。考虑到网络噪声的存在，网络管理人员需要基于故障诊断算法，根据服务告警信息快速找到对应的发生故障的网络设备。网管系统监测的告警信息是指虚拟网络上运行的服务出现异常。本发明主要研究一个虚拟网承载一个服务的情况。因为虚拟网承载在底层网络上，一个底层网络资源出现故障，其上承载的所有虚拟网服务都会出现异常。为了将网管系统监测到告警信息和网络资源进行关联，使用二分图表示故障传播模型。故障传播模型包括上层节点、下层节点、下层节点到上层节点的连线。
请参阅图2，图2是本发明某一实施例提供的基于业务特征的载波网络故障诊断方法中优化故障传播模型的结构示意图。故障传播模型示意图中，上层节点表示症状节点，代表网络管理系统上报的服务异常信息。使用So＝{s1,s2,...,sm}表示m个症状节点的集合。集合元素sm的取值为1或0。当取值为1时，表示症状节点所对应的服务出现不可用状态。当取值为0时，表示症状节点所对应的服务为可用状态。下层节点表示故障节点，代表底层网络组件。使用X＝{x1,x2,...,xn}表示n个故障节点的集合。集合元素xn的取值为1或0。当取值为1时，表示故障节点所对应的底层网络组件出现不可用状态。当取值为0时，表示故障节点所对应的底层网络组件为可用状态。下层节点到上层节点的连线表示底层网络组件对应的故障节点为不可用状态时，其上承载的服务所对应的症状节点为不可用状态的概率，使用P(sj|fi)表示。该值可以通过网络运营数据进行积累和计算。
对于故障节点，本发明以网络节点为主要研究对象，根据业务特性对其进行分析和优化。从故障传播模型可知，故障节点发生异常时，与其相连接的服务节点将出现异常。如果因为网络噪声导致某些网管系统上报某些服务节点为异常节点，可以通过分析这些异常服务节点相关的网络节点的状态，从而识别出网络噪声导致的异常服务告警信息。
当网络节点出现故障时，其上承载的服务为不可用状态。本发明根据网络节点发生故障时应该出现的不可用服务的数量，以及实际出现的不可用服务的数量进行分析。使用
Figure BDA0003090620930000111
表示网络节点fi发生故障的确定性，使用公式(1)计算。其中，
Figure BDA0003090620930000112
表示网管系统上报的与网络节点fi相关联的异常服务的集合，
Figure BDA0003090620930000113
表示故障传播模型中与网络节点fi相关联的异常服务的集合。从公式(1)可知，其分子为网管系统上报的网络节点fi相关的服务出现异常的概率之和，分母为网络节点fi相关的服务应该出现异常的概率之和，公式(1)的取值越大，表明网络节点fi发生异常的确定性越大。
Figure BDA0003090620930000114
根据网络运营经验分析可知，网络节点发生不可用状态与已经发生不可用次数、最近一次发生不可用时间等因素相关。在网络节点已发生不可用次数方面，已发生不可用次数越多，再次发生不可用的概率越大。在最近一次发生不可用时间方面，距离最近一次发生不可用时间越近，再次发生不可用的概率越大。本发明以已经发生不可用次数为研究对象，最近一次发生不可用时间作为下一步的研究工作进行研究。使用
Figure BDA0003090620930000115
表示网络节点fi在时间段t内发生不可用的次数。
考虑到直接使用网络节点故障次数进行分析导致历史故障特性评价不均衡，本发明采用归一化算法对此进行归一化。在归一化时，采用已经发生不可用次数的最大值和最小值作为主要参数。使用
Figure BDA0003090620930000116
表示网络节点fi在时间段t内发生不可用次数的归一化取值，使用公式(2)进行分析。其中，
Figure BDA0003090620930000117
表示时间段t内所有网络节点发生不可用次数的最小值，
Figure BDA0003090620930000118
表示时间段t内所有网络节点发生不可用次数的最大值。
Figure BDA0003090620930000121
根据网络运营经验可知，网络节点发生不可用的状态与其资源利用率相关。当网络节点被长期超负荷运营，发生故障的概率较高。网络节点的资源利用率使用公式(3)进行计算。
Figure BDA0003090620930000122
公式(3)中，Used(ni)表示网络节点的节点资源使用量与链路使用量之和，使用公式(4)计算。All(ni)表示网络节点的节点资源量与链路资源量之和，使用公式(5)计算。
Used(ni)＝NUsed(ni)+LUsed(ni) (4)
All(ni)＝NAll(ni)+LAll(ni) (5)
NUsed(ni)表示节点已分配的资源量，使用公式(6)计算，
Figure BDA0003090620930000123
表示由ni分配资源的虚拟节点的集合。
Figure BDA0003090620930000124
表示虚拟节点
Figure BDA0003090620930000125
的计算资源需求量。LUsed(ni)表示与节点相连边的资源使用量，使用公式(7)计算，
Figure BDA0003090620930000126
表示由节点ni相连接的边分配链路资源的虚拟链路集合。
Figure BDA0003090620930000127
表示虚拟链路
Figure BDA0003090620930000128
的带宽资源需求量。
Figure BDA0003090620930000129
Figure BDA00030906209300001210
NAll(ni)表示节点的计算资源量，使用公式(8)计算。cpu(ni)表示网络节点ni的计算资源量的集合。LAll(ni)表示与节点相连的边的资源使用量，使用公式(9)计算。
Figure BDA00030906209300001211
