CN113872780A - 一种故障根因分析方法、装置及存储介质 - Google Patents

一种故障根因分析方法、装置及存储介质 Download PDF

Info

Publication number
CN113872780A
CN113872780A CN202010614381.8A CN202010614381A CN113872780A CN 113872780 A CN113872780 A CN 113872780A CN 202010614381 A CN202010614381 A CN 202010614381A CN 113872780 A CN113872780 A CN 113872780A
Authority
CN
China
Prior art keywords
key performance
correlation
network key
fault
performance index
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.)
Pending
Application number
CN202010614381.8A
Other languages
English (en)
Inventor
陈怡�
赵晗
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.)
Datang Mobile Communications Equipment Co Ltd
Original Assignee
Datang Mobile Communications Equipment 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 Datang Mobile Communications Equipment Co Ltd filed Critical Datang Mobile Communications Equipment Co Ltd
Priority to CN202010614381.8A priority Critical patent/CN113872780A/zh
Publication of CN113872780A publication Critical patent/CN113872780A/zh
Pending legal-status Critical Current

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
    • 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
    • H04L41/064—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 involving 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
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请公开了一种故障根因分析方法、装置及存储介质，涉及计算机处理领域，以提高故障根因分析的准确性。该方法中，通过将故障小区中主网络关键性能指标与各相关指标之间的相关度作为特征，并比较当前相关度与历史故障下主网络关键性能指标与各相关指标之间的相关度，并将最高相关度对应的历史故障作为当前故障小区所出现的故障。这样，通过时间维度上的各指标之间的依赖关系，以及比较当前指标依赖度特征与过去故障指标依赖度特征之间的相关性，从而可以更加准确的分析出当前出现的故障。

Description

一种故障根因分析方法、装置及存储介质
技术领域
本申请涉及计算机处理领域，尤其涉及一种故障根因分析方法、装置及存储介质。
背景技术
随着互联网的飞速发展，网络通信安全也越来越重要。而在网络通信过程中，难免会遇到各种各样的网络故障，只有快速确定出现的是什么故障，才能够在短时间内找到相应的应对办法。因此，确定网络故障根因，是解决网络通信安全重要的一步。
而在现有的故障根因分析方案中，通常是基于异常指标的偏离来判断故障并找出其根本原因，该方案结果的准确性取决于以多少偏离程度视为指标的降级，实际上，许多异常情况下指标的变化并非某一时刻的明显偏差而是在时间演变中的小变化(如峰值或步长)，因此该方法仅考虑指标的偏离，未考虑指标在时间维度上存在的依赖性。因此，现有方案中故障根因分析的准确性较低。
发明内容
本申请实施例提供一种故障根因分析方法、装置及存储介质，以提高故障根因分析的准确性。
第一方面，本申请实施例提供一种故障根因分析方法，该方法包括：
获取故障小区的第一网络关键性能指标集合；其中，所述第一网络关键性能指标集合包括主网络关键性能指标和至少一个相关网络关键性能指标，所述主网络关键性能指标是在所有网络关键性能指标中根据对网络性能的影响程度选择的指标，所述相关网络关键性能指标为在所有网络关键性能指标中除所述主网络关键性能指标之外的指标；
对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合；其中，所述第一时间相关度集合中每个相关度表示主网络关键性能指标与一个相关网络关键性能指标的相关度；
对所述第一时间相关度集合和各历史故障的第二时间相关度集合进行所述相关性分析，得到所述第一网络关键性能指标集合与各历史故障之间的相关度；其中，所述第二时间相关度集合中每个相关度表示各历史故障下的主网络关键性能指标与一个相关网络关键性能指标的相关度；
将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
在一种可能的实施方式中，所述对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合之前，所述方法还包括：
获取所述故障小区的相邻小区的第二网络关键性能指标集合；
所述对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合，包括：
对所述故障小区的所述主网络关键性能指标与其它网络关键性能指标进行相关性分析，得到所述第一时间相关度集合；其中，所述其它网络关键性能指标包括所述第一网络关键性能指标集合中各相关网络关键性能指标和所述第二网络关键性能指标集合中所有网络关键性能指标。
在一种可能的实施方式中，所述将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因，包括：
若所述最高相关度大于预设相关度，则将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
在一种可能的实施方式中，所述对所述第一时间相关度集合和各历史故障的第二时间相关度集合进行相关性分析，得到所述第一网络关键性能指标集合与各历史故障之间的相关度，包括：
根据皮尔逊相关系数计算所述第一时间相关度集合和所述第二时间相关度集合的相关度；
以预设的权重因子对所述第一时间相关度集合和所述第二时间相关度集合的相关度进行修正，得到所述第一网络关键性能指标集合与各历史故障之间的相关度。
在一种可能的实施方式中，所述将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因之后，所述方法还包括：
将所述最高相关度对应的第一时间相关度集合加入到所述第二时间相关度集合中，对所述第二时间相关度集合的参数进行修正；
根据修正后的所述第二时间相关度集合对所述权重因子进行修正。
第二方面，本申请实施例提供的一种故障根因分析装置，包括：
第一获取模块，用于获取故障小区的第一网络关键性能指标集合；其中，所述第一网络关键性能指标集合包括主网络关键性能指标和至少一个相关网络关键性能指标，所述主网络关键性能指标是在所有网络关键性能指标中根据对网络性能的影响程度选择的指标，所述相关网络关键性能指标为在所有网络关键性能指标中除所述主网络关键性能指标之外的指标；
第一分析模块，用于对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合；其中，所述第一时间相关度集合中每个相关度表示主网络关键性能指标与一个相关网络关键性能指标的相关度；
第二分析模块，用于对所述第一时间相关度集合和各历史故障的第二时间相关度集合进行所述相关性分析，得到所述第一网络关键性能指标集合与各历史故障之间的相关度；其中，所述第二时间相关度集合中每个相关度表示各历史故障下的主网络关键性能指标与一个相关网络关键性能指标的相关度；
确定故障根因模块，用于将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
在一种可能的实施方式中，所述装置还包括：
第二获取模块，用于第一分析模块对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合之前，获取所述故障小区的相邻小区的第二网络关键性能指标集合；
第一分析模块具体用于对所述故障小区的所述主网络关键性能指标与其它网络关键性能指标进行相关性分析，得到所述第一时间相关度集合；其中，所述其它网络关键性能指标包括所述第一网络关键性能指标集合中各相关网络关键性能指标和所述第二网络关键性能指标集合中所有网络关键性能指标。
在一种可能的实施方式中，确定故障根因模块具体用于若所述最高相关度大于预设相关度，则将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
在一种可能的实施方式中，第二分析模块包括：
计算单元，用于根据皮尔逊相关系数计算所述第一时间相关度集合和所述第二时间相关度集合的相关度；
修正单元，用于以预设的权重因子对所述第一时间相关度集合和所述第二时间相关度集合的相关度进行修正，得到所述第一网络关键性能指标集合与各历史故障之间的相关度。
在一种可能的实施方式中，所述装置还包括：
第一修正模块，用于确定故障根因模块将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因之后，将所述最高相关度对应的第一时间相关度集合加入到所述第二时间相关度集合中，对所述第二时间相关度集合的参数进行修正；
第二修正模块，用于根据修正后的所述第二时间相关度集合对所述权重因子进行修正。
第三方面，提供一种计算装置，包括至少一个处理单元、以及至少一个存储单元，其中，存储单元存储有计算机程序，当程序被处理单元执行时，使得处理单元执行上述任意一种故障根因分析方法的步骤。
在一个实施例中，计算装置可以使服务器，也可以是终端设备。
第四方面，提供一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当程序在终端设备上运行时，使得终端设备执行上述任意一种故障根因分析方法的步骤。
本申请有益效果如下：
本申请实施例提供的故障根因分析方法、装置及存储介质，通过将故障小区中主网络关键性能指标与各相关指标之间的相关度作为特征，并比较当前相关度与历史故障下主网络关键性能指标与各相关指标之间的相关度，并将最高相关度对应的历史故障作为当前故障小区所出现的故障。这样，通过时间维度上的各指标之间的依赖关系，以及比较当前指标依赖度特征与过去故障指标依赖度特征之间的相关性，从而可以更加准确的分析出当前出现的故障。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种故障根因分析方法的流程示意图；
图2为本申请实施例中整体方法流程图；
图3为本申请实施例中一种故障根因分析装置的结构示意图；
图4为本申请实施方式中终端设备结构示意图。
具体实施方式
为了解决现有技术中，故障根因分析的准确性较低的问题，本申请实施例中提供一种故障根因分析方法、装置及存储介质。为了更好的理解本申请实施例提供的技术方案，这里对该方案的基本原理做一下简单说明：
