CN115802391B - 移动通信网络稳定性检测方法、设备、系统及存储介质 - Google Patents
移动通信网络稳定性检测方法、设备、系统及存储介质 Download PDFInfo
- Publication number
- CN115802391B CN115802391B CN202310070031.3A CN202310070031A CN115802391B CN 115802391 B CN115802391 B CN 115802391B CN 202310070031 A CN202310070031 A CN 202310070031A CN 115802391 B CN115802391 B CN 115802391B
- Authority
- CN
- China
- Prior art keywords
- data
- effective sample
- sample data
- group
- base station
- 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
Images
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及移动通信技术领域,具体涉及移动通信网络稳定性检测方法、设备、系统及存储介质,方法包括:获取预设区域内基站的基站数据,基站数据包括位置数据、场景类型标识数据和业务量数据;从预设的场景类型数据配置表中获取与场景类型标识数据对应的数据配置要求,数据配置要求包括监控周期、监控时间段和监控总时长;从业务量数据中获取与数据配置要求相匹配的业务量数据作为有效样本数据;根据预设策略对有效样本数据进行处理,获得数据处理结果;根据数据处理结果结合基站在监控总时长内的每个监控周期内的设备告警数据,判断基站是否存在隐性故障。针对不同场景区域特征制定不同监控策略,快速、精准的监控移动网络指标劣化的扇区。
Description
技术领域
本发明涉及移动通信技术领域,具体涉及一种移动通信网络稳定性检测方法、设备、系统及存储介质。
背景技术
移动通信网络随着5G网络商用越来越复杂,运营商为提升网络质量,提升用户使用感知和满意度,是移动网络优化的重点工作。突发的设备故障或意外影响网络质量不可提前预见,日常网络平稳运行,是网络正常使用的前提,是优化改进的基础,而网络稳定性通过网络性能指标数据体现,网络性能指标的监控、检测是衡量网络运维的重要环节。发现网络隐患,推进网络异常或隐患的排查,保障网络的稳定性,成为保持和提升网络质量和用户感知的重要工作。
当前大多监控方法为监控网络设备故障、业务指标绝对值达标情况或历史数据的环比是否超出门限,来实现网络异常的初步发现与提醒。突发的网络设备故障通过设备告警数据发现,业务指标绝对值达标监控适用建设初期、周期性考核,历史数据对比监控适用网络指标突变,对于隐形故障引起的指标周期内均值达标,但是整体成趋势性下降的情况无法准确判断到位。
发明内容
针对现有技术中的技术缺陷,本发明实施例的目的在于提供一种移动通信网络稳定性检测方法、设备、系统及存储介质,以解决背景技术中所提出的技术问题。
为实现上述目的,第一方面,本发明实施例提供了一种移动通信网络稳定性检测方法,包括:
获取预设区域内基站的基站数据,所述基站数据包括位置数据、场景类型标识数据和业务量数据;
从预设的场景类型数据配置表中获取与所述场景类型标识数据对应的数据配置要求,所述数据配置要求包括监控周期、监控时间段和监控总时长;
从所述业务量数据中获取与所述数据配置要求相匹配的业务量数据作为有效样本数据;
根据预设策略对所述有效样本数据进行处理,获得数据处理结果;
根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障。
进一步,所述根据预设策略对所述有效样本数据进行处理,获得数据处理结果,包括:
将所述有效样本数据分为A组和B组,其中,A组有效样本数据为监控总时长L天中前N天的有效样本数据,B组有效样本数据为监控总时长L天中后M天的有效样本数据,L=N+M,N=k*M,L、N、M和k均为正整数;
计算A组有效样本数据的均值、B组有效样本数据的均值和B组有效样本数据与A组有效样本数据之间的突变比例;
若突变比例大于预设的第一阈值,计算A组有效样本数据的标准差、A组有效样本数据的变异系数、B组有效样本数据的标准差和B组有效样本数据的变异系数。
进一步,k=3。
进一步,所述根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障,包括:
若所述A组有效样本数据的变异系数和B组有效样本数据的变异系数均大于预设的第二阈值,获取所述基站在所述监控总时长内的每个所述监控周期内所有的设备告警数据;
分析所述设备告警数据,若没有退服时长大于预设时间长度的设备告警数据,生成隐性故障预警信息。
第二方面,本发明实施例还提供了一种移动通信网络稳定性检测设备,包括:
基站数据获取模块,用于获取预设区域内基站的基站数据,所述基站数据包括位置数据、场景类型标识数据和业务量数据;
数据配置要求获取模块,用于从预设的场景类型数据配置表中获取与所述场景类型标识数据对应的数据配置要求,所述数据配置要求包括监控周期、监控时间段和监控总时长;
有效样本数据获取模块,用于从所述业务量数据中获取与所述数据配置要求相匹配的业务量数据作为有效样本数据;
有效样本数据处理模块,用于根据预设策略对所述有效样本数据进行处理,获得数据处理结果;
隐性故障判断模块,用于根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障。
进一步,所述根据预设策略对所述有效样本数据进行处理,获得数据处理结果,包括:
将所述有效样本数据分为A组和B组,其中,A组有效样本数据为监控总时长L天中前N天的有效样本数据,B组有效样本数据为监控总时长L天中后M天的有效样本数据,L=N+M,N=k*M,L、N、M和k均为正整数;
计算A组有效样本数据的均值、B组有效样本数据的均值和B组有效样本数据与A组有效样本数据之间的突变比例;
若突变比例大于预设的第一阈值,计算A组有效样本数据的标准差、A组有效样本数据的变异系数、B组有效样本数据的标准差和B组有效样本数据的变异系数。
进一步,k=3。
进一步,所述根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障,包括:
若所述A组有效样本数据的变异系数和B组有效样本数据的变异系数均大于预设的第二阈值,获取所述基站在所述监控总时长内的每个所述监控周期内所有的设备告警数据;
分析所述设备告警数据,若没有退服时长大于预设时间长度的设备告警数据,生成隐性故障预警信息。
第三方面,本发明实施例还提供了一种移动通信网络稳定性检测系统,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如第一方面所述的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如第一方面所述的方法。
本发明的方法应用于5G移动通信行业无线网络优化,针对不同场景区域特征制定不同监控策略,基于指标变异系数结合绝对值的监控方法,排除突发事故引起的指标劣化,快速、精准的监控移动网络指标劣化的扇区,排查网络隐患,提升网络稳定性,解决网络优化过程中目标、优先级不明确的现象。
实施本发明实施例提供的方法,通过区分不同用户场景,定义不同的监控周期、时间范围段、指标门限实现更为精准化的网络监控,解决不同区域不同时段网络使用特征差异的片面性,实现对不同时段区域用户量、业务量有差别的监控方法。
在网络性能指标监控周期以天、周为单位的基础上,通过获取更长历史数据周期,结合特定场景时间区间不同,通过划分两组数据进行对比监控判断;在两组数据突变的基础上,用变异系数检测两组网络指标数据离散程度,从整体上分析指标劣化的程度以及波动幅度,实现更加准确的检测网络指标劣化趋势。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种移动通信网络稳定性检测方法的流程示意图;
图2是本发明实施例提供的一种移动通信网络稳定性检测设备的结构示意图;
图3是本发明实施例提供的一种移动通信网络稳定性检测系统的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
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,此外,本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义,也可能具有不同含义,其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解,尽管在本文可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本文范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语"如果"可以被解释成为"在……时"或"当……时"或"响应于确定"。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。本申请使用的术语“或”、“和/或”、“包括以下至少一个”等可被解释为包括性的,或意味着任一个或任何组合。例如,“包括以下至少一个:A、B、C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A和B和C”,再如,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A和B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
应该理解的是,虽然本申请实施例中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,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。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,在本文中,采用了诸如S1、S2等步骤代号,其目的是为了更清楚简要地表述相应内容,不构成顺序上的实质性限制,本领域技术人员在具体实施时,可能会先执行S2后执行S1等,但这些均应在本申请的保护范围之内。
如图1所示,本实施例提供的一种移动通信网络稳定性检测方法的流程图,该方法用于监测预设区域内每个基站的隐形故障。本实施例中,每个预设区域的范围大小可以按照场景进行划分,场景可以有多种,例如可以包括:党政机关、政企单位类;工业园区、商务办公区类;居民区类;景区、公园类。每种场景中至少有一个基站,位于对应场景中的每个基站均具有与该场景对应的场景类型标识数据,该场景类型标识数据可以设置携带在基站数据中,通过该场景类型标识数据即可确认该基站所属的场景类型。
不同场景区域业务用户使用时间段存在差异,根据差异设置不同的监控时间范围段,例如:
表1 场景类型数据配置表
场景类型 | 监控周期 | 监控时间段 | 监控总时长 |
党政机关、政企单位类 | 周一~周五(不包含周六、日) | 9:00~18:00 | 20天 |
工业园区、商务办公区类 | 周一~周五(不包含周六、日) | 8:30~21:00 | 20天 |
居民区类 | 周一~周日(包含周六、日) | 19:00~23:30 | 20天 |
景区、公园类 | 周六~周日 | 8:30~20:30 | 4周 |
需要说明的是,本实施例中,监控总时长中的具体的检测日期是以监控日当天为第0天,往前去掉不属于监控周期内的日期后,再确认的日期。例如,假定要监控2022年8月29号某商务区的5G RLC下行流量(MByte),设定监控总时长为20天,监控周期为周一至周五,监控时间段为9:00~18:00,查询日历可知,检测日期划定:29号的前20天为:1、2、3、4、5、8、9、10、11、12、15、16、17、18、19、22、23、24、25、26。
具体的,所述移动通信网络稳定性检测方法可以包括以下步骤:
S100:取预设区域内基站的基站数据,所述基站数据包括位置数据、场景类型标识数据和业务量数据。
管理人员要检测某个区域内移动通信网络的稳定性,需要依次检测该区域范围内所有基站的设备状况。先确认该区域范围内所有基站的基站ID,然后从运营商的数据库中获取到与基站ID对应的所有日期的基站数据。
本实施例中,基站数据包括位置数据、场景类型标识数据和业务量数据,其中,位置数据为该基站的经纬度数据,场景类型标识数据用于表征该基站所在区域的场景类型,业务量数据为能体现业务量的指标,如5G RLC下行流量(MByte)、5G RLC上行流量(MByte)、PDCP层用户面流量等。
S200:从预设的场景类型数据配置表中获取与所述场景类型标识数据对应的数据配置要求,所述数据配置要求包括监控周期、监控时间段和监控总时长。
在读取基站数据中的场景类型标识数据后即可确认该基站的场景类型,确认场景类型后,从前述表1中获取与该场景类型对应的数据配置要求,数据配置要求包括监控周期、监控时间段和监控总时长。
S300:从所述业务量数据中获取与所述数据配置要求相匹配的业务量数据作为有效样本数据。
由于步骤S100中获取到基站的业务量数据是所有日期的业务量数据,为保证数据的准确性,需要剔除掉不满足数据配置要求的业务量数据,即只保留与数据配置要求相匹配的业务量数据作为有效样本数据。
S400:根据预设策略对所述有效样本数据进行处理,获得数据处理结果。
在本实施例中,所述根据预设策略对所述有效样本数据进行处理,获得数据处理结果,具体包括:
S401:将所述有效样本数据分为A组和B组,其中,A组有效样本数据为监控总时长L天中前N天的有效样本数据,B组有效样本数据为监控总时长L天中后M天的有效样本数据,L=N+M,N=k*M,L、N、M和k均为正整数。
本实施例中,为保证A组有效样本数据和B组有效样本数据之间的差异特征足够明显,令k=3。当然,需要说明的是,k还可以是其他数值,本实施例不做唯一限定。
S402:计算A组有效样本数据的均值、B组有效样本数据的均值和B组有效样本数据与A组有效样本数据之间的突变比例。
具体的,突变比例λ=;
需要说明的是,在计算A组有效样本数据的均值、B组有效样本数据的均值和前L日有效样本数据的均值时均需要去掉一个最高有效样本数据和一个最低有效样本数据,然后再进行均值计算。
S403:若突变比例大于预设的第一阈值,计算A组有效样本数据的标准差、A组有效样本数据的变异系数、B组有效样本数据的标准差和B组有效样本数据的变异系数。
具体的,有效样本数据的标准差=方差的算术平方根=s=sqrt(((x1-x)^2 +(x2-x)^2 +......(xn-x)^2)/(n-1)),其中,xn为A组有效样本数据或B组有效样本数据中的第n个数据,x为A组有效样本数据或B组有效样本数据的均值。
具体的,变异系数=(标准差/均值)*100%。
S500:根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障。
具体可以包括:
S501:若所述A组有效样本数据的变异系数和B组有效样本数据的变异系数均大于预设的第二阈值,获取所述基站在所述监控总时长内的每个所述监控周期内所有的设备告警数据。
S502:分析所述设备告警数据,若没有退服时长大于预设时间长度的设备告警数据,生成隐性故障预警信息。
例如,筛查该基站在监控总时长时间范围内的每个监控周期内有无产生告警级别为重要与紧急级别的设备告警数据,并且引发小区退服且时长有无超过2小时,以此排除由设备故障引起的数据异常。
若筛查过后没有发现设备告警数据,则判定该基站存在其他隐形故障引起网络指标异常突变与波动,生成隐性故障预警信息,进行预警通知。
下面,本实施例以一个具体的示例对本方法做详细具体的说明:
假定:监控2022年8月29号某商务区的5G RLC下行流量(MByte),设定监控总时长为20天,监控周期为周一至周五,监控时间段为9:00~18:00,查询日历可知,检测日期划定:29号的前20天为:1、2、3、4、5、8、9、10、11、12、15、16、17、18、19、22、23、24、25、26。
其中,A组为前15天:1、2、3、4、5、8、9、10、11、12、15、16、17、18、19;
B组后5天:22、23、24、25、26。
获取到的5G RLC下行流量(MByte)的有效样本数据为:538、756、1163、1022、842、996、681、641、634、588、447、548、337、195、164、241、135、101、221、58。
计算得到:
20天的均值(去一个最高值和最低值):504M;
A组(前15天的均值(去一个最高值和最低值)):633M;
B组(后5天的均值(去一个最高值和最低值)):152M;
前15天比较后5天,整体下降,突变比例为:(633-152)/633=75%;
A组(前15天)标准偏差:sqrt(((538-633)^2 +(756-633)^2 +...(164-633)^2)/(13-1))=219.84;
B组(后5天)标准偏差:sqrt(((135-152)^2 +(101-152)^2 +(223-152)^2)/(3-1))=43.7;
A组(前15天)变异系数:前15天标准差/前15天均值=(293.12/633)=34.73%;
B组(后5天)变异系数:后5天标准差/后5天均值=(41.9/152)=28.75%;
检测判断:
监控总时长内5G RLC下行流量(MByte)均值为504M,A组(前15天)为633M,均大于500M设定阈值,前期业务量达标;
前15天与后5天平均数差异较大,流量均值是下降的,下降比例高达75%,大于预设60%的阈值;
前15天5G RLC下行流量(MByte)指标的变异系数为34.73%,大于设定阈值10%,后5天业务量的变异系数为28.75%,大于设定阈值10%。
通过上述计算可以看到,前15天标准差与后5天标准差都较大,说明两个期间范围内的业务量值都有较大的起伏;获取监控总时长内的设备告警数据,未发现退服时长大于2小时以上的设备故障。
检测结论为:20天整体流量值突变下降,且波动幅度大,并成趋势下降,初步判断该基站存在隐性故障,需要通知预警检查进行重点检查。
基于与方法实施例部分相同的申请构思,本实施例还提供一种移动通信网络稳定性检测设备。如图2所示,该设备可以包括:
基站数据获取模块201,用于获取预设区域内基站的基站数据,所述基站数据包括位置数据、场景类型标识数据和业务量数据;
数据配置要求获取模块202,用于从预设的场景类型数据配置表中获取与所述场景类型标识数据对应的数据配置要求,所述数据配置要求包括监控周期、监控时间段和监控总时长;
有效样本数据获取模块203,用于从所述业务量数据中获取与所述数据配置要求相匹配的业务量数据作为有效样本数据;
有效样本数据处理模块204,用于根据预设策略对所述有效样本数据进行处理,获得数据处理结果;
隐性故障判断模块205,用于根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障。
具体的,所述根据预设策略对所述有效样本数据进行处理,获得数据处理结果,包括:
将所述有效样本数据分为A组和B组,其中,A组有效样本数据为监控总时长L天中前N天的有效样本数据,B组有效样本数据为监控总时长L天中后M天的有效样本数据,L=N+M,N=k*M,L、N、M和k均为正整数;
计算A组有效样本数据的均值、B组有效样本数据的均值和B组有效样本数据与A组有效样本数据之间的突变比例。
若突变比例大于预设的第一阈值,计算A组有效样本数据的标准差、A组有效样本数据的变异系数、B组有效样本数据的标准差和B组有效样本数据的变异系数。
本实施例中,为保证A组有效样本数据和B组有效样本数据之间的差异特征足够明显,令k=3。当然,需要说明的是,k还可以是其他数值,本实施例不做唯一限定。
进一步,所述根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障,包括:
若所述A组有效样本数据的变异系数和B组有效样本数据的变异系数均大于预设的第二阈值,获取所述基站在所述监控总时长内的每个所述监控周期内所有的设备告警数据;
分析所述设备告警数据,若没有退服时长大于预设时间长度的设备告警数据,生成隐性故障预警信息。
基于与方法实施例部分相同的申请构思,本实施例还提供一种移动通信网络稳定性检测系统。如图3所示,该系统可以包括:一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104,上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序,所述计算机程序包括程序指令,所述处理器101被配置用于调用所述程序指令执行上述移动通信网络稳定性检测方法实施例部分的方法。
应当理解,在本发明实施例中,所称处理器101可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (DigitalSignal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等,输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器,并向处理器101 提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如,存储器104还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的移动通信网络稳定性检测方法的实施例中所描述的实现方式,在此不再赘述。
需要说明的是,关于移动通信网络稳定性检测系统的具体工作流程,可参考前述方法实施例部分,在此不再赘述。
进一步地,本实施例还提供了一种可读存储介质,存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:上述移动通信网络稳定性检测方法。
所述计算机可读存储介质可以是前述实施例所述的后台服务器的内部存储单元,例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备,例如所述系统上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备 ( 可以是个人计算机,服务器,或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U 盘、移动硬盘、只读存储器 (ROM,Read-OnlyMemory)、随机存取存储器 (RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请中,对于相同或相似的术语概念、技术方案和/或应用场景描述,一般只在第一次出现时进行详细描述,后面再重复出现时,为了简洁,一般未再重复阐述,在理解本申请技术方案等内容时,对于在后未详细描述的相同或相似的术语概念、技术方案和/或应用场景描述等,可以参考其之前的相关详细描述。
在本申请中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本申请技术方案的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本申请记载的范围。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种移动通信网络稳定性检测方法,其特征在于,包括:
获取预设区域内基站的基站数据,所述基站数据包括位置数据、场景类型标识数据和业务量数据;
从预设的场景类型数据配置表中获取与所述场景类型标识数据对应的数据配置要求,所述数据配置要求包括监控周期、监控时间段和监控总时长;
从所述业务量数据中获取与所述数据配置要求相匹配的业务量数据作为有效样本数据;
根据预设策略对所述有效样本数据进行处理,获得数据处理结果;
根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障;
其中,所述根据预设策略对所述有效样本数据进行处理,获得数据处理结果,包括:
将所述有效样本数据分为A组和B组,其中,A组有效样本数据为监控总时长L天中前N天的有效样本数据,B组有效样本数据为监控总时长L天中后M天的有效样本数据,L=N+M,N=k*M,L、N、M和k均为正整数;
计算A组有效样本数据的均值、B组有效样本数据的均值和B组有效样本数据与A组有效样本数据之间的突变比例;
若突变比例大于预设的第一阈值,计算A组有效样本数据的标准差、A组有效样本数据的变异系数、B组有效样本数据的标准差和B组有效样本数据的变异系数。
2.如权利要求1所述的一种移动通信网络稳定性检测方法,其特征在于,k=3。
3.如权利要求1所述的一种移动通信网络稳定性检测方法,其特征在于,所述根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障,包括:
若所述A组有效样本数据的变异系数和B组有效样本数据的变异系数均大于预设的第二阈值,获取所述基站在所述监控总时长内的每个所述监控周期内所有的设备告警数据;
分析所述设备告警数据,若没有退服时长大于预设时间长度的设备告警数据,生成隐性故障预警信息。
4.一种移动通信网络稳定性检测设备,其特征在于,包括:
基站数据获取模块,用于获取预设区域内基站的基站数据,所述基站数据包括位置数据、场景类型标识数据和业务量数据;
数据配置要求获取模块,用于从预设的场景类型数据配置表中获取与所述场景类型标识数据对应的数据配置要求,所述数据配置要求包括监控周期、监控时间段和监控总时长;
有效样本数据获取模块,用于从所述业务量数据中获取与所述数据配置要求相匹配的业务量数据作为有效样本数据;
有效样本数据处理模块,用于根据预设策略对所述有效样本数据进行处理,获得数据处理结果;
隐性故障判断模块,用于根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障;
其中,所述根据预设策略对所述有效样本数据进行处理,获得数据处理结果,包括:
将所述有效样本数据分为A组和B组,其中,A组有效样本数据为监控总时长L天中前N天的有效样本数据,B组有效样本数据为监控总时长L天中后M天的有效样本数据,L=N+M,N=k*M,L、N、M和k均为正整数;
计算A组有效样本数据的均值、B组有效样本数据的均值和B组有效样本数据与A组有效样本数据之间的突变比例;
若突变比例大于预设的第一阈值,计算A组有效样本数据的标准差、A组有效样本数据的变异系数、B组有效样本数据的标准差和B组有效样本数据的变异系数。
5.如权利要求4所述的一种移动通信网络稳定性检测设备,其特征在于,k=3。
6.如权利要求4所述的一种移动通信网络稳定性检测设备,其特征在于,所述根据所述数据处理结果结合所述基站在所述监控总时长内的每个所述监控周期内的设备告警数据,判断所述基站是否存在隐性故障,包括:
若所述A组有效样本数据的变异系数和B组有效样本数据的变异系数均大于预设的第二阈值,获取所述基站在所述监控总时长内的每个所述监控周期内所有的设备告警数据;
分析所述设备告警数据,若没有退服时长大于预设时间长度的设备告警数据,生成隐性故障预警信息。
7.一种移动通信网络稳定性检测系统,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-3任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070031.3A CN115802391B (zh) | 2023-02-07 | 2023-02-07 | 移动通信网络稳定性检测方法、设备、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070031.3A CN115802391B (zh) | 2023-02-07 | 2023-02-07 | 移动通信网络稳定性检测方法、设备、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115802391A CN115802391A (zh) | 2023-03-14 |
CN115802391B true CN115802391B (zh) | 2023-05-12 |
Family
ID=85430141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310070031.3A Active CN115802391B (zh) | 2023-02-07 | 2023-02-07 | 移动通信网络稳定性检测方法、设备、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115802391B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112732536A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 数据监控告警方法、装置、计算机设备及存储介质 |
CN113891386A (zh) * | 2021-11-02 | 2022-01-04 | 中国联合网络通信集团有限公司 | 基站的隐性故障确定方法、装置、设备和可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10728085B1 (en) * | 2015-09-15 | 2020-07-28 | Amazon Technologies, Inc. | Model-based network management |
CN108989124A (zh) * | 2018-08-10 | 2018-12-11 | 中国移动通信集团海南有限公司 | 网络故障发现方法、电子装置及计算机可读存储介质 |
CN112188535B (zh) * | 2020-09-16 | 2023-03-28 | 中盈优创资讯科技有限公司 | 一种物联网端到端故障定界方法及装置 |
CN114401523A (zh) * | 2021-12-29 | 2022-04-26 | 中国电信股份有限公司 | 故障处理方法、装置及电子设备 |
-
2023
- 2023-02-07 CN CN202310070031.3A patent/CN115802391B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112732536A (zh) * | 2020-12-30 | 2021-04-30 | 平安科技(深圳)有限公司 | 数据监控告警方法、装置、计算机设备及存储介质 |
CN113891386A (zh) * | 2021-11-02 | 2022-01-04 | 中国联合网络通信集团有限公司 | 基站的隐性故障确定方法、装置、设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115802391A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11360959B2 (en) | Building risk analysis system with dynamic and base line risk | |
US11741812B2 (en) | Building risk analysis system with dynamic modification of asset-threat weights | |
CN111052772B (zh) | 用于安全跟踪和生成警报的方法和系统 | |
Mohamad et al. | Annual average daily traffic prediction model for county roads | |
US20050086529A1 (en) | Detection of misuse or abuse of data by authorized access to database | |
CN111917877A (zh) | 物联网设备的数据处理方法及装置、电子设备、存储介质 | |
US20210312351A1 (en) | Building risk analysis system with geographic risk scoring | |
US11514670B2 (en) | Quantitative geospatial analytics of device location data | |
JP2007520019A (ja) | リスクを検出するためのコンピュータベースシステム及び方法 | |
WO2022126979A1 (zh) | 灾难密度的统计方法、装置、计算机设备以及存储介质 | |
CN113591824B (zh) | 交通违法数据录入异常检测方法和装置 | |
Yabe et al. | CityFlowFragility: Measuring the fragility of people flow in cities to disasters using GPS data collected from smartphones | |
Kalantari et al. | Spatio-temporal analysis of crime by developing a method to detect critical distances for the Knox test | |
CN115802391B (zh) | 移动通信网络稳定性检测方法、设备、系统及存储介质 | |
CN111367906B (zh) | 异常车辆识别方法、装置、设备及计算机可读存储介质 | |
CN115081969A (zh) | 异常数据确定方法及相关装置 | |
CN109614299B (zh) | 一种系统异常检测方法、装置及电子设备 | |
Yu et al. | Smoothing regression and impact measures for accidents of traffic flows | |
CN108075918B (zh) | 互联网业务变更检测方法及系统 | |
Washington et al. | A data‐driven method for identifying the locations of hurricane evacuations from mobile phone location data | |
CN114491605A (zh) | 一种基于区块链的智能工业安全管理方法及系统 | |
CN115913652A (zh) | 异常访问行为检测方法及装置、电子设备及可读存储介质 | |
CN111181809A (zh) | 网络rtk中心解算软件中基准站的监测方法及装置 | |
CN112784991B (zh) | 过程工业最严重可信事故场景确定方法、装置及存储介质 | |
van Thienen et al. | Automated feature recognition in CFPD analyses of DMA or supply area flow data |
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 |