表示与节点ni相连接的边的底层链路集合。
NUsed(ni)＝cpu(ni) (8)
Figure BDA00030906209300001212
为了合理使用网络节点的故障特征、历史故障特征、资源利用率三个特征来评价网络节点故障可能性，本发明采用TOPSIS算法进行分析。基于TOPSIS算法构建的网络节点故障可能性分析矩阵如公式(10)所示，矩阵的元素xij表示第i个网络节点的第j个故障性能指标的取值，N表示网络节点的数量，M表示每个网络节点的故障性能指标数量，本发明M取值为3。
Figure BDA0003090620930000131
考虑到网络节点的故障特征、历史故障特征、资源利用率三个特征的来源不同，为了公平的使用其来评价网络节点故障可能性，采用公式(11)对其进行归一化处理。得到新的网络节点故障可能性分析矩阵为R＝(rij)NM。此时，根据TOPSIS算法构建的正理想决策值和负理想决策值分别如公式(12)和公式(13)。
Figure BDA0003090620930000132
表示第i个网络节点的第j个指标的最大值。
Figure BDA0003090620930000133
表示第i个网络节点的第j个指标的最小值。
Figure BDA0003090620930000134
Figure BDA0003090620930000135
Figure BDA0003090620930000136
基于公式(12)和公式(13)的计算结果，可以得到第i个网络节点的故障可能性取值，计算方法如公式(14)所示。该值越大，表明当前网络节点的故障可能性越大。
Figure BDA0003090620930000137
考虑到虚拟业务发生故障的可能性与其所关联的底层网络组件相关。本发明将虚拟业务相关的底层网络组件的故障可能性取值求和，表示虚拟业务发生故障的可能性。在故障诊断时，通过优先诊断发生故障可能性高的虚拟业务，可以有效提升故障诊断的准确率。使用公式(15)计算虚拟业务sm的故障可能性。Pm表示虚拟业务sm关联的底层网络组件的集合。fi∈Pm表示网络节点fi属于底层网络组件集合的元素。
Figure BDA0003090620930000141
进一步地，根据故障和症状的关系，构建故障传播模型，创建空的疑似故障集合。
由于贝叶斯理论对于求解不确定问题具有较好的应用价值。本发明基于故障传播模型以及故障特征和症状特征，采用贝叶斯推理，求解最可能的疑似故障集合，对集合中的每个异常业务进行故障定位。对于疑似故障集合F＝{f1,f2,...,fn}，使用公式(16)计算其发生故障的可能性。由于P(S)的取值与P(F,S)无关，所以，公式(16)可以简化为maxFP(F,S)，可以使用公式(17)进行计算。其中，pa(sj)表示故障传播模型中，与sj相连接的故障节点。N表示网络节点的数量，M表示症状的数量。
F*＝maxFP(F|S) (16)
Figure BDA0003090620930000142
在对集合
Figure BDA0003090620930000143
中的每个异常业务sm进行故障定位步骤中，判断疑似故障集合
Figure BDA0003090620930000144
是否可以解释当前的异常业务sm，是指故障传播模型中异常业务与疑似故障集合中的故障有连线。从网络节点故障集合Forder中按照顺序查找满足公式(16)的节点加入疑似故障集合
Figure BDA0003090620930000145
是指将故障节点逐个加入疑似故障集合，取得解释当前异常业务能力最强的资源。
请参阅图3，图3为本发明某一实施例提供的基于业务特征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。本实施例基于业务特征的载波网络故障诊断系统，包括：
特征分析模块210，用于根据与网络节点相关联的异常服务，得到网络节点的特征；其中，网络节点的特征包括故障特征、历史故障特征和资源利用率。
矩阵构建模块220，用于根据网络节点的特征，构建网络节点故障可能性分析矩阵。
矩阵优化模块230，用于将网络节点故障可能性分析矩阵进行归一化处理，得到优化矩阵。
故障可信度获取模块240，用于根据优化矩阵，得到网络节点的故障可信度。
异常可信度分析模块250，用于根据故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合。
故障定位模块260，用于对异常可信度集合中的每个异常业务进行故障定位。
在某一具体实施例中，对本发明提出的基于业务特征的载波网络故障诊断方法进行性能分析，构建基于业务特征的载波网络故障诊断算法，如表1所示。
表1基于业务特征的载波网络故障诊断算法
Figure BDA0003090620930000151
Figure BDA0003090620930000161
在计算网络节点的特征步骤中，需要计算每个网络节点的发生故障的确定性、历史故障性能分析、资源利用率三个方面的特征。在基于TOPSIS计算网络节点故障可信度步骤，采用TOPSIS算法对网络节点集合F中的网络节点计算故障可信度，之后按照故障可信度进行降序排列，得到新的集合Forder。在虚拟业务的异常可信度计算排列步骤，计算虚拟业务sm的异常可信度，按照异常业务sm的异常可信度，对异常症状集合So中的症状进行降序排列，得到新的集合
Figure BDA0003090620930000162
在对集合
Figure BDA0003090620930000163
中的每个异常业务sm进行故障定位步骤中，判断疑似故障集合
Figure BDA0003090620930000164
是否可以解释当前的异常业务sm，是指故障传播模型中异常业务与疑似故障集合中的故障有连线。从网络节点故障集合Forder中按照顺序查找满足公式(16)的节点加入疑似故障集合
