CN116600329A - 一种消息错误识别码定界方法及装置 - Google Patents
一种消息错误识别码定界方法及装置 Download PDFInfo
- Publication number
- CN116600329A CN116600329A CN202310709185.2A CN202310709185A CN116600329A CN 116600329 A CN116600329 A CN 116600329A CN 202310709185 A CN202310709185 A CN 202310709185A CN 116600329 A CN116600329 A CN 116600329A
- Authority
- CN
- China
- Prior art keywords
- data
- error
- abnormal
- error code
- moments
- 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 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 112
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000013075 data extraction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 241001123248 Arma Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 108090000623 proteins and genes Proteins 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000717 retained 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
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
本发明提供一种消息错误识别码定界方法及装置。该方法包括:利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻;然后,基于所述k个异常时刻对所述错误码数据总表进行数据提取,得到异常时刻的真实数据表;之后,通过对所述错误码数据总表中对应不同错误码的频次序列进行线性拟合,得到对应的预测数据总表。基于所述k个异常时刻对所述预测数据总表进行数据提取,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表;根据业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因。如此,可以实现异常数据的快速识别和定界,适合多维特征根因分析场景,具有良好的普适性。
Description
技术领域
本申请涉及通信领域,尤其涉及一种消息错误识别码定界方法及装置。
背景技术
在通信领域中,随着近年来移动网络的大规模建设,5G移动网络覆盖已日趋完善,但网络的日常维护工作愈加繁重,网络优化问题日益凸显。传统方法主要通过一线工程师采集网络信息,依靠工程师分析各项数据,然后人工排查覆盖、干扰、容量等各类网络问题,通过他们的经验调整基站参数,从而对网络问题进行优化。这种优化方法效率低、准确度差,对优化人员的水平要求较高,但用户感知却可能并没有得到很大提高。
现有技术中利用生成的基因特征组合匹配已有的基因特征库,得到错误定界信息,该方法准确率取决于特征基因库的质量和丰富程度,能力移植限制条件大,因此不具有普遍适用性。或者通过粗略定界,根据粗略定界结果筛选出数据指标判断无线小区存在的问题类型,但是该方法无法定位出导致产生此问题类型的根因。
发明内容
为了解决上述的问题,本申请的实施例中提供了一种消息错误识别码定界方法及装置。
第一方面,本申请提供了一种消息错误识别码定界方法,应用于移动网络,其特征在于,获取错误码数据总表以及基于其确定的总频次序列,所述错误码数据总表包括M个时刻下N类错误码分别出现的真实频次,所述总频次序列包括按照所述M个时刻顺序排列的针对所述N类错误码统计出的M个总频次;利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻;基于所述k个异常时刻对所述错误码数据总表进行数据提取,得到异常时刻的真实数据表;通过对所述错误码数据总表中对应不同错误码的频次序列进行线性拟合,得到对应的预测数据总表;基于所述k个异常时刻对所述预测数据总表进行数据提取,得到异常时刻的预测数据表,所述异常时刻的预测数据表指示了在所述k个异常时刻下的N类错误码的预测频次;基于所述异常时刻的真实数据表和预测数据表,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表;基于所述根因特征列表,从所述错误码数据总表中提取所述M个时刻下的所述出现异常的错误码类型分别出现的真实频次;根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因。
在一个实施例中,所述获取原始错误码数据总表包括:获取所述M个时刻下的错误码报表数据,对数据解析后进行预处理,所述预处理包括:对所述数据解析后的空值和Nan值进行处理,将所述Nan值替换为0,所述空值采用其相邻上一个时刻的相同类型错误码的真实频次进行填充。
在一个实施例中,所述利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻,包括:设置置信区间,计算出所述总频次序列的上限阈值,基于所述上限阈值,得到与k个异常总频次对应的k个异常时刻。
在一个实施例中,所述基于所述异常时刻的真实数据表和预测数据表,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表,包括:计算所述异常时刻的真实数据表和预测数据表中,k个异常时刻对应的N类错误码的真实频次和预测频次的解释能力EP值和意外性S值;保留所述解释能力EP值大于预设阈值的r类错误码,并按照意外性S值进行顺序排序,得到所述根因特征列表,所述根因特征列表包括出现异常的错误码类型和对应的发生时刻,其中r小于等于N。
在一个实施例中,所述根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因之前,还包括:对所述业务指标数据进行预处理,所述预处理为:获取所述M个时刻下的业务指标数据数据,对数据解析后进行预处理,所述预处理包括:对所述数据解析后的空值和Nan值进行处理,将所述Nan值替换为0,所述空值采用其相邻上一个时刻的相同类型业务指标数值进行填充。
在一个实施例中,所述根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因,还包括:输出大于第二预设筛选阈值异常错误码类型。
在一个实施例中,所述方法还包括:输出所述业务指标和异常错误码类型的相关性列表,定界所述异常错误码。
在一个实施例中,所述解释能力EP值和意外性S值,计算公式分别为:
解释能力EP值计算公式:
EP=(Aij(m)-Fij)/(A(m)-F(m))
其中A为故障真实值,F为自回归滑动平均模型ARMA正常预测值,下标i为维度、j为元素、m为异常指标。
意外性S值计算公式:
p值为预测概率,公式如下:
pij(m)=Fij(m)/F(m)
q为真实概率,公式如下:
qij(m)=Aij(m)/A(m)
根据第二方面,本发明提供一种消息错误识别码定界装置,其特征在于,所述装置包括:
异常时刻获取单元,配置为获取错误码数据总表以及基于其确定的总频次序列,所述错误码数据总表包括M个时刻下N类错误码分别出现的真实频次,所述总频次序列包括按照所述M个时刻顺序排列的针对所述N类错误码统计出的M个总频次;利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻;真实数据表获取单元,配置为基于所述k个异常时刻对所述错误码数据总表进行数据提取,得到异常时刻的真实数据表;预测数据表获取单元,配置为通过对所述错误码数据总表中对应不同错误码的频次序列进行线性拟合,得到对应的预测数据总表;基于所述k个异常时刻对所述预测数据总表进行数据提取,得到异常时刻的预测数据表,所述异常时刻的预测数据表指示了在所述k个异常时刻下的N类错误码的预测频次;根因特征列表获取单元,配置为基于所述异常时刻的真实数据表和预测数据表,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表;相关性获取单元,基于所述根因特征列表,从所述错误码数据总表中提取所述M个时刻下的所述出现异常的错误码类型分别出现的真实频次;根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因。
在一个实施例中,所述装置还包括:结果输出单元,配置为输出所述业务指标和异常错误码类型的相关性列表,定界所述异常错误码。
附图说明
下面对实施例或现有技术描述中所需使用的附图作简单地介绍。
图1示出本申请实施例提供的一种消息错误识别码定界方法的流程示意图;
图2示出本申请实施例提供的N个错误码类型的解释能力EP值的计算过程;
图3示出本申请实施例提供的一种5G消息错误码识别定界方法的流程示意图;
图4示出本申请实施例提供的一种消息错误识别码定界装置的结构示意图。
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描述。
本文中术语“和/或”,是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本文中符号“/”表示关联对象是“或者”的关系,例如A/B表示A或者B。
本文中的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述对象的特定顺序。例如,第一响应消息和第二响应消息等是用于区别不同的响应消息,而不是用于描述响应消息的特定顺序。
在本申请实施例中,“示例性的”或者“例如”等词是用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,除非另有说明,“多个”的含义是指两个或者两个以上,例如,多个处理单元是指两个或者两个以上的处理单元等;多个元件是指两个或者两个以上的元件等。
为了解决移动通信网络错误码根因的快速定界,现有技术中利用生成的基因特征组合匹配已有的基因特征库,得到错误定界信息,该方法准确率取决于特征基因库的质量和丰富程度,能力移植限制条件大,因此不具有普遍适用性。或者通过粗略定界,根据粗略定界结果筛选出数据指标判断无线小区存在的问题类型,但是该方法无法定位出导致产生此问题类型的根因。
为解决上述解决方案中存在的问题,本申请提出来一种解决方案。本发明针对消息错误码识别定界,主要策略为利用时间序列预测prophet等算法分析消息业务错误码的异常数据,对异常数据采用多维度智能下钻分析方法Adtr ibutor确定维度根因。通过维度根因与业务指标的关联分析,实现对5G消息业务错误码的根因定界。本申请以5G网络为例进行说明。
5G网络包括核心网,交换网,支撑网以及移动终端等,在网络内部、网络接口处以及终端和网络的接口都可能会出现错误,错误一般以错误码的形式体现,由后台收集,例如,错误码为0,代表出现的错误为未配置错误,那么可以根据该错误码类型初步判断网络错误发生的环节,后台会执行定时任务收集错误码形成一段时期内的错误码报表数据。以下所述的错误码即错误识别码。
图1示出本申请实施例提供的一种消息错误识别码定界方法的流程示意图,如图1所示:
步骤S110,获取错误码数据总表以及基于其确定的总频次序列,所述错误码数据总表包括M个时刻下N类错误码分别出现的真实频次,所述总频次序列包括按照所述M个时刻顺序排列的针对所述N类错误码统计出的M个总频次;
步骤S120,利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻;
步骤S130,基于所述k个异常时刻对所述错误码数据总表进行数据提取,得到异常时刻的真实数据表;
步骤S140,通过对所述错误码数据总表中对应不同错误码的频次序列进行线性拟合,得到对应的预测数据总表;
步骤S150,基于所述k个异常时刻对所述预测数据总表进行数据提取,得到异常时刻的预测数据表,所述异常时刻的预测数据表指示了在所述k个异常时刻下的N类错误码的预测频次;
步骤S160,基于所述异常时刻的真实数据表和预测数据表,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表;
步骤S170,基于所述根因特征列表,从所述错误码数据总表中提取所述M个时刻下的所述出现异常的错误码类型分别出现的真实频次;
步骤S180,根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因。
在步骤S110中,获取错误码数据总表包括:获取M个时刻下的错误码报表数据,对数据解析后进行预处理,预处理包括:对数据解析后的空值和Nan值进行处理,将Nan值替换为0,空值采用其相邻上一个时刻的相同类型错误码的真实频次进行填充。
后台收集到一定时期内的错误码报表数据后,对数据进行解析,以天为粒度统计该时期内的各种类型的错误码,格式为:所有时刻|错误码类型1的真实频次|错误码类型2的真实频次|…|错误码类型N的真实频次,例如2023-06-01|20-主叫关机|0-未配置错误|180-呼叫错误…,对于错误码类型的日统计值为Nan值的情况,直接将Nan值替换为0,对于错误码类型的某日统计值为空值的情况,使用该错误码类型的前一日日统计值作为该错误码类型的该日统计值。
在一个实施例中,从错误码报表中解析的错误码数据维度包括:时间|1-未知用户|10-SM发送失败|11-消息等待队列满|13-数据丢失|14-意外数据|15-协议错误(MS端错误)|16-MS未装备|17-手机内存满|194-SMC系统错误|2-未定义用户|20-不正确SME地址|21-未知SMC|22-非法设备|23-用户忙|24-用户关机|255-未确定的错误原因|3-非法用户|33-SMC没有取到足够的路由信息|34-来自HLR的意外数据|35-来自MSC的意外数据|4-电信业务不支持|40-发路由请求后HLR无应答|41-发置位消息后HLR无应答|48-MSC无应答|5-呼叫被禁止|51-MSC拒绝|52-HLR拒绝|53-GIW模块拒绝|56-HLR系统错误|57-MSC系统错误|6-闭合用户群拒绝|63-目的信令点或信令转接点无法传送该消息|7-设备不支持|75-未配置错误|8-用户不在服务区|18-SC拥塞|83-未配置错误|失败总次数。
在步骤S120中,异常检测算法可以为时间序列预测算法Prophet,本申请实施例以时间序列预测算法Prophet为例进行说明,其他异常检测的算法也属于本发明的适用范围。
以天为粒度统计各类型错误码总量,如上所述,取2023-06-01到2023-06-30时间段内的30个时刻下的错误码数据总表,分别统计错误码为1、10、11、13、14、15、16、17、194、2、20、21、22、23、24、255、3、33、34、35、4、40、41、48、5、51、52、53、56、57、6、63、7、75、8、18和83这37个错误码维度上分别在2023-06-01到2023-06-30的错误码数量,得到对应于30个时刻下的的错误码总量,由此构建的时序数据表的列名为ds和y,其中ds表示时间,y表示每个时刻下的错误码总量,以此作为时间序列预测算法Prophet的输入数据。
将时序数据表输入时间序列预测算法Prophet中,设置置信区间。
优选的,置信区间设置为0.9。
设置置信区间后,时间序列预测算法计算出输入数据的上限阈值,筛选出异常数据,异常数据为k个异常总频次对应的k个异常时刻,在本实施例中,异常时刻为30个时刻下的若干个时刻。
在步骤S130中,根据该异常时刻作为索引,选取错误码数据总表中该异常时刻对应的错误码类型,得到异常时刻的真实数据表。表的格式为:异常时刻|错误码类型1的真实频次值|错误码类型2的真实频次|错误码类型3的真实频次|…|错误码类型N的真实频次。
在步骤S140中,选取错误码数据总表,将M个时刻下的N个错误码类型,按照N个错误码的频次序列进行线性拟合,得到M个时刻下每个错误码类型的预测频次值。预测数据总表格式为:所有时刻|错误码类型1的预测频次|错误码类型2的预测频次|错误码类型3的预测频次…|错误码类型N的预测频次。
在步骤S150中,异常时刻的预测数据表格式为:异常时刻|错误码类型1的预测频次|错误码类型2的预测频次…|错误码类型N的预测频次。
在步骤S160中,计算所述异常时刻的真实数据表和预测数据表中,k个异常时刻对应的N类错误码的真实频次和预测频次的解释能力(Explanatory power,简称EP)值和意外性(Surpr ise,简称S)值;
保留所述解释能力EP值大于预设阈值的r类错误码,并按照意外性S值进行顺序排序,得到所述根因特征列表,所述根因特征列表包括出现异常的错误码类型和对应的发生时刻,其中r小于等于N。
解释能力EP值对于每一个维度,即错误码类型在每个异常时刻的的真实频次和预测频次,如果元素的波动变化在异常关键绩效指标(Key Performance Indicator,简称KPI)的波动变化中的占比越大,则认为元素越能解释KPI异常的发生。EP值用于衡量元素对异常的解释能力。
解释能力EP值计算公式如下式(1):
EP = (Aij(m)-Fij)/(A(m)-F(m)) (1)
其中A为故障真实值,F为自回归滑动平均模型ARMA正常预测值,下标i为维度、j为元素、m为异常指标。
意外性S值计算公式如下式(2):
p值为预测概率,公式如如下式(3):
pij(m) = Fij(m)/F(m) (3)
q为真实概率,公式如下式(4):
qij(m) = Aij(m)/A(m) (4)
对N个错误码类型计算EP值和S值,N个错误码类型包括:
1-未知用户|10-SM发送失败|11-消息等待队列满|13-数据丢失|14-意外数据|15-协议错误(MS端错误)|16-MS未装备|17-手机内存满|194-SMC系统错误|2-未定义用户|20-不正确SME地址|21-未知SMC|22-非法设备|23-用户忙|24-用户关机|255-未确定的错误原因|3-非法用户|33-SMC没有取到足够的路由信息|34-来自HLR的意外数据|35-来自MSC的意外数据|4-电信业务不支持|40-发路由请求后HLR无应答|41-发置位消息后HLR无应答|48-MSC无应答|5-呼叫被禁止|51-MSC拒绝|52-HLR拒绝|53-GIW模块拒绝|56-HLR系统错误|57-MSC系统错误|6-闭合用户群拒绝|63-目的信令点或信令转接点无法传送该消息|7-设备不支持|75-未配置错误|8-用户不在服务区|18-SC拥塞|83-未配置错误
在一个实施例中,预定时间周期为一个月,选取该月的历史数据,维度i:83-未配置错误的该月数值全部为0,则此错误码数据不会出现在数据表中,因此并不影响最终的计算结果。
图2示出本申请实施例提供的N个错误码类型的解释能力EP值的计算过程,如图2所示,每个错误码类型的解释能力EP值计算过程如下:
步骤S210,获取异常时刻的真实数据表中每个元素的真实频次Aij(m)。
步骤S220,获取异常时刻的预测数据表中每个元素的预测频次Fij。
步骤S230,计算异常时刻的真实数据表中N个错误码类型的总真实频次(A(m)。
步骤S240,计算异常时刻的预测数据表中N个个错误码类型的总预测频次F(m)。
步骤S250,用真实频次Aij(m)和预测频次Fij的差除以总真实频次和总预测频次F(m)的差,得到N个错误码类型的解释能力EP值
得到每个元素的解释能力EP值和意外性S值之后,按照解释能力EP值进行筛选,大于第二预设阈值的元素被保留,优选的,第二预设阈值为0.1。解释能力EP值大于0.1的错误码类型被保留。
将保留的错误码类型按照S值的大小排序,S值越大的错误码类型和根因特征越接近。得到的根因特征列表的格式为:异常时刻|筛选出的错误码类型。如下表1所示:
表1:根因特征列表
异常时刻 | 错误码类型 |
2023年6月1日 | 0-未配置错误 |
2023年6月1日 | 180-ring |
2023年6月20日 | 181-ring |
2023年6月21日 | 0-未配置错误 |
2023年6月22日 | 20-主叫关机 |
2023年6月27日 | 0-未配置错误 |
2023年6月27日 | 20-主叫关机 |
在步骤S170中,根据提取出的根因特征列表,得到F个错误码类型,该F个错误码类型为部分上述N个错误码类型。
根据得到的F个错误码类型,选取错误码数据总表中的M个时刻,得到M个时刻对应的若干错误码类型的真实频次。格式为:M个时刻|错误码类型1的真实频次|…|错误码类型F的真实频次。
在一个实施例中,该F个错误码类型为全部上述N个错误码类型。
在步骤S180中,从日流量报表中,解析数据,得到业务指标数据。并对业务指标数据进行预处理得到业务数据表,预处理的步骤为处理业务指标数据中的空值和Nan值,将Nan值替换为0,空值采用上一个时刻的业务指标数据值填充。
在一个实施例中,业务指标数据包括:下发成功率,接收成功率等。
业务指标数据表中包括M个时刻以及每个时刻对应的S个业务指标。业务指标数据表的格式为:M个时刻|业务指标1|业务指标2…|业务指标S。
在一个实施例中,将业务指标数据表和步骤S170得到的M个时刻对应的F个错误码类型真实频次进行相关性分析,关注与根因特征相关性高的业务指标。
在一个实施例中,利用皮尔逊Perason算法进行相关性分析,计算根因特征和业务指标之间的相关性。
在一个实施例中,分别将S个业务指标和F个错误码类型进行相关性计算,根据相关系数的值,得到与该业务指标相关性最高的错误码类型。将S个业务指标分别和每个错误码类型真实频次进行相关性计算,业务指标i和错误码类型j为一组数据计算相关性,其中1≤i≤S,1≤j≤F,得到S×F组数据。
优选的,设置筛选阈值为0.4,将筛选结果处理后输出。相关系数的绝对值在0.4以上时为高相关,相反为低相关。
在一个实施例中,输出业务指标与错误码相关性清单,实现快速定界。相关系数高的一组数据中的业务指标为需要重点关注的业务指标。
以下为5G消息业务错误码识别定界方法的一个流程图,图3示出本发明实施例提供的一种5G消息错误码识别定界方法的流程示意图,如图3所示,接收5G消息错误码数据,进行解析和数据预处理,根据时间序列预测算法Prophet,检测出异常时刻数据,进一步利用异动归因时间序列预测算法Adtr ibutor Prophet,对5G错误码数据进行线性拟合,得到预测数据总表。根据预测时间总表和异常时刻的实际数据和预测数据,计算每种错误码类型的解释能力EP值和意外性S值,之后结合业务指标数据进行相关性分析,最终得到错误码类型和业务指标的相关度清单,实现快速定界。
在一个实施例中,每种错误码类型对应一个解释能力EP值和意外性S值,比如,0-未配置错误的EP值为0.3,S值为0.0031,180-r ing错误的EP值为0.64,S值为0.0014。具体的,0-未配置错误和180-r ing的EP值都大于0.1,因此进行错误码类型筛选后该错误码类型会被保留,然后按照S值的大小进行排序,0-未配置错误的S值大于180-r ing的S值,在根因特征列表中排在前面。
在一个实施例中,根据错误码类型和业务指标的相关度清单,示例性的,0-未配置错误和MO成功率的相关度为0.57,180-r ing和MT成功率的相关度为0.78,180-r ing错误类型的出现和MT成功率的相关度最高,根据清单列表,快速界定出网络出现的问题根因。
本申请实施例针对的是消息业务错误码识别定界,其中很重要是如何实现对5G消息业务错误码识别定界。主要策略利用时间序列预测算法prophet等算法分析5G消息业务错误码的异常数据,对异常数据采用异动归因Adtr ibutor多维下钻确定维度根因。通过维度根因与业务指标的关联分析,实现对5G消息业务错误码的根因定界。基于5G消息业务错误码数据,构建异常检测算法模型和多维根因下钻算法,实现对5G消息业务错误码识别定界。需要说明的是,本申请实施例对于其他消息错误码也可以实现识别定界。
本申请实施例基于异动归因Adtr ibutor和时间序列预测算法Prophet等算法,实现对5G消息业务错误码识别定界方法,首先通过异常检测,筛选异常数据,其次通过对数据进行拟合预测,结合异动归因Adtr ibutor算法原理,筛选异常时刻中异常的特征,实现多维度智能下钻分析,通过皮尔逊Pearson结合业务特征数据,实现异常数据的快速识别和定界,适合多维特征根因分析场景,具有良好的普适性。
根据第二方面,本申请实施例还提供一种消息错误识别码定界装置,图4示出本申请实施例提供的一种消息业务错误识别码定界装置的结构示意图,如图4所示,该装置400包括:
异常时刻获取单元410,配置为获取错误码数据总表以及基于其确定的总频次序列,所述错误码数据总表包括M个时刻下N类错误码分别出现的真实频次,所述总频次序列包括按照所述M个时刻顺序排列的针对所述N类错误码统计出的M个总频次;利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻。
真实数据表获取单元420,配置为基于所述k个异常时刻对所述错误码数据总表进行数据提取,得到异常时刻的真实数据表;预测数据表获取单元,配置为通过对所述错误码数据总表中对应不同错误码的频次序列进行线性拟合,得到对应的预测数据总表;基于所述k个异常时刻对所述预测数据总表进行数据提取,得到异常时刻的预测数据表,所述异常时刻的预测数据表指示了在所述k个异常时刻下的N类错误码的预测频次。
根因特征列表获取单元430,配置为基于所述异常时刻的真实数据表和预测数据表,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表。
相关性获取单元440,基于所述根因特征列表,从所述错误码数据总表中提取所述M个时刻下的所述出现异常的错误码类型分别出现的真实频次;根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因。
在一个实施例中,该装置还包括:结果输出单元450,配置为输出所述业务指标和异常错误码类型的相关性列表,定界所述异常错误码。
在一个实施例中,所述获取原始错误码数据总表包括:
获取所述M个时刻下的错误码报表数据,对数据解析后进行预处理,所述预处理包括:对所述数据解析后的空值和Nan值进行处理,将所述Nan值替换为0,所述空值采用其相邻上一个时刻的相同类型错误码的真实频次进行填充。
在一个实施例中,所述利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻,包括:设置置信区间,计算出所述总频次序列的上限阈值,基于所述上限阈值,得到与k个异常总频次对应的k个异常时刻。
在一个实施例中,所述基于所述异常时刻的真实数据表和预测数据表,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表,包括:计算所述异常时刻的真实数据表和预测数据表中,k个异常时刻对应的N类错误码的真实频次和预测频次的解释能力EP值和意外性S值;保留所述解释能力EP值大于预设阈值的r类错误码,并按照意外性S值进行顺序排序,得到所述根因特征列表,所述根因特征列表包括出现异常的错误码类型和对应的发生时刻,其中r小于等于N。
需要说明,对图中装置的描述,还可以参见对前述方法的描述。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行结合图1所描述的方法。
根据再一方面的实施例,还提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现结合图1所描述的方法。本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种消息错误识别码定界方法,应用于移动网络,其特征在于,
获取错误码数据总表以及基于其确定的总频次序列,所述错误码数据总表包括M个时刻下N类错误码分别出现的真实频次,所述总频次序列包括按照所述M个时刻顺序排列的针对所述N类错误码统计出的M个总频次;
利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻;
基于所述k个异常时刻对所述错误码数据总表进行数据提取,得到异常时刻的真实数据表;
通过对所述错误码数据总表中对应不同错误码的频次序列进行线性拟合,得到对应的预测数据总表;
基于所述k个异常时刻对所述预测数据总表进行数据提取,得到异常时刻的预测数据表,所述异常时刻的预测数据表指示了在所述k个异常时刻下的N类错误码的预测频次;
基于所述异常时刻的真实数据表和预测数据表,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表;
基于所述根因特征列表,从所述错误码数据总表中提取所述M个时刻下的所述出现异常的错误码类型分别出现的真实频次;
根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因。
2.根据权利要求1所述的消息错误识别码定界方法,其特征在于,所述获取错误码数据总表包括:
获取所述M个时刻下的错误码报表数据,对数据解析后进行预处理,所述预处理包括:对所述数据解析后的空值和Nan值进行处理,将所述Nan值替换为0,所述空值采用其相邻上一个时刻的相同类型错误码的真实频次进行填充。
3.根据权利要求1所述的消息错误识别码定界方法,其特征在于,所述利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻,包括:
设置置信区间,计算出所述总频次序列的上限阈值,基于所述上限阈值,得到与k个异常总频次对应的k个异常时刻。
4.根据权利要求1所述的消息错误识别码定界方法,其特征在于,所述基于所述异常时刻的真实数据表和预测数据表,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表,包括:
计算所述异常时刻的真实数据表和预测数据表中,k个异常时刻对应的N类错误码的真实频次和预测频次的解释能力EP值和意外性S值;
保留所述解释能力EP值大于预设阈值的r类错误码,并按照意外性S值进行顺序排序,得到所述根因特征列表,所述根因特征列表包括出现异常的错误码类型和对应的发生时刻,其中r小于等于N。
5.根据权利要求1所述的消息错误识别码定界方法,其特征在于,所述根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因之前,还包括:
对所述业务指标数据进行预处理,所述预处理为:获取所述M个时刻下的业务指标数据数据,对数据解析后进行预处理,所述预处理包括:对所述数据解析后的空值和Nan值进行处理,将所述Nan值替换为0,所述空值采用其相邻上一个时刻的相同类型业务指标数值进行填充。
6.根据权利要求1所述的消息业务错误识别码定界方法,其特征在于,所述根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因,还包括:
输出大于第二预设筛选阈值异常错误码类型。
7.根据权利要求1-6任一项所述的消息错误识别码定界方法,其特征在于,所述方法还包括:
输出所述业务指标和异常错误码类型的相关性列表,定界所述异常错误码。
8.根据权利要求4所述的解释能力EP值和意外性S值,计算公式分别为:
解释能力EP值计算公式:
EP=(Aij(m)-Fij)/(A(m)-F(m))
其中A为故障真实值,F为自回归滑动平均模型ARMA正常预测值,下标i为维度、j为元素、m为异常指标。
意外性S值计算公式:
p值为预测概率,公式如下:
pij(m)=Fij(m)/F(m)
q为真实概率,公式如下:
qij(m)=Aij(m)/A(m)
9.一种消息错误识别码定界装置,其特征在于,所述装置包括:
异常时刻获取单元,配置为获取错误码数据总表以及基于其确定的总频次序列,所述错误码数据总表包括M个时刻下N类错误码分别出现的真实频次,所述总频次序列包括按照所述M个时刻顺序排列的针对所述N类错误码统计出的M个总频次;利用异常检测算法处理所述总频次序列,得到与k个异常总频次对应的k个异常时刻;
真实数据表获取单元,配置为基于所述k个异常时刻对所述错误码数据总表进行数据提取,得到异常时刻的真实数据表;
预测数据表获取单元,配置为通过对所述错误码数据总表中对应不同错误码的频次序列进行线性拟合,得到对应的预测数据总表;基于所述k个异常时刻对所述预测数据总表进行数据提取,得到异常时刻的预测数据表,所述异常时刻的预测数据表指示了在所述k个异常时刻下的N类错误码的预测频次;
根因特征列表获取单元,配置为基于所述异常时刻的真实数据表和预测数据表,确定出现异常的错误码类型和对应的发生时刻,得到根因特征列表;
相关性获取单元,基于所述根因特征列表,从所述错误码数据总表中提取所述M个时刻下的所述出现异常的错误码类型分别出现的真实频次;根据所述M个时刻下的业务指标数据,确定所述错误码类型与所述业务指标数据的相关性,用于分析出现异常的原因。
10.根据权利要求9所述的消息错误识别码定界装置,其特征在于,所述装置还包括:
结果输出单元,配置为输出所述业务指标和异常错误码类型的相关性列表,定界所述异常错误码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310709185.2A CN116600329A (zh) | 2023-06-14 | 2023-06-14 | 一种消息错误识别码定界方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310709185.2A CN116600329A (zh) | 2023-06-14 | 2023-06-14 | 一种消息错误识别码定界方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116600329A true CN116600329A (zh) | 2023-08-15 |
Family
ID=87604492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310709185.2A Pending CN116600329A (zh) | 2023-06-14 | 2023-06-14 | 一种消息错误识别码定界方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116600329A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116962673A (zh) * | 2023-09-21 | 2023-10-27 | 四川君恒泰电子电器有限公司 | 一种应用于智能电视主板系统的异常检测方法及系统 |
-
2023
- 2023-06-14 CN CN202310709185.2A patent/CN116600329A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116962673A (zh) * | 2023-09-21 | 2023-10-27 | 四川君恒泰电子电器有限公司 | 一种应用于智能电视主板系统的异常检测方法及系统 |
CN116962673B (zh) * | 2023-09-21 | 2023-12-15 | 四川君恒泰电子电器有限公司 | 一种应用于智能电视主板系统的异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10944473B2 (en) | Method, apparatus and device for predicting fault of optical module | |
CN111385122B (zh) | 分布式系统链路跟踪方法、装置、计算机设备及存储介质 | |
CN106507400A (zh) | 一种故障定位方法及装置 | |
CN101635651A (zh) | 一种网络日志数据管理方法、系统及装置 | |
CN112953738B (zh) | 根因告警的定位系统、方法、装置、计算机设备 | |
CN112087334B (zh) | 告警根因分析方法、电子设备和存储介质 | |
CN107645393A (zh) | 确定黑盒系统输入输出关联度的方法、装置以及系统 | |
CN116600329A (zh) | 一种消息错误识别码定界方法及装置 | |
CN103081403A (zh) | 用于使用事件分析通信系统的操作的方法和装置 | |
CN112688822B (zh) | 基于多点协同的边缘计算故障或安全威胁监测系统与方法 | |
CN102487523A (zh) | 用户投诉分析方法及装置 | |
CN110503247A (zh) | 电信网络告警预测方法及系统 | |
CN103581976A (zh) | 小区的识别方法和装置 | |
CN112214577A (zh) | 目标用户的确定方法、装置、设备及计算机存储介质 | |
CN102801548A (zh) | 一种智能预警的方法、装置及信息系统 | |
CN109963292B (zh) | 投诉预测的方法、装置、电子设备和存储介质 | |
CN116415045A (zh) | 数据采集方法、装置、电子设备及存储介质 | |
CN105634781B (zh) | 一种多故障数据解耦方法和装置 | |
CN102547789B (zh) | 端到端业务质量预警方法、装置及系统 | |
CN110609761B (zh) | 确定故障源的方法、装置、存储介质和电子设备 | |
CN116074215B (zh) | 网络质量检测方法、装置、设备及存储介质 | |
CN115396518A (zh) | 一种自适应的数据同步方法以及系统 | |
CN115314421A (zh) | 基于网络智慧平台的量化管理系统 | |
CN113079521B (zh) | 一种通话质量优化方法、装置和设备 | |
CN111813833A (zh) | 一种实时二度通联关系数据挖掘的方法 |
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 |