CN113541980B - 网络切片故障根因定位方法、装置、计算设备及存储介质 - Google Patents
网络切片故障根因定位方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113541980B CN113541980B CN202010291682.1A CN202010291682A CN113541980B CN 113541980 B CN113541980 B CN 113541980B CN 202010291682 A CN202010291682 A CN 202010291682A CN 113541980 B CN113541980 B CN 113541980B
- Authority
- CN
- China
- Prior art keywords
- slice
- root cause
- matrix
- node
- alarm information
- 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
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- 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
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例涉及通信技术领域,公开了一种网络切片故障根因定位方法、装置、计算设备及存储介质,该方法包括:获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。通过上述方式,本发明实施例能够实现对5G切片故障的根因节点的自动、精准定位。
Description
技术领域
本发明实施例涉及通信技术领域,具体涉及一种网络切片故障根因定位方法、装置、计算设备及存储介质。
背景技术
网络切片(Network Slice)是端到端的逻辑功能和其所需的物理或虚拟资源集合,包括接入网、传输网、核心网等,网络切片可认为是5G网络中的虚拟化“专网”,网络切片基于网络功能虚拟化(Network Function Virtualization,NFV)的统一基础设施构建,实现低成本高效运营。网络切片技术可以实现通信网络的逻辑隔离,允许在每个网络切片中配置和重用网络元件及功能以满足特定的行业应用需求。
现有技术下,网络切片故障根因定位主要依赖于专家经验或预设的规则库和知识库的方式来实现,实现方法复杂、低效,准确率也较低。人为定位容易出错、效率也较低,知识库的缺点是无法及时更新、对于未出现过的故障场景无法作根因定位。
发明内容
鉴于上述问题,本发明实施例提供了一种网络切片故障根因定位方法、装置、计算设备及计算机存储介质,克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面,提供了一种网络切片故障根因定位方法,所述方法包括:获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。
在一种可选的方式中,所述获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息之后,包括:根据所述切片网络拓扑图的图结构形成邻接矩阵A;根据所述切片网络拓扑图中的所述节点属性以及对应的所述告警信息形成特征矩阵X。
在一种可选的方式中,所述根据所述切片网络拓扑图的图结构形成邻接矩阵A,包括:将所述待检测的切片网络拓扑图中的每个节点作为图的节点V,节点与节点之间的连接作为图的边E;eij表示节点Vi和节点Vj之间的连接关系,节点之间相连为1,否则为0,形成形状为N*N的所述邻接矩阵A,其中N为所述待检测的切片网络拓扑图中的节点个数。
在一种可选的方式中,所述将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中,包括:对所述节点属性进行特征表示,形成形状为N*2的第一矩阵编码,其中N为所述待检测的切片网络拓扑图中的节点个数;将每个节点对应的告警信息编码为序列长度为F的编码序列,形成形状为N*F的第二矩阵编码,其中,F为根据所述告警信息编码得到的最长编码序列长度;组合所述第一矩阵编码和所述第二矩阵编码,形成形状为N*(F+2)的特征矩阵X。
在一种可选的方式中,所述将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中之前,还包括:获取历史切片网络拓扑图、历史告警信息以及人工根因分类标记,形成对所述切片故障根因定位模型进行训练的总数据集;对所述总数据集进行数据预处理,形成邻接矩阵A和特征矩阵X,并将所述总数据集分为训练集和测试集;根据所述邻接矩阵A和所述特征矩阵X对所述切片故障根因定位模型进行训练,获取训练后的所述切片故障根因定位模型。
在一种可选的方式中,所述根据所述邻接矩阵A和所述特征矩阵X对所述切片故障根因定位模型进行训练,包括:将所述训练集中的所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型输出预测的根因分类结果;计算所述预测的根因定位结果和真实根因定位结果之间的误差;选择二类对数损失函数作为目标函数,应用自适应矩估计优化器作为梯度下降优化算法改善所述切片故障根因定位模型的收敛速度,应用所述测试集对所述切片故障根因定位模型进行验证;找到使所述目标函数最小的最优权重值,作为训练后的所述切片故障根因定位模型的权重。
