CN114095965A - 指标检测模型获取及故障定位方法、装置、设备及存储介质 - Google Patents
指标检测模型获取及故障定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114095965A CN114095965A CN202010783870.6A CN202010783870A CN114095965A CN 114095965 A CN114095965 A CN 114095965A CN 202010783870 A CN202010783870 A CN 202010783870A CN 114095965 A CN114095965 A CN 114095965A
- Authority
- CN
- China
- Prior art keywords
- leaf node
- key
- index
- key kpi
- mobile communication
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供的指标检测模型获取及故障定位方法、装置、设备及存储介质,通过预设的关键KPI指标体系进行关键KPI指标的采集以及特征参数的提取以进行模型训练得到指标检测模型,进而可通过指标检测模型对移动通信网络中的各叶子节点进行指标异常的检测,并可结合指标异常的叶子节点的历史状态准确的确定出该叶子节点是否为故障关键节点,不再依赖门限阈值划分异常和运维人员经验,可以有效的避免虚警和漏警,能够准确检测出指标异常的叶子节点,并可结合该叶子节点的历史状态判定该节点是否为故障关键节点,大幅缩减了告警范围,提升了故障定位精准度,进而可提升后续故障修复效率、降低修复成本,并提升网络性能。
Description
技术领域
本发明实施例涉及半导体器件失效分析领域,尤其涉及一种指标检测模型获取及故障定位方法、装置、设备及存储介质。
背景技术
在移动运营商IT运维领域,多维度多指标的故障根因节点定位一直是智能化运维(AIOPS)的核心问题。当某个网元节点关键性能指标出现异常时,运维人员需要快速、准确的定位到引发故障的原因,从而开展修复止损工作。但由于移动组网的复杂性和指标的多样性,导致故障根因节点的排查困难、耗时时间长,运维人员希望系统给出的故障根因节点结果尽可能的简洁。即以最少的维度和属性值覆盖故障原因,以便运维人员能够快速核实并修复。
目前移动运营商已开始对网络中的关键KPI性能指标进行监测,并使用KPI阈值对其进行指标异常进行判定。这种方法的会导致落在阈值边缘灰色区间内的指标误判,进而导致大量的虚警和误警,很难真实反映网络质量;而大量的告警信息会干扰运维人员快速、准确的判定故障及分析原因,造成故障修复效率低、成本高,进而影响网络性能。
发明内容
本发明实施例主要提供的一种指标检测模型获取及故障定位方法、装置、设备及存储介质,解决相关技术中,移动通信网络故障定位准确性差,导致故障修复效率低、成本高,进而影响网络性能的问题。
为解决上述技术问题,本发明实施例提供了一种用于移动通信网络的指标检测模型获取方法,包括:
根据预设的关键KPI指标体系,获取所述移动通信网络中各叶子节点的关键KPI指标,所述关键KPI指标体系中包括至少两类关键KPI指标;
将各叶子节点的所述关键KPI指标分别按类进行聚合后,提取各叶子节点聚合后的每一类关键KPI指标的特征参数;
分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练,得到每一类关键KPI指标对应的指标检测模型。
为解决上述技术问题,本发明实施例还提供了一种移动通信网络的故障定位方法,包括:
采用通过如上所述的用于移动通信网络的指标检测模型获取方法所获取的指标检测模型,对所述移动通信网络中的各叶子节点进行指标检测;
对于检测结果为关键KPI指标存在异常的目标叶子节点,结合该目标叶子节点的历史状态,确定该目标叶子节点是否为故障关键节点。
为解决上述技术问题,本发明实施例还提供了一种用于移动通信网络的指标检测模型获取装置,包括:
获取模块,用于根据预设的关键KPI指标体系,获取所述移动通信网络中各叶子节点的关键KPI指标,所述关键KPI指标体系中包括至少两类关键KPI指标;
训练模块,用于将各叶子节点的所述关键KPI指标分别按类进行聚合后,提取各叶子节点聚合后的每一类关键KPI指标的特征参数,并分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练,得到每一类关键KPI指标对应的指标检测模型。
为解决上述技术问题,本发明实施例还提供了一种移动通信网络的故障定位装置,包括:
异常检测模块,用于采用通过如上所述的用于移动通信网络的指标检测模型获取方法所获取的指标检测模型,对所述移动通信网络中的各叶子节点进行指标检测;
故障定位模块,用于对于检测结果为关键KPI指标存在异常的目标叶子节点,结合该目标叶子节点的历史状态,确定该目标叶子节点是否故障关键节点。
为解决上述技术问题,本发明实施例还提供了一种电子设备,包括处理器、存储器和连接所述处理器和存储器的通信总线;
所述存储器存储有第一计算机程序,所述第一计算机程序可被所述处理器执行,以实现如上所述的用于移动通信网络的指标检测模型获取方法的步骤;
和/或,
所述存储器存储有第二计算机程序,所述第二计算机程序可被所述处理器执行,以实现如上所述的移动通信网络的故障定位方法的步骤。
为解决上述技术问题,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有第一计算机程序,所述第一计算机程序可被处理器执行,以实现如上所述的用于移动通信网络的指标检测模型获取方法的步骤;
和/或,
所述计算机可读存储介质存储有第二计算机程序,所述第二计算机程序可被处理器执行,以实现如上所述的移动通信网络的故障定位方法的步骤。
本发明实施例提供的指标检测模型获取及故障定位方法、装置、设备及存储介质,通过预设的关键KPI指标体系对移动通信网络中的各叶子节点进行关键KPI指标的采集以及特征参数的提取,并将提取到的特征参数作为预设模型的输入进行模型训练得到指标检测模型,进而可通过指标检测模型对移动通信网络中的各叶子节点进行指标异常的检测,并可结合指标异常的叶子节点的历史状态准确的确定出该叶子节点是否为故障关键节点,相对于相关技术中基于阈值的指标检测和依赖运维人员经验的故障原因定位,不再依赖门限阈值划分异常和运维人员经验,可以有效的避免虚警和漏警,能够准确检测出指标异常的叶子节点,并可结合该叶子节点的历史状态判定该节点是否为故障关键节点,大幅缩减了告警范围,提升了故障定位精准度,进而可提升后续故障修复效率、降低修复成本,并提升网络性能。
本发明其他特征和相应的有益效果在说明书的后面部分进行阐述说明,且应当理解,至少部分有益效果从本发明说明书中的记载变的显而易见。
附图说明
图1为本发明实施例一提供的用于移动通信网络的指标检测模型获取方法流程示意图;
图2为本发明实施例一提供的关键KPI指标体系示意图;
图3为本发明实施例一提供的移动通信网络的故障定位方法流程示意图;
图4为本发明实施例一提供的故障根因节点的定位过程示意图;
图5为本发明实施例二提供的用于移动通信网络的指标检测模型获取装置结构示意图;
图6为本发明实施例二提供的移动通信网络的故障定位装置结构示意图;
图7为本发明实施例二提供的指标检测模型获取以及故障定位过程示意图;
图8为本发明实施例二提供的探针部署示意图;
图9为本发明实施例二提供的拓扑组网示意图;
图10-1为本发明实施例二提供的小区的关键KPI指标特征参数矩阵示意图;
图10-2为本发明实施例二提供的网元的关键KPI指标特征参数矩阵示意图;
图11为本发明实施例二提供的链路示意图;
图12为本发明实施例三提供的电子设备结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明实施例作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
下面结合附图和实施实例,对本发明的具体实施方式作进一步详细描述。
针对相关技术中使用KPI阈值对其进行指标异常进行判定,导致落在阈值边缘灰色区间内的指标误判,进而导致大量的虚警和误警,很难真实反映网络质量;而大量的告警信息会干扰运维人员快速、准确的判定故障及分析原因,造成故障修复效率低、成本高,进而影响网络性能的问题,本实施例首先提供了一种可用于移动通信网络的指标检测模型获取方法,通过该方法获取的指标检测模型可以对移动通信网络中各叶子节点的关键KPI指标是否出现异常进行准确的检测,不再依赖于不再依赖门限阈值划分异常和运维人员经验,可以有效的避免虚警和漏警。
参见图1所示,本实施例提供的用于移动通信网络的指标检测模型获取方法,可包括但不限于:
S101:根据预设的关键KPI指标体系,获取移动通信网络中各叶子节点的关键KPI指标,关键KPI指标体系中包括至少两类关键KPI指标。
应当理解的是,本实施例中的关键KPI指标体系中所包括的关键KPI指标类型,可以根据具体应用场景和需求灵活设置。例如,对于VOLTE(Voice over Long-TermEvolution,长期演进语音承载)网络,关键KPI指标体系参见图2所示,可以包括但不限于以下几类关键KPI指标中的至少两种,具体可根据需求灵活选用,也可根据需求扩展或替换其他类型的关键KPI指标:
初始注册成功率;
重注册成功率;
VoLTE网络接通率;
V2V呼叫建立时长;
VoLET掉话率;
eSRVCC(Enhanced Single Radio Voice Call Continuity,增强的单一无线语音呼叫连续性)切换成功率;
eSRVCC切换平均时延;
VoLET MOS3.0占比;
上行丢包率。
应当理解的是,本实施例中,对移动通信网络中的各叶子节点进行关键KPI指标的采集时,可以采集各叶子节点相同时间段内的关键KPI指标。可选地,在一些应用示例中,也可采集各叶子节点不同时间段内的关键KPI指标。
应当理解的是,本实施例中,对移动通信网络中的各叶子节点进行关键KPI指标的采集时,对各叶子节点采集的关键KPI指标的类型可以相同。可选地,在一些应用示例中,也可存在对部分叶子节点所采集的关键KPI指标的类型,与其他叶子节点所采集的关键KPI指标类型不同;具体可根据需求灵活设定。
应当理解的是,本实施例中,对移动通信网络中的各叶子节点进行关键KPI指标的采集时,可以周期性的采集,例如可以小时、天或者月设定采集周期(也即采集粒度);当然,可选地,在一些应用示例中,可也不采用周期性的采集方式进行采集。
可选地,在一些实施例中,可以通过但不限于在移动通信网络中的相应位置采集注册信令、呼叫信令、掉话类信令、eSRVCC切换信令、语音质量类信令等从而获取到各叶子节点的关键KPI指标,采集的信令中可包括但不限于时间信息、用户信息、行为信息、位置信息,以及关键KPI指标。
S102:将各叶子节点的关键KPI指标分别按类进行聚合后,提取各叶子节点聚合后的每一类关键KPI指标的特征参数。
例如,对于某一叶子节点,采集了其初始注册成功率、重注册成功率、VoLTE网络接通率、V2V呼叫建立时长、VoLET掉话率、eSRVCC切换成功率、eSRVCC切换平均时延、VoLETMOS3.0占比、上行丢包率。则将该叶子节点的以上各类关键KPI指标进行聚合,得到各叶子节点以上各类KPI指标的集合。
然后针对该叶子节点,提取其各类关键KPI指标的特征参数。本实施例中所提取的特征参数可包括但不限于以下中的至少两种,具体可根据需求灵活选用,也可根据需求灵活扩展或替换:
关键KPI指标的均值、关键KPI指标的标准差、关键KPI指标的最小值、关键KPI指标的最大值、关键KPI指标的四分之一分位点、关键KPI指标的中值、关键KPI指标的四分之三分位点、关键KPI指标的标准差均值、关键KPI指标的方差均值、关键KPI指标的切比雪夫统计特征、关键KPI指标的总变差、关键KPI指标的变异系数。
S103:分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练,得到每一类关键KPI指标对应的指标检测模型。
例如,假设当前移动网络中存在80个叶子节点,针对每个叶子节点采集了上述示例的九类关键KPI指标,则针对该80个叶子节点的每一同一类关键KPI指标的特征参数分别作为预设模型的输入进行模型训练,从而得到以上示例的九类关键KPI指标的指标检测模型。通过该指标检测模型即可对叶子节点上对应类型的关键KPI指标是否异常进行检测。
应当理解的是,本实施例中的预设模型可以根据具体应用场景灵活选用,例如一种示例中,该预设模型可以为但不限于随机森林模型。在本示例中,提取各叶子节点聚合后的每一类关键KPI指标的特征参数包括:
针对每一叶子节点,提取聚合后的每一类关键KPI指标落入第一时间窗内的关键KPI指标的特征参数,和落入第二时间窗内的关键KPI指标的特征参数,其中第二时间窗大于第一时间窗,例如第一时间窗可以为7天,第二时间窗可以为30天,或者第一时间窗为4小时,第二时间窗为40小时等,也即第一时间窗和第二时间窗的大小可以根据具体应用需求灵活设定。
在本示例中,分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练包括:
分别将各叶子节点的同一类关键KPI指标的特征参数转换为时序序列作为随机森林模型的输入,对随机森林模型进行训练,得到对应的指标检测模型。
本实施例还提供了一种移动通信网络的故障定位方法,请参见图3所示,其包括但不限于:
S301:采用通过如上所示的用于移动通信网络的指标检测模型获取方法所获取的指标检测模型,对移动通信网络中的各叶子节点进行指标检测。
其中,通过指标检测模型,对移动通信网络中的各叶子节点进行指标检测可包括但不限于:
通过指标检测模型对每一叶子节点的时序序列进行预测,在预测值与实际值(也即叶子节点的时序序列的实际值)之差大于设定阈值时,确定该目标叶子节点对应该指标检测模型的关键KPI指标异常。
在本实施例中,对各叶子节点进行指标检测时,可以对叶子节点的上述各类关键KPI指标是否正常进行检测,以确定其各类关键KPI指标是否都正常,当存在某一类KPI指标异常时,则可认为该叶子节点为目标叶子节点。
S302:对于检测结果为关键KPI指标存在异常的目标叶子节点,结合该目标叶子节点的历史状态,确定该目标叶子节点是否为故障关键节点。例如,该步骤可包括但不限于:
在目标叶子节点的历史状态为关键KPI指标正常时,确定该目标叶子节点不是故障关键节点;
在目标叶子节点的历史状态为关键KPI指标异常时,确定该目标叶子节点是故障关键节点;
本实施例中叶子节点的历史状态包括上述S301中确定为异常的关键KPI指标的历史状态;且追溯的历史时间值可以根据具体应用场景灵活设定,例如可以设置为前几个小时、几天或一个月或几个月等。
在本实施例中,为了避免复杂组网异常波动的涟漪效应,还可计算确定为故障关键节点的各目标叶子节点的波动贡献度,并会根据计算得到的结果从确定为故障关键节点的各目标叶子节点中确定出故障根因节点,从而进一步提升故障定位的准确率。本实施例中波动贡献度为体现目标叶子节点故障时,对与其连接的其他叶子节点的影响程度的值。
当S302中确定为故障关键节点的目标叶子节点有多个时,上述示例的故障根因节点的定位过程请参见图4所示,包括但不限于:
S401:获取确定为故障关键节点的各目标叶子节点的波动贡献度。
S402:确定波动贡献度最大的目标叶子节点为故障根因节点。
可选地,在本实施例对一些示例中,通过指标检测模型,对移动通信网络中的各叶子节点进行指标检测之前,还可包括但不限于:
根据获取到的用户面信令和控制面信令,对移动通信网络的拓扑结构进行自学习,从而获取到移动通信网络的拓扑结构,并将获取到的拓扑结构中的各网络实体作为叶子节点。
本实施例提供的指标检测模型获取方法和故障定位方法,相对于传统基于阈值的指标检测和依赖运维人员经验的故障原因定位,采取了基于多维度KPI指标历史特征(即特征参数)学习方式,对关键KPI指标进行识别;并可结合现场的移动通信网络的拓扑结构进行故障根因节点分析;在异常识别过程中,将叶子节点的关键KPI指标与自身的历史数据做比较,不依赖门限阈值划分异常,可以有效的避免虚警和漏警,能够检测出明显的关键KPI指标异常以及有劣化趋势的异常;在故障根因节点定位部分,结合KPI异常检测的结果及该节点的历史状态,判定该节点是否为故障关键节点,并可结合组网的拓扑结构,通过计算最大波动贡献度确定故障根因节点,解决了指标波动的涟漪效应问题,从而过滤掉偶发性指标波动引起的误告警,大幅缩减了告警范围。从而实现以尽可能少的维度及其属性值的组合表现最为全面的故障根因节点。
实施例二:
本实施例还提供了一种用于移动通信网络的指标检测模型获取装置,参见图5所示,其包括但不限于:
获取模块501,用于根据预设的关键KPI指标体系,获取移动通信网络中各叶子节点的关键KPI指标,关键KPI指标体系中包括至少两类关键KPI指标,具体获取过程参见上述实施例所示,在此不再赘述。
训练模块502,用于将获取的各叶子节点的关键KPI指标分别按类进行聚合后,提取各叶子节点聚合后的每一类关键KPI指标的特征参数,并分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练,得到每一类关键KPI指标对应的指标检测模型。具体的训练过程参见上述实施例所示,在此不再赘述。
本实施例中获取模块501和训练模块502的功能可通过但不限于处理器实现。
本实施例还提供了一种移动通信网络的故障定位装置,参见图6所示,其包括但不限于:
异常检测模块601,用于采用通过如上所示的用于移动通信网络的指标检测模型获取方法所获取的指标检测模型,对移动通信网络中的各叶子节点进行指标检测。具体检测过程参见上述各示例所示,在此不再赘述。
故障定位模块602,用于对于检测结果为关键KPI指标存在异常的目标叶子节点,结合该目标叶子节点的历史状态,确定该目标叶子节点是否故障关键节点;具体确定过程参见上述实施例所示,在此不再赘述。
在本实施例的一些示例中,故障定位装置还包括拓扑组网自学习模块603,用于根据获取到的用户面信令和控制面信令,对移动通信网络的拓扑结构进行自学习,从而获取到移动通信网络的拓扑结构,并将获取到的拓扑结构中的各网络实体作为叶子节点。这样当网络中存在组网变化时,不依赖第三方数据接口,即可实时获取到最新的组网结构。
为了便于理解,本实施例下面以一种应用示例做进一步说明。
在本应用示例中,以基于VoLTE网络的移动通信网络这一应用场景为示例进行说明。本应用示例中的用于移动通信网络的指标检测模型获取以及故障定位过程包括请参见图7所示,包括但不限于网络指标采集S701、原始数据清洗S702、多维度指标聚集S703、关键KPI指标的特征参数提取S704、模型训练S705、指标异常识别S706、故障根因定位S707进而完成异常识别,根因定位的过程。
其中,一种示例的网络指标采集方式参见图8所示,可以通过硬探针部署在I/M-CSCF和SBC/P-CSCF间的Mw口,采集注册信令、呼叫信令、掉话类信令;部署在P/SBC和PCRF的Rx口采集掉话信令;部署在MME和eMSC网元间的Sv口,采集eSRVCC切换信令;部署在小区和SGW网元间的s1-u口采集语音质量类信令。采集的信令包含时间信息、用户信息、行为信息、位置信息,以及关键KPI指标,本应用示例中的关键KPI体系参见图2所示。
一种示例的原始数据清洗可包括:原始数据清洗对采集的各信令信息中的有效信息进行清洗、剥离、归整,将数据标准化、规范化。同时还需要结合VoLTE业务逻辑,对现网的拓扑结构进行实时清洗,例如根据获取到的用户面指令和控制面指令对现场的移动通信网路拓扑结构进行自学习,一种自学习到的示例的拓扑组网示意图如图9所示,图中的小区Ci以及各核心网侧的各网元则作为叶子节点。
多维度指标聚集的则是对清洗后的数据,分别进行小区维度及各网元维度的指标聚集,做以设定的时间粒度(例如小时)聚集统计。
本应用示例中,对于关键KPI指标的特征参数提取,包括关键KPI指标的均值、关键KPI指标的标准差、关键KPI指标的最小值、关键KPI指标的最大值、关键KPI指标的四分之一分位点、关键KPI指标的中值、关键KPI指标的四分之三分位点、关键KPI指标的标准差均值、关键KPI指标的方差均值、关键KPI指标的切比雪夫统计特征、关键KPI指标的总变差、关键KPI指标的变异系数,并将特征参数转换为矩阵,如图10-1和图10-2所示。图10-1所示的矩阵的第一列为作为叶子节点的各小区,也即为无线网络侧的网络实体的某一类关键KPI指标的特征参数,对于第一行的ci1对应的kpi01t1至kpi01tn则分别对应ci1的某一类关键KPI指标的关键KPI指标的均值、关键KPI指标的标准差、关键KPI指标的最小值、关键KPI指标的最大值、关键KPI指标的四分之一分位点、关键KPI指标的中值、关键KPI指标的四分之三分位点、关键KPI指标的标准差均值、关键KPI指标的方差均值、关键KPI指标的切比雪夫统计特征、关键KPI指标的总变差、关键KPI指标的变异系数。图10-2所示的矩阵的第一列为作为叶子节点的各网元,即核心网侧的网络实体。
本应用示例中的模型训练包括将图10-1和图10-2所示的特征参数转换为时序序列,作为随机森林模型输入进行模型训练,得到指标检测模型。
本应用示例中的指标异常识别则可采用得到的指标检测模型对各叶子节点进行关键KPI时序序列进行预测,当预测结果与实际结果之差大于预设阈值δ时,判定该指标为异常指标,从而确定对应的叶子节点为目标叶子节点。此处假设有30个小区的关键KPI指标异常,7个网元的关键KPI指标异常。
本应用示例中的故障根因定位可包括:获取目标叶子节点(即上述30个小区和7个网元)的历史状态信息,如历史状态为正常,则该目标叶子节点判定为故障关键节点;若历史状态即为异常,则该目标叶子节点判定为不是故障关键节点。假设经过如上判定后,发现上述30个小区中存在10个小区为故障关键节点,上述7个网元中存在3个网元为故障关键节点。
结合全网拓扑结构,分布计算各个故障关键节点的波动贡献度,一种链路结构示意图如图11所示。编号为14XX87的MME的上行丢包率指标波异常,其波动贡献度为0.86(例如假设该与该MME连接的其他叶子节点的个数为100个,该MME丢包率指标异常会影响到其中的86个,则可确定该MME的动贡献度为0.86;当然也可采用其他的计算方式,只要能准确获取到本实施例中定义的动贡献度即可),为组内最大波动贡献度,因此判定根因为编号14XX87的MME的上行丢包率指标。
实施例三:
本实施例还提供了一种电子设备,请参见图12所示,包括处理器1201、存储器1202和连接处理器1201和存储器1202的通信总线1203;
存储器1202存储有第一计算机程序,第一计算机程序可被处理器1201执行,以实现如上各实施例中所示的用于移动通信网络的指标检测模型获取方法的步骤;
和/或,存储器1202存储有第二计算机程序,第二计算机程序可被处理器1201执行,以实现如上各实施例中所示的移动通信网络的故障定位方法的步骤。
本实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有第一计算机程序,第一计算机程序可被处理器执行,以实现如上各实施例所示的用于移动通信网络的指标检测模型获取方法中的步骤;
和/或,该计算机可读存储介质存储有第一计算机程序,第一计算机程序可被处理器执行,以实现如上各实施例所示的移动通信网络的故障定位方法中的步骤。
本实施例中的该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random AccessMemory,随机存取存储器),ROM(Read-Only Memory,只读存储器),EEPROM(ElectricallyErasable Programmable read only memory,带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器),数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
本实施例还提供了一种第一计算机程序(或称第一计算机软件),该第一计算机程序可以分布在计算机可读介质上,由可计算装置来执行,以实现如上所述的用于移动通信网络的指标检测模型获取方法;并且在某些情况下,可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
本实施例还提供了一种第二计算机程序(或称第二计算机软件),该第二计算机程序可以分布在计算机可读介质上,由可计算装置来执行,以实现如上所述的移动通信网络的故障定位方法;并且在某些情况下,可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
本实施例还提供了一种计算机程序产品,包括计算机可读装置,该计算机可读装置上存储有如上所示的任一计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。
可见,本领域的技术人员应该明白,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。
此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (13)
1.一种用于移动通信网络的指标检测模型获取方法,包括:
根据预设的关键KPI指标体系,获取所述移动通信网络中各叶子节点的关键KPI指标,所述关键KPI指标体系中包括至少两类关键KPI指标;
将各叶子节点的所述关键KPI指标分别按类进行聚合后,提取各叶子节点聚合后的每一类关键KPI指标的特征参数;
分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练,得到每一类关键KPI指标对应的指标检测模型。
2.如权利要求1所述的用于移动通信网络的指标检测模型获取方法,其特征在于,所述预设模型为随机森林模型,所述提取各叶子节点聚合后的每一类关键KPI指标的特征参数包括:
针对每一叶子节点,提取聚合后的每一类关键KPI指标落入第一时间窗内的关键KPI指标的特征参数,和落入第二时间窗内的关键KPI指标的特征参数,所述第二时间窗大于所述第一时间窗;
所述分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练包括:
分别将各叶子节点的同一类关键KPI指标的特征参数转换为时序序列作为所述随机森林模型的输入,对所述随机森林模型进行训练,得到指标检测模型。
3.如权利要求2所述的用于移动通信网络的指标检测模型获取方法,其特征在于,所述特征参数包括以下中的至少两种:
关键KPI指标的均值、关键KPI指标的标准差、关键KPI指标的最小值、关键KPI指标的最大值、关键KPI指标的四分之一分位点、关键KPI指标的中值、关键KPI指标的四分之三分位点、关键KPI指标的标准差均值、关键KPI指标的方差均值、关键KPI指标的切比雪夫统计特征、关键KPI指标的总变差、关键KPI指标的变异系数。
4.如权利要求1-3任一项所述的用于移动通信网络的指标检测模型获取方法,其特征在于,所述关键KPI指标体系包括以下关键KPI指标中的至少两类:
初始注册成功率,重注册成功率,长期演进语音承载VoLTE网络接通率,V2V呼叫建立时长,VoLET掉话率,增强的单一无线语音呼叫连续性eSRVCC切换成功率,eSRVCC切换平均时延,VoLET MOS3.0占比,上行丢包率。
5.一种移动通信网络的故障定位方法,包括:
采用通过如权利要求1-4任一项所述的用于移动通信网络的指标检测模型获取方法所获取的指标检测模型,对所述移动通信网络中的各叶子节点进行指标检测;
对于检测结果为关键KPI指标存在异常的目标叶子节点,结合该目标叶子节点的历史状态,确定该目标叶子节点是否为故障关键节点。
6.如权利要求5所述的移动通信网络的故障定位方法,其特征在于,包括:所述结合该目标叶子节点的历史状态,确定该目标叶子节点是否为故障关键节点包括:
在所述目标叶子节点的历史状态为关键KPI指标正常时,确定该目标叶子节点不是故障关键节点;
在所述目标叶子节点的历史状态为关键KPI指标异常时,确定该目标叶子节点是故障关键节点。
7.如权利要求5所述的移动通信网络的故障定位方法,其特征在于,通过所述指标检测模型,对所述移动通信网络中的各叶子节点进行指标检测包括:
通过所述指标检测模型对每一所述叶子节点的时序序列进行预测,在预测值与实际值之差大于设定阈值时,确定该目标叶子节点对应该指标检测模型的关键KPI指标异常。
8.如权利要求5-7任一项所述的移动通信网络的故障定位方法,其特征在于,当确定为故障关键节点的目标叶子节点有多个时,所述方法还包括:
获取确定为故障关键节点的各目标叶子节点的波动贡献度,所述波动贡献度为体现目标叶子节点故障时,对与其连接的其他叶子节点的影响程度的值;
确定所述波动贡献度最大的目标叶子节点为故障根因节点。
9.如权利要求5-7任一项所述的移动通信网络的故障定位方法,其特征在于,通过所述指标检测模型,对所述移动通信网络中的各叶子节点进行指标检测之前,还包括:
根据获取到的用户面信令和控制面信令,对所述移动通信网络的拓扑结构进行自学习,从而获取到所述移动通信网络的拓扑结构,并将获取到的拓扑结构中的各网络实体作为叶子节点。
10.一种用于移动通信网络的指标检测模型获取装置,其特征在于,包括:
获取模块,用于根据预设的关键KPI指标体系,获取所述移动通信网络中各叶子节点的关键KPI指标,所述关键KPI指标体系中包括至少两类关键KPI指标;
训练模块,用于将各叶子节点的所述关键KPI指标分别按类进行聚合后,提取各叶子节点聚合后的每一类关键KPI指标的特征参数,并分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练,得到每一类关键KPI指标对应的指标检测模型。
11.一种移动通信网络的故障定位装置,其特征在于,包括:
异常检测模块,用于采用通过如权利要求1-4任一项所述的用于移动通信网络的指标检测模型获取方法所获取的指标检测模型,对所述移动通信网络中的各叶子节点进行指标检测;
故障定位模块,用于对于检测结果为关键KPI指标存在异常的目标叶子节点,结合该目标叶子节点的历史状态,确定该目标叶子节点是否故障关键节点。
12.一种电子设备,其特征在于,包括处理器、存储器和连接所述处理器和存储器的通信总线;
所述存储器存储有第一计算机程序,所述第一计算机程序可被所述处理器执行,以实现如权利要求1-4任一项所述的用于移动通信网络的指标检测模型获取方法的步骤;
和/或,
所述存储器存储有第二计算机程序,所述第二计算机程序可被所述处理器执行,以实现如权利要求5-9任一项所述的移动通信网络的故障定位方法的步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有第一计算机程序,所述第一计算机程序可被处理器执行,以实现如权利要求1-4任一项所述的用于移动通信网络的指标检测模型获取方法的步骤;
和/或,
所述计算机可读存储介质存储有第二计算机程序,所述第二计算机程序可被处理器执行,以实现如权利要求5-9任一项所述的移动通信网络的故障定位方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010783870.6A CN114095965A (zh) | 2020-08-06 | 2020-08-06 | 指标检测模型获取及故障定位方法、装置、设备及存储介质 |
PCT/CN2021/100381 WO2022028120A1 (zh) | 2020-08-06 | 2021-06-16 | 指标检测模型获取及故障定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010783870.6A CN114095965A (zh) | 2020-08-06 | 2020-08-06 | 指标检测模型获取及故障定位方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114095965A true CN114095965A (zh) | 2022-02-25 |
Family
ID=80116956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010783870.6A Pending CN114095965A (zh) | 2020-08-06 | 2020-08-06 | 指标检测模型获取及故障定位方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114095965A (zh) |
WO (1) | WO2022028120A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796847A (zh) * | 2023-02-10 | 2023-03-14 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气维修人员管理方法和物联网系统、介质 |
CN116996133A (zh) * | 2023-09-27 | 2023-11-03 | 国网江苏省电力有限公司常州供电分公司 | 电力线载波通信设备身份认证及窃听定位方法 |
CN117880055A (zh) * | 2024-03-12 | 2024-04-12 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
CN117880055B (zh) * | 2024-03-12 | 2024-05-31 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115102836A (zh) * | 2022-07-13 | 2022-09-23 | 中国联合网络通信集团有限公司 | 网络设备故障分析方法、装置及存储介质 |
CN115277370B (zh) * | 2022-09-23 | 2023-02-03 | 云智慧(北京)科技有限公司 | 一种运维系统的根因节点的确定方法、装置及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190057197A1 (en) * | 2017-08-15 | 2019-02-21 | Cognant Llc | Temporal anomaly detection system and method |
CN110474786B (zh) * | 2018-05-10 | 2022-05-24 | 上海大唐移动通信设备有限公司 | 基于随机森林分析VoLTE网络故障原因的方法及装置 |
CN111126824B (zh) * | 2019-12-19 | 2023-11-21 | 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 |
CN111177505A (zh) * | 2019-12-31 | 2020-05-19 | 中国移动通信集团江苏有限公司 | 指标异常检测模型的训练方法、推荐的方法及装置 |
-
2020
- 2020-08-06 CN CN202010783870.6A patent/CN114095965A/zh active Pending
-
2021
- 2021-06-16 WO PCT/CN2021/100381 patent/WO2022028120A1/zh active Application Filing
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796847A (zh) * | 2023-02-10 | 2023-03-14 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气维修人员管理方法和物联网系统、介质 |
CN115796847B (zh) * | 2023-02-10 | 2023-05-09 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气维修人员管理方法和物联网系统、介质 |
US11989700B2 (en) | 2023-02-10 | 2024-05-21 | Chengdu Qinchuan Iot Technology Co., Ltd. | Management methods and management internet of things systems for maintenance personnel of smart gas |
CN116996133A (zh) * | 2023-09-27 | 2023-11-03 | 国网江苏省电力有限公司常州供电分公司 | 电力线载波通信设备身份认证及窃听定位方法 |
CN116996133B (zh) * | 2023-09-27 | 2023-12-05 | 国网江苏省电力有限公司常州供电分公司 | 电力线载波通信设备身份认证及窃听定位方法 |
CN117880055A (zh) * | 2024-03-12 | 2024-04-12 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
CN117880055B (zh) * | 2024-03-12 | 2024-05-31 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022028120A1 (zh) | 2022-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114095965A (zh) | 指标检测模型获取及故障定位方法、装置、设备及存储介质 | |
CN111126824B (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
WO2022048168A1 (zh) | 一种用于故障预测神经网络模型的训练方法与设备 | |
EP3286878B1 (en) | Fault diagnosis in networks | |
CN112398680B (zh) | 一种故障定界方法及设备 | |
US20150195154A1 (en) | Creating a Knowledge Base for Alarm Management in a Communications Network | |
US20160088502A1 (en) | Method and network device for cell anomaly detection | |
CN110601898A (zh) | 异常预警方法、装置、服务器及存储介质 | |
CN111245648A (zh) | 一种云手机故障告警与自动恢复的方法 | |
EP3663919B1 (en) | System and method of automated fault correction in a network environment | |
EP3460663A1 (en) | Apparatus and method for rare failure prediction | |
CN111756560A (zh) | 一种数据处理方法、装置及存储介质 | |
CN112242971A (zh) | 一种流量异常检测方法、装置、网络设备及存储介质 | |
US20210359899A1 (en) | Managing Event Data in a Network | |
CN113037562A (zh) | 一种网关故障评估方法、装置及服务器 | |
CN115038088B (zh) | 一种智能网络安全检测预警系统和方法 | |
CN114363151A (zh) | 故障检测方法和装置、电子设备和存储介质 | |
CN115102834B (zh) | 一种变更风险评估方法、设备及存储介质 | |
CN101345656B (zh) | 全局故障率测量方法 | |
CN114268567A (zh) | 异常终端的识别方法、分析装置及设备、存储介质 | |
CN113676343A (zh) | 电力通信网故障源定位方法及装置 | |
Rafique et al. | TSDN-enabled network assurance: A cognitive fault detection architecture | |
KR102009718B1 (ko) | 이동 통신망 장애 감시 시스템 및 방법 | |
CN115495274B (zh) | 基于时序数据的异常处理方法、网络设备和可读存储介质 | |
CN114448689A (zh) | 工控网络的边界设备确定方法、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 |