CN113518367A - 5g网络切片下基于服务特征的故障诊断方法及系统 - Google Patents
5g网络切片下基于服务特征的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113518367A CN113518367A CN202110382918.7A CN202110382918A CN113518367A CN 113518367 A CN113518367 A CN 113518367A CN 202110382918 A CN202110382918 A CN 202110382918A CN 113518367 A CN113518367 A CN 113518367A
- Authority
- CN
- China
- Prior art keywords
- network node
- network
- fault
- representing
- probability
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000002159 abnormal effect Effects 0.000 claims abstract description 137
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 73
- 238000012216 screening Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 description 39
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种5G网络切片下基于服务特征的故障诊断方法及系统,其中方法包括:接收虚拟网络发送的异常服务信息;根据所述虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型;根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型;通过所述故障传播模型得到每一个网络节点发生故障的概率值;根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现网络故障诊断。本发明提供的5G网络切片下基于服务特征的故障诊断方法有效提升了故障诊断方法的准确度及性能。
Description
技术领域
本发明涉及5G网络的故障管理技术领域,特别是涉及一种5G网络切片下基于服务特征的故障诊断方法及系统。
背景技术
随着5G网络的快速建设和运营,5G网络的高带宽、低时延、高连接数等优点更加突出,服务类型和服务数量快速增加。考虑到不同服务对网络的要求不同、新的服务类型增加较快等因素,网络切片技术已被提出,并逐渐被全球网络运营商和设备商接受并成为主流技术。在网络切片环境下,传统的物理网络被划分为底层网络和虚拟网络。底层网络提供商负责建设底层节点和底层链路。虚拟网络服务商从底层网络租用底层节点和底层链路,构建虚拟网络。虚拟网络上承载各种服务。为了保证5G业务的稳定、可靠运行,快速准确的故障定位技术,已成为网络管理人员的一项重要工作。
从故障诊断的主动性角度,可以将故障诊断方法分为主动诊断和被动诊断两种。主动诊断是根据网络环境和业务特点,通过选择探测站点和执行探测,对特定的网络资源进行故障定位。被动诊断是网络管理人员接收到网络告警后,根据告警信息和网络信息进行故障定位。从故障诊断的数学模型角度来说,可以将故障诊断方法分为二进制依赖故障模型、图型依赖故障模型、贝叶斯依赖矩阵模型等。通过构建故障模型,使用数学工具,可以较好的解决故障诊断的复杂性问题。针对网络虚拟化环境下的故障诊断问题。
已有研究基于故障和症状的关联关系,通过构建故障诊断模型,在故障诊断的准确率、误报率、诊断时长等指标方面,取得了较好的结果。但是,由于5G网络切片技术实现了资源的动态迁移、按需分配,使故障和症状的关系更加复杂,导致故障诊断模型的准确度降低,从而影响故障诊断的性能。
发明内容
本发明提供一种5G网络切片下基于服务特征的故障诊断方法及系统,基于网络资源和服务的关联关系,对异常服务信息进行修正、对节点故障的可信度进行排序,有效提升了故障诊断方法的准确度及性能。
本发明一个实施例提供一种5G网络切片下基于服务特征的故障诊断方法,包括:
接收虚拟网络发送的异常服务信息;
根据所述虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型;
根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型;
通过所述故障传播模型得到每一个网络节点发生故障的概率值;
根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现网络故障诊断。
进一步地,所述根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型,包括:
通过网络节点的可替代概率模型计算每一个网络节点的可替代概率;具体地,通过以下公式进行计算:
根据所述网络节点的可替代概率筛选满足预设条件的网络节点作为可信任网络节点;
通过服务节点的信任度模型计算服务状态正常的可信度;具体地,通过以下公式进行计算:
根据所述可信任网络节点及所述服务状态正常的可信度优化所述故障传播模型。
进一步地,所述根据所述网络节点的可替代概率筛选满足预设条件的网络节点作为可信任网络节点,包括:
通过网络节点中心度模型计算网络节点的中心度;具体地,通过以下公式进行计算:
其中,CC(nj)表示目标网络节点nj的中心度,nr∈ψ(nj)表示网络拓扑中去除目标网络节点nj之后的网络节点集合,drj表示参考网络节点nr和目标网络节点nj之间最短路径包含的链路数量;
通过网络节点链路模块计算网络节点的链路数;具体地,通过以下公式进行计算:
其中,DC(nj)表示目标网络节点nj的链路数,e∈E(nj)表示网络节点nj的边,bw(e)表示边的带宽值;
根据所述网络节点的中心度及所述网络节点的链路数得到网络节点的资源总量;具体地,通过以下公式进行计算:
其中,表示网络节点的资源总量,CC(nj)表示目标网络节点nj的中心度,minCC表示网络节点的中心度的最小值,maxCC表示网络节点的中心度的最大值,DC(nj)表示目标网络节点nj的链路数,minDC表示网络节点的链路数最小值,maxDC表示网络节点的链路数最大值;
根据所述网络节点的资源总量得到网络节点的资源量在总资源中的占比;具体地,通过以下公式进行计算:
根据与目标网络节点有关的所述异常服务信息及所有异常服务信息得到与目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率;具体地,通过以下公式计算:
根据所述网络节点的资源量在总资源中的占比及所述目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率得到网络节点的故障可信度;具体地,通过以下公式进行计算:
进一步地,所述根据虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型包括:
根据网络运营数据获取网络节点故障的概率、服务异常的概率及网络节点故障时服务异常的概率;
根据所述网络节点故障的概率、所述服务异常的概率及所述网络节点故障时服务异常的概率建立故障传播模型;具体地,通过以下公式进行计算:
其中,p(nj|si)表示网络节点故障传播的概率,p(nj)表示网络节点故障的概率,p(si|nj)表示网络节点故障时服务异常的概率,ni∈NS表示网络拓扑中的所有网络节点。
进一步地,所述根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现故障诊断,包括:
根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,得到故障可信度集合;
根据所述故障可信度集合构建疑似故障传播模型;
通过最大覆盖方法处理所述疑似故障传播模型得到故障集合,实现故障诊断。
本发明还一实施例提供一种5G网络切片下基于服务特征的故障诊断系统,包括:
异常服务信息接收模块,用于接收虚拟网络发送的异常服务信息;
故障传播模型构建模块,用于根据所述虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型;
故障传播模型优化模块,用于根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型;
网络故障概率值计算模块,用于通过所述故障传播模型得到每一个网络节点发生故障的概率值;
故障诊断模块,用于根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现网络故障诊断。
进一步地,所述故障传播模型优化模块,包括:
网络节点的可替代概率计算子模块,用于通过网络节点的可替代概率模型计算每一个网络节点的可替代概率;具体地,通过以下公式进行计算:
网络节点筛选子模块,用于根据所述网络节点的可替代概率筛选满足预设条件的网络节点作为可信任网络节点;
服务状态正常的可信度计算子模块,用于通过服务节点的信任度模型计算服务状态正常的可信度;具体地,通过以下公式进行计算:
优化子模块,用于根据所述可信任网络节点及所述服务状态正常的可信度优化所述故障传播模型。
进一步地,网络节点筛选子模块,包括:
中心度计算子模块,用于通过网络节点中心度模型计算网络节点的中心度;具体地,通过以下公式进行计算:
其中,CC(nj)表示目标网络节点nj的中心度,nr∈ψ(nj)表示网络拓扑中去除目标网络节点nj之后的网络节点集合,drj表示参考网络节点nr和目标网络节点nj之间最短路径包含的链路数量;
链路数计算子模块,用于通过网络节点链路模块计算网络节点的链路数;具体地,通过以下公式进行计算:
其中,DC(nj)表示目标网络节点nj的链路数,e∈E(nj)表示网络节点nj的边,bw(e)表示边的带宽值;
资源总量计算子模块,用于根据所述网络节点的中心度及所述网络节点的链路数得到网络节点的资源总量;具体地,通过以下公式进行计算:
其中,表示网络节点的资源总量,CC(nj)表示目标网络节点nj的中心度,minCC表示网络节点的中心度的最小值,maxCC表示网络节点的中心度的最大值,DC(nj)表示目标网络节点nj的链路数,minDC表示网络节点的链路数最小值,maxDC表示网络节点的链路数最大值;
网络节点的资源量在总资源中的占比计算子模块,用于根据所述网络节点的资源总量得到网络节点的资源量在总资源中的占比;具体地,通过以下公式进行计算:
占比率计算子模块,用于根据与目标网络节点有关的所述异常服务信息及所有异常服务信息得到与目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率;具体地,通过以下公式计算:
故障可信度计算子模块,用于根据所述网络节点的资源量在总资源中的占比及所述目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率得到网络节点的故障可信度;具体地,通过以下公式进行计算:
进一步地,所述故障传播模型构建模块,还用于:
根据网络运营数据获取网络节点故障的概率、服务异常的概率及网络节点故障时服务异常的概率;
根据所述网络节点故障的概率、所述服务异常的概率及所述网络节点故障时服务异常的概率建立故障传播模型;具体地,通过以下公式进行计算:
其中,p(nj|si)表示网络节点故障传播的概率,p(nj)表示网络节点故障的概率,p(si|nj)表示网络节点故障时服务异常的概率,ni∈NS表示网络拓扑中的所有网络节点。
进一步地,所述故障诊断模块,包括:
故障可信度集合子模块,用于根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,得到故障可信度集合;
疑似故障传播模型建立子模块,用于根据所述故障可信度集合构建疑似故障传播模型;
故障集合构建子模块,用于通过最大覆盖方法处理所述疑似故障传播模型得到故障集合,实现故障诊断。
与现有技术相比,本发明实施例的有益效果在于:
本发明一个实施例提供一种5G网络切片下基于服务特征的故障诊断方法,包括:接收虚拟网络发送的异常服务信息;根据所述虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型;根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型;通过所述故障传播模型得到每一个网络节点发生故障的概率值;根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现网络故障诊断。有效提升了故障诊断方法的准确度及性能。
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一种5G网络切片下基于服务特征的故障诊断方法的流程图;
图2是本发明另一实施例提供的一种5G网络切片下基于服务特征的故障诊断方法的流程图;
图3是本发明另一实施例提供的一种5G网络切片下基于服务特征的故障诊断方法的流程图;
图4是本发明另一实施例提供的一种5G网络切片下基于服务特征的故障诊断方法的流程图;
图5是本发明又一实施例提供的一种5G网络切片下基于服务特征的故障诊断方法的流程图;
图6是本发明某一实施例提供的基于贝叶斯网络的故障传播模型示意图;
图7是本发明某一实施例提供的故障诊断准确率比较示意图;
图8是本发明某一实施例提供的故障诊断误报率比较示意图;
图9是本发明某一实施例提供的故障诊断时长比较示意图;
图10是本发明某一实施例提供的一种5G网络切片下基于服务特征的故障诊断系统的装置图;
图11是本发明另一实施例提供的一种5G网络切片下基于服务特征的故障诊断系统的装置图;
图12是本发明另一实施例提供的一种5G网络切片下基于服务特征的故障诊断系统的装置图;
图13是本发明又一实施例提供的一种5G网络切片下基于服务特征的故障诊断系统的装置图;
图14是本发明某一实施例提供的一种电子设备的结构图。
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。
第一方面。
请参阅图1-5,本发明一实施例提供一种5G网络切片下基于服务特征的故障诊断方法,包括:
S10、接收虚拟网络发送的异常服务信息。
S20、根据所述虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型。
在某一具体实施方式中,所述S20、根据所述虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型,包括:
S21、根据网络运营数据获取网络节点故障的概率、服务异常的概率及网络节点故障时服务异常的概率。
S22、根据所述网络节点故障的概率、所述服务异常的概率及所述网络节点故障时服务异常的概率建立故障传播模型。
具体地,通过以下公式进行计算:
其中,p(nj|si)表示网络节点故障传播的概率,p(nj)表示网络节点故障的概率,p(si|nj)表示网络节点故障时服务异常的概率,ni∈NS表示网络拓扑中的所有网络节点。
S30、根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型。
在某一具体实施方式中,所述S30、根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型,包括:
S31、通过网络节点的可替代概率模型计算每一个网络节点的可替代概率。
具体地,通过以下公式进行计算:
S32、根据所述网络节点的可替代概率筛选满足预设条件的网络节点作为可信任网络节点。
在某一具体实施方式中,所述S32、根据所述网络节点的可替代概率筛选满足预设条件的网络节点作为可信任网络节点,包括:
S321、通过网络节点中心度模型计算网络节点的中心度。
具体地,通过以下公式进行计算:
其中,CC(nj)表示目标网络节点nj的中心度,nr∈ψ(nj)表示网络拓扑中去除目标网络节点nj之后的网络节点集合,drj表示参考网络节点nr和目标网络节点nj之间最短路径包含的链路数量。
S322、通过网络节点链路模块计算网络节点的链路数。
具体地,通过以下公式进行计算:
其中,DC(nj)表示目标网络节点nj的链路数,e∈E(nj)表示网络节点nj的边,bw(e)表示边的带宽值。
S323、根据所述网络节点的中心度及所述网络节点的链路数得到网络节点的资源总量。
具体地,通过以下公式进行计算:
其中,表示网络节点的资源总量,CC(nj)表示目标网络节点nj的中心度,minCC表示网络节点的中心度的最小值,maxCC表示网络节点的中心度的最大值,DC(nj)表示目标网络节点nj的链路数,minDC表示网络节点的链路数最小值,maxDC表示网络节点的链路数最大值。
S324、根据所述网络节点的资源总量得到网络节点的资源量在总资源中的占比。
具体地,通过以下公式进行计算:
S325、根据与目标网络节点有关的所述异常服务信息及所有异常服务信息得到与目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率。
具体地,通过以下公式计算:
S326、根据所述网络节点的资源量在总资源中的占比及所述目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率得到网络节点的故障可信度。
具体地,通过以下公式进行计算:
S33、通过服务节点的信任度模型计算服务状态正常的可信度。
具体地,通过以下公式进行计算:
S34、根据所述可信任网络节点及所述服务状态正常的可信度优化所述故障传播模型。
S40、通过所述故障传播模型得到每一个网络节点发生故障的概率值。
S50、根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现网络故障诊断。
在某一具体实施方式中,所述S50、根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现网络故障诊断,包括:
S51、根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,得到故障可信度集合。
S52、根据所述故障可信度集合构建疑似故障传播模型。
S53、通过最大覆盖方法处理所述疑似故障传播模型得到故障集合,实现故障诊断。
在某一具体实施例中,本发明提供一种5G网络切片下基于服务特征的故障诊断方法,该方法包括以下步骤:
101)构建故障传播初始模型;
如图6,底层网络服务商首先从虚拟网络接收异常服务的集合,然后基于映射关系和异常服务占用的虚拟网络资源情况,构建底层网络与异常服务的故障传播模型。
在5G网络切片环境下,使用GS=(NS,ES)表示底层网络拓扑,使用GV=(NV,EV)表示虚拟网络拓扑。NS和ES分别表示底层节点集合和底层链路集合。NV和EV分别表示虚拟节点集合和虚拟链路集合。假设某个虚拟网上运行了一个服务si∈S,如果服务si∈S出现异常,故障的原因一般包括服务软件故障、底层网络故障两种情况。如果是服务软件故障,虚拟网上的服务提供商可以通过软件重配置或软件升级等策略,快速解决服务异常现象。但是,如果故障原因是底层网络故障,虚拟网运营商需要将服务异常情况上报给底层网络运营商,由底层网络运营商进行故障定位。
本发明主要研究底层网络运营商如何根据虚拟网运营商上报的服务异常信息,进行快速故障定位。考虑到底层网络运营商掌握了实时的虚拟网络到底层网络的资源分配信息,所以,如何将服务使用的虚拟网资源映射到底层网络资源,对于底层网络服务商来说是比较容易解决的问题。本发明主要研究服务和底层网络之间的故障诊断问题。
基于服务和底层网络的故障数据,构建故障诊断模型。基于贝叶斯网络的故障传播模型包括症状节点、故障节点、故障节点到症状节点的有向线。故障节点是指网络节点发生故障的概率,使用p(nj)表示。症状节点是指服务出现异常的概率,使用p(si)表示。故障节点到症状节点的有向线是指当底层节点nj发生故障时,服务si的症状为异常的概率,使用p(si|nj)表示。
本发明主要解决底层网络运营商接收到服务异常信息后,如何快速推断底层网络故障位置的问题。使用p(nj|si)表示已知服务si状态后,推断网络节点nj发生故障的概率。基于贝叶斯推理可知,p(nj|si)可以使用公式(1)进行计算。由公式(1)可知,要计算所有异常服务的根源故障,需要知道p(nj)、p(si|nj)的取值。这些值越准确,推断出的底层网络节点越准确。
一般来说,p(nj)、p(si)、p(si|nj)的取值可以基于长期的网络运营数据获取,ni∈NS是节点集合中的任意节点;nj是当前求解的节点。但是,考虑到5G网络环境下,网络的动态性越来越强。所以,如何优化p(nj)、p(si)、p(si|nj)的取值,已成为提升故障诊断方法性能的有效措施。为便于描述,下面对p(nj)、p(si)、p(si|nj)的取值进行形式化描述。对于故障节点,如果p(nj)=1,说明节点nj发生了故障,称为有故障节点;如果p(nj)=0,说明节点nj没有发生故障,称为无故障节点;当0≤p(nj)≤1时,称为疑似故障节点。对于症状节点,如果p(si)=1,说明服务si的状态为异常,称为负症状;如果p(si)=0,说明服务si的状态为正常,称为正症状;当0≤p(si)≤1时,称为疑似负症状节点。
102)故障传播模型优化;
首先对故障传播模型中的正症状取值进行优化,其次计算网络节点的故障可信度,并降序排列。
从故障传播模型可知,故障和症状是构成故障传播模型的主要元素。如果要提高故障诊断方法性能,最好的策略是保证故障和症状数据的准确性。
由于动态路由具有可靠性高、节约网络资源等特性,已逐渐成为主要的路由协议。但是,动态路由策略容易导致故障节点被可用节点代替,导致网管系统不能检测到真正的故障。对于负症状来说,其经过的节点必然存在故障节点。对于正症状来说,存在使用可用节点代替故障节点的情况,所以,症状中可能存在故障节点。基于此,本发明采取的正症状概率的优化方法步骤包括计算每个节点的可替代概率、按照可替代概率排序、症状优化三个子过程。
根据动态路由协议的运行过程可知,如果某个节点出现故障,动态路由协议会使用该故障节点附近的可用节点进行替代。为评价某个节点是否有替代节点,本发明使用节点的两跳距离相关性进行评价。假设存在节点nj、nk,可以使用公式(2)计算这两个节点的两跳距离相关性。Q(nj)表示和网络节点nj相连接的节点集合。从公式(2)可知,节点nj、nk的相邻网络拓扑越相似,节点nj、nk互相代替的可能性越高。
使用公式(2)计算节点nj、nk,的两跳距离相关性,∪:取两个集合的并集。
从动态路由协议特性和节点可替代概率计算过程分析可知,节点的可替代性越高,正症状的可信度越低。可替代性越低,正症状的可信度越高。所以,按照网络节点的可替代概率升序排列,得到网络节点集合网络节点集合中排在前面的节点,其相关的正症状的可信度越高。故障诊断模型中,与节点nj相连接的正症状的优化方法为公式(4)。其中,表示与网络节点nj相连接的第o个正症状节点。
通过公式(3)计算节点nj的可替代概率S(nj)。
一般来说,网络节点的中心度和链路数越大,各种服务使用该节点的次数会越多。所以,如果重要的节点发生故障,负症状数量会较多。如果某个重要的节点发生故障,但是相关的负症状数量较少,这说明一些负症状丢失、或者该故障为虚假故障。基于此,可以基于节点的重要性与相关服务的负症状数量,对故障模型进行优化。
通过对网络节点的相关特征分析可知,与网络节点上承载服务数量相关的主要因素为节点的中心度、链路数。节点的中心度表示节点处于网络中心的程度。一般来说,网络节点越处于网络的中心,该节点越可能成为该网络的关键资源,从而承载较多的服务。节点链路数是指节点的边的数量。通常来说,节点的边数量越多,经过该节点的可能性就越大,从而承载的服务数量就越大。
使用公式(7)计算节点的中心度,使用公式(8)计算节点的链路数。其中,nr∈ψ(nj)表示网络拓扑中去除网络节点nj之后的网络节点集合。drj表示网络节点nr和网络节点nj之间最短路径包含的链路数量。e∈E(nj)表示网络节点nj的边,bw(e)表示边的带宽值。从公式(7)可知,CC(nj)的取值越大,网络节点nj越可能处于网络拓扑的中心,其上承载的服务数量越多。从公式(8)可知,DC(nj)的取值越大,网络节点nj的资源越多,其上承载的服务数量越多。通过归一化公式(9),可以获得网络节点nj的资源总量
网络节点nj的资源量在总资源中的占比如公式(10)所示。其中,ni∈NS表示网络拓扑中的所有网络节点。表示归一化后的网络节点nj的资源总量。网络节点nj相关负症状在总的负症状中的占比如公式(11)所示。其中,表示网络节点nj相关的负症状,S-表示所有网络节点的负症状组成的集合。