Figure BDA0003090620930000165
是指将故障节点逐个加入疑似故障集合，取得解释当前异常业务能力最强的资源。
在性能分析时，使用拓扑生成器(Georgia Tech Internetwork TopologyModels，GT-ITM)生成网络拓扑环境。网络拓扑包括底层网络和虚拟网络两种。底层网络模拟提供网络资源的基础网络。虚拟网络模拟提供业务的电力业务。底层网络的节点规模从100个增加到500个。虚拟网络的节点规模服从(5，10)的均匀分布。为模拟网络故障，将每个底层网络节点的先验故障设置为服从[0.005,0.01]的均匀分布。在算法比较方面，将本发明算法，基于业务特征的载波网络故障诊断算法(Carrier network fault diagnosisalgorithm based on service characteristics，CNFDAoSC)与基于故障和症状关系的载波网络故障诊断算法(Carrier network fault diagnosis algorithm based on therelationship between faults and symptoms，CNFDAoFSR)进行比较。算法CNFDAoFSR基于故障和症状关系进行故障诊断，并且在故障诊断前没有对故障传播模型进行优化。在性能比较方面，将两种算法从故障诊断的准确率、误报率、诊断时长三个维度进行比较。
算法的故障诊断准确率比较结果如图4所示。图中，X轴表示网络节点的数量从100个增加到500个，Y轴表示故障诊断的准确率。从图可知，随着底层网络规模的增加，两个算法下的故障诊断准确率都比较稳定。本发明算法的准确率维持在84％左右，比较算法的准确率维持在78％左右。说明本发明算法提升了故障诊断的准确率。
算法的故障诊断误报率比较结果如图5所示。图中，X轴表示网络节点的数量从100个增加到500个，Y轴表示故障诊断的误报率。从图可知，随着底层网络规模的增加，两个算法下的故障诊断误报率都比较稳定。本发明算法的误报率维持在14％左右，比较算法的误报率维持在18％左右。说明本发明算法降低了故障诊断的误报率。
算法的故障诊断时长比较结果如图6所示。图中，X轴表示网络节点的数量从100个增加到500个，Y轴表示故障诊断的诊断时长。从图可知，随着底层网络规模的增加，两个算法下的故障诊断时长都快速增加。本发明算法的诊断时长增加更快，比较算法的诊断时长比本发明算法的诊断时长增加比较缓慢。说明本发明算法增加了故障诊断的诊断时长。
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业务特征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，以完成上述的基于业务特征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 Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-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业务特征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业务特征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业务特征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 (8)

1.一种基于业务特征的载波网络故障诊断方法，其特征在于，包括：
根据与网络节点相关联的异常服务，得到所述网络节点的特征；其中，所述网络节点的特征包括故障特征、历史故障特征和资源利用率；
根据所述网络节点的特征，构建网络节点故障可能性分析矩阵；
将网络节点故障可能性分析矩阵进行归一化处理，得到优化矩阵；
根据所述优化矩阵，得到网络节点的故障可信度；
根据所述故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合；
对所述异常可信度集合中的每个异常业务进行故障定位。
2.根据权利要求1所述的基于业务特征的载波网络故障诊断方法，其特征在于，所述根据与网络节点相关联的异常服务，得到所述网络节点的特征，包括：
根据网管系统上报的与所述网络节点相关联的异常服务的集合，以及故障传播模型中与所述网络节点相关联的异常服务的集合，计算所述网络节点发生故障的确定性，得到所述网络节点的故障特征；
网络节点发生故障的确定性通过以下公式进行计算：
Figure FDA0003547656570000011
其中，
Figure FDA0003547656570000012
表示网络节点fi发生故障的确定性；
Figure FDA0003547656570000013
表示网管系统上报的与网络节点fi相关联的异常服务的集合；
Figure FDA0003547656570000014
表示故障传播模型中与网络节点fi相关联的异常服务的集合；
Figure FDA0003547656570000015
时，sj表示网管系统上报的与网络节点fi相关联的异常服务的集合中的元素；
Figure FDA0003547656570000016
时，sj表示故障传播模型中与网络节点fi相关联的异常服务的集合中的元素；P(sj|fi)表示fi发生故障时，sj为异常的概率。
3.根据权利要求1所述的基于业务特征的载波网络故障诊断方法，其特征在于，所述根据与网络节点相关联的异常服务，得到所述网络节点的特征，包括：
根据预设时间段内所有网络节点发生的不可用次数，计算网络节点在预设时间段内发生不可用次数的归一化取值，得到历史故障特征；
