CN116546535A - 网络的异常处理方法、装置及设备 - Google Patents
网络的异常处理方法、装置及设备 Download PDFInfo
- Publication number
- CN116546535A CN116546535A CN202310559015.0A CN202310559015A CN116546535A CN 116546535 A CN116546535 A CN 116546535A CN 202310559015 A CN202310559015 A CN 202310559015A CN 116546535 A CN116546535 A CN 116546535A
- Authority
- CN
- China
- Prior art keywords
- index
- network element
- data
- network
- log file
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004458 analytical method Methods 0.000 claims abstract description 111
- 230000002159 abnormal effect Effects 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 230000005856 abnormality Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000002955 isolation Methods 0.000 claims abstract description 24
- 238000010586 diagram Methods 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000012098 association analyses Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 238000007619 statistical method Methods 0.000 claims description 14
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 8
- 238000013501 data transformation Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000008447 perception Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 15
- 230000006399 behavior Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种网络的异常处理方法、装置及设备,通过从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据,根据获取的数据采用Isolation Forest算法模型和AutoMap算法模型实现对核心网异常指标的检测以及原因定位分析,避免了人工经验的不足,实时在线检测,及时发现网络问题,保障了网络健康运行、提高了用户感知。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种网络的异常处理方法、装置及设备。
背景技术
随着网络时代的到来,人们的生活已经离不开网络,网络运营商中的网络业务指标反映了网络关键节点业务建立成功次数占业务请求次数的比例,网络关键绩效(KeyPerformance Indicator,KPI)指标正常情况下是在一定范围波动的,这种状态下不需要特别的关注,而当指标异常时则说明此时业务建立的失败情况较多,业务建立成功的比例降低,此时就应当引起网络负责人的重点关注,及时找到问题,避免更严重的网络劣化,从而影响用户的感知。
在现有技术中,对于网络KPI异常指标的确定是采用固定阈值或者是通过固定模式的计算公式计算得到阈值的方法。而网络KPI异常指标的原因定位方法通常是通过数量统计的方法,找到相关指标对应网络节点的日志数据,统计业务建立失败的记录中不同原因类型的占比,根据经验人为判断这种占比是否正常。
然而,上述网络KPI异常指标的确定方法以及原因定位方法很难考虑多种因素造成的指标差异。仅靠传统固定阈值以及传统的人为经验是非常不完善的。
发明内容
本申请提供一种网络的异常处理方法、装置及设备。用以解决现有技术中对于网络失败检测以及原因定位不完善的问题。
第一方面,本申请提供一种网络的异常处理方法,包括:
从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据;
通过预先部署的Isolation Forest算法分别对各网元的性能指标数据和业务指标数据进行异常检测,得到每个网元对应的异常指标;
针对每个网元,根据所述网元对应的异常指标,确定所述网元是否异常。
结合第一方面,在一些实施例中,本申请提供的网络的异常处理方法,还包括:
若任一网元的异常指标指示所述网元出现异常,则从日志文件数据库中获取所述网元对应的日志文件;
对所述日志文件中网络失败的原因码进行统计分析,获取失败频率最高的原因码;
根据所述原因码进行用户侧原因分析和无线侧原因分析,得到异常指标的用户侧定位分析结果和无线侧定位分析结果。
结合第一方面,在一些实施例中,所述方法还包括:
根据预先部署的多维时间序列关联分析算法AutoMap算法模型,对预先获取的用户数据,无线信息数据,所述性能指标数据库,所述业务指标数据库以及所述日志文件数据库中的数据进行关联分析,确定出除用户侧和无线侧之外的其他异常指标的定位分析结果;
所述其他异常指标的定位分析结果包括异常行为图和影响因素占比。
结合第一方面,在一些实施例中,所述方法还包括:
输出所述用户侧定位分析结果,无线侧定位分析结果以及所述其他异常指标的定位分析结果;
接收用户输入的反馈数据,所述反馈数据为所述用户对异常原因是否正确,以及纠正异常指标的原因后得到的数据;
根据所述反馈数据优化所述AutoMap算法模型和/或Isolation Forest算法的参数。
结合第一方面,在一些实施例中,所述从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据之前,所述方法还包括:
从核心网设备中获取网络中每个网元的性能指标,业务指标和日志文件;
对每个网元的性能指标,业务指标和日志文件进行筛选和预处理,并将每个网元处理后的性能指标存储至性能指标数据库、处理后的业务指标存储至业务指标数据库,处理后的日志文件存储至日志文件数据库。
结合第一方面,在一些实施例中,所述对每个网元的性能指标,业务指标和日志文件进行筛选和预处理,包括:
将每个网元的性能指标,业务指标和日志文件中的数据,按照网元名称,时间,日志文件的格式进行筛选处理;
将筛选后的性能指标,业务指标和日志文件进行预处理,得到每个网元处理后的性能指标,处理后的业务指标以及处理后的日志文件,其中,所述预处理包括缺失值处理,文本编码,数据整合以及数据变换。
第二方面,本申请提供一种网络的异常处理装置,包括:
第一获取模块,用于从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据;
异常检测模块,用于通过预先部署的Isolation Forest算法分别对各网元的性能指标数据和业务指标数据进行异常检测,得到每个网元对应的异常指标;
异常确认模块,用于针对每个网元,根据所述网元对应的异常指标,确定所述网元是否异常。
结合第二方面,在一些实施例中,本申请提供的网络的异常处理装置,还包括:
第二获取模块,用于若任一网元的异常指标指示所述网元出现异常,则从日志文件数据库中获取所述网元对应的日志文件;
第三获取模块,用于对所述日志文件中网络失败的原因码进行统计分析,获取失败频率最高的原因码;
第一分析模块,用于根据所述原因码进行用户侧原因分析和无线侧原因分析,得到异常指标的用户侧定位分析结果和无线侧定位分析结果。
结合第二方面,在一些实施例中,所述装置还包括:
第二分析模块,用于根据预先部署的多维时间序列关联分析算法AutoMap算法模型,对预先获取的用户数据,无线信息数据,所述性能指标数据库,所述业务指标数据库以及所述日志文件数据库中的数据进行关联分析,确定出除用户侧和无线侧之外的其他异常指标的定位分析结果;
所述其他异常指标的定位分析结果包括异常行为图和影响因素占比。
结合第二方面,在一些实施例中,所述装置还包括:
结果输出模块,用于输出所述用户侧定位分析结果,无线侧定位分析结果以及所述其他异常指标的定位分析结果;
数据接收模块,用于接收用户输入的反馈数据,所述反馈数据为所述用户对异常原因是否正确,以及纠正异常指标的原因后得到的数据;
模型优化模块,用于根据所述反馈数据优化所述AutoMap算法模型和/或Isolation Forest算法的参数。
结合第二方面,在一些实施例中,所述第一获取模块之前,所述装置还包括:
第四获取模块,用于从核心网设备中获取网络中每个网元的性能指标,业务指标和日志文件;
数据处理模块,用于对每个网元的性能指标,业务指标和日志文件进行筛选和预处理,并将每个网元处理后的性能指标存储至性能指标数据库、处理后的业务指标存储至业务指标数据库,处理后的日志文件存储至日志文件数据库。
结合第二方面,在一些实施例中,所述数据处理模块,包括:
第一处理单元,用于将每个网元的性能指标,业务指标和日志文件中的数据,按照网元名称,时间,日志文件的格式进行筛选处理;
第二处理单元,用于将筛选后的性能指标,业务指标和日志文件进行预处理,得到每个网元处理后的性能指标,处理后的业务指标以及处理后的日志文件,其中,所述预处理包括缺失值处理,文本编码,数据整合以及数据变换。
第三方面,本申请还提供一种电子设备,包括:存储器、处理器、通信接口、显示屏;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现第一方面所述的方法。
第四方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面所述的网络的异常处理方法。
本申请提供的网络的异常处理方法、装置及设备。基于Isolation Forest算法的异常网络指标检测,适应网络的发展情况,自动实时在线学习指标的波动,根据数据特征自主进行模型调整,及时准确地发现网络的异常波动,并发出告警,并通过AutoMap算法准确清晰地定位不同因素对于网络业务失败的影响程度,准确地定位影响网络问题的关键因素。
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。
图1为本申请实施例提供的网络的异常处理方法的应用场景图;
图2为本申请实施例提供的网络的异常处理方法实施例一的流程示意图;
图3为本申请实施例提供的网络的异常处理方法实施例二的流程示意图;
图4为本申请实施例提供的网络的异常处理方法实施例三的流程示意图;
图5为本申请实施例提供的网络的异常处理方法实施例四的流程示意图;
图6为本申请实施例提供的网络的异常处理方法具体实施的流程示意图;
图7为本申请实施例提供的网络的异常处理装置实施例一的结构示意图;
图8为本申请实施例提供的网络的异常处理装置实施例二的结构示意图;
图9为本申请实施例提供的网络的异常处理装置实施例三的结构示意图;
图10为本申请实施例提供的电子设备的结构示意图。
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。
具体实施方式
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。
核心网在运营商网络中占据举足轻重的地位,其异常往往会导致呼叫失败、网络延迟等现网故障,对全网的服务质量带来重大的负面影响,多则影响十数万用户,并引发大面积投诉。因此需要快速及时地发现核心网的异常风险,在影响扩大之前及时消除故障。网络关键绩效(Key Performance Indicator,KPI)指标是一类能够反映网络性能与设备运行状态的指标,对于KPI指标的分析,可以得到各种指标的一个当前的状态,而这些指标当前的状态是评估网络性能的重要参考。对于网络KPI异常指标的确定是采用固定阈值或者是通过固定模式的计算公式计算得到阈值的方法。而网络KPI异常指标的问题定位方法通常是通过数量统计的方法,找到相关指标对应网络节点的日志数据,统计业务建立失败的记录中不同原因类型的占比,根据经验人为判断这种占比是否正常。然而,上述网络KPI异常指标的确定方法往往不能随着网络的发展情况及时调整网络指标异常的阈值,随着时间推移,该阈值往往便会失效,此时网络负责人不能及时准确的发现网络问题。而且这种确定方法比较单一,不同类型的网络,不同厂家的网络,不同日期的网络,其指标波动存在差异,传统固定阈值的方法很难考虑这种因素造成的指标差异。而且造成网络关键节点业务失败的因素很多,要从各种因素中准确识别关键因素并给出不同因素对失败的影响的程度,仅靠传统的人为经验是非常不完善的。