103)故障集合诊断;
首先使用排序后的故障可信度集合,构建疑似故障传播模型,其次基于最大覆盖方法确定故障集合。故障集合诊断包括构造故障集合、基于最大覆盖选择故障节点两个子过程。在构造故障集合时,假设同时发生故障的次数为k。所以,同时构建由1个到k个故障节点组成的k个疑似故障集合。k个疑似故障集合使用H={n1,n2,...,nk}表示,其中的疑似故障节点是故障可信度集合中排在前面的k个疑似故障节点。
为评价疑似故障集合H={n1,n2,...,nk}对异常服务的解释能力,定义故障集合的解释能力为EXP(H,S),使用公式(13)进行计算。表示疑似故障集合H={n1,n2,...,nk}的故障都为故障的概率。表示任意一个症状si∈S都可以在疑似故障集合H={n1,n2,...,nk}中找到至少一个发生故障的网络节点。通过对k个疑似故障集合进行计算,将EXP(H,S)取值最大的疑似故障集合H={n1,n2,...,nk}作为最终的故障集合。
性能分析
实验环境中的网络拓扑使用GT-ITM工具生成。生成的网络拓扑包括虚拟网络和底层网络两种。虚拟网络的网络节点服从(5,15)的均匀分布,底层网络的网络节点从100个增加到500个。虚拟网到底层网络的资源分配使用经典方法。
网络节点的故障模拟方面,将底层节点的先验故障概率设置为服从[0.001,0.01]的均匀分布。网络节点的状态以20秒为间隔,对网络节点状态进行一次更新,从而模拟底层网络的动态特性。在方法对比方面,将本发明方法FDAoSC与基于资源承载关系的故障诊断方法(Fault diagnosis algorithm based on resource bearing relationship,FDAoRBR)进行比较。其中,方法FDAoRBR通过分析资源承载的关系,将服务状态与底层网络资源建立关联,从而构建故障诊断模型。在方法对比指标方面,从故障诊断的准确率、误报率、诊断时长三个方面进行分析。准确率是指识别出的故障在真实故障中的占比,该值越大,方法诊断识别出的故障越多。误报率是指识别出的虚假故障在识别出的故障中的占比,该值越小,方法诊断出的故障真实性越高。诊断时长是指方法从接收服务状态到输出故障集合的时长,该值越小,表明方法的性能越好。
故障诊断方法的准确率比较结果如图7所示,从图可知,网络规模对两个方法的诊断准确率影响较小,本发明方法的准确率较高。说明本发明对症状集合、故障集合进行优化,从而提升了故障诊断模型的准确率。
故障诊断误报率比较结果如图8所示。从图可知,两个方法在不同网络规模下,都取得了较稳定的诊断结果。本发明方法误报率低于传统方法。这是因为本发明方法对症状状态、故障可信度等特性进行评估,较好的解决了动态环境带来的故障传播模型不准确的问题。提升了故障诊断模型数据的准确度,从而降低了误报率。
故障诊断时长比较的结果如图9所示。从图可知,随着网络规模的增加,两个方法的诊断时长都增加较快。相比于已有方法,本发明方法的诊断时长稍有增长。这说明本发明方法对故障和症状进行优化,有一定的时间开销。但是,本发明方法基于故障可信度构建疑似故障集合,推断故障的时间较短。
第二方面。
请参阅图10-13,本发明一实施例提供一种5G网络切片下基于服务特征的故障诊断系统,包括:
异常服务信息接收模块10,用于接收虚拟网络发送的异常服务信息。
故障传播模型构建模块20,用于根据所述虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型。
在某一具体实施方式中,所述故障传播模型构建模块20还用于:
根据网络运营数据获取网络节点故障的概率、服务异常的概率及网络节点故障时服务异常的概率;
根据所述网络节点故障的概率、所述服务异常的概率及所述网络节点故障时服务异常的概率建立故障传播模型;具体地,通过以下公式进行计算:
其中,p(nj|si)表示网络节点故障传播的概率,p(nj)表示网络节点故障的概率,p(si|nj)表示网络节点故障时服务异常的概率。
故障传播模型优化模块30,用于根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型。
在某一具体实施方式中,所述故障传播模型优化模块30还包括:
网络节点的可替代概率计算子模块31,用于通过网络节点的可替代概率模型计算每一个网络节点的可替代概率。
具体地,通过以下公式进行计算:
网络节点筛选子模块32,用于根据所述网络节点的可替代概率筛选满足预设条件的网络节点作为可信任网络节点。
在某一具体实施方式中,所述网络节点筛选子模块32包括:
中心度计算子模块321,用于通过网络节点中心度模型计算网络节点的中心度。
具体地,通过以下公式进行计算:
其中,CC(nj)表示目标网络节点nj的中心度,nr∈ψ(nj)表示网络拓扑中去除目标网络节点nj之后的网络节点集合,drj表示参考网络节点nr和目标网络节点nj之间最短路径包含的链路数量。
链路数计算子模块322,用于通过网络节点链路模块计算网络节点的链路数。
具体地,通过以下公式进行计算:
其中,DC(nj)表示目标网络节点nj的链路数,e∈E(nj)表示网络节点nj的边,bw(e)表示边的带宽值。
资源总量计算子模块323,用于根据所述网络节点的中心度及所述网络节点的链路数得到网络节点的资源总量。
具体地,通过以下公式进行计算:
其中,表示网络节点的资源总量,CC(nj)表示目标网络节点nj的中心度,minCC表示网络节点的中心度的最小值,maxCC表示网络节点的中心度的最大值,DC(nj)表示目标网络节点nj的链路数,minDC表示网络节点的链路数最小值,maxDC表示网络节点的链路数最大值。
网络节点的资源量在总资源中的占比计算子模块324,用于根据所述网络节点的资源总量得到网络节点的资源量在总资源中的占比。
具体地,通过以下公式进行计算:
占比率计算子模块325,用于根据与目标网络节点有关的所述异常服务信息及所有异常服务信息得到与目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率。
具体地,通过以下公式计算:
故障可信度计算子模块326,用于根据所述网络节点的资源量在总资源中的占比及所述目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率得到网络节点的故障可信度。