在一种可选的方式中,所述将所述训练集中的所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型输出预测的根因分类结果,包括:将所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型的输入层;依次通过四个卷积核个数不尽相同的图卷积层进行特征提取,最终输出节点和边的潜在空间向量表示;通过输出层根据所述节点和边的潜在空间向量表示输出所述切片网络拓扑图各节点的根因分类结果。
根据本发明实施例的另一个方面,提供了一种网络切片故障根因定位装置,所述装置包括:数据获取单元,用于获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;数据输入单元,用于将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;根因分类单元,用于应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。
根据本发明实施例的另一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述网络切片故障根因定位方法的步骤。
根据本发明实施例的又一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使所述处理器执行上述网络切片故障根因定位方法的步骤。
本发明实施例通过获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果,能够实现对5G切片故障的根因节点的自动、精准定位。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的网络切片故障根因定位方法的流程示意图;
图2示出了本发明实施例提供的网络切片故障根因定位方法的邻接矩阵和特征矩阵示意图;
图3示出了本发明实施例提供的网络切片故障根因定位方法的模型训练示意图;
图4示出了本发明实施例提供的网络切片故障根因定位方法的图卷积神经网络示意图;
图5示出了本发明实施例提供的网络切片故障根因定位方法的切片故障根因定位模型的具体结构示意图;
图6示出了本发明实施例提供的网络切片故障根因定位装置的结构示意图;
图7示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
网络切片管理功能实体(Network Slice Management Function,NSMF)负责接收通信业务管理功能实体(Communication Service Management Function,CSMF)发送的网络切片需求,对网络切片实例的生命周期、性能、故障等进行管理,编排网络切片实例的组成,分解网络切片实例的需求为各网络切片子网实例或网络功能的需求,向各子切片管理功能实体(Network Slice Subnet Management Function,NSSMF)发送网络切片子网实例管理请求。
网络切片实例(Network slice instance,NSI)是一个真实运行的逻辑网络,能满足一定网络特性或服务需求。一个网络切片实例可能提供一种或多种服务。网络切片实例可以由网管系统创建,一个网管系统可能创建多个网络切片实例并同时对它们进行管理,包括在网络切片实例运行过程中的性能监视和故障管理等。当多个网络切片实例共存时,网络切片实例之间可能共享部分网络资源和网络功能。一个完整的网络切片实例是能够提供完整的端到端的网络服务的,而组成网络切片实例的可以是网络切片子网实例(NetworkSlice Subnet Instance,NSSI)和网络功能。
网络切片子网实例可以不需要提供端到端的完整的网络服务,可以是网络切片实例中同一个设备上的网络功能组成集合,也可能是按域划分的网络功能的集合,例如核心网网络切片子网实例、接入网网络切片子网实例,或由部署位置等其他方式组成集合。网络切片子网实例可能被多个网络切片实例共享,提出网络切片子网实例,可以方便网管系统管理。
每个5G网络切片拓扑包括:无线接入网切片子网、传输网切片子网、核心网切片子网、网络功能虚拟化基础建设(NFVInfrastructure,NFVI)。但每个切片网络的规模大小不一、节点数也不同,因此无法用传统的机器学习方法来解决。本发明实施例的利用图卷积神经网络(Graph Convolutional Networks,GCNs)在图结构数据上的学习优势来处理的5G网络切片拓扑,将深度学习中常用于图像的卷积神经网络应用到图数据上。
图(graph)是指数学(图论)中的用顶点和边建立相应关系的拓扑图,它可以用于表示社交网络、通信网络、蛋白分子网络等,图中的节点(vertex)表示网络中的个体,边(edge)表示节点之间的连接关系。本发明实施例中的图指的就是切片网络拓扑图,每个节点代表拓扑中的物理或逻辑节点,每条边代表节点之间的关系。
图1示出了本发明实施例提供的网络切片故障根因定位方法的流程示意图。该网络切片故障根因定位方法主要应用于服务器。如图1所示,该网络切片故障根因定位方法包括:
步骤S11:获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息。
在本发明实施例中,当需要进行在线切片故障根因定位时,首先从NSMF中获取待检测的切片网络拓扑图、节点属性以及故障发生时间段内产生的与待检测的切片网络拓扑图中节点对应的告警信息,待检测的切片网络拓扑图中的每个网络节点为图的节点,节点与节点之间的连接为图的边。
