CN113747342A - 网络监控方法、装置及计算设备 - Google Patents

网络监控方法、装置及计算设备 Download PDF

Info

Publication number
CN113747342A
CN113747342A CN202010460988.5A CN202010460988A CN113747342A CN 113747342 A CN113747342 A CN 113747342A CN 202010460988 A CN202010460988 A CN 202010460988A CN 113747342 A CN113747342 A CN 113747342A
Authority
CN
China
Prior art keywords
base station
alarm
network monitoring
base stations
thiessen
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
CN202010460988.5A
Other languages
English (en)
Other versions
CN113747342B (zh
Inventor
郭嘉
曹志强
杨健
薛嵬峰
杨成伟
李长波
汪巍
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Design Institute Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Design Institute Co Ltd
China Mobile Group Zhejiang 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 China Mobile Communications Group Co Ltd, China Mobile Group Design Institute Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010460988.5A priority Critical patent/CN113747342B/zh
Publication of CN113747342A publication Critical patent/CN113747342A/zh
Application granted granted Critical
Publication of CN113747342B publication Critical patent/CN113747342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例涉及网络监控技术领域，公开了一种网络监控方法、装置及计算设备。该方法包括：根据预设划分参数，将网络监控区域划分成若干网格单元；根据所述网络监控区域中的基站的位置，对所述网络监控区域进行泰森多边形划分，以得到所述基站对应的泰森小区；根据所述基站的位置以及所述基站对应的泰森小区，计算所述网格单元的基站平均间距；获取所述网络监控区域中的告警基站；根据所述基站平均间距，通过基于密度的聚类算法对所述告警基站进行聚类，以生成告警簇；根据所述告警簇，进行网络监控。通过上述方式，本发明实施例能够自动将告警基站聚类，从而提高网络监控的效率。

Description

网络监控方法、装置及计算设备
技术领域
本发明实施例涉及网络监控技术领域，具体涉及一种网络监控方法、装置及计算设备。
背景技术
为了维护网络的正常运行，一般会在通信网络的各网元以及信令节点进行统计，以形成后台统计指标，通过对统计指标设定门限触发性能劣化告警，从而实现对网络性能的监控。
在目前的网络监控方法中，由于网络指标监控项非常多，一个节点出现问题时会导致大量的告警产生，从而生成大量故障工单，使得网络维护人员需要处理大量故障工单，效率较低。
发明内容
鉴于上述问题，本发明实施例提供了一种网络监控方法、装置及计算设备，能够自动将告警基站聚类，从而提高网络监控的效率。
根据本发明实施例的第一方面，提供了一种网络监控方法，包括：根据预设划分参数，将网络监控区域划分成若干网格单元；根据所述网络监控区域中的基站的位置，对所述网络监控区域进行泰森多边形划分，以得到所述基站对应的泰森小区；根据所述基站的位置以及所述基站对应的泰森小区，计算所述网格单元的基站平均间距；获取所述网络监控区域中的告警基站；根据所述基站平均间距，通过基于密度的聚类算法对所述告警基站进行聚类，以生成告警簇；根据所述告警簇，进行网络监控。
在一种可选的方式中，所述根据所述网络监控区域中的基站的位置，对所述网络监控区域进行泰森多边形划分，以得到所述基站对应的泰森小区，具体包括：根据所述网络监控区域中的基站的位置，将所述网络监控区域中的全部所述基站连接成德洛内三角网；确定所述三角网中每个三角形的外接圆的圆心；连接相邻所述三角形的外接圆的圆心，得到泰森多边形；将所述基站对应的泰森多边形确定为所述基站对应的泰森小区。
在一种可选的方式中，所述根据所述基站的位置以及所述基站对应的泰森小区，计算各所述网格单元的基站平均间距，具体包括：根据所述基站对应的泰森小区，确定所述网格单元中的基站的直接相邻基站；根据所述基站的位置以及所述网格单元中的基站的直接相邻基站，计算所述网格单元中的基站的平均相邻距离；计算所述网格单元中的基站的平均相邻距离的平均值，并将所述平均值作为所述网格单元的基站平均间距。
在一种可选的方式中，所述根据所述基站平均间距，通过基于密度的聚类算法对所述告警基站进行聚类，以生成告警簇，具体包括：将所述基站平均间距作为所述基于密度的聚类算法的扫描半径；根据所述扫描半径，确定所述基于密度的聚类算法的最小包含点数；根据所述扫描半径和所述最小包含点数，通过所述基于密度的聚类算法对全部所述告警基站进行扫描，以得到所述告警簇。
在一种可选的方式中，所述根据所述扫描半径，确定所述基于密度的聚类算法的最小包含点数，具体包括：根据所述扫描半径，确定每个所述告警基站的扫描半径邻域内的告警基站数量；对全部所述告警基站的扫描半径邻域内的告警基站数量求数学期望，以得到所述最小包含点数。
在一种可选的方式中，所述根据所述告警簇，进行网络监控，具体包括：根据所述告警簇，确定所述告警簇中的问题基站；根据预设采样周期和预设采样次数，确定所述问题基站的发生频率，并根据所述发生频率，确定所述问题基站的问题类型，从而进行网络监控。
在一种可选的方式中，所述根据所述告警簇，确定所述告警簇中的问题基站，具体包括：将所述告警簇中扫描半径邻域密度最高且参数劣化最严重的告警基站确定为所述告警簇中的问题基站。
根据本发明实施例的第二方面，提供了一种网络监控装置，包括：网格划分模块，用于根据预设划分参数，将网络监控区域划分成若干网格单元；泰森划分模块，用于根据所述网络监控区域中的基站的位置，对所述网络监控区域进行泰森多边形划分，以得到所述基站对应的泰森小区；基站平均间距计算模块，用于根据所述基站的位置以及所述基站对应的泰森小区，计算所述网格单元的基站平均间距；获取模块，用于获取所述网络监控区域中的告警基站；聚类模块，用于根据所述基站平均间距，通过基于密度的聚类算法对所述告警基站进行聚类，以生成告警簇；网络监控模块，用于根据所述告警簇，进行网络监控。
根据本发明实施例的第三方面，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的网络监控方法的操作。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在计算设备上运行时，使得计算设备执行执行上述的网络监控方法。
本发明实施例通过根据预设划分参数，将网络监控区域划分成若干相同的网格单元，根据网络监控区域中的基站的位置，对所网络监控区域进行泰森多边形划分，以得到基站对应的泰森小区，根据基站的位置以及基站对应的泰森小区，计算网格单元的基站平均间距，获取网络监控区域中的告警基站，根据基站平均间距，通过基于密度的聚类算法对告警基站进行聚类，以生成告警簇，根据告警簇，进行网络监控，能够根据不同的扫描半径对各个网络单元中的基站进行聚类，避免了原DBSCAN算法中密度不均匀、聚类间距差相差很大时聚类质量较差、计算资源开销大的弊病，并且改变了以往以小区级工单和基站级工单为处理对象的方式，通过智能聚簇自动发现网络问题，大幅减少问题分析和工单处理时长，能够自动将告警基站聚类，从而提高网络监控的效率。
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
附图仅用于示出实施方式，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监控方法的流程示意图；
图2示出了本发明实施例提供的网络监控区域的示意图；
图3示出了本发明实施例提供的泰森多边形的示意图；
图4示出了本发明实施例提供的网格单元与泰森小区的关系示意图；
图5示出了本发明实施例提供的网络监控方法的应用场景示意图；
图6示出了本发明实施例提供的网络监控装置的结构示意图；
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。
本发明人对现有技术进行分析后发现，目前的网络监控方法一般通过告警监控、MR指标监控、性能监控，实现单点问题的处理。由于网络指标监控项非常多，一个节点出现问题时会导致大量的告警产生，从而生成大量故障工单，使得网络维护人员需要处理大量故障工单，效率较低。并且，由于网络优化智能化水平较低，无法对同根因的网络质量告警有效聚类，不同指标的工单往往由不同的网络优化人员处理，制定的优化方案往往南辕北辙，大相径庭，不仅造成生产效率低，也给网络质量维护带来巨大的危险。
基于此，本发明实施例提供了一种网络监控方法、装置及计算设备，能够自动将告警基站聚类，从而提高网络监控的效率。
具体地，下面结合附图，对本发明实施例作进一步阐述。
其中，应当理解的是，本发明提供的下述实施例之间，只要不冲突，均可相互结合以形成新的实施方式。
图1示出了本发明实施例提供的网络监控方法的流程示意图。该方法可以应用于计算设备。如图1所示，该方法包括：
步骤110、根据预设划分参数，将网络监控区域划分成若干网格单元。