随着互联网的飞速发展，网络通信安全也越来越重要。而在网络通信过程中，难免会遇到各种各样的网络故障，只有快速确定出现的是什么故障，才能够在短时间内找到相应的应对办法。因此，确定网络故障根因，是解决网络通信安全重要的一步。已有的故障根因分析方案主要有以下3种：
(1)基于贝叶斯网络的根因分析方案：
贝叶斯网络是大多数根因分析方法的基础，通过建立模型特征，例如事件、条件和指标作为贝叶斯网络的节点，当某故障事件发生且各层网络节点的先验概率已知，就可根据故障网络模型推测该已发故障的最主要故障源。目前，贝叶斯网络在故障根因分析方法上的应用研究已经取得了诸多进展，但是基于贝叶斯网络的根因分析方法的缺陷均在于对高维数据性能不好，极度依赖先验知识和建模数据的分布选择等。
(2)基于异常指标偏离程度的根因分析方案：
提出建立一个基于监测指标偏离其正常情况的综合检测和诊断框架，基于异常指标的偏离来判断故障并找出其根本原因，该方案结果的准确性取决于以多少偏离程度视为指标的降级，实际上，许多异常情况下指标的变化并非某一时刻的明显偏差而是在时间演变中的小变化(如峰值或步长)，因此该方法仅考虑指标的偏离，未考虑指标在时间维度上存在的依赖性，存在一定的局限性。
(3)基于对过去故障情况聚类的根因分析方案：
提出一种基于对过去故障情况聚类从而进行根源分析的方法。该方案考虑到了网络行为具有周期性，但由于聚类过程中使用阈值，使得在确定指标是否视为降级时引发了更激烈的决策，为诊断结果带来了不准确性。
因此，为了提高故障根因分析结果的准确性，本申请实施例提供了一种故障根因分析方法、装置、电子设备和存储介质，通过将故障小区中主网络关键性能指标与各相关指标之间的相关度作为特征，并比较当前相关度与历史故障下主网络关键性能指标与各相关指标之间的相关度，并将最高相关度对应的历史故障作为当前故障小区所出现的故障。这样，通过时间维度上的各指标之间的依赖关系，以及比较当前指标依赖度特征与过去故障指标依赖度特征之间的相关性，从而可以更加准确的分析出当前出现的故障。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请实施例中的实施例及实施例中的特征可以相互组合。
下面对本申请实施例提供的故障根因分析方法进行进一步的解释说明。如图1所示，包括以下步骤：
S101：获取故障小区的第一网络关键性能指标集合；其中，所述第一网络关键性能指标集合包括主网络关键性能指标和至少一个相关网络关键性能指标，所述主网络关键性能指标是在所有网络关键性能指标中根据对网络性能的影响程度选择的指标，所述相关网络关键性能指标为在所有网络关键性能指标中除所述主网络关键性能指标之外的指标。
在本申请实施例中，网络KPI(Key Performance Indicators，关键绩效指标)即为网络关键性能指标，它描述了网络的性能状态。在网络出现故障时，网络的性能会受到影响，进而网络KPI也会出现异常，因此，可以根据网络KPI来确定网络故障发生的原因。其中，网络KPI可包括：掉话数(#Drop)、RRC(无线资源控制)建立连接数(#Connect)、差覆盖率数(#Bad_cov)、PUCC(Physical Uplink Control Channel，物理上行链路控制信道)上的噪声和干扰功率(Avg_RSSI[dbm])、RAT(Radio Access Technologies，无线接入技术)间切换比率(IRAT_rate[％])及振荡切换数(#HO_PP)等。
而根据对网络性能的影响程度，确定主网络KPI和相关网络KPI。如：掉话数直接对网络整体性能有着至关重要的影响，因此设定掉话数为主要指标，即掉话数为主网络KPI，其余的指标为相关网络KPI。
在本申请实施例中，进行故障根因分析时，需要获取主网络KPI和相关网络KPI。考虑到某个时间发生故障时，一些指标可能同时受到影响，或先后受到影响，即这些指标在时域中将有潜在相关性，并且这种时域相关性将能够识别出给定的某一种故障。因此，各指标的数据以时间序列的形式进行收集，即获取的网络KPI是由一个向量构成的，且该向量指标在特定时间间隔L内收集，并存储在长度为T的向量中。例如：L＝1小时，T＝24；表示在24小时内每小时收集某个网络KPI的样本值，网络KPI的向量表示如下式所示：
mp＝(mp,1,mp,2,…,mp,T,…,mp,24)；
其中，mp表示某一网络KPI，mp,T表示该网络KPI在第T时的样本值。
S102：对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合；其中，所述第一时间相关度集合中每个相关度表示主网络关键性能指标与一个相关网络关键性能指标的相关度。
相关性分析，是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。
因此，在获取了各网络KPI之后，根据获取的各网络KPI进行相关性分析。在本申请实施例中，可根据皮尔逊相关系数来对各网络KPI进行相关性分析。
皮尔逊相关系数，又称为皮尔逊积矩相关系数，是一种度量两个变量间相关程度的方法。它是一个介于1和-1之间的值，其中，1表示变量完全正相关，0表示无关，-1表示完全负相关。
若想确定两个指标变量总体间的皮尔逊相关系数，则设Xi为第i个指标变量，Xj为第j个指标变量，那么Xi和Xj之间的皮尔逊相关系数ρxi,xj为：
Figure BDA0002561489580000081
其中，cov(Xi,Xj)为第i个指标变量与第j个指标变量之间的协方差；δxi为第i个指标变量的总体标准差；δxj为第j个指标变量的总体标准差；μxi为第i个指标变量的总体均值；μxj为第j个指标变量的总体均值。
在本申请实施例中，为了准确表征当前网络的特征状态，我们以网络各KPI指标之间在时间维度上的依赖关系作为当前网络的状态描述。根据皮尔逊相关系数的定义，皮尔逊相关系数可以表示两个指标之间的时间依赖关系，系数的绝对值范围在0至+1之间，且越接近+1意味着指标之间的时间依赖性越高。那么对于当前网络中任意两个指标mi＝(mi,1,mi,2,…,mi,T)与mj＝(mj,1,mj,2,…,mj,T)而言，指标之间的相关度
Figure BDA0002561489580000091
计算如下：
Figure BDA0002561489580000092
其中，corr(mi,mj)表示mi和mj之间的关联程度；T为所收集指标时间序列长度，要求不同指标序列的收集间隔与收集时长均相同，例如：mi和mj均是以L＝1h，T＝24h收集的网络KPI，且mi,k表示指标i在第k小时收集的指标值，mj,k表示指标j在第k小时收集的指标值；
Figure BDA0002561489580000093
表示网络KPImi的时间平均值；
Figure BDA0002561489580000094
表示网络KPImj的时间平均值。
而在本申请实施例中，出于对故障小区受邻区指标影响的考虑，故障小区内的指标不仅与本小区其他指标有时间依赖性，对邻区指标也有一定的时间依赖性。因此，在对各网络KPI进行相关性分析之前，获取所述故障小区的相邻小区的第二网络关键性能指标集合。
其中，相邻小区的第二网络关键性能指标集合中的网络KPI与故障小区的第一网络关键性能指标集合中的网络KPI相同。例如：获取了故障小区的5个网络KPI，分别为m1、m2、m3、m4、m5，则在相邻小区中获取的5个网络KPI仍然分别为m1、m2、m3、m4、m5，区别在于各小区中网络KPI的样本值不同。且故障小区的相邻小区至少为一个。
在获取了相邻小区的网络KPI后，再对各网络KPI进行相关性分析，具体的：对所述故障小区的所述主网络关键性能指标与其它网络关键性能指标进行相关性分析，得到所述第一时间相关度集合。
其中，所述其它网络关键性能指标包括所述第一网络关键性能指标集合中各相关网络关键性能指标和所述第二网络关键性能指标集合中所有网络关键性能指标。
例如：故障小区有一个相邻小区，获取的故障小区的5个网络KPI，分别为m11、m12、m13、m14、m15，获取的相邻小区的5个网络KPI，分别为m21、m22、m23、m24、m25，若m11为主网络KPI，则第一时间相关度集合中包括
Figure BDA0002561489580000101
共9个相关度。将第一时间相关度集合以向量进行表示，如下所示：
Figure BDA0002561489580000102
其中，M表示网络中所有小区除主网络KPI之外的网络KPI的总个数，如在网络中每个小区内采集5种指标，故障小区对应的邻区有N个，那么所有小区指标的总个数M＝5*(1+N)-1个，
Figure BDA0002561489580000103
表示故障小区的指标mp与网络中第k个指标的相关度；指标相关度的排序方式采用先本小区再邻小区的方式，每一小区内的元素排列固定，邻区的排序以小区平均相关度由高到低排列。
这样，加入了相邻小区的网络KPI，样本网络KPI越多，所得到的当前相关度越准确，从而可以更加准确的分析出当前出现的故障。
S103：对所述第一时间相关度集合和各历史故障的第二时间相关度集合进行所述相关性分析，得到所述第一网络关键性能指标集合与各历史故障之间的相关度；其中，所述第二时间相关度集合中每个相关度表示各历史故障下的主网络关键性能指标与一个相关网络关键性能指标的相关度。
在本申请实施例中，第二时间相关度集合包括历史故障下的各网络KPI的相关度组成的相关度向量，例如：若存在四个历史故障，则第二时间相关度集合中包括：
Figure BDA0002561489580000111
其中，每个相关度代表了在该历史故障下的相关度向量。第二时间相关度集合可以以矩阵的形式显示，如下所示：
Figure BDA0002561489580000112
其中，M为网络中所有小区除主网络KPI之外的网络KPI的总个数，F为故障情况总个数。每行
Figure BDA0002561489580000113
表示在特定历史故障原因k情况时，指标mp与网络中其他各指标之间的时间依赖关系，其元素排列顺序与V(p)相同。考虑到当网络发生同一故障时，指标当前值不一定具有相似性，但时域上看，同一故障情况下指标之间的时间依赖关系具有一定的相似性。因此，以当前指标依赖度与过去故障情况时的指标依赖度的相似情况作为具体故障原因的诊断方式，即选取与当前依赖度向量相似度最高的故障情况作为当前网络最可能的根本故障原因，这避免了诊断结果对指标瞬时值的过度依赖，也避免了阈值的判断和引入，同时将小区间的相互影响与时间维度上的指标变化考虑在内，可以很好的提高诊断的准确性。
需要说明的是，第二时间相关度集合可以预先计算好，并存储在数据库中，也可以在进行相关度计算时，计算第二时间相关度集合，本申请对此不做限定。
在得到了第二时间相关度集合和第一时间相关度集合之后，便可以进行相关性分析了，具体可通过皮尔逊相关系数进行相关性分析，具体可实施为：
根据皮尔逊相关系数计算所述第一时间相关度集合和所述第二时间相关度集合的相关度；
以预设的权重因子对所述第一时间相关度集合和所述第二时间相关度集合的相关度进行修正，得到所述第一网络关键性能指标集合与各历史故障之间的相关度。
在本申请实施例中，根据皮尔逊相关系数，可以得到V(p)和S(p)的相关度。第一时间相关度集合和第二时间相关度集合之间的相关度
Figure BDA0002561489580000121
计算如下所示：
Figure BDA0002561489580000122
其中，
Figure BDA0002561489580000123
Figure BDA0002561489580000124
其中，
Figure BDA0002561489580000125
为权重因子，为了提高故障诊断的准确性，考虑当前网络与已知故障之间的相似关系时，加入了权重因子以帮助修正。对于任何一个故障而言，不同小区对故障的根因判断有重要性的差异，甚至网络中每个指标对该故障的影响程度都不尽相同，重要程度越高的指标变化可以越好的标识故障，权重矩阵W(p)与历史故障矩阵S(p)结构相同，如下所示：
Figure BDA0002561489580000126
其中，向量
Figure BDA0002561489580000127
表示对于特定故障原因k而言，指标之间依赖度的相对重要程度，
Figure BDA0002561489580000128
为权重向量
Figure BDA0002561489580000129
的元素，表示在已知故障k情况时，指标mp与指标mj之间依赖度的重要性。由于
Figure BDA00025614895800001210
指示相对权重关系，因此满足归一化关系：
Figure BDA00025614895800001211
这样，通过预设权重因子对相关度进行修正，可以提高相关度的准确性。
S104：将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
在通过第二时间相关度集合和第一时间相关度集合进行相关性分析后，便可以得到当前各网络KPI的相关度与历史故障下各网络KPI的相关度之间的相关度
Figure BDA0002561489580000131
并将最高相关度对应的历史故障作为当前的历史故障。例如：若存在四个历史故障S1、S2、S3、S4，则第二时间相关度集合和第一时间相关度集合进行相关性分析后，得到四个
Figure BDA0002561489580000132
分别为R1、R2、R3、R4，若R4数值最大，则将R4对应的历史故障S4作为当前的网络故障。
在本申请实施例中，为了进一步的确定故障根因，还需要对
Figure BDA0002561489580000133
进行限定，具体的：若所述最高相关度大于预设相关度，则将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
即若最高相关度未超过预设相关度，则认为无法找到故障原因，或是无故障。这样，可以使判断结果更加准确。
为了使后续的计算更加准确，在确定了故障根因后，可将这次确定的故障根因对应的数据作为历史数据对历史故障向量进行修正，具体可实施为：
将所述最高相关度对应的第一时间相关度集合加入到所述第二时间相关度集合中，对所述第二时间相关度集合的参数进行修正；
根据修正后的所述第二时间相关度集合对所述权重因子进行修正。
在本申请实施例中，可将确定的相关度加入历史故障矩阵S(p)，以不断修正诊断结果，提高根因分析的准确性。更新后的历史故障矩阵为S′(p)矩阵，更新元素S′(p)可通过如下方式计算：
Figure BDA0002561489580000134
其中，α为用户参数，用以确定过去事件对后来事情发生的影响的重要程度。元素
Figure BDA0002561489580000135
表示故障小区的指标mp与指标mj的相关度，
Figure BDA0002561489580000136
表示在已知故障k情况时，故障小区的指标mp与指标mj之间的相关度；
Figure BDA0002561489580000137
表示指标mj所在的小区与故障相关的重要程度，以小区内指标依赖度的平均值来衡量，
Figure BDA0002561489580000138
公式如下所示：
Figure BDA0002561489580000139
以一个小区采集6个指标为例，其中λ(j)为指标mj所在邻区的第一个指标位置，因此
Figure BDA0002561489580000141
值越高意味着指标mj所在小区对故障的相关关系越重要，从而它对历史故障矩阵的影响也越大。
这样，通过将当前值加入到历史故障中进行学习，对历史故障和权重因子进行修正，从而提高故障根因分析的准确性。
如图2所示，其为本申请实施例的整体流程图。
S201：获取故障小区的第一网络关键性能指标集合以及所述故障小区的相邻小区的第二网络关键性能指标集合。
S202：对所述故障小区的所述主网络关键性能指标与其它网络关键性能指标进行相关性分析，得到所述第一时间相关度集合。
S203：对所述第一时间相关度集合和各历史故障的第二时间相关度集合进行所述相关性分析，得到所述第一网络关键性能指标集合与各历史故障之间的相关度。
S204：若所述最高相关度大于预设相关度，则将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
其中，图2中的各个步骤的具体实现方式可以参照前文论述的内容，此处不再赘述。
基于相同的发明构思，本申请实施例还提供了一种故障根因分析装置。如图3所示，该装置包括：
第一获取模块301，用于获取故障小区的第一网络关键性能指标集合；其中，所述第一网络关键性能指标集合包括主网络关键性能指标和至少一个相关网络关键性能指标，所述主网络关键性能指标是在所有网络关键性能指标中根据对网络性能的影响程度选择的指标，所述相关网络关键性能指标为在所有网络关键性能指标中除所述主网络关键性能指标之外的指标；
第一分析模块302，用于对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合；其中，所述第一时间相关度集合中每个相关度表示主网络关键性能指标与一个相关网络关键性能指标的相关度；
第二分析模块303，用于对所述第一时间相关度集合和各历史故障的第二时间相关度集合进行所述相关性分析，得到所述第一网络关键性能指标集合与各历史故障之间的相关度；其中，所述第二时间相关度集合中每个相关度表示各历史故障下的主网络关键性能指标与一个相关网络关键性能指标的相关度；
确定故障根因模块304，用于将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
在一种可能的实施方式中，所述装置还包括：
第二获取模块，用于第一分析模块302对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合之前，获取所述故障小区的相邻小区的第二网络关键性能指标集合；
第一分析模块具体用于对所述故障小区的所述主网络关键性能指标与其它网络关键性能指标进行相关性分析，得到所述第一时间相关度集合；其中，所述其它网络关键性能指标包括所述第一网络关键性能指标集合中各相关网络关键性能指标和所述第二网络关键性能指标集合中所有网络关键性能指标。
在一种可能的实施方式中，确定故障根因模块304具体用于若所述最高相关度大于预设相关度，则将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
在一种可能的实施方式中，第二分析模块303包括：
计算单元，用于根据皮尔逊相关系数计算所述第一时间相关度集合和所述第二时间相关度集合的相关度；
修正单元，用于以预设的权重因子对所述第一时间相关度集合和所述第二时间相关度集合的相关度进行修正，得到所述第一网络关键性能指标集合与各历史故障之间的相关度。
在一种可能的实施方式中，所述装置还包括：
第一修正模块，用于确定故障根因模块304将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因之后，将所述最高相关度对应的第一时间相关度集合加入到所述第二时间相关度集合中，对所述第二时间相关度集合的参数进行修正；
第二修正模块，用于根据修正后的所述第二时间相关度集合对所述权重因子进行修正。
基于同一技术构思，本申请实施例还提供了一种终端设备400，参照图4所示，终端设备400用于实施上述各个方法实施例记载的方法，例如实施图2所示的实施例，终端设备400可以包括存储器401、处理器402、输入单元403和显示面板404。
存储器401，用于存储处理器402执行的计算机程序。存储器401可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端设备400的使用所创建的数据等。处理器402，可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元等。输入单元403，可以用于获取用户输入的用户指令。显示面板404，用于显示由用户输入的信息或提供给用户的信息，本申请实施例中，显示面板404主要用于显示终端设备中各应用程序的显示界面以及各显示界面中显示的控件实体。可选的，显示面板404可以采用液晶显示器(liquid crystaldisplay，LCD)或OLED(organic light-emitting diode，有机发光二极管)等形式来配置显示面板404。
本申请实施例中不限定上述存储器401、处理器402、输入单元403和显示面板404之间的具体连接介质。本申请实施例在图4中以存储器401、处理器402、输入单元403、显示面板404之间通过总线405连接，总线405在图4中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线405可以分为地址总线、数据总线、控制总线等。为便于表示，图4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401可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器401也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器401是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401可以是上述存储器的组合。
处理器402，用于实现如图1所示的实施例，包括：
处理器402，用于调用存储器401中存储的计算机程序执行如实施图1所示的实施例。
本申请实施例还提供了一种计算机可读存储介质，存储为执行上述处理器所需执行的计算机可执行指令，其包含用于执行上述处理器所需执行的程序。
在一些可能的实施方式中，本申请提供的一种故障根因分析方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种故障根因分析方法中的步骤。例如，终端设备可以执行如实施图1所示的实施例。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于一种故障根因分析程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向实体的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
这些计算机程序指令也可存储在能引导计算机或其他可编程故障根因分析设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程故障根因分析设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种故障根因分析方法，其特征在于，所述方法包括：
获取故障小区的第一网络关键性能指标集合；其中，所述第一网络关键性能指标集合包括主网络关键性能指标和至少一个相关网络关键性能指标，所述主网络关键性能指标是在所有网络关键性能指标中根据对网络性能的影响程度选择的指标，所述相关网络关键性能指标为在所有网络关键性能指标中除所述主网络关键性能指标之外的指标；
对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合；其中，所述第一时间相关度集合中每个相关度表示主网络关键性能指标与一个相关网络关键性能指标的相关度；
对所述第一时间相关度集合和各历史故障的第二时间相关度集合进行所述相关性分析，得到所述第一网络关键性能指标集合与各历史故障之间的相关度；其中，所述第二时间相关度集合中每个相关度表示各历史故障下的主网络关键性能指标与一个相关网络关键性能指标的相关度；
将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
2.根据权利要求1所述的方法，其特征在于，所述对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合之前，所述方法还包括：
获取所述故障小区的相邻小区的第二网络关键性能指标集合；
所述对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合，包括：
对所述故障小区的所述主网络关键性能指标与其它网络关键性能指标进行相关性分析，得到所述第一时间相关度集合；其中，所述其它网络关键性能指标包括所述第一网络关键性能指标集合中各相关网络关键性能指标和所述第二网络关键性能指标集合中所有网络关键性能指标。
3.根据权利要求1所述的方法，其特征在于，所述将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因，包括：
若所述最高相关度大于预设相关度，则将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
4.根据权利要求1～3任一所述的方法，其特征在于，所述对所述第一时间相关度集合和各历史故障的第二时间相关度集合进行相关性分析，得到所述第一网络关键性能指标集合与各历史故障之间的相关度，包括：
根据皮尔逊相关系数计算所述第一时间相关度集合和所述第二时间相关度集合的相关度；
以预设的权重因子对所述第一时间相关度集合和所述第二时间相关度集合的相关度进行修正，得到所述第一网络关键性能指标集合与各历史故障之间的相关度。
5.根据权利要求4所述的方法，其特征在于，所述将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因之后，所述方法还包括：
将所述最高相关度对应的第一时间相关度集合加入到所述第二时间相关度集合中，对所述第二时间相关度集合的参数进行修正；
根据修正后的所述第二时间相关度集合对所述权重因子进行修正。
6.一种故障根因分析装置，其特征在于，所述装置包括：
第一获取模块，用于获取故障小区的第一网络关键性能指标集合；其中，所述第一网络关键性能指标集合包括主网络关键性能指标和至少一个相关网络关键性能指标，所述主网络关键性能指标是在所有网络关键性能指标中根据对网络性能的影响程度选择的指标，所述相关网络关键性能指标为在所有网络关键性能指标中除所述主网络关键性能指标之外的指标；
第一分析模块，用于对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合；其中，所述第一时间相关度集合中每个相关度表示主网络关键性能指标与一个相关网络关键性能指标的相关度；
第二分析模块，用于对所述第一时间相关度集合和各历史故障的第二时间相关度集合进行所述相关性分析，得到所述第一网络关键性能指标集合与各历史故障之间的相关度；其中，所述第二时间相关度集合中每个相关度表示各历史故障下的主网络关键性能指标与一个相关网络关键性能指标的相关度；
确定故障根因模块，用于将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于第一分析模块对所述主网络关键性能指标与各相关网络关键性能指标进行相关性分析，得到第一时间相关度集合之前，获取所述故障小区的相邻小区的第二网络关键性能指标集合；
第一分析模块具体用于对所述故障小区的所述主网络关键性能指标与其它网络关键性能指标进行相关性分析，得到所述第一时间相关度集合；其中，所述其它网络关键性能指标包括所述第一网络关键性能指标集合中各相关网络关键性能指标和所述第二网络关键性能指标集合中所有网络关键性能指标。
8.根据权利要求6所述的装置，其特征在于，确定故障根因模块具体用于若所述最高相关度大于预设相关度，则将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因。
9.根据权利要求6～8任一所述的装置，其特征在于，第二分析模块包括：
计算单元，用于根据皮尔逊相关系数计算所述第一时间相关度集合和所述第二时间相关度集合的相关度；
修正单元，用于以预设的权重因子对所述第一时间相关度集合和所述第二时间相关度集合的相关度进行修正，得到所述第一网络关键性能指标集合与各历史故障之间的相关度。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第一修正模块，用于确定故障根因模块将最高相关度对应的历史故障作为所述第一网络关键性能指标集合对应的故障根因之后，将所述最高相关度对应的第一时间相关度集合加入到所述第二时间相关度集合中，对所述第二时间相关度集合的参数进行修正；
第二修正模块，用于根据修正后的所述第二时间相关度集合对所述权重因子进行修正。
CN202010614381.8A 2020-06-30 2020-06-30 一种故障根因分析方法、装置及存储介质 Pending CN113872780A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010614381.8A CN113872780A (zh) 2020-06-30 2020-06-30 一种故障根因分析方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010614381.8A CN113872780A (zh) 2020-06-30 2020-06-30 一种故障根因分析方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113872780A true CN113872780A (zh) 2021-12-31

Family

ID=78981476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010614381.8A Pending CN113872780A (zh) 2020-06-30 2020-06-30 一种故障根因分析方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113872780A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117560706A (zh) * 2024-01-12 2024-02-13 亚信科技（中国）有限公司 根因分析方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130343213A1 (en) * 2012-06-22 2013-12-26 BlueStripe Software, Inc. Methods and Computer Program Products for Correlation Analysis of Network Traffic in a Network Device
US20180115455A1 (en) * 2015-04-24 2018-04-26 Telefonaktiebolaget Lm Ericsson (Publ) Fault Diagnosis in Networks
CN108009040A (zh) * 2017-12-12 2018-05-08 杭州时趣信息技术有限公司 一种确定故障根因的方法、系统和计算机可读存储介质
CN110309009A (zh) * 2019-05-21 2019-10-08 北京云集智造科技有限公司 基于情境的运维故障根因定位方法、装置、设备及介质
CN111126824A (zh) * 2019-12-19 2020-05-08 中国移动通信集团江苏有限公司 多指标关联模型训练方法及多指标异常分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130343213A1 (en) * 2012-06-22 2013-12-26 BlueStripe Software, Inc. Methods and Computer Program Products for Correlation Analysis of Network Traffic in a Network Device
US20180115455A1 (en) * 2015-04-24 2018-04-26 Telefonaktiebolaget Lm Ericsson (Publ) Fault Diagnosis in Networks
CN108009040A (zh) * 2017-12-12 2018-05-08 杭州时趣信息技术有限公司 一种确定故障根因的方法、系统和计算机可读存储介质
CN110309009A (zh) * 2019-05-21 2019-10-08 北京云集智造科技有限公司 基于情境的运维故障根因定位方法、装置、设备及介质
CN111126824A (zh) * 2019-12-19 2020-05-08 中国移动通信集团江苏有限公司 多指标关联模型训练方法及多指标异常分析方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117560706A (zh) * 2024-01-12 2024-02-13 亚信科技（中国）有限公司 根因分析方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
WO2021218003A1 (zh) 一种雷达嵌入式健康管理系统
CN111126824B (zh) 多指标关联模型训练方法及多指标异常分析方法
US11055450B2 (en) Industrial asset health model update
US8732534B2 (en) Predictive incident management
Braaksma et al. A quantitative method for failure mode and effects analysis
CN108463973A (zh) 蜂窝系统中指纹识别根本原因分析
CN114371409B (zh) 电池状态预测模型的训练方法、电池状态预测方法及装置
CN111624986A (zh) 基于案例库的故障诊断方法和系统
Nagaraju et al. A heterogeneous single changepoint software reliability growth model framework
CN113590429A (zh) 一种服务器故障诊断方法、装置及电子设备
CN114978956A (zh) 智慧城市网络设备性能异常突变点检测方法及装置
CN112801434A (zh) 性能指标健康度的监测方法、装置、设备和存储介质
Wu et al. Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures
Lin et al. Early prediction of remaining useful life for grid-scale battery energy storage system
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
CN116794510A (zh) 故障预测方法、装置、计算机设备和存储介质
CN113872780A (zh) 一种故障根因分析方法、装置及存储介质
CN116381542B (zh) 基于人工智能的电源设备的健康诊断方法及装置
CN115544803B (zh) 一种变压器剩余寿命预测方法、装置、设备及存储介质
CN117572241A (zh) 一种基于扩展多维时间序列的锂电池故障分析方法
Khatib et al. Knowledge acquisition for fault management in LTE networks
CN115271277A (zh) 电力设备画像构建方法、系统、计算机设备及存储介质
CN116074181A (zh) 保护机制影响下基于图推理的服务故障根因定位方法及装置
CN114743703A (zh) 核电站机组的可靠性分析方法、装置、设备和存储介质
CN115526348A (zh) 设备维护计划生成方法、装置、设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211231