获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息之后,还对其进行预处理。待检测的切片网络拓扑图、节点属性以及告警信息经过预处理后转化为切片邻接矩阵A和切片特征矩阵X。具体地,根据所述切片网络拓扑图的图结构形成邻接矩阵A;根据所述切片网络拓扑图中的所述节点属性以及对应的所述告警信息形成特征矩阵X。切片邻接矩阵A为待检测的切片网络拓扑图中各节点的连接关系,切片特征矩阵X为待检测的切片网络拓扑图中节点属性及其所产生的告警信息的特征表示。
在本发明实施例中,将待检测的切片网络拓扑图中的每个节点作为图的节点V,节点与节点之间的连接作为图的边E。如此每个切片网络拓扑图可表示为G=(V,E),V为节点的集合V={V1,V2,V3,…,VN},E为节点间边的集合。eij表示节点Vi和节点Vj之间的连接关系,节点之间相连为1,否则为0,形成形状为N*N的所述邻接矩阵A,其中N为所述待检测的切片网络拓扑图中的节点个数。将切片网络拓扑图转化为如图2所示的邻接矩阵A和特征矩阵X。
特征矩阵(feature matrix)X是对每个节点的特征描述,由节点属性的特征表示和节点产生告警信息的序列表示组成。若无告警信息产生,则用零填充。具体地,对所述节点属性进行特征表示,形成形状为N*2的第一矩阵编码,其中N为所述待检测的切片网络拓扑图中的节点个数;将每个节点对应的告警信息编码为序列长度为F的编码序列,形成形状为N*F的第二矩阵编码,其中,F为根据所述告警信息编码得到的最长编码序列长度;组合所述第一矩阵编码和所述第二矩阵编码,形成形状为N*(F+2)的特征矩阵X。
节点属性包括所归属的层级和节点类型,对节点的两个属性进行编码,形状为N*2的第一矩阵编码。节点属性所归属的层级可以为无线接入网、传输网、核心网或NFVI。节点类型可以为射频拉远单元(RemoteRadio Unit,RRU)、基带处理单元(Building Base bandUnit,BBU)、各类网元、交换机、路由器、防火墙、负载均衡器、服务器、柜顶(Top of Rank,TOR)、列末(End of Row,EOR)等。定义每条节点的告警信息的编码序列长度为F,取总数据集中告警信息的编码序列长度最长的长度为F,将每条数据的编码序列长度均填充为F,形状为N*F的第二矩阵编码。特征矩阵X表示为N*(F+2)的特征矩阵,每一个节点i的特征描述xi。
步骤S12:将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中。
在本发明实施例中,在步骤S12之前,如图3所示,包括:
步骤S121:获取历史切片网络拓扑图、历史告警信息以及人工根因分类标记,形成对所述切片故障根因定位模型进行训练的总数据集。
具体地,从NSMF中收集多个5G切片网络拓扑图(包含无线接入网切片子网、传输网切片子网、核心网切片子网、NFVI)及其历史告警信息,人工对各个节点进行根因分类标记。
步骤S122:对所述总数据集进行数据预处理,形成邻接矩阵A和特征矩阵X,并将所述总数据集分为训练集和测试集。
将切片网络拓扑图转化为邻接矩阵A和特征矩阵X,具体的转化方法参见步骤S11中的方法相同,在此不再赘述。邻接矩阵A为切片网络拓扑中各节点的连接关系,是形状为N*N的矩阵。特征矩阵X为节点属性及其所产生的告警信息的特征表示,是形状为N*(F+2)的特征矩阵。其中,N为切片网络拓扑图中节点的个数。
标签矩阵(label matrix)Y表示为人工标记的每个节点的根因分类,是根据人工根因分类标记形成的形状为N*1的矩阵。
最后将总数据集划分为训练集和测试集,取整个数据集的80%为训练集,剩余20%为测试集。用训练集对切片故障根因定位模型进行训练,使得重建数据与原始数据越接近越好,即使训练得到的根因分类结果尽可能与获取的标签矩阵结果接近。用测试集来评价验证切片故障根因定位模型。
步骤S123:根据所述邻接矩阵A和所述特征矩阵X对所述切片故障根因定位模型进行训练,获取训练后的所述切片故障根因定位模型。
本发明实施例的切片故障根因定位模型是一种图卷积神经网络(GraphConvolutional Network,GCN),目的就是用来提取拓扑图的空间特征,目标是要学习图G=(V,E)上的信号或特征的一个映射,输入包括邻接矩阵A和特征矩阵X,产生一个节点级别的输出或图级别的输出Z。
如图4所示,每一个神经网络层可以写成这样一个非线性函数:
H(l+1)=f(H(l),A),
其中,H(0)=X即为输入数据,H(L)=Z即为输出数据,L为神经网络的层数,选择不同的f()以及参数也决定了不同的模型。
其中,W(l)是第l个神经网络层的参数矩阵,σ()是非线性激活函数(本发明实施例设置为sigmoid激活函数),A为邻接矩阵,D是A的节点度对角矩阵。
在本发明实施例中,将所述训练集中的所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型输出预测的根因分类结果;计算所述预测的根因定位结果和真实根因定位结果之间的误差;选择二类对数损失函数作为目标函数,应用自适应矩估计(adam)优化器作为梯度下降优化算法改善所述切片故障根因定位模型的收敛速度,应用所述测试集对所述切片故障根因定位模型进行验证;找到使所述目标函数最小的最优权重值,作为训练后的所述切片故障根因定位模型的权重。本发明实施例训练的目标是最小化预测的根因定位结果和真实根因定位结果之间的误差,目标函数选择'binary_crossentropy'二类对数损失函数。将训练回合数设置为1500(epochs=1500),梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer='adam')。神经网络通过梯度下降,可以找到使目标函数最小的最优权重值,神经网络通过训练会自主学习到权重值。用训练集进行训练,使得目标函数越小越好,并在每轮训练后用测试集来评价验证切片故障根因定位模型。切片故障根因定位模型收敛后导出对应的权重,得到训练后的切片故障根因定位模型。