网络节点在预设时间段内发生不可用次数的归一化取值，通过以下公式进行计算：
Figure FDA0003547656570000021
其中，
Figure FDA0003547656570000022
表示网络节点fi在时间段t内发生不可用次数的归一化取值，
Figure FDA0003547656570000023
表示网络节点fi在时间段t内发生不可用的次数，
Figure FDA0003547656570000024
表示时间段t内所有网络节点发生不可用次数的最小值，
Figure FDA0003547656570000025
表示时间段t内所有网络节点发生不可用次数的最大值。
4.根据权利要求1所述的基于业务特征的载波网络故障诊断方法，其特征在于，所述根据与网络节点相关联的异常服务，得到所述网络节点的特征，包括：
根据网络节点的节点资源使用量、节点资源量、链路使用量和链路资源量，得到网络节点的资源利用率；
网络节点的资源利用率，通过以下公式进行计算：
Figure FDA0003547656570000026
其中，Used(ni)表示网络节点ni的节点资源使用量与链路使用量之和，All(ni)表示网络节点ni的节点资源量与链路资源量之和。
5.根据权利要求1所述的基于业务特征的载波网络故障诊断方法，其特征在于，所述网络节点的故障可信度，通过以下公式进行计算：
Figure FDA0003547656570000031
R＝(rij)NM；
Figure FDA0003547656570000032
Figure FDA0003547656570000033
Figure FDA0003547656570000034
其中，xij表示第i个网络节点的第j个故障性能指标的取值，N表示网络节点的数量，M表示每个网络节点的故障性能指标数量，
Figure FDA0003547656570000035
表示第i个网络节点的第j个指标的最大值，
Figure FDA0003547656570000036
表示第i个网络节点的第j个指标的最小值，Zi表示网络节点的故障可信度，下标NM表示矩阵R是N行、M列，rij表示矩阵R中的元素。
6.一种基于业务特征的载波网络故障诊断系统，其特征在于，包括：
特征分析模块，用于根据与网络节点相关联的异常服务，得到所述网络节点的特征；其中，所述网络节点的特征包括故障特征、历史故障特征和资源利用率；
矩阵构建模块，用于根据所述网络节点的特征，构建网络节点故障可能性分析矩阵；
矩阵优化模块，用于将网络节点故障可能性分析矩阵进行归一化处理，得到优化矩阵；
故障可信度获取模块，用于根据所述优化矩阵，得到网络节点的故障可信度；
异常可信度分析模块，用于根据所述故障可信度，得到虚拟业务的异常可信度，并根据异常业务的异常可信度，得到异常可信度集合；
故障定位模块，用于对所述异常可信度集合中的每个异常业务进行故障定位。
7.一种计算机终端设备，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5任一项所述的基于业务特征的载波网络故障诊断方法。
8.一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5任一项所述的基于业务特征的载波网络故障诊断方法。
CN202110595144.6A 2021-05-28 2021-05-28 一种基于业务特征的载波网络故障诊断方法及系统 Active CN113315663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110595144.6A CN113315663B (zh) 2021-05-28 2021-05-28 一种基于业务特征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
CN202110595144.6A CN113315663B (zh) 2021-05-28 2021-05-28 一种基于业务特征的载波网络故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113315663A CN113315663A (zh) 2021-08-27
CN113315663B true CN113315663B (zh) 2022-05-10

Family

ID=77376287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110595144.6A Active CN113315663B (zh) 2021-05-28 2021-05-28 一种基于业务特征的载波网络故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113315663B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107493120A (zh) * 2017-09-01 2017-12-19 南京航空航天大学 融合电力线载波通信与故障检测定位功能的集成化装置
CN108319789A (zh) * 2018-02-07 2018-07-24 海南电网有限责任公司电力科学研究院 结合异常故障的变压器风险评估方法、装置、设备及介质
CN110048901A (zh) * 2019-06-04 2019-07-23 广东电网有限责任公司 一种电力通信网的故障定位方法、装置及设备
CN111443259A (zh) * 2020-03-30 2020-07-24 国网山东省电力公司德州供电公司 基于局部异常因子检测的有源配电网故障诊断方法及系统