其中，预设划分参数可以包括预设经度参数和预设纬度参数。预设经度参数和预设纬度参数可以相等也可以不相等。网络监控区域是指需要进行网络监控的区域，例如可以为一个市、或一个镇等等。可选地，预设划分参数还可以包括时间参数。
根据预设划分参数，将网络监控区域划分成若干网格单元，具体实施方式可以为：将随着时间变化的网络监控区域作为一个数据空间，如图2所示，以网络监控区域的纬度为x轴，以网络监控区域的经度为y轴，以时间为z轴，建立空间直角坐标系，根据预设经度参数、预设纬度参数、时间参数，将数据空间在每一维度上分别划分为n个相同长度的区间，三个维度上分别做相同的划分，从而将整个数据空间划分成若干边长分别为a1、a2、a3的网格单元。例如，在某一维度上，将网格单元记为Cell＝{C1，C2，…，Cn}，
Figure BDA0002510943990000051
1≤i≤n，Hij-Lij＝ε，i表示维度，j表示空间序数。在网格单元划分的过程中，最后一个网格单元的边长可能不足ε，可以将边长看作ε，这样既不会影响计算的准确性,又可保证计算的一致性。
步骤120、根据网络监控区域中的基站的位置，对网络监控区域进行泰森多边形划分，以得到基站对应的泰森小区。
其中，泰森多边形又叫冯洛诺伊图(Voronoi diagram)，是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。例如，设平面区域B上有一组离散点(xi,yj)(i＝1，2，3，…，k；j＝1，2，3，…，k，k为离散点点数)，若将区域B用一组直线段分成k个互相邻接的多边形，使得：
(1)每个多边形内含有且仅含有一个离散点；
(2)若区域B上任意一点(x1,y1)位于含离散点(xi,yj)的多边形内，不等式
Figure BDA0002510943990000052
在i≠j时时恒成立；
(3)若点(x1,y1)位于含离散点(xi,yj)的两个多边形的公共边上，则等式
Figure BDA0002510943990000061
成立。
由此得到的多边形叫泰森多边形。
具体地，步骤120可以包括：
步骤121、根据网络监控区域中的基站的位置，将网络监控区域中的全部基站连接成德洛内三角网。
其中，网络监控区域中设有若干基站，若干基站分别散布在各个网格单元中。根据网络监控区域中的基站的位置，将网络监控区域中的所有相邻的三个基站连成三角形，从而形成德洛内(Delaunay)三角网，并对基站和形成的三角形编号，记录每个三角形是由哪三个基站构成的。
步骤122、确定三角网中每个三角形的外接圆的圆心。
作三角形各边的垂直平分线，将每个三角形的三条边的垂直平分线的交点确定为三角形的外接圆的圆心。
步骤123、连接相邻三角形的外接圆的圆心，得到泰森多边形。
将所有相邻的三角形的外接圆的圆心连接起来，从而得到泰森多边形。例如，如图3所示，假设图中的点为网络监控区域中的基站，将基站连接成德洛内三角网，然后确定三角网中每个三角形的外接圆的圆心，连接相邻三角形的外接圆的圆心，则得到泰森多边形。
步骤124、将基站对应的泰森多边形确定为基站对应的泰森小区。
包围基站的泰森多变形即该基站对应的泰森多边形，从而可以确定基站对应的泰森小区。
步骤130、根据基站的位置以及基站对应的泰森小区，计算网格单元的基站平均间距。
其中，根据基站的位置以及基站对应的泰森小区，计算网格单元的基站平均间距，具体是指，根据基站的位置以及基站对应的泰森小区，分别计算各个网格单元的基站平均间距。
具体地，步骤130可以包括：
步骤131、根据基站对应的泰森小区，确定网格单元中的基站的直接相邻基站。
其中，由于每一基站均对应一泰森小区，在其中一网格单元中，根据泰森小区的位置关系，将与基站的泰森小区有共同边的其他基站的泰森小区确定为该基站的泰森小区的邻区，则该基站的直接相邻基站为邻区对应的基站。例如，如图4所示，与基站M0的泰森小区有共同边的其他基站的泰森小区有5个，这5个其他基站分别为M1、M2、M3、M4、M5，则确定基站M0的直接相邻基站为M1、M2、M3、M4、M5。
步骤132、根据基站的位置以及网格单元中的基站的直接相邻基站，计算网格单元中的基站的平均相邻距离。
根据基站的位置和该基站的直接相邻基站的位置，计算该基站的平均相邻距离。例如，根据基站的经纬度信息，计算得到M0与M1、M2、M3、M4、M5的距离分别为x1、x2、x3、x4、x5，则基站M0的平均相邻距离为(x1+x2+x3+x4+x5)/5。
步骤133、计算网格单元中的基站的平均相邻距离的平均值，并将平均值作为网格单元的基站平均间距。
对网格单元中的每个基站都计算平均相邻距离，对同一网格单元中的全部基站的基站平均间距求平均值，将平均值作为该网格单元的基站平均间距Celleps。例如，基站M0所处的网格单元中共有16个基站，对这16个基站分别按照步骤132中的方法计算其平均相邻距离，然后将16个基站的平均相邻距离除以16，得到基站M0所处的网格单元的基站平均间距。
具体地，可以通过以下公式计算网格单元的基站平均间距Celleps：
Figure BDA0002510943990000071
Figure BDA0002510943990000072
