CN113779247B - 基于意图驱动的网络故障诊断方法及系统 - Google Patents

基于意图驱动的网络故障诊断方法及系统 Download PDF

Info

Publication number
CN113779247B
CN113779247B CN202110998233.5A CN202110998233A CN113779247B CN 113779247 B CN113779247 B CN 113779247B CN 202110998233 A CN202110998233 A CN 202110998233A CN 113779247 B CN113779247 B CN 113779247B
Authority
CN
China
Prior art keywords
fault
network
environment data
user
emotion
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
CN202110998233.5A
Other languages
English (en)
Other versions
CN113779247A (zh
Inventor
喻鹏
李文璟
丰雷
周凡钦
陈成
阎钰洁
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110998233.5A priority Critical patent/CN113779247B/zh
Publication of CN113779247A publication Critical patent/CN113779247A/zh
Application granted granted Critical
Publication of CN113779247B publication Critical patent/CN113779247B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明提供一种基于意图驱动的网络故障诊断方法及系统，该方法包括：获取当前网络中的用户意图；将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度；将所述用户输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度；根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理。本发明能够按照故障处理优先级，优先处理严重故障的网络，从而迅速恢复网络服务。

Description

基于意图驱动的网络故障诊断方法及系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于意图驱动的网络故障诊断方法及系统。
背景技术
随着通信技术和用户设备的发展，移动通信经历了从1G到5G的发展历程，5G相较于4G及以往的通信系统，在传输速率上更快，并且能够更好的对抗无线传输环境中的多径效应，系统容量和频谱效率得到了大幅提升。
当前，5G网络尚且存在以下几个方面的不足，首先，未来的网络应用对于数据速率的需求会非常高，达到每秒几兆比特的级别，5G网络不足以实现如此高的数据传输；此外，随着物联网设备的增长，当前5G网络的连接能力和覆盖范围已不足以满足其发展需要，其次，人工网络配置和优化，在未来网络大规模和复杂异构的特性之下变得非常低效，亟需智能化和自动化。
为了解决上述问题，6G网络应运而生，6G网络将实现人机物协同通信和超密集连接，实现天地融合，全面覆盖，在深耕低频段的同时，6G网络也将着力于高频段的开发，将面向全社会全行业实现全应用，与人工智能和大数据等技术深度融合，从而大幅改变现有的技术，有效解决当前网络存在的不足。然而，面对6G海量的数据传输需求，现有的6G网络面临着体系架构，技术和性能方面的挑战，尤其在网络故障诊断等环节，网络故障定位和网络优化还有待得到进一步地提升，以提升网络质量。因此，现在亟需一种基于意图驱动的网络故障诊断方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题，本发明提供一种基于意图驱动的网络故障诊断方法及系统。
本发明提供一种基于意图驱动的网络故障诊断方法，包括：
获取当前网络中的用户意图；
将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度，所述训练好的网络故障分类模型是由样本用户意图，通过贝叶斯分类算法训练得到的；
将所述用户意图输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度，所述训练好的用户情绪分级模型是由标记有用户意图情绪标签的样本用户意图对神经网络进行训练得到的；
根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理；
在所述根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级之后，所述方法还包括：
根据预设环境数据定义类型，通过环境数据感知，获取所述当前网络对应故障的环境数据，所述环境数据包括地理环境数据、气候环境数据、生活环境数据和电波环境数据；
根据所述故障处理优先级和所述环境数据，对所述当前网络进行网络故障处理。
根据本发明提供的一种基于意图驱动的网络故障诊断方法，所述训练好的网络故障分类模型通过以下步骤得到：
提取样本用户意图中的样本文本内容，并获取所述样本文本内容中包含的故障种类和故障严重程度；
根据所述样本文本内容和对应的故障种类和故障严重程度，构建第一训练样本集；
通过所述第一训练样本集，对朴素贝叶斯模型进行训练，得到训练好的网络故障分类模型。
根据本发明提供的一种基于意图驱动的网络故障诊断方法，所述训练好的用户情绪分级模型通过以下步骤得到：
提取样本用户意图中的样本文本内容，并在所述样本文本内容中标记对应的用户情绪类型，构建得到第二训练样本集；
将所述第二训练样本集输入到长短期记忆网络中进行训练，得到训练好的用户情绪分级模型。
根据本发明提供的一种基于意图驱动的网络故障诊断方法，所述根据预设环境数据定义类型，通过环境数据感知，获取所述当前网络对应故障的环境数据，包括：
根据地理位置ID、经纬度信息、海拔高度信息和地理类型，获取地理环境数据；
根据季节信息、温湿度信息、风力信息和天气状况，获取气候环境数据；
根据地区环境类型、建筑物密度、工业环境信息、终端所处室内外信息、交通工具环境信息和终端移动信息，获取生活环境数据；
根据终端所在频点信息和干扰信息，获取电波环境信息。
本发明还提供一种基于意图驱动的网络故障诊断系统，包括：
用户意图采集模块，用于获取当前网络中的用户意图；
网络故障分类模块，用于将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度，所述训练好的网络故障分类模型是由样本用户意图，通过贝叶斯分类算法训练得到的；
故障紧急程度确定模块，用于将所述用户意图输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度，所述训练好的用户情绪分级模型是由标记有用户意图情绪标签的样本用户意图对神经网络进行训练得到的；
网络故障第一诊断模块，用于根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理；
所述系统还包括：
环境数据感知模块，用于根据预设环境数据定义类型，通过环境数据感知，获取所述当前网络对应故障的环境数据，所述环境数据包括地理环境数据、气候环境数据、生活环境数据和电波环境数据；
网络故障第二诊断模块，用于根据所述故障处理优先级和所述环境数据，对所述当前网络进行网络故障处理。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于意图驱动的网络故障诊断方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于意图驱动的网络故障诊断方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于意图驱动的网络故障诊断方法的步骤。
本发明提供的基于意图驱动的网络故障诊断方法及系统，通过对用户意图进行分析，采用朴素贝叶斯分类法判定当前网络的故障种类和严重程度，同时采用LSTM算法按照用户情绪进行分级得到对应的网络故障紧急程度，在超密集复杂异构网络中，能够按照故障处理优先级，优先处理严重故障的网络，从而迅速恢复网络服务。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明提供的现有5G技术的应用场景示意图；
图2为本发明提供的意图驱动的网络策略转换过程示意图；
图3为本发明提供的基于意图驱动的网络故障诊断方法的流程示意图；
图4为本发明提供的地理环境数据的生成示意图；
图5为本发明提供的基于爬虫方式获取天气数据的流程示意图；
图6为本发明提供的地区环境类型和工业环境信息的判断流程示意图；
图7为本发明提供的建筑密度信息、交通工具环境信息以及终端移动信息的判断流程示意图；
图8为本发明提供的基于意图驱动的网络故障诊断系统的结构示意图；
图9为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
现有5G技术考虑了三种典型的应用场景，包括增强型移动宽带(Enhanced MobileBroadband，简称eMBB)，超可靠和低延迟通信(Ultra-reliable and Low LatencyCommunications，简称uRLLC)和大规模机器类型通信(MassiveMachine Type ofCommunication，简称mMTC)。图1为本发明提供的现有5G技术的应用场景示意图，可参考图1所示，在增强型移动宽带的应用场景中，着重于为用户提供不同场景下的高质量通信服务，例如，对于热点区域，用户密度大，此时需要提供极高的通信能力，但是移动性要求相对降低。而对于广域覆盖区域，需要提供无缝连接服务，保障高移动性。
在超可靠和低延迟通信的应用场景中，对于网络吞吐量，延迟时间和可用性等性能有着非常严格的要求，例如，自动驾驶，工业自动化和远程手术等关键领域。
在大规模机器类型通信的应用场景中，由于设备数量庞大，相比较服务质量，更需要着重于成本和可靠性，通常该场景中传输的数据对延迟并不敏感，因此需要考虑如何降低成本，提高设备续航能力。
为了能够支撑5G业务的要求，当前无线传输技术和网络技术方面也产生了新的突破，大规模MIMO(Multiple Input Multiple Output)技术通过增加单个基站的天线数量，有效提高了空间分辨率，在相同基站密度和带宽的条件下，能够大幅提高频谱密度，并且降低干扰，降低发射功率。然而，在全双工技术中，由于接收功率和发射功率之间存在严重的自干扰，因此无法实现直接的全双工，当前，在5G领域已经有了许多全双工技术的干扰消除和资源分配等方面的研究，但是距离大规模组网环境中应用还需要进一步验证。在超密集异构网络技术中，未来网络的新旧网络设备共存，势必会导致网络的异构性复杂性加剧，密集网络带来更高的服务质量的同时，不同设备之间的干扰也成为了不可避免的问题。软件定义无线网络，通过将SDN(Software Defined Network)的概念引入到无线网络中，将控制平面从网络设备的硬件中分离出来形成集中控制，从而简化网络管理，更有利于业务发展，但是软件定义无线网络也面临着众多技术上的挑战，例如资源分片和信道隔离等。内容分发网络，通过利用缓存服务器来减轻网络压力，有效加快了网络访问速度。
随着通信技术的快速发展，当前5G网络不足以实现未来网络应用的对于数据速率的高需求(例如，每秒几兆比特的级别)；另外，当前5G网络的连接能力和覆盖范围，也不足以满足物联网设备的增长发展需要；其次，基于人工网络配置和优化的方式，在未来网络大规模和复杂异构的特性之下变得非常低效。
为了解决上述问题，6G网络应运而生。在众多6G网络的支撑技术中，意图驱动网络(Intent-Driven Network，简称IDN)被视为能够解决网络运维成本问题和促进业务发展的新技术。图2为本发明提供的意图驱动的网络策略转换过程示意图，可参考图2所示，在意图驱动网络中，智能软件例如SDN控制器，将决定如何把意图转换为针对特定基础设施的配置手段，从而使网络以期望的方式行事。如图2所示，IDN通过AI等技术，能够实现意图的转译和验证，自动化配置和协调系统，实时感知和优化网络配置。以用户的意图作为驱动实现网络全生命周期自动化管理，极大的提高了网络的运维效率，在面对不断变化的用户需求和复杂的网络环境，能够展现出极高的性能。
为了能够实现6G网络性能的提升，需要将IDN从核心网演进至无线网络，这将带来如下优势：1)准确识别无线网络场景中多种类型的终端用户的网络服务意图；2)将用户对网络性能，业务的需求转换为无线网络的配置和运维策略，实现动态运维；3)通过采集网络和环境数据，实时感知用户的体验和网络性能，利用AI等技术实现对用户行为和网络性能的预测，保障网络的健壮性和系统的稳定。然而，面对6G海量的数据传输需求，IDN一方面具有着广阔的应用前景，另一方面，也面临着体系架构，技术和性能方面的挑战。本发明针对6G网络中的网络故障诊断环节，通过对用户意图和情绪的解析，得到当前网络性能的状况，从而优化网络，提升网络质量。需要说明的是，本发明提供的基于意图驱动的网络故障诊断方法，适用于5G及以上的无线传感网络，可针对复杂异构的密集小区网络，提供故障的判定和定位方法。
图3为本发明提供的基于意图驱动的网络故障诊断方法的流程示意图，如图3所示，本发明提供了一种基于意图驱动的网络故障诊断方法，包括：
步骤301，获取当前网络中的用户意图。
在本发明中，在无线云接入网络中，用户终端通过基站获得网络服务，云端网络管理中心通过定期收集用户终端处的用户意图，执行网络优化、故障诊断和故障定位。具体地，云端网络管理中心采集得到用户意图，然后对用户意图进行分析，提取关于当前网络的评价内容，在本发明中，评价内容可以是用户对当前网络状况反馈的文本信息，该文本信息包含有用户针对该网络的需求，例如，针对网络网速的评价，或者提出网络延迟的投诉等。
步骤302，将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度，所述训练好的网络故障分类模型是由样本用户意图，通过贝叶斯分类算法训练得到的。
在本发明中，通过对用户意图进行分析后，得到该用户意图中针对当前网络的相关文本评价内容，然后采用朴素贝叶斯分类法，对文本内容进行分类，根据分类结果，判断当前网络的故障种类和严重程度。例如，模型根据输入的用户意图，将当前网络的故障划分为网络延迟问题，属于中等程度的故障问题(其中，该故障严重程度对应的数值定义为0.5-07，具体可根据网络延迟和网络丢包率确定，如在对用户意图的文本内容进行分类时，若文本内容为“这网速有点卡顿啊”和“网也太卡了吧”，则分类结果为网络延迟问题，前者对应的数值为0.5，代表网速延迟相对不严重；后者对应的数值为0.7)，代表此时网速延迟较为严重。
步骤303，将所述用户意图输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度，所述训练好的用户情绪分级模型是由标记有用户意图情绪标签的样本用户意图对神经网络进行训练得到的。
在本发明中，采用长短期记忆算法(Long-Short Term Memory，简称LSTM)，对用户情绪进行分级，从而判定网络故障紧急程度。具体地，在本发明中，训练好的用户情绪分级模型首先对用户意图中的文本内如进行分级处理，输出该用户意图针对当前网络产生的用户情绪，例如，在一实施例中，将用户情绪划分为四种，正面(即积极情绪)、平和、不满(即消极情绪)和愤怒，模型根据文本内容，判断用户产生的情绪，在得到当前网络中用户情绪之后，根据这些用户情绪进一步得到当前网络故障紧急程度。在一实施例中，通过用户情绪分级模型，可以将平和，不满和愤怒这三种情绪情况进行分级，得到不同情绪的优先级，分别是等级1、等级2和等级3，其中，等级越高，则表示优先处理的级别越高，另外，正面情绪也可通过用户情绪分级模型识别得到，但是正面情绪是不纳入故障排查的，因为用户评论是不可控的，也许会有正面的评论，因此需要将这种情绪也识别出来并排除，由于该情绪下的网络是正常的，一般不对此类情绪的网络故障进行诊断；然后，将上述分级后的三种情绪，作为后续处理故障时候的计算权值(该计算权值和优先级等比)，优先级越高，权值越高。
在另一实施例中，每一种用户情绪可对应一个取值范围，该取值范围从低到高，代表了当前网络的故障紧急程度，如，平和情绪对应的取值范围为0.3-0.5(包含0.5)、不满情绪对应的取值范围为0.5至0.7(包含0.7)和愤怒对应的取值范围为0.7-1.0，每种用户情绪的具体取值可反映网络故障的严重程度。另外，若获取到同一个用户的多次反馈，需要判断是否为同一个问题，如果不是同一个问题，将该用户的反馈作为新的评价进行处理，如果是同一个问题，那就会忽略该反馈。
步骤304，根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理。
在本发明中，通过分析用户对于网络质量的意图，在明确当前网络故障，得出当前网络所存在的问题之后，然后根据故障种类、故障严重程度以及用户情绪对应的网络故障紧急程度，对网络问题的优先级进行排序，按照优先级由高到低的顺序依次处理网络故障。在本发明中，针对当前网络中多个故障种类的问题，综合分析故障严重程度和网络故障紧急程度各自对应的取值(例如取两者的平均值)，确定优先级排序结果。需要说明的是，在一实施例中，也可以基于不同故障种类的问题，将故障严重程度或网络故障紧急程度作为单独一个优先级评价标准，对当前网络的故障进行优先级排序，从而更加快速定位到优先处理的网络故障。
本发明提供的基于意图驱动的网络故障诊断方法，通过对用户意图进行分析，采用朴素贝叶斯分类法判定当前网络的故障种类和严重程度，同时采用LSTM算法按照用户情绪进行分级得到对应的网络故障紧急程度，在超密集复杂异构网络中，能够按照故障处理优先级，优先处理严重故障的网络，从而迅速恢复网络服务。
在上述实施例的基础上，在所述根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级之后，所述方法还包括：
根据预设环境数据定义类型，通过环境数据感知，获取所述当前网络对应故障的环境数据，所述环境数据包括地理环境数据、气候环境数据、生活环境数据和电波环境数据；
根据所述故障处理优先级和所述环境数据，对所述当前网络进行网络故障处理。
在本发明中，执行环境数据感知环节，首先根据预设环境数据定义类型，对各类环境数据做出定义，给出具体的环境数据种类和取值范围；然后，分别针对地理环境数据，气候环境数据，生活环境数据和电波环境数据进行数据收集。通过将上述实施例中确定的故障处理优先级，结合当前网络所处的多种环境数据，实现对网络故障的精准定位和定向优化。例如，获取到的地理环境数据确定了用户所在区域为高海拔且人口稀疏的地区，此时针对用户意图得到的网络延迟故障，会根据该地区的特征，对网络故障优先级进行定向优化，将优先处理其他人口密集地区的网络故障，例如，在进行网络故障处理时，高海拔且人口稀疏的地区由于具有特殊性，即使此时存在高延迟丢包率高等严重的网络故障，会综合考虑环境数据的影响，优先处理人口密度大且网络延迟相对较低的地区的网络故障；或者，当出现雷雨风暴等极端天气的时候，需要考虑是否是这些因素造成了网络质量的下降，从而根据天气状况制定相应的网络故障处理方案。
本发明通过对环境数据进行分类，结合环境数据和网络故障优先级，充分利用了网络资源，很大程度上提高了数据获取速度，对于6G网络故障定位和网络优化，提升了网络质量和用户服务体验。
在上述实施例的基础上，所述训练好的网络故障分类模型通过以下步骤得到：
提取样本用户意图中的样本文本内容，并获取所述样本文本内容中包含的故障种类和故障严重程度；
根据所述样本文本内容和对应的故障种类和故障严重程度，构建第一训练样本集；
通过所述第一训练样本集，对朴素贝叶斯模型进行训练，得到训练好的网络故障分类模型。
在本发明中，通过提取样本用户意图的文本内容，采用朴素贝叶斯算法训练模型网络加载文本数据集，计算文本特征值，再利用生成的模型进行文本分类，输出用户意图中的网络故障种类和故障严重程度。具体地，基于朴素贝叶斯文本分类的原理为：
其中，A表示文本特征，B表示类别；P(B|A)表示在文本特征A的条件下，取得类别B的概率，即在类别B的情况下取得文本特征A的概率乘以类别B的概率，再除以特征A发生的概率。由于贝叶斯公式中假定所有的特征都是独立的，在用户意图所对应的网络问题中，所有类别也都是独立的，并不相互影响。
在上述实施例的基础上，所述训练好的用户情绪分级模型通过以下步骤得到：
提取样本用户意图中的样本文本内容，并在所述样本文本内容中标记对应的用户情绪类型，构建得到第二训练样本集；
将所述第二训练样本集输入到长短期记忆网络中进行训练，得到训练好的用户情绪分级模型。
在本发明中，从样本用户意图中提取到样本文本内容之后，通过在样本文本内容中标记预设用户情绪类型标签，从而利用LSTM算法进行模型训练，再采用生成的用户情绪分级模型对用户意图进行情绪分级。循环神经网络(Recurrent Neural Network，简称RNN)是一系列能够处理序列数据的神经网络的总称，能够在每一个时间节点产生一个输出，并且隐藏单元之间的连接是循环的，该时间节点上的输出仅仅和下一个时间节点的隐藏单元有循环连接，RNN能够处理序列数据并输出单一的预测结果，但是，RNN在处理长期依赖的时候，会遇到梯度消失和梯度爆炸问题。LSTM算法作为一种比较特殊的RNN算法，允许在训练过程中的不同时刻改变权重系数，并且允许网络忘记当前积累的信息进来避免RNN存在的问题。
进一步地，LSTM中的单一节点特征在于增加了输入门限，遗忘门限和输出门限，从而让自循环的权重是可变的，这样一来在模型参数固定的情况下，不同时刻权重系数是可以动态改变的，也就能够避免梯度消失或者梯度膨胀的问题。具体地，遗忘门用于决定节点状态中可丢弃哪些信息，在LSTM中，可通过一定的概率决定是否遗忘上一层中的隐藏细胞状态：
ft＝σ(Wf·[ht-1,xt]+bf)；
其中，ht-1表示上一序列的隐藏状态，xt表示本序列的数据；Wf表示线性关系的系数，bf表示线性关系的偏置，类似RNN；σ为sigmoid激活函数；ft的值在0到1之间，表示为遗忘上一层隐藏细胞状态的概率。
输入门由两个部分组成，第一个部分使用了sigmoid激活函数，第二个部分使用了tanh激活函数，通过两个函数的输出结果相乘之后去更新细胞的状态，如下所示：
it＝σ(Wi·[ht-1,xt]+bi)；
其中，Wi和Wc表示线性关系的系数，bi和bc表示线性关系的偏置。
进一步地，更新细胞状态。在上述实施例中，得到了遗忘门的遗忘概率，在丢弃掉一部分之前的细胞状态后，与输入门得到的新的一部分细胞状态相加，便可以得到此时的细胞状态：
其中，Ct表示当前细胞的状态，等于遗忘门遗忘的概率ft乘以上一个阶段的细胞状态Ct-1，再加上当前状态根据输入门得到的新的一部分细胞状态；it为添加的概率，为新的细胞状态。
进一步地，输出门由两个部分组成，如下公式所示：
ot＝σ(Wo[ht-1,xt]+bo)；
ht＝ot*tanh(Ct)；
其中，第一部分ot，是由上一个序列的隐藏状态ht-1和当前序列的数据xt，通过激活函数得到；第二部分ht由隐藏状态Ct和激活函数组成。
在本发明中，LSTM的单元能够通过输入门来学习识别重要的输入，存储进长时间状态，并通过遗忘门来概率保存过去的记忆，从而避免梯度消失或者梯度膨胀的问题，更加准确的对用户情绪进行分解。
在上述实施例的基础上，所述根据预设环境数据定义类型，通过环境数据感知，获取所述当前网络对应故障的环境数据，包括：
根据地理位置ID、经纬度信息、海拔高度信息和地理类型，获取地理环境数据。
图4为本发明提供的地理环境数据的生成示意图，可参考图4所示，在本发明中，地理位置ID可依据预设需求来获取，例如每个地理位置在前期预设了一个对应得到ID；然后，可以通过现有的地图应用软件(例如，高德地图App)提供的API实现经纬度的查询，通过在软件中输入所需要查询的地名获取到经纬度信息，如果该地名的描述比较模糊，则返回软件默认结果中的第一条来获取，该方式无论是使用移动端(例如android系统)还是web都是可以实现的；进一步地，海拔高度信息，主要是预先创建一个经纬度与高程数据的对照数据库，然后在每次查询的时候，通过对照数据库获取得到，海拔高度采用静态海拔高度数据库实现，已知在较小范围内海拔高度不会有较大的变化，因此可以采用每平方公里采样一次的方式来描述中国的海拔高度，具体地，在本发明中，可采用高程数据库中国DEM0.01(Digital Elevation Model)，该数据库中共有约960万条数据，精度为1平方公里，将该数据库中的数据导出为经纬度，海拔高度的格式，存储到mysql数据库中，每次查询的时候，便可以通过经纬度获取对应的海拔高度信息。
具体地，地理环境(Geography)数据模型如表1所示(M表示必选，O表示可选，下同)：
表1
根据季节信息、温湿度信息、风力信息和天气状况，获取气候环境数据。
在本发明中，图5为本发明提供的基于爬虫方式获取天气数据的流程示意图，可参考图5所示，通过Python爬虫，采用的数据源为天气网的数据，通过编辑链接中的地址等字段，可以获取所需查询的地理位置的天气情况和天气预报，例如季节信息、温湿度信息等，并保存为csv文件以供查询。
在另实施例中，还可通过相关天气预报应用(例如，彩云天气)的API实现，调用彩云天气API可以获取当前天气和未来两天的天气，相比较爬虫方式，不需要考虑反爬问题，数据获取稳定。
具体地，气候环境(Climate)数据模型如表2所示：
表2
根据地区环境类型、建筑物密度、工业环境信息、终端所处室内外信息、交通工具环境信息和终端移动信息，获取生活环境数据。
在本发明中，生活环境数据包括：城市，农村，高密集遮挡，反射，空阔，工业厂房，室内外，地铁和高速移动铁路(如高铁动车)等。图6为本发明提供的地区环境类型和工业环境信息的判断流程示意图，可参考图6所示，用户终端所处的地区环境类型是指在农村还是城市等，可通过高德地图API，解析查询地址得到的json数据，即可得到该地址是区县，还是乡村等地区环境类型，从而得解析得到用户终端所处大环境的分类；同时，工业厂房可以通过高德地图的POI功能来实现，高德地图提供POI数据，能够返回所查询地理位置的具体分类，得到工业环境信息，通过判断查询结果，根据该地址的分类字段中是否存在工厂等字样，即可判断该地点是否为工厂环境。
进一步地，建筑物密度信息的获取方法，首先在建筑地形图上将当前查询位置定位到中心点，然后对地图截图，获取当前位置的建筑地形图，通过计算建筑所占的像素数量和整个图片中的像素数量的比值，即为当前地理位置的建筑密度信息。在本发明中，建筑密度信息可采用天地图实现，天地图可以获取以查询经纬度为中心的一定区域的建筑物图，其中，建筑物会标注为特别的颜色，通过统计该颜色块在所有颜色中的占比，即可得到该区域的建筑密度信息。
进一步地，由于GPS定位在室内等有遮挡的地方会大打折扣，而在室外则会非常精准，因此，可以通过判断GSP定位的强度来判断当前是处于室外还是有遮挡的室内环境，从而得到终端所处室内外信息。
进一步地，针对交通工具环境信息的获取方式，本发明以地铁环境进行说明：判断当前采用的方法是首先获取设备所在小区的位置区码(Location Area Code，简称LAC)和小区标识CID，然后和已有的地铁小区编号表进行对比，判断是否是处于地铁上。由于地铁环境具有特殊性，可以首先获取为地铁服务的基站的CID和LAC，形成数据库，然后，在获取当前设备所处小区的CID和LAC之后，和数据库中的基站数据进行对比，如果在该数据库中，则表示当前设备确实在地铁中，否则表示不在地铁中。
进一步地，终端移动信息采用高德地图的SDK提供的方法实现采集。在一实施例中，直接调用对应的测速函数即可得到设备此时的移动速度。图7为本发明提供的建筑密度信息、交通工具环境信息以及终端移动信息的判断流程示意图，判断用户终端所处建筑密度，以及是否处于地铁环境和处于移动状态，可参考图7所示。
具体地，生活环境(Environment)数据模型如表3所示：
表3
/>
根据终端所在频点信息和干扰信息，获取电波环境信息。
在本发明中，电波环境环境可通过android等移动设备，可以获取所在小区号和信号场强，其他数据需要相应的商业软件支持。在本发明中，电波传播环境信息包括：频谱、干扰、多径和多普勒效应等。
具体地，电波传播环境(Propagation)数据模型如表4所示：
表4
本发明针对复杂异构网络中故障定位困难，难以辨别故障发生环境，无法准确判定故障发生原因等问题，提出了一种环境数据感知方法，该方法提供了地理环境，气候环境，生活环境和电波环境四个维度的环境数据，多维度定位故障发生位置，并为故障分析提供详细的信息。
图8为本发明提供的基于意图驱动的网络故障诊断系统的结构示意图，如图8所示，本发明提供了一种基于意图驱动的网络故障诊断系统，包括用户意图采集模块801、网络故障分类模块802、故障紧急程度确定模块803和网络故障第一诊断模块804，其中，用户意图采集模块801用于获取当前网络中的用户意图；网络故障分类模块802用于将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度，所述训练好的网络故障分类模型是由样本用户意图，通过贝叶斯分类算法训练得到的；故障紧急程度确定模块803用于将所述用户意图输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度，所述训练好的用户情绪分级模型是由标记有用户意图情绪标签的样本用户意图对神经网络进行训练得到的；网络故障第一诊断模块804用于根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理。
本发明提供的基于意图驱动的网络故障诊断系统，通过对用户意图进行分析，采用朴素贝叶斯分类法判定当前网络的故障种类和严重程度，同时采用LSTM算法按照用户情绪进行分级得到对应的网络故障紧急程度，在超密集复杂异构网络中，能够按照故障处理优先级，优先处理严重故障的网络，从而迅速恢复网络服务。
在上述实施例的基础上，所述系统还包括环境数据感知模块和网络故障第二诊断模块，其中，环境数据感知模块用于根据预设环境数据定义类型，通过环境数据感知，获取所述当前网络对应故障的环境数据，所述环境数据包括地理环境数据、气候环境数据、生活环境数据和电波环境数据；网络故障第二诊断模块用于根据所述故障处理优先级和所述环境数据，对所述当前网络进行网络故障处理。
本发明提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图9为本发明提供的电子设备的结构示意图，如图9所示，该电子设备可以包括：处理器(processor)901、通信接口(CommunicationsInterface)902、存储器(memory)903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令，以执行基于意图驱动的网络故障诊断方法，该方法包括：获取当前网络中的用户意图；将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度，所述训练好的网络故障分类模型是由样本用户意图，通过贝叶斯分类算法训练得到的；将所述用户意图输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度，所述训练好的用户情绪分级模型是由标记有用户意图情绪标签的样本用户意图对神经网络进行训练得到的；根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理。
此外，上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读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，计算机能够执行上述各方法所提供的基于意图驱动的网络故障诊断方法，该方法包括：获取当前网络中的用户意图；将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度，所述训练好的网络故障分类模型是由样本用户意图，通过贝叶斯分类算法训练得到的；将所述用户意图输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度，所述训练好的用户情绪分级模型是由标记有用户意图情绪标签的样本用户意图对神经网络进行训练得到的；根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于意图驱动的网络故障诊断方法，该方法包括：获取当前网络中的用户意图；将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度，所述训练好的网络故障分类模型是由样本用户意图，通过贝叶斯分类算法训练得到的；将所述用户意图输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度，所述训练好的用户情绪分级模型是由标记有用户意图情绪标签的样本用户意图对神经网络进行训练得到的；根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于意图驱动的网络故障诊断方法，其特征在于，包括：
获取当前网络中的用户意图；
将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度，所述训练好的网络故障分类模型是由样本用户意图，通过贝叶斯分类算法训练得到的；
将所述用户意图输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度，所述训练好的用户情绪分级模型是由标记有用户意图情绪标签的样本用户意图对神经网络进行训练得到的；
根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理；
在所述根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级之后，所述方法还包括：
根据预设环境数据定义类型，通过环境数据感知，获取所述当前网络对应故障的环境数据，所述环境数据包括地理环境数据、气候环境数据、生活环境数据和电波环境数据；
根据所述故障处理优先级和所述环境数据，对所述当前网络进行网络故障处理。
2.根据权利要求1所述的基于意图驱动的网络故障诊断方法，其特征在于，所述训练好的网络故障分类模型通过以下步骤得到：
提取样本用户意图中的样本文本内容，并获取所述样本文本内容中包含的故障种类和故障严重程度；
根据所述样本文本内容和对应的故障种类和故障严重程度，构建第一训练样本集；
通过所述第一训练样本集，对朴素贝叶斯模型进行训练，得到训练好的网络故障分类模型。
3.根据权利要求1所述的基于意图驱动的网络故障诊断方法，其特征在于，所述训练好的用户情绪分级模型通过以下步骤得到：
提取样本用户意图中的样本文本内容，并在所述样本文本内容中标记对应的用户情绪类型，构建得到第二训练样本集；
将所述第二训练样本集输入到长短期记忆网络中进行训练，得到训练好的用户情绪分级模型。
4.根据权利要求1所述的基于意图驱动的网络故障诊断方法，其特征在于，所述根据预设环境数据定义类型，通过环境数据感知，获取所述当前网络对应故障的环境数据，包括：
根据地理位置ID、经纬度信息、海拔高度信息和地理类型，获取地理环境数据；
根据季节信息、温湿度信息、风力信息和天气状况，获取气候环境数据；
根据地区环境类型、建筑物密度、工业环境信息、终端所处室内外信息、交通工具环境信息和终端移动信息，获取生活环境数据；
根据终端所在频点信息和干扰信息，获取电波环境信息。
5.一种基于意图驱动的网络故障诊断系统，其特征在于，包括：
用户意图采集模块，用于获取当前网络中的用户意图；
网络故障分类模块，用于将所述用户意图输入到训练好的网络故障分类模型中，得到所述当前网络的故障种类和故障严重程度，所述训练好的网络故障分类模型是由样本用户意图，通过贝叶斯分类算法训练得到的；
故障紧急程度确定模块，用于将所述用户意图输入到训练好的用户情绪分级模型中，得到所述用户意图的情绪类型，并根据所述情绪类型确定所述当前网络的网络故障紧急程度，所述训练好的用户情绪分级模型是由标记有用户意图情绪标签的样本用户意图对神经网络进行训练得到的；
网络故障第一诊断模块，用于根据所述故障种类、所述故障严重程度和所述网络故障紧急程度，确定所述当前网络的故障处理优先级，以根据所述故障处理优先级对所述当前网络进行网络故障处理；
所述系统还包括：
环境数据感知模块，用于根据预设环境数据定义类型，通过环境数据感知，获取所述当前网络对应故障的环境数据，所述环境数据包括地理环境数据、气候环境数据、生活环境数据和电波环境数据；
网络故障第二诊断模块，用于根据所述故障处理优先级和所述环境数据，对所述当前网络进行网络故障处理。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于意图驱动的网络故障诊断方法的步骤。
7.一种非暂态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4任一项所述基于意图驱动的网络故障诊断方法的步骤。
CN202110998233.5A 2021-08-27 2021-08-27 基于意图驱动的网络故障诊断方法及系统 Active CN113779247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110998233.5A CN113779247B (zh) 2021-08-27 2021-08-27 基于意图驱动的网络故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110998233.5A CN113779247B (zh) 2021-08-27 2021-08-27 基于意图驱动的网络故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113779247A CN113779247A (zh) 2021-12-10
CN113779247B true CN113779247B (zh) 2023-07-18

Family

ID=78839697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110998233.5A Active CN113779247B (zh) 2021-08-27 2021-08-27 基于意图驱动的网络故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113779247B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115102841B (zh) * 2022-07-04 2023-11-28 大陆汽车研发（重庆）有限公司 网络故障恢复方法、装置、设备及存储介质
CN117640338A (zh) * 2022-08-18 2024-03-01 中兴通讯股份有限公司 故障处理方法及其装置、存储介质
CN116170283B (zh) * 2023-04-23 2023-07-14 湖南开放大学(湖南网络工程职业学院、湖南省干部教育培训网络学院) 基于网络通信故障体系的处理方法
CN117608274B (zh) * 2024-01-23 2024-04-02 四川鼎鸿智电装备科技有限公司 一种工程机械故障诊断方法及系统、设备、介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110191626A1 (en) * 2010-02-01 2011-08-04 Sqalli Mohammed H Fault-tolerant network management system
US20120166363A1 (en) * 2010-12-23 2012-06-28 Hongbo He Neural network fault detection system and associated methods
US9077614B2 (en) * 2012-12-17 2015-07-07 Hewlett-Packard Development Company, L.P. Prioritizing network faults
CN103763132B (zh) * 2014-01-02 2017-01-11 北京邮电大学 基于症状与故障相关性的网络虚拟化环境故障诊断方法
WO2017051631A1 (ja) * 2015-09-24 2017-03-30 富士フイルム株式会社 故障診断装置、故障診断方法、及び故障診断プログラム
CN106603293A (zh) * 2016-12-20 2017-04-26 南京邮电大学 虚拟网络环境下一种基于深度学习的网络故障诊断方法
CN107241228A (zh) * 2017-06-30 2017-10-10 北京小米移动软件有限公司 网络故障的确定方法、装置及设备
CN111242171B (zh) * 2019-12-31 2023-10-31 中移（杭州）信息技术有限公司 网络故障的模型训练、诊断预测方法、装置以及电子设备
CN112631856B (zh) * 2020-12-17 2022-04-29 西安电子科技大学 一种意图驱动6g网络智能运维方法、系统、设备及应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Qilin Hou ; Jinglin Wang ; Yong Shen.Multiple Sensors Fault Diagnosis for Rolling Bearing Based on Variational Mode Decomposition and Convolutional Neural Networks.《IEEE》.2020,全文. *
基于交互式主动探测的电力综合数据网故障定位算法;李文璟;《电力系统自动化》;第41卷(第4期);全文 *

Also Published As

Publication number Publication date
CN113779247A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113779247B (zh) 基于意图驱动的网络故障诊断方法及系统
Nahri et al. IoV distributed architecture for real-time traffic data analytics
Saffar et al. Machine learning with partially labeled data for indoor outdoor detection
CN110062410B (zh) 一种基于自适应谐振理论的小区中断检测定位方法
CN112911626A (zh) 基于多图卷积的无线网络流量预测方法
Mostaani et al. Task-oriented communication design in cyber-physical systems: A survey on theory and applications
Reddy et al. Spectrum cartography techniques, challenges, opportunities, and applications: A survey
KR20230091093A (ko) 조건부 변이형 오토-인코더들을 사용한 무선 채널들의 데이터-기반 확률론적 모델링
Gao et al. Deep learning based location prediction with multiple features in communication network
Nakıp et al. Dynamic automatic forecaster selection via artificial neural network based emulation to enable massive access for the Internet of Things
Al-Thaedan et al. A machine learning framework for predicting downlink throughput in 4G-LTE/5G cellular networks
CN116528282B (zh) 覆盖场景识别方法、装置、电子设备和可读存储介质
Wang et al. Mobile device localization in 5G wireless networks
Sun et al. Cooperative Perception Optimization Based on Self-Checking Machine Learning.
Alves et al. A novel approach for user equipment indoor/outdoor classification in mobile networks
CN114615693B (zh) 网络容量预测方法、装置、电子设备及计算机存储介质
Mukherjee et al. A supervised‐learning‐based spatial performance prediction framework for heterogeneous communication networks
Mashhadi et al. DSP: A Deep Neural Network Approach for Serving Cell Positioning in Mobile Networks
CN113762485B (zh) 一种基于注意力机制的多数据集联合预测方法
Uyan et al. 5G Long-Term and Large-Scale Mobile Traffic Forecasting
CN117692026B (zh) 一种电力线通信的链路感知方法及装置
CN117580107B (zh) 针对绿色无线网状网流量领域的gnn基站关联方法、系统
CN112543428B (zh) 基于ELM-AdaBoost分类学习的室内定位方法
CN118301658B (zh) 共站址检测方法、装置、设备、存储介质及程序产品
CN114915526B (zh) 通信信号调制识别方法、装置及系统

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