CN114095344B - 批量网络投诉的故障定位方法、设备及计算机存储介质 - Google Patents
批量网络投诉的故障定位方法、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114095344B CN114095344B CN202010774625.9A CN202010774625A CN114095344B CN 114095344 B CN114095344 B CN 114095344B CN 202010774625 A CN202010774625 A CN 202010774625A CN 114095344 B CN114095344 B CN 114095344B
- Authority
- CN
- China
- Prior art keywords
- dimension
- fault
- preset dimension
- statistical period
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 230000001960 triggered effect Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 24
- 230000003068 static effect Effects 0.000 claims description 22
- 238000009825 accumulation Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 230000004807 localization Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 102000018059 CS domains Human genes 0.000 description 2
- 108050007176 CS domains Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H04L41/0677—Localisation of faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种批量网络投诉的故障定位方法、设备及计算机存储介质，该方法包括：接收客户支撑查询系统回传的批量网络投诉的用户数据查询报文；判断是否触发定位启动条件，若是，从所述用户数据查询报文中提取出预设维度的目标用户数据；根据所述目标用户数据计算所述预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比；根据所述至少两组重现占比判断当前统计周期是否存在故障网元；若存在，则根据当前统计周期的一组重现占比从所述预设维度包含的多个注册元素中确定出故障元素；输出所述故障元素至网络运维端以供进行故障处理。本发明方案，可以快速定位出批量网络投诉的故障元素，便于运维端及时进行故障处理。
Description
技术领域
本发明涉及通信语音网、数据网技术领域，具体涉及一种批量网络投诉的故障定位方法、设备及计算机存储介质。
背景技术
随着通信技术的迅速发展，移动通信的网络结构越来越复杂，一个用户往往在网络侧签约有多种叠加业务(比如语音、数据、彩铃、智能网等业务)，这些静态信息作为用户的签约数据存储在通信网络的HSS中。另外用户在使用这些业务时会在相应的移动通信网络设备上进行多域登记或者注册，由此产生的这些动态信息用于用户的移动性管理，比如使用2G和4G语音业务分别在CS域软交换MSC、IMS域CSCF中登记和注册，使用2G和4G数据业务分别在PS域中SGSN、MME中附着。随着移动网络不断演进，上述这些静态数据与动态数据的种类越来越复杂，数量越来越众多，对于用户投诉的分类聚焦和业务障碍的定位而言就越困难。由于突发批量投诉往往集中在某一类业务场景或者某一个故障设备上，如何快速从投诉用户的网络信息中找出可能异常的网元，往往成为障碍定位和业务恢复的关键。
目前，对于批量网络投诉的故障定位，主要通过以下手段进行：1)客户投诉信息分析；2)失败业务信令回溯；3)设备话务性能统计；4)设备告警分析；以及，5)设备日志分析。
然而，发明人在实施本发明实施例的过程中发现，上述现有的故障定位方式至少存在如下缺陷：其一，客户投诉的信息收集存在准确性和及时性较差的情况，运营商投诉采用分级处理，因此投诉信息分散且缺乏自动化集中分类和归纳；其二，投诉用户业务信令流程的回溯分析往往需要多个样本，信令记录的查询、分析、问题聚类也会花费较长的时间，过程无法做到快速响应；其三，由于现网业务种类繁多，端到端业务经历的网元类型、数量众多，基于网络设备的分析措施，必然会造成大量的人力和时间上消耗；
综上所述，现有的批量网络投诉的故障定位手段存在及时性差、耗费人力、准确性差等缺点，非常不利于投诉和故障的及时定位以及业务的快速恢复。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的批量网络投诉的故障定位方法、设备及计算机存储介质。
根据本发明实施例的一个方面，提供了一种批量网络投诉的故障定位方法，包括：
接收客户支撑查询系统回传的批量网络投诉的用户数据查询报文；
判断是否触发定位启动条件，若是，从所述用户数据查询报文中提取出预设维度的目标用户数据；
根据所述目标用户数据计算所述预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比；
根据所述至少两组重现占比判断当前统计周期是否存在故障网元；若存在，则根据当前统计周期的一组重现占比从所述预设维度包含的多个注册元素中确定出故障元素；
输出所述故障元素至网络运维端以供进行故障处理。
根据本发明实施例的另一方面，提供了一种批量网络投诉的故障定位装置，包括：
接收模块，适于接收客户支撑查询系统回传的批量网络投诉的用户数据查询报文；
判断模块，适于判断是否触发定位启动条件，以及根据至少两组重现占比判断当前统计周期是否存在故障网元；
提取模块，适于若触发定位启动条件，则从所述用户数据查询报文中提取出预设维度的目标用户数据；