其中，S为基站的平均相邻距离，k为该直接相邻基站的总数，distancei为该基站到某一直接相邻基站的距离；Sj为网格单元中某一基站的平均相邻距离，n为网格单元中的基站总数，Celleps为网格单元的基站平均间距。
步骤140、获取网络监控区域中的告警基站。
其中，当网络监控区域中的基站发生告警时，则该发生告警的基站为告警基站。基站发生告警的触发条件可以为基站的性能指标超出预设范围、用户投诉等等。
步骤150、根据基站平均间距，通过基于密度的聚类算法对告警基站进行聚类，以生成告警簇。
具体地，步骤150包括：
步骤151、将基站平均间距作为基于密度的聚类算法的扫描半径。
其中，基于密度的聚类算法可以为改进的DBSCAN(Density-Based SpatialClustering of Applications with Noise，具有噪声的基于密度的聚类方法)算法、。DBSCAN算法利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。DBSCAN算法的显著优点是聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类。
其中，基于密度的聚类算法的参数包括扫描半径Eps和最小包含点数MinPts。计算得到各个网格单元的基站平均间距后，将各个网格单元的基站平均间距Celleps作为基于密度的聚类算法的扫描半径Eps，即Eps＝Celleps。
步骤152、根据扫描半径，确定基于密度的聚类算法的最小包含点数。
具体地，步骤152可以包括：
步骤1521、根据扫描半径，确定每个告警基站的扫描半径邻域内的告警基站数量。
其中，告警基站的扫描半径邻域是指告警基站以及与告警基站的距离等于扫描半径的其他告警基站构成的集合。例如，假设某一告警基站为M0，则(M0-Eps，M0+Eps)为M0的Eps邻域。根据扫描半径，确定每个告警基站的扫描半径邻域内的告警基站数量，具体为：根据扫描半径，确定每个告警基站的扫描半径邻域，并统计扫描半径邻域内的告警基站数量。在本实施例中，当告警基站位于不同的网格单元中时，将告警基站所处的网格单元的基站平均间距作为扫描半径，从而确定告警基站的扫描半径邻域，即当网格单元不同时，所用于确定扫描半径邻域的扫描半径可能也不同。例如，假设网格单元1的基站平均间距为r1，网格单元2的基站平均间距为r2，则网格单元1的告警基站根据r1确定扫描半径邻域，网格单元2的告警基站根据r2确定扫描半径邻域。
步骤1522、对全部告警基站的扫描半径邻域内的告警基站数量求数学期望，以得到最小包含点数。
分别确定网络监控区域中各个告警基站的扫描半径邻域，对全部告警基站的扫描半径邻域内的告警基站数量求数学期望，并将数学期望得到的值作为该最小包含点数。
其中，可以根据以下公式计算最小包含点数MinPts：
Figure BDA0002510943990000091
其中，pj为告警基站的扫描半径邻域内的告警基站数量，q为网络监控区域中告警基站的总数量。
在一些其他实施例中，不仅各个网格单元中的扫描半径不同，其最小包含点数也不同。步骤152可以包括：步骤1521、根据扫描半径，确定每个告警基站的扫描半径邻域内的告警基站数量；步骤1523、对各个网格单元中的告警基站的扫描半径邻域内的告警基站数量求数学期望，得到各个网格单元的最小包含点数。
步骤153、根据扫描半径和最小包含点数，通过基于密度的聚类算法对全部告警基站进行扫描，以得到告警簇。
具体地，步骤153可以包括：
步骤1531、获取与未访问的出发告警基站的距离在扫描半径内的附近告警基站。
其中，未访问的出发告警基站是指没有被标记为已访问的业务点，可以为网络监控区域中的任意告警基站。从一个未访问的出发告警基站开始，获取与该出发告警基站的距离在该出发告警基站所处的网格单元对应的Eps内的附近告警基站。
步骤1532、若附近告警基站的数量大于或者等于最小包含点数，则使出发告警基站与附近告警基站形成告警簇。
其中，若出发告警基站的附近告警基站的总数量大于或者等于该出发告警基站所处的网格单元对应的MinPts，则使出发告警基站与附近告警基站形成告警簇，并将出发告警基站标记为已访问。若出发告警基站的附近告警基站的总数量小于该出发告警基站所处的网格单元对应的MinPts，则将该出发告警基站暂时标记为噪声点。
步骤1533、遍历告警簇内的所有未访问的附近告警基站，以扩展告警簇。
使用步骤1532中的方法对形成的告警簇内的所有未访问的附近告警基站进行处理，从而对该告警簇进行扩展。例如，如图4所示，假设该出发告警基站所处的网格单元对应的MinPts＝4，出发告警基站为M0，与M0的距离在该出发告警基站所处的网格单元对应的Eps内的附近告警基站有M1、M2、M3、M4、M5，则M0、M1、M2、M3、M4、M5形成告警簇，将M0标记为已访问，并获取与M1的距离在Eps内的附近业务点，若获取与a1的距离在Eps内的附近业务点有M6、M7、M8、M9，则将M1标记为已访问，并继续获取M2、M3、M4、M5、M6、M7、M8、M9的附近告警基站，直至所有的告警基站都被标记为已访问。
步骤1534、对网络监控区域中的所有告警基站进行扫描，以得到告警簇。
对网络监控区域中的所有告警基站进行扫描之后，以得到一个或者多个告警簇。例如，得到告警簇A和告警簇B。