具体地,通过以下公式进行计算:
服务状态正常的可信度计算子模块33,用于通过服务节点的信任度模型计算服务状态正常的可信度。
具体地,通过以下公式进行计算:
优化子模块34,用于根据所述可信任网络节点及所述服务状态正常的可信度优化所述故障传播模型。
网络故障概率值计算模块40,用于通过所述故障传播模型得到每一个网络节点发生故障的概率值。
故障诊断模块50,用于根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现网络故障诊断。
在某一具体实施方式中,所述故障诊断模块50还包括:
故障可信度集合子模块51,用于根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,得到故障可信度集合。
疑似故障传播模型建立子模块52,用于根据所述故障可信度集合构建疑似故障传播模型。
故障集合构建子模块53,用于通过最大覆盖算法处理所述疑似故障传播模型得到故障集合,实现故障诊断。
第三方面。
本发明提供了一种电子设备,该电子设备包括:
处理器、存储器和总线;
所述总线,用于连接所述处理器和所述存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,可执行指令使处理器执行如本申请的第一方面所示的一种5G网络切片下基于服务特征的故障诊断方法对应的操作。
在一个可选实施例中提供了一种电子设备,如图14所示,图14所示的电子设备5000包括:处理器5001和存储器5003。其中,处理器5001和存储器5003相连,如通过总线5002相连。可选地,电子设备5000还可以包括收发器5004。需要说明的是,实际应用中收发器5004不限于一个,该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器5001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线5002可包括一通路,在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码,并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本申请第一方面所示的一种5G网络切片下基于服务特征的故障诊断方法。
本发明的又一实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
Claims (10)
1.一种5G网络切片下基于服务特征的故障诊断方法,其特征在于,包括:
接收虚拟网络发送的异常服务信息;
根据所述虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型;
根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型;
通过所述故障传播模型得到每一个网络节点发生故障的概率值;
根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现网络故障诊断。
2.如权利要求1所述的一种5G网络切片下基于服务特征的故障诊断方法,其特征在于,所述根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型,包括:
通过网络节点的可替代概率模型计算每一个网络节点的可替代概率;具体地,通过以下公式进行计算:
根据所述网络节点的可替代概率筛选满足预设条件的网络节点作为可信任网络节点;
通过服务节点的信任度模型计算服务状态正常的可信度;具体地,通过以下公式进行计算:
根据所述可信任网络节点及所述服务状态正常的可信度优化所述故障传播模型。
3.如权利要求2所述的一种5G网络切片下基于服务特征的故障诊断方法,其特征在于,所述根据所述网络节点的可替代概率筛选满足预设条件的网络节点作为可信任网络节点,包括:
通过网络节点中心度模型计算网络节点的中心度;具体地,通过以下公式进行计算:
其中,CC(nj)表示目标网络节点nj的中心度,nr∈ψ(nj)表示网络拓扑中去除目标网络节点nj之后的网络节点集合,drj表示参考网络节点nr和目标网络节点nj之间最短路径包含的链路数量;
通过网络节点链路模块计算网络节点的链路数;具体地,通过以下公式进行计算:
其中,DC(nj)表示目标网络节点nj的链路数,e∈E(nj)表示网络节点nj的边,bw(e)表示边的带宽值;
根据所述网络节点的中心度及所述网络节点的链路数得到网络节点的资源总量;具体地,通过以下公式进行计算:
其中,表示网络节点的资源总量,CC(nj)表示目标网络节点nj的中心度,minCC表示网络节点的中心度的最小值,maxCC表示网络节点的中心度的最大值,DC(nj)表示目标网络节点nj的链路数,minDC表示网络节点的链路数最小值,maxDC表示网络节点的链路数最大值;
根据所述网络节点的资源总量得到网络节点的资源量在总资源中的占比;具体地,通过以下公式进行计算:
根据与目标网络节点有关的所述异常服务信息及所有异常服务信息得到与目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率;具体地,通过以下公式计算:
根据所述网络节点的资源量在总资源中的占比及所述目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率得到网络节点的故障可信度;具体地,通过以下公式进行计算:
5.如权利要求1所述的一种5G网络切片下基于服务特征的故障诊断方法,其特征在于,所述根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现故障诊断,包括:
根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,得到故障可信度集合;
根据所述故障可信度集合构建疑似故障传播模型;
通过最大覆盖方法处理所述疑似故障传播模型得到故障集合,实现故障诊断。
6.一种5G网络切片下基于服务特征的故障诊断系统,其特征在于,包括:
异常服务信息接收模块,用于接收虚拟网络发送的异常服务信息;