CN112180204A (zh) * 2020-07-10 2021-01-05 国网河北省电力有限公司雄安新区供电公司 一种基于电气量信息的电网线路故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016183332A1 (en) * 2015-05-13 2016-11-17 Sikorsky Aircraft Corporation Integrated model for failure diagnosis and prognosis

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107493120A (zh) * 2017-09-01 2017-12-19 南京航空航天大学 融合电力线载波通信与故障检测定位功能的集成化装置
CN108319789A (zh) * 2018-02-07 2018-07-24 海南电网有限责任公司电力科学研究院 结合异常故障的变压器风险评估方法、装置、设备及介质
CN110048901A (zh) * 2019-06-04 2019-07-23 广东电网有限责任公司 一种电力通信网的故障定位方法、装置及设备
CN111443259A (zh) * 2020-03-30 2020-07-24 国网山东省电力公司德州供电公司 基于局部异常因子检测的有源配电网故障诊断方法及系统
CN112180204A (zh) * 2020-07-10 2021-01-05 国网河北省电力有限公司雄安新区供电公司 一种基于电气量信息的电网线路故障诊断方法

Also Published As

Publication number Publication date
CN113315663A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
US8392760B2 (en) Diagnosing abnormalities without application-specific knowledge
US7113988B2 (en) Proactive on-line diagnostics in a manageable network
US8577663B2 (en) System and methods for fault-isolation and fault-mitigation based on network modeling
US8015139B2 (en) Inferring candidates that are potentially responsible for user-perceptible network problems
US8291263B2 (en) Methods and apparatus for cross-host diagnosis of complex multi-host systems in a time series with probabilistic inference
US8918345B2 (en) Network analysis system
CN108933694B (zh) 基于拨测数据的数据中心网络故障节点诊断方法及系统
CN101783749A (zh) 一种网络故障定位方法和装置
CN112367191B (zh) 一种5g网络切片下服务故障定位方法
Marvasti et al. An anomaly event correlation engine: Identifying root causes, bottlenecks, and black swans in IT environments
CN111884859B (zh) 一种网络故障诊断方法、装置及可读存储介质
CN113518367B (zh) 5g网络切片下基于服务特征的故障诊断方法及系统
Kumar et al. Modelling and simulation of repairable mechanical systems reliability and availability
CN113315663B (zh) 一种基于业务特征的载波网络故障诊断方法及系统
CN107590008A (zh) 一种通过加权熵判断分布式集群可靠度的方法和系统
CN113285837B (zh) 一种基于拓扑感知的载波网络服务故障诊断方法及装置
CN113572639B (zh) 一种载波网络故障的诊断方法、系统、设备和介质
CN113315661B (zh) 一种基于动态贝叶斯网络的载波网络故障诊断方法
Kogeda et al. A probabilistic approach to faults prediction in cellular networks
CN112866009A (zh) 一种综合服务站虚拟网络故障诊断方法及装置
CN113962273A (zh) 一种基于多指标的时间序列异常检测方法、系统及存储介质
CN109558258B (zh) 一种分布式系统根源故障定位的方法及装置
CN113315660A (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
CN112260873B (zh) 一种5g网络切片下动态网络故障诊断方法
Ye et al. Reliability analysis and optimization algorithm of power communication network based on resource association features

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