CN115037599A - 一种通信网络故障预警方法、装置、设备及介质 - Google Patents
一种通信网络故障预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115037599A CN115037599A CN202210665052.5A CN202210665052A CN115037599A CN 115037599 A CN115037599 A CN 115037599A CN 202210665052 A CN202210665052 A CN 202210665052A CN 115037599 A CN115037599 A CN 115037599A
- Authority
- CN
- China
- Prior art keywords
- fault
- value
- early warning
- preset
- sample
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 48
- 230000005540 biological transmission Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明提供了一种通信网络故障预警方法、装置、设备及介质,该方法中在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,生成参数向量;基于预先训练完成的MLP模型及该参数向量,对采集该预设故障参数的值的时刻之后的预设时间长度内基站发生故障的概率进行预测,从而能够提前对基站可能出现的故障预测,有助于提高故障处理的效率,也有一定的可能性来避免故障的发生,且直观的输出故障预警等级,方便了用户使用。
Description
技术领域
本发明属于移动通信技术领域,尤其涉及一种通信网络故障预警方法、装置、设备及介质。
背景技术
随着通信网络的不断发展,网络规模越来越大,网络故障也越来越多,网络故障处理在日常网络维护中越来越重要。现阶段通信网络中,网络故障处理较为被动,主要通过故障监控、上报手段来处理,处理手段单一,时效慢,人工监控,耗时耗力等弊端,并且现有技术中也只能对已经发生的故障进行处理,未能对未来时间段可能发生的故障进行预警。
故而,需要一种时效较高、自动化监控预警解决方法,解决以往通信网络故障监控方式的弊端。
发明内容
本发明提供了一种通信网络故障预警方法、装置、设备及介质,用于解决通信网络故障监控方式的弊端。
第一方面,本发明提供了一种通信网络故障预警方法,所述方法包括:
在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,其中所述预设故障参数包括机房温度,传输网络性能指标,机房电池剩余电量和设定时间长度内基站出现故障的概率,其中传输网络性能指标为丢包率、光衰率和误码率中的至少一个;
根据获取到的所述各预设故障参数的值,生成参数向量,将所述参数向量输入到预先训练完成的多层感知器MLP模型中,获取所述MLP模型输出的故障预警概率;
根据预先设置的故障预警等级阈值与故障预警概率的对应关系,确定所述故障预警概率对应的故障预警等级并输出。
在一种可能的实施方式中,根据获取到的各预设故障参数的值,生成参数向量之前,所述方法还包括:
针对各预设故障参数,根据该预设故障参数对应的参数范围,确定该预设故障参数的值是否在该参数范围内;
若各预设故障参数的值均在对应的参数范围内,则进行后续的根据获取到的各预设故障参数的值,生成参数向量的步骤。
在一种可能的实施方式中,根据获取到的各预设故障参数的值,生成参数向量之前,所述方法还包括:
针对所述机房温度的值,根据预设的温度最大值和最小值,对所述机房温度的值进行归一化;
针对所述机房电池剩余电量的值,根据预设的电量最大值和最小值,对所述机房电池剩余电量的值进行归一化。
在一种可能的实施方式中,所述MLP模型通过以下方式训练:
获取训练数据样本集中的任一样本及该样本对应的是否发生网络故障的标识值,所述标识值根据该样本采集时刻之后的预设时间段内是否发生故障确定,其中,所述样本包括:机房样本温度值,传输网络性能样本指标值,机房电池样本剩余电量值和设定时间长度内基站出现故障的样本概率值;
将该样本及该样本对应的标识值输入到原始MLP模型中,获取所述原始MLP模型输出的预估故障预警概率;
根据所述预估故障预警概率及所述标识值,对所述原始MLP模型中的参数进行调整。
第二方面,本发明提供了一种通信网络故障预警装置,所述装置包括:
获取模块,用于在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,其中所述预设故障参数包括机房温度,传输网络性能指标,机房电池剩余电量和设定时间长度内基站出现故障的概率,其中传输网络性能指标为丢包率、光衰率和误码率中的至少一个;
确定模块,用于根据获取到的所述各预设故障参数的值,生成参数向量,将所述参数向量输入到预先训练完成的多层感知器MLP模型中,获取所述MLP模型输出的故障预警概率;
输出模块,用于根据预先设置的故障预警等级阈值与故障预警概率的对应关系,确定所述故障预警概率对应的故障预警等级并输出。
在一种可能的实施方式中,所述确定模块,具体用于针对各预设故障参数,根据该预设故障参数对应的参数范围,确定该预设故障参数的值是否在该参数范围内;若各预设故障参数的值均在对应的参数范围内,则进行后续的根据获取到的各预设故障参数的值,生成参数向量的步骤。
在一种可能的实施方式中,所述确定模块,具体用于针对所述机房温度的值,根据预设的温度最大值和最小值,对所述机房温度的值进行归一化;针对所述机房电池剩余电量的值,根据预设的电量最大值和最小值,对所述机房电池剩余电量的值进行归一化。
在一种可能的实施方式中,所述装置还包括:训练模块,用于获取训练数据样本集中的任一样本及该样本对应的是否发生网络故障的标识值,所述标识值根据该样本采集时刻之后的预设时间段内是否发生故障确定,其中,所述样本包括:机房样本温度值,传输网络性能样本指标值,机房电池样本剩余电量值和设定时间长度内基站出现故障的样本概率值;将该样本及该样本对应的标识值输入到原始MLP模型中,获取所述原始MLP模型输出的预估故障预警概率;根据所述预估故障预警概率及所述标识值,对所述原始MLP模型中的参数进行调整。
第三方面,本发明提供了一种电子设备,所述电子设备至少包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述的一种通信网络故障预警方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述的一种通信网络故障预警方法的步骤。
本发明在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,生成参数向量;基于预先训练完成的MLP模型及该参数向量,对采集该预设故障参数的值的时刻之后的预设时间长度内基站发生故障的概率进行预测,从而能够提前对基站可能出现的故障预测,有助于提高故障处理的效率,也有一定的可能性来避免故障的发生,且直观的输出故障预警等级,方便了用户使用。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种通信网络预警过程示意图;
图2a为本发明的一些实施例提供的一种通信网络故障预警装置的结构示意图之一;
图2b为本发明的一些实施例提供的一种通信网络故障预警装置的结构示意图之二;
图3为本发明的一些实施例提供的一种电子设备结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
需要说明的是,本发明中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本发明的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本发明中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的所有组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合,能够执行与该元件相关的功能。
以下结合说明书附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明,并且在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本发明实施例提供了一种通信网络故障预警方法、装置、设备及介质,该方法中在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,其中所述预设故障参数包括机房温度,传输网络性能指标,所述传输网络性能指标为丢包率、光衰率和误码率中的至少一个,机房电池剩余电量和设定时间长度内基站出现故障的概率;根据获取到的所述各预设故障参数的值,生成参数向量,将所述参数向量输入到预先训练完成的多层感知器MLP模型中,获取所述MLP模型输出的故障预警概率;根据预先设置的故障预警等级阈值与故障预警概率的对应关系,确定所述故障预警概率对应的故障预警等级并输出。
为了提高通信网络故障监控的效率,本发明实施例提供了一种通信网络预警方法、装置、设备及介质。
实施例1:
图1为本发明实施例提供的一种通信网络预警过程示意图,该过程包括以下步骤:
S101:在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,其中所述预设故障参数包括机房温度,传输网络性能指标,机房电池剩余电量和设定时间长度内基站出现故障的概率,其中所述传输网络性能指标为丢包率、光衰率和误码率中的至少一个。
本发明实施例提供的方法应用于PC、服务器等设备,下面以服务器为例进行说明。
为了对通信网络可能出现的故障进行预警,在本发明实施例中,在满足故障预警条件时,例如与上一次进行预警的时间间隔达到设定时长,服务器可以获取当前各类故障预警参数的值,各故障预警参数包括有机房温度,传输网络性能指标,机房电池剩余电流,并基于历史记录获取当前所需的预设故障参数的值,该预设故障参数为设定时间长度内基站出现故障的概率。
机房温度是指用于存放网络传输设备的机房的温度。由于机房配备有很多网络传输设备,若机房温度过高则可能会导致网络传输设备启动自我保护,从而停止运行,甚至引起火灾,所以需要对机房温度进行监测。具体的,可以通过服务器获取机房温度传感器的温度值来对机房温度进行监测,进而对机房温度可能造成的故障进行预警。
传输网络性能指标包括丢包率、光衰率和误码率中的至少一个。网络中数据的传输是以发送和接收数据包的形式传输的,理想状态下是发送了多少数据包就能接收到多少数据包,但是由于信号衰减、网络质量等等诸多因素的影响下,并不会出现理想状态的结果,也就是不会发出去多少数据包就能接收到多少。在单位时间内发送的数据包和未收到的数据包的比率就是丢包率。
而网络数据又是通过光纤来传输的,光纤在传输过程中会存在衰减即光衰,当光衰率达到一定程度的时候,其中传输的数据信号无法被解析则会导致网络故障。数据信号在传输过程中不可避免地会产生差错。例如在传输过程中受到外界的干扰而使传送的信号发生畸变等。当受到的干扰或信号畸变达到一定程度时,就会产生差错。误码率就是一个衡量数据在单位时间内数据传输精确性的指标。故光衰率,丢包率和误码率中的任意一个均可能反映网络故障。在本发明实施例中服务器可以从网管日志中获取传输网络性能指标,即丢包率、光衰率和误码率中的至少一个。
因为可能出现断电情况,但是为了保持网络畅通,机房需要时刻供电,所以机房配置有电池以防止断电造成网络故障。机房电池剩余电量则成为网络故障预警的参数之一。
为了更准确的对网络故障进行预警,还可以参考历史故障,故将设定时间长度内基站出现故障的概率作为本发明实施例的预设故障参数之一。
在本发明实施例中通过服务器获取基站历史故障,即获取设定时间长度内基站出现故障的概率。具体的,可以获取设定时间长度内如7天内基站出现故障的天数,计算出现故障天数与设定时间总天数的比值得到设定时间长度内基站出现故障的概率。
S102:根据获取到的所述各预设故障参数的值,生成参数向量,将所述参数向量输入到预先训练完成的多层感知器MLP模型中,获取所述MLP模型输出的故障预警概率。
为了更准确、高效的对网络故障进行预警,可以基于获取到的各预设故障参数的值,生成参数向量,在生成该参数向量时,可以按照每个预设故障参数在该参数向量中对应的元素位置,将每个预设故障参数的值作为参数向量中对应元素的值,得到该参数向量。得到参数向量后,将该参数向量输入到预先训练完成的多层感知器(MultilayerPerceptron,MLP)模型,该MLP模型可以对故障预警概率进行预测,输出该参数向量对应的基站在采集该预设故障参数的值之后的预设时间内发生网络故障的概率,即故障预警概率。
S103:根据预先设置的故障预警等级阈值与故障预警概率的对应关系,确定所述故障预警概率对应的故障预警等级并输出。
为了能够将故障预警概率更直观的输出,可以设置不同的故障预警概率对应不同的预警等级,具体的,可以设置故障预警概率范围和预警等级的对应关系,以便工作人员能够根据不同等级迅速采取相关措施保证网络正常运行。
其中,基站故障预警等级越高,基站发生故障的概率越大。
在本发明实施例中,在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,生成参数向量;基于预先训练完成的MLP模型及该参数向量,对采集该预设故障参数的值的时刻之后的预设时间长度内基站发生故障的概率进行预测,从而能够提前对基站可能出现的故障预测,有助于提高故障处理的效率,也有一定的可能性来避免故障的发生,且直观的输出故障预警等级,方便了用户使用。
实施例2:
为了进一步提高基站网络故障预警的准确性,在上述实施例的基础上,在本发明实施例中,所述根据获取到的各预设故障参数的值,生成参数向量之前,所述方法还包括:
针对各预设故障参数,根据该预设故障参数对应的参数范围,确定该预设故障参数的值是否在该参数范围内;
若各预设故障参数的值均在对应的参数范围内,则进行后续的根据获取到的各预设故障参数的值,生成参数向量的步骤。
由于获取到的各预设故障参数的值可能出现误差,从而影响预测的准确性,故可以在生成参数向量之前,对获取到的各预设故障参数的值进行确认,即根据该预设故障参数对应的参数范围,确定该预设故障参数的值是否在该参数范围内。
具体的,为了保证网络设备的正常运行,机房温度一般不超过65摄氏度,机房温度值对应的范围应该在0到100摄氏度之间,因此,若获取到的机房温度高于100摄氏度或者低于0摄氏度,则可能为获取到的机房温度值出现了误差。而机房电池剩余电量值也是有固定范围的,机房电池剩余电量值对应的范围在0到机房电池最高储电量之间,若获取到的机房电池剩余电量值小于0或者高于机房电池最高储电量,说明获取到的机房电池剩余电量值出现误差。同理,传输网络性能指标即光衰率、丢包率、误码率和设定时间长度内基站出现故障的概率值的范围均应该在0到100%之间。
针对获取到的各预设故障参数的值,根据该预设故障参数对应的参数范围,确定该预设故障参数的值是否在该参数范围内;若各预设故障参数的值均在对应的参数范围内,则说明每个预设故障参数的值均正常,可以进行后续的根据获取到的各预设故障参数的值,生成参数向量的步骤。若任一预设故障参数的值不在该预设故障参数对应的参数范围内,则说明该时刻获取的预设故障参数的值有误差,则可以重新获取每个预设故障参数的值,或者只获取该出现误差的预设故障参数的值。
本发明实施例在根据获取到的各预设故障参数的值,生成参数向量之前,基于各预设故障参数对应的参数范围,对获取到的各预设故障参数对应的值进行确认,保障了参数向量的准确性,进而保证了网络故障预警的准确性。
实施例3:
为了进一步提高通信网络故障预警的准确性,在上述各实施例的基础上,在本发明实施例中,所述根据获取到的各预设故障参数的值,生成参数向量之前,所述方法还包括:
针对所述机房温度的值,根据预设的温度最大值和最小值,对所述机房温度的值进行归一化;
针对所述机房电池剩余电量的值,根据预设的电量最大值和最小值,对所述机房电池剩余电量的值进行归一化。
为了进一步提高通信网络故障预警的准确性,本发明实施例在根据获取到的各预设故障参数的值,生成参数向量之前,将各预设故障参数的值进行归一化处理,即将各预设故障参数的值收敛到[0,1]的范围内。因为各预设故障参数的值中,传输网络性能指标值和设定时间长度内基站出现故障的概率值均在[0,1]的范围内,所以仅需要对机房温度的值和机房电池剩余电量的值进行归一化处理即可。
具体的,针对获取到的机房温度值和机房电池剩余电量值,分别获取机房温度最大值、机房温度最小值和机房电池电量最大值、机房电池电量最小值。
计算机房温度值与机房温度最小值的机房温度第一差值、机房温度最大值与机房温度最小值的机房温度第二差值,进而计算机房温度第一差值与机房温度第二差值的比值,得到归一化后的机房温度收敛值;
计算机房电池剩余电量值与机房电池电量最小值的第一差值、机房电池电量最大值与机房电池电量最小值的第二差值,进而计算第一差值与第二差值的比值,得到归一化后的机房电池剩余电量收敛值。
在本发明实施例中,根据获取到的各预设故障参数的值,生成参数向量之前,针对机房温度的值和机房电池剩余电量的值,根据预设的最大值和最小值,进行归一化处理,得到收敛到[0,1]的各预设故障参数的值,进一步保障了网络故障预警的准确性。
实施例4:
为了进一步保证通信网络故障预警的准确性,在上述各实施例的基础上,在本发明实施例中,所述MLP模型通过以下方式训练:
获取训练数据样本集中的任一样本及该样本对应的是否发生网络故障的标识值,所述标识值根据该样本采集时刻之后的预设时间段内是否发生故障确定,其中,所述样本包括:机房样本温度值,传输网络性能样本指标值,机房电池样本剩余电量值和设定时间长度内基站出现故障的样本概率值;
将该样本及该样本对应的标识值输入到原始MLP模型中,获取所述原始MLP模型输出的预估故障预警概率;
根据所述预估故障预警概率及所述标识值,对所述原始MLP模型中的参数进行调整。
在本发明实施例中,为了提高MLP模型的精度,本发明实施例中预先设置有对该MLP模型进行的训练数据样本集,该训练数据样本集中包含多个样本,其中每个样本包括但不限于下列预设故障参数的值:机房样本温度值,传输网络性能样本指标值,机房电池样本剩余电量值和设定时间长度内基站出现故障的样本概率值,其中该样本中包含的各预设故障参数的值是在同一时间采集的。并且可以基于日志中记录的各个基站的信息,确定每个样本。
为了使训练后的MLP模型能够对基站是否可能发生故障进行预测,在本发明实施例中,当采集预设故障参数的值得到样本后,可以根据该预设故障参数的值的采集时刻,查找该采集时刻之后的预设时间段内是否发生故障,根据是否发生故障,确定该样本对应的标识值,例如1可以表示发生故障,0表示未发生故障。
服务器基于训练数据样本集中的每个样本,对待训练的MLP模型进行迭代训练,直到训练后的目标MLP模型收敛为止,其中,在一次迭代过程中,执行以下操作:
将获取到的样本输入到原始MLP模型中,获取原始MLP模型输出相应的预估故障预警概率;
根据预估故障预警概率和该样本对应的标识值之间的差异,对该原始MLP模型中的参数进行调整。
在本发明实施例中,通过将获取到的样本及该样本对应的是否发生网络故障的标识值输入到原始MLP模型中,获取原始MLP模型输出的预估故障预警概率;根据预估故障预警概率及标识值,对原始MLP模型中的参数进行调整,进一步保障了网络故障预警的准确性。
本发明实施例中的MLP模型应用了一个线性函数和一个非线性的激活函数,该线性函数为:其中,c为神经元之间的连接强度权重表示,权重的大小表示可能性的大小;b为偏置,偏置的设置是为了正确分类样本,即保证通过输入算出的输出值不能随便激活,k为故障因子损失补偿。
非线性的激活函数为:起非线性映射的作用,其可将神经元的输出幅度限制在一定范围内,一般限制在(-1~1)或(0~1)之间。本发明实施例选用最常用的激活函数Sigmoid函数,激活函数Sigmoid函数可将(-∞,+∞)的数映射到(0~1)的范围内。
将获取到的当前进行预警的机房温度值,传输网络性能指标值即丢包率、光衰率和误码率中的至少一个,机房电池剩余电量值和设定时间长度内基站出现故障的概率值等各预设故障参数的值,生成参数向量,记为x1,x2,x3……xn,作为MLP模型的输入,并基于该MLP模型对输入的参数向量进行多层计算,层与层之间的输出值为a,设输入有x1,x2,x3,对于第二层的输出有:
其中,具体表示该MLP模型第n层的第j个神经元的输出值,为第n层的第j个神经元和第n个神经元之间的连接强度权重,表示该MLP模型第n-1层的第i个神经元的输出值,为第n层的第j个神经元的偏置,为第n层的第j个神经元的故障因子损失补偿。
本发明实施例在现有MLP模型所应用的线性函数的基础上引入了故障因子损失补偿参数k,使得MLP模型基于样本输出的预估故障预警概率更接近该样本采集时刻之后的预设时间段内是否发生故障即该样本对应的标识值,进一步提高了网络故障预警的准确性。
在上述各实施例的基础上,本发明还提供了一种通信网络故障预警装置,图2a为本发明的一些实施例提供的一种通信网络故障预警装置的结构示意图之一。如图2a所示,所述装置包括:
获取模块201,用于在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,其中所述预设故障参数包括机房温度,传输网络性能指标,机房电池剩余电量和设定时间长度内基站出现故障的概率,其中传输网络性能指标为丢包率、光衰率和误码率中的至少一个;
确定模块202,用于根据获取到的所述各预设故障参数的值,生成参数向量,将所述参数向量输入到预先训练完成的多层感知器MLP模型中,获取所述MLP模型输出的故障预警概率;
输出模块203,用于根据预先设置的故障预警等级阈值与故障预警概率的对应关系,确定所述故障预警概率对应的故障预警等级并输出。
在一种可能的实施方式中,确定模块202,具体用于针对各预设故障参数,根据该预设故障参数对应的参数范围,确定该预设故障参数的值是否在该参数范围内;若各预设故障参数的值均在对应的参数范围内,则进行后续的根据获取到的各预设故障参数的值,生成参数向量的步骤。
在一种可能的实施方式中,确定模块202,具体用于针对所述机房温度的值,根据预设的温度最大值和最小值,对所述机房温度的值进行归一化;针对所述机房电池剩余电量的值,根据预设的电量最大值和最小值,对所述机房电池剩余电量的值进行归一化。
图2b为本发明的一些实施例提供的一种通信网络故障预警装置的结构示意图之二。如图2b所示,在一种可能的实施方式中,所述装置还包括:
训练模块204,用于获取训练数据样本集中的任一样本及该样本对应的是否发生网络故障的标识值,所述标识值根据该样本采集时刻之后的预设时间段内是否发生故障确定,其中,所述样本包括:机房样本温度值,传输网络性能样本指标值,机房电池样本剩余电量值和设定时间长度内基站出现故障的样本概率值;将该样本及该样本对应的标识值输入到原始MLP模型中,获取所述原始MLP模型输出的预估故障预警概率;根据所述预估故障预警概率及所述标识值,对所述原始MLP模型中的参数进行调整。
该装置具体可以部署在终端中,终端的其他功能具体参见上述其他实施例的描述。
在上述各实施例的基础上,本发明还提供了一种电子设备,图3为本发明的一些实施例提供的一种电子设备结构示意图。如图3所示,包括:处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信;
所述存储器303中存储有计算机程序,当所述程序被所述处理器301执行时,使得所述处理器301以完成上述任一所述一种通信网络故障预警方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图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。
通信接口302用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字指令处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
在上述各实施例的基础上,本发明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内存储有可由电子设备执行的计算机程序,计算机可执行指令用于使计算机执行前述任一所述一种通信网络故障预警方法所执行的流程。
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)等。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种通信网络故障预警方法,其特征在于,所述方法包括:
在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,其中所述预设故障参数包括机房温度,传输网络性能指标,机房电池剩余电量和设定时间长度内基站出现故障的概率,其中传输网络性能指标为丢包率、光衰率和误码率中的至少一个;
根据获取到的所述各预设故障参数的值,生成参数向量,将所述参数向量输入到预先训练完成的多层感知器MLP模型中,获取所述MLP模型输出的故障预警概率;
根据预先设置的故障预警等级阈值与故障预警概率的对应关系,确定所述故障预警概率对应的故障预警等级并输出。
2.根据权利要求1所述的方法,其特征在于,所述根据获取到的各预设故障参数的值,生成参数向量之前,所述方法还包括:
针对各预设故障参数,根据该预设故障参数对应的参数范围,确定该预设故障参数的值是否在该参数范围内;
若各预设故障参数的值均在对应的参数范围内,则进行后续的根据获取到的各预设故障参数的值,生成参数向量的步骤。
3.根据权利要求1或2所述的方法,其特征在于,所述根据获取到的各预设故障参数的值,生成参数向量之前,所述方法还包括:
针对所述机房温度的值,根据预设的温度最大值和最小值,对所述机房温度的值进行归一化;
针对所述机房电池剩余电量的值,根据预设的电量最大值和最小值,对所述机房电池剩余电量的值进行归一化。
4.根据权利要求1所述的方法,其特征在于,所述MLP模型通过以下方式训练:
获取训练数据样本集中的任一样本及该样本对应的是否发生网络故障的标识值,所述标识值根据该样本采集时刻之后的预设时间段内是否发生故障确定,其中,所述样本包括:机房样本温度值,传输网络性能样本指标值,机房电池样本剩余电量值和设定时间长度内基站出现故障的样本概率值;
将该样本及该样本对应的标识值输入到原始MLP模型中,获取所述原始MLP模型输出的预估故障预警概率;
根据所述预估故障预警概率及所述标识值,对所述原始MLP模型中的参数进行调整。
5.一种通信网络故障预警装置,其特征在于,所述装置包括:
获取模块,用于在确定满足故障预警条件时,获取当前进行预警的各预设故障参数的值,其中所述预设故障参数包括机房温度,传输网络性能指标,机房电池剩余电量和设定时间长度内基站出现故障的概率,其中传输网络性能指标为丢包率、光衰率和误码率中的至少一个;
确定模块,用于根据获取到的所述各预设故障参数的值,生成参数向量,将所述参数向量输入到预先训练完成的多层感知器MLP模型中,获取所述MLP模型输出的故障预警概率;
输出模块,用于根据预先设置的故障预警等级阈值与故障预警概率的对应关系,确定所述故障预警概率对应的故障预警等级并输出。
6.根据权利要求5所述的装置,其特征在于,所述确定模块,具体用于针对各预设故障参数,根据该预设故障参数对应的参数范围,确定该预设故障参数的值是否在该参数范围内;若各预设故障参数的值均在对应的参数范围内,则进行后续的根据获取到的各预设故障参数的值,生成参数向量的步骤。
7.根据权利要求5或6所述的装置,其特征在于,所述确定模块,具体用于针对所述机房温度的值,根据预设的温度最大值和最小值,对所述机房温度的值进行归一化;针对所述机房电池剩余电量的值,根据预设的电量最大值和最小值,对所述机房电池剩余电量的值进行归一化。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
训练模块,用于获取训练数据样本集中的任一样本及该样本对应的是否发生网络故障的标识值,所述标识值根据该样本采集时刻之后的预设时间段内是否发生故障确定,其中,所述样本包括:机房样本温度值,传输网络性能样本指标值,机房电池样本剩余电量值和设定时间长度内基站出现故障的样本概率值;将该样本及该样本对应的标识值输入到原始MLP模型中,获取所述原始MLP模型输出的预估故障预警概率;根据所述预估故障预警概率及所述标识值,对所述原始MLP模型中的参数进行调整。
9.一种电子设备,其特征在于,所述电子设备至少包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-4中任一所述的一种通信网络故障预警方法的步骤。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的一种通信网络故障预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210665052.5A CN115037599A (zh) | 2022-06-13 | 2022-06-13 | 一种通信网络故障预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210665052.5A CN115037599A (zh) | 2022-06-13 | 2022-06-13 | 一种通信网络故障预警方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115037599A true CN115037599A (zh) | 2022-09-09 |
Family
ID=83124100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210665052.5A Pending CN115037599A (zh) | 2022-06-13 | 2022-06-13 | 一种通信网络故障预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115037599A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116112344A (zh) * | 2023-04-11 | 2023-05-12 | 山东金宇信息科技集团有限公司 | 一种机房故障网络设备检测方法、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN109523752A (zh) * | 2018-11-28 | 2019-03-26 | 润电能源科学技术有限公司 | 一种设备故障预警方法、装置、电子设备和介质 |
CN111178423A (zh) * | 2019-12-25 | 2020-05-19 | 国网电子商务有限公司 | 一种故障预警方法及装置 |
CN112492630A (zh) * | 2019-09-11 | 2021-03-12 | 中国电信股份有限公司 | 基站设备的故障预测方法、装置和基站 |
CN112910691A (zh) * | 2021-01-19 | 2021-06-04 | 中国工商银行股份有限公司 | 机房故障检测方法及装置 |
WO2022105266A1 (zh) * | 2020-11-17 | 2022-05-27 | 日立楼宇技术(广州)有限公司 | 电梯故障预测方法、系统、装置、计算机设备和存储介质 |
-
2022
- 2022-06-13 CN CN202210665052.5A patent/CN115037599A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN109523752A (zh) * | 2018-11-28 | 2019-03-26 | 润电能源科学技术有限公司 | 一种设备故障预警方法、装置、电子设备和介质 |
CN112492630A (zh) * | 2019-09-11 | 2021-03-12 | 中国电信股份有限公司 | 基站设备的故障预测方法、装置和基站 |
CN111178423A (zh) * | 2019-12-25 | 2020-05-19 | 国网电子商务有限公司 | 一种故障预警方法及装置 |
WO2022105266A1 (zh) * | 2020-11-17 | 2022-05-27 | 日立楼宇技术(广州)有限公司 | 电梯故障预测方法、系统、装置、计算机设备和存储介质 |
CN112910691A (zh) * | 2021-01-19 | 2021-06-04 | 中国工商银行股份有限公司 | 机房故障检测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116112344A (zh) * | 2023-04-11 | 2023-05-12 | 山东金宇信息科技集团有限公司 | 一种机房故障网络设备检测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019413432B2 (en) | Scalable system and engine for forecasting wind turbine failure | |
CN114943321A (zh) | 一种针对硬盘的故障预测方法、装置及设备 | |
KR102515853B1 (ko) | 배터리 셀 단위를 기반으로 하는 이상 진단 장치, 시스템 및 방법 | |
CN115037599A (zh) | 一种通信网络故障预警方法、装置、设备及介质 | |
CN113590429A (zh) | 一种服务器故障诊断方法、装置及电子设备 | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
CN117235743A (zh) | 一种基于安全风险的智慧电力管理方法及系统 | |
CN111611097A (zh) | 故障检测方法、装置、设备及存储介质 | |
CN116010897A (zh) | 数据异常检测的方法、装置、电子设备及存储介质 | |
CN113268844B (zh) | 一种用于电力线路的故障设备获取方法、装置、设备 | |
KR102389317B1 (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
CN115409100A (zh) | 电力事故应急方案生成方法、装置、介质及设备 | |
CN111478913B (zh) | 配用电通信网络的网络入侵检测方法、装置及存储介质 | |
EP4364043A1 (en) | Method and apparatus for detecting and explaining anomalies | |
CN113808727A (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
CN112671590A (zh) | 数据传输方法、装置、电子设备及计算机存储介质 | |
CN113780689B (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
CN117579149A (zh) | 光纤故障预测方法、装置及存储介质 | |
CN117689214B (zh) | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 | |
CN114236484A (zh) | 二次雷达及防撞系统健康管理方法、装置、设备及介质 | |
US20240095588A1 (en) | Methods, apparatus and machine-readable mediums relating to machine learning models | |
CN114970864A (zh) | 模型更新方法、装置、电子设备及存储介质 | |
CN116819345A (zh) | 电池系统故障识别方法、装置、电子设备及存储介质 |
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 |