故障传播模型构建模块,用于根据所述虚拟网络与底层网络的映射关系及所述异常服务信息,构建底层网络与异常服务的故障传播模型;
故障传播模型优化模块,用于根据动态路由协议确定每一个网络节点可替代性,并根据所述网络节点可替代性优化所述故障传播模型;
网络故障概率值计算模块,用于通过所述故障传播模型得到每一个网络节点发生故障的概率值;
故障诊断模块,用于根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,构建故障集合,实现网络故障诊断。
7.如权利要求6所述的一种5G网络切片下基于服务特征的故障诊断系统,其特征在于,所述故障传播模型优化模块,包括:
网络节点的可替代概率计算子模块,用于通过网络节点的可替代概率模型计算每一个网络节点的可替代概率;具体地,通过以下公式进行计算:
网络节点筛选子模块,用于根据所述网络节点的可替代概率筛选满足预设条件的网络节点作为可信任网络节点;
服务状态正常的可信度计算子模块,用于通过服务节点的信任度模型计算服务状态正常的可信度;具体地,通过以下公式进行计算:
优化子模块,用于根据所述可信任网络节点及所述服务状态正常的可信度优化所述故障传播模型。
8.如权利要求7所述的一种5G网络切片下基于服务特征的故障诊断系统,其特征在于,网络节点筛选子模块,包括:
中心度计算子模块,用于通过网络节点中心度模型计算网络节点的中心度;具体地,通过以下公式进行计算:
其中,CC(nj)表示目标网络节点nj的中心度,nr∈ψ(nj)表示网络拓扑中去除目标网络节点nj之后的网络节点集合,drj表示参考网络节点nr和目标网络节点nj之间最短路径包含的链路数量;
链路数计算子模块,用于通过网络节点链路模块计算网络节点的链路数;具体地,通过以下公式进行计算:
其中,DC(nj)表示目标网络节点nj的链路数,e∈E(nj)表示网络节点nj的边,bw(e)表示边的带宽值;
资源总量计算子模块,用于根据所述网络节点的中心度及所述网络节点的链路数得到网络节点的资源总量;具体地,通过以下公式进行计算:
其中,表示网络节点的资源总量,CC(nj)表示目标网络节点nj的中心度,minCC表示网络节点的中心度的最小值,maxCC表示网络节点的中心度的最大值,DC(nj)表示目标网络节点nj的链路数,minDC表示网络节点的链路数最小值,maxDC表示网络节点的链路数最大值;
网络节点的资源量在总资源中的占比计算子模块,用于根据所述网络节点的资源总量得到网络节点的资源量在总资源中的占比;具体地,通过以下公式进行计算:
占比率计算子模块,用于根据与目标网络节点有关的所述异常服务信息及所有异常服务信息得到与目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率;具体地,通过以下公式计算:
故障可信度计算子模块,用于根据所述网络节点的资源量在总资源中的占比及所述目标网络节点有关的所述异常服务信息在所有异常服务信息的占比率得到网络节点的故障可信度;具体地,通过以下公式进行计算:
10.如权利要求6所述的一种5G网络切片下基于服务特征的故障诊断系统,其特征在于,所述故障诊断模块,包括:
故障可信度集合子模块,用于根据所述网络节点发生故障的概率值对所有网络节点进行降序排列,得到故障可信度集合;
疑似故障传播模型建立子模块,用于根据所述故障可信度集合构建疑似故障传播模型;
故障集合构建子模块,用于通过最大覆盖方法处理所述疑似故障传播模型得到故障集合,实现故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110382918.7A CN113518367B (zh) | 2021-04-09 | 2021-04-09 | 5g网络切片下基于服务特征的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110382918.7A CN113518367B (zh) | 2021-04-09 | 2021-04-09 | 5g网络切片下基于服务特征的故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113518367A true CN113518367A (zh) | 2021-10-19 |
CN113518367B CN113518367B (zh) | 2023-04-28 |
Family
ID=78062538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110382918.7A Active CN113518367B (zh) | 2021-04-09 | 2021-04-09 | 5g网络切片下基于服务特征的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113518367B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114143172A (zh) * | 2021-12-02 | 2022-03-04 | 国网河南省电力公司 | 虚拟网服务故障诊断方法、设备、介质和程序产品 |
CN114257493A (zh) * | 2021-12-17 | 2022-03-29 | 中国电信股份有限公司 | 网络节点的故障预警方法、装置、介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160661A (zh) * | 2019-12-31 | 2020-05-15 | 广东电网有限责任公司 | 一种电力通信网可靠性优化方法、系统以及设备 |
CN111342997A (zh) * | 2020-02-06 | 2020-06-26 | 烽火通信科技股份有限公司 | 一种深度神经网络模型的构建方法、故障诊断方法及系统 |
US20210014102A1 (en) * | 2019-07-10 | 2021-01-14 | Sap Se | Reinforced machine learning tool for anomaly detection |
CN112367191A (zh) * | 2020-10-22 | 2021-02-12 | 深圳供电局有限公司 | 一种5g网络切片下服务故障定位方法 |