步骤1355、将网络监控区域中中不属于告警簇中的告警基站确定为噪声点，并去除噪声点。
其中，被暂时标记为噪声点业务点，若不属于任何告警簇，则确定为噪声点。
步骤160、根据告警簇，进行网络监控。
具体地，步骤160可以包括：
步骤161、根据告警簇，确定告警簇中的问题基站。
其中，告警簇中有若干个告警基站，可以将告警簇中扫描半径邻域密度最高且参数劣化最严重的告警基站确定为告警簇中的问题基站。扫描半径邻域密度最高是指出现在扫描半径邻域的次数最多，参数劣化最严重是指性能指标的数值离预设范围越远。在确定告警簇中的问题基站后，即监控得到问题基站，则可以通知维护人员对问题基站进行处理，从而解决问题。
例如，如图5所示，网络监控区域为杭州区域，在计算网格单元的基站平均间距之后，杭州滨江区一带移动网络突发性能劣化，引起用户投诉，从而产生了告警基站；根据基站平均间距，通过基于密度的聚类算法对告警基站进行聚类，生成了两个告警簇；将告警簇中扫描半径邻域密度最高的告警基站确定为问题基站，则通知维护人员对问题基站以及问题基站的附近基站进行排查，排查后发现是是滨江华润超市3DMIMO基站时钟故障引起的无线干扰，维护后干扰消失。
在一些实施例中，步骤160还可以包括：
步骤162、根据预设采样周期和预设采样次数，确定问题基站的发生频率，并根据发生频率，确定问题基站的问题类型，从而进行网络监控。
其中，预设采样周期和预设采样次数可以预先设置，例如，分别按照每隔15分钟进行采样并采样2次、每隔1小时进行采样并采样3次、每隔1天进行采样并采样5次对问题基站进行采样，以确定问题基站的发生频率。
其中，不同的发生频率对应不同的问题类型，例如，发生频率为30分钟内出现2次以上，对应的问题类型为硬件故障告警；发生频率为3小时内出现3次以上，对应的问题类型为实时性能告警；发生频率为5天内出现3次以上，对应的问题类型为非实时性能告警。通过监控问题基站的问题类型，从而能够根据的类型使用对应的方式集中处理问题基站，避免人工重复处理相同的问题，提高了效率。
本发明实施例通过根据预设划分参数，将网络监控区域划分成若干相同的网格单元，根据网络监控区域中的基站的位置，对所网络监控区域进行泰森多边形划分，以得到基站对应的泰森小区，根据基站的位置以及基站对应的泰森小区，计算网格单元的基站平均间距，获取网络监控区域中的告警基站，根据基站平均间距，通过基于密度的聚类算法对告警基站进行聚类，以生成告警簇，根据告警簇，进行网络监控，能够根据不同的扫描半径对各个网络单元中的基站进行聚类，避免了原DBSCAN算法中密度不均匀、聚类间距差相差很大时聚类质量较差、计算资源开销大的弊病，并且改变了以往以小区级工单和基站级工单为处理对象的方式，通过智能聚簇自动发现网络问题，大幅减少问题分析和工单处理时长，能够自动将告警基站聚类，从而提高网络监控的效率。
图6示出了本发明实施例提供的网络监控装置的结构示意图。该方法可以应用于计算设备。如图6所示，该装置包括：网格划分模块210、泰森划分模块220、基站平均间距计算模块230、获取模块240、聚类模块250、网络监控模块260。
其中，网格划分模块210用于根据预设划分参数，将网络监控区域划分成若干网格单元；泰森划分模块220用于根据所述网络监控区域中的基站的位置，对所述网络监控区域进行泰森多边形划分，以得到所述基站对应的泰森小区；基站平均间距计算模块230用于根据所述基站的位置以及所述基站对应的泰森小区，计算所述网格单元的基站平均间距；获取模块240用于获取所述网络监控区域中的告警基站；聚类模块250用于根据所述基站平均间距，通过基于密度的聚类算法对所述告警基站进行聚类，以生成告警簇；网络监控模块260用于根据所述告警簇，进行网络监控。
在一种可选的方式中，泰森划分模块220具体用于：根据所述网络监控区域中的基站的位置，将所述网络监控区域中的全部所述基站连接成德洛内三角网；确定所述三角网中每个三角形的外接圆的圆心；连接相邻所述三角形的外接圆的圆心，得到泰森多边形；将所述基站对应的泰森多边形确定为所述基站对应的泰森小区。
在一种可选的方式中，基站平均间距计算模230具体用于：根据所述基站对应的泰森小区，确定所述网格单元中的基站的直接相邻基站；根据所述基站的位置以及所述网格单元中的基站的直接相邻基站，计算所述网格单元中的基站的平均相邻距离；计算所述网格单元中的基站的平均相邻距离的平均值，并将所述平均值作为所述网格单元的基站平均间距。
在一种可选的方式中，聚类模块250具体用于：将所述基站平均间距作为所述基于密度的聚类算法的扫描半径；根据所述扫描半径，确定所述基于密度的聚类算法的最小包含点数；根据所述扫描半径和所述最小包含点数，通过所述基于密度的聚类算法对全部所述告警基站进行扫描，以得到所述告警簇。
在一种可选的方式中，聚类模块250具体还用于：根据所述扫描半径，确定每个所述告警基站的扫描半径邻域内的告警基站数量；对全部所述告警基站的扫描半径邻域内的告警基站数量求数学期望，以得到所述最小包含点数。
在一种可选的方式中，网络监控模块260具体用于：根据所述告警簇，确定所述告警簇中的问题基站；根据预设采样周期和预设采样次数，确定所述问题基站的发生频率，并根据所述发生频率，确定所述问题基站的问题类型，从而进行网络监控。
在一种可选的方式中，网络监控模块260具体还用于：将所述告警簇中扫描半径邻域密度最高且参数劣化最严重的告警基站确定为所述告警簇中的问题基站。
需要说明的是，本发明实施例提供网络监控装置是能够执行上述网络监控方法的装置，则上述网络监控方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
本发明实施例通过根据预设划分参数，将网络监控区域划分成若干相同的网格单元，根据网络监控区域中的基站的位置，对所网络监控区域进行泰森多边形划分，以得到基站对应的泰森小区，根据基站的位置以及基站对应的泰森小区，计算网格单元的基站平均间距，获取网络监控区域中的告警基站，根据基站平均间距，通过基于密度的聚类算法对告警基站进行聚类，以生成告警簇，根据告警簇，进行网络监控，能够根据不同的扫描半径对各个网络单元中的基站进行聚类，避免了原DBSCAN算法中密度不均匀、聚类间距差相差很大时聚类质量较差、计算资源开销大的弊病，并且改变了以往以小区级工单和基站级工单为处理对象的方式，通过智能聚簇自动发现网络问题，大幅减少问题分析和工单处理时长，能够自动将告警基站聚类，从而提高网络监控的效率。
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计算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)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304，用于与其它设备比如网元或其它服务器等的网元通信。处理器302，用于执行程序310，具体可以执行上述用于网络监控方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机可执行指令。
处理器302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多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306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310具体可以被处理器302调用使计算设备执行上述实施例中的网络监控方法中的操作。
本发明实施例通过根据预设划分参数，将网络监控区域划分成若干相同的网格单元，根据网络监控区域中的基站的位置，对所网络监控区域进行泰森多边形划分，以得到基站对应的泰森小区，根据基站的位置以及基站对应的泰森小区，计算网格单元的基站平均间距，获取网络监控区域中的告警基站，根据基站平均间距，通过基于密度的聚类算法对告警基站进行聚类，以生成告警簇，根据告警簇，进行网络监控，能够根据不同的扫描半径对各个网络单元中的基站进行聚类，避免了原DBSCAN算法中密度不均匀、聚类间距差相差很大时聚类质量较差、计算资源开销大的弊病，并且改变了以往以小区级工单和基站级工单为处理对象的方式，通过智能聚簇自动发现网络问题，大幅减少问题分析和工单处理时长，能够自动将告警基站聚类，从而提高网络监控的效率。
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在计算设备上运行时，使得计算设备执行上述任意方法实施例中的网络监控方法。可执行指令具体可以用于使得计算设备执行上述实施例中的网络监控方法中的操作。
本发明实施例通过根据预设划分参数，将网络监控区域划分成若干相同的网格单元，根据网络监控区域中的基站的位置，对所网络监控区域进行泰森多边形划分，以得到基站对应的泰森小区，根据基站的位置以及基站对应的泰森小区，计算网格单元的基站平均间距，获取网络监控区域中的告警基站，根据基站平均间距，通过基于密度的聚类算法对告警基站进行聚类，以生成告警簇，根据告警簇，进行网络监控，能够根据不同的扫描半径对各个网络单元中的基站进行聚类，避免了原DBSCAN算法中密度不均匀、聚类间距差相差很大时聚类质量较差、计算资源开销大的弊病，并且改变了以往以小区级工单和基站级工单为处理对象的方式，通过智能聚簇自动发现网络问题，大幅减少问题分析和工单处理时长，能够自动将告警基站聚类，从而提高网络监控的效率。
本发明实施例提供一种网络监控装置，用于执行上述网络监控方法。
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使计算设备执行上述任意方法实施例中的网络监控方法。
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的网络监控方法。
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 (10)

1.一种网络监控方法，其特征在于，包括：
根据预设划分参数，将网络监控区域划分成若干网格单元；
根据所述网络监控区域中的基站的位置，对所述网络监控区域进行泰森多边形划分，以得到所述基站对应的泰森小区；
根据所述基站的位置以及所述基站对应的泰森小区，计算所述网格单元的基站平均间距；
获取所述网络监控区域中的告警基站；
根据所述基站平均间距，通过基于密度的聚类算法对所述告警基站进行聚类，以生成告警簇；
根据所述告警簇，进行网络监控。
2.根据权利要求1所述的方法，其特征在于，所述根据所述网络监控区域中的基站的位置，对所述网络监控区域进行泰森多边形划分，以得到所述基站对应的泰森小区，具体包括：
根据所述网络监控区域中的基站的位置，将所述网络监控区域中的全部所述基站连接成德洛内三角网；
确定所述三角网中每个三角形的外接圆的圆心；
连接相邻所述三角形的外接圆的圆心，得到泰森多边形；
将所述基站对应的泰森多边形确定为所述基站对应的泰森小区。
3.根据权利要求1所述的方法，其特征在于，所述根据所述基站的位置以及所述基站对应的泰森小区，计算各所述网格单元的基站平均间距，具体包括：
根据所述基站对应的泰森小区，确定所述网格单元中的基站的直接相邻基站；
根据所述基站的位置以及所述网格单元中的基站的直接相邻基站，计算所述网格单元中的基站的平均相邻距离；
计算所述网格单元中的基站的平均相邻距离的平均值，并将所述平均值作为所述网格单元的基站平均间距。
4.根据权利要求1所述的方法，其特征在于，所述根据所述基站平均间距，通过基于密度的聚类算法对所述告警基站进行聚类，以生成告警簇，具体包括：
将所述基站平均间距作为所述基于密度的聚类算法的扫描半径；
根据所述扫描半径，确定所述基于密度的聚类算法的最小包含点数；
根据所述扫描半径和所述最小包含点数，通过所述基于密度的聚类算法对全部所述告警基站进行扫描，以得到所述告警簇。
5.根据权利要求4所述的方法，其特征在于，所述根据所述扫描半径，确定所述基于密度的聚类算法的最小包含点数，具体包括：
根据所述扫描半径，确定每个所述告警基站的扫描半径邻域内的告警基站数量；
对全部所述告警基站的扫描半径邻域内的告警基站数量求数学期望，以得到所述最小包含点数。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述告警簇，进行网络监控，具体包括：
根据所述告警簇，确定所述告警簇中的问题基站；
根据预设采样周期和预设采样次数，确定所述问题基站的发生频率，并根据所述发生频率，确定所述问题基站的问题类型，从而进行网络监控。
7.根据权利要求6所述的方法，其特征在于，所述根据所述告警簇，确定所述告警簇中的问题基站，具体包括：
将所述告警簇中扫描半径邻域密度最高且参数劣化最严重的告警基站确定为所述告警簇中的问题基站。
8.一种网络监控装置，其特征在于，包括：
网格划分模块，用于根据预设划分参数，将网络监控区域划分成若干网格单元；
泰森划分模块，用于根据所述网络监控区域中的基站的位置，对所述网络监控区域进行泰森多边形划分，以得到所述基站对应的泰森小区；
基站平均间距计算模块，用于根据所述基站的位置以及所述基站对应的泰森小区，计算所述网格单元的基站平均间距；
获取模块，用于获取所述网络监控区域中的告警基站；
聚类模块，用于根据所述基站平均间距，通过基于密度的聚类算法对所述告警基站进行聚类，以生成告警簇；
网络监控模块，用于根据所述告警簇，进行网络监控。
9.一种计算设备，其特征在于，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如权利要求1-7任一项所述的网络监控方法的操作。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在计算设备上运行时，使得计算设备执行如权利要求1-7任一项所述的网络监控方法的操作。
CN202010460988.5A 2020-05-27 2020-05-27 网络监控方法、装置及计算设备 Active CN113747342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010460988.5A CN113747342B (zh) 2020-05-27 2020-05-27 网络监控方法、装置及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010460988.5A CN113747342B (zh) 2020-05-27 2020-05-27 网络监控方法、装置及计算设备

Publications (2)

Publication Number Publication Date
CN113747342A true CN113747342A (zh) 2021-12-03
CN113747342B CN113747342B (zh) 2023-04-28

Family

ID=78723743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010460988.5A Active CN113747342B (zh) 2020-05-27 2020-05-27 网络监控方法、装置及计算设备

Country Status (1)

Country Link
CN (1) CN113747342B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114786199A (zh) * 2022-04-21 2022-07-22 中国联合网络通信集团有限公司 一种网络问题点的确定方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055212A1 (en) * 2009-09-01 2011-03-03 Cheng-Fa Tsai Density-based data clustering method
US20160050571A1 (en) * 2013-05-02 2016-02-18 Huawei Technologies Co., Ltd. Network optimization method, and network optimization device
CN109495897A (zh) * 2017-09-12 2019-03-19 中国移动通信集团公司 Lte网络问题区域化聚合方法及装置
CN110493221A (zh) * 2019-08-19 2019-11-22 四川大学 一种基于聚簇轮廓的网络异常检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055212A1 (en) * 2009-09-01 2011-03-03 Cheng-Fa Tsai Density-based data clustering method
US20160050571A1 (en) * 2013-05-02 2016-02-18 Huawei Technologies Co., Ltd. Network optimization method, and network optimization device
CN109495897A (zh) * 2017-09-12 2019-03-19 中国移动通信集团公司 Lte网络问题区域化聚合方法及装置
CN110493221A (zh) * 2019-08-19 2019-11-22 四川大学 一种基于聚簇轮廓的网络异常检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任小强等: "基于加权泰森多边形的无线网络优化算法研究", 《电信工程技术与标准化》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114786199A (zh) * 2022-04-21 2022-07-22 中国联合网络通信集团有限公司 一种网络问题点的确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113747342B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN107767375B (zh) 一种点云质量评估方法及装置
CN107657637B (zh) 一种农机作业面积获取方法
CN109451532B (zh) 一种基站位置的核查方法及装置
CN105933294B (zh) 网络用户定位方法、装置及终端
CN110095797B (zh) 一种基于卫星导航系统的格网化精准定位服务方法和系统
US20130254212A1 (en) Data indexing system, data indexing method and data querying method
CN104469676A (zh) 一种移动终端的定位方法及系统
CN112291844B (zh) 基于mr和mdt的定位方法和装置
CN112543419B (zh) 一种基于密度聚类的用户轨迹预测方法及装置
US9910131B2 (en) Method and device for positioning terminal location
CN113420458A (zh) 一种风场数据精细化处理方法、装置、终端及介质
CN111122222B (zh) 一种样本点位置确定方法及系统
CN113747342A (zh) 网络监控方法、装置及计算设备
CN112598724B (zh) 一种改进的基于tin的矢量数据中心线提取方法
CN114286383A (zh) 网络质量确定方法、装置及存储介质
CN108243426B (zh) 一种确定无线基站需求点的方法及服务器
CN107613502B (zh) 一种传感器网络非规则区域节点定位方法及其装置
CN104850843B (zh) 一种高精度定位系统中快速检测人员过度聚集的方法
CN104765820A (zh) 一种非侵入式的服务依赖关系发现方法
CN114554535B (zh) 共覆盖小区对智能识别方法、装置、设备及存储介质
CN114360255B (zh) 一种流量确定方法、装置、存储介质及电子装置
CN117613909B (zh) 分布式光伏区域气象建模方法及装置
CN113593244A (zh) 一种流量确定方法、装置、存储介质及电子装置
CN112929887B (zh) 基于流量预测设置室分站的方法、装置和电子设备
CN109256774B (zh) 一种基于电压等级的电网子图划分方法及装置

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