本发明实施例的切片故障根因定位模型的具体结构如图5所示,包括输入层、四个图卷积层以及输出层。在进行训练时,将所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型的输入层;依次通过四个卷积核个数不尽相同的图卷积层进行特征提取,最终输出节点和边的潜在空间向量表示;通过输出层根据所述节点和边的潜在空间向量表示输出所述切片网络拓扑图各节点的根因分类结果。第一个的图卷积层的卷积核个数为128,激活函数设置为“relu”,利用卷积层进行切片网络拓扑特征提取。第三个图卷积层的卷积核个数为64,激活函数设置为“relu”。第四个图卷积层的卷积核个数为64,激活函数设置为“lamda”。输出切片拓扑节点和边的潜在空间向量表示Z,Z=GCN(X,A)。输出层由全连接层(Dense)构成:神经元个数设置为N(N为切片拓扑的节点数),激活函数设置为“sigmoid”。输入切片网络拓扑的潜在空间向量表示Z,输出切片网络拓扑中各节点的根因分类结果,0为非根因节点,1为根因节点。
步骤S13:应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。
当需要进行在线切片故障根因定位时,将从NSMF中获取的待检测的切片网络拓扑、节点属性以及故障发生时间段内产生的节点告警信息经过预处理后得到的邻接矩阵A和特征矩阵X输入至切片故障根因定位模型中,模型输出切片网络拓扑图中各节点的根因分类结果。
本发明实施例的切片故障根因定位模型由多个图卷积层和全连接层组成,利用图卷积层提取切片网络拓扑图空间特征,将节点和边投影到低维向量空间中,全连接层通过学习被编码后的切片拓扑向量表示,发现各节点产生的告警信息与根因节点之间的关系,从而来预测切片故障的根因节点,实现故障发生时间段内5G切片故障根因自动、精准定位。
本发明实施例通过获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果,能够实现对5G切片故障的根因节点的自动、精准定位。
图6示出了本发明实施例的网络切片故障根因定位装置的结构示意图。如图6所示,该网络切片故障根因定位装置包括:数据获取单元601、数据输入单元602、根因分类单元603以及模型训练单元604。其中:
数据获取单元601用于获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;数据输入单元602用于将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;根因分类单元603用于应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。
在一种可选的方式中,数据获取单元601用于:根据所述切片网络拓扑图的图结构形成邻接矩阵A;根据所述切片网络拓扑图中的所述节点属性以及对应的所述告警信息形成特征矩阵X。
在一种可选的方式中,数据获取单元601用于:将所述待检测的切片网络拓扑图中的每个节点作为图的节点V,节点与节点之间的连接作为图的边E;eij表示节点Vi和节点Vj之间的连接关系,节点之间相连为1,否则为0,形成形状为N*N的所述邻接矩阵A,其中N为所述待检测的切片网络拓扑图中的节点个数。
在一种可选的方式中,数据获取单元601还用于:对所述节点属性进行特征表示,形成形状为N*2的第一矩阵编码,其中N为所述待检测的切片网络拓扑图中的节点个数;将每个节点对应的告警信息编码为序列长度为F的编码序列,形成形状为N*F的第二矩阵编码,其中,F为根据所述告警信息编码得到的最长编码序列长度;组合所述第一矩阵编码和所述第二矩阵编码,形成形状为N*(F+2)的特征矩阵X。
在一种可选的方式中,模型训练单元604用于:获取历史切片网络拓扑图、历史告警信息以及人工根因分类标记,形成对所述切片故障根因定位模型进行训练的总数据集;对所述总数据集进行数据预处理,形成邻接矩阵A和特征矩阵X,并将所述总数据集分为训练集和测试集;根据所述邻接矩阵A和所述特征矩阵X对所述切片故障根因定位模型进行训练,获取训练后的所述切片故障根因定位模型。
在一种可选的方式中,模型训练单元604用于:将所述训练集中的所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型输出预测的根因分类结果;计算所述预测的根因定位结果和真实根因定位结果之间的误差;选择二类对数损失函数作为目标函数,应用自适应矩估计优化器作为梯度下降优化算法改善所述切片故障根因定位模型的收敛速度,应用所述测试集对所述切片故障根因定位模型进行验证;找到使所述目标函数最小的最优权重值,作为训练后的所述切片故障根因定位模型的权重。
在一种可选的方式中,模型训练单元604用于:将所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型的输入层;依次通过四个卷积核个数不尽相同的图卷积层进行特征提取,最终输出节点和边的潜在空间向量表示;通过输出层根据所述节点和边的潜在空间向量表示输出所述切片网络拓扑图各节点的根因分类结果。
本发明实施例通过获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果,能够实现对5G切片故障的根因节点的自动、精准定位。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的网络切片故障根因定位方法。
可执行指令具体可以用于使得处理器执行以下操作:
获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;
将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;
应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述切片网络拓扑图的图结构形成邻接矩阵A;
根据所述切片网络拓扑图中的所述节点属性以及对应的所述告警信息形成特征矩阵X。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
将所述待检测的切片网络拓扑图中的每个节点作为图的节点V,节点与节点之间的连接作为图的边E;
eij表示节点Vi和节点Vj之间的连接关系,节点之间相连为1,否则为0,形成形状为N*N的所述邻接矩阵A,其中N为所述待检测的切片网络拓扑图中的节点个数。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
对所述节点属性进行特征表示,形成形状为N*2的第一矩阵编码,其中N为所述待检测的切片网络拓扑图中的节点个数;
将每个节点对应的告警信息编码为序列长度为F的编码序列,形成形状为N*F的第二矩阵编码,其中,F为根据所述告警信息编码得到的最长编码序列长度;
组合所述第一矩阵编码和所述第二矩阵编码,形成形状为N*(F+2)的特征矩阵X。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取历史切片网络拓扑图、历史告警信息以及人工根因分类标记,形成对所述切片故障根因定位模型进行训练的总数据集;
对所述总数据集进行数据预处理,形成邻接矩阵A和特征矩阵X,并将所述总数据集分为训练集和测试集;
根据所述邻接矩阵A和所述特征矩阵X对所述切片故障根因定位模型进行训练,获取训练后的所述切片故障根因定位模型。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
将所述训练集中的所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型输出预测的根因分类结果;
计算所述预测的根因定位结果和真实根因定位结果之间的误差;
选择二类对数损失函数作为目标函数,应用自适应矩估计优化器作为梯度下降优化算法改善所述切片故障根因定位模型的收敛速度,应用所述测试集对所述切片故障根因定位模型进行验证;
找到使所述目标函数最小的最优权重值,作为训练后的所述切片故障根因定位模型的权重。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
将所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型的输入层;
依次通过四个卷积核个数不尽相同的图卷积层进行特征提取,最终输出节点和边的潜在空间向量表示;
通过输出层根据所述节点和边的潜在空间向量表示输出所述切片网络拓扑图各节点的根因分类结果。
本发明实施例通过获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果,能够实现对5G切片故障的根因节点的自动、精准定位。
本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任意方法实施例中的网络切片故障根因定位方法。
可执行指令具体可以用于使得处理器执行以下操作:
获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;
将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;
应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述切片网络拓扑图的图结构形成邻接矩阵A;
根据所述切片网络拓扑图中的所述节点属性以及对应的所述告警信息形成特征矩阵X。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
将所述待检测的切片网络拓扑图中的每个节点作为图的节点V,节点与节点之间的连接作为图的边E;
eij表示节点Vi和节点Vj之间的连接关系,节点之间相连为1,否则为0,形成形状为N*N的所述邻接矩阵A,其中N为所述待检测的切片网络拓扑图中的节点个数。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
对所述节点属性进行特征表示,形成形状为N*2的第一矩阵编码,其中N为所述待检测的切片网络拓扑图中的节点个数;
将每个节点对应的告警信息编码为序列长度为F的编码序列,形成形状为N*F的第二矩阵编码,其中,F为根据所述告警信息编码得到的最长编码序列长度;
组合所述第一矩阵编码和所述第二矩阵编码,形成形状为N*(F+2)的特征矩阵X。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取历史切片网络拓扑图、历史告警信息以及人工根因分类标记,形成对所述切片故障根因定位模型进行训练的总数据集;
对所述总数据集进行数据预处理,形成邻接矩阵A和特征矩阵X,并将所述总数据集分为训练集和测试集;
根据所述邻接矩阵A和所述特征矩阵X对所述切片故障根因定位模型进行训练,获取训练后的所述切片故障根因定位模型。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
将所述训练集中的所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型输出预测的根因分类结果;