CN112383934A (zh) * | 2020-10-22 | 2021-02-19 | 深圳供电局有限公司 | 一种5g网络切片下多域协作的服务故障诊断方法 |
CN112491741A (zh) * | 2020-10-19 | 2021-03-12 | 国网上海市电力公司 | 一种虚拟网资源分配方法、装置和电子设备 |
-
2021
- 2021-04-09 CN CN202110382918.7A patent/CN113518367B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210014102A1 (en) * | 2019-07-10 | 2021-01-14 | Sap Se | Reinforced machine learning tool for anomaly detection |
CN111160661A (zh) * | 2019-12-31 | 2020-05-15 | 广东电网有限责任公司 | 一种电力通信网可靠性优化方法、系统以及设备 |
CN111342997A (zh) * | 2020-02-06 | 2020-06-26 | 烽火通信科技股份有限公司 | 一种深度神经网络模型的构建方法、故障诊断方法及系统 |
CN112491741A (zh) * | 2020-10-19 | 2021-03-12 | 国网上海市电力公司 | 一种虚拟网资源分配方法、装置和电子设备 |
CN112367191A (zh) * | 2020-10-22 | 2021-02-12 | 深圳供电局有限公司 | 一种5g网络切片下服务故障定位方法 |
CN112383934A (zh) * | 2020-10-22 | 2021-02-19 | 深圳供电局有限公司 | 一种5g网络切片下多域协作的服务故障诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114143172A (zh) * | 2021-12-02 | 2022-03-04 | 国网河南省电力公司 | 虚拟网服务故障诊断方法、设备、介质和程序产品 |
CN114257493A (zh) * | 2021-12-17 | 2022-03-29 | 中国电信股份有限公司 | 网络节点的故障预警方法、装置、介质及电子设备 |
CN114257493B (zh) * | 2021-12-17 | 2024-04-23 | 中国电信股份有限公司 | 网络节点的故障预警方法、装置、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113518367B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7664986B2 (en) | System and method for determining fault isolation in an enterprise computing system | |
US20110087924A1 (en) | Diagnosing Abnormalities Without Application-Specific Knowledge | |
US20090292954A1 (en) | Ranking the importance of alerts for problem determination in large systems | |
EP3692443B1 (en) | Application regression detection in computing systems | |
CN113518367B (zh) | 5g网络切片下基于服务特征的故障诊断方法及系统 | |
US20230070276A1 (en) | Prediction method and apparatus, readable medium and electronic device | |
CN112367191B (zh) | 一种5g网络切片下服务故障定位方法 | |
CN115373888A (zh) | 故障定位方法、装置、电子设备和存储介质 | |
CN111027591A (zh) | 一种面向大规模集群系统的节点故障预测方法 | |
CN116975081A (zh) | 一种日志诊断集更新方法、装置、设备及存储介质 | |
CN115361295B (zh) | 基于topsis的资源备份方法、装置、设备及介质 | |
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 | |
KR20230016896A (ko) | 통신 시스템에서 응용 서비스 응답 시간 예측 방법 및 장치 | |
CN112579402A (zh) | 一种应用系统故障定位的方法和装置 | |
WO2023273804A1 (zh) | 组网方法、网管系统、服务器和计算机可读存储介质 | |
CN113315663B (zh) | 一种基于业务特征的载波网络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 | |
CN116048859B (zh) | 分布式数据库故障诊断方法、装置、电子设备及存储介质 | |
CN116723111B (zh) | 业务请求的处理方法、系统及电子设备 | |
CN117951529B (zh) | 用于硬盘数据故障预测的样本获取方法、装置、设备 | |
CN112260873B (zh) | 一种5g网络切片下动态网络故障诊断方法 | |
CN116708135B (zh) | 网络业务故障监测方法、装置、电子设备及存储介质 | |
CN117609079A (zh) | 基于调用关系网络进行测试的方法、装置、设备和介质 | |
CN112199247B (zh) | 一种无业务状态下Docker容器进程活性的检查方法及装置 |
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 |