计算模块，适于根据所述目标用户数据计算所述预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比；以及，若存在故障网元，则根据当前统计周期的一组重现占比从所述预设维度包含的多个注册元素中确定出故障元素；
输出模块，适于输出所述故障元素至网络运维端以供进行故障处理。
根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述批量网络投诉的故障定位方法对应的操作。
根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述批量网络投诉的故障定位方法对应的操作。
根据本发明的批量网络投诉的故障定位方法、设备及计算机存储介质，利用客户支撑查询系统的回传日志，并在判定触发定位启动条件后，提取出预设维度的目标用户数据；然后通过计算预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比，来进行是否存在故障网元的判定，以及在判定存在故障网元时进一步确定出故障元素，并输出至网络运维端，进而有针对性的进行故障处理。由此可见，本发明方案，在批量网络投诉的场景中，无需人工参与，即可快速准确的实现故障定位。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的批量网络投诉的故障定位方法的流程图；
图2示出了HSS侧用户数据查询报文的部分内容的示意图；
图3示出了实现本发明实施例方案的系统流程的示意图；
图4示出了本发明另一个实施例提供的批量网络投诉的故障定位方法的流程图；
图5a和图5b分别示出了维度A的维度B的计算过程和结果的示意图；
图5c示出了元素7对应的投诉用户的分布及特征值计算结果的示意图；
图6示出了本发明实施例提供的批量网络投诉的故障定位装置的结构示意图；
图7示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的批量网络投诉的故障定位方法的流程图，该方法应用于批量网络投诉的场景，以实现故障的快速定位。该方法可由任意具有数据处理能力的计算设备或计算模块(例如，下文中的网络画像分析模块，可简称分析模块)来执行，该计算设备可分别与客户支撑查询系统和网络运维端进行通信，以接收用户数据查询报文以及发送定位结果。
如图1所示，该方法包括以下步骤：
步骤S110：接收客户支撑查询系统回传的批量网络投诉的用户数据查询报文。
其中，客户支撑查询系统为运营商用于客户投诉预处理的用户数据查询系统，与现网HSS(Home Subscriber Server，归属签约用户服务器)对接.。
以及，用户数据查询报文包括批量网络投诉涉及的投诉用户在网络侧的静态签约数据(这些数据可统称为用户静态信息数据)以及在通信网络设备上的登记或者注册数据(这些数据可统称为用户动态信息数据)。
实际中，客户支撑查询系统在接收到投诉处理端的查询请求时，向HSS发送用户数据查询请求，HSS执行查询指令并向客户支撑查询系统返回查询结果；然后，客户支撑查询系统将收到的查询结果报文(即用户数据查询报文)同步回传至分析模块做入库处理，以便后续进行分析定位。
步骤S120：判断是否触发定位启动条件，若是，则执行步骤S130；若否，则继续执行步骤S110。
其中，定位启动条件是指需要执行故障定位分析的条件，该条件可根据日常投诉量相关信息进行灵活设置，可选的，可设置投诉量超过某一阈值为定位启动条件，或者相邻周期的查询量的增速超过某一阈值为定位启动条件，例如，相邻周期额查询量的增速大于30％则满足定位启动条件。
具体地，每隔预设时间间隔进行一次判断，该预设时间间隔可设置为下文中一个统计周期的时长，例如，1个小时，若判定触发定位启动条件，则执行步骤S130及其后续步骤，以实现故障定位；若未触发定位启动条件，则等待下一次时间间隔到来再进行判断。
步骤S130：从该用户数据查询报文中提取出预设维度的目标用户数据。
其中，预设维度的目标用户数据属于投诉用户在通信网络设备上的登记或者注册数据中；以及，预设维度则是指能反映用户在核心网网元的驻留信息的维度，目标用户数据是指投诉用户的数据。下面以一个具体的示例来说明本发明实施例中的预设维度以及注册元素(下文会涉及)：
图2示出了HSS侧用户数据查询报文的部分内容的示意图。如图2所示，其中表征用户在网络侧多域注册信息的每一行就是一个“维度”，每个维度里面不同的信息就是不同的“元素”。例如：上图中的“用户主叫S-CSCF地址”是其中的一个“维度”，这个维度中包括“cqscscf8(中兴)”、“cqscscf15(华为)”等多种“元素”，表征为用户提供通信服务的具体网元。
步骤S140：根据该目标用户数据计算该预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比。
其中，用户每次在通信网络设备上登记或注册到某一网元时，则该网元对应的注册元素出现一次。仍以图2为例，在“用户主叫S-CSCF地址”维度，若用户注册到中兴网元，则注册元素“cqscscf8(中兴)”出现一次。需要在此说明的是，在本发明实施例中，注册元素仅仅是一个统称，其实质上可代表用户登记或注册的网元对应的元素，而不仅代表注册的网元对应的元素。下文中仅出现“注册”的位置，均可理解为登记或注册。
以及，重现占比是指任一注册元素的出现次数的占比，该重现占比是以单个预设维度以及单个统计周期为单位进行计算的。其中，统计周期可根据实际需求进行设定，例如，设置统计周期为1小时。
以“用户主叫S-CSCF地址”维度的注册元素“cqscscf8(中兴)”为例，在当前统计周期内“cqscscf8(中兴)”出现的次数为10次，而“用户主叫S-CSCF地址”维度的所有注册元素在当前统计周期出现的次数总和为20次，则“用户主叫S-CSCF地址”维度包含的注册元素“cqscscf8(中兴)”在当前统计周期内的重现占比为10/20。
具体地，至少两个统计周期包括当前统计周期以及与当前统计周期邻近的至少一个统计周期，则通过计算可得到多个注册元素在当前统计周期的一组重现占比，以及与当前统计周期邻近的至少一个统计周期的一组重现占比，在本发明中，不限定统计周期的具体数量，例如，可以为2个或者3个，在下文中，主要以3个为例来进行说明。
步骤S150：根据该至少两组重现占比判断当前统计周期是否存在故障网元；若存在，则根据当前统计周期的一组重现占比从该预设维度包含的多个注册元素中确定出故障元素。