计算所述预测的根因定位结果和真实根因定位结果之间的误差;
选择二类对数损失函数作为目标函数,应用自适应矩估计优化器作为梯度下降优化算法改善所述切片故障根因定位模型的收敛速度,应用所述测试集对所述切片故障根因定位模型进行验证;
找到使所述目标函数最小的最优权重值,作为训练后的所述切片故障根因定位模型的权重。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
将所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型的输入层;
依次通过四个卷积核个数不尽相同的图卷积层进行特征提取,最终输出节点和边的潜在空间向量表示;
通过输出层根据所述节点和边的潜在空间向量表示输出所述切片网络拓扑图各节点的根因分类结果。
本发明实施例通过获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果,能够实现对5G切片故障的根因节点的自动、精准定位。
图7示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对设备的具体实现做限定。
如图7所示,该计算设备可以包括:处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。
其中:处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704,用于与其它设备比如客户端或其它服务器等的网元通信。处理器702,用于执行程序710,具体可以执行上述网络切片故障根因定位方法实施例中的相关步骤。
具体地,程序710可以包括程序代码,该程序代码包括计算机操作指令。
处理器702可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器,可以是同一类型的处理器,如一个或各个CPU;也可以是不同类型的处理器,如一个或各个CPU以及一个或各个ASIC。
存储器706,用于存放程序710。存储器706可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序710具体可以用于使得处理器702执行以下操作:
获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;
将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;
应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。
在一种可选的方式中,所述程序710使所述处理器执行以下操作:
根据所述切片网络拓扑图的图结构形成邻接矩阵A;
根据所述切片网络拓扑图中的所述节点属性以及对应的所述告警信息形成特征矩阵X。
在一种可选的方式中,所述程序710使所述处理器执行以下操作:
将所述待检测的切片网络拓扑图中的每个节点作为图的节点V,节点与节点之间的连接作为图的边E;
eij表示节点Vi和节点Vj之间的连接关系,节点之间相连为1,否则为0,形成形状为N*N的所述邻接矩阵A,其中N为所述待检测的切片网络拓扑图中的节点个数。
在一种可选的方式中,所述程序710使所述处理器执行以下操作:
对所述节点属性进行特征表示,形成形状为N*2的第一矩阵编码,其中N为所述待检测的切片网络拓扑图中的节点个数;
将每个节点对应的告警信息编码为序列长度为F的编码序列,形成形状为N*F的第二矩阵编码,其中,F为根据所述告警信息编码得到的最长编码序列长度;
组合所述第一矩阵编码和所述第二矩阵编码,形成形状为N*(F+2)的特征矩阵X。
在一种可选的方式中,所述程序710使所述处理器执行以下操作:
获取历史切片网络拓扑图、历史告警信息以及人工根因分类标记,形成对所述切片故障根因定位模型进行训练的总数据集;
对所述总数据集进行数据预处理,形成邻接矩阵A和特征矩阵X,并将所述总数据集分为训练集和测试集;
根据所述邻接矩阵A和所述特征矩阵X对所述切片故障根因定位模型进行训练,获取训练后的所述切片故障根因定位模型。
在一种可选的方式中,所述程序710使所述处理器执行以下操作:
将所述训练集中的所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型输出预测的根因分类结果;
计算所述预测的根因定位结果和真实根因定位结果之间的误差;
选择二类对数损失函数作为目标函数,应用自适应矩估计优化器作为梯度下降优化算法改善所述切片故障根因定位模型的收敛速度,应用所述测试集对所述切片故障根因定位模型进行验证;
找到使所述目标函数最小的最优权重值,作为训练后的所述切片故障根因定位模型的权重。
在一种可选的方式中,所述程序710使所述处理器执行以下操作:
将所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型的输入层;
依次通过四个卷积核个数不尽相同的图卷积层进行特征提取,最终输出节点和边的潜在空间向量表示;
通过输出层根据所述节点和边的潜在空间向量表示输出所述切片网络拓扑图各节点的根因分类结果。
本发明实施例通过获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中;应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果,能够实现对5G切片故障的根因节点的自动、精准定位。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (7)
1.一种网络切片故障根因定位方法,其特征在于,所述方法包括:
获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;
根据所述切片网络拓扑图的图结构形成邻接矩阵A;根据所述切片网络拓扑图中的所述节点属性以及对应的所述告警信息形成特征矩阵X;
获取历史切片网络拓扑图、历史告警信息以及人工根因分类标记,形成对切片故障根因定位模型进行训练的总数据集;根据邻接矩阵A和特征矩阵X对所述切片故障根因定位模型进行训练,获取训练后的切片故障根因定位模型;
将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中,包括:对所述节点属性进行特征表示,形成形状为N*2的第一矩阵编码,其中N为所述待检测的切片网络拓扑图中的节点个数;将每个节点对应的告警信息编码为序列长度为F的编码序列,形成形状为N*F的第二矩阵编码,其中,F为根据所述告警信息编码得到的最长编码序列长度;组合所述第一矩阵编码和所述第二矩阵编码,形成形状为N*(F+2)的特征矩阵X;
应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述切片网络拓扑图的图结构形成邻接矩阵A,包括:
将所述待检测的切片网络拓扑图中的每个节点作为图的节点V,节点与节点之间的连接作为图的边E;
eij表示节点Vi和节点Vj之间的连接关系,节点之间相连为1,否则为0,形成形状为N*N的所述邻接矩阵A,其中N为所述待检测的切片网络拓扑图中的节点个数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述邻接矩阵A和所述特征矩阵X对所述切片故障根因定位模型进行训练,包括:
将训练集中的所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型输出预测的根因分类结果;
计算所述预测的根因定位结果和真实根因定位结果之间的误差;
选择二类对数损失函数作为目标函数,应用自适应矩估计优化器作为梯度下降优化算法改善所述切片故障根因定位模型的收敛速度,应用测试集对所述切片故障根因定位模型进行验证;
找到使所述目标函数最小的最优权重值,作为训练后的所述切片故障根因定位模型的权重。
4.根据权利要求3所述的方法,其特征在于,所述将所述训练集中的所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型输出预测的根因分类结果,包括:
将所述邻接矩阵A和所述特征矩阵X输入所述切片故障根因定位模型的输入层;
依次通过四个卷积核个数不尽相同的图卷积层进行特征提取,最终输出节点和边的潜在空间向量表示;
通过输出层根据所述节点和边的潜在空间向量表示输出所述切片网络拓扑图各节点的根因分类结果。
5.一种网络切片故障根因定位装置,其特征在于,所述装置包括:
数据获取单元,用于获取待检测的切片网络拓扑图、节点属性以及与所述待检测的切片网络拓扑图中节点对应的告警信息;根据所述切片网络拓扑图的图结构形成邻接矩阵A;根据所述切片网络拓扑图中的所述节点属性以及对应的所述告警信息形成特征矩阵X;
模型训练单元,用于获取历史切片网络拓扑图、历史告警信息以及人工根因分类标记,形成对切片故障根因定位模型进行训练的总数据集;根据邻接矩阵A和特征矩阵X对所述切片故障根因定位模型进行训练,获取训练后的切片故障根因定位模型;
数据输入单元,用于将所述待检测的切片网络拓扑图以及与对应的所述告警信息输入训练后的切片故障根因定位模型中,包括:对所述节点属性进行特征表示,形成形状为N*2的第一矩阵编码,其中N为所述待检测的切片网络拓扑图中的节点个数;将每个节点对应的告警信息编码为序列长度为F的编码序列,形成形状为N*F的第二矩阵编码,其中,F为根据所述告警信息编码得到的最长编码序列长度;组合所述第一矩阵编码和所述第二矩阵编码,形成形状为N*(F+2)的特征矩阵X;
根因分类单元,用于应用所述切片故障根因定位模型预测输出与所述告警信息对应的各节点的根因分类结果。
6.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行根据权利要求1-4任一项所述网络切片故障根因定位方法的步骤。
7.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行根据权利要求1-4任一项所述网络切片故障根因定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291682.1A CN113541980B (zh) | 2020-04-14 | 2020-04-14 | 网络切片故障根因定位方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291682.1A CN113541980B (zh) | 2020-04-14 | 2020-04-14 | 网络切片故障根因定位方法、装置、计算设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113541980A CN113541980A (zh) | 2021-10-22 |
CN113541980B true CN113541980B (zh) | 2023-07-14 |
Family
