CN113965445A - 一种质差根因的定位方法、装置、计算机设备和存储介质 - Google Patents

一种质差根因的定位方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113965445A
CN113965445A CN202010633510.8A CN202010633510A CN113965445A CN 113965445 A CN113965445 A CN 113965445A CN 202010633510 A CN202010633510 A CN 202010633510A CN 113965445 A CN113965445 A CN 113965445A
Authority
CN
China
Prior art keywords
quality difference
index
historical
reason
line terminal
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
CN202010633510.8A
Other languages
English (en)
Other versions
CN113965445B (zh
Inventor
肖兵
李先荣
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 Shandong Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Shandong 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 Shandong Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010633510.8A priority Critical patent/CN113965445B/zh
Publication of CN113965445A publication Critical patent/CN113965445A/zh
Application granted granted Critical
Publication of CN113965445B publication Critical patent/CN113965445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L41/0636—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 based on a decision tree 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
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q2011/0079—Operation or maintenance aspects
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optical Communication System (AREA)

Abstract

本发明实施例提供了一种质差根因的定位方法、装置、计算机设备和存储介质。本发明实施例提供的技术方案中，获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合；将第一指标比例集合输入构建的决策树模型，生成第一质差原因；将第二指标比例集合输入构建的决策树模型，生成第二质差原因；根据第一质差原因和第二质差原因，定位质差根因，提高了质差根因定位的准确性。

Description

一种质差根因的定位方法、装置、计算机设备和存储介质
【技术领域】
本发明涉及通信技术领域，尤其涉及一种质差根因的定位方法、装置、计算机设备和存储介质。
【背景技术】
针对家庭业务感知差、定位难的问题是当前网运维过程中面临的问题和挑战，排查定位的相关技术包括构建用户端到端的业务资源树，根据资源归属属性进行关联分析，查找出某个环节的网络性能指标发生越限或劣化，即：完成问题溯源。在上述过程中，由于涉及环节多且流程复杂，会导致定位不准确的问题。
【发明内容】
有鉴于此，本发明实施例提供了一种质差根因的定位方法、装置、计算机设备和存储介质，可以提高质差根因定位的准确性。
一方面，本发明实施例提供了一种质差根因的定位方法，所述方法包括：
获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合；
将第一指标比例集合输入构建的决策树模型，生成第一质差原因；
将第二指标比例集合输入构建的决策树模型，生成第二质差原因；
根据第一质差原因和第二质差原因，定位质差根因。
可选地，在获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合之前，还包括：
获取用户的至少一个指标参数；
将至少一个指标参数输入决策树模型，生成用户的质差结果。
可选地，获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合，具体包括：
从至少一个指标参数中筛选出至少一个异常参数；
根据统计出的第一数量和第二数量，生成至少一个第一异常比例，第一数量包括第一光线路终端下具有异常参数的用户的数量，第二数量包括第一光线路终端下用户的总数量；
将至少一个第一异常比例作为第一指标比例集合；
根据统计出的第三数量和第四数量，生成至少一个第二异常比例，第三数量包括第二光线路终端下具有异常参数的用户的数量，第四数量包括第二光线路终端下用户的总数量；
将至少一个第二异常比例作为第二指标比例集合。
可选地，在将第一指标比例集合输入构建的决策树模型，生成第一质差原因之前，还包括：
获取多个历史质差用户的历史属性集合和历史原因，每个历史质差用户对应一个历史属性集合和一个历史原因；
根据多个历史属性集合和多个历史原因，生成信息熵和条件熵；
根据信息熵和条件熵，构建决策树模型。
可选地，历史属性集合包括多个历史指标，每个历史指标包括多个取值范围；根据多个历史属性集合和多个历史原因，生成信息熵和条件熵，包括：
根据历史指标、多个取值范围和多个历史原因，生成历史指标在每个取值范围下的每个历史原因的原因占比；
根据历史指标在每个取值范围下的每个历史原因的原因占比，生成历史指标在每个取值范围下的信息熵；
根据历史指标和多个取值范围，生成历史指标在每个取值范围内的取值概率；
根据取值概率和历史指标在每个取值范围下的信息熵，生成条件熵。
可选地，根据信息熵和条件熵，构建决策树模型，包括：
根据信息熵和条件熵，生成信息增益；
根据信息增益和生成的期望值，生成信息增益率；
根据信息增益率，构建决策树模型。
可选地，第一光线路终端和第二光线路终端属于同一上联设备，第二光线路终端为第一光线路终端的相邻光线路终端；根据第一质差原因和第二质差原因，定位质差根因，包括：
判断第一质差原因和第二质差原因是否相同；
若判断出第一质差原因和第二质差原因相同，将上联设备定位为质差根因；
若判断出第一质差原因和第二质差原因不同，将第一光线路终端定位为质差根因。
另一方面，本发明实施例提供了一种质差根因的定位装置，包括：
第一获取单元，用于获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合；
第一生成单元，用于将第一指标比例集合输入构建的决策树模型，生成第一质差原因；
第二生成单元，用于将第二指标比例集合输入构建的决策树模型，生成第二质差原因；
定位单元，用于根据第一质差原因和第二质差原因，定位质差根因。
另一方面，本发明实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述质差根因的定位方法。
另一方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现上述质差根因的定位方法。
本发明实施例的方案中，获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合；将第一指标比例集合输入构建的决策树模型，生成第一质差原因；将第二指标比例集合输入构建的决策树模型，生成第二质差原因；根据第一质差原因和第二质差原因，定位质差根因，提高了质差根因定位的准确性。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。
图1为本发明实施例提供的一种质差根因的定位方法的流程图；
图2为本发明实施例提供的又一种质差根因的定位方法的流程图；
图3为本发明实施例提供的一种质差根因的定位装置的结构示意图；
图4为本发明实施例提供的一种计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述设定阈值，但这些设定阈值不应限于这些术语。这些术语仅用来将设定阈值彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一设定阈值也可以被称为第二设定阈值，类似地，第二设定阈值也可以被称为第一设定阈值。
图1为本发明实施例提供的一种质差根因的定位方法的流程图，如图1所示，该方法包括：
步骤101、获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合。
步骤102、将第一指标比例集合输入构建的决策树模型，生成第一质差原因。
步骤103、将第二指标比例集合输入构建的决策树模型，生成第二质差原因。
步骤104、根据第一质差原因和第二质差原因，定位质差根因。
本发明实施例提供的技术方案中，获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合；将第一指标比例集合输入构建的决策树模型，生成第一质差原因；将第二指标比例集合输入构建的决策树模型，生成第二质差原因；根据第一质差原因和第二质差原因，定位质差根因，提高了质差根因定位的准确性。
图2为本发明实施例提供的又一种质差根因的定位方法的流程图，如图2所示，该方法包括：
步骤201、获取多个历史质差用户的历史属性集合和历史原因，每个历史质差用户对应一个历史属性集合和一个历史原因。
本实施例中，各步骤由服务器执行。
本实施例中，存储空间中包括历史用户类别集合和每个历史用户的历史属性集合，其中，历史用户类别集合为历史用户是否为历史质差用户的分类，包括是历史质差用户或不是历史质差用户；历史属性集合包括多个历史指标，包括但不限于收光功率、接入方式、中央处理器(central processing unit，简称：CPU)利用率、内存利用率、是否质差路由器、网关wifi信号强度、无源光纤网络(Passive Optical Network，简称：PON)口误码参数、PON口收光功率、PON口丢包率、光线路终端(optical line terminal，简称：OLT)口误码参数、OLT口收光功率、OLT口丢包率、链路利用率、元素加载时延、片源热度和节点链路利用率。
本实施例中，存储空间中还包括历史原因集合，每个历史质差用户对应一个历史原因。历史原因集合包括多个历史原因，包括但不限于弱光、无线接入、CPU超限、内存超限、质差路由器、wifi弱覆盖、PON口质差、OLT上联口质差、链路利用率超限、内容源质差和内容分发网络(Content Delivery Network，简称：CDN)节点利用率超限。
步骤202、根据多个历史属性集合和多个历史原因，生成信息熵和条件熵。
本实施例中，每个历史指标包括多个设置的取值范围，该取值范围根据现实经验设定。例如：历史指标为收光功率，取值范围包括x1＝[-10,-18]、x2＝(-18,-27]和x3＝(-27,-30]。
具体地，通过I D3算法，根据多个历史属性集合和多个历史原因，生成信息熵和条件熵。
本实施例中，步骤202具体包括：
步骤2021、根据历史指标、多个取值范围和多个历史原因，生成历史指标在每个取值范围下的每个历史原因的原因占比。
本实施例中，在将历史指标固定于一个取值范围的情况下，计算每个历史原因的原因占比。
例如：历史指标为收光功率，取值范围包括x1＝[-10,-18]、x2＝(-18,-27]和x3＝(-27,-30]，多个历史原因包括弱光C1、无线接入C2和CPU超限C3，统计收光功率取值在x1下的历史原因为弱光发生的次数、历史原因为无线接入的次数、历史原因为CPU超限的次数以及总次数；将历史原因为弱光的次数除以总次数计算出历史原因为弱光的原因占比p(C1)；将历史原因为无线接入的次数除以总次数计算出历史原因为无线接入的原因占比p(C2)；将历史原因为CPU超限的次数除以总次数计算出历史原因为CPU超限的原因占比p(C3)。其中，p(C1)+p(C2)+p(C3)＝100％，且p(C1)、p(C2)、p(C3)均为收光功率取值在x1下的原因占比。
本实施例中，原因占比即为原因出现的概率。
步骤2022、根据历史指标在每个取值范围下的每个历史原因的原因占比，生成历史指标在每个取值范围下的信息熵。
具体地，通过公式
Figure BDA0002566807710000071
对原因占比进行计算，生成历史指标被固定时的信息熵。其中，H(C|X＝xi)为历史指标X取值在第i个取值范围内的信息熵，p(Ci)为第i个历史原因的原因占比，n为历史原因的数量。
步骤2023、根据历史指标和多个取值范围，生成历史指标在每个取值范围内的取值概率。
例如：历史指标为收光功率，取值范围包括x1＝[-10,-18]、x2＝(-18,-27]和x3＝(-27,-30]，统计收光功率取值在x1内的次数、收光功率取值在x2内的次数、收光功率取值在x3内的次数和总次数；将收光功率取值在x1内的次数除以总次数计算出收光功率在x1内的取值概率P1；将收光功率取值在x2内的次数除以总次数计算出收光功率在x2内的取值概率P2；将收光功率取值在x3内的次数除以总次数计算出收光功率在x3内的取值概率P3。
步骤2024、根据取值概率和历史指标在每个取值范围下的信息熵，生成条件熵。
具体地，通过公式
Figure BDA0002566807710000081
对取值概率和每个历史原因的信息熵进行计算，生成条件熵。其中，H(C|X)为历史指标X被固定时的信息熵，即：条件熵；H(C|X＝xi)为历史指标X取值在第i个取值范围内的信息熵，Pi为历史指标在第i个取值范围内的取值概率。
本实施例中，H(C|X)表示的是在某个指标的条件下，各种类别出现的不确定性之和。指标的信息熵越大，表示这个指标中拥有的样本类别越不“纯”。为了提高样本类别的纯度，要使信息熵越小，从而分类越细，越细小的分类错误率越小。
本实施例中，随着历史数据的增加以及机器学习的增强，每个原因出现的概率也将越来越准确。
步骤203、根据信息熵和条件熵，构建决策树模型。
本实施例中，由于使用ID3算法会使得分类越来越细，导致分割过度，计算量增加，进而无法有效判断用户是否为质差用户。因此，为避免分割过细，使用C4.5算法对ID3算法进行改进，即：通过C4.5算法，根据信息熵和条件熵，构建决策树模型。
本实施例中，步骤203具体包括：
步骤2031、根据信息熵和条件熵，生成信息增益。
具体地，通过公式Gain(D,X)＝H(C)-H(C|X)，对信息熵和条件熵进行计算，生成信息增益。其中，Gain(D,X)为历史指标X的信息增益，H(C)为信息熵，H(C|X)为条件熵。
步骤2032、根据信息增益和生成的期望值，生成信息增益率。
具体地，通过公式IGR＝Gain(D,X)/Info(X)，对信息增益和期望值进行计算，生成信息增益率。其中，
Figure BDA0002566807710000091
Info(X)为期望值，Pn为第n个取值范围内的取值概率，IGR为信息增益率，Gain(D,X)为历史指标X的信息增益。
本实施例中，信息增益表示信息不确定性减少的程度。指标的信息增益越大，表明用该指标进行样本划分可以更好的减少划分后的样本的不确定性，即：选择该指标可以更快更好地完成分类目标。
步骤2033、根据信息增益率，构建决策树模型。
本实施例中，信息增益率包括多个指标的信息增益率，选择信息增益率最大的指标作为分裂节点，构建出决策树模型。
本实施例中，通过计算信息增益率，可以对决策树进行剪枝，提高每个指标的纯度。
步骤204、获取用户的至少一个指标参数。
本实施例中，指标参数包括收光功率、接入方式、CPU利用率、内存利用率、是否质差路由器、网关wifi信号强度、PON口误码参数、PON口收光功率、PON口丢包率、OLT口误码参数、OLT口收光功率、OLT口丢包率、链路利用率、元素加载时延、片源热度或节点链路利用率中之一或其任意组合。
本实施例中，获取道的指标参数越多，后续决策树模型输出的结果越准确。
步骤205、将至少一个指标参数输入决策树模型，生成用户的质差结果。
本实施例中，用户的质差结果包括是或否，若质差结果为是，表明该用户为质差用户；若质差结果为否，表明该用户不是质差用户。
本实施例中，根据决策树模型由根节点的指标参数一步步判断至分支节点，最后得出用户的质差结果。
步骤206、从至少一个指标参数中筛选出至少一个异常参数。
本实施例中，至少一个指标参数是质差用户的指标参数。
本实施例中，每个指标参数对应一个指标阀值，可通过对指标参数与对应的指标阀值进行比较，筛选出异常参数。
例如：PON口误码参数的阀值设置为0，判断获取到的PON口误码参数是否为0，若是，表明不是异常参数；若否，表明是异常参数。
例如：元素加载时延的阀值设置为1s，判断获取到的元素加载时延是否大于阀值，即：1s，若是，表明是异常参数；若否，表明不是异常参数。
例如：片源热度的阀值设置为80％，判断获取到的片源热度是否大于阀值，即：80％，若是，表明是异常参数；若否，表明不是异常参数。
例如：收光功率的阀值为-27，判断获取到的收光功率是否大于阀值，若是，表明是异常参数；若否，表明不是异常参数。
本实施例中，指标阀值可根据经验值不断调整。
步骤207、根据统计出的第一数量和第二数量，生成至少一个第一异常比例，第一数量包括第一OLT下具有异常参数的用户的数量，第二数量包括第一OLT下用户的总数量。
例如：质差用户的异常参数是收光功率和元素加载时延，且质差用户为第一OLT下的用户；统计出第一OLT下除该质差用户以外的其它用户中收光功率小于功率阀值的用户数量，该数量为第一数量；统计出第一OLT下所有用户的数量，该数量为第二数量；将第一数量除以第二数量，生成收光功率的第一异常比例；再统计出第一OLT下除该质差用户以外的其它用户中元素加载时延大于时延阀值的用户数量，该数量为第一数量；统计出第一OLT下所有用户的数量，该数量为第二数量；将第一数量除以第二数量，生成元素加载时延的第一异常比例。即：生成两个第一异常比例，分别是收光功率的第一异常比例和元素加载时延的第一异常比例。
步骤208、将至少一个第一异常比例作为第一指标比例集合。
例如：至少一个异常比例包括收光功率的第一异常比例和元素加载时延的第一异常比例，则第一指标比例集合包括收光功率的第一异常比例和元素加载时延的第一异常比例。
步骤209、根据统计出的第三数量和第四数量，生成至少一个第二异常比例，第三数量包括第二OLT下具有异常参数的用户的数量，第四数量包括第二OLT下用户的总数量。
本实施例中，第二OLT为第一OLT的相邻OLT，且第一OLT与第二OLT属于同一上联设备。
例如：质差用户的异常参数是收光功率和元素加载时延，则统计第二OLT下的收光功率小于功率阀值的用户数量，该数量为第三数量；统计第二OLT下用户的总数量，该数量为第四数量；将第三数量除以第四数量，生成收光功率的第二异常比例；统计第二OLT下元素加载时延大于时延阀值的用户数量，该数量为第三数量；统计第二OLT下用户的总数量，该数量为第四数量；将第三数量除以第四数量，生成元素加载时延的第二异常比例。
步骤210、将至少一个第二异常比例作为第二指标比例集合。
例如：至少一个第二异常比例包括收光功率的第二异常比例和元素加载时延的第二异常比例，则第二指标比例集合包括收光功率的第二异常比例和元素加载时延的第二异常比例。
步骤211、将第一指标比例集合输入构建的决策树模型，生成第一质差原因。
本实施例中，第一质差原因为第一OLT下用户的质差原因。
步骤212、将第二指标比例集合输入构建的决策树模型，生成第二质差原因。
本实施例中，第二质差原因为第二OLT下用户的质差原因。
步骤213、判断第一质差原因和第二质差原因是否相同，若是，执行步骤214；若否，执行步骤215。
本实施例中，若判断出第一质差原因和第二质差原因相同，表明第一OLT与第二OLT不互斥，继续执行步骤214；若判断出第一质差原因和第二质差原因不同，表明第一OLT和第二OLT互斥，继续执行步骤215。
步骤214、将上联设备定位为质差根因。
本实施例中，若第一OLT与第二OLT不互斥，且第一OLT与第二OLT属于同一上联设备，表明质差根因在于上联设备，即：上联设备故障。
本实施例中，当质差根据在于上联设备时，质差根因包括多种类型，包括：主干线路衰耗大、PON口光模块问题、同PON口下某ONU发光过强、同PON口下某ONU发光过弱、服务器负荷超限、内容分发不足、无线接入、质差路由器、机顶盒性能差或网关性能差。
进一步地，根据异常参数确定出质差根因的类型。其中，异常参数与质差根因的类型存在对应关系，该对应关系是根据实际情况预先设置的。
例如：异常参数为收光功率，对应的质差根因的类型为主干线路衰耗大、PON口光模块问题、同PON口下某ONU发光过强或同PON口下某ONU发光过弱，具体类型可以根据实际经验进行进一步判断。
例如：异常参数为节点链路利用率，对应的质差根因的类型为服务器负荷超限。
例如：异常参数为元素加载时延或片源热度，对应的质差根因的类型为内容分发不足。
例如：异常参数为接入方式，对应的质差根因的类型为无线接入。
例如：异常参数为CPU利用率或内存利用率，对应的质差根因的类型为机顶盒性能差。
例如：异常参数为是否质差路由器，对应的质差根因的类型为质差路由器。
例如：异常参数为是否网关wifi信号强度，对应的质差根因的类型为网关性能差。
步骤215、将第一OLT定位为质差根因。
本实施例中，若第一OLT与第二OLT互斥，表明质差根因在于第一OLT本身，即：第一OLT故障。
本实施例中，当质差根据在于第一OLT本身时，质差根因包括分光器故障或单用户弱光。
进一步地，根据异常参数确定出质差根因的类型。其中，异常参数与质差根因的类型存在对应关系，该对应关系是根据实际情况预先设置的。
例如：异常参数为收光功率，对应的质差根因的类型为分光器故障或单用户弱光。
本实施例中，利用质差用户的指标参数和相邻同一个设备维度下的用户的指标进行二次决策树判断，进行家宽用户的质差根因定位，可以大幅提高定位的效率和准确率，环节较少，流程简单，能够节省大量的人力物力，节约资源成本。
本发明实施例提供的质差根因的定位方法的技术方案中，获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合；将第一指标比例集合输入构建的决策树模型，生成第一质差原因；将第二指标比例集合输入构建的决策树模型，生成第二质差原因；根据第一质差原因和第二质差原因，定位质差根因，提高了质差根因定位的准确性。
图3为本发明实施例提供的一种质差根因的定位装置的结构示意图，该装置用于执行上述质差根因的定位方法，如图3所示，该装置包括：第一获取单元11、第一生成单元12、第二生成单元13和定位单元14。
第一获取单元11用于获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合。
第一生成单元12用于将第一指标比例集合输入构建的决策树模型，生成第一质差原因。
第二生成单元13用于将第二指标比例集合输入构建的决策树模型，生成第二质差原因。
定位单元14用于根据第一质差原因和第二质差原因，定位质差根因。
本发明实施例中，该装置还包括：第二获取单元15和第三生成单元16。
第二获取单元15用于获取用户的至少一个指标参数；
第三生成单元16用于将至少一个指标参数输入决策树模型，生成用户的质差结果。
本发明实施例中，第一获取单元11具体用于从至少一个指标参数中筛选出至少一个异常参数；根据统计出的第一数量和第二数量，生成至少一个第一异常比例，第一数量包括第一光线路终端下具有异常参数的用户的数量，第二数量包括第一光线路终端下用户的总数量；将至少一个第一异常比例作为第一指标比例集合；根据统计出的第三数量和第四数量，生成至少一个第二异常比例，第三数量包括第二光线路终端下具有异常参数的用户的数量，第四数量包括第二光线路终端下用户的总数量；将至少一个第二异常比例作为第二指标比例集合。
本发明实施例中，该装置还包括第三获取单元17、第四生成单元18和构建单元19。
第三获取单元17用于获取多个历史质差用户的历史属性集合和历史原因，每个历史质差用户对应一个历史属性集合和一个历史原因。
第四生成单元18用于根据多个历史属性集合和多个历史原因，生成信息熵和条件熵。
构建单元19用于根据信息熵和条件熵，构建决策树模型。
本发明实施例中，第四生成单元18具体用于根据历史指标、多个取值范围和多个历史原因，生成历史指标在每个取值范围下的每个历史原因的原因占比；根据历史指标在每个取值范围下的每个历史原因的原因占比，生成历史指标在每个取值范围下的信息熵；根据历史指标和多个取值范围，生成历史指标在每个取值范围内的取值概率；根据取值概率和历史指标在每个取值范围下的信息熵，生成条件熵。
本发明实施例中，构建模型19具体用于根据信息熵和条件熵，生成信息增益；根据信息增益和生成的期望值，生成信息增益率；根据信息增益率，构建决策树模型。
本发明实施例中，定位单元14具体用于判断第一质差原因和第二质差原因是否相同；若判断出第一质差原因和第二质差原因相同，将上联设备定位为质差根因；若判断出第一质差原因和第二质差原因不同，将第一光线路终端定位为质差根因。
本发明实施例的方案中，获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合；将第一指标比例集合输入构建的决策树模型，生成第一质差原因；将第二指标比例集合输入构建的决策树模型，生成第二质差原因；根据第一质差原因和第二质差原因，定位质差根因，提高了质差根因定位的准确性。
本发明实施例提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述质差根因的定位方法的实施例的各步骤，具体描述可参见上述质差根因的定位方法的实施例。
本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述质差根因的定位方法的实施例的各步骤，具体描述可参见上述质差根因的定位方法的实施例。
图4为本发明实施例提供的一种计算机设备的示意图。如图4所示，该实施例的计算机设备30包括：处理器31、存储器32以及存储在存储32中并可在处理器31上运行的计算机程序33，该计算机程序33被处理器31执行时实现实施例中的应用于质差根因的定位方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器31执行时实现实施例中应用于质差根因的定位装置中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备30包括，但不仅限于，处理器31、存储器32。本领域技术人员可以理解，图4仅仅是计算机设备30的示例，并不构成对计算机设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器31可以是中央处理单元(Central Proceing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital ignal Proceor，DP)、专用集成电路(Application pecific Integrated Circuit，AIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器32可以是计算机设备30的内部存储单元，例如计算机设备30的硬盘或内存。存储器32也可以是计算机设备30的外部存储设备，例如计算机设备30上配备的插接式硬盘，智能存储卡(mart Media Card,MC)，安全数字(ecure Digital,D)卡，闪存卡(FlahCard)等。进一步地，存储器32还可以既包括计算机设备30的内部存储单元也包括外部存储设备。存储器32用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器32还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种质差根因的定位方法，其特征在于，所述方法包括：
获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合；
将所述第一指标比例集合输入构建的决策树模型，生成第一质差原因；
将所述第二指标比例集合输入构建的决策树模型，生成第二质差原因；
根据所述第一质差原因和所述第二质差原因，定位质差根因。
2.根据权利要求1所述的方法，其特征在于，在所述获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合之前，还包括：
获取用户的至少一个指标参数；
将所述至少一个指标参数输入所述决策树模型，生成所述用户的质差结果。
3.根据权利要求2所述的方法，其特征在于，所述获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合，具体包括：
从所述至少一个指标参数中筛选出至少一个异常参数；
根据统计出的第一数量和第二数量，生成至少一个第一异常比例，所述第一数量包括所述第一光线路终端下具有所述异常参数的用户的数量，所述第二数量包括所述第一光线路终端下用户的总数量；
将所述至少一个第一异常比例作为第一指标比例集合；
根据统计出的第三数量和第四数量，生成至少一个第二异常比例，所述第三数量包括所述第二光线路终端下具有所述异常参数的用户的数量，所述第四数量包括所述第二光线路终端下用户的总数量；
将所述至少一个第二异常比例作为第二指标比例集合。
4.根据权利要求1所述的方法，其特征在于，在所述将所述第一指标比例集合输入构建的决策树模型，生成第一质差原因之前，还包括：
获取多个历史质差用户的历史属性集合和历史原因，每个所述历史质差用户对应一个历史属性集合和一个历史原因；
根据多个所述历史属性集合和多个所述历史原因，生成信息熵和条件熵；
根据所述信息熵和所述条件熵，构建所述决策树模型。
5.根据权利要求4所述的方法，其特征在于，所述历史属性集合包括多个历史指标，每个所述历史指标包括多个取值范围；所述根据多个所述历史属性集合和多个所述历史原因，生成信息熵和条件熵，包括：
根据所述历史指标、所述多个取值范围和所述多个历史原因，生成所述历史指标在每个取值范围下的每个历史原因的原因占比；
根据所述历史指标在每个取值范围下的每个历史原因的原因占比，生成所述历史指标在每个取值范围下的信息熵；
根据所述历史指标和多个所述取值范围，生成所述历史指标在每个所述取值范围内的取值概率；
根据所述取值概率和所述历史指标在每个取值范围下的信息熵，生成条件熵。
6.根据权利要求4所述的方法，其特征在于，所述根据所述信息熵和所述条件熵，构建所述决策树模型，包括：
根据所述信息熵和所述条件熵，生成信息增益；
根据所述信息增益和生成的期望值，生成信息增益率；
根据所述信息增益率，构建所述决策树模型。
7.根据权利要求1所述的方法，其特征在于，所述第一光线路终端和所述第二光线路终端属于同一上联设备，所述第二光线路终端为所述第一光线路终端的相邻光线路终端；所述根据所述第一质差原因和所述第二质差原因，定位质差根因，包括：
判断所述第一质差原因和所述第二质差原因是否相同；
若判断出所述第一质差原因和所述第二质差原因相同，将所述上联设备定位为所述质差根因；
若判断出所述第一质差原因和所述第二质差原因不同，将所述第一光线路终端定位为所述质差根因。
8.一种质差根因的定位装置，其特征在于，所述装置包括：
第一获取单元，用于获取第一光线路终端的第一指标比例集合和第二光线路终端的第二指标比例集合；
第一生成单元，用于将所述第一指标比例集合输入构建的决策树模型，生成第一质差原因；
第二生成单元，用于将所述第二指标比例集合输入构建的决策树模型，生成第二质差原因；
定位单元，用于根据所述第一质差原因和所述第二质差原因，定位质差根因。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的质差根因的定位方法。
10.一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1至7任意一项所述的质差根因的定位方法。
CN202010633510.8A 2020-07-02 2020-07-02 一种质差根因的定位方法、装置、计算机设备和存储介质 Active CN113965445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010633510.8A CN113965445B (zh) 2020-07-02 2020-07-02 一种质差根因的定位方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010633510.8A CN113965445B (zh) 2020-07-02 2020-07-02 一种质差根因的定位方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113965445A true CN113965445A (zh) 2022-01-21
CN113965445B CN113965445B (zh) 2023-10-27

Family

ID=79459383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010633510.8A Active CN113965445B (zh) 2020-07-02 2020-07-02 一种质差根因的定位方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113965445B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065584A (zh) * 2022-07-05 2022-09-16 中国电信股份有限公司 物联网质差处理方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004157814A (ja) * 2002-11-07 2004-06-03 Fuji Electric Holdings Co Ltd 決定木生成方法およびモデル構造生成装置
US20180005126A1 (en) * 2016-07-04 2018-01-04 Panasonic Intellectual Property Management Co., Ltd. Decision tree generating apparatus, decision tree generating method, non-transitory computer-readable recording medium, and inquiry system
CN107809331A (zh) * 2017-10-25 2018-03-16 北京京东尚科信息技术有限公司 识别异常流量的方法和装置
CN109298703A (zh) * 2017-07-25 2019-02-01 富泰华工业（深圳）有限公司 故障诊断系统及方法
CN109698797A (zh) * 2017-10-24 2019-04-30 中国移动通信集团山东有限公司 一种tcp拥塞控制方法和装置
CN109947760A (zh) * 2017-07-26 2019-06-28 华为技术有限公司 一种挖掘kpi根因的方法及装置
WO2019184640A1 (zh) * 2018-03-26 2019-10-03 华为技术有限公司 一种指标确定方法及其相关设备
CN110796366A (zh) * 2019-10-28 2020-02-14 中国联合网络通信集团有限公司 质差小区识别方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004157814A (ja) * 2002-11-07 2004-06-03 Fuji Electric Holdings Co Ltd 決定木生成方法およびモデル構造生成装置
US20180005126A1 (en) * 2016-07-04 2018-01-04 Panasonic Intellectual Property Management Co., Ltd. Decision tree generating apparatus, decision tree generating method, non-transitory computer-readable recording medium, and inquiry system
CN109298703A (zh) * 2017-07-25 2019-02-01 富泰华工业（深圳）有限公司 故障诊断系统及方法
CN109947760A (zh) * 2017-07-26 2019-06-28 华为技术有限公司 一种挖掘kpi根因的方法及装置
CN109698797A (zh) * 2017-10-24 2019-04-30 中国移动通信集团山东有限公司 一种tcp拥塞控制方法和装置
CN107809331A (zh) * 2017-10-25 2018-03-16 北京京东尚科信息技术有限公司 识别异常流量的方法和装置
WO2019184640A1 (zh) * 2018-03-26 2019-10-03 华为技术有限公司 一种指标确定方法及其相关设备
CN110796366A (zh) * 2019-10-28 2020-02-14 中国联合网络通信集团有限公司 质差小区识别方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘丽娟;: "基于人工智能算法的投诉用户质差小区定位及预测的方法研究", 电信工程技术与标准化, no. 05 *
徐益帅;胡博;: "基于TensorFlow深度学习框架和CART算法的视频感知分析体系研究及应用", 江苏通信, no. 06 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065584A (zh) * 2022-07-05 2022-09-16 中国电信股份有限公司 物联网质差处理方法和装置

Also Published As

Publication number Publication date
CN113965445B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
US11483197B2 (en) Fault localization method and device
US11996974B2 (en) Alarm analysis method and related device
WO2018103453A1 (zh) 检测网络的方法和装置
CN110365503B (zh) 一种指标确定方法及其相关设备
CN112181767B (zh) 软件系统异常的确定方法、装置和存储介质
CN110505540B (zh) 一种判断pon端口扩容优先级的方法及装置
US11507076B2 (en) Network analysis program, network analysis device, and network analysis method
US20210051677A1 (en) Radio frequency resource allocation method, apparatus, device and system, and storage medium
CN110086643B (zh) 一种风险识别方法、终端及存储介质
CN111884832B (zh) 一种获取无源网络拓扑信息的方法及相关设备
US10834610B2 (en) Managing LTE network capacity
US20230224943A1 (en) Radio frequency resource allocation method, apparatus, device and system, and storage medium
CN116225769B (zh) 一种系统故障根因的确定方法、装置、设备及介质
CN113965445A (zh) 一种质差根因的定位方法、装置、计算机设备和存储介质
CN102780589A (zh) 一种基于虚拟链路的静态路由网络时延抖动测试方法
CN113452576A (zh) 网络环境的监控方法及装置、存储介质、电子装置
CN112035286A (zh) 故障原因的确定方法及装置、存储介质、电子装置
CN111176985B (zh) 软件接口的性能测试方法及装置、计算机设备、存储介质
EP4336883A1 (en) Modeling method, network element data processing method and apparatus, electronic device, and medium
CN116578911A (zh) 数据处理方法、装置、电子设备及计算机存储介质
CN108463813A (zh) 一种进行数据处理的方法和装置
CN113162801B (zh) 一种告警分析方法、装置及存储介质
CN114860543A (zh) 异常检测方法、装置、设备与计算机可读存储介质
US11924061B2 (en) Required communication quality estimation apparatus, required communication quality estimation method and program
CN111582628A (zh) 质量评估方法及装置

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