具体地，在计算得到最近的至少两个统计周期的至少两组重现占比，则可较容易的确定重现占比在至少两个统计周期的变化，基于该变化可判定当前统计周期是否存在故障网元，例如，当前统计周期相较于前一统计周期的重现占比的波动更大，则当前周期存在故障网元。
然后，若判定存在故障网元，则基于当前统计周期的一组重现占比反映的各个注册元素的重现占比偏离占比均值的情况来确定故障元素，通常情况下，与占比均值的绝对差值，和故障可能性成正相关，绝对差值越大，则故障可能性越大。
步骤S160：输出该故障元素至网络运维端以供进行故障处理。
网络运维端根据该故障网元可有针对性的制定业务恢复措施以进行故障处理，提高处理效率和准确性。
为便于对本发明实施例方案的理解，下面结合具体的系统框架来说明大致的方案流程：
图3示出了实现本发明实施例方案的系统流程的示意图。如图3所示，0)设置日志(用户数据查询报文)分析策略；1)投诉处理端在投诉预处理时，通过客户支撑查询系统向HSS进行用户数据查询；2)HSS执行查询指令并向客户支撑查询系统返回查询结果；3)客户支撑查询系统将收到的查询结果报文同步回传至分析模块做入库处理；4)分析模块根据预配置的策略，周期性对报文进行分拣、聚类、计算，即确定故障元素以及受影响的业务维度(下文中涉及)的过程；5)在分析得到最有可能导致批量投诉的故障信息后，分析模块通过短信(或彩信)接口，将最有可能导致投诉增多的故障元素以及受影响的业务特征信息，以文字(或图片)的形式发送至网络运维端，以供进行故障处理。
根据本实施例提供的批量网络投诉的故障定位方法，利用客户支撑查询系统的回传日志，并在判定触发定位启动条件后，提取出预设维度的目标用户数据；然后通过计算预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比，来进行是否存在故障网元的判定，以及在判定存在故障网元时进一步确定出故障元素，并输出至网络运维端，进而有针对性的进行故障处理。由此可见，本实施例方案，在批量网络投诉的场景中，无需人工参与，即可快速准确的实现故障定位。
图4示出了本发明另一个实施例提供的批量网络投诉的故障定位方法的流程图。如图4所示，该方法包括以下步骤：
步骤S410：接收客户支撑查询系统回传的批量网络投诉的用户数据查询报文。
步骤S420：判断是否触发定位启动条件；若是，则执行步骤S430；若否，则继续执行步骤S410。
在本发明的一个具体实施例中，设置定位启动条件为：连续两个统计周期的查询量大于预设查询量，且查询量的环比增速超过预设增速，其中，查询量是指客户支撑查询系统接收到的查询量。例如，定位启动条件为：梁旭两个统计周期的查询量均大于100且环比增速超过30％。
步骤S430：从该用户数据查询报文中提取出预设维度的目标用户数据。
其中，预设维度是指能反映用户在核心网网元的驻留信息的维度，在本发明的一些可选的实施例中，该预设维度包括以下至少一个维度：VLR地址维度、SGSN地址维度、GGSN地址维度、MME地址维度、PGW地址维度以及CSCF地址维度。其中，VLR地址为CS域中的字段，SGSN/GGSN/MME/PGW地址为PS域中的字段，以及CSCF地址为IMS域中的字段。通常情况下，预设维度存在多个。
步骤S440：根据该目标用户数据计算该预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比。
由于用户在同一时刻仅能登记或者注册在同类核心网设备的某一个网元，基于此，针对任一统计周期内的任一预设维度，根据该预设维度的目标用户数据，对该预设维度包含的多个注册元素进行独热编码(one-hot编码)，得到多次注册的多个编码向量。以CSCF地址这个维度为例，假如有5个元素，用户在某个周期内注册在第二个元素上，那么其对应的One-Hot编码向量为{0,1,0,0,0}。
然后，将该预设维度的编码向量进行矩阵累加计算，计算得到该统计周期内的至少两个累加矩阵；其中，累加矩阵由该统计周期内该预设维度包含的多个注册元素的多个重现绝对值(即出现次数)组成。在一个统计周期内，将上述One-Hot编码记录的各预设维度的编码向量结果分别进行矩阵累加计算，累加值为该统计周期内该预设维度包含的多个注册元素的多个重现绝对值P。例如，在当前统计周期内，针对CSCF地址维度，累加得到的累加矩阵为P＝(2,8,5,2,3)，则表明当前统计周期内，CSCF地址维度包含的第1，2，3，4以及5个注册元素的重现绝对值为2,8,5,2以及3。
再后，利用公式计算该统计周期内每个注册元素在该预设维度内的重现占比，得到该预设维度的一组重现占比；式中，Ri为预设维度包含的第i个注册元素的重现占比，Pi为预设维度内包含的第i个注册元素的重现绝对值，Pj为预设维度内包含的第j个注册元素的重现绝对值，N为该预设维度包含的注册元素的数量。计算得到的重现占比表示单个统计周期内任一注册元素的重现绝对值占相应预设维度包含的所有元素的重现绝对值之和的比值。例如，上述累加得到的累加矩阵为P＝(2,8,5,2,3)，则第二个注册元素的重现占比为8/(2+8+5+2+3)＝0.4。
经过上述过程，可针对任一统计周期内的任一预设维度，计算得到该预设维度内的各个注册元素的重现绝对值占该预设维度包含的所有注册元素的重现绝对值之和的比值(即重现占比)，而对于多个统计周期以及多个预设维度，可通过重复或者并列执行上述过程来得到重现占比，此处不再赘述。
步骤S450：根据该至少两组重现占比判断当前统计周期是否存在故障网元；若存在，则根据当前统计周期的一组重现占比从该预设维度包含的多个注册元素中确定出故障元素。
具体地，依据重现占比在至少两个统计周期内的变化情况来判定当前统计周期内是否存在故障网元。但是本发明实施例并不限定具体的判定方式，例如，可依据相同注册元素在相邻统计周期内的重现占比的变化进行判断，或者依据预设维度包含的注册元素的重现占比的波动在相邻统计周期的变化来进行判断。下面以一种可选的方式来说明判断的具体过程：
步骤一，根据任一预设维度在相应统计周期内的一组重现占比，计算该预设维度在相应统计周期内多个注册元素的重现占比的标准偏差，即以单个统计周期以及单个预设维度来分别计算重现占比的标准偏差。标准偏差的计算公式如下：
