CN115086139B - 通信网络告警故障处理优先级调整方法及装置 - Google Patents
通信网络告警故障处理优先级调整方法及装置 Download PDFInfo
- Publication number
- CN115086139B CN115086139B CN202110270112.9A CN202110270112A CN115086139B CN 115086139 B CN115086139 B CN 115086139B CN 202110270112 A CN202110270112 A CN 202110270112A CN 115086139 B CN115086139 B CN 115086139B
- Authority
- CN
- China
- Prior art keywords
- alarm
- base station
- target
- type
- type base
- 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
- H04L41/0631—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
- 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
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种通信网络告警故障处理优先级调整方法及装置,包括:对通信网络中目标类型基站进行流量异常检测,得到目标类型基站在多个时间段内的多个流量异常评估数据;获取目标类型基站在多个时间段的多个告警向量;以告警向量为样本,以告警向量对应的流量异常评估数据为标签,基于多个告警向量和所述流量异常评估数据对告警模型进行训练直至告警模型的参数收敛;基于告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值;基于所述重要性评估值,对目标类型基站中各告警类型的故障处理优先级进行调整。本申请实施例能够准确评估网络设备的设备告警重要性,有效调整告警故障处理的优先级。
Description
技术领域
本申请涉及通信网络技术领域,尤其涉及一种通信网络告警故障处理优先级调整方法及装置。
背景技术
在传统的网络管理中,告警的重要性是通过由网络设备专家依靠经验知识对告警的重要性进行分级,最重要的告警为一级告警,次要一些的为二级告警,以此类推。
目前存在利用人工智能的方法进行告警重要性评估来提升告警重要性评估的客观性和准确性,有的方案采用了有监督的神经网络算法对告警权重进行评估,选取了网络设备的类型、告警级别、连接的网络设备数量作为训练特征,该方法需要网络设备专家对训练数据中的告警权重进行标注后才能对模型进行训练,人工标注存在较强的主观性,且标注工作量大。
此外,人工标注告警重要性的方法存在告警区分粒度较粗的缺陷,一般告警被分为四个级别,每个级别都有很多告警标题,同一级别的告警重要性无法区分,并且是分级存在主观性,可能存在评级不准确不客观等问题。因此,导致网络设备告警重要性评估结果准确性低,在按照网络设备告警重要性评估结果执行告警故障处理时,会出现严重故障的网络设备无法及时优先得到处理,如此会给整个通信网络的安全性带来风险。
如何对通信网络中的设备告警重要性进行准确评估,以有效调整网络设备告警故障处理的优先级是目前亟待解决的技术问题。
发明内容
本申请实施例的目的是提供一种通信网络告警故障处理优先级调整方法及装置,用以解决现有人工标注训练评估的网络设备告警重要性准确性低导致网络设备告警故障处理的优先级调整效率不高的问题。
为了解决上述技术问题,本说明书是这样实现的:
第一方面,提供了一种通信网络告警故障处理优先级调整方法,包括:对通信网络中目标类型基站进行流量异常检测,得到目标类型基站在多个时间段内的多个流量异常评估数据,一个所述流量异常评估数据表示一个所述目标类型基站在一个所述时间段内的流量异常程度;
获取所述目标类型基站在所述多个时间段的多个告警向量,一个所述告警向量用于指示一个所述目标类型基站在一个所述时间段内产生的告警类型;
以告警向量为样本,以告警向量对应的流量异常评估数据为标签,基于所述多个告警向量和所述流量异常评估数据对告警模型进行训练直至所述告警模型的参数收敛;
基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值;
基于所述重要性评估值,对目标类型基站中各告警类型的故障处理优先级进行调整。
可选的,对通信网络中目标类型基站进行流量异常检测,得到目标类型基站在多个时间段内的多个流量异常评估数据,包括:
获取目标基站在多个不同日期的同一个目标时间段内的无告警流量,以将获取的多个无告警流量组成流量序列;
根据移动平均算法和所述流量序列,预测所述流量序列下一时刻的流量,得到所述目标基站在所述多个不同日期对应组成的日期序列的下一时刻的目标时间段内的流量预测值;
获取所述目标基站在所述日期序列的下一时刻的目标时间段内的流量真实值;
根据所述流量预测值与所述流量真实值,确定所述目标基站在所述日期序列的下一时刻的目标时间段内的流量异常评估数据。
可选的,所述告警类型包括告警标题,
获取所述目标类型基站在所述多个时间段的多个告警向量,包括:
获取目标类型基站对应的所有告警标题以及各目标类型基站在所述多个时间段内的告警标题;
根据目标类型基站对应的所有告警标题以及各目标类型基站在所述多个时间段内的告警标题,生成目标类型基站在所述多个时间段对应的告警向量,其中,告警向量用于指示对应的目标基站在对应的目标时间段中出现的告警标题。
可选的,基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值,包括:
获取目标告警向量中的目标特征在所述告警模型训练过程中每次迭代产生的信息增益,目标告警向量包括多个特征,一个特征对应一个告警类型;
在所述告警模型训练收敛完成后,将获取的信息增益进行累加,以得到所述目标特征的信息增益累加值;
基于所述信息增益累加值,确定所述目标特征对应的目标告警类型的重要性评估值。
可选的,基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值,包括:
获取目标告警向量中的目标特征在所述告警模型训练收敛完成后产生的权重,目标告警向量包括多个特征,一个特征对应一个告警类型;
根据获取的所述权重,确定所述目标特征对应的目标告警类型的重要性评估值。
可选的,所述方法还包括:
根据目标类型基站所处的所述通信网络的拓扑结构,确定与各目标类型基站的告警类型相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型;
根据告警关联算法分别进行所述核心网设备的告警类型、传输设备的告警类型、动力环境设备的告警类型与所述目标类型基站的告警类型的关联分析,得到与所述目标类型基站的告警类型相关的告警关联规则;
根据所述告警关联规则确定导致所述目标类型基站的告警类型出现的根因告警类型,以及根据目标类型基站中各告警类型的重要性评估值确定所述根因告警类型的重要性评估值;
根据所述根因告警类型的重要性评估值对所述核心网设备、动力环境设备、传输设备和目标类型基站中至少一种中各告警类型的故障处理优先级进行调整。
可选的,根据目标类型基站所处的所述通信网络的拓扑结构,确定与各目标类型基站的告警类型相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型,包括:
通过基站信息表记载的每个所述目标基站所在机房与动力环境设备信息表记载的机房进行关联,得到对应所述目标基站所在机房的所有动力环境设备及其告警;
通过资源拓扑关系传输链路表记载的本端核心网设备及基站设备的名称、本端传输设备名称、对端核心网设备及基站设备的名称、对端传输设备名称,关联得到连接所述目标类型基站的本端传输设备的告警类型、对端传输设备的告警类型以及对端核心网设备的告警类型;
通过将传输设备信息表、核心网设备信息表记载的机房,与动力环境设备信息表记载的机房进行关联,得到与传输设备关联的动力环境设备的告警类型以及与核心网设备关联的动力环境设备的告警类型。
可选的,根据目标类型基站所处的所述通信网络的拓扑结构,确定与各目标类型基站的告警特征相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型,还包括:
采用不同的滑动时间窗口和所述通信网络的拓扑结构,分别搜索所述核心网、传输网和无线网中对应设备的告警,得到所述目标类型基站的告警类型以及与所述目标类型基站的告警类型相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型;
在同一个滑动时间窗口内搜索得到同一个目标类型基站对应的多条不同的告警类型时,保留重要性评估值最大且最早出现的目标基站告警类型。
可选的,所述滑动时间窗口包括以下至少一项:
搜索所述目标基站的滑动时间窗口小于搜索核心网设备、传输设备和动力环境设备的滑动时间窗口;
搜索核心网设备、传输设备的滑动时间窗口小于搜索动力环境设备的滑动时间窗口。
第二方面,提供了一种通信网络告警故障处理优先级调整装置,包括:存储器和与所述存储器电连接的处理器,所述存储器存储有可在所述处理器运行的计算机程序,该计算机程序被该处理器执行时实现如第一方面所述的方法的步骤。
本申请实施例中通过关注通信网络的重要业务指标-基站流量,对基站在预定事件段内的流量异常程度进行评估,从而使得告警重要性的评估具有更细的粒度,能够更好地应用于网管系统。由于不需要进行人工标记因此避免了主观性,从而能够更加客观地对告警类型的重要性进行评估,提高告警类型重要性评估的准确性。根据告警类型重要性评估值对重要性高的故障告警进行优先派单,并在故障工单进行相关标注,提升维护人员对重要告警产生的故障优先处理。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请第一实施例的通信网络告警故障处理优先级调整方法的流程图示意图之一。
图2是本申请第一实施例的通信网络告警故障处理优先级调整方法的流程图示意图之一。
图3是本申请第一实施例的通信网络告警故障处理优先级调整方法的流程图示意图之一。
图4是本申请第一实施例的通信网络告警故障处理优先级调整方法的流程图示意图之一。
图5是本申请第一实施例的通信网络告警故障处理优先级调整方法的流程图示意图之一。
图6是本申请第二实施例的通信网络告警故障处理优先级调整方法的流程图示意图之一。
图7是本申请实施例的通信网络架构示意图。
图8是本申请第二实施例的通信网络告警故障处理优先级调整方法的流程图示意图之一。
图9是本申请第二实施例的通信网络告警故障处理优先级调整方法的流程图示意图之一。
图10为本申请实施例的基站告警类型的重要性评估值示意图。
图11为本申请实施例的告警关联规则库示意图。
图12为本申请实施例的通信网络告警故障处理优先级调整装置的结构方框图。
具体实施方式
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。本申请中附图编号仅用于区分方案中的各个步骤,不用于限定各个步骤的执行顺序,具体执行顺序以说明书中描述为准。
为了解决现有技术中存在的问题,本申请实施例提供一种通信网络告警故障处理优先级调整方法,图1是本申请第一实施例的通信网络告警故障处理优先级调整方法的流程图示意图。
如图1所示,包括以下步骤:
步骤102,对通信网络中目标类型基站进行流量异常检测,得到目标类型基站在多个时间段内的多个流量异常评估数据,一个所述流量异常评估数据表示一个所述目标类型基站在一个所述时间段内的流量异常程度;
步骤104,获取所述目标类型基站在所述多个时间段的多个告警向量,一个所述告警向量用于指示一个所述目标类型基站在一个所述时间段内产生的告警类型;
步骤106,以告警向量为样本,以告警向量对应的流量异常评估数据为标签,基于所述多个告警向量和所述流量异常评估数据对告警模型进行训练直至所述告警模型的参数收敛;
步骤108,基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值;
步骤110,基于所述重要性评估值,对目标类型基站中各告警类型的故障处理优先级进行调整。
在步骤102中,通信网络中的目标类型基站表示属于同一种类型的基站,通信网络中可能包括多种不同类型的基站,比如A厂商的4G基站,B厂商的 2G基站等,相同类型的基站的数量可以是多个。对目标类型基站进行流量异常检测,则表示将该通信网络中相同类型的基站分为一类,并分别在多个时间段内进行流量异常检测。如此,通过检测一个某种类型的基站在一个时间段内的流量异常情况,可以得到该基站的一个流量异常评估数据。对所有的目标类型基站分别在多个时间段进行检测,则得到该目标类型基站的多个流量异常评估数据。流量异常评估数据是表示目标类型基站在对应时间段内流量异常程度的衡量值,流量异常评估数据对应数值越大,表示该基站在该时间段内的流量异常程度越高,则此时刻对应的告警组合对流量的影响越大,反之越小。
基于上述实施例提供的方案,可选的,上述步骤102中,对通信网络中目标类型基站进行流量异常检测得到目标类型基站在多个时间段内的多个流量异常评估数据,如图2所示,包括:
步骤202,获取目标基站在多个不同日期的同一个目标时间段内的无告警流量,以将获取的多个无告警流量组成流量序列;
步骤204,根据移动平均算法和所述流量序列,预测所述流量序列下一时刻的流量,得到所述目标基站在所述多个不同日期对应组成的日期序列的下一时刻的目标时间段内的流量预测值;
步骤206,获取所述目标基站在所述日期序列的下一时刻的目标时间段内的流量真实值;
步骤208,根据所述流量预测值与所述流量真实值,确定所述目标基站在所述日期序列的下一时刻的目标时间段内的流量异常评估数据。
在上述步骤202中,目标基站表示属于相同类型的目标类型基站中的一个基站,多个不同日期的同一个目标时间段,例如是2020年9月12日-9月18 日连续7天0:00-1:00的时间段,无告警流量是指该目标基站在正常运行、不存在异常故障告警情况下的流量。如此,可以获取一个目标基站在不同日期的相同时间段内的无告警流量大小,将这些无告警流量可以组成流量序列,一个目标基站对应一个无告警流量序列。
在上述步骤204中,根据获取到的流量序列采用移动平均法可以预测该序列对应下一时刻的流量,即上述多个不同日期对应组成的日期序列的下一时刻的目标时间段内的流量预测值。例如利用2020年9月12日-9月18日7天 0:00-1:00的时间段内对应的无告警流量序列,可以预测2020年9月19日 0:00-1:00时间段的流量。
设目标基站某小时对应的无告警流量序列为{yt|t=1,2,...n},n表示天数,即获取n天某小时内无告警流量,移动平均法的计算窗口为m,n、m为正整数且m<n,则流量序列下一时刻的值yn+1的预测值如公式(1)所示。
在步骤206中,获取目标基站在预测时刻的真实流量值,以上述时间为例,即获取2020年9月19日0:00-1:00时间段的真实流量。
在上述步骤208中,可以计算流量预测值与流量真实值的相对残差,设阈值为α,当相对残差大于阈值α则认为基站在该预测时间有流量异常,并且将该偏离值进行归一化,作为表示流量异常程度的评估数据值YLabel;当相对残差小于或等于阈值α时,则认为基站在该预测时间无流量异常,YLabel置为0,如下面公式(2)所示。
YLabel存在为0或者大于0的两种情况。
由此,可以确定目标基站在上述日期序列的下一时刻的目标时间段内的流量异常评估数据,仍以上述时间为例,即确定目标基站在2020年9月19日 0:00-1:00时间段的流量异常评估数据。
基于上述实施例提供的方案,可选的,告警类型包括告警标题,上述步骤 104中获取所述目标类型基站在所述多个时间段的多个告警向量,如图3所示,包括:
步骤302,获取目标类型基站对应的所有告警标题以及各目标类型基站在所述多个时间段内的告警标题;
步骤304,根据目标类型基站对应的所有告警标题以及各目标类型基站在所述多个时间段内的告警标题,生成目标类型基站在所述多个时间段对应的告警向量,其中,告警向量用于指示对应的目标基站在对应的目标时间段中出现的告警标题。
在步骤304中,基站在目标时间段中出现的告警标题对应的告警向量可以采用以下几种方式表示:告警标题在该时间段内是否存在,即有告警标题还是无告警标题,可以0/1值表示有无。也可以是该告警标题在该时间段内持续的时长,或者是同一该告警标题在该时间段内出现的频次,或者是同一告警标题在该时间段内出现的累计时长,告警标题对应的告警向量以对应的时长、频次或累计时长对应数值来表示。
相同类型的基站所对应的告警标题的种类是相同的,例如A厂商的4G基站对应生成的告警标题有100种,而一个目标类型基站在某个时刻对应时间段出现的告警标题仅有40种,表示该时间段内该基站出现了40种可能导致基站故障的告警标题,而未出现其他60种类型的告警。
生成目标类型基站在多个时间段对应的告警向量,首先通过基站名称找到同一基站名称的所有告警,再根据流量统计区间以及告警的开始时间和清除时间找到与流量统计区间内该基站发生的所有活动告警。如果流量统计时段内存在某个告警标题则置为1,没有则置为0。例如对于上述生成100种不同的告警标题的厂商基站,则每个时段内对应的告警向量则为100维的0,1向量。
在一个实施例中,告警向量除了包括告警标题外,还包括目标基站的流量统计时间段、目标类型基站的类型和名称。这些字段也构成了一个目标类型基站在一个所述时间段内产生的告警类型。
在上述步骤106中,以告警向量和告警向量对应的流量异常评估数据分别作为样本、标签对预定的告警模型进行训练,在一个实施例中可以基于决策树进行训练,在另一个实施例中可以基于神经网络的逻辑回归算法。
对于采用不同的算法作为告警模型进行训练,告警模型对应的参数收敛后步骤108对应确定的目标类型基站中各告警类型的重要性评估值的方式也不同。
基于上述实施例提供的方案,可选的,上述步骤108中,基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值,如图4所示,包括:
步骤402,获取目标告警向量中的目标特征在所述告警模型训练过程中每次迭代产生的信息增益,目标告警向量包括多个特征,一个特征对应一个告警类型;
步骤404,在所述告警模型训练收敛完成后,将获取的信息增益进行累加,以得到所述目标特征的信息增益累加值;
步骤406,基于所述信息增益累加值,确定所述目标特征对应的目标告警类型的重要性评估值。
通过决策树算法训练告警模型的参数收敛后,可以通过计算每个目标告警向量中的各个特征在每次迭代所产生的信息增益,如果告警模型收敛需要多次,则获取一个目标告警向量中的一个特征在每次迭代对应的信息增益为多个。
信息增益的计算公式如下:
首先,先根据公式(3)计算选目标告警向量中某个告警标题对应特征之前的所有特征集D的经验熵H(D):
其中,K表示特征的分类个数,本申请实施例中分为两类,大于0和等于 0,|Ck|为分类为K的个数,|D|为特征总数。
然后,选择告警标题对应A作为分裂特征,得到如下公式(4)的条件经验熵H(D|A):
其中,Di为选择告警标题对应特征A分裂后的特征集。
通常,训练过程是将告警向量中在本次迭代中信息增益最大的特征选择作为分裂特征。在步骤108中,在告警模型训练收敛完成后,计算告警向量中告警标题对应特征的总增益时,是根据算法最后的选择结果计算每次迭代中每个特征的信息增益的总和,本次迭代未被选择的特征对应的信息增益为0。由此,通过目标告警向量中每个特征在训练过程中每次迭代对应的信息增益进行累加,确定该目标特征对应的目标告警类型的重要性评估值。
基于上述实施例提供的方案,可选的,上述步骤108中,基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值,如图5所示,基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值,包括:
步骤502,获取目标告警向量中的目标特征在所述告警模型训练收敛完成后产生的权重,目标告警向量包括多个特征,一个特征对应一个告警类型;
步骤504,根据获取的所述权重,确定所述目标特征对应的目标告警类型的重要性评估值。
通过逻辑回归算法训练告警模型的参数收敛后,可以计算目标告警向量中每个目标特征对应的收敛权重值,一个目标特征对应的收敛权重值即为该目标特征对应的目标告警类型的重要性评估值。
为了实现对各告警类型重要性的评估,通过对告警数据进行训练,训练数据即是告警向量(T1,T2,...,TM),其中T1、T2,…,TM即为各告警标题在对应统计时间区间的告警标题的数值1或0,M为大于0的正整数。训练的标签为流量异常程度评估数据YLabel,训练收敛后可以通过计算告警向量中每个告警标题对应特征所产生的收敛参数,例如信息增益累加值或者收敛权重值,得到确每个目标特征对应的目标告警类型的重要性评估值。
通信网络除了有无线网的基站设备之外,还有动力环境设备、传输设备、核心网设备等,这些设备如果出现故障都可能导致无线网基站设备产生故障告警,从而影响基站的流量指标。因此,本申请实施例提出了结合通信网络拓扑结构对基站的告警类型进行关联分析,确定根因告警。然后再确定根因告警类型导致的无线网基站流量受到影响的范围,从而评估跨专业告警类型的重要性程度。
因此,基于上述实施例提供的方案,如图6所示,本申请实施例的方法还包括如下步骤:
步骤602,根据目标类型基站所处的所述通信网络的拓扑结构,确定与各目标类型基站的告警类型相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型;
步骤604,根据告警关联算法分别进行所述核心网设备的告警类型、传输设备的告警类型、动力环境设备的告警类型与所述目标类型基站的告警类型的关联分析,得到与所述目标类型基站的告警类型相关的告警关联规则;
步骤606,根据所述告警关联规则确定导致所述目标类型基站的告警类型出现的根因告警类型,以及根据目标类型基站中各告警类型的重要性评估值确定所述根因告警类型的重要性评估值;
步骤608,根据所述根因告警类型的重要性评估值对所述核心网设备、动力环境设备、传输设备和目标类型基站中至少一种中各告警类型的故障处理优先级进行调整。
如图7所示,通信网络结构分为三层,由上到下分别是核心网10、传输网 20、无线网30,各个网络中均设置有对应的动力环境设备。跨专业告警关联是指核心网10、传输网20、无线网30对应的设备中出现的告警依据一定的关系进行关联,从而确定导致无线网30中的基站设备出现告警的根因告警。
跨专业告警关联主要包括以下几步:一是跨专业各个网络设备的告警类型的生成,用于后续告警关联规则算法的训练,二是告警关联规则算法选择和相关训练参数的设置,三是告警关联规则库的建立。具体如下:
(1)跨专业告警类型生成
进行跨专业告警关联分析,首先需要对告警预处理,找出目标基站一次故障相关的所有告警,生成告警事务对应的告警类型。告警类型是告警关联分析算法输入的必要形式。
可选的,在一个实施例中,上述步骤602中,根据目标类型基站所处的所述通信网络的拓扑结构,确定与各目标类型基站的告警类型相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型,如图8所示,包括:
步骤702,通过基站信息表记载的每个所述目标基站所在机房与动力环境设备信息表记载的机房进行关联,得到对应所述目标基站所在机房的所有动力环境设备及其告警;
步骤704,通过资源拓扑关系传输链路表记载的本端核心网设备及基站设备的名称、本端传输设备名称、对端核心网设备及基站设备的名称、对端传输设备名称,关联得到连接所述目标类型基站的本端传输设备的告警类型、对端传输设备的告警类型以及对端核心网设备的告警类型;
步骤706,通过将传输设备信息表、核心网设备信息表记载的机房,与动力环境设备信息表记载的机房进行关联,得到与传输设备关联的动力环境设备的告警类型以及与核心网设备关联的动力环境设备的告警类型。
进一步地,可以选用滑动时间窗的方式并结合通信网络的拓扑结构生成告警类型。可选的,上述步骤602中,根据目标类型基站所处的所述通信网络的拓扑结构,确定与各目标类型基站的告警特征相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型,如图9所示,还包括:
步骤802,采用不同的滑动时间窗口和所述通信网络的拓扑结构,分别搜索所述核心网、传输网和无线网中对应设备的告警,得到所述目标类型基站的告警类型以及与所述目标类型基站的告警类型相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型;
步骤804,在同一个滑动时间窗口内搜索得到同一个目标类型基站对应的多条不同的告警类型时,保留重要性评估值最大且最早出现的目标基站告警类型。
其中,滑动时间窗口包括以下至少一项:搜索所述目标基站的滑动时间窗口小于搜索核心网设备、传输设备和动力环境设备的滑动时间窗口;搜索核心网设备、传输设备的滑动时间窗口小于搜索动力环境设备的滑动时间窗口。
下面,结合采用滑动时间窗结合通信网络拓扑结构生成告警类型的示例进行展开描述。为区分不同的告警事务,需选择告警关键字段构成告警项,本申请实施例选择专业、厂商、设备类型、告警标题四个字段,字段之间用逗号连接。告警项的示例如下所示:
['动力环境,中兴,基站开关电源,一级低压脱离断开告警']
采用滑动时间窗方法对告警事务进行搜索,可设置滑动时间为10分钟,对于搜索不同专业的告警采用不同的时间窗大小,无线网对应的告警频率较高,告警频繁,因此选择例如10-20分钟的时间窗口,传输网和核心网选择30-60 分钟的时间窗口,动力环境的告警延时最大,因此可选择更长的滑动时间窗口,例如24-48小时的时间窗口,在时间窗内搜索与基站相关的各专业设备告警类型。为了在进行跨专业关联告警挖掘时只关注与基站相关的告警关联规则,在进行告警事务搜索时可分别生成各专业告警与基站告警的告警事务。
基站告警可以仅关注各告警类型重要性评估后获得的前M个重要性评估值对应的基站告警,作为重要基站告警。如果一个时间窗口内出现了多条不同的重要基站告警,仅保留重要性最高(即重要性评估值最大)且出现时间最早的基站告警,并去掉发生时间在该条告警之后的告警。
在搜索告警时根据图7所示的通信网络拓扑结构,并利用网络设备的资源信息表和资源拓扑关系表对相关联的设备告警进行搜索,搜索告警的具体方法如上述步骤702至步骤706所述,按照以上方法,可以搜索到所有专业设备在设定的时间窗内的告警,并生成告警类型对应的告警事务,告警事务中的告警类型不区分告警出现的顺序,并可剔除重复的告警类型,例如包括的四个告警项都一样。如果同一设备在在同一时间窗内有多条重要告警,则对计入了告警事务的告警进行标记,不再重复触发搜索警事务的过程。分别生成的各专业告警事务如下所示:
动力环境与基站关联的告警事务:
(['动力环境,中兴,基站开关电源,一级低压脱离断开告警'],['无线网,华为,BSC,光口低阶通道未装载告警'])
传输网与基站关联的告警事务:
(['无线网,华为,BSC,光口低阶通道未装载告警'],['传输网,中兴,PTN,CPU保护协议报文数量过多'])
核心网与基站关联的告警事务:
(['核心网,华为,MME,单板端口故障'],['无线网,华为,BSC,光口低阶通道未装载告警'])
(2)跨专业告警关联算法和参数选择
将各专业告警事务生成后就可以运用告警关联算法分别训练,进行各专业告警类型与基站告警类型的关联分析,采用加权的FP-Growth算法,将得到的各专业告警事务送入模型训练,并设置适当的最小支持度、最小置信度等参数,得到有效的与前N个基站重要告警类型相关的跨专业告警关联规则。
(3)跨专业告警关联规则库生成
通过上述步骤分别对各专业告警类型与基站告警类型关联事务进行训练,可以分别得到传输网、动力环境网、核心网三个专业与基站告警类型关联的规则。将各专业的告警关联规则筛选出提升度大于预定值的告警关联规则,并且仅筛选出根因只有一种告警标题的告警类型。各专业告警关联规则优先级也不同,在基站出现故障时,动力环境专业导致基站故障的可能性大,因此告警关联规则优先级最高,其次是核心网专业,再其次是传输网专业,各专业内的告警关联规则优先级按照告警关联算法设置的置信度的高低进行排列,从而形成了具有优先级顺序的跨专业告警关联规则库。
将基站告警类型的重要性评估值通过告警关联规则传递给根因告警,并通过统计叠加的方法得到全专业的告警重要性权重。
在进行全专业告警类型重要性评估的时候,首先选择上述步骤102至步骤 108得到基站告警类型重要性评估值后的基站前N个重要告警类型,以前N个基站告警类型作为触发告警,按照上述滑动时间窗长度来搜索生成跨专业的告警事务,将告警事务与上述步骤(3)中生成的告警关联规则进行匹配。匹配的顺序是首先按照专业顺序进行匹配,动力环境专业关联规则优先,其次核心网关联规则,最后是传输网关联规则。各专业内的匹配规则是按照提升度从高到低的顺序匹配。如果没有匹配到对应的告警关联规则,则说明基站的重要告警是基站自身原因导致的。这样可以确定一次基站前N个告警类型的根因是基站自身原因,或是核心网、传输网、动力环境对应专业中的某一告警类型导致。确定了故障根因告警类型后,以结果告警类型的重要性评估值作为该故障根因告警类型的重要性,如果同一条根因告警类型导致了多条基站重要告警,则将各结果告警的重要性累加作为这条根因告警的重要性。
也即,根据目标基站中告警类型的重要性评估值确定对应根因告警类型的重要性评估值,包括:确定该条根因告警导致目标基站在某一时间段内出现的多条告警类型的重要性评估值,将各告警类型的重要性评估值相加,得到该根因告警类型的重要性评估值。
在对告警类型的重要性进行评估后,就可以基于基站的各告警类型的重要性评估值,对各告警类型对应的故障处理优先级进行调整,重要性评估值越大的优先级最高,反之优先级越低。根据优先级高低对优先级高的告警类型进行优先派单,并在故障工单中对告警类型的重要性程度进行标记,从而相关维护人员能够根据工单中的告警重要性程度,优先处理重要性程度高的故障工单。
综上所述,在进行通信网络跨专业的告警类型重要性评估时,可以按照如下步骤确定告警类型的重要性评估值:
1、根据滑动时间窗和移动通信网络拓扑结构,生成包含基站前N个重要告警类型的告警事务,即每次基站故障所涉及的所有相关告警类型,并且以重要性评估值最高的基站的告警作为告警事务的触发告警。
2、按照提升度从高到低的顺序与告警关联规则库的告警关联规则进行匹配,确定每次基站故障的触发告警对应的根因告警。如果未关联到根因告警,则将触发告警作为根因告警。
3、对各根因告警影响的基站数量及程度进行汇总统计,每次故障对基站的影响程度以各结果告警的重要性评估值来衡量,将根因告警导致的所有的基站告警重要性评估值累加后得到各告警的重要性评估值。
4、在根因告警为基站自身原因导致,基于基站的各告警类型的重要性评估值,对该基站中各告警类型对应的故障处理优先级进行调整;在同一条根因告警导致了多条基站重要告警,则将各重要告警的重要性评估值累加作为这条根因告警的重要性评估值,基于根因告警的重要性评估值,对该根因告警类型的对应的故障处理优先级进行调整。
以下结合具体示例,对通信网络告警故障处理优先级调整方法,选取连续八天的基站名称为小金金矿ZD-FLH的流量数据,并且选择前七天无告警的基站流量数据,第八天流量值作为异常检测目标,即第八天的流量存在异常流量)。 9月12日-9月19日某基站流量数据如下表1所示的形式:
表1
按照小时提取流量序列,得到2019-9-12日至9-18日0:00-1:00的无告警流量序列[2.2,2.5,…,2.4]和2019-9-19日0::0-1:00的真实流量值0.3,并利用上述公式(1)-(2),其中例如设置阈值α的取值为0.2,则可以检测到第8天 0:00-1:00时间段内的流量异常评估数据YLabel为0.76,依次检测各个小时的流量序列,可以得到各小时的流量异常评估数据YLabel。
同时提取9月12日-9月18日对应基站的告警类型数据,数据形式如下表 2所示:
表2
告警发生时间 | 告警清除时间 | 基站名称 | 告警标题 |
2019/9/19 0:12 | 2019/9/19 0:32 | 小金金矿ZD-FLH | T3 |
2019/9/19 0:12 | 2019/9/19 0:32 | 小金金矿ZD-FLH | T4 |
2019/9/19 0:12 | 2019/9/19 1:32 | 小金金矿ZD-FLH | TM-1 |
2019/9/19 1:12 | 2019/9/19 1:32 | 小金金矿ZD-FLH | T1 |
2019/9/19 1:12 | 2019/9/19 1:32 | 小金金矿ZD-FLH | T5 |
2019/9/19 1:12 | 2019/9/19 1:32 | 小金金矿ZD-FLH | TM-2 |
2019/9/19 2:12 | 2019/9/19 2:32 | 小金金矿ZD-FLH | T4 |
假设该厂商4G基站的全部类型的告警标题为{Tn|n=1,2,...,M},则与告警匹配生成的告警向量数据示例如表2所示。表中第一条数据表示在2019年9月19日0:00-1:00时段基站名称为小金金矿ZD-FLH的设备有告警标题为T3,T4,TM-1的告警,以此类推,可以得到如下表3的告警标题向量和对应时段内的流量异常检测值YLabel。
表3
将以上数据送入预定的告警模型,例如XGBOOST算法模型进行训练,并调用特征选择(feature_importance)函数可以得到各告警类型的重要性评估值。以厂商A的基站为例,可以分别得到2G和4G基站的前5条(Top5)告警类型的重要性评估值如下图10所示:
接下来提取30天的通信网络的全专业(包括无线网、传输网、动力环境及核心网)的告警类型,利用通信网络的拓扑结构关系,采用滑动时间窗法提取的告警事务如下所示:
(['动力环境,中兴,基站开关电源,一级低压脱离断开告警'],['无线网,华为,BSC,光口低阶通道未装载告警'],['传输网,中兴,PTN,CPU保护协议报文数量过多'])。
采用Fp-Growth算法的关联规则方法,并设置相应的支持度、置信度、提升度可以得到如下图11所示的告警关联规则库。
在对告警类型重要性进行评估时,当出现了Top5的基站告警类型,则通过通信网络的拓扑结构关系和滑动时间窗获取对应的告警事务如下:
(['动力环境,中兴,基站开关电源,一级低压脱离断开告警'],['传输网,中兴,PTN,CPU保护协议报文数量过多'],['无线网,华为,ENodeB,4G基站退服'])
首选匹配动力环境关联规则,如果可以匹配到第1条动力环境关联规则,则判断根因告警类型为['动力环境,中兴,基站开关电源,一级低压脱离断开告警'],并如将该条告警类型的重要性评估值设为图10所示的4G基站退服告警的重要性评估值,即是313。如果对应时间段内有多条基站重要告警的根因告警类型为该告警类型,则将各基站重要告警的重要性评估值进行叠加。如果在告警关联规则库没有关联到根因告警类型,则将['无线网,华为,ENodeB,4G基站退服'] 的重要性设置为313。这样可以对全专业的告警类型重要性进行评估,得到对应的告警类型重要性评估值。如此,根据告警类型的重要性评估值进行对应的告警故障处理优先级调整。
由于现有选取网络设备的类型、告警级别、连接的网络设备数量作为训练特征,采用有监督的神经网络算法对告警权重进行评估的方法,需要网络设备专家对训练数据中的告警权重进行标记后才能对模型进行训练。本申请集合了通信网络业务需求,关注通信网络的重要业务指标-基站流量,对基站在预定事件段内的流量异常程度进行评估,从而使得告警重要性的评估具有更细的粒度,能够更好地应用于网管系统。由于不需要进行人工标记因此避免了主观性,从而能够更加客观地对告警类型的重要性进行评估,提高告警类型重要性评估的准确性。根据告警类型重要性评估值对重要性高的故障告警进行优先派单,并在故障工单进行相关标注,提升维护人员对重要告警产生的故障优先处理。
可选的,本申请实施例还提供一种通信网络告警故障处理优先级调整装置,图12为本申请实施例的通信网络告警故障处理优先级调整装置的结构方框图。
如图12所示,通信网络告警故障处理优先级调整装置2000包括存储器 2200和与所述存储器2200电连接的处理器2400,所述存储器2200存储有可在所述处理器2400运行的计算机程序,所述计算机程序被所述处理器执行时实现上述任意一种通信网络告警故障处理优先级调整方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述任意一种通信网络告警故障处理优先级调整方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器 (Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种通信网络告警故障处理优先级调整方法,其特征在于,包括:
对通信网络中目标类型基站进行流量异常检测,得到目标类型基站在多个时间段内的多个流量异常评估数据,一个所述流量异常评估数据表示一个所述目标类型基站在一个所述时间段内的流量异常程度;
获取所述目标类型基站在所述多个时间段的多个告警向量,一个所述告警向量用于指示一个所述目标类型基站在一个所述时间段内产生的告警类型;
以告警向量为样本,以告警向量对应的流量异常评估数据为标签,基于所述多个告警向量和所述流量异常评估数据对告警模型进行训练直至所述告警模型的参数收敛,所述告警模型包括基于决策树的模型或基于神经网络的逻辑回归模型;
基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值;
基于所述重要性评估值,对目标类型基站中各告警类型的故障处理优先级进行调整。
2.如权利要求1所述的方法,其特征在于,对通信网络中目标类型基站进行流量异常检测,得到目标类型基站在多个时间段内的多个流量异常评估数据,包括:
获取目标类型基站在多个不同日期的同一个目标时间段内的无告警流量,以将获取的多个无告警流量组成流量序列;
根据移动平均算法和所述流量序列,预测所述流量序列下一时刻的流量,得到所述目标类型基站在所述多个不同日期对应组成的日期序列的下一时刻的目标时间段内的流量预测值;
获取所述目标类型基站在所述日期序列的下一时刻的目标时间段内的流量真实值;
根据所述流量预测值与所述流量真实值,确定所述目标类型基站在所述日期序列的下一时刻的目标时间段内的流量异常评估数据。
3.如权利要求1所述的方法,其特征在于,
所述告警类型包括告警标题,
获取所述目标类型基站在所述多个时间段的多个告警向量,包括:
获取目标类型基站对应的所有告警标题以及各目标类型基站在所述多个时间段内的告警标题;
根据目标类型基站对应的所有告警标题以及各目标类型基站在所述多个时间段内的告警标题,生成目标类型基站在所述多个时间段对应的告警向量,其中,告警向量用于指示对应的目标类型基站在对应的目标时间段中出现的告警标题。
4.如权利要求1所述的方法,其特征在于,
在所述告警模型包括基于决策树的模型时,基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值,包括:
获取目标告警向量中的目标特征在所述告警模型训练过程中每次迭代产生的信息增益,目标告警向量包括多个特征,一个特征对应一个告警类型;
在所述告警模型训练收敛完成后,将获取的信息增益进行累加,以得到所述目标特征的信息增益累加值;
基于所述信息增益累加值,确定所述目标特征对应的目标告警类型的重要性评估值。
5.如权利要求1所述的方法,其特征在于,
在所述告警模型包括基于神经网络的逻辑回归模型时,基于所述告警模型训练过程中各告警向量对应特征的收敛参数,确定目标类型基站中各告警类型的重要性评估值,包括:
获取目标告警向量中的目标特征在所述告警模型训练收敛完成后产生的权重,目标告警向量包括多个特征,一个特征对应一个告警类型;
根据获取的所述权重,确定所述目标特征对应的目标告警类型的重要性评估值。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据目标类型基站所处的所述通信网络的拓扑结构,确定与各目标类型基站的告警类型相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型;
根据告警关联算法分别进行所述核心网设备的告警类型、传输设备的告警类型、动力环境设备的告警类型与所述目标类型基站的告警类型的关联分析,得到与所述目标类型基站的告警类型相关的告警关联规则;
根据所述告警关联规则确定导致所述目标类型基站的告警类型出现的根因告警类型,以及根据目标类型基站中各告警类型的重要性评估值确定所述根因告警类型的重要性评估值;
根据所述根因告警类型的重要性评估值对所述核心网设备、动力环境设备、传输设备和目标类型基站中至少一种中各告警类型的故障处理优先级进行调整。
7.如权利要求6所述的方法,其特征在于,根据目标类型基站所处的所述通信网络的拓扑结构,确定与各目标类型基站的告警类型相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型,包括:
通过基站信息表记载的每个所述目标类型基站所在机房与动力环境设备信息表记载的机房进行关联,得到对应所述目标类型基站所在机房的所有动力环境设备及其告警;
通过资源拓扑关系传输链路表记载的本端核心网设备及基站设备的名称、本端传输设备名称、对端核心网设备及基站设备的名称、对端传输设备名称,关联得到连接所述目标类型基站的本端传输设备的告警类型、对端传输设备的告警类型以及对端核心网设备的告警类型;
通过将传输设备信息表、核心网设备信息表记载的机房,与动力环境设备信息表记载的机房进行关联,得到与传输设备关联的动力环境设备的告警类型以及与核心网设备关联的动力环境设备的告警类型。
8.如权利要求6所述的方法,其特征在于,根据目标类型基站所处的所述通信网络的拓扑结构,确定与各目标类型基站的告警特征相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型,还包括:
采用不同的滑动时间窗口和所述通信网络的拓扑结构,分别搜索所述核心网、传输网和无线网中对应设备的告警,得到所述目标类型基站的告警类型以及与所述目标类型基站的告警类型相关的核心网设备的告警类型、传输设备的告警类型和动力环境设备的告警类型;
在同一个滑动时间窗口内搜索得到同一个目标类型基站对应的多条不同的告警类型时,保留重要性评估值最大且最早出现的目标类型基站的告警类型。
9.如权利要求8所述的方法,其特征在于,所述滑动时间窗口包括以下至少一项:
搜索所述目标类型基站的滑动时间窗口小于搜索核心网设备、传输设备和动力环境设备的滑动时间窗口;
搜索核心网设备、传输设备的滑动时间窗口小于搜索动力环境设备的滑动时间窗口。
10.一种通信网络告警故障处理优先级调整装置,其特征在于,包括:存储器和与所述存储器电连接的处理器,所述存储器存储有可在所述处理器运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110270112.9A CN115086139B (zh) | 2021-03-12 | 2021-03-12 | 通信网络告警故障处理优先级调整方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110270112.9A CN115086139B (zh) | 2021-03-12 | 2021-03-12 | 通信网络告警故障处理优先级调整方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115086139A CN115086139A (zh) | 2022-09-20 |
CN115086139B true CN115086139B (zh) | 2023-08-15 |
Family
ID=83240354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110270112.9A Active CN115086139B (zh) | 2021-03-12 | 2021-03-12 | 通信网络告警故障处理优先级调整方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115086139B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115942155B (zh) * | 2023-01-30 | 2023-07-11 | 通号通信信息集团有限公司 | 设备监控方法、装置和系统 |
CN116308721B (zh) * | 2023-05-11 | 2023-10-20 | 菏泽市市场监管监测中心 | 一种信息监督管理方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070001527A (ko) * | 2005-06-29 | 2007-01-04 | 영남대학교 산학협력단 | 트래픽 특성에 따른 장애 복구 방법 |
CN103218664A (zh) * | 2013-05-08 | 2013-07-24 | 重庆邮电大学 | 一种基于小波神经网络的告警权值确定方法 |
CN107196804A (zh) * | 2017-06-01 | 2017-09-22 | 国网山东省电力公司信息通信公司 | 电力系统终端通信接入网告警集中监控系统及方法 |
CN108965039A (zh) * | 2017-05-19 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 一种基于流量监控的告警方法以及电子设备 |
CN110855497A (zh) * | 2019-11-19 | 2020-02-28 | 杭州安恒信息技术股份有限公司 | 一种基于大数据环境的告警排序方法及装置 |
CN112367303A (zh) * | 2020-10-21 | 2021-02-12 | 中国电子科技集团公司第二十八研究所 | 分布式自学习异常流量协同检测方法及系统 |
CN112395170A (zh) * | 2020-12-07 | 2021-02-23 | 平安普惠企业管理有限公司 | 智能故障分析方法、装置、设备及存储介质 |
CN112465055A (zh) * | 2020-12-09 | 2021-03-09 | 西安邮电大学 | 一种基于卷积神经网络的网络故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9350601B2 (en) * | 2013-06-21 | 2016-05-24 | Microsoft Technology Licensing, Llc | Network event processing and prioritization |
US20200057933A1 (en) * | 2018-08-14 | 2020-02-20 | Ca, Inc. | Neural network predicting communications network infrastructure outages based on forecasted performance metrics |
CN112422351B (zh) * | 2021-01-21 | 2022-12-09 | 南京群顶科技股份有限公司 | 一种基于深度学习的网络告警预测模型建立方法及装置 |
-
2021
- 2021-03-12 CN CN202110270112.9A patent/CN115086139B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070001527A (ko) * | 2005-06-29 | 2007-01-04 | 영남대학교 산학협력단 | 트래픽 특성에 따른 장애 복구 방법 |
CN103218664A (zh) * | 2013-05-08 | 2013-07-24 | 重庆邮电大学 | 一种基于小波神经网络的告警权值确定方法 |
CN108965039A (zh) * | 2017-05-19 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 一种基于流量监控的告警方法以及电子设备 |
CN107196804A (zh) * | 2017-06-01 | 2017-09-22 | 国网山东省电力公司信息通信公司 | 电力系统终端通信接入网告警集中监控系统及方法 |
CN110855497A (zh) * | 2019-11-19 | 2020-02-28 | 杭州安恒信息技术股份有限公司 | 一种基于大数据环境的告警排序方法及装置 |
CN112367303A (zh) * | 2020-10-21 | 2021-02-12 | 中国电子科技集团公司第二十八研究所 | 分布式自学习异常流量协同检测方法及系统 |
CN112395170A (zh) * | 2020-12-07 | 2021-02-23 | 平安普惠企业管理有限公司 | 智能故障分析方法、装置、设备及存储介质 |
CN112465055A (zh) * | 2020-12-09 | 2021-03-09 | 西安邮电大学 | 一种基于卷积神经网络的网络故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于SVM模型的铁路设备故障优先级评价研究;魏爱雪;《第十一届中国智能交通年会大会论文集》;1188-1192 * |
Also Published As
Publication number | Publication date |
---|---|
CN115086139A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115086139B (zh) | 通信网络告警故障处理优先级调整方法及装置 | |
CN110647446B (zh) | 一种日志故障关联与预测方法、装置、设备及存储介质 | |
US20220121994A1 (en) | Method and apparatus for implementing model training, and computer storage medium | |
US20110208679A1 (en) | Trouble pattern creating program and trouble pattern creating apparatus | |
CN105917625A (zh) | 使用附加数据的检测到的网络异常的分类 | |
EP3726437A1 (en) | Failure analysis device, failure analysis method, and failure analysis program | |
CN116797404A (zh) | 基于大数据和数据处理的智能建筑运维监管系统 | |
CN115102834B (zh) | 一种变更风险评估方法、设备及存储介质 | |
US20210359899A1 (en) | Managing Event Data in a Network | |
CN113676343A (zh) | 电力通信网故障源定位方法及装置 | |
CN114090393B (zh) | 一种告警级别的确定方法、装置及设备 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
US10805186B2 (en) | Mobile communication network failure monitoring system and method | |
US20190246297A1 (en) | Method and test system for mobile network testing as well as prediction system | |
CN106533770A (zh) | 一种n‑x检修模式下的风险评估方法及装置 | |
CN117216713A (zh) | 故障定界方法、装置、电子设备和存储介质 | |
TW201911812A (zh) | 影像串流服務的障礙定位系統及維運方法 | |
JP7173273B2 (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
CN116545867A (zh) | 一种监控通信网络网元性能指标异常的方法及装置 | |
Liu et al. | Predicting malfunction of mobile network base station using machine learning approach | |
CN117671812A (zh) | 基站巡检优先级量化评估方法、装置和电子设备 | |
CN113825162B (zh) | 电信网络故障原因定位方法及装置 | |
CN116522213A (zh) | 业务状态级别分类及分类模型训练方法、电子设备 | |
CN111327442B (zh) | 基于控制图的投诉预警阈值获取方法及装置 | |
Mijumbi et al. | MAYOR: machine learning and analytics for automated operations and recovery |
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 |