针对上述问题,本申请提供一种网络的异常处理方法、装置及设备,实现了实时在线学习指标波动,及时准确的发现网络失败,并准确清晰的分析不同因素对于网络业务失败的影响程度,准确定位了影响网络问题的关键因素。具体的,传统的对于网络KPI异常指标的确定是通过固定阈值,或者是通过某种固定模式的公式计算阈值的方法,并通过人为判断定位问题的关键因素。发明人在研究过程中发现,通过固定阈值的方法确定网络KPI异常指标不能随着网络的发展情况及时调整网络指标异常的阈值,随着时间推移该阈值往往便会失效,不能及时准确的发现网络问题。并且人为经验确定问题因素不能准确的识别主要原因,考虑到这些问题,发明人研究了是否可以基于算法实时在线学习指标的波动,根据数据特征自主调整,及时准确的发现网络失败,并通过算法模型之前定位影响网络问题的关键因素,基于此,提出本申请的技术方案。
图1为本申请实施例提供的网络的异常处理方法的应用场景图。如图1所示,本申请提供的网络的异常处理方法可以应用于实际的网络失败检测场景下,实际的网络失败检测场景至少包括:服务器、至少一个核心网网管,其中服务器与核心网网管可以通过通信接口链接,从而可以实现数据的传输,并且服务器为可以植入算法模型实现对用户数据和业务管理的设备。对于以上设备的具体形态本方案不做限定。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例提供的网络的异常处理方法实施例一的流程示意图。如图2所示,具体包括一下步骤:
S101:从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据。
在本步骤中,核心网各个网元的性能指标数据和业务指标数据都是由网管进行管理,为了能够实时监测网络的异常,需要获取各个网元的性能指标数据和业务指标数据。
具体的,服务器通过通信接口与各个网元的网管连接,通过通信接口各个网元的网管将原始的性能指标数据和业务指标数据传输给服务器,服务器对原始的性能指标数据和业务指标数据进行数据处理,并将处理后的性能指标数据和业务指标数据分别存储在性能指标数据库以及业务指标数据库中,为了实现对网络失败的检测,服务器从性能指标数据库以及业务指标数据库中获取所需的性能指标数据和业务指标数据。例如用户数据、行为数据、语音信道掉话率、信令信道掉话率、交换机来话接通率、呼叫成功率、长途来话接通率等。
S102:通过预先部署的Isolation Forest算法分别对各网元的性能指标数据和业务指标数据进行异常检测,得到每个网元对应的异常指标。
在本步骤中,获取了检测所需的各网元性能指标数据和业务指标数据后,为了能够实时监测网络失败波动,通过部署Isolation Forest算法分别对各网元的性能指标数据和业务指标数据进行异常检测,从而得到每个网元对应的异常指标。
具体的,通过在上述步骤中获取的各个网元的性能指标数据和业务指标数据中进行采样,从而构建二叉树,并对每一棵二叉树进行测试,记录路径长度,然后根据异常分数计算公式,计算每条测试数据的异常得分。
具体的计算公式为:
c(n)=2H(n-1)-(2(n-1)/n)
H(k)=ln(k)+ζ,ζ=0.5772156649
其中,S(x,n)为记录x在n个样本的训练数据构成的二叉树的异常分数,取值范围为[0,1],c(n)为平均路径长度,H(k)为调和函数。若计算结果越接近1,则表示指标为异常指标,若计算结果越接近0,则表示指标为正常指标。根据计算结果得到每个网元对应的异常指标。
S103:针对每个网元,根据网元对应的异常指标,确定网元是否异常。
在本步骤中,根据上述步骤中的公式,计算得到各个网元的性能指标数据和业务指标数据的异常得分,因为指标能够反映此时网元的网络性能与设备运行状态,因此根据异常得分情况,确定网元是否异常。
具体的,若指标数据得分接近1,则说明此项指标异常,因此此项指标对应的网元异常,若指标数据得分接近0,则说明此项指标正常,则此项指标对应的网元正常。
本实施例提供的网络的异常处理方法,通过获取各个网元的性能指标数据和业务指标数据,然后输入到预先部署的Isolation Forest算法模型中,分别对各网元的性能指标数据和业务指标数据进行异常检测,得到每个网元对应的异常指标,根据异常指标,确定相对应的网元是否异常。实现了网络失败指标的实时在线检测,并基于数据特征及时自主调整模型,提高了异常指标检测的准确性。
图3为本申请实施例提供的网络的异常处理方法实施例二的流程示意图。如图3所示,本申请提供的网络的异常处理方法还包括一下步骤:
S104:若任一网元的异常指标指示网元出现异常,则从日志文件数据库中获取网元对应的日志文件。
在本步骤中,在上述实施例的基础上,根据指标异常得分情况,确定网元是否正常,若任一网元的异常指标指示网元出现异常,为了能更加准确的定位出具体原因,因此需要获取出现异常网元对应的日志文件,根据日志文件中的数据进行定位分析。
具体的,服务器在获取了各个网元的日志文件后,经过筛选与预处理将处理后的日志文件保存在日志文件数据库中。确定任一网元出现异常,则从日志文件数据库中获取得到异常网元对应的日志文件。其中,日志文件包括网元名称、时间、用户终端信息、用户行为信息、基站信号信息、基站配置信息以及网络失败原因码等。
S105:对日志文件中网络失败的原因码进行统计分析,获取失败频率最高的原因码。
在本步骤中,在上述步骤中获取得到了异常指标对应的日志文件,为了能精准分析异常指标的原因,根据日志文件中的原因码,通过统计分析的方法,分析出频率最高的原因码。
具体的,网络运行过程中,对于异常指标引起的网络失败都会产生一个原因码存储在日志文件中,分析出异常指标的具体原因,通过对日志文件中网络失败的原因码分类计数统计不同原因码出现的次数,出现次数最多的,则为频率最高的原因码。
S106:根据原因码进行用户侧原因分析和无线侧原因分析,得到异常指标的用户侧定位分析结果和无线侧定位分析结果。
在本步骤中,上述步骤获取失败频率最高的原因码后,为了能够对问题原因进行精准定位,需要基于统计分析方法对用户侧和无线侧进行初步定位分析,从而获取用户侧定位分析结果和无线侧定位分析结果。
具体的,根据原因码以及网元对应的日志文件统计是否存在失败高频的用户,若存在则停止分析,统计是否存在失败高频的基站号,若存在则停止分析,若失败高频的用户以及基站号都不存在,则停止分析,最终获取得到的用户侧定位分析结果包括终端原因、用户手机卡原因、用户签约情况、用户行为原因等,无线侧定位分析结果包括基站信号原因、基站配置原因等。
S107:根据预先部署的多维时间序列关联分析算法AutoMap算法模型,对数据进行关联分析,确定出其他异常指标的定位分析结果。
在本步骤中,上述步骤中基于统计分析对用户侧和无线侧进行了初步定位分析,因为在网络运行过程中,接入移动管理(Access And Mobility Management Function,AMF)初始注册成功率,5G会话管理协议数据单元(Session Management FunctionProtocol Data Unit,SMF PDU)会话建立成功率、高清通话(Voice Over Long-TermEvolution,VOLTE)网络接通成功率等,这些网络节点的业务创建是否成功受多种因素的影响,排除了用户侧以及无线侧的原因后,还有其他很多因素,例如核心网元侧原因,如系统负荷情况、核心网网元CPU利用率情况,配置的网络等待时间等数据。为了能精准分析出主要的问题因素,通过部署的多维时间序列关联分析算法AutoMap算法模型,对预先获取的用户数据,无线信息数据,性能指标数据库,业务指标数据库以及日志文件数据库中的数据进行关联分析,从而精准得出其他异常指标的定位分析结果。
具体的,AutoMap算法模型的分析主要分为以下步骤:
(1)选择采样间隔参数;
(2)使用多种类型的指标构建异常行为图;
(3)在行为图上使用“+”和“-”操作,提取异常的轮廓;
(4)根据行为图进行原因检测;
(5)验证结果并计算精度;
(6)更新权重矩阵,如果出现新的异常,则重复上述步骤。最终得到除用户侧和无线侧之外的其他异常指标的定位分析结果,其中,其他异常指标的定位分析结果包括异常行为图、各类影响因素占比图。
S108:输出用户侧定位分析结果,无线侧定位分析结果以及其他异常指标的定位分析结果。
在本步骤中,经过上述步骤S106以及S107中初步定位以及深度定位得到用户侧定位分析结果,无线侧定位分析结果以及其他异常指标的定位分析结果后,为了能够给予相关网元用户告警,从而将以上的定位分析结果输出汇总为一张工单,从而派发给相关网元用户。
具体的,工单中包括异常行为图、各类影响因素占比图以及各类原因问题的可视化展示图,在给予相关网元用户派发工单的同时,还增加短信以及钉钉相关提醒功能,给予相关网元用户多重告警。
S109:接收用户输入的反馈数据。
在本步骤中,在上述步骤将工单派发给相关网元用户之后,用户可基于经验和人工分析对工单内容进行评估监测,从而将反馈数据反馈给服务器,服务器接收用户输入的反馈数据。
具体的,相关网元用户的系统账号下生成派发的工单,并且系统账号中有相应的回单框,用户可对定位原因进行纠正,包括定位原因是否正确、人工分析的真正的异常指标的原因,从而生成反馈数据,并将反馈数据反馈给服务器。
S110:根据反馈数据优化AutoMap算法模型和/或Isolation Forest算法的参数。
在本步骤中,在上述步骤中,服务器接收用户输入的反馈数据后,为了能够使网络的异常方法更加精准完善,从而将反馈数据追加到AutoMap算法模型和/或IsolationForest算法中,通过调整参数,实现模型的优化。
具体的,根据户输入的反馈数据,AutoMap算法模型和/或Isolation Forest算法根据模型自身自我学习的能力,自主在线学习数据特征,进行快速的自我参数调整,达到模型优化的目的。
本实施例提供的网络的异常处理方法,通过异常指标指示相对于网元异常,根据异常的网元对应的日志文件分析出失败频率最高的原因码,根据失败频率最高的原因码通过统计分析的方法对用户侧和无线侧原因进行初步定位,得到异常指标的用户侧定位分析结果和无线侧定位分析结果,然后再根据预先部署的多维时间序列关联分析算法AutoMap算法模型对其他问题原因进行深度定位,最终输出用户侧定位分析结果,无线侧定位分析结果以及其他异常指标的定位分析结果,并汇总为工单派发给相关网元用户,在根据相关网页用户的反馈数据,实现算法模型的自我参数调整,实现模型的优化。充分利用了有效信息实现网络失败的深度挖掘,更加精准完善的定位出问题原因,避免了人工经验的不足与误判。
图4为本申请实施例提供的网络的异常处理方法实施例三的流程示意图。如图4所示,在上述实施例的基础上,步骤S101中从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据之前,还包括以下步骤:
S009:从核心网设备中获取网络中每个网元的性能指标,业务指标和日志文件。
在本步骤中,为了能实时监测网络关键节点建立成功率,网络KPI指标反映了网络性能与设备运行状态,因此通过实时监测网络KPI指标可以实现对网络的监测,服务器需要从核心网设备中获取每个网元的网络KPI指标以及日志文件。
具体的,服务器与核心网设备通过通信接口连接,服务器通过通信接口从核心网设备的网管获取网元性能指标、网元业务指标,通过安全文件传送协议获取日志文件,并且每经过一个周期实时获取一次,具体的周期可根据实际需求进行设定,本方案不做具体限定。
S100:对每个网元的性能指标,业务指标和日志文件进行筛选和预处理,并存储。
在本步骤中,为了能精准确定网络的异常原因,对上述步骤获取到的每个网元的性能指标,业务指标和日志文件进行筛选,并对筛选后的性能指标,业务指标和日志文件进行预处理,将预处理后的性能指标,业务指标和日志文件分别存储在业务指标数据库,处理后的日志文件存储至日志文件数据库中。
具体的,在每个网元的性能指标,业务指标中筛选出需要检测的重点指标,例如覆盖类、质量类、呼叫建立特性类、移动管理类等,具体的类别中还包括无限资源连接建立成功率、无线接通率、掉话率等,可根据具体网络情况进行指标的筛选,本方案中不做具体限定,对于日志文件需要筛选出相应指标对应的网元名称、时间等。为了使得筛选后的数据能够输入模型进行计算,对筛选后的性能指标,业务指标以及日志文件进行预处理,预处理包括缺失值处理,文本编码,数据整合以及数据变换,对于指标数据中如果有缺失值,则进行数据补采,对于日志文件中数据缺失,可以直接忽略。最后将与处理后的性能指标存储至性能指标数据库、处理后的业务指标存储至业务指标数据库,处理后的日志文件存储至日志文件数据库。
本实施例提供的网络的异常处理方法,通过对核心网设备获取得到的每个网元的性能指标,业务指标以及日志文件,进行筛选以及预处理,使得输入到算法模型的数据更加精准完善,对与后续原因定位分析打下夯实的数据基础。
图5为本申请实施例提供的网络的异常处理方法实施例四的流程示意图。如图5所示,上述实施例中步骤S100中对每个网元的性能指标,业务指标和日志文件进行筛选和预处理,具体包括以下步骤:
S1001:将每个网元的性能指标,业务指标和日志文件中的数据,按照网元名称,时间,日志文件的格式进行筛选处理。
在本步骤中,获取到每个网元的性能指标,业务指标和日志文件后,为了能够根据实际场景精准的分析定位网络失败,需要在每个网元的性能指标,业务指标中筛选出实际场景需要检测的数据,例如无限资源连接建立成功率、无线接通率、掉话率等,再根据筛选出的指标数据,在日志文件中筛选出与指标数据相对应的日志文件,包括网元名称、时间、用户终端信息、用户行为信息、基站信号信息、基站配置信息以及网络失败原因码等。
S1002:将筛选后的性能指标,业务指标和日志文件进行预处理,得到每个网元处理后的性能指标,处理后的业务指标以及处理后的日志文件。
在本步骤中,为了使得筛选后的性能指标,业务指标和日志文件可以作为数据库进行模型的训练与计算,需要对筛选后的性能指标,业务指标和日志文件进行预处理,并存储起来。
具体的,对筛选后的性能指标,业务指标和日志文件进行预处理包括缺失值处理、文本编码、数据整合、数据变换等处理。对于指标数据中如果有缺失,则需要进行数据的补采,日志文件是用来定位原因的,如果日志文件有一些数据有缺失,则可以直接忽略。
本实施例提供的网络的异常处理方法,通过对获取的性能指标,业务指标和日志文件进行筛选与预处理,使数据更加精准,对于后续模型的训练与计算,更加的便捷完善。
下面以具体实例为例对本申请提供的网络的异常处理方法进行详细说明,图6为本申请实施例提供的网络的异常处理方法具体实施的流程示意图。如图6所示,具体包括:
S201:对接网管接口获取网络指标和日志文件。
在本步骤中,为了能够实时获取核心网设备各网元的网络运行数据,服务器需要与核心网设备通过通信接口连接。从而实现数据的传输。
具体的,服务器以10分钟为一个周期,通过通信接口向核心网设备的网管获取每个网元的网元性能指标,以15分钟为一个周期,通过通信接口向核心网设备的网管获取每个网元的网元业务指标,以15分钟为一个周期,通过文件传输协议获取每个网元的日志文件,
S202:对数据筛选以及预处理存储。
在本步骤中,在上述步骤中,实时获取了核心网设备各网元的数据信息后,为了能够分析异常指标引起的网络失败的原因,需要对上述各网元的数据信息进行筛选、预处理并分别存储。
具体的,在获取的每个网元的网元性能指标以及业务指标中筛选网络KPI指标,具体的包括AMF初始注册成功率,SMF PDU会话建立成功率、VOLTE网络接通成功率等,根据筛选的网络KPI指标,在获取的各个网元的日志文件中筛选出于网络KPI指标相对应的日志文件,具体的包括网元名称、时间、用户终端信息、用户行为信息、基站信号信息、基站配置信息以及网络失败原因码等,并将筛选后的网元性能指标、业务指标以及日志文件进行预处理,预处理包括缺失值处理、文本编码、数据整合、数据变换等处理,最后将与处理后的性能指标存储至性能指标数据库、处理后的业务指标存储至业务指标数据库,处理后的日志文件存储至日志文件数据库。
S203:部署实时在线异常检测算法Isolation Forest算法,进行网络指标异常检测。
在本步骤中,为了能够避免传统阈值方法对于网络KPI指标异常分的局限性,预先部署析实时在线异常检测算法Isolation Forest算法,实现实时在线获取数据,自主在线学习数据特征,进行网络指标异常值检测。
具体的,通过在性能指标数据库、业务指标数据库中进行采样,从而构建二叉树,并对每一棵二叉树进行测试,记录路径长度,然后根据异常分数计算公式,计算每条测试数据的异常得分。
具体的计算公式为:
c(n)=2H(n-1)-(2(n-1)/n)
H(k)=ln(k)+ζ,ζ=0.5772156649
其中,S(x,n)为记录x在n个样本的训练数据构成的二叉树的异常分数,取值范围为[0,1],c(n)为平均路径长度,H(k)为调和函数。若计算结果越接近1,则表示指标为异常指标,若计算结果越接近0,则表示指标为正常指标。根据计算结果得到每个网元对应的异常指标。
S204:基于统计分析方法实现异常指标原因的初步定位分析。
在本步骤中,通过上述步骤时在线异常检测算法Isolation Forest算法的异常检测,最后得到异常指标,根据异常指标在日志文件数据库中提取出与异常指标对应的日志文件,根据日志文件中的网络失败原因码,基于统计分析方法实现异常指标用户侧和无线侧原因的初步定位分析。
具体的,根据原因码以及网元对应的日志文件统计是否存在失败高频的用户,若存在则停止分析,统计是否存在失败高频的基站号,若存在则停止分析,若失败高频的用户以及基站号都不存在,则停止分析,最终获取得到的用户侧定位分析结果包括终端原因、用户手机卡原因、用户签约情况、用户行为原因等,无线侧定位分析结果包括基站信号原因、基站配置原因等。
S205:部署关联算法模型实现异常指标对应网络问题的深度挖掘分析。
在本步骤中,上述步骤中基于统计分析对用户侧和无线侧进行了初步定位分析,因为在网络运行过程中,AMF初始注册成功率,SMF PDU会话建立成功率、VOLTE网络接通成功率等,这些网络节点的业务创建是否成功受多种因素的影响,排除了用户侧以及无线侧的原因后,还有其他很多因素,例如核心网元侧原因,如系统负荷情况、核心网网元CPU利用率情况,配置的网络等待时间等数据。为了能精准分析出主要的问题因素,通过部署的多维时间序列关联分析算法AutoMap算法模型,对预先获取的用户数据,无线信息数据,性能指标数据库,业务指标数据库以及日志文件数据库中的数据进行关联分析,从而精准得出其他异常指标的定位分析结果。
具体的,AutoMap算法模型的分析主要分为以下步骤:
(1)选择采样间隔参数;
(2)使用多种类型的指标构建异常行为图;
(3)在行为图上使用“+”和“-”操作,提取异常的轮廓;
(4)根据行为图进行原因检测;
(5)验证结果并计算精度;
(6)更新权重矩阵,如果出现新的异常,则重复上述步骤。最终得到除用户侧和无线侧之外的其他异常指标的定位分析结果,其中,其他异常指标的定位分析结果包括异常行为图、各类影响因素占比图。
S206:对接工单系统、短信平台、钉钉平台实现网络失败指标和定位分析结果打包派发。
在本步骤中,通过上述步骤S204和S205初步定位分析和深度挖掘定位分析后,为了能够及时解决网络失败情况,避免网络状态劣化,将网络失败指标和定位分析结果汇总为工单打包通过工单系统派发给相关网元用户,并通过短信平台和钉钉平台进行提醒。
具体的,汇总的工单中包括网络失败指标和定位分析结果以及各类原因问题的可视化展示图,其中,定位分析结果包括异常行为图、各类影响因素占比图。
S207:增加用户返单功能,接收用户反馈数据。
在本步骤中,服务器通过通信接口与工单系统连接,通过通信接口向工单系统派送工单,为了能够使得算法模型更加完善,对于网络的检测更加精准,相关网元用户在工单系统中的账号下设置有相应的回单框,用户可对定位原因进行纠正,包括定位原因是否正确、人工分析的真正的异常指标的原因,从而生成反馈数据,并将反馈数据反馈给服务器。
S208:根据用户反馈数据,实现模型调整优化。
在本步骤中,通过用户返单功能,服务器接收到用户的反馈数据后,为了实现模型的优化,将反馈数据反馈给AutoMap算法模型和/或Isolation Forest,通过参数调整,实现模型优化。
具体的,根据户输入的反馈数据,AutoMap算法模型和/或Isolation Forest算法根据模型自身自我学习的能力,自主在线学习数据特征,进行快速的自我参数调整,达到模型优化的目的。
本实施例提供的网络的异常处理方法,服务器通过与核心网设备实现连接,实时获取每个网元的网元性能指标、网元业务指标和日志文件,并通过实时在线异常检测算法Isolation Forest算法进行网络指标异常检测,基于统计分析方法和关联算法模型实现异常指标对应网络问题的初步分析和深度挖掘分析,最后通过工单派发以及短信、钉钉的提醒功能对相关网元用户提醒,并通过返单功能实现算法模型的优化。避免了传统固定阈值确定异常指标的局限性,适应网络的发展情况,自动实时在线学习指标的波动,根据数据特征自主进行模型调整,及时准确地发现网络的异常波动,并通过关联算法实现了对网络失败的深度定位分析,提供了准确性。
图7为本申请实施例提供的网络的异常处理装置实施例一的结构示意图,如图7所示,网络的异常处理装置300包括:
第一获取模块301,用于从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据。
异常检测模块302,用于通过预先部署的Isolation Forest算法分别对各网元的性能指标数据和业务指标数据进行异常检测,得到每个网元对应的异常指标。
异常确认模块303,用于针对每个网元,根据网元对应的异常指标,确定网元是否异常。
图8为本申请实施例提供的网络的异常处理装置实施例二的结构示意图,如图8所示,网络的异常处理装置300还包括:
第二获取模块304,用于若任一网元的异常指标指示网元出现异常,则从日志文件数据库中获取网元对应的日志文件。
第三获取模块305,用于对日志文件中网络失败的原因码进行统计分析,获取失败频率最高的原因码。
第一分析模块306,用于根据原因码进行用户侧原因分析和无线侧原因分析,得到异常指标的用户侧定位分析结果和无线侧定位分析结果。
第二分析模块307,用于根据预先部署的多维时间序列关联分析算法AutoMap算法模型,对预先获取的用户数据,无线信息数据,性能指标数据库,业务指标数据库以及日志文件数据库中的数据进行关联分析,确定出除用户侧和无线侧之外的其他异常指标的定位分析结果。
其他异常指标的定位分析结果包括异常行为图和影响因素占比。
结果输出模块308,用于输出用户侧定位分析结果,无线侧定位分析结果以及其他异常指标的定位分析结果。
数据接收模块309,用于接收用户输入的反馈数据,反馈数据为用户对异常原因是否正确,以及纠正异常指标的原因后得到的数据。
模型优化模块310,用于根据反馈数据优化AutoMap算法模型和/或IsolationForest算法的参数。
第四获取模块311,用于从核心网设备中获取网络中每个网元的性能指标,业务指标和日志文件。
数据处理模块312,用于对每个网元的性能指标,业务指标和日志文件进行筛选和预处理,并将每个网元处理后的性能指标存储至性能指标数据库、处理后的业务指标存储至业务指标数据库,处理后的日志文件存储至日志文件数据库。
图9为本申请实施例提供的网络的异常处理装置实施例三的结构示意图,数据处理模块312,包括:
第一处理单元3121,用于将每个网元的性能指标,业务指标和日志文件中的数据,按照网元名称,时间,日志文件的格式进行筛选处理。
第二处理单元3122,用于将筛选后的性能指标,业务指标和日志文件进行预处理,得到每个网元处理后的性能指标,处理后的业务指标以及处理后的日志文件,其中,预处理包括缺失值处理,文本编码,数据整合以及数据变换。
本申请实施例还提供一种电子设备,图10为本申请实施例提供的电子设备的结构示意图,如图10所示,电子设备400包括:存储器401,处理器402,通信接口403,显示屏404;
存储器401存储计算机执行指令。
处理器402执行存储器存储的计算机执行指令,以实现任一项实施例中的方法。
通信接口403用于与核心网各网管对接,实现数据的传输。
显示器404用于显示告警信息以及分析结果。
可选的,该电子设备400的上述各个器件之间可以通过系统总线连接。
存储器401可以是单独的存储单元,也可以是集成在处理器402中的存储单元。处理器402的数量为一个或者多个。
应理解,显示器还可以用于显示处理器的处理结果以及和人机交互。在一些实施例中,显示器可以为终端设备的前面板;在另一些实施例中,显示器可以是柔性显示屏,设置在终端设备的弯曲表面上或折叠面上。甚至,显示器还可以设置成非矩形的不规则图形的显示屏,也即异形屏。显示器可以采用液晶显示屏(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等材质制备。
应理解,处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)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。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
系统总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。系统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。存储器可能包括随机存取存储器(randomaccess memory,RAM),也可能还包括非易失性存储器(non-volatile memory,NVM),例如至少一个磁盘存储器。
实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于可读取存储器中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储器(存储介质)包括:只读存储器(read-only memory,ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(magnetic tape)、软盘(floppy disk)、光盘(optical disc)及其任意组合。
本实施例提供的电子设备,用于执行前述任一方法实施例中的技术方案,其实现原理和技术效果类似,在此不再赘述。
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中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现任一项实施例中的方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器,电可擦除可编程只读存储器,可擦除可编程只读存储器,可编程只读存储器,只读存储器,磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
可选的,将可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序存储在计算机可读存储介质中,至少一个处理器可以从该计算机可读存储介质中读取该计算机程序,至少一个处理器执行计算机程序时可实现上述任一方法实施例提供的技术方案。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (14)
1.一种网络的异常处理方法,其特征在于,包括:
从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据;
通过预先部署的-Isolation Forest算法分别对各网元的性能指标数据和业务指标数据进行异常检测,得到每个网元对应的异常指标;
针对每个网元,根据所述网元对应的异常指标,确定所述网元是否异常。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若任一网元的异常指标指示所述网元出现异常,则从日志文件数据库中获取所述网元对应的日志文件;
对所述日志文件中网络失败的原因码进行统计分析,获取失败频率最高的原因码;
根据所述原因码进行用户侧原因分析和无线侧原因分析,得到异常指标的用户侧定位分析结果和无线侧定位分析结果。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据预先部署的多维时间序列关联分析算法-AutoMap算法模型,对预先获取的用户数据,无线信息数据,所述性能指标数据库,所述业务指标数据库以及所述日志文件数据库中的数据进行关联分析,确定出除用户侧和无线侧之外的其他异常指标的定位分析结果;
所述其他异常指标的定位分析结果包括异常行为图和影响因素占比。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
输出所述用户侧定位分析结果,无线侧定位分析结果以及所述其他异常指标的定位分析结果;
接收用户输入的反馈数据,所述反馈数据为所述用户对异常原因是否正确,以及纠正异常指标的原因后得到的数据;
根据所述反馈数据优化所述AutoMap算法模型和/或Isolation Forest算法的参数。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据之前,所述方法还包括:
从核心网设备中获取网络中每个网元的性能指标,业务指标和日志文件;
对每个网元的性能指标,业务指标和日志文件进行筛选和预处理,并将每个网元处理后的性能指标存储至性能指标数据库、处理后的业务指标存储至业务指标数据库,处理后的日志文件存储至日志文件数据库。
6.根据权利要求5所述的方法,其特征在于,所述对每个网元的性能指标,业务指标和日志文件进行筛选和预处理,包括:
将每个网元的性能指标,业务指标和日志文件中的数据,按照网元名称,时间,日志文件的格式进行筛选;
将筛选后的性能指标,业务指标和日志文件进行预处理,得到每个网元处理后的性能指标,处理后的业务指标以及处理后的日志文件,其中,所述预处理包括缺失值处理,文本编码,数据整合以及数据变换。
7.一种网络的异常处理装置,其特征在于,包括:
第一获取模块,用于从性能指标数据库,以及业务指标数据库中分别获取各个网元的性能指标数据和业务指标数据;
异常检测模块,用于通过预先部署的Isolation Forest算法分别对各网元的性能指标数据和业务指标数据进行异常检测,得到每个网元对应的异常指标;
异常确认模块,用于针对每个网元,根据所述网元对应的异常指标,确定所述网元是否异常。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于若任一网元的异常指标指示所述网元出现异常,则从日志文件数据库中获取所述网元对应的日志文件;
第三获取模块,用于对所述日志文件中网络失败的原因码进行统计分析,获取失败频率最高的原因码;
第一分析模块,用于根据所述原因码进行用户侧原因分析和无线侧原因分析,得到异常指标的用户侧定位分析结果和无线侧定位分析结果。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二分析模块,用于根据预先部署的多维时间序列关联分析算法AutoMap算法模型,对预先获取的用户数据,无线信息数据,所述性能指标数据库,所述业务指标数据库以及所述日志文件数据库中的数据进行关联分析,确定出除用户侧和无线侧之外的其他异常指标的定位分析结果;
所述其他异常指标的定位分析结果包括异常行为图和影响因素占比。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
结果输出模块,用于输出所述用户侧定位分析结果,无线侧定位分析结果以及所述其他异常指标的定位分析结果;
数据接收模块,用于接收用户输入的反馈数据,所述反馈数据为所述用户对异常原因是否正确,以及纠正异常指标的原因后得到的数据;
模型优化模块,用于根据所述反馈数据优化所述AutoMap算法模型和/或IsolationForest算法的参数。
11.根据权利要求7至10任一项所述的装置,其特征在于,所述第一获取模块之前,所述装置还包括:
第四获取模块,用于从核心网设备中获取网络中每个网元的性能指标,业务指标和日志文件;
数据处理模块,用于对每个网元的性能指标,业务指标和日志文件进行筛选和预处理,并将每个网元处理后的性能指标存储至性能指标数据库、处理后的业务指标存储至业务指标数据库,处理后的日志文件存储至日志文件数据库。
12.根据权利要求11所述的装置,其特征在于,所述数据处理模块,包括:
第一处理单元,用于将每个网元的性能指标,业务指标和日志文件中的数据,按照网元名称,时间,日志文件的格式进行筛选处理;
第二处理单元,用于将筛选后的性能指标,业务指标和日志文件进行预处理,得到每个网元处理后的性能指标,处理后的业务指标以及处理后的日志文件,其中,所述预处理包括缺失值处理,文本编码,数据整合以及数据变换。
13.一种电子设备,包括:存储器、处理器、通信接口、显示屏;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至6中任一项所述的方法。
14.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的网络的异常处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559015.0A CN116546535A (zh) | 2023-05-17 | 2023-05-17 | 网络的异常处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559015.0A CN116546535A (zh) | 2023-05-17 | 2023-05-17 | 网络的异常处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116546535A true CN116546535A (zh) | 2023-08-04 |
Family
ID=87448619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310559015.0A Pending CN116546535A (zh) | 2023-05-17 | 2023-05-17 | 网络的异常处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116546535A (zh) |
-
2023
- 2023-05-17 CN CN202310559015.0A patent/CN116546535A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6785541B2 (en) | Cellular/PCS management system and method | |
CN105917625B (zh) | 使用附加数据的检测到的网络异常的分类 | |
US20090052330A1 (en) | Anomaly detection method and system and maintenance method and system | |
WO2017041406A1 (zh) | 一种故障定位方法及装置 | |
EP3407541B1 (en) | Method and device for analyzing poor network quality problem | |
CN104869019A (zh) | 用于定位故障的反馈方法、装置及服务器 | |
CN104253908A (zh) | 未知号码分级方法、未知号码标记方法及装置 | |
US9426665B2 (en) | Method and apparatus for quantifying the customer impact of cell tower outages | |
CN107870859A (zh) | 大批量对比测试方法及系统 | |
CN111124859A (zh) | 一种日志处理方法、装置、设备及存储介质 | |
CN113676509A (zh) | Http接口健康状态主动探测方法及系统 | |
WO2018205850A1 (zh) | 一种基站运维方法和装置 | |
CN111343647B (zh) | 用户感知评估的方法、装置、设备和介质 | |
CN116546535A (zh) | 网络的异常处理方法、装置及设备 | |
CN107391551B (zh) | 一种基于数据挖掘的web业务数据分析方法及系统 | |
CN113079521B (zh) | 一种通话质量优化方法、装置和设备 | |
CN112291421B (zh) | 基于语音通信的单通检测方法、装置及存储介质、电子设备 | |
CN111901770B (zh) | 一种检测漫游地服务器话单处理效率的方法和系统 | |
CN114091910A (zh) | 5g用户质差投诉的溯源分析方法及装置 | |
CN111352792B (zh) | 一种日志管理方法、服务器及具有存储功能的装置 | |
CN109672788B (zh) | 用户来电的进线监控方法及装置、电子设备、存储介质 | |
CN106407095B (zh) | 故障处理方法及装置 | |
CN108243442B (zh) | 无线通信网络制式回落的分析处理方法及装置 | |
CN107678905B (zh) | 一种监控方法和装置 | |
CN115242620B (zh) | 一种语音业务寻呼失败定位方法和装置 |
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 |