式中，S表示标准偏差，N为相应预设维度包含的注册元素的数量，Ri为相应预设维度包含的第i个注册元素的重现占比，相应预设维度包含的注册元素的重现占比的均值。
上述计算得到的标准偏差体现了各个注册元素在相应统计周期内投诉用户驻留分布的波动情况，标准偏差与波动幅度成正相关，标准偏差越大，说明波动幅度越明显，越有可能出现集中分布或者集中空缺的情况。
步骤二，计算该预设维度在第一统计周期的标准偏差与在第二统计周期的标准偏差的比值；该第一统计周期和第二统计周期相邻，且第一统计周期相较于第二统计周期，与当前时间的间隔更近。以至少两个统计周期为两个统计周期为例，则第一统计周期为当前统计周期，而第二统计周期为当前统计周期的前一相邻周期。上述比值的计算公式如下：
式中，Q表示计算得到的比值，也可记为偏差波动系数,Sn表示第一统计周期的标准偏差，Sn-1表示第二统计周期的标准偏差。
上述计算得到偏差波动系数反映了第一统计周期的投诉用户在各个注册元素的驻留分布情况的波动幅度，相较于第二统计周期的投诉用户在各个注册元素的驻留分布情况的波动幅度的变化趋势。
步骤三，若存在至少一个预设维度的比值大于1，则判定当前周期内存在故障网元。其中，若存在至少一个预设维度的比值大于1，说明在该至少一个预设维度，波动幅度在增大，此时则判定存在故障网元。另外，在一些其他的实施方式中，还进一步结合标准偏差的值来进行判定，即若存在至少一个预设维度的比值大于1，且该至少一个预设维度在第一统计周期和/或第二统计周期的标准偏差大于预设偏差值，此时则可确定是由于存在故障网元导致出现大量投诉用户在该元素上集中分布或者空缺的情况，则可判定当前统计周期内存在故障网元，以提高判定结果的准确性。
另外，在一些可选的实施例中，为了避免仅通过两个统计周期的比值进行判定而出现误判的情况，而设置至少两个统计周期为三个统计周期，包括当前统计周期，该当前统计周期的相邻统计周期以及与该当前统计周期之间间隔该前一统计周期的间隔统计周期，相应的，计算该预设维度在第一统计周期的标准偏差与在第二统计周期的标准偏差的比值进一步包括：计算该当前统计周期的标准偏差与该相邻统计周期的标准偏差的第一比值，以及计算该相邻统计周期的标准偏差与该间隔统计周期的标准偏差的第二比值；以及，判定当前周期内存在故障网元进一步包括：若存在至少一个预设维度的第一比值和第二比值均大于1，则判定当前周期内存在故障网元。
而后，当判定存在故障网元后，则进一步确定故障元素，该确定故障元素的过程，仅针对比值大于1的预设维度进行，比值小于1的预设维度，可认为不存在异常，则不纳入考虑。具体地，首先针对比值大于1的任一预设维度，确定出该预设维度的绝对偏差。利用公式计算该预设维度包含的各个注册元素的重现占比的绝对偏差；式中，Di为第i个注册元素的重现占比的绝对偏差，Ri为第i个注册元素在当前统计周期内的重现占比，以及为该预设维度内包含的多个注册元素在当前统计周期内的多个重现占比的均值；将该预设维度中最大的绝对偏差确定为该预设维度的绝对偏差。其中，按照绝对偏差从大到小的顺序将绝对偏差及其注册元素进行排序，则其中最大的绝对偏差为该预设维度的绝对偏差，以及最大的绝对偏差所属的注册元素为该预设维度中最可能出现故障的元素。然后，比较比值大于1的至少一个预设维度的绝对偏差，将绝对偏差最大的预设维度确定为故障维度，以及将该故障维度中最大的绝对偏差所属的注册元素确定为故障元素，即表示，由于该故障元素对应的网元的故障，导致大量投诉用户在该元素上集合分布或者空缺，进而出现了较大的绝对偏差。
至此，则得到了当前统计周期的批量网络投诉用户的动态网络画像。
步骤S460：获取该故障元素对应的投诉用户集合，并确定受影响的业务维度。
在上述确定出故障元素后，还需进一步确定该故障元素最有可能影响的签约业务，以便后续针对性的进行故障处理。
具体地，获取该故障注册元素对应的投诉用户集合，对该投诉用户集合中所有投诉用户按照静态签约信息维度进行统计，并根据统计结果计算出各个静态签约信息维度的特征值，其中，静态签约信息也是包含在用户数据查询报文中的。针对任一静态签约信息维度，计算投诉用户集合中签约该静态签约信息维度的投诉用户数量占投诉用户集合中的投诉用户数量的比值，并作为该静态签约信息维度的特征值。将该特征值最高的静态签约信息维度确定为受影响的业务维度。
至此，则得到了当前统计周期的批量网络投诉用户的动态网络画像。
步骤S470：输出该故障注册元素和受影响的业务维度至网络运维端以供进行故障处理。
为便于对本发明实施例的实施过程以及达到的效果的理解，下面以一个完整的示例来进行说明：
分析模块根据预配置策略(比如连续两个周期查询量大于100且环比增速在30％以上)启动网络画像计算程序，于是向前倒推2个告警周期，获取共3个周期的用户数据查询报文共1329条，这里选取其中的2个动态信息维度进行对比分析：
1)照上述用户投诉动态网络画像的算法进行分析，其计算过程和结果如图5a和图5b所示，图5a和图5b分别示出了维度A的维度B的计算过程和结果，其中，维度A包括5个元素，维度B包括7个元素，通过计算可得到各个元素的重现占比R，各个维度的标准偏差S(包括S1、S2以及S3)、相邻周期的偏差波动系数Q以及当前统计周期(即周期3)中各个元素的绝对偏差；
2)从图5a和图5b可以看出，4个偏差波动系数均大于1，存在故障网元，进一步的，维度A中元素2的绝对偏差D(0.1161)最高，因此维度A的绝对偏差为0.1161；维度B中则元素7的绝对偏差D(0.5970)最高，因此维度B的绝对偏差为0.5970；
3)再根据以上取值进行横向比较。由于维度B的绝对偏差大于维度A的绝对偏差，因此本次投诉用户的动态网络画像为维度B中的元素7，即故障元素为元素7；
4)找出动态网络画像中维度B中的元素7对应的投诉用户共计537个，再次钻取此类用户集合的静态签约信息并进行分类统计。图5c示出了元素7对应的投诉用户的分布及特征值计算结果的示意图。如图5c所示，由于维度A的K＝96.46％，取值最高，因此动态网络画像中维度B中的元素7的静态网络画像为维度A，从而得到本次投诉用户的完整网络画像，结果表征可能出现故障的元素以及业务签约信息特征，至此分析模块的分析结束。
根据本实施例提供的批量网络投诉的故障定位方法，其一，其分析快速准确：分析模块仅需对客户支撑系统的查询回送日志进行简单的统计、归纳和计算，就能快速、准确的找出最有可能发生异常业务的网络区域(维度)和网元(元素)，无需运维人员再去查询、记录、测试、回溯分析大量投诉现象来，能够节约大量的人力成本和时间成本；其二，定位效率极高：由于分析模块所处理的数据内容简单、分析的过程原理简洁明了，因此分析故障定位的效率极高，可实现分钟级的故障定位效果(具体时长需视客户支撑系统回送查询日志量的大小)，为业务恢复和故障处理争取到非常宝贵的时间；其三，分析结果直观明了：分析模块可提供详尽、直观的分析结果报告，通过短彩信直接发送到运维端，例如，运维人员的手机端，使运维人员对用户投诉特征有直观的掌握和了解，更有利于对障碍进行快速有效的处理。
图6示出了本发明实施例提供的批量网络投诉的故障定位装置的结构示意图。如图6所示，该装置包括：
接收模块610，适于接收客户支撑查询系统回传的批量网络投诉的用户数据查询报文；
判断模块620，适于判断是否触发定位启动条件，以及根据至少两组重现占比判断当前统计周期是否存在故障网元；
提取模块630，适于若触发定位启动条件，则从所述用户数据查询报文中提取出预设维度的目标用户数据；
计算模块640，适于根据所述目标用户数据计算所述预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比；以及，若存在故障网元，则根据当前统计周期的一组重现占比从所述预设维度包含的多个注册元素中确定出故障元素；
输出模块650，适于输出所述故障元素至网络运维端以供进行故障处理。
在一种可选的方式中，计算模块还适于：获取所述故障元素对应的投诉用户集合，对所述投诉用户集合中所有投诉用户按照静态签约信息维度进行统计，并根据统计结果计算出各个静态签约信息维度的特征值；将所述特征值最高的静态签约信息维度确定为受影响的业务维度；
所述输出模块进一步适于：输出所述故障注册元素和受影响的业务维度至网络运维端以供进行故障处理。
在一种可选的方式中，所述预设维度包括以下至少一个维度：VLR地址维度、SGSN地址维度、GGSN地址维度、MME地址维度、PGW地址维度以及CSCF地址维度。
在一种可选的方式中，所述预设维度为多个；所述计算模块进一步适于：
针对任一统计周期内的任一预设维度，根据该预设维度的目标用户数据，对该预设维度包含的多个注册元素进行独热编码，得到多次注册的多个编码向量；
将该预设维度的编码向量进行矩阵累加计算，计算得到该统计周期的累加矩阵；其中，累加矩阵由该统计周期内该预设维度包含的多个注册元素的多个重现绝对值组成；
利用公式计算该统计周期内每个注册元素在该预设维度内的重现占比，得到该预设维度的一组重现占比；式中，Ri为预设维度包含的第i个注册元素的重现占比，Pi为预设维度内包含的第i个注册元素的重现绝对值，Pj为预设维度内包含的第j个注册元素的重现绝对值，N为该预设维度包含的注册元素的数量。
在一种可选的方式中，所述判断模块进一步适于：
根据任一预设维度在相应统计周期内的一组重现占比，计算该预设维度在相应统计周期内多个注册元素的重现占比的标准偏差；计算该预设维度在第一统计周期的标准偏差与在第二统计周期的标准偏差的比值；所述第一统计周期和第二统计周期相邻，且第一统计周期相较于第二统计周期，与当前时间的间隔更近；
若存在至少一个预设维度的比值大于1，则判定当前周期内存在故障网元。
在一种可选的方式中，所述至少两个统计周期为三个统计周期，包括当前统计周期，所述当前统计周期的相邻统计周期以及与所述当前统计周期之间间隔所述前一统计周期的间隔统计周期；
所述计算模块进一步适于：计算所述当前统计周期的标准偏差与所述相邻统计周期的标准偏差的第一比值，以及计算所述相邻统计周期的标准偏差与所述间隔统计周期的标准偏差的第二比值；
所述判断模块进一步适于：若存在至少一个预设维度的第一比值和第二比值均大于1，则判定当前周期内存在故障网元。
在一种可选的方式中，所述计算模块进一步适于：
针对比值大于1的任一预设维度，利用公式计算该预设维度包含的各个注册元素的重现占比的绝对偏差；式中，Di为第i个注册元素的重现占比的绝对偏差，Ri为第i个注册元素在当前统计周期内的重现占比，以及/>为该预设维度内包含的多个注册元素在当前统计周期内的多个重现占比的均值；将该预设维度中最大的绝对偏差确定为该预设维度的绝对偏差；
比较比值大于1的至少一个预设维度的绝对偏差，将绝对偏差最大的预设维度确定为故障维度，以及将所述故障维度中最大的绝对偏差所属的注册元素确定为故障元素。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的批量网络投诉的故障定位方法。
，本发明具体实施例并不对计算设备的具体实现做限定。
如图7所示，该计算设备可以包括：处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。
其中：处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。处理器702，用于执行程序710，具体可以执行上述用于计算设备的批量网络投诉的故障定位方法实施例中的相关步骤。
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
处理器702可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器706，用于存放程序710。存储器706可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序710具体可以用于使得处理器702执行以下操作：
接收客户支撑查询系统回传的批量网络投诉的用户数据查询报文；
判断是否触发定位启动条件，若是，从所述用户数据查询报文中提取出预设维度的目标用户数据；
根据所述目标用户数据计算所述预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比；
根据所述至少两组重现占比判断当前统计周期是否存在故障网元；若存在，则根据当前统计周期的一组重现占比从所述预设维度包含的多个注册元素中确定出故障元素；
输出所述故障元素至网络运维端以供进行故障处理。
在一种可选的方式中，所述程序710进一步使所述处理器702执行以下操作：
获取所述故障元素对应的投诉用户集合，对所述投诉用户集合中所有投诉用户按照静态签约信息维度进行统计，并根据统计结果计算出各个静态签约信息维度的特征值；
将所述特征值最高的静态签约信息维度确定为受影响的业务维度；
输出所述故障注册元素和受影响的业务维度至网络运维端以供进行故障处理。
在一种可选的方式中，所述预设维度包括以下至少一个维度：VLR地址维度、SGSN地址维度、GGSN地址维度、MME地址维度、PGW地址维度以及CSCF地址维度。
在一种可选的方式中，所述预设维度为多个；所述程序710进一步使所述处理器702执行以下操作：
针对任一统计周期内的任一预设维度，根据该预设维度的目标用户数据，对该预设维度包含的多个注册元素进行独热编码，得到多次注册的多个编码向量；
将该预设维度的编码向量进行矩阵累加计算，计算得到该统计周期的累加矩阵；其中，累加矩阵由该统计周期内该预设维度包含的多个注册元素的多个重现绝对值组成；
利用公式计算该统计周期内每个注册元素在该预设维度内的重现占比，得到该预设维度的一组重现占比；式中，Ri为预设维度包含的第i个注册元素的重现占比，Pi为预设维度内包含的第i个注册元素的重现绝对值，Pj为预设维度内包含的第j个注册元素的重现绝对值，N为该预设维度包含的注册元素的数量。
在一种可选的方式中，所述程序710进一步使所述处理器702执行以下操作：
根据任一预设维度在相应统计周期内的一组重现占比，计算该预设维度在相应统计周期内多个注册元素的重现占比的标准偏差；计算该预设维度在第一统计周期的标准偏差与在第二统计周期的标准偏差的比值；所述第一统计周期和第二统计周期相邻，且第一统计周期相较于第二统计周期，与当前时间的间隔更近；
若存在至少一个预设维度的比值大于1，则判定当前周期内存在故障网元。
在一种可选的方式中，所述至少两个统计周期为三个统计周期，包括当前统计周期，所述当前统计周期的相邻统计周期以及与所述当前统计周期之间间隔所述前一统计周期的间隔统计周期；
所述程序710进一步使所述处理器702执行以下操作：
计算所述当前统计周期的标准偏差与所述相邻统计周期的标准偏差的第一比值，以及计算所述相邻统计周期的标准偏差与所述间隔统计周期的标准偏差的第二比值；
若存在至少一个预设维度的第一比值和第二比值均大于1，则判定当前周期内存在故障网元。
在一种可选的方式中，所述程序710进一步使所述处理器702执行以下操作：
针对比值大于1的任一预设维度，利用公式计算该预设维度包含的各个注册元素的重现占比的绝对偏差；式中，Di为第i个注册元素的重现占比的绝对偏差，Ri为第i个注册元素在当前统计周期内的重现占比，以及R为该预设维度内包含的多个注册元素在当前统计周期内的多个重现占比的均值；将该预设维度中最大的绝对偏差确定为该预设维度的绝对偏差；
比较比值大于1的至少一个预设维度的绝对偏差，将绝对偏差最大的预设维度确定为故障维度，以及将所述故障维度中最大的绝对偏差所属的注册元素确定为故障元素。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (9)
1.一种批量网络投诉的故障定位方法，包括：
接收客户支撑查询系统回传的批量网络投诉的用户数据查询报文；
判断是否触发定位启动条件，若是，从所述用户数据查询报文中提取出预设维度的目标用户数据；
根据所述目标用户数据计算所述预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比；所述预设维度为多个；
根据所述至少两组重现占比判断当前统计周期是否存在故障网元；若存在，则根据当前统计周期的一组重现占比从所述预设维度包含的多个注册元素中确定出故障元素；
输出所述故障元素至网络运维端以供进行故障处理；
所述根据所述目标用户数据计算所述预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比进一步包括：
针对任一统计周期内的任一预设维度，根据该预设维度的目标用户数据，对该预设维度包含的多个注册元素进行独热编码，得到多次注册的多个编码向量；
将该预设维度的编码向量进行矩阵累加计算，计算得到该统计周期的累加矩阵；其中，累加矩阵由该统计周期内该预设维度包含的多个注册元素的多个重现绝对值组成；
利用公式计算该统计周期内每个注册元素在该预设维度内的重现占比，得到该预设维度的一组重现占比；式中，Ri为预设维度包含的第i个注册元素的重现占比，Pi为预设维度内包含的第i个注册元素的重现绝对值，Pj为预设维度内包含的第j个注册元素的重现绝对值，N为该预设维度包含的注册元素的数量。
2.根据权利要求1所述的方法，其中，在所述确定出故障元素后，所述方法还包括：
获取所述故障元素对应的投诉用户集合，对所述投诉用户集合中所有投诉用户按照静态签约信息维度进行统计，并根据统计结果计算出各个静态签约信息维度的特征值；
将所述特征值最高的静态签约信息维度确定为受影响的业务维度；
所述输出所述故障元素至网络运维端以供进行故障处理进一步包括：输出所述故障元素和受影响的业务维度至网络运维端以供进行故障处理。
3.根据权利要求1或2所述的方法，其中，所述预设维度包括以下至少一个维度：VLR地址维度、SGSN地址维度、GGSN地址维度、MME地址维度、PGW地址维度以及CSCF地址维度。
4.根据权利要求1所述的方法，其中，所述根据所述至少两组重现占比判断当前统计周期内是否存在故障网元进一步包括：
根据任一预设维度在相应统计周期内的一组重现占比，计算该预设维度在相应统计周期内多个注册元素的重现占比的标准偏差；计算该预设维度在第一统计周期的标准偏差与在第二统计周期的标准偏差的比值；所述第一统计周期和第二统计周期相邻，且第一统计周期相较于第二统计周期，与当前时间的间隔更近；
若存在至少一个预设维度的比值大于1，则判定当前周期内存在故障网元。
5.根据权利要求4所述的方法，其中，所述至少两个统计周期为三个统计周期，包括当前统计周期，所述当前统计周期的相邻统计周期以及与所述当前统计周期之间间隔前一统计周期的间隔统计周期；
所述计算该预设维度在第一统计周期的标准偏差与在第二统计周期的标准偏差的比值进一步包括：
计算所述当前统计周期的标准偏差与所述相邻统计周期的标准偏差的第一比值，以及计算所述相邻统计周期的标准偏差与所述间隔统计周期的标准偏差的第二比值；
所述若存在至少一个预设维度的比值大于1，则判定当前周期内存在故障网元进一步包括：
若存在至少一个预设维度的第一比值和第二比值均大于1，则判定当前周期内存在故障网元。
6.根据权利要求4或5所述的方法，其中，所述根据当前统计周期内的一组重现占比从所述预设维度包含的多个注册元素中确定出故障元素进一步包括：
针对比值大于1的任一预设维度，利用公式计算该预设维度包含的各个注册元素的重现占比的绝对偏差；式中，Di为第i个注册元素的重现占比的绝对偏差，Ri为第i个注册元素在当前统计周期内的重现占比，以及/>为该预设维度内包含的多个注册元素在当前统计周期内的多个重现占比的均值；将该预设维度中最大的绝对偏差确定为该预设维度的绝对偏差；
比较比值大于1的至少一个预设维度的绝对偏差，将绝对偏差最大的预设维度确定为故障维度，以及将所述故障维度中最大的绝对偏差所属的注册元素确定为故障元素。
7.一种批量网络投诉的故障定位装置，包括：
接收模块，适于接收客户支撑查询系统回传的批量网络投诉的用户数据查询报文；
判断模块，适于判断是否触发定位启动条件，以及根据至少两组重现占比判断当前统计周期是否存在故障网元；
提取模块，适于若触发定位启动条件，则从所述用户数据查询报文中提取出预设维度的目标用户数据；
计算模块，适于根据所述目标用户数据计算所述预设维度包含的多个注册元素在最近的至少两个统计周期的至少两组重现占比；以及，若存在故障网元，则根据当前统计周期的一组重现占比从所述预设维度包含的多个注册元素中确定出故障元素；所述预设维度为多个；
输出模块，适于输出所述故障元素至网络运维端以供进行故障处理；
所述计算模块进一步适于：
针对任一统计周期内的任一预设维度，根据该预设维度的目标用户数据，对该预设维度包含的多个注册元素进行独热编码，得到多次注册的多个编码向量；
将该预设维度的编码向量进行矩阵累加计算，计算得到该统计周期的累加矩阵；其中，累加矩阵由该统计周期内该预设维度包含的多个注册元素的多个重现绝对值组成；
利用公式计算该统计周期内每个注册元素在该预设维度内的重现占比，得到该预设维度的一组重现占比；式中，Ri为预设维度包含的第i个注册元素的重现占比，Pi为预设维度内包含的第i个注册元素的重现绝对值，Pj为预设维度内包含的第j个注册元素的重现绝对值，N为该预设维度包含的注册元素的数量。
8.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的批量网络投诉的故障定位方法对应的操作。
9.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的批量网络投诉的故障定位方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010774625.9A CN114095344B (zh) | 2020-08-04 | 2020-08-04 | 批量网络投诉的故障定位方法、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010774625.9A CN114095344B (zh) | 2020-08-04 | 2020-08-04 | 批量网络投诉的故障定位方法、设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114095344A CN114095344A (zh) | 2022-02-25 |
| CN114095344B true CN114095344B (zh) | 2023-10-27 |
Family
ID=80295192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010774625.9A Active CN114095344B (zh) | 2020-08-04 | 2020-08-04 | 批量网络投诉的故障定位方法、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114095344B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103188705A (zh) * | 2011-12-29 | 2013-07-03 | 中国移动通信集团广东有限公司 | 一种对批量投诉进行告警定位的方法和告警定位装置 |
| CN103220190A (zh) * | 2013-04-22 | 2013-07-24 | 华为技术有限公司 | 一种故障检测的方法及装置 |
| CN103873274A (zh) * | 2012-12-12 | 2014-06-18 | 中国电信股份有限公司 | 端到端网元故障诊断方法和装置 |
| CN104202196A (zh) * | 2014-09-11 | 2014-12-10 | 德科仕通信(上海)有限公司 | 检测网络性能问题并定位故障节点的方法 |
| CN107360586A (zh) * | 2016-05-10 | 2017-11-17 | 中国移动通信集团黑龙江有限公司 | 一种网络质量的评估方法及装置 |
| WO2018006658A1 (zh) * | 2016-07-04 | 2018-01-11 | 中国移动通信有限公司研究院 | Ims业务自动开通方法、装置、网元和存储介质 |
| CN108829535A (zh) * | 2018-06-08 | 2018-11-16 | 上海擎创信息技术有限公司 | 数据处理方法、终端及计算机可读存储介质 |
| CN108880847A (zh) * | 2017-05-16 | 2018-11-23 | 北京微影时代科技有限公司 | 一种定位故障的方法及装置 |
| CN109996284A (zh) * | 2017-12-31 | 2019-07-09 | 中国移动通信集团贵州有限公司 | 移动通信故障投诉工单处理方法、装置、设备及介质 |
| CN110728525A (zh) * | 2018-07-16 | 2020-01-24 | 中国移动通信集团浙江有限公司 | 一种网络批量用户投诉的定界处理方法及装置 |
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| US10715570B1 (en) * | 2018-06-25 | 2020-07-14 | Intuit Inc. | Generic event stream processing for machine learning |
-
2020
- 2020-08-04 CN CN202010774625.9A patent/CN114095344B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103188705A (zh) * | 2011-12-29 | 2013-07-03 | 中国移动通信集团广东有限公司 | 一种对批量投诉进行告警定位的方法和告警定位装置 |
| CN103873274A (zh) * | 2012-12-12 | 2014-06-18 | 中国电信股份有限公司 | 端到端网元故障诊断方法和装置 |
| CN103220190A (zh) * | 2013-04-22 | 2013-07-24 | 华为技术有限公司 | 一种故障检测的方法及装置 |
| CN104202196A (zh) * | 2014-09-11 | 2014-12-10 | 德科仕通信(上海)有限公司 | 检测网络性能问题并定位故障节点的方法 |
| CN107360586A (zh) * | 2016-05-10 | 2017-11-17 | 中国移动通信集团黑龙江有限公司 | 一种网络质量的评估方法及装置 |
| WO2018006658A1 (zh) * | 2016-07-04 | 2018-01-11 | 中国移动通信有限公司研究院 | Ims业务自动开通方法、装置、网元和存储介质 |
| CN108880847A (zh) * | 2017-05-16 | 2018-11-23 | 北京微影时代科技有限公司 | 一种定位故障的方法及装置 |
| CN109996284A (zh) * | 2017-12-31 | 2019-07-09 | 中国移动通信集团贵州有限公司 | 移动通信故障投诉工单处理方法、装置、设备及介质 |
| CN108829535A (zh) * | 2018-06-08 | 2018-11-16 | 上海擎创信息技术有限公司 | 数据处理方法、终端及计算机可读存储介质 |
| US10715570B1 (en) * | 2018-06-25 | 2020-07-14 | Intuit Inc. | Generic event stream processing for machine learning |
| CN110728525A (zh) * | 2018-07-16 | 2020-01-24 | 中国移动通信集团浙江有限公司 | 一种网络批量用户投诉的定界处理方法及装置 |
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| Predicting the risking of heart failure with EHR sequential data modeling;BO Jin等;《IEEE ACCESS》;全文 * |
| 一种简洁高效的IMS运维支撑新方法;刘汉兴;;中国高新区(第02期);全文 * |
| 中国联通北京市分公司网络优化中心"功夫熊猫"QC小组.降低4G用户滑落3G网络占比.《中国质量》.2015,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114095344A (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10887452B2 (en) | System architecture for fraud detection | |
| CN114185708A (zh) | 基于分布式链路追踪的数据分析方法、装置和电子设备 | |
| CN111522711B (zh) | 一种数据监控处理系统、方法、执行端、监控端及电子设备 | |
| CN110830564A (zh) | Cdn调度方法、装置、系统及计算机可读存储介质 | |
| CN111654414A (zh) | 应用系统的监控方法、装置和电子设备 | |
| CN109767509A (zh) | 一种设备运维管理方法、装置、可读介质及电子设备 | |
| CN111309635A (zh) | 测试用例生成方法、装置、服务器及存储介质 | |
| CN114244564A (zh) | 攻击防御方法、装置、设备及可读存储介质 | |
| CN113596078A (zh) | 业务问题定位方法及装置 | |
| CN110807050B (zh) | 性能分析方法、装置、计算机设备及存储介质 | |
| CN114301800A (zh) | 一种网络设备质差分析方法及装置 | |
| CN111158926A (zh) | 业务请求分析方法、装置及设备 | |
| CN117271177B (zh) | 基于链路数据的根因定位方法、装置、电子设备及存储介质 | |
| CN114095344B (zh) | 批量网络投诉的故障定位方法、设备及计算机存储介质 | |
| CN112148508B (zh) | 一种信息处理的方法及相关装置 | |
| CN111835577B (zh) | 物联网专网质差问题确定的方法、装置和电子设备 | |
| CN112804070B (zh) | 业务障碍定位方法、装置及设备 | |
| CN111026616A (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
| CN114302398B (zh) | 基于大数据的预留诈骗号码识别方法、装置及计算设备 | |
| CN110138634B (zh) | 一种重点数据的监控方法及终端 | |
| CN112835780A (zh) | 一种业务检测方法及装置 | |
| CN110138600A (zh) | 一种提示信息输出方法、装置、存储介质及服务器 | |
| CN110196874A (zh) | 数据订阅方法、装置及服务器 | |
| CN115002000B (zh) | 异常接口容错方法、装置、设备及存储介质 | |
| CN115664820A (zh) | 网络攻击异常流量的警示方法及装置 |
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 |