ID=78120026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010291682.1A Active CN113541980B (zh) | 2020-04-14 | 2020-04-14 | 网络切片故障根因定位方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113541980B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114661504A (zh) * | 2022-02-23 | 2022-06-24 | 清华大学 | 一种对重复出现类型故障的可操作可解释的根因定位方法 |
CN114422332B (zh) * | 2022-03-16 | 2022-07-12 | 深圳艾灵网络有限公司 | 网络切片控制方法、装置、处理设备及存储介质 |
CN115333814A (zh) * | 2022-08-02 | 2022-11-11 | 哈尔滨工业大学(威海) | 一种面向工业控制系统报警数据的分析系统与方法 |
CN116880438B (zh) * | 2023-04-03 | 2024-04-26 | 材谷金带(佛山)金属复合材料有限公司 | 退火设备控制系统的故障检测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107659419B (zh) * | 2016-07-25 | 2021-01-01 | 华为技术有限公司 | 网络切片方法和系统 |
CN109600246B (zh) * | 2017-09-30 | 2021-09-21 | 华为技术有限公司 | 网络切片管理方法及其装置 |
CN109993189A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 一种网络故障预警方法、装置和介质 |
CN110620676B (zh) * | 2018-06-20 | 2021-10-15 | 华为技术有限公司 | 一种故障管理方法和相关装置 |
CN110995482B (zh) * | 2019-11-27 | 2022-06-21 | 深圳市商汤科技有限公司 | 告警分析方法、装置、计算机设备及计算机可读存储介质 |
-
2020
- 2020-04-14 CN CN202010291682.1A patent/CN113541980B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113541980A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113541980B (zh) | 网络切片故障根因定位方法、装置、计算设备及存储介质 | |
CN110943857B (zh) | 基于卷积神经网络的电力通信网故障分析及定位方法 | |
US10354201B1 (en) | Scalable clustering for mixed machine learning data | |
CN112132287A (zh) | 一种分布式的量子计算仿真方法和装置 | |
US20210209481A1 (en) | Methods and systems for dynamic service performance prediction using transfer learning | |
CN112398674B (zh) | 虚拟网络功能描述vnfd配置模板的生成方法及装置 | |
CN113825165B (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN113055218A (zh) | Nfv网络的冗余性评价方法、装置及计算设备 | |
CN113824575B (zh) | 故障节点识别的方法、装置、计算设备及计算机存储介质 | |
CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
CN113259145A (zh) | 网络切片的端到端组网方法、组网装置及网络切片设备 | |
CN113411841B (zh) | 5g切片的割接合并方法、装置及计算设备 | |
CN113765683A (zh) | 网络切片的割接告警屏蔽方法及装置 | |
CN113825161B (zh) | 基于深度自编码神经网络的5g切片异常检测方法及装置 | |
CN113762978B (zh) | 5g切片用户的投诉定界方法、装置及计算设备 | |
CN113822454B (zh) | 切片投诉处理资源的预估方法及装置 | |
CN114143163B (zh) | 基于图注意力网络的切片误告警识别方法及装置 | |
CN113825151B (zh) | 基于关系图卷积网络的切片告警间关系预测方法及装置 | |
CN113810212B (zh) | 5g切片用户投诉的根因定位方法及装置 | |
CN112990425A (zh) | 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 | |
CN113949633A (zh) | 基于机器学习的5g网络切片容灾池资源管理方法及装置 | |
CN113766532B (zh) | 网络切片实例的隔离评估方法及装置 | |
CN113822453A (zh) | 5g切片的多用户投诉共性确定方法及装置 | |
CN113806498A (zh) | 网络切片实例运行状况的在线问答方法及装置 | |
CN113825148A (zh) | 网络节点告警等级的确定方法、装置及计算设备 |
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 |