CN114697203B - 一种网络故障的预判方法、装置、电子设备及存储介质 - Google Patents
一种网络故障的预判方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114697203B CN114697203B CN202210328763.3A CN202210328763A CN114697203B CN 114697203 B CN114697203 B CN 114697203B CN 202210328763 A CN202210328763 A CN 202210328763A CN 114697203 B CN114697203 B CN 114697203B
- Authority
- CN
- China
- Prior art keywords
- fault
- phenomenon
- normal
- fault phenomenon
- duration
- 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
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请涉及网络通讯的技术领域,尤其是涉及一种网络故障的预判方法、装置、电子设备及存储介质,该方法包括获取预设区域在第一预设周期内移动网络的所有故障信息,基于所有故障信息确定常态故障现象,之后获取每个常态故障现象出现的平均间隔时长,并获取每个常态故障现象的隐匿时长;然后基于每个常态故障现象的平均间隔时长以及每个常态故障的隐匿时长确定预估故障现象;再之后基于每个预估故障现象生成预测警示信息并输出,每个预测警示信息包括预估故障现象对应的所有历史故障原因以及所有解决措施。本申请减少解决故障所需的时间。
Description
技术领域
本申请涉及网络通讯的技术领域,尤其是涉及一种网络故障的预判方法、装置、电子设备及存储介质。
背景技术
手机和平板等的移动终端已经成为人们与外界进行通讯和信息交互的主要工具,通过移动终端的进行的信息传播已经成为现代人们的一种生活方式。
现在的移动终端均采用4G和/或5G的移动网络进行数据的传输,移动网络的实时用户多,实时数据传输量较大。当某一区域内的移动网络发生故障时会造成某些特定功能的停止,且会使得较多的用户利益受损。通常,移动网络的故障一般是由硬件故障和/或程序模块的故障造成的。但是相关技术中,通常都是故障显现出来才进行处理,且通常需要临时安排检修与排查,这就使得解决故障所需的时间较长。
发明内容
为了减少解决故障所需的时间,本申请提供一种网络故障的预判方法、装置、电子设备及存储介质。
第一方面,本申请提供一种网络故障的预判方法,采用如下的技术方案:
一种网络故障的预判方法,包括:
获取预设区域在第一预设周期内移动网络的所有故障信息,每个所述故障信息均包括故障时间、历史故障原因、历史故障现象以及解决措施;
基于所有所述故障信息确定常态故障现象,所述常态故障现象为发生次数超过预设次数的历史故障现象;
获取每个所述常态故障现象出现的平均间隔时长,并获取每个所述常态故障现象的隐匿时长,所述隐匿时长为所述常态故障上一次出现的时间到当前时间的间隔时长;
基于每个所述常态故障现象的平均间隔时长以及每个所述常态故障的隐匿时长确定预估故障现象;
基于每个所述预估故障现象生成预测警示信息并输出,每个所述预测警示信息包括所述预估故障现象对应的所有历史故障原因以及所有解决措施。
通过采用上述技术方案,电子设备能够获取第一预设周期内的所有故障信息,并且能够基于每个故障现象发生的次数确定哪些是发生次数较多的故障现象,即常态故障现象;并且基于每个常态故障现象的平均间隔时长、常态故障上一次发生的时间以及当前时间把预估将要发生的常态故障现象确定为预估故障现象,进而结合常态预估故障对应的所有历史故障原因和所有解决措施生成预估警示信息,以便于用户提前做好相关的准备措施,进而在预估故障出现时,能够减少解决故障所需的时间。
在一种可能实现的方式中,所述基于每个所述常态故障的平均间隔时长以及每个所述常态故障的隐匿时长确定预估故障现象,对于每个所述常态故障现象,包括:
确定隐匿时长大于等于平均间隔时长的所述常态故障现象为预估故障现象;
确定隐匿时长小于平均间隔时长,且所述平均间隔时长和所述隐匿时长的差值小于第一阈值的所述常态故障现象为预估故障现象。
通过采用上述技术方案,对于每一个常态故障现象,当其隐匿时长已经超过该常态故障现象对应的平均间隔时长,则其将要发生的概率较大;对于隐匿时长到平均间隔时长小于第一阈值时,其将要发生的概率也较大,因此将符合这两种要求的常态故障现象确定为预估故障现象。
在一种可能实现的方式中,该方法还包括:
获取当前的故障现象;
将所述故障现象输入训练好的故障预测网络模型,得到每个所述故障现象对应的故障原因信息;
所述故障原因信息包括能够引起出现所述故障现象的至少一个故障原因以及与各个故障原因分别对应的发生概率。
通过采用上述技术方案,在确定当前发生的故障现象之后,通过故障预测网络模型能够得到引起该故障现象的各个故障原因所对应的发生概率,便于用户基于每个故障原因的概率由高至低进行检修,进而能够减少解决故障所用的时间。
在一种可能实现的方式中,在将所述故障现象输入训练好的故障预测网络模型之前,还包括:
获取预设区域在第二预设周期内移动网络的所有故障信息作为训练样本集,每个所述故障信息包括对应的故障现象以及与每个故障现象对应的故障原因,所述第二预设周期大于等于所述第一预设周期;
基于所述训练样本集对初始网络模型进行训练,得到所述故障预测网络模型。
通过采用上述技术方案,通过第二预设周期内所有的历史故障信息用来训练初始网络模型,在得到故障预测网络模型之后,也能够将之后每次出现的故障信息作为训练样本再次作为故障预测网络模型新的训练样本,进而能够使得故障预测网络模型的准确率能够不断提升,且更符合实际的需求。
在一种可能实现的方式中,所述获取当前的故障现象,包括:
获取用户输入的故障现象;
获取能够表征移动网络性能的各项性能参数,每项所述性能参数均对应有预设的标准区间;
在任一所述性能参数不位于对应的所述标准区间内时确定所述性能参数为故障参数;
基于每个所述故障参数生成对应的故障现象。
通过采用上述技术方案,通过对各项性能参数的检测,便于及实地发现移动网络的故障 ,进而便于及时尽心检修,以减少解决故障所用的时间。
在一种可能实现的方式中,所述获取用户输入的故障现象,包括:
获取在第三周期内用户输入的每个疑似故障现象的数量;
确定所述数量大于第二阈值的疑似故障现象为故障现象。
通过采用上述技术方案,用户输入的疑似故障并不一定是真实存在的,但是多个用户都输了一个相同的疑似故障现象,则该疑似故障现象就有较大的概率是真实存在的故障现象。
在一种可能实现的方式中,所述获取用户输入的故障现象,还包括:
获取在第三周期内每个用户发送的所有疑似故障现象及每个所述疑似故障现象的发送次数;
确定每个所述发送次数大于第三阈值的疑似故障现象为故障现象。
通过采用上述技术方案,当同一用户多次发送同一个相同的疑似故障现象时,该疑似故障也有较大的概率为真实存在的故障现象。
第二方面,本申请提供一种网络故障的预判装置,采用如下的技术方案:
一种网络故障的预判装置,包括:
第一获取模块,用于获取预设区域在第一预设周期内移动网络的所有故障信息,每个所述故障信息均包括故障时间、历史故障原因、历史故障现象以及解决措施;
常态故障现象确定模块,用于基于所有所述故障信息确定常态故障现象,所述常态故障现象为发生次数超过预设次数的历史故障现象;
时长确定模块,用于获取每个所述常态故障现象出现的平均间隔时长,并获取每个所述常态故障现象的隐匿时长,所述隐匿时长为所述常态故障上一次出现的时间到当前时间的间隔时长;
预估故障现象的确定模块,基于每个所述常态故障现象的平均间隔时长以及每个所述常态故障的隐匿时长确定预估故障现象;
预测警示信息生成模块,用于基于每个所述预估故障现象生成预测警示信息并输出,每个所述预测警示信息包括所述预估故障现象对应的所有历史故障原因以及所有解决措施。
通过采用上述技术方案,通该装置能够获取第一预设周期内的所有故障信息,并且能够基于每个故障现象发生的次数确定哪些是发生次数较多的故障现象,即常态故障现象;并且基于每个常态故障现象的平均间隔时长、常态故障上一次发生的时间以及当前时间把预估将要发生的常态故障现象确定为预估故障现象,进而结合常态预估故障对应的所有历史故障原因和所有解决措施生成预估警示信息,以便于用户提前做好相关的准备措施,进而在预估故障出现时,能够减少解决故障所需的时间。
在一种可能实现的方式中,当预估故障现象确定模块基于每个所述常态故障的平均间隔时长以及每个所述常态故障的隐匿时长确定预估故障现象,对于每个所述常态故障现象时,具体用于:
确定隐匿时长大于等于平均间隔时长的所述常态故障现象为预估故障现象;
确定隐匿时长小于平均间隔时长,且所述平均间隔时长和所述隐匿时长的差值小于第一阈值的所述常态故障现象为预估故障现象。
在一种可能实现的方式中,该装置还包括:
第二获取模块,用于获取当前的故障现象;
故障原因信息确定模块,用于将所述故障现象输入训练好的故障预测网络模型,得到每个所述故障现象对应的故障原因信息;
所述故障原因信息包括能够引起出现所述故障现象的至少一个故障原因以及与各个故障原因分别对应的发生概率。
在一种可能实现的方式中,该装置还包括:
第三获取模块,用于获取预设区域在第二预设周期内移动网络的所有故障信息作为训练样本集,每个所述故障信息包括对应的故障现象以及与每个故障现象对应的故障原因,所述第二预设周期大于等于所述第一预设周期;
训练模块,用于基于所述训练样本集对初始网络模型进行训练,得到所述故障预测网络模型。
在一种可能实现的方式中,当第二获取模块获取当前的故障现象时,具体用于:
获取用户输入的故障现象;
获取能够表征移动网络性能的各项性能参数,每项所述性能参数均对应有预设的标准区间;
在任一所述性能参数不位于对应的所述标准区间内时确定所述性能参数为故障参数;
基于每个所述故障参数生成对应的故障现象。
在一种可能实现的方式中,当第二获取模块获取用户输入的故障现象时,具体用于:
获取在第三周期内用户输入的每个疑似故障现象的数量;
确定所述数量大于第二阈值的疑似故障现象为故障现象。
在一种可能实现的方式中,当第二获取模块获取用户输入的故障现象时,还具体用于:
获取在第三周期内每个用户发送的所有疑似故障现象及每个所述疑似故障现象的发送次数;
确定每个所述发送次数大于第三阈值的疑似故障现象为故障现象。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述网络故障的预判方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行上述网络故障的预判方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
通过采用上述技术方案,电子设备能够获取第一预设周期内的所有故障信息,并且能够基于每个故障现象发生的次数确定哪些是发生次数较多的故障现象,即常态故障现象;并且基于每个常态故障现象的平均间隔时长、常态故障上一次发生的时间以及当前时间把预估将要发生的常态故障现象确定为预估故障现象,进而结合常态预估故障对应的所有历史故障原因和所有解决措施生成预估警示信息,以便于用户提前做好相关的准备措施,进而在预估故障出现时,能够减少解决故障所需的时间;
通过故障预测网络模型能够得到引起该故障现象的各个故障原因所对应的发生概率,便于用户基于每个故障原因的概率由高至低进行检修,进而能够减少解决故障所用的时间。
附图说明
图1是本申请实施例中网络故障的预判方法的流程示意图;
图2是本申请实施例中故障预测网络模型的流程示意图;
图3是本申请实施例中网络故障的预判装置的结构示意图;
图4是本申请实施例中电子设备的结构示意图。
具体实施方式
以下结合附图1-附图3对本申请作进一步详细说明。
本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
另外,本文中术语“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“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
本申请实施例提供了一种网络故障的预判方法,由电子设备执行,参照图1和图2,该方法包括步骤S101-步骤S105,其中:
步骤S101、获取预设区域在第一预设周期内移动网络的所有故障信息,每个故障信息均包括故障时间、历史故障原因、历史故障现象以及解决措施。
在本申请实施例中,对于第一预设周期,其可以是30天内,也可以是60天内,对于具体的时长,本申请实施例中不做任何具体限定。历史故障信息可以存储在预设的数据库内,也可以存储在本地。在实际中,同一个故障现象可能存在多个故障原因,每个故障原因又对应整一个解决措施,例如,故障现象为网络传输速度低于预设值,可能的故障原因为,某条线路发生故障,也有可能是服务器/基站过载,则对应的解决措施可以为,补修/更换线路,或,对网络进行扩容。
步骤S102、基于所有故障信息确定常态故障现象,常态故障现象为发生次数超过预设次数的历史故障现象。
在本申请实施例中,常态故障现象即发生频率较多的故障现象,其中对于预设次数,其可以为5次,也可以为10次,对于预设次数的具体数值要基于第一预设周期的时长确定,本申请实施例中不作出具体限定,只要便于更准确地确定常态故障现象即可。
步骤S103、获取每个常态故障现象出现的平均间隔时长,并获取每个常态故障现象的隐匿时长,隐匿时长为常态故障上一次出现的时间到当前时间的间隔时长。
在本申请实施例中,对于一个常态故障现象,其平均间隔时长,即为其在第一预设周期内,从第一次开始出现的时间到最后一次出现的时间的间隔时长,除以(n-1),其中为该常态故障现象在预设周期内发生的次数。对于一个常态故障现象,例如其上一次也就是最近一次出现的时间为1月2日,当前时间为1月15日,则隐匿时长为13日。其中对于隐匿时长和平均间隔时长的单位制应该统一;例如可以都为“天”,也可以都为“小时” ,本申请实施例中不作出任何具体限定。
步骤S104、基于每个常态故障现象的平均间隔时长以及每个常态故障的隐匿时长确定预估故障现象。
在本申请实施例中,预估故障现象为预计要出现的故障现象,也就是说,预估故障现象有可能是要发生的,也可能是不会发生的。但是基于历史的故障信息来判断,其发生的概率较高。
步骤S105、基于每个预估故障现象生成预测警示信息并输出,每个预测警示信息包括预估故障现象对应的所有历史故障原因以及所有解决措施。
在本申请实施例中,对于预估故障现象 ,将能够导致该故障现象的所有的故障原因以及每个故障原因对应的解决措施进行输出,以便于相关人员准备实施相关的准备预案,以减少该预估故障现象发生时,能够立即解决,进而能够减少检修故障的用时。
与相关技术相比,在本申请实施例中,电子设备能够获取第一预设周期内的所有故障信息,并且能够基于每个故障现象发生的次数确定哪些是发生次数较多的故障现象,即常态故障现象;并且基于每个常态故障现象的平均间隔时长、常态故障上一次发生的时间以及当前时间把预估将要发生的常态故障现象确定为预估故障现象,进而结合常态预估故障对应的所有历史故障原因和所有解决措施生成预估警示信息,以便于用户提前做好相关的准备措施,进而在预估故障出现时,能够减少解决故障所需的时间。
进一步地,步骤S104可以包括步骤S1041(图中未示出)和步骤S1042(图中未示出),其中:
步骤S1041、确定隐匿时长大于等于平均间隔时长的常态故障现象为预估故障现象;
步骤S1042、确定隐匿时长小于平均间隔时长,且平均间隔时长和隐匿时长的差值小于第一阈值的常态故障现象为预估故障现象。
具体地,对于于每一个常态故障现象,当其隐匿时长已经超过该常态故障现象对应的平均间隔时长,表征其将要发生的概率较大;当隐匿时长到平均间隔时长小于第一阈值时,其将要发生的概率也较大。其中对于第一阈值,可以是3天,也可以是5天,本申请实施例中对此不做任何具体限定。
进一步地,为了在出现实际的故障现象时,便于用户确定故障原因,同时也为了节约确定故障的时间,本方法还包括步骤SA1(图中未示出)-步骤SA4(图中未示出),其中:
步骤SA1、获取预设区域在第二预设周期内移动网络的所有故障信息作为训练样本集,每个故障信息包括对应的故障现象以及与每个故障现象对应的故障原因,第二预设周期大于等于第一预设周期。
具体地,第二周期大于等于第一预设周期,其中第一周期的便于准确地确定常态故障现象所设置的,在实际中常态故障会由于节假日以及人们周期性的变化规律所引发。但是引起每个故障现象的故障原因并不会改变,可能每次会有不同的故障原因导致相同的故障,因此对于训练初始网络模型而言,作为训练样本集的故障信息的数量越多越好,因此第二周期应该大于等于第一预设周期,但同时对于第二预设周期的具体时长,本申请实施例中不做出具体限定。
步骤SA2、基于训练样本集对初始网络模型进行训练,得到故障预测网络模型;
步骤SA3、获取当前的故障现象;
步骤SA4、将故障现象输入训练好的故障预测网络模型,得到每个故障现象对应的故障原因信息;故障原因信息包括能够引起出现故障现象的至少一个故障原因以及与各个故障原因分别对应的发生概率。
具体地,当前的故障现象包括已经确定发生的故障现象,也包括有较大概率能够确认已经发生的故障现象即预估故障现象。通过将故障现象输入已经训练好的故障预测网络模型,进而能够得到每个故障现象对应的各个故障原因的发生概率,例如,输入的故障现象为网络传输速度低于预设值,则输出某条线路发生故障的概率为60%,服务器/基站过载的概率为40%。则用户故障原因的概率应优先对线路进行检查,有较大的概率能够发现故障的线路,进而能够减少检修所用的时间。
进一步地,步骤SA3可以包括方式一和方式二,其中:
方式一、获取用户输入的故障现象。具体地,方式一可以包括步骤SN1(图中未示出)-步骤SN4(图中未示出),其中:
步骤SN1、获取在第三周期内用户输入的每个疑似故障现象的数量;
步骤SN2、确定数量大于第二阈值的疑似故障现象为故障现象。
具体地,第三周期是可以是4小时,也可以是12小时,本申请实施例中对此不作出具体限定。事实上,用户输入的疑似故障并不一定是真实存在的,但是多个用户都输了一个相同的疑似故障现象,则该疑似故障现象就有较大的的概率是真实存在的故障现象。
步骤SN3、获取在第三周期内每个用户发送的所有疑似故障现象及每个疑似故障现象的发送次数;
步骤SN4、确定每个发送次数大于第三阈值的疑似故障现象为故障现象。
具体地,将当同一用户在第三周启内多次发送同一个相同的疑似故障现象时,即发送的次数超过第三阈值时,该疑似故障也有较大的概率为真实存在的故障现象。对于第三阈值的具体数量,本申请实施例中不做具体限定,只要便于更准确地判定用户输入的疑似故障现象是否大概率为实际故障现象即可。
方式二可以包括步骤SK1(图中未示出)-步骤SK3(图中未示出),其中:
步骤SK1、获取能够表征移动网络性能的各项性能参数,每项性能参数均对应有预设的标准区间;
具体地,获取对于获取的性能参数类型,本申请实施例中不做具体限定,只要能够通过性能参数的变化反映移动网络的故障即可。同时针对每一项性能参数,预设有标准区间,该标准区间的范围是在基于移动网络在无故障的情况下正常的变化范围,并且结合了因设备和网络时延造成的浮动范围确定的。
步骤SK2、在任一性能参数不位于对应的标准区间内时确定性能参数为故障参数;
步骤SK3、基于每个故障参数生成对应的故障现象。
具体地,每个故障参数均能对应至少一个故障现象,例如,通过预设故障参数与故障现象的映射关系,便于在确定故障参数之后得到相应的故障现象。
上述实施例从方法流程的角度介绍一种网络故障的预判方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种网络故障的预判装置,具体详见下述实施例。
本申请实施例提供一种网络故障的预判装置,如图3所示,该预判装置300具体可以包括第一获取模块301、常态故障现象确定模块302、时长确定模块303、预估故障现象的确定模块304以及预测警示信息生成模块305,其中:
第一获取模块301,用于获取预设区域在第一预设周期内移动网络的所有故障信息,每个故障信息均包括故障时间、历史故障原因、历史故障现象以及解决措施;
常态故障现象确定模块302,用于基于所有故障信息确定常态故障现象,常态故障现象为发生次数超过预设次数的历史故障现象;
时长确定模块303,用于获取每个常态故障现象出现的平均间隔时长,并获取每个常态故障现象的隐匿时长,隐匿时长为常态故障上一次出现的时间到当前时间的间隔时长;
预估故障现象的确定模块304,基于每个常态故障现象的平均间隔时长以及每个常态故障的隐匿时长确定预估故障现象;
预测警示信息生成模块305,用于基于每个预估故障现象生成预测警示信息并输出,每个预测警示信息包括预估故障现象对应的所有历史故障原因以及所有解决措施。
在一种可能实现的方式中,当预估故障现象确定模块304基于每个常态故障的平均间隔时长以及每个常态故障的隐匿时长确定预估故障现象,对于每个常态故障现象时,具体用于:
确定隐匿时长大于等于平均间隔时长的常态故障现象为预估故障现象;
确定隐匿时长小于平均间隔时长,且平均间隔时长和隐匿时长的差值小于第一阈值的常态故障现象为预估故障现象。
在一种可能实现的方式中,该装置300还包括:
第二获取模块,用于获取当前的故障现象;
故障原因信息确定模块,用于将故障现象输入训练好的故障预测网络模型,得到每个故障现象对应的故障原因信息;
故障原因信息包括能够引起出现故障现象的至少一个故障原因以及与各个故障原因分别对应的发生概率。
在一种可能实现的方式中,该装置300还包括:
第三获取模块,用于获取预设区域在第二预设周期内移动网络的所有故障信息作为训练样本集,每个故障信息包括对应的故障现象以及与每个故障现象对应的故障原因,第二预设周期大于等于第一预设周期;
训练模块,用于基于训练样本集对初始网络模型进行训练,得到故障预测网络模型。
在一种可能实现的方式中,当第二获取模块获取当前的故障现象时,具体用于:
获取用户输入的故障现象;
获取能够表征移动网络性能的各项性能参数,每项性能参数均对应有预设的标准区间;
在任一性能参数不位于对应的标准区间内时确定性能参数为故障参数;
基于每个故障参数生成对应的故障现象。
在一种可能实现的方式中,当第二获取模块获取用户输入的故障现象时,具体用于:
获取在第三周期内用户输入的每个疑似故障现象的数量;
确定数量大于第二阈值的疑似故障现象为故障现象。
在一种可能实现的方式中,当第二获取模块获取用户输入的故障现象时,还具体用于:
获取在第三周期内每个用户发送的所有疑似故障现象及每个疑似故障现象的发送次数;
确定每个发送次数大于第三阈值的疑似故障现象为故障现象。
本申请实施例中提供了一种电子设备,如图4所示,图3所示的电子设备400包括:处理器401和存储器403。其中,处理器401和存储器403相连,如通过总线402相连。可选地,电子设备400还可以包括收发器404。需要说明的是,实际应用中收发器404不限于一个,该电子设备400的结构并不构成对本申请实施例的限定。
处理器401可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器401也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线402可包括一通路,在上述组件之间传送信息。总线402可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器403用于存储执行本申请方案的应用程序代码,并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种网络故障的预判方法,其特征在于,包括:
获取预设区域在第一预设周期内移动网络的所有故障信息,每个所述故障信息均包括故障时间、历史故障原因、历史故障现象以及解决措施;
基于所有所述故障信息确定常态故障现象,所述常态故障现象为发生次数超过预设次数的历史故障现象;
获取每个所述常态故障现象出现的平均间隔时长,并获取每个所述常态故障现象的隐匿时长,所述隐匿时长为所述常态故障上一次出现的时间到当前时间的间隔时长;
基于每个所述常态故障现象的平均间隔时长以及每个所述常态故障的隐匿时长确定预估故障现象;
基于每个所述预估故障现象生成预测警示信息并输出,每个所述预测警示信息包括所述预估故障现象对应的所有历史故障原因以及所有解决措施。
2.根据权利要求1所述的一种网络故障的预判方法,其特征在于,所述基于每个所述常态故障的平均间隔时长以及每个所述常态故障的隐匿时长确定预估故障现象,对于每个所述常态故障现象,包括:
确定隐匿时长大于等于平均间隔时长的所述常态故障现象为预估故障现象;
确定隐匿时长小于平均间隔时长,且所述平均间隔时长和所述隐匿时长的差值小于第一阈值的所述常态故障现象为预估故障现象。
3.根据权利要求1所述的一种网络故障的预判方法,其特征在于,还包括:
获取当前的故障现象;
将所述故障现象输入训练好的故障预测网络模型,得到每个所述故障现象对应的故障原因信息;
所述故障原因信息包括能够引起出现所述故障现象的至少一个故障原因以及与各个故障原因分别对应的发生概率。
4.根据权利要求3所述的一种网络故障的预判方法,其特征在于,在将所述故障现象输入训练好的故障预测网络模型之前,还包括:
获取预设区域在第二预设周期内移动网络的所有故障信息作为训练样本集,每个所述故障信息包括对应的故障现象以及与每个故障现象对应的故障原因,所述第二预设周期大于等于所述第一预设周期;
基于所述训练样本集对初始网络模型进行训练,得到所述故障预测网络模型。
5.根据权利要求3所述的一种网络故障的预判方法,其特征在于,所述获取当前的故障现象,包括:
获取用户输入的故障现象;
获取能够表征移动网络性能的各项性能参数,每项所述性能参数均对应有预设的标准区间;
在任一所述性能参数不位于对应的所述标准区间内时确定所述性能参数为故障参数;
基于每个所述故障参数生成对应的故障现象。
6.根据权利要求5所述的一种网络故障的预判方法,其特征在于,所述获取用户输入的故障现象,包括:
获取在第三周期内用户输入的每个疑似故障现象的数量;
确定所述数量大于第二阈值的疑似故障现象为故障现象。
7.根据权利要求5所述的一种网络故障的预判方法,其特征在于,所述获取用户输入的故障现象,还包括:
获取在第三周期内每个用户发送的所有疑似故障现象及每个所述疑似故障现象的发送次数;
确定每个所述发送次数大于第三阈值的疑似故障现象为故障现象。
8.一种网络故障的预判装置,其特征在于,包括:
第一获取模块,用于获取预设区域在第一预设周期内移动网络的所有故障信息,每个所述故障信息均包括故障时间、历史故障原因、历史故障现象以及解决措施;
常态故障现象确定模块,用于基于所有所述故障信息确定常态故障现象,所述常态故障现象为发生次数超过预设次数的历史故障现象;
时长确定模块,用于获取每个所述常态故障现象出现的平均间隔时长,并获取每个所述常态故障现象的隐匿时长,所述隐匿时长为所述常态故障上一次出现的时间到当前时间的间隔时长;
预估故障现象的确定模块,基于每个所述常态故障现象的平均间隔时长以及每个所述常态故障的隐匿时长确定预估故障现象;
预测警示信息生成模块,用于基于每个所述预估故障现象生成预测警示信息并输出,每个所述预测警示信息包括所述预估故障现象对应的所有历史故障原因以及所有解决措施。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1-7中任一项所述网络故障的预判方法。
10.一种计算机可读存储介质,其特征在于,包括:存储有能够被处理器加载并执行如权利要求1-7中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210328763.3A CN114697203B (zh) | 2022-03-31 | 2022-03-31 | 一种网络故障的预判方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210328763.3A CN114697203B (zh) | 2022-03-31 | 2022-03-31 | 一种网络故障的预判方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114697203A CN114697203A (zh) | 2022-07-01 |
CN114697203B true CN114697203B (zh) | 2023-07-25 |
Family
ID=82140123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210328763.3A Active CN114697203B (zh) | 2022-03-31 | 2022-03-31 | 一种网络故障的预判方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114697203B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6636987B1 (en) * | 1999-09-13 | 2003-10-21 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and device for determining a synchronization fault in a network node |
CN105634796A (zh) * | 2015-12-22 | 2016-06-01 | 山西合力创新科技有限公司 | 一种网络设备故障预测及诊断方法 |
WO2016107402A1 (zh) * | 2014-12-31 | 2016-07-07 | 中国银联股份有限公司 | 基于预测模型的磁盘故障预测方法及装置 |
CN107426033A (zh) * | 2017-08-15 | 2017-12-01 | 深圳市盛路物联通讯技术有限公司 | 一种对物联网接入终端进行状态预测的方法和装置 |
CN108022020A (zh) * | 2017-12-15 | 2018-05-11 | 东软集团股份有限公司 | 设备故障管理方法、装置、存储介质和电子设备 |
CN109828182A (zh) * | 2018-11-29 | 2019-05-31 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网系统故障分析预警方法 |
CN109981328A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团陕西有限公司 | 一种故障预警方法及装置 |
CN112040218A (zh) * | 2020-07-07 | 2020-12-04 | 浙江省通信产业服务有限公司 | 一种基于动态频率变化的大型广电发射台站的告警数据采集算法 |
WO2021101490A1 (en) * | 2019-11-20 | 2021-05-27 | Türk Telekomüni̇kasyon Anoni̇m Şi̇rketi̇ | Network failure prediction module and the method performed by this module |
WO2021109578A1 (zh) * | 2019-12-02 | 2021-06-10 | 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 |
CN112988550A (zh) * | 2021-05-21 | 2021-06-18 | 神威超算(北京)科技有限公司 | 服务器故障预测方法、装置和计算机可读介质 |
CN113365297A (zh) * | 2021-08-10 | 2021-09-07 | 广东南方电信规划咨询设计院有限公司 | 基站天线性能监测方法、装置、电子设备及存储介质 |
CN113395182A (zh) * | 2021-06-21 | 2021-09-14 | 山东八五信息技术有限公司 | 具有故障预测的智能网络设备管理系统及方法 |
CN113742176A (zh) * | 2021-09-03 | 2021-12-03 | 联想(北京)有限公司 | 一种故障预测方法、装置和电子设备 |
CN113759868A (zh) * | 2021-08-16 | 2021-12-07 | 浙江运达风电股份有限公司 | 一种基于神经网络的工业以太网故障预测方法 |
CN113825162A (zh) * | 2020-06-19 | 2021-12-21 | 中国移动通信集团设计院有限公司 | 电信网络故障原因定位方法及装置 |
CN113886181A (zh) * | 2021-09-30 | 2022-01-04 | 中南大学 | 应用于AIOps故障预警的动态阈值预测方法、设备及介质 |
WO2022002357A1 (en) * | 2020-06-29 | 2022-01-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Managing faults in a telecommunications network |
CN113904915A (zh) * | 2021-08-17 | 2022-01-07 | 中国南方电网有限责任公司 | 一种基于物联网的电力通信智能故障分析方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3447966B1 (en) * | 2017-08-25 | 2020-12-02 | ADVA Optical Networking SE | System and method for proactive traffic restoration in a network |
US11175973B1 (en) * | 2020-05-11 | 2021-11-16 | International Business Machines Corporation | Prediction of performance degradation with non-linear characteristics |
-
2022
- 2022-03-31 CN CN202210328763.3A patent/CN114697203B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6636987B1 (en) * | 1999-09-13 | 2003-10-21 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and device for determining a synchronization fault in a network node |
WO2016107402A1 (zh) * | 2014-12-31 | 2016-07-07 | 中国银联股份有限公司 | 基于预测模型的磁盘故障预测方法及装置 |
CN105634796A (zh) * | 2015-12-22 | 2016-06-01 | 山西合力创新科技有限公司 | 一种网络设备故障预测及诊断方法 |
CN107426033A (zh) * | 2017-08-15 | 2017-12-01 | 深圳市盛路物联通讯技术有限公司 | 一种对物联网接入终端进行状态预测的方法和装置 |
CN108022020A (zh) * | 2017-12-15 | 2018-05-11 | 东软集团股份有限公司 | 设备故障管理方法、装置、存储介质和电子设备 |
CN109981328A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团陕西有限公司 | 一种故障预警方法及装置 |
CN109828182A (zh) * | 2018-11-29 | 2019-05-31 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网系统故障分析预警方法 |
WO2021101490A1 (en) * | 2019-11-20 | 2021-05-27 | Türk Telekomüni̇kasyon Anoni̇m Şi̇rketi̇ | Network failure prediction module and the method performed by this module |
WO2021109578A1 (zh) * | 2019-12-02 | 2021-06-10 | 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 |
CN113825162A (zh) * | 2020-06-19 | 2021-12-21 | 中国移动通信集团设计院有限公司 | 电信网络故障原因定位方法及装置 |
WO2022002357A1 (en) * | 2020-06-29 | 2022-01-06 | Telefonaktiebolaget Lm Ericsson (Publ) | Managing faults in a telecommunications network |
CN112040218A (zh) * | 2020-07-07 | 2020-12-04 | 浙江省通信产业服务有限公司 | 一种基于动态频率变化的大型广电发射台站的告警数据采集算法 |
CN112988550A (zh) * | 2021-05-21 | 2021-06-18 | 神威超算(北京)科技有限公司 | 服务器故障预测方法、装置和计算机可读介质 |
CN113395182A (zh) * | 2021-06-21 | 2021-09-14 | 山东八五信息技术有限公司 | 具有故障预测的智能网络设备管理系统及方法 |
CN113365297A (zh) * | 2021-08-10 | 2021-09-07 | 广东南方电信规划咨询设计院有限公司 | 基站天线性能监测方法、装置、电子设备及存储介质 |
CN113759868A (zh) * | 2021-08-16 | 2021-12-07 | 浙江运达风电股份有限公司 | 一种基于神经网络的工业以太网故障预测方法 |
CN113904915A (zh) * | 2021-08-17 | 2022-01-07 | 中国南方电网有限责任公司 | 一种基于物联网的电力通信智能故障分析方法及系统 |
CN113742176A (zh) * | 2021-09-03 | 2021-12-03 | 联想(北京)有限公司 | 一种故障预测方法、装置和电子设备 |
CN113886181A (zh) * | 2021-09-30 | 2022-01-04 | 中南大学 | 应用于AIOps故障预警的动态阈值预测方法、设备及介质 |
Non-Patent Citations (3)
Title |
---|
"一站式"电信机房巡检维护系统的设计;李翔;罗宏伟;王中友;;科技传播(第24期);全文 * |
一种基于神经网络的网络设备故障预测系统;黄培;;办公自动化(第11期);全文 * |
信息系统运维服务的动态定价研究;徐颖;葛世伦;王念新;;江苏科技大学学报(自然科学版)(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114697203A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108737132B (zh) | 一种告警信息处理方法及装置 | |
CN111324471B (zh) | 服务调整方法、装置、设备及存储介质 | |
CN109359118B (zh) | 一种数据写入方法及装置 | |
CN102916831B (zh) | 业务系统的健康度获得方法及系统 | |
CN116502166B (zh) | 一种对目标设备故障预测的方法、装置、设备和介质 | |
JP7270691B2 (ja) | データをラベリングするための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN113672467A (zh) | 运维预警方法及装置、电子设备、存储介质 | |
CN112506619A (zh) | 作业处理方法、装置、电子设备、存储介质和程序产品 | |
CN114697203B (zh) | 一种网络故障的预判方法、装置、电子设备及存储介质 | |
CN111079061B (zh) | 一种数据处理方法及电子设备 | |
CN111309576A (zh) | 一种压力测试方法和装置 | |
CN110855484B (zh) | 自动检测业务量变化的方法、系统、电子设备和存储介质 | |
CN112367384A (zh) | 基于Kafka集群的动态限速方法、装置以及计算机设备 | |
CN111626498A (zh) | 设备运行状态预测方法、装置、设备及存储介质 | |
CN112671590B (zh) | 数据传输方法、装置、电子设备及计算机存储介质 | |
CN112994934B (zh) | 数据交互方法、装置及系统 | |
CN113129127A (zh) | 预警方法和装置 | |
CN116308303B (zh) | 基于设备数据的检修计划生成方法、装置、设备和介质 | |
CN115312208B (zh) | 接诊数据展示方法、装置、设备、介质 | |
CN115242611B (zh) | 一种网络故障报警级别管理方法、装置、设备和存储介质 | |
CN115292339B (zh) | 数据库更新方法、装置、电子设备和存储介质 | |
CN116260235B (zh) | 电源切换的方法、装置、电子设备及可读存储介质 | |
CN114358288B (zh) | 生成知识图谱的方法、信息推荐方法、装置及电子设备 | |
CN111026571B (zh) | 处理器降频处理方法、装置及电子设备 |
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 |