CN113891342B - 基站巡检方法、装置、电子设备及存储介质 - Google Patents
基站巡检方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113891342B CN113891342B CN202010634040.7A CN202010634040A CN113891342B CN 113891342 B CN113891342 B CN 113891342B CN 202010634040 A CN202010634040 A CN 202010634040A CN 113891342 B CN113891342 B CN 113891342B
- Authority
- CN
- China
- Prior art keywords
- base station
- data
- alarm
- inspection
- machine room
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供一种基站巡检方法、装置、电子设备及存储介质,所述方法包括:利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果;基于所述检测结果生成巡检机房列表;其中,所述基站告警数据异常检测模型为基于基站告警样本数据训练获得的自编码器模型或变分自编码器模型。本发明实施例提供的基站巡检方法及装置,利用自编码器模型有效地从大量历史数据中挖掘告警数据与隐患基站之间的关联关系,对高隐患站点进行准确、及时的定位,通过提前预测高危基站,指导运维资源分配调度,实现精准巡检,提升网络运维的效率和质量。
Description
技术领域
本发明涉及网络运维技术领域,更具体地,涉及一种基站巡检方法、装置、电子设备及存储介质。
背景技术
移动通信基站是移动通信网络中最关键的基础设施,为确保信号传输的安全、可靠,必须定期对基站进行维护巡检,掌握其运行状态和周边环境的变化。提前发现设备缺陷和危及设备安全的隐患,是通信运营商日常网络维护工作中不可缺少的一个环节。
目前针对机房巡检大多使用的方法是人工制定巡检清单,按计划轮巡式安排巡检任务,一般采取按区域、按时间逐站轮巡,很少考虑基站健康度优先级。这种方法制定的规则相对较粗,很大程度依赖于经验,且具有随机性和盲目性。一方面,缺乏对站点属性的刻画,表现为巡检无优先级、无季节性差异,出现无法对高危站点和季节性告警频发的站点预先进行巡检的情况,并由于未能提前发现、排除隐患可能致使故障发生。另一方面,未考虑巡检站点和隐性还没造成断站断小区的告警之间存在的关联性,某些告警很可能是严重故障(例如断站、断小区)的前兆,计划轮巡的方式忽略了这种关联关系,无法有效做到预防断站。综上所述,现有的仅依靠经验安排巡检任务的方法无法对巡检清单进行智能动态的制定,从而导致了运维效率底下、运维资源无法精准投放、巡检成本高、无法对基站巡检形成有效指导的问题。
为了克服仅依靠经验安排巡检任务的方法的缺陷,相关技术中提出对基站的设备信息、告警信息和运行状态信息进行分析,构建多个回归函数从而对基站不同维度进行打分,计算每个基站的总得分,进而得到巡检基站列表。该方法粗粒度地将告警信息分为三类作为其中的部分特征,未充分考虑不同告警与隐患基站之间的关联关系;采用独立建模的方式,忽略了不同告警之间的关联关系;此外未对高风险基站的重点关注项进行标识,无法有效全面地指导运维人员的巡检工作,在巡检的精准性、高效性方面仍有欠缺。
发明内容
为了解决或部分解决现有的仅依靠经验安排巡检任务的方法无法对巡检清单进行智能动态的制定,从而导致了运维效率底下、运维资源无法精准投放、巡检成本高、无法对基站巡检形成有效指导,巡检的精确性和高效性不高的问题,本发明实施例提供一种基站巡检方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供一种基站巡检方法,包括:
利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果;
基于所述检测结果生成巡检机房列表;
其中,所述基站告警数据异常检测模型为基于基站告警样本数据训练获得的自编码器模型或变分自编码器模型。
可选地,所述利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测之前,还包括:
生成基站告警样本数据;
构建用于异常检测的自编码器模型或变分自编码器模型;
利用所述基站告警样本数据,对所述用于异常检测的自编码器模型或变分自编码器模型进行训练,训练结束后,获得基站告警数据异常检测模型。
可选地,所述利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果,具体包括:
将所述基站告警目标数据输入所述基站告警数据异常检测模型,获取所述基站告警数据异常检测模型输出的所述基站告警目标数据对应的重构数据;
基于所述基站告警目标数据和所述基站告警目标数据对应的重构数据,计算获得所述基站告警目标数据中各告警项对应的重构误差;
判断所述重构误差是否小于预设阈值,若所述重构误差小于等于预设阈值,则确定所述重构误差对应的告警项为正常数据;或者,若所述重构误差大于预设阈值,则确定所述重构误差对应的告警项为异常数据。
可选地,基于所述检测结果生成巡检机房列表,具体包括:
根据告警数据与基站故障之间的关联关系,确定所述基站告警目标数据中各告警项的巡检优先级;
以基站ID和告警日期为索引,对所述基站告警目标数据进行权重分配,再将同一基站的告警数据进行聚合,获得基站聚合后的告警数据;
计算所述异常数据中各告警项对应的重构误差在基站告警目标数据的总重构误差中的比重,根据所述比重确定所述异常数据中各告警项对应的异常风险程度;
将基站聚合后的告警数据与站点工参资源数据进行机房匹配,对同一机房下的告警数据进行聚合,获得机房聚合后的告警数据;
基于所述基站告警目标数据中各告警项的巡检优先级、基站聚合后的告警数据、所述异常数据中各告警项对应的异常风险程度和机房聚合后的告警数据,生成巡检机房列表。
可选地,所述生成基站告警样本数据,具体包括:
从网管系统中提取不同站点的运维数据,所述运维数据包括:站点工参资源数据、历史工单和告警数据,其中,所述告警数据包括:故障告警数据、动环告警数据和性能告警数据;
将所述告警数据与所述站点工参资源数据进行匹配,并按照厂家对所述告警数据进行分类;
按照预设时间周期,对预设时间周期内不同基站的告警数据进行统计,生成告警字典表;
遍历所述告警字典表,以不同告警为特征、以基站ID和时间标识为索引生成告警样本集;
对所述告警样本集进行归一化处理,获得基站告警样本数据。
可选地,对所述告警样本集进行归一化处理,获得基站告警样本数据,具体包括:
对所述告警样本集中的无告警的数据进行零值填充;
利用Z-Score方法对所述告警样本集中进行标准化处理。
第二方面,本发明实施例提供一种基站巡检装置,包括:
异常检测模块,用于利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果;
巡检列表生成模块,用于基于所述检测结果生成巡检机房列表;
其中,所述基站告警数据异常检测模型为基于基站告警样本数据训练获得的自编码器模型和/或变分自编码器模型。
第三方面,本发明实施例提供一种电子设备,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第一方面所提供的基站巡检方法的步骤。
第四方面,本发明实施例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第一方面所提供的基站巡检方法的步骤。
本发明实施例提供的基站巡检方法、装置、电子设备及存储介质,利用自编码器模型有效地从大量历史数据中挖掘告警数据与隐患基站之间的关联关系,对高隐患站点进行准确、及时的定位,通过提前预测高危基站,指导运维资源分配调度,实现精准巡检,提升网络运维的效率和质量。
附图说明
为了更清楚地说明本发明实施例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为本发明实施例提供的基站巡检方法的流程示意图;
图2为自编码器模型的示意图;
图3为变分自编码器模型的示意图;
图4为本实施例提供的基站巡检装置的结构示意图;
图5为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
图1为本发明实施例提供的基站巡检方法的流程示意图,如图1所示,所述基站巡检方法包括:
步骤100、利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果;
其中,所述基站告警数据异常检测模型为基于基站告警样本数据训练获得的自编码器模型或变分自编码器模型。
具体地,本发明实施例基于自编码器模型,利用基站告警样本数据,即以基站小区级别的故障告警数据、性能告警数据和动环告警数据作为样本,学习告警数据中包含的隐含信息,对基站历史发生告警数据的变化情况进行全面分析,从而构建基站告警数据异常检测模型,实现隐患风险程度较高基站的定位,为制定动态智能巡检计划提供精准依据,进而高效的指导网优人员进行巡检。
所述基站告警目标数据包括基站小区级别的故障告警数据、性能告警数据和动环告警数据。
将基站告警目标数据输入至预先构建的基站告警数据异常检测模型中进行异常检测,获得基站告警数据异常检测模型输出的检测结果。
步骤101、基于所述检测结果生成巡检机房列表;
具体地,对基站告警数据异常检测模型输出的检测结果按时间、告警类型、机房进行加权合并,对高隐患站点的进行准确、及时的预测,可以按需(周粒度、天粒度)输出隐患风险优先级和巡检清单,实现基站的智能精准运维和隐患的主动预防,从而更高效地指导运维人员的巡检工作,降低传统轮巡式巡检派单量和成本。
本发明实施例提供的基站巡检方法,利用自编码器模型有效地从大量历史数据中挖掘告警数据与隐患基站之间的关联关系,对高隐患站点进行准确、及时的定位,通过提前预测高危基站,指导运维资源分配调度,实现精准巡检,提升网络运维的效率和质量。
本发明另一实施例,在上述各实施例的基础上,所述利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测之前,还包括:
生成基站告警样本数据;
构建用于异常检测的自编码器模型或变分自编码器模型;
利用所述基站告警样本数据,对所述用于异常检测的自编码器模型或变分自编码器模型进行训练,训练结束后,获得基站告警数据异常检测模型。
具体地,电信网络包含大量的运维数据,但无法直接作为样本输入到深度学习网络中进行异常检测,因此首先需要生成用于异常检测的基站告警样本数据。
为了挖掘告警数据与高隐患基站的关联关系,本发明实施例提出构建用于异常检测的自编码器模型或变分自编码器模型,并使用随机梯度下降法(SGD)或RMS-Prop优化算法等方法实现模型的迭代优化,经训练优化后的模型,即基站告警数据异常检测模型,可用于基站告警数据的异常检测,分析不同告警的异常程度,并为告警与隐患基站之间的关联提供依据。
异常检测又被称为“离群点检测”,是机器学习研究领域中跟现实紧密联系、有广泛应用需求的一类问题。为了刻画异常数据的“不一样”,最直接的做法是利用各种统计的、距离的、密度的量化指标去描述数据样本跟其他样本的疏离程度。
本发明实施例针对电信网络运维数据利用自编码器或变分自编码器算法进行模型训练和预测。
自编码器模型可以捕捉输入数据的重要特征,由输入层x、隐含层h与输出层组成,包括编码器与解码器两部分,图2为自编码器模型的示意图。如图2所示,同一层节点间相互独立,相邻层节点互联。图2中,最下行空心圆代表输入层/>s1为输入层的神经元数,xi表示输入层第i个神经元的输入值;中间行空心圆代表隐含层s2为隐含层的神经元数,hi表示隐含层第i个神经元的输出值;最上一行空心圆代表输出层/> 表示输出层第i个神经元的输出值。自编码器的输出层与输入层的神经元数相同。
为了衡量自动编码器的重构效果,引入平方误差函数(或交叉熵函数)构造代价函数:
平方误差:
交叉熵:
使用如随机梯度下降法(SGD)进行损失函数最小化,即可对所有权重、偏置参数进行训练更新,使得解码输出尽可能的复现输入x。更进一步,当完成单一模型训练,得到中间编码h后,可以再将h作为原始输入,重新训练一个新的自编码器,从而实现深度自编码网络的构建。
本发明实施例还提供了构建变分自编码模型进行异常检测,变分自编码器是自动编码器的生成版本,通过优化一个变分下界来实现数据到先验分布的近似映射。具体算法过程如下:
给定一个真实样本xk,假设存在一个专属于xk的后验分布P(Z|xk),并进一步假设这个分布是(独立的、多元的)正态分布。通过神经网络拟合出专属于xk的正态分布P(Z|xk)的均值和方差,就可以从该分布采样出来的一个zk,然后经过一个生成器还原得到并通过最小化代价函数迭代优化模型。图3为变分自编码器模型的示意图。
变分自编码模型的优势在于该技术不再学习样本的个体,而是通过增加一个均值方差计算模块,将网络生成一个服从于高斯分布的数据集,这种约束迫使编码器产生信息丰富的潜在变量,可以提高模型的泛化能力。
本发明实施例提供的基站巡检方法,构建用于异常检测的自编码器模型或变分自编码器模型,可以用于基站告警样本数据的异常检测,分析不同告警的异常程度,并为告警与隐患基站之间的关联提供依据,可有效地提升巡检的精准性和高效性。
本发明另一实施例,在上述各实施例的基础上,利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果,具体包括:
将所述基站告警目标数据输入所述基站告警数据异常检测模型,获取所述基站告警数据异常检测模型输出的所述基站告警目标数据对应的重构数据;
基于所述基站告警目标数据和所述基站告警目标数据对应的重构数据,计算获得所述基站告警目标数据中各告警项对应的重构误差;
判断所述重构误差是否小于预设阈值,若所述重构误差小于等于预设阈值,则确定所述重构误差对应的告警项为正常数据;或者,若所述重构误差大于预设阈值,则确定所述重构误差对应的告警项为异常数据。
具体地,在经过多次迭代完成模型训练环节后,可对基站告警目标数据进行异常检测。向基站告警数据异常检测模型输入基站新增一段时间的历史故障告警数据、性能告警数据和动环告警数据(可按周粒度、天粒度进行分析)形成的特征,使用训练所得模型进行编码解码。对比原始告警数据和重构出来的告警数据,计算出两者的差值。针对告警数据的异常检测而言,少数异常样本导致训练模型无法将异常样本较好地还原,所以通过分析原始告警数据和重构出来的告警数据之间的差值,可以检测出异常告警:差值越小,说明两者越接近,属于正常样本的可能性越高;而偏差较大的就可以认定为数据异常。
基于上述异常检测的原理,将所述基站告警目标数据输入所述基站告警数据异常检测模型,获取所述基站告警数据异常检测模型输出的所述基站告警目标数据对应的重构数据;基于所述基站告警目标数据和所述基站告警目标数据对应的重构数据,计算获得所述基站告警目标数据中各告警项对应的重构误差;判断所述重构误差是否小于预设阈值,若所述重构误差小于等于预设阈值,则确定所述重构误差对应的告警项为正常数据;或者,若所述重构误差大于预设阈值,则确定所述重构误差对应的告警项为异常数据。
此外经过编码器得到的重构数据和原始数据在各个特征维度上是对应的,因此通过计算各个特征的重构误差,还可以进一步得出各类告警的风险程度。
本发明实施例提供的基站巡检方法,利用预先构建的自编码器模型或变分自编码器模型对基站新增告警数据进行异常检测,可有效地提升巡检的精准性和高效性。
本发明另一实施例,在上述各实施例的基础上,基于所述检测结果生成巡检机房列表,具体包括:
根据告警数据与基站故障之间的关联关系,确定所述基站告警目标数据中各告警项的巡检优先级;
以基站ID和告警日期为索引,对所述基站告警目标数据进行权重分配,再将同一基站的告警数据进行聚合,获得基站聚合后的告警数据;
计算所述异常数据中各告警项对应的重构误差在所述基站告警目标数据的总重构误差中的比重,根据所述比重确定所述异常数据中各告警项对应的异常风险程度;
将基站聚合后的告警数据与站点工参资源数据进行机房匹配,对同一机房下的告警数据进行聚合,获得机房聚合后的告警数据;
基于所述基站告警目标数据中各告警项的巡检优先级、基站聚合后的告警数据、所述异常数据中各告警项对应的异常风险程度、机房聚合后的告警数据,生成巡检机房列表。
具体地,本发明实施例基于所述检测结果,按照告警类型、时间、机房等进行加权合并生成巡检机房列表。
(1)高关联性告警项权重调整
根据告警数据与基站故障之间的关联关系,确定所述基站告警目标数据中各告警项的巡检优先级。
在告警与隐患基站的关联过程中并非所有告警项的贡献度相同,某些告警项的出现往往与严重故障(例如断站、断小区)有较强的关联关系,或者在实际运维中根据专业人员的经验存在一些需重点关注的告警项。因此在处理中,引入告警加权机制,提高相应告警项的误差值在误差总和当中的权重,进而提升这类发生典型隐患告警的基站的巡检优先度,并对该类基站进行标识。同时,为了避免未发生的告警项对整体误差的影响,还需对相应误差进行置零处理。
(2)引入时间加权,实现同基站不同日期数据聚合
以基站ID和告警日期为索引,对所述基站告警目标数据进行权重分配,再将同一基站的告警数据进行聚合,获得基站聚合后的告警数据。
通过编码器进行异常检测,可以得出以基站ID和日期为索引的样本对应的隐患风险异常程度。同一基站下可对应不同日期的多条数据,距离当前时刻越近的数据越能反映当前基站的运行状态,因此引入时间加权机制,按照告警发生的时间对同一基站的检测数据进行权重分配再聚合,可以有效提升对高隐患基站的预测能力。
(3)基站隐患重点关注项分析
计算所述异常数据中各告警项对应的重构误差在所述基站告警目标数据的总重构误差中的比重,根据所述比重确定所述异常数据中各告警项对应的异常风险程度;
经过编码器得到的重构数据和原始数据在各个维度上是一一对应的,因此计算每一类告警误差在总重构误差的占比排序,可以得到具体每类告警的异常程度。通过设置合适的阈值,可以选取占比较大的前n项告警,进一步得到巡检重点关注项目。此外,对前述(1)中标识的部分基站还增加了对应的典型隐患告警至重点关注项目。
(4)同机房数据聚合
将基站聚合后的告警数据与站点工参资源数据进行机房匹配,对同一机房下的告警数据进行聚合,获得机房聚合后的告警数据;
实际巡检是以机房为单位,因此按基站聚合后的数据与站点工参资源数据进行机房匹配,对同一机房下的基站预测数据进行聚合,最终可得到巡检清单,主要包括5项内容:巡检优先级、机房名称、异常站点评估日期、隐患风险异常程度、需要重点巡检的异常项。
最后基于所述基站告警目标数据中各告警项的巡检优先级、基站聚合后的告警数据、所述异常数据中各告警项对应的异常风险程度、机房聚合后的告警数据,生成巡检机房列表。
可选地,在一个实施例中,基于集成学习理论,将所述基站告警数据异常检测模型为自编码器模型时获得的巡检机房列表,以及所述基站告警数据异常检测模型为变分自编码器模型时获得巡检机房列表进行结合,同一机房保留巡检优先级较高的,巡检优先级相同则保留隐患风险异常程度较高的告警关注项,最终获得结合后的巡检机房列表,通过两类模型的集成达到提高隐患机房预测准确性的目的。
本发明实施例提供的基站巡检方法,充分考虑不同告警与隐患基站之间的关联关系以及不同告警之间的关联关系,对高风险基站的重点关注项进行标识,对高隐患站点进行准确、及时的预测,可按需(周粒度、天粒度)输出隐患风险优先级和巡检清单,实现基站的智能精准运维和隐患的主动预防,从而更高效地指导运维人员的巡检工作,减少维护资源的浪费,降低传统轮巡式巡检派单量和成本,最终达到巡检资源的有效管理,解决巡检盲目性,改变广撒网、低时效的巡检现状。
本发明另一实施例,在上述各实施例的基础上,所述生成基站告警样本数据,具体包括:
从网管系统中提取不同站点的运维数据,所述运维数据包括:站点工参资源数据、历史工单和告警数据,其中,所述告警数据包括:故障告警数据、动环告警数据和性能告警数据;
将所述告警数据与所述站点工参资源数据进行匹配,并按照厂家对所述告警数据进行分类;
按照预设时间周期,对预设时间周期内不同基站的告警数据进行统计,生成告警字典表;
遍历所述告警字典表,以不同告警为特征、以基站ID和时间标识为索引生成告警样本集;
对所述告警样本集进行归一化处理,获得基站告警样本数据。
具体地,电信网络包含大量的运维数据,但无法直接作为样本输入深度学习网络中进行异常检测,因此设计了用于异常检测的基站告警样本数据的生成方法。首先从网管系统中提取不同站点的运维数据,主要包括:站点工参资源数据、故障告警数据、动环告警数据、性能告警数据、历史工单。其中站点工参资源数据和历史工单用于异常检测结果聚合以及方法效果的后评估;故障告警、动环告警、性能告警用于构造异常检测模型的训练样本集。
原始告警数据描述了基站设备发生告警的时间、告警类别及基站名称和对应的小区号,且数据量巨大。以北京市某分公司为例,一周的告警数量可高达50~60万条,为了压缩数据量并生成可用于异常检测的告警样本数据,需要统计特定时间段内各类告警发生的频次,以基站为基本单元,由多个基站的历史数据构成训练样本集。
考虑到运营商采用的设备来自多个厂家,而不同厂家使用不同的告警标题描述事件,首先对告警数据与站点工参资源数据进行匹配,将告警数据按厂家分为不同类。假设以天为粒度,在同一天内将不同基站的故障、动环、性能告警进行统计,同时生成告警字典表并保存。然后遍历告警字典表,以不同告警为特征、以基站ID和时间标识为索引生成样本。
最后,对所述告警样本集进行归一化处理,获得基站告警样本数据。
在一个实施例中,对所述告警样本集进行归一化处理,获得基站告警样本数据,具体包括:
对所述告警样本集中的无告警的数据进行零值填充;
利用Z-Score方法对所述告警样本集中进行标准化处理。
具体地,Z-Score标准化方法适用于属性的最大值和最小值未知的情况,或有超出取值范围的离群数据的情况,转化函数为:
x*=(x-μ)/σ
其中,x为将训练原始值,x*为z-score标准化后的结果,μ为特征的均值,σ为特征标准差
经过利用Z-Score方法处理过的数据符合标准正态分布,即均值为0,标准差为1,在神经网络训练中更加容易利于权重的更新。
本发明实施例提供了基站告警样本数据的生成方法,可以有效地提升基站告警数据异常检测模型的训练速度和精度。
图4为本实施例提供的基站巡检装置的结构示意图,包括:异常检测模块410和巡检列表生成模块420,其中,
异常检测模块410,用于利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果;
其中,所述基站告警数据异常检测模型为基于基站告警样本数据训练获得的自编码器模型和/或变分自编码器模型。
具体地,异常检测模块410基于自编码器模型,利用基站告警样本数据,即以基站小区级别的故障告警数据、性能告警数据和动环告警数据作为样本,学习告警数据中包含的隐含信息,对基站历史发生告警数据的变化情况进行全面分析,从而构建基站告警数据异常检测模型,实现隐患风险程度较高基站的定位,为制定动态智能巡检计划提供精准依据,进而高效的指导网优人员进行巡检。
所述基站告警目标数据包括基站小区级别的故障告警数据、性能告警数据和动环告警数据。
将基站告警目标数据输入至预先构建的基站告警数据异常检测模型中进行异常检测,获得基站告警数据异常检测模型输出的检测结果。
巡检列表生成模块420,用于基于所述检测结果生成巡检机房列表;
具体地,巡检列表生成模块420对基站告警数据异常检测模型输出的检测结果按时间、告警类型、机房进行加权合并,对高隐患站点的进行准确、及时的预测,可以按需(周粒度、天粒度)输出隐患风险优先级和巡检清单,实现基站的智能精准运维和隐患的主动预防,从而更高效地指导运维人员的巡检工作,降低传统轮巡式巡检派单量和成本。
本发明实施例提供的基站巡检装置,利用自编码器模型有效地从大量历史数据中挖掘告警数据与隐患基站之间的关联关系,对高隐患站点进行准确、及时的定位,通过提前预测高危基站,指导运维资源分配调度,实现精准巡检,提升网络运维的效率和质量。
基于上述实施例的内容,基站巡检装置还包括:
样本数据生成模块,用于生成基站告警样本数据;
模型构建模块,用于构建用于异常检测的自编码器模型或变分自编码器模型;
模型训练模块,用于利用所述基站告警样本数据,对所述用于异常检测的自编码器模型或变分自编码器模型进行训练,训练结束后,获得基站告警数据异常检测模型。
基于上述实施例的内容,所述异常检测模块410具体用于:
将所述基站告警目标数据输入所述基站告警数据异常检测模型,获取所述基站告警数据异常检测模型输出的所述基站告警目标数据对应的重构数据;
基于所述基站告警目标数据和所述基站告警目标数据对应的重构数据,计算获得所述基站告警目标数据中各告警项对应的重构误差;
判断所述重构误差是否小于预设阈值,若所述重构误差小于等于预设阈值,则确定所述重构误差对应的告警项为正常数据;或者,若所述重构误差大于预设阈值,则确定所述重构误差对应的告警项为异常数据。
基于上述实施例的内容,巡检列表生成模块420具体用于:
根据告警数据与基站故障之间的关联关系,确定所述基站告警目标数据中各告警项的巡检优先级;
以基站ID和告警日期为索引,对所述基站告警目标数据进行权重分配,再将同一基站的告警数据进行聚合,获得基站聚合后的告警数据;
计算所述异常数据中各告警项对应的重构误差在基站告警目标数据的总重构误差中的比重,根据所述比重确定所述异常数据中各告警项对应的异常风险程度;
将基站聚合后的告警数据与站点工参资源数据进行机房匹配,对同一机房下的告警数据进行聚合,获得机房聚合后的告警数据;
基于所述基站告警目标数据中各告警项的巡检优先级、基站聚合后的告警数据、所述异常数据中各告警项对应的异常风险程度和机房聚合后的告警数据,生成巡检机房列表。
基于上述实施例的内容,所述样本数据生成模块,具体包括:
数据提取单元,用于从网管系统中提取不同站点的运维数据,所述运维数据包括:站点工参资源数据、历史工单和告警数据,其中,所述告警数据包括:故障告警数据、动环告警数据和性能告警数据;
数据分类单元,用于将所述告警数据与所述站点工参资源数据进行匹配,并按照厂家对所述告警数据进行分类;
告警字典表生成单元,用于按照预设时间周期,对预设时间周期内不同基站的告警数据进行统计,生成告警字典表;
样本生成单元,用于遍历所述告警字典表,以不同告警为特征、以基站ID和时间标识为索引生成告警样本集;
归一化处理单元,用于对所述告警样本集进行归一化处理,获得基站告警样本数据。
基于上述实施例的内容,所述归一化处理单元,具体用于:
对所述告警样本集中的无告警的数据进行零值填充;
利用Z-Score方法对所述告警样本集中进行标准化处理。
本发明实施例提供的基站巡检装置,用于实现前述方法实施例,因此,在前述方法实施例中的描述可以用于对本发明基站巡检装置实施例中各功能模块的理解,在此不再赘述。
图5为本发明实施例提供的电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储在存储器530上并可在处理器510上运行的计算机程序,以执行上述各方法实施例所提供的基站巡检方法,例如包括:利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果;基于所述检测结果生成巡检机房列表;其中,所述基站告警数据异常检测模型为基于基站告警样本数据训练获得的自编码器模型或变分自编码器模型。
此外,上述的存储器530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,本发明实施例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-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例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上述各方法实施例提供的基站巡检方法,例如包括:利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果;基于所述检测结果生成巡检机房列表;其中,所述基站告警数据异常检测模型为基于基站告警样本数据训练获得的自编码器模型或变分自编码器模型。
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)
1.一种基站巡检方法,其特征在于,包括:
利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果;
基于所述检测结果生成巡检机房列表;
其中,所述基站告警数据异常检测模型为基于基站告警样本数据训练获得的自编码器模型或变分自编码器模型;
所述利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果,具体包括:
将所述基站告警目标数据输入所述基站告警数据异常检测模型,获取所述基站告警数据异常检测模型输出的所述基站告警目标数据对应的重构数据;
基于所述基站告警目标数据和所述基站告警目标数据对应的重构数据,计算获得所述基站告警目标数据中各告警项对应的重构误差;
判断所述重构误差是否小于预设阈值,若所述重构误差小于等于预设阈值,则确定所述重构误差对应的告警项为正常数据;或者,若所述重构误差大于预设阈值,则确定所述重构误差对应的告警项为异常数据;
基于所述检测结果生成巡检机房列表,具体包括:
根据告警数据与基站故障之间的关联关系,确定所述基站告警目标数据中各告警项的巡检优先级;
以基站ID和告警日期为索引,对所述基站告警目标数据进行权重分配,再将同一基站的告警数据进行聚合,获得基站聚合后的告警数据;
计算所述异常数据中各告警项对应的重构误差在基站告警目标数据的总重构误差中的比重,根据所述比重确定所述异常数据中各告警项对应的异常风险程度;
将基站聚合后的告警数据与站点工参资源数据进行机房匹配,对同一机房下的告警数据进行聚合,获得机房聚合后的告警数据;
基于所述基站告警目标数据中各告警项的巡检优先级、基站聚合后的告警数据、所述异常数据中各告警项对应的异常风险程度和机房聚合后的告警数据,生成巡检机房列表。
2.根据权利要求1所述的基站巡检方法,其特征在于,所述利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测之前,还包括:
生成基站告警样本数据;
构建用于异常检测的自编码器模型或变分自编码器模型;
利用所述基站告警样本数据,对所述用于异常检测的自编码器模型或变分自编码器模型进行训练,训练结束后,获得基站告警数据异常检测模型。
3.根据权利要求2所述的基站巡检方法,其特征在于,所述生成基站告警样本数据,具体包括:
从网管系统中提取不同站点的运维数据,所述运维数据包括:站点工参资源数据、历史工单和告警数据,其中,所述告警数据包括:故障告警数据、动环告警数据和性能告警数据;
将所述告警数据与所述站点工参资源数据进行匹配,并按照厂家对所述告警数据进行分类;
按照预设时间周期,对预设时间周期内不同基站的告警数据进行统计,生成告警字典表;
遍历所述告警字典表,以不同告警为特征、以基站ID和时间标识为索引生成告警样本集;
对所述告警样本集进行归一化处理,获得基站告警样本数据。
4.根据权利要求3所述的基站巡检方法,其特征在于,对所述告警样本集进行归一化处理,获得基站告警样本数据,具体包括:
对所述告警样本集中的无告警的数据进行零值填充;
利用Z-Score方法对所述告警样本集中进行标准化处理。
5.一种基站巡检装置,其特征在于,包括:
异常检测模块,用于利用预先构建的基站告警数据异常检测模型对基站告警目标数据进行异常检测,获得检测结果;
巡检列表生成模块,用于基于所述检测结果生成巡检机房列表;
其中,所述基站告警数据异常检测模型为基于基站告警样本数据训练获得的自编码器模型和/或变分自编码器模型;
所述异常检测模块,具体用于:
将所述基站告警目标数据输入所述基站告警数据异常检测模型,获取所述基站告警数据异常检测模型输出的所述基站告警目标数据对应的重构数据;
基于所述基站告警目标数据和所述基站告警目标数据对应的重构数据,计算获得所述基站告警目标数据中各告警项对应的重构误差;
判断所述重构误差是否小于预设阈值,若所述重构误差小于等于预设阈值,则确定所述重构误差对应的告警项为正常数据;或者,若所述重构误差大于预设阈值,则确定所述重构误差对应的告警项为异常数据;
所述巡检列表生成模块,具体用于:
根据告警数据与基站故障之间的关联关系,确定所述基站告警目标数据中各告警项的巡检优先级;
以基站ID和告警日期为索引,对所述基站告警目标数据进行权重分配,再将同一基站的告警数据进行聚合,获得基站聚合后的告警数据;
计算所述异常数据中各告警项对应的重构误差在基站告警目标数据的总重构误差中的比重,根据所述比重确定所述异常数据中各告警项对应的异常风险程度;
将基站聚合后的告警数据与站点工参资源数据进行机房匹配,对同一机房下的告警数据进行聚合,获得机房聚合后的告警数据;
基于所述基站告警目标数据中各告警项的巡检优先级、基站聚合后的告警数据、所述异常数据中各告警项对应的异常风险程度和机房聚合后的告警数据,生成巡检机房列表。
6.一种电子设备,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,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任一项所述的基站巡检方法的步骤。
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任一项所述的基站巡检方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634040.7A CN113891342B (zh) | 2020-07-02 | 2020-07-02 | 基站巡检方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634040.7A CN113891342B (zh) | 2020-07-02 | 2020-07-02 | 基站巡检方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113891342A CN113891342A (zh) | 2022-01-04 |
CN113891342B true CN113891342B (zh) | 2023-08-15 |
Family
ID=79012767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010634040.7A Active CN113891342B (zh) | 2020-07-02 | 2020-07-02 | 基站巡检方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113891342B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116095704B (zh) * | 2023-04-07 | 2023-08-01 | 杭州纵横通信股份有限公司 | 一种5g基站智能巡检方法与系统 |
CN116600328B (zh) * | 2023-06-14 | 2023-10-24 | 南京顺盛通信科技有限责任公司 | 一种基于ai的无线通信网络分析运维系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014061148A1 (ja) * | 2012-10-19 | 2014-04-24 | 株式会社エニイワイヤ | 子局保守方式およびその方式に使用する子局ターミナル |
CN106817708A (zh) * | 2016-12-30 | 2017-06-09 | 广州市申迪计算机系统有限公司 | 一种巡检簇构建方法及装置 |
WO2019066276A1 (ko) * | 2017-09-29 | 2019-04-04 | 주식회사 케이엠더블유 | 시분할 이중화 방식을 사용하는 분산 안테나 시스템의 tdd 서브-시스템 |
CN109905885A (zh) * | 2018-04-12 | 2019-06-18 | 华为技术有限公司 | 一种确定巡检基站列表的方法以及巡检装置 |
CN110662245A (zh) * | 2018-06-28 | 2020-01-07 | 中国移动通信集团山东有限公司 | 基于深度学习的基站负荷预警方法及装置 |
CN111132190A (zh) * | 2019-11-28 | 2020-05-08 | 中通服建设有限公司 | 基站负荷预警方法、装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9450983B2 (en) * | 2014-07-08 | 2016-09-20 | Verizon Patent And Licensing Inc. | Controlling access to an operator network by non-conforming devices |
JP6425139B2 (ja) * | 2015-08-31 | 2018-11-21 | パナソニックIpマネジメント株式会社 | 基地局装置および制御方法 |
-
2020
- 2020-07-02 CN CN202010634040.7A patent/CN113891342B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014061148A1 (ja) * | 2012-10-19 | 2014-04-24 | 株式会社エニイワイヤ | 子局保守方式およびその方式に使用する子局ターミナル |
CN106817708A (zh) * | 2016-12-30 | 2017-06-09 | 广州市申迪计算机系统有限公司 | 一种巡检簇构建方法及装置 |
WO2019066276A1 (ko) * | 2017-09-29 | 2019-04-04 | 주식회사 케이엠더블유 | 시분할 이중화 방식을 사용하는 분산 안테나 시스템의 tdd 서브-시스템 |
CN109905885A (zh) * | 2018-04-12 | 2019-06-18 | 华为技术有限公司 | 一种确定巡检基站列表的方法以及巡检装置 |
CN110662245A (zh) * | 2018-06-28 | 2020-01-07 | 中国移动通信集团山东有限公司 | 基于深度学习的基站负荷预警方法及装置 |
CN111132190A (zh) * | 2019-11-28 | 2020-05-08 | 中通服建设有限公司 | 基站负荷预警方法、装置 |
Non-Patent Citations (1)
Title |
---|
一种大数据下的智能通知告警方案;郭天仲 等;《信息通信》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113891342A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111782472B (zh) | 系统异常检测方法、装置、设备及存储介质 | |
Chen et al. | Multi‐model ensemble for short‐term traffic flow prediction under normal and abnormal conditions | |
CN113891342B (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN101826090A (zh) | 基于最优模型的web舆情趋势预测方法 | |
JP7401677B2 (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
Zhang et al. | Cause-aware failure detection using an interpretable XGBoost for optical networks | |
CN116628220A (zh) | 基于关系图卷积神经网络的电力工作票生成方法及系统 | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN112949201A (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 | |
Khalyasmaa et al. | Training samples construction for energy utilities operational assets management | |
CN115438190B (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
Pattnaik et al. | A survey on machine learning techniques used for software quality prediction | |
Pisica et al. | Feature selection filter for classification of power system operating states | |
Kumar et al. | Defect prediction model for aop-based software development using hybrid fuzzy c-means with genetic algorithm and k-nearest neighbors classifier | |
CN116126807A (zh) | 一种日志分析方法及相关装置 | |
CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
CN115409100A (zh) | 电力事故应急方案生成方法、装置、介质及设备 | |
CN116796617A (zh) | 基于数据标识的滚动轴承设备剩余寿命预测方法及系统 | |
CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
CN114915563A (zh) | 一种网络流量预测方法和系统 | |
Zheng et al. | [Retracted] Application Based on Artificial Intelligence in Substation Operation and Maintenance Management | |
Xiaomei et al. | Risk Index Prediction of Civil Aviation Based on Deep Neural Network. | |
CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |