CN114978878B - 定位方法、装置、电子设备及计算机可读存储介质 - Google Patents
定位方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114978878B CN114978878B CN202210520832.0A CN202210520832A CN114978878B CN 114978878 B CN114978878 B CN 114978878B CN 202210520832 A CN202210520832 A CN 202210520832A CN 114978878 B CN114978878 B CN 114978878B
- Authority
- CN
- China
- Prior art keywords
- alarm
- network
- event
- graph
- data
- 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 52
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 102
- 238000010586 diagram Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000009960 carding Methods 0.000 abstract 1
- 230000006835 compression Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction 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
-
- 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
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供了一种定位方法、装置、电子设备及计算机可读存储介质,涉及无线通信领域。该方法包括:获取网络云中各网络设备分别对应的至少一个告警数据,得到多个告警数据;接着,根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,网络拓扑图是根据网络云的系统架构和网络云中各网络设备之间的连接关系生成的;针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,以完成每一告警事件的根因定位。本申请实施例可以实时梳理网络中的告警数据,快速、准确的发现网络中告警根因,有效解决告警风暴,降低运维成本。
Description
技术领域
本申请涉及无线通信技术领域,具体而言,本申请涉及一种定位方法、装置、电子设备及计算机可读存储介质。
背景技术
随着云计算的发展,网络也逐渐云化,虚拟化技术将通用的计算、存储和网络等硬件设备分解为多种虚拟资源,实现硬件解耦,并根据需要实现网络功能及动态灵活性部署。云计算技术可以实现应用的弹性、资源与业务负荷的匹配,不但提高了资源的利用率,还保证了系统响应速度。网络云就是将普通的独立服务器,通过网络技术进行功能性整合管理,形成一个功能强大、高效快捷和安全可靠的虚拟网络服务体系,提供给网络用户按需取用。然而,通信类业务较高的稳定性要求给网络云的运维带来了巨大挑战,面临着故障告警风暴、故障根因定位溯源难、人工专家经验有限的运维难题。
发明内容
本申请实施例提供了一种定位方法、装置、电子设备及计算机可读存储介质,可以解决网络云故障根因定位溯源难的问题。技术方案如下:
根据本申请实施例的一个方面,提供了一种定位方法,该方法包括:
获取网络云中各网络设备分别对应的至少一个告警数据,得到多个告警数据;
根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,网络拓扑图是根据网络云的系统架构和网络云中各网络设备之间的连接关系生成的;
针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,以完成每一告警事件的根因定位。
在一种可能的实现方式中,根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,包括:
根据多个告警数据分别对应的网络设备以及网络拓扑图中网络设备之间的距离,对多个告警数据进行告警事件划分。
在一种可能的实现方式中,在对多个告警数据进行告警事件划分之后,还包括:
若已有告警事件中的任一告警数据所对应的网络设备与新获取到的任一告警数据所对应的网络设备之间的距离,小于或等于预设拓扑距离阈值,且若确定已有告警事件中的任一告警数据的发生时间与新获取到的任一告警数据的发生时间之间的时间差值,小于或等于预设时间阈值,则将新获取到的任一告警数据划分至已有告警事件中,否则,针对新获取到的任一告警数据新建一个告警事件;
其中,已有告警事件为至少一个告警事件中的任一个。
在一种可能的实现方式中,针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,包括:
基于网络拓扑图,进行每一告警事件对应的多个告警网络设备之间拓扑图的重构,得到告警事件图;
根据告警事件图和告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备。
在一种可能的实现方式中,告警相关信息至少包括告警级别、告警数量和告警对端设备信息;
图中心性算法包括度中心性算法、接近中心性算法、中介中心性算法或特征向量中心性算法中的至少一项。
在一种可能的实现方式中,根据告警事件图和告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,包括:
根据告警事件图中每个告警网络设备的告警数量和告警级别,对每个告警网络设备进行权重叠加处理;
基于每个告警网络设备的告警对端设备信息,通过特征向量中心性算法,在告警事件图中进行告警网络设备之间权重的传递,该权重是经权重叠加处理后得到的权重;
通过接近中心性算法,对告警事件图进行中心性的计算,并通过度中心性算法,根据计算的计算结果,确定每一告警事件对应的目标告警网络设备。
在一种可能的实现方式中,在确定每一告警事件对应的目标告警网络设备之后,还包括:
将目标告警网络设备上的至少一个告警数据按照其发生时间和告警级别进行排序,最终得到目标告警网络设备的告警原因。
根据本申请实施例的另一个方面,提供了一种定位装置,该装置包括:
获取模块,用于获取网络云中各网络设备分别对应的至少一个告警数据,得到多个告警数据;
第一处理模块,用于根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,网络拓扑图是根据网络云的系统架构和网络云中各网络设备之间的连接关系生成的;
第二处理模块,用于针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,以完成每一告警事件的根因定位。
在一种可能的实现方式中,第一处理模块在根据网络云的网络拓扑图,对多个告警数据进行告警事件划分时,具体用于:
根据多个告警数据分别对应的网络设备以及网络拓扑图中网络设备之间的距离,对多个告警数据进行告警事件划分。
在一种可能的实现方式中,第一处理模型还用于:
若已有告警事件中的任一告警数据所对应的网络设备与新获取到的任一告警数据所对应的网络设备之间的距离,小于或等于预设拓扑距离阈值,且若确定已有告警事件中的任一告警数据的发生时间与新获取到的任一告警数据的发生时间之间的时间差值,小于或等于预设时间阈值,则将新获取到的任一告警数据划分至已有告警事件中,否则,针对新获取到的任一告警数据新建一个告警事件;
其中,已有告警事件为至少一个告警事件中的任一个。
在一种可能的实现方式中,第二处理模块具体用于:
基于网络拓扑图,进行每一告警事件对应的多个告警网络设备之间拓扑图的重构,得到告警事件图;
根据告警事件图和告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备。
在一种可能的实现方式中,告警相关信息至少包括告警级别、告警数量和告警对端设备信息;
图中心性算法包括度中心性算法、接近中心性算法、中介中心性算法或特征向量中心性算法中的至少一项。
在一种可能的实现方式中,第二处理模块在根据告警事件图和告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备时,具体用于:
根据告警事件图中每个告警网络设备的告警数量和告警级别,对每个告警网络设备进行权重叠加处理;
基于每个告警网络设备的告警对端设备信息,通过特征向量中心性算法,在告警事件图中进行告警网络设备之间权重的传递,该权重是经权重叠加处理后得到的权重;
通过接近中心性算法,对告警事件图进行中心性的计算,并通过度中心性算法,根据计算的计算结果,确定每一告警事件对应的目标告警网络设备。
在一种可能的实现方式中,第二处理模块还用于:
将目标告警网络设备上的至少一个告警数据按照其发生时间和告警级别进行排序,最终得到目标告警网络设备的告警原因。
根据本申请实施例的另一个方面,提供了一种电子设备,该电子设备包括:存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序以实现上述的定位方法的步骤。
根据本申请实施例的再一个方面,提供了一种计算机可读存储介质,计算机程序被处理器执行时实现上述的定位方法的步骤。
根据本申请实施例的一个方面,提供了一种计算机程序产品,计算机程序被处理器执行时实现上述的定位方法的步骤。
本申请实施例提供的技术方案带来的有益效果是:通过实时获取网络云中各网络设备分别对应的一个或多个告警数据,从而得到多个或大师告警数据,为告警根因定位奠定基础;根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,不仅可以实时梳理网络云中的告警数据,实现告警压缩和告警分割,还无需依赖专家经验进行数据标注,节省了大量的人力成本;针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,可以快速定位出每一告警事件的告警根因设备,从而不仅考虑了原始的网络拓扑图,还考虑了告警相关信息,进而有效地定位到具体的根因设备。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种定位方法的流程示意图;
图2为本申请实施例提供的一种告警事件划分示意图;
图3为本申请实施例提供的图中心性视图的示意图;
图4为本申请实施例提供的图度中心性视的示意图;
图5为本申请实施例提供的图度中心性标准化后视图的示意图;
图6为本申请实施例提供的图中介中心性视图的示意图;
图7为本申请实施例提供的确定根因设备的基本过程的示意图;
图8为本申请实施例提供的确定告警根因设备的示例性示意图;
图9为本申请实施例提供的定位方法的基本过程示意图;
图10为本申请实施例提供的一种定位装置的结构示意图;
图11为本申请实施例提供的一种电子设备的结构示意。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解,下面结合附图所阐述的实施方式,是用于解释本申请实施例的技术方案的示例性描述,对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该理解,本申请实施例中的“多个”是指两个或两个以上,本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件,但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该进一步理解的是,这里使用的术语“和/或”指示该术语所限定的项目中的至少一个,例如“A和/或B”指示实现为“A”,或者实现为“A”,或者实现为“A和B”。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
因为网络云是一种比较新颖的技术,目前还没有成熟的告警根因定位解决方案。本申请实施例的发明人发现传统的业务支撑技术方法主要包括以下几种:
基于告警影响力打分:主要是针对告警影响力进行打分,首先根据告警信息所在的系统节点的网络拓扑图,对故障信息进行告警影响力打分,得分按照公式进行计算:Score=w1*告警类型+w2*是否根因+w3*节点n出度+w4*节点n入度+w5*告警频率+w6*n节点为起点的告警风暴大小+b,当Score>b时,表示告警Wt是根因;当Score<b时,表示Wt不是根因;对网路拓扑系统中所有的故障信息中的每一条告警信息进行分析,通过提取告警信息的对应参数,将其带入至判断公式中,从而快速确定告警信息是否为根因。具体参数需要基于标注好的告警数据进行统计分析或者输入神经网络进行训练。
基于分类算法:通过对告警数据进行预处理,提取出当前对应节点所含特征作为特征集,并获取每条告警信息中的时间、节点信息;根据当前节点信息,结合拓扑关系得到上下位节点,根据时间信息筛选出一定时间区间内上下位节点的告警信息,结合当前节点的特征集构建出上下位节点告警特征;将告警数据集分为训练集与测试集,对得到的所有特征信息进行筛选处理,输入分类算法,将预测性能最好的特征集作为模型分类特征,将训练集所含上述特征值输入分类算法训练得到预测模型,利用训练好的分类模型预测测试集中的数据并输出预测结果,根据预测结果中候选根因数量和时间信息得到最终预测根因结果。
虽然现有的上述分析方法在一定程度上可以解决问题,但本申请实施例的发明人发现这些方法在实际应用到网络云告警根因分析的时候存在一定的缺点,主要包括:(1)需要运维专家进行告警故障数据进行分析,针对数据进行预处理,并进行标注,需要耗费大量的专家经验,同时有一定的主观性。(2)无法应对告警风暴,针对大量告警无法有效的进行告警压缩和告警分割,进而有效的定位到具体的根因设备。
针对上述情况,本申请提出一种告警根因定位方案,或者说是一种故障定位方法,通过实时获取网络云中各网络设备分别对应的一个或多个告警数据,从而得到多个或大师告警数据,为告警根因定位奠定基础;根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,不仅可以实时梳理网络云中的告警数据,实现告警压缩和告警分割,还无需依赖专家经验进行数据标注,节省了大量的人力成本;针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,可以快速定位出每一告警事件的告警根因设备,从而不仅考虑了原始的网络拓扑图,还考虑了告警相关信息,进而有效地定位到具体的根因设备。
下面通过对几个示例性实施方式的描述,对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。需要指出的是,下述实施方式之间可以相互参考、借鉴或结合,对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等,不再重复描述。
本申请一个实施例提供了定位方法,该方法由计算机设备执行,该计算机设备可以是终端或者服务器。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。如图1所示,该方法包括:
步骤S110,获取网络云中各网络设备分别对应的至少一个告警数据,得到多个告警数据;步骤S120,根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,网络拓扑图是根据网络云的系统架构和网络云中各网络设备之间的连接关系生成的;步骤S130,针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,以完成每一告警事件的根因定位。
在获取网络云中各网络设备分别对应的至少一个告警数据时,可以从业务生产系统收集网络云中各网络设备分别对应的一个或多个告警数据,由于一个网络设备可能有一个告警数据,也可能有两个或更多个告警数据,从而最终能够获取到大量的告警数据。
在获取到多个告警数据(即大量告警数据)后,可以先对这些告警数据进行预处理,再根据网络云的网络拓扑图,对经过预处理后的多个告警数据进行告警事件划分。其中,预处理包括但不限于告警数据关键字段提取、去除关键字段空值数据等。
网络云的网络拓扑图是根据网络云的系统架构以及网络云中网络设备之间的连接关系,预先进行网络云的网络拓扑图构建得到的,其中,网络云中网络设备之间的连接关系包括物理连接关系和逻辑连接关系。
在对多个告警数据进行告警事件划分时,可以根据网络云的网络拓扑图(或称作网络拓扑结构),对获取到的多个告警数据进行划分,比如可以将拓扑可达的相关网络设备的告警数据划分为一个告警事件,从而不仅可以实时梳理网络云中的告警数据,还可以进行告警数据的精确分割和告警数据的压缩。
针对每一个告警事件,可以基于网络拓扑图,利用图中心性算法,结合告警相关信息,进行根因定位,即确定每个告警事件的目标告警网络设备。在实际应用中,一个告警事件可能涉及到多个候选告警网络设备,此时需要从多个候选告警网络设备中确定出最终的目标告警网络设备,并将该目标告警网络设备确定为该告警事件的根因设备,即将该目标告警网络设备确定为引起或导致或造成该告警事件的设备。
本申请提供的方法,通过实时获取网络云中各网络设备分别对应的一个或多个告警数据,从而得到多个或大师告警数据,为告警根因定位奠定基础;根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,不仅可以实时梳理网络云中的告警数据,实现告警压缩和告警分割,还无需依赖专家经验进行数据标注,节省了大量的人力成本;针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,可以快速定位出每一告警事件的告警根因设备,从而不仅考虑了原始的网络拓扑图,还考虑了告警相关信息,进而有效地定位到具体的根因设备。
在本申请实施例的一种可能的实现方式中,在根据网络云的网络拓扑图,对多个告警数据进行告警事件划分的过程中,可以根据多个告警数据分别对应的网络设备以及网络拓扑图中网络设备之间的距离,对多个告警数据进行告警事件划分。
下面通过一个示例简单介绍一下告警事件划分的基本原理:
假如A告警数据可能发生的设备为B告警数据可能发生的设备为/>在网络拓扑图中,A告警数据对应的网络设备与B告警数据对应的网络设备之间的距离dist(A,B)可以表示为:
针对A告警数据和B告警数据,会根据网络拓扑图对该两个告警数据进行切割(或划分),在切割过程中,会按照该两个告警数据分别对应的网络设备之间的距离进行分割或划分。比如,可以根据该两个告警数据分别对应的网络设备之间的距离与预定距离阈值的比较,对该两个告警数据进行划分,例如,当该两个告警数据分别对应的网络设备之间的距离小于或等于预定距离阈值时,可以将该两个告警数据划分为一个告警事件,又例如,当该两个告警数据分别对应的网络设备之间的距离大于预定距离阈值时,可以将该两个告警数据划分为两个不同的告警事件。其中,上述的预定距离阈值可以根据实际需要进行设置,如图2所示,预定距离阈值设置为2。
在本申请实施例的一种可能的实现方式中,在对多个告警数据进行告警事件划分之后,若已有告警事件中的任一告警数据所对应的网络设备与新获取到的任一告警数据所对应的网络设备之间的距离,小于或等于预设拓扑距离阈值,且若确定已有告警事件中的任一告警数据的发生时间与新获取到的任一告警数据的发生时间之间的时间差值,小于或等于预设时间阈值,则将新获取到的任一告警数据划分至已有告警事件中,否则,针对新获取到的任一告警数据新建一个告警事件;其中,已有告警事件为所述至少一个告警事件中的任一个。
在实际应用中,对于当前获取到的多个告警数据,可以根据网络拓扑图进行初步的告警事件划分,在完成初步的告警事件划分之后,会得到一个或多个告警事件,该一个或多个告警事件就相当于已经存在了,也就是说,初步的告警事件划分之后就得到了多个告警事件,这些得到的告警事件就属于已存在的告警事件了,或者说,这些得到的告警事件就是已有告警事件了。
在完成初步的告警事件划分之后,如果在已存在的告警事件(例如告警事件L1)中,存在告警数据(例如C告警数据),比如该C告警数据为告警事件L1中的任一个告警数据,并且该C告警数据所对应的网络设备与新传输过来的某个告警数据(例如D告警数据)所对应的网络设备之间的距离在预设的距离阈值内,即该C告警数据所对应的网络设备与D告警数据所对应的网络设备之间的距离小于或等于预设拓扑距离阈值,则:进一步判断C告警数据的发生时间与D告警数据的发生时间是否相近,比如,判断C告警数据的发生时间与D告警数据的发生时间之间的时间差值是否小于或等于预设时间阈值,若小于或等于预设时间阈值,则说明C告警数据的发生时间与D告警数据的发生时间相近,否则说明C告警数据的发生时间与D告警数据的发生时间不相近。如果C告警数据的发生时间与D告警数据的发生时间相近,则将C告警数据与D告警数据划分为一个告警事件,因为C告警数据已经存在于已有告警事件L1中,所以相当于是将D告警数据划分至已存在的告警事件L1中(即C告警数据所在的告警事件L1)。如果C告警数据的发生时间与D告警数据的发生时间不相近,则需要为D告警数据新建一个告警事件,并将D告警数据划分至该新建的告警事件中。
在本申请实施例的一种可能的实现方式中,针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备的处理过程,可以为:基于网络拓扑图,进行每一告警事件对应的多个告警网络设备之间拓扑图的重构,得到告警事件图;接着,根据告警事件图和告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备。
其中,告警相关信息至少包括告警级别、告警数量和告警对端设备信息;图中心性算法包括度中心性算法、接近中心性算法、中介中心性算法或特征向量中心性算法中的至少一项。
在根据告警事件图和告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备的过程中,可以执行如下处理:根据告警事件图中每个告警网络设备的告警数量和告警级别,对每个告警网络设备进行权重叠加处理;接着,基于每个告警网络设备的告警对端设备信息,通过特征向量中心性算法,在告警事件图中进行告警网络设备之间权重的传递,该权重是经权重叠加处理后得到的权重;接着,通过接近中心性算法,对告警事件图进行中心性的计算,并通过度中心性算法,根据计算的计算结果,确定每一告警事件对应的目标告警网络设备。
在确定每一告警事件对应的目标告警网络设备之后,还可以将目标告警网络设备上的至少一个告警数据按照其发生时间和告警级别进行排序,最终得到目标告警网络设备的告警原因。
下面先对图中心性算法进行简要介绍:
中心性(Centrality)是图(或网络)分析(graph/network analysis)中常用的一个概念,用以表达图(或网络)中一个顶点在整个网络中所在中心的程度,也称之为中心度。根据测定中心性方法的不同,可分为度中心性(Degree centrality)、接近中心性(或紧密中心性,Closeness centrality)、中介中心性(或介数中性线,Betweenness centrality)和特征向量中心性等。其中,度中心性根据方向的不同,又分为入度中心性(InDegree)和,出度中心性(OutDegree)等。图3给出了图中心性视图的示意图,图3中包括入度中心性、出度中心性、中介中心性和接近中心性的示意图。
度中心性(Degree Centrality)是在网络分析中刻画节点中心性(Centrality)的最直接度量指标。度中心性可以用来发现图(网络)中与其他点关联最多的顶点,并且可以用来计算整个图的最大度(出度/入度),最小度(出度/入度),平均度(出度/入度)等。一个顶点的度中心性指的是该顶点关联的其他顶点个数(这里不考虑方向)。因此,度中心性越大的顶点其重要性越大。其中,图4给出了一个图度中心性视图的示意图。
通常,为了便于比较或者进行其他计算,需要将度中心度进行标准化。标准化的方式通常是每个顶点的度除以图中可能的最大度数,即N-1,其中N表示图中的顶点个数。其中,图5给出了一个图度中心性标准化后视图的示意图。
中介中心性主要用于衡量一个顶点在图或网络中承担“桥梁”角色的程度,该中心性经常用于反欺诈场景里中介实体的识别。中介中心性用于衡量一个顶点出现在其他任意两个顶点对之间的最短路径的次数,也就是说,如果一个顶点出现在任意两个顶点间最短路径的次数越多,那么该顶点的中介中心性就越大。该算法的第一步要找出任意两个顶点之间的最短路径(通常使用广度优先算法,深度大于1度),然后统计出所有最短路径中,每个中间顶点出现的次数。其中,图6给出了一个图中介中心性视图的示意图。
接近中心性主要用于计算每个顶点到其他所有顶点的最短距离之和。然后将得到的和反过来确定该节点的接近中心性得分。原生的接近中心性计算方式如下:
其中N表示图顶顶点的个数,表示顶点i到顶点n的最短距离。更常见的作法是将此分数标准化,使其表示最短路径的平均长度,而不是它们的和。标准化的接近中心性计算公式如下:
其中N表示图顶顶点的个数,表示顶点i到顶点n的最短距离。如果节点到图中其它节点的最短距离都很小,那么就可以认为该节点的接近中心性高。这个定义其实比度中心性从几何上更符合中心度的概念,因为到其它节点的平均最短距离最小,意味着这个节点从几何角度看是出于图的中心位置。
特征向量中心性(eigenvector centrality)是测量节点对网络影响的一种方式。针对连接数相同的节点,相邻节点分数更高的节点会比相邻节点分数更低的节点分数高,依据此原则给所有节点分配对应的分数。特征向量得分较高意味着该节点与许多自身得分较高的节点相连接。
给定一个节点集合为|V|的图G=(V,E),定义其邻接矩阵为Α=(av,t),当v与t相连时av,t=1,否则av,t=0。则节点v中心性的x分数其求解公式为:
其中M(v)是节点v的相邻节点集合,λ是一个常数。经过一系列变形,改公式可变换为如下所示的特征向量方程:
Ax=λx
通常来说,有许多不同的特征值λ能使得一个特征方程有非零解存在。然而,考虑到特征向量中的所有项均为非负值,根据佩伦-弗罗贝尼乌斯定理,只有特征值最大时才能测量出想要的中心性。然后通过计算网络中的节点v其特征向量的相关分量vth便能得出其对应的中心性的分数。特征向量的定义只有一个公因子,因此各节点中心性的比例可以很好确定。为了确定一个绝对分数,必须将其中一个特征值标准化,例如所有节点评分之和为1或者节点数n。幂次迭代是许多特征值算法中的一种,该算法可以用来寻找这种主导特征向量。此外,以上方法可以推广,使得矩阵A中每个元素可以是表示连接强度的实数,例如随机矩阵。
针对告警数据划分后的每个告警事件,可以结合网络拓扑图,对该每个告警事件中的告警网络设备(即每个告警事件对应的多个告警网络设备或多个网络设备),进行告警网络设备(或网络设备)之间拓扑图的重构,得到相应的告警事件图。每个告警事件可以得到一个告警事件图,当告警数据被划分为多个告警事件后,最终可以最到多个告警事件图。随后,根据告警事件图和告警相关信息(例如告警级别、告警数量和告警对端设备信息等),通过图中心性算法(例如度中心性算法、接近中心性算法、中介中心性算法或特征向量中心性算法中一种或多种),确定每一告警事件对应的目标告警网络设备。
具体地,在得到告警事件图后,针对每个告警事件都可以结合其对应的告警事件图中每个告警网络设备上的告警数量和告警级别进行点的权重叠加处理,得到相应的叠加处理结果;接着,可以结合每个告警网络设备的告警对端设备信息,并结合特征向量中心性算法,进行告警设备之间权重的传递,即在告警事件图中进行告警网络设备之间权重的传递;接着,使用接近中心度算法,对告警事件图在物理层面进行中心性的计算,最后使用度中心性算法,求出最终的根因设备(即目标告警网络设备)。其中,图7给出了确定根因设备的基本过程,通过图7可以看出,首先需要生成告警事件图,接着基于生成的告警事件图执行图中心度算法(即图中心性算法),计算出各节点的得分,最后输出得分最高的节点,该得分最高的节点即为上述的根因设备。
在确出每一告警事件对应的目标告警网络设备之后,还可以将目标告警网络设备上的至少一个告警数据按照其发生时间和告警级别进行排序,得到目标告警网络设备的告警原因(即根因告警)。
图8给出了针对一个告警事件确定告警根因设备的示例,图中包含三个节点,分别为A、B、C,三个节点对应告警数量分别为10,5,5,图中灰色的A节点为根因节点(即根因设备),下面应用本申请实施例中的方法进行计算如下:
a.利用度中心性算法计算得到的得分为:{A:2,B:1,C:1};
b.利用中介中心性算法计算得到的得分为:{A:1,B:0,C:0};
c.利用接近中心性算法计算得到的得分为:{A:1,B:0.66,C:0.66};
d.利用特征向量中心性算法计算得到的得分为:{A:0.5,B:0.25,C:0.25};
e.综合得分为:{A:4.5,B:1.91,C:1.91}。
可以看出,无论是通过度中心性算法、中介中心性算法、接近中心性算法、特征向量中心性算法,还是四种算法的综合得分,A节点的得到都是最高的,从而可以确定该告警事件中的告警根因设备为A。
目前,本申请实施例的定位方法,已在某省5G-NFV场景下实际投入使用了,和其他方法对比效果统计如下表1所示:
表1性能对照表
图9给出了本申请实施例的定位方法的基本处理过程,具体为:
a.数据输入,即从业务生产系统收集告警数据,比如通过获取网络云中各网络设备分别对应的至少一个告警数据,来得到多个告警数据。
b.数据预处理,对得到的多个告警数据进行预处理,包括告警关键字段提取,去除关键字段空值数据。
c.构建拓扑图,根据网络云的系统架构,以及设备之间的连接关系,包括物理连接和逻辑连接,进行网络云的拓扑图构建,便于后续步骤的操作。
d.告警事件划分,根据网络云的网络拓扑图,针对实时告警数据进行划分,将拓扑可达的相关网络设备的告警数据划分为一个告警事件,进行告警数据的精确分割。其中,根据网络拓扑图并结合已有告警事件对告警数据进行告警事件划分属于无监督流程。
e.事件根因定位:针对每个告警事件,使用图中心性算法,结合告警相关信息(包括告警级别,告警数量,告警对端信息等),进行告警数据的根因定位。
本申请实施例采用图中心性算法,对告警信息进行分析建模,实现了一种基于图中心性算法的5G NFV故障定位方法。此外,本申请实施例的方法,完全是无监督的,解决了传统基于有监督数据进行训练,需要进行数据标注的困难,同时节省了大量的人力成本。另外,本申请实施例的方法结合各种图中心性算法,不仅考虑了原始的网络拓扑图,还考虑了告警信息,并构建告警事件拓扑图,同时对告警事件图的点的权重进行更新。
本申请实施例提供了一种定位装置,如图10所示,该定位装置100可以包括:获取模块101、第一处理模块102以及第二处理模块103,其中,
获取模块101,用于获取网络云中各网络设备分别对应的至少一个告警数据,得到多个告警数据;
第一处理模块102,用于根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,网络拓扑图是根据网络云的系统架构和网络云中各网络设备之间的连接关系生成的;
第二处理模块103,用于针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,以完成每一告警事件的根因定位。
本申请实施例的装置,通过实时获取网络云中各网络设备分别对应的一个或多个告警数据,从而得到多个或大师告警数据,为告警根因定位奠定基础;根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,不仅可以实时梳理网络云中的告警数据,实现告警压缩和告警分割,还无需依赖专家经验进行数据标注,节省了大量的人力成本;针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,可以快速定位出每一告警事件的告警根因设备,从而不仅考虑了原始的网络拓扑图,还考虑了告警相关信息,进而有效地定位到具体的根因设备。
在一种可能的实现方式中,第一处理模块在根据网络云的网络拓扑图,对多个告警数据进行告警事件划分时,具体用于:
根据多个告警数据分别对应的网络设备以及网络拓扑图中网络设备之间的距离,对多个告警数据进行告警事件划分。
在一种可能的实现方式中,第一处理模型还用于:
若已有告警事件中的任一告警数据所对应的网络设备与新获取到的任一告警数据所对应的网络设备之间的距离,小于或等于预设拓扑距离阈值,且若确定已有告警事件中的任一告警数据的发生时间与新获取到的任一告警数据的发生时间之间的时间差值,小于或等于预设时间阈值,则将新获取到的任一告警数据划分至已有告警事件中,否则,针对新获取到的任一告警数据新建一个告警事件;
其中,已有告警事件为至少一个告警事件中的任一个。
在一种可能的实现方式中,第二处理模块具体用于:
基于网络拓扑图,进行每一告警事件对应的多个告警网络设备之间拓扑图的重构,得到告警事件图;
根据告警事件图和告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备。
在一种可能的实现方式中,告警相关信息至少包括告警级别、告警数量和告警对端设备信息;
图中心性算法包括度中心性算法、接近中心性算法、中介中心性算法或特征向量中心性算法中的至少一项。
在一种可能的实现方式中,第二处理模块在根据告警事件图和告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备时,具体用于:
根据告警事件图中每个告警网络设备的告警数量和告警级别,对每个告警网络设备进行权重叠加处理;
基于每个告警网络设备的告警对端设备信息,通过特征向量中心性算法,在告警事件图中进行告警网络设备之间权重的传递,该权重是经权重叠加处理后得到的权重;
通过接近中心性算法,对告警事件图进行中心性的计算,并通过度中心性算法,根据计算的计算结果,确定每一告警事件对应的目标告警网络设备。
在一种可能的实现方式中,第二处理模块还用于:
将目标告警网络设备上的至少一个告警数据按照其发生时间和告警级别进行排序,得到目标告警网络设备的告警原因。
本申请实施例的定位装置可执行本申请上述实施例所示的定位方法,其实现原理相类似,本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的,对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述,此处不再赘述。
本申请实施例中还提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,该处理器执行上述计算机程序以实现定位方法的步骤,与现有技术相比可实现:通过实时获取网络云中各网络设备分别对应的一个或多个告警数据,从而得到多个或大师告警数据,为告警根因定位奠定基础;根据网络云的网络拓扑图,对多个告警数据进行告警事件划分,得到至少一个告警事件,不仅可以实时梳理网络云中的告警数据,实现告警压缩和告警分割,还无需依赖专家经验进行数据标注,节省了大量的人力成本;针对每一告警事件,基于网络拓扑图,根据告警相关信息,通过图中心性算法,确定每一告警事件对应的目标告警网络设备,可以快速定位出每一告警事件的告警根因设备,从而不仅考虑了原始的网络拓扑图,还考虑了告警相关信息,进而有效地定位到具体的根因设备。
在一个可选实施例中提供了一种电子设备,如图11所示,图11所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004,收发器4004可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001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4001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4002可包括一通路,在上述组件之间传送信息。总线4002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4002可以分为地址总线、数据总线、控制总线等。为便于表示,图11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4003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、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质,在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序,以实现前述方法实施例所示的步骤。
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,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
本申请实施例还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
应该理解的是,虽然本申请实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本申请实施例的一些实施场景中,各流程图中的实施步骤可以按照需求以其他的顺序执行。此外,各流程图中的部分或全部步骤基于实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以根据需求灵活配置,本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其他类似实施手段,同样属于本申请实施例的保护范畴。
Claims (7)
1.一种定位方法,其特征在于,包括:
获取网络云中各网络设备分别对应的至少一个告警数据,得到多个告警数据;
根据所述网络云的网络拓扑图,对所述多个告警数据进行告警事件划分,得到至少一个告警事件,所述网络拓扑图是根据所述网络云的系统架构和所述网络云中各网络设备之间的连接关系生成的;
针对每一告警事件,基于所述网络拓扑图,根据告警相关信息,通过图中心性算法,确定所述每一告警事件对应的目标告警网络设备,以完成所述每一告警事件的根因定位;
所述针对每一告警事件,基于所述网络拓扑图,根据告警相关信息,通过图中心性算法,确定所述每一告警事件对应的目标告警网络设备,包括:
基于所述网络拓扑图,进行所述每一告警事件对应的多个告警网络设备之间拓扑图的重构,得到告警事件图;
根据所述告警事件图和所述告警相关信息,通过所述图中心性算法,确定所述每一告警事件对应的目标告警网络设备;
所述告警相关信息包括告警级别、告警数量和告警对端设备信息;
所述图中心性算法包括度中心性算法、接近中心性算法和特征向量中心性算法;
所述根据所述告警事件图和所述告警相关信息,通过所述图中心性算法,确定所述每一告警事件对应的目标告警网络设备,包括:
根据所述告警事件图中每个告警网络设备的告警数量和告警级别,对所述每个告警网络设备进行权重叠加处理;
基于所述每个告警网络设备的告警对端设备信息,通过所述特征向量中心性算法,在所述告警事件图中进行告警网络设备之间权重的传递,该权重是经所述权重叠加处理后得到的权重;
通过所述接近中心性算法,对所述告警事件图进行中心性的计算,并通过所述度中心性算法,根据所述计算的计算结果,确定所述每一告警事件对应的目标告警网络设备。
2.根据权利要求1所述的方法,其特征在于,所述根据所述网络云的网络拓扑图,对所述多个告警数据进行告警事件划分,包括:
根据所述多个告警数据分别对应的网络设备以及所述网络拓扑图中所述网络设备之间的距离,对所述多个告警数据进行告警事件划分。
3.根据权利要求2所述的方法,其特征在于,在对所述多个告警数据进行告警事件划分之后,还包括:
若已有告警事件中的任一告警数据所对应的网络设备与新获取到的任一告警数据所对应的网络设备之间的距离,小于或等于预设拓扑距离阈值,且若确定所述已有告警事件中的任一告警数据的发生时间与所述新获取到的任一告警数据的发生时间之间的时间差值,小于或等于预设时间阈值,则将所述新获取到的任一告警数据划分至所述已有告警事件中,否则,针对所述新获取到的任一告警数据新建一个告警事件;
其中,所述已有告警事件为所述至少一个告警事件中的任一个。
4.根据权利要求3所述的方法,其特征在于,在所述确定所述每一告警事件对应的目标告警网络设备之后,还包括:
将所述目标告警网络设备上的至少一个告警数据按照其发生时间和告警级别进行排序,最终得到所述目标告警网络设备的告警原因。
5.一种定位装置,其特征在于,包括:
获取模块,用于获取网络云中各网络设备分别对应的至少一个告警数据,得到多个告警数据;
第一处理模块,用于根据所述网络云的网络拓扑图,对所述多个告警数据进行告警事件划分,得到至少一个告警事件,所述网络拓扑图是根据所述网络云的系统架构和所述网络云中各网络设备之间的连接关系生成的;
第二处理模块,用于针对每一告警事件,基于所述网络拓扑图,根据告警相关信息,通过图中心性算法,确定所述每一告警事件对应的目标告警网络设备,以完成所述每一告警事件的根因定位;
所述针对每一告警事件,基于所述网络拓扑图,根据告警相关信息,通过图中心性算法,确定所述每一告警事件对应的目标告警网络设备,包括:
基于所述网络拓扑图,进行所述每一告警事件对应的多个告警网络设备之间拓扑图的重构,得到告警事件图;
根据所述告警事件图和所述告警相关信息,通过所述图中心性算法,确定所述每一告警事件对应的目标告警网络设备;
所述告警相关信息包括告警级别、告警数量和告警对端设备信息;
所述图中心性算法包括度中心性算法、接近中心性算法和特征向量中心性算法;
所述根据所述告警事件图和所述告警相关信息,通过所述图中心性算法,确定所述每一告警事件对应的目标告警网络设备,包括:
根据所述告警事件图中每个告警网络设备的告警数量和告警级别,对所述每个告警网络设备进行权重叠加处理;
基于所述每个告警网络设备的告警对端设备信息,通过所述特征向量中心性算法,在所述告警事件图中进行告警网络设备之间权重的传递,该权重是经所述权重叠加处理后得到的权重;
通过所述接近中心性算法,对所述告警事件图进行中心性的计算,并通过所述度中心性算法,根据所述计算的计算结果,确定所述每一告警事件对应的目标告警网络设备。
6.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-4任一项所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210520832.0A CN114978878B (zh) | 2022-05-12 | 2022-05-12 | 定位方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210520832.0A CN114978878B (zh) | 2022-05-12 | 2022-05-12 | 定位方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114978878A CN114978878A (zh) | 2022-08-30 |
CN114978878B true CN114978878B (zh) | 2024-03-08 |
Family
ID=82983830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210520832.0A Active CN114978878B (zh) | 2022-05-12 | 2022-05-12 | 定位方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114978878B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351118A (zh) * | 2019-05-28 | 2019-10-18 | 华为技术有限公司 | 根因告警决策网络构建方法、装置和存储介质 |
CN112104495A (zh) * | 2020-09-09 | 2020-12-18 | 四川信息职业技术学院 | 一种基于网络拓扑的系统故障根因定位算法 |
CN112181758A (zh) * | 2020-08-19 | 2021-01-05 | 南京邮电大学 | 一种基于网络拓扑及实时告警的故障根因定位方法 |
CN114285725A (zh) * | 2021-12-24 | 2022-04-05 | 中国电信股份有限公司 | 网络故障确定方法及装置、存储介质及电子设备 |
CN114327988A (zh) * | 2021-12-31 | 2022-04-12 | 海南神州泰岳软件有限公司 | 一种可视化网络故障关系确定方法和装置 |
CN114358312A (zh) * | 2021-12-31 | 2022-04-15 | 中国联合网络通信集团有限公司 | 网络告警事件识别模型的训练方法、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9680915B2 (en) * | 2012-09-12 | 2017-06-13 | Infosys Limited | Methods for clustering networks based on topology discovery and devices thereof |
US20210034673A1 (en) * | 2019-08-02 | 2021-02-04 | Sap Se | Resource-efficient closeness centrality computation in time-evolving graphs |
-
2022
- 2022-05-12 CN CN202210520832.0A patent/CN114978878B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110351118A (zh) * | 2019-05-28 | 2019-10-18 | 华为技术有限公司 | 根因告警决策网络构建方法、装置和存储介质 |
CN112181758A (zh) * | 2020-08-19 | 2021-01-05 | 南京邮电大学 | 一种基于网络拓扑及实时告警的故障根因定位方法 |
CN112104495A (zh) * | 2020-09-09 | 2020-12-18 | 四川信息职业技术学院 | 一种基于网络拓扑的系统故障根因定位算法 |
CN114285725A (zh) * | 2021-12-24 | 2022-04-05 | 中国电信股份有限公司 | 网络故障确定方法及装置、存储介质及电子设备 |
CN114327988A (zh) * | 2021-12-31 | 2022-04-12 | 海南神州泰岳软件有限公司 | 一种可视化网络故障关系确定方法和装置 |
CN114358312A (zh) * | 2021-12-31 | 2022-04-15 | 中国联合网络通信集团有限公司 | 网络告警事件识别模型的训练方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114978878A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112243249B (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
CN113259176B (zh) | 一种告警事件分析方法和装置 | |
CN111431819A (zh) | 一种基于序列化的协议流特征的网络流量分类方法和装置 | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
CN111738817A (zh) | 识别风险社区的方法及系统 | |
CN112949914A (zh) | 一种产业集群的识别方法、装置、存储介质及电子设备 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN115456438A (zh) | 企业经营行为异常预警方法及其应用 | |
CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN114462577A (zh) | 一种联邦学习系统、方法、计算机设备及存储介质 | |
CN115514627A (zh) | 一种故障根因定位方法、装置、电子设备及可读存储介质 | |
CN105634781B (zh) | 一种多故障数据解耦方法和装置 | |
CN114978878B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
Dong | Application of Big Data Mining Technology in Blockchain Computing | |
CN116668264A (zh) | 一种告警聚类的根因分析方法、装置、设备及存储介质 | |
CN116050159A (zh) | 一种仿真场景集生成方法、装置、设备及介质 | |
CN115484112A (zh) | 支付大数据安全防护方法、系统及云平台 | |
CN113285977B (zh) | 基于区块链和大数据的网络维护方法及系统 | |
CN114356737A (zh) | 模型监测方法、设备、存储介质及计算机程序产品 | |
CN114205214A (zh) | 一种电力通信网络故障识别方法、装置、设备及存储介质 | |
CN116541252B (zh) | 一种机房故障日志数据处理方法及装置 | |
CN115865740B (zh) | 一种基于网络结构的关键链路识别方法及装置 | |
CN114793200B (zh) | 一种基于电力物联网网络结构的重要物联节点识别方法 | |
CN117149486A (zh) | 告警和根因定位方法、模型训练方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |