CN116800586A - 一种电信网络数据通信故障诊断方法 - Google Patents
一种电信网络数据通信故障诊断方法 Download PDFInfo
- Publication number
- CN116800586A CN116800586A CN202310897265.5A CN202310897265A CN116800586A CN 116800586 A CN116800586 A CN 116800586A CN 202310897265 A CN202310897265 A CN 202310897265A CN 116800586 A CN116800586 A CN 116800586A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- fault
- information
- analysis
- 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.)
- Withdrawn
Links
- 230000006854 communication Effects 0.000 title claims abstract description 95
- 238000004891 communication Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003745 diagnosis Methods 0.000 claims abstract description 87
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011835 investigation Methods 0.000 claims description 15
- 230000008439 repair process Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 11
- 238000012790 confirmation Methods 0.000 claims description 9
- 238000007418 data mining Methods 0.000 claims description 9
- 238000003012 network analysis Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000005206 flow analysis Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 230000003993 interaction Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- 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
- H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
- H04L41/5074—Handling of user complaints or trouble tickets
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种电信网络数据通信故障诊断方法，涉及数据通信故障诊断技术领域，解决的是传统数据通信故障诊断方法实时监控性不足、故障定位精确度低和反馈交流效率低的问题，包括采集网络故障数据信息、分析网络数据包、网络设备异常诊断、协议故障诊断、数据包丢失诊断、构建改进型大数据算法模型和构建线上平台；本发明通过采集网络故障数据信息并对网络数据包进行分析，确定故障的原因，通过改进型大数据算法模型提高电信网络数据通信故障诊断能力，保证电信网络数据通信的质量和稳定性，通过线上平台来解决客户投诉问题，增加满意度，大大提高了电信网络数据通信故障诊断能力。
Description
技术领域
本发明涉及数据通信故障诊断技术领域，且更确切地涉及一种电信网络数据通信故障诊断方法。
背景技术
随着数字化与信息化的快速发展，电信网络数据通信正在成为人们日常生活中必不可少的一部分，电信网络数据通信的应用范围非常广泛，包括互联网、移动通信、有线通信、无线通信和广播电视多个领域，它已经逐步取代了传统的人工通信，成为人们进行信息交流的主要手段之一。
由于电信网络数据通信技术的重要性和复杂性，它在应用过程中也会面临各种故障问题，比如网络中断、信号弱及服务质量降低，因此需要采用先进的故障诊断技术和措施，保证网络通信的高效、稳定、可靠和安全。
电信网络数据通信的现有故障诊断方法包括人工排查和基于网络管理系统的自动化诊断方法。虽然这些方法可以解决一些常见的网络故障，但也存在以下的几个弊端：
1、实时监控性不足：现有故障诊断方法只能在故障产生后进行数据采集和分析，而无法提前进行预测和预警，缺乏实时监控性；
2、故障定位精确度低：自动化故障诊断方法无法精确定位故障源头位置，无法立刻处理问题；
3、反馈交流效率低：现有故障诊断方法网络设备反馈效率不足，影响客户满意度、品牌声誉和市场竞争力；
综上所述，现有的故障诊断方法存在着实时监控性不足、故障定位精确度低和反馈交流效率低的弊端。为此，需要开发一种电信网络数据通信故障诊断方法，实现满足电信网络数据通信的高效、稳定和可靠需求。
发明内容
针对上述技术的不足，本发明公开一种电信网络数据通信故障诊断方法，通过采集网络故障数据信息并对网络数据包进行分析，确定故障的原因，通过改进型大数据算法模型提高电信网络数据通信故障诊断能力，保证电信网络数据通信的质量和稳定性，通过线上平台来解决客户投诉问题，增加满意度，大大提高了电信网络数据通信故障诊断能力。
为了实现上述技术效果，本发明采用以下技术方案：
一种电信网络数据通信故障诊断方法，包括以下步骤：
步骤1、采集网络故障数据信息；
在本步骤中，电信网络系统通过数据采集点进行数据采集监测并采用GCN算法模型对故障诊断数据进行分析和处理；
步骤2、确定故障原因；
在本步骤中，电信网络系统通过分析网络数据包方法进行数据通信捕获并分析网络数据流，对主机、服务信息、应用程序信息、IP地址或带宽数据信息进行分析，了解电信网络的实际运行情况及异常情况并发现问题和优化网络，改进网络配置的同时提高网络性能；
步骤3、网络设备异常诊断；
在本步骤中，电信网络系统采用网络流量分析法进行故障确认和排查，通过监控网络设备的运行状态、日志信息及响应时间确定出现异常的网络设备，确定故障点所在并根据故障判断和诊断指导定位故障原因；
步骤4、协议故障诊断；
在本步骤中，电信网络系统通过备份配置文件并将其恢复到最近一次正常工作的状态以排除配置问题导致的故障，并采用网络协议分析器采集协议数据并通过数据挖掘和网络分析进行数据分析，在排查协议异常时，确认协议版本和参数是否正确并检查协议相关的路由配置、策略配置及认证配置是否正确；
步骤5、数据包丢失诊断；
在本步骤中，电信网络系统通过抓包工具定位丢失数据包根据延迟及丢包率指标观察不同的目的地地址和网络链路的数据包传输情况，并采用数据分析及路径分析对数据包丢失原因进行分析；
步骤6、提高故障诊断能力；
在本步骤中，通过构建改进型大数据算法模型优化数据处理和存储方式，快速处理大量数据，降低数据处理时延，提高数据通信的速度和效率，全面提高电信网络数据通信故障诊断能力，保证电信网络数据通信的质量和稳定性；
步骤7、线上平台反馈；
在本步骤中，通过构建线上平台解决客户投诉问题，所述线上平台包括硬件设备模块、软件系统模块、网络配置模块、网络安全模块和业务需求分析模块，所述硬件设备模块用于网络通信和数据存储，所述软件系统模块用于设备管理和网络通信管理，所述网络配置模块包括IP地址分配、域名管理及网络拓扑结构规划，所述网络安全用于维护所述线上平台的网络安全，所述业务需求分析模块用于设计分析业务。
作为本发明进一步的技术方案，所述电信网络通过路由器、交换机、防火墙及服务器识别故障源并采集所述故障源的运行状态、错误码及性能指标，同时所述电信网络采用网络通信方式将采集的故障诊断数据传输到数据库并利用GCN算法模型对故障诊断数据进行分析和处理，以提取故障信息和异常数据，确认故障原因后采取相应措施进行故障排除，以保障电信网络数据通信系统的正常运转；所述GCN算法模型包括数据输入模块、数据格式转换模块、卷积神经网络模型、具有加速功能的池化模块、分类模块和部分连接模块，所述数据输入模块用于获取采集点采集到的数据信息，所述数据格式转换模块用于将输入的多维数据信息转换为低纬度数据信息，所述卷积神经网络模型用于通过卷积计算的方式将数据采集点采集的数据信息进行故障诊断，所述具有加速功能的池化模块设置有加速计器，用以提高数据信息的计算能力，所述分类模块通过数据属性或信息规则将输入的数据采集点进行分类；所述部分连接模块通过分类属性或信息关联特征进行数据信息关联和计算。
作为本发明进一步的技术方案，所述电信网络分析网络数据包方法包括嗅探器捕捉法和软件分析法，所述嗅探器捕捉法使用硬件网络嗅探器进行数据包捕捉和分析，所述硬件网络嗅探器用于监控和分析网络数据包，通过连接在网络传输媒介上或者机器上截取网络数据流并对数据包进行分析，所述软件分析法使用网络数据分析软件进行数据包的捕捉、分析和过滤，所述网络数据分析软件基于网络数据协议捕获网络数据包并对数据包进行解码和分析，并通过过滤器对数据包进行分类和筛选。
作为本发明进一步的技术方案，所述网络设备异常诊断通过对网络设备硬件、软件及配置方面进行分析，快速定位网络设备异常的原因和位置，故障发生时采集网络设备的性能参数、日志信息及进程状态信息，并保存到本地设备或者远程服务器中，通过故障描述和确认，寻找故障发生的端口和设备并对电缆、接口和设备进行单元测试和设备替换操作，同时通过网络流量分析、进程监控和路由跟踪进行故障确认和排查，数据采集和排查工作完成后，对采集到的数据和排查结果进行深入分析，精确定位故障原因和位置，确定网络设备异常的原因和位置后采用故障修正算法进行故障处理和修复以保证网络服务的正常和稳定运行。
作为本发明进一步的技术方案，所述故障修正算法实现故障处理和修复的方法为：
将电信网络通过网络数据采集到的电信网络中的运行状态信息、网络拓扑信息及流量信息转化为函数数据信息，通过GCN算法模型对数据进行分析和处理，提取故障信息和异常数据，函数数据提取表达式为：
（1）
式（1）中，为故障变量因子，/>表示故障数据采集样本集合，/>表示故障数据采集样本特征，/>为故障数据组数；
将提取后的故障数据函数进行逻辑聚类，逻辑聚类函数表达式为：
（2）
式（2）中，和/>为故障数据聚类后得到的数据，/>为聚类故障数据组数，/>为聚类质量因子，/>为故障数据聚类次数；
在本地设备或者远程服务器的数据库中对聚类后的故障数据进行故障修正，实现故障数据处理及修复，故障修正表达式为：
（3）
式（3）中，为故障修正浮动因子，/>为维数，/>为1~3之间的常数，/>为2~4之间的常数，/>为变量系数。
作为本发明进一步的技术方案，所述协议故障诊断通过网络协议分析器实现网络通信协议数据采集，所述协议数据包括网络通信双方之间的数据包、协议头部信息及错误码数据，所述协议故障诊断利用数据挖掘和网络分析工具实现数据分析，并依据协议规范和协议文档对分析得到的协议数据进行对比分析，找出违反协议标准的问题和错误，分析协议堆栈的各个层次，找出不合理的参数、配置或者软件以确定异常发生的位置和原因。
作为本发明进一步的技术方案，所述数据包丢失诊断通过对网络丢包相关的数据进行实时监控、数据分析、路径分析和设备排查操作，实现对数据包丢失问题的快速诊断和修复，所述数据包信息包括数据包目的地址、源地址、传输类型、时间戳以及数据包的包头、负载信息。
作为本发明进一步的技术方案，所述改进型大数据算法模型优化改进数据通信步骤为：
步骤一、优化数据处理和存储方式，快速处理大量数据，降低数据处理时延，提高数据通信的速度和效率；
步骤二、结合数据挖掘和大数据分析实时监控并快速响应异常情况，提高电信网络数据通信的反应能力和稳定性；
步骤三、通过数据的智能分析和加密技术保证数据隐私和安全，提高电信网络安全性；
步骤四、采用分布式存储和计算模式在保证数据通信质量和效率的同时减少计算资源和存储资源的使用成本。
作为本发明进一步的技术方案，所述线上平台采用人工智能开发智能客服系统实现24小时无人值守、单句指令自动解析及多样化交互功能。
本发明有益的积极效果在于：
区别于常规技术，本发明公开一种电信网络数据通信故障诊断方法，通过采集网络故障数据信息并对网络数据包进行分析，确定故障的原因，通过改进型大数据算法模型提高电信网络数据通信故障诊断能力，保证电信网络数据通信的质量和稳定性，通过线上平台来解决客户投诉问题，增加满意度，大大提高了电信网络数据通信故障诊断能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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，其中：
图1为本发明故障诊断方法流程示意图；
图2为本发明GCN算法模型结构图；
图3为本发明改进型大数据算法模型优化数据通信流程图；
图4为本发明线上平台结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，一种电信网络数据通信故障诊断方法，包括以下步骤：
步骤1、采集网络故障数据信息；
在本步骤中，电信网络系统通过数据采集点进行数据采集监测并采用GCN算法模型对故障诊断数据进行分析和处理；
步骤2、确定故障原因；
在本步骤中，电信网络系统通过分析网络数据包方法进行数据通信捕获并分析网络数据流，对主机、服务信息、应用程序信息、IP地址或带宽数据信息进行分析，了解电信网络的实际运行情况及异常情况并发现问题和优化网络，改进网络配置的同时提高网络性能；
步骤3、网络设备异常诊断；
在本步骤中，电信网络系统采用网络流量分析法进行故障确认和排查，通过监控网络设备的运行状态、日志信息及响应时间确定出现异常的网络设备，确定故障点所在并根据故障判断和诊断指导定位故障原因；
步骤4、协议故障诊断；
在本步骤中，电信网络系统通过备份配置文件并将其恢复到最近一次正常工作的状态以排除配置问题导致的故障，并采用网络协议分析器采集协议数据并通过数据挖掘和网络分析进行数据分析，在排查协议异常时，确认协议版本和参数是否正确并检查协议相关的路由配置、策略配置及认证配置是否正确；
步骤5、数据包丢失诊断；
在本步骤中，电信网络系统通过抓包工具定位丢失数据包根据延迟及丢包率指标观察不同的目的地地址和网络链路的数据包传输情况，并采用数据分析及路径分析对数据包丢失原因进行分析；
步骤6、提高故障诊断能力；
在本步骤中，通过构建改进型大数据算法模型优化数据处理和存储方式，快速处理大量数据，降低数据处理时延，提高数据通信的速度和效率，全面提高电信网络数据通信故障诊断能力，保证电信网络数据通信的质量和稳定性；
步骤7、线上平台反馈；
在本步骤中，通过构建线上平台解决客户投诉问题，所述线上平台包括硬件设备模块、软件系统模块、网络配置模块、网络安全模块和业务需求分析模块，所述硬件设备模块用于网络通信和数据存储，所述软件系统模块用于设备管理和网络通信管理，所述网络配置模块包括IP地址分配、域名管理及网络拓扑结构规划，所述网络安全用于维护所述线上平台的网络安全，所述业务需求分析模块用于设计分析业务。
进一步地，如图2所示，所述电信网络通过路由器、交换机、防火墙及服务器识别故障源并采集所述故障源的运行状态、错误码及性能指标，同时所述电信网络采用网络通信方式将采集的故障诊断数据传输到数据库并利用GCN算法模型对故障诊断数据进行分析和处理，以提取故障信息和异常数据，确认故障原因后采取相应措施进行故障排除，以保障电信网络数据通信系统的正常运转；所述GCN算法模型包括数据输入模块、数据格式转换模块、卷积神经网络模型、具有加速功能的池化模块、分类模块和部分连接模块，所述数据输入模块用于获取采集点采集到的数据信息，所述数据格式转换模块用于将输入的多维数据信息转换为低纬度数据信息，所述卷积神经网络模型用于通过卷积计算的方式将数据采集点采集的数据信息进行故障诊断，所述具有加速功能的池化模块设置有加速计器，用以提高数据信息的计算能力，所述分类模块通过数据属性或信息规则将输入的数据采集点进行分类；所述部分连接模块通过分类属性或信息关联特征进行数据信息关联和计算。
在具体实施例中，所述数据输入模块连接数据格式转换模块，所述数据格式转换模块连接所述池化模块与卷积模块，所述卷积神经网络模型连接接有池化模块、卷积模块及分类模块，所述卷积模块连接有部分连接模块；所述GCN算法模型是一种深度学习模型，GCN解决的是图的表示学习问题，自动地将节点之间的关系表示为边之间的关系，并自动地构建出一个图的卷积神经网络模型。在GCN中，节点和边构成了一个图，每个节点表示一个对象，每个边表示对象之间的关系，GCN对每个节点进行特征提取，将节点的特征向量表示为局部上下文信息，并将每个节点的所有邻居节点的特征向量进行聚合，得到一个全局的特征向量表示整个对象的特征。接着GCN将全局的特征向量嵌入到 CNN 模型中，通过卷积、池化和全连接层来提取节点和对象的特征，所述全连接层用于将输入数据转换为输出数据，在神经网络中,输入数据通常是一个多维张量,全连接层通过对这些张量进行逐层连接,将它们转化为简单的向量,用来表示输入数据的特征。本发明通过部分连接模块将分类后的数据信息特征转换为输出数据中特征，通过部分连接层提高模型的表达能力，使模型更好地捕捉输入数据中的复杂关系，本发明将具有能够分类的数据信息特征进行聚类和分析，以提高数据信息分类、计算和应用能力。
进一步地，作为本发明进一步的技术方案，所述电信网络分析网络数据包方法包括嗅探器捕捉法和软件分析法，所述嗅探器捕捉法使用硬件网络嗅探器进行数据包捕捉和分析，所述硬件网络嗅探器用于监控和分析网络数据包，通过连接在网络传输媒介上或者机器上截取网络数据流并对数据包进行分析，所述软件分析法使用网络数据分析软件进行数据包的捕捉、分析和过滤，所述网络数据分析软件基于网络数据协议捕获网络数据包并对数据包进行解码和分析，并通过过滤器对数据包进行分类和筛选。
在具体实施例中，所述电信网络数使用抓包工具，在特定的节点处进行数据采集，获取网络数据包，对采集到的网络数据包进行预处理操作，清除无用数据和噪音干扰，提取和解构网络数据包的各个字段和属性信息，并根据不同协议的数据包格式和协议规范，对网络数据包进行解析和分类，使用特定的网络分析和监测工具，对网络数据包进行网络流量分析、流异常检测和故障保障方面的分析，以识别网络中的问题和弱点并定位异常点，提升网络性能，提高网络稳定性，保障网络安全。
进一步地，所述网络设备异常诊断通过对网络设备硬件、软件及配置方面进行分析，快速定位网络设备异常的原因和位置，故障发生时采集网络设备的性能参数、日志信息及进程状态信息，并保存到本地设备或者远程服务器中，通过故障描述和确认，寻找故障发生的端口和设备并对电缆、接口和设备进行单元测试和设备替换操作，同时通过网络流量分析、进程监控和路由跟踪进行故障确认和排查，数据采集和排查工作完成后，对采集到的数据和排查结果进行深入分析，精确定位故障原因和位置，确定网络设备异常的原因和位置后采用故障修正算法进行故障处理和修复以保证网络服务的正常和稳定运行。
在具体实施例中，所述电信网络通过网络监测设备对网络中的设备、链路进行监控和检测，及时发现和定位网络设备的网络故障、通信阻塞及数据传输延迟，
同时基于大数据和机器学习算法对网络中的设备进行实时的健康状况评估，通过对设备异常日志、性能数据和传输数据进行深入分析，以诊断设备异常事件的原因和影响范围，并基于对异常事件的分析和判断，结合设备的实时监控和其他数据信息，对设备问题进行定位，根据诊断和定位的结果，采用相应的解决方案和操作手段，对设备进行故障恢复和修复，使设备恢复正常工作状态。
进一步地，所述故障修正算法实现故障处理和修复的方法为：
将电信网络通过网络数据采集到的电信网络中的运行状态信息、网络拓扑信息及流量信息转化为函数数据信息，通过GCN算法模型对数据进行分析和处理，提取故障信息和异常数据，函数数据提取表达式为：
（1）
式（1）中，为故障变量因子，/>表示故障数据采集样本集合，/>表示故障数据采集样本特征，/>为故障数据组数；
将提取后的故障数据函数进行逻辑聚类，逻辑聚类函数表达式为：
（2）
式（2）中，和/>为故障数据聚类后得到的数据，/>为聚类故障数据组数，/>为聚类质量因子，/>为故障数据聚类次数；
在本地设备或者远程服务器的数据库中对聚类后的故障数据进行故障修正，实现故障数据处理及修复，故障修正表达式为：
（3）
式（3）中，为故障修正浮动因子，/>为维数，/>为1~3之间的常数，/>为2~4之间的常数，/>为变量系数。
在具体实施例中，所述故障修正算法将采集到的电信网络数据通信信息转化为函数数据信息，并对数据进行分析和处理，提取故障信息和异常数据后对数据进行聚类及修正，通过对比采用故障修正算法进行故障修复及常规方法进行故障修复并记录，确认故障修正算法对电信网络数据通信故障诊断的影响，故障诊断方式对比结果记录表如表1所示：
表1：故障诊断方式对比结果记录表
根据表1中的数据，可以得出以下结论：
算法诊断的效率比常规诊断高，从诊断时间这一项可以看出，算法诊断的时间比常规诊断少得多，算法诊断可以更快地找出故障原因；算法诊断的准确率比常规诊断高，从故障修复准确率这一项可以看出，算法诊断的准确率比常规诊断高，对于故障的判断和修复更加精确；算法诊断可以降低故障修复损失，从修复损失这一项可以看出，算法诊断可以更快地修复故障，从而降低修复损失。
综上所述，算法诊断在诊断故障方面有很大的优势，可以提高效率和准确率，降低修复损失。
进一步地，所述协议故障诊断通过网络协议分析器实现网络通信协议数据采集，所述协议数据包括网络通信双方之间的数据包、协议头部信息及错误码数据，所述协议故障诊断利用数据挖掘和网络分析工具实现数据分析，并依据协议规范和协议文档对分析得到的协议数据进行对比分析，找出违反协议标准的问题和错误，分析协议堆栈的各个层次，找出不合理的参数、配置或者软件以确定异常发生的位置和原因。
在具体实施例中，所述电信网络实时监控和检测网络通信协议，以快速发现和定位网络通信协议的故障，在数据通信过程中，对采集到的网络数据包进行协议解析，分析协议交互过程中的各个字段和属性信息，并对协议解析结果进行分析和判断，结合网络拓扑结构和设备配置信息诊断分析协议故障的原因和影响范围，同时针对协议故障点的发现和分析，采取相应的定位措施，针对故障原因进行相应的调整和配置，保证网络通信协议的正常运行。
进一步地，所述数据包丢失诊断通过对网络丢包相关的数据进行实时监控、数据分析、路径分析和设备排查操作，实现对数据包丢失问题的快速诊断和修复，所述数据包信息包括数据包目的地址、源地址、传输类型、时间戳以及数据包的包头、负载信息。
进一步地，如图3所示，所述改进型大数据算法模型优化改进数据通信步骤为：
步骤一、优化数据处理和存储方式，快速处理大量数据，降低数据处理时延，提高数据通信的速度和效率；
步骤二、结合数据挖掘和大数据分析实时监控并快速响应异常情况，提高电信网络数据通信的反应能力和稳定性；
步骤三、通过数据的智能分析和加密技术保证数据隐私和安全，提高电信网络安全性；
步骤四、采用分布式存储和计算模式在保证数据通信质量和效率的同时减少计算资源和存储资源的使用成本。
进一步地，所述线上平台采用人工智能开发智能客服系统实现24小时无人值守、单句指令自动解析及多样化交互功能，解决客户疑问和投诉问题，所述线上平台依据投诉处理流程，明确投诉受理、筛选、分流、处理及反馈各环节的职责，以保证问题处理的及时性和准确性，同时通过数据分析工具分析投诉信息，总结客户痛点，加强投诉识别、分类、排查和解决问题能力，优化服务体验和提高客户满意度。
在具体实施例中，如图4所示，所述线上平台通过提供网络通讯、数据存储、业务处理、应用接口、运营支撑、用户管理和数据分析服务，实现用户与行业之间的无缝沟通和信息交互，推动行业的数字化和智能化发展，所述线上平台根据业务需求和用户需求设计功能模块、数据结构、数据流程和业务规则，同时采用前端界面开发、后端服务器开发和数据库设计实现系统的各个功能模块和数据交互流程，对已开发的系统进行单元测试、集成测试和系统测试，确保系统稳定性、功能完整性和业务逻辑的正确性，完成系统测试后，对系统进行优化和完善，然后上线，用户正式使用线上平台过程中，根据用户反馈和日常维护中发现的问题，对线上平台进行优化和改进，提高系统的稳定性和用户体验。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (9)
1.一种电信网络数据通信故障诊断方法，其特征在于：包括以下步骤：
步骤1、采集网络故障数据信息；
在本步骤中，电信网络系统通过数据采集点进行数据采集监测并采用GCN算法模型对故障诊断数据进行分析和处理；
步骤2、确定故障原因；
在本步骤中，电信网络系统通过分析网络数据包方法进行数据通信捕获并分析网络数据流，对主机、服务信息、应用程序信息、IP地址或带宽数据信息进行分析，了解电信网络的实际运行情况及异常情况并发现问题和优化网络，改进网络配置的同时提高网络性能；
步骤3、网络设备异常诊断；
在本步骤中，电信网络系统采用网络流量分析法进行故障确认和排查，通过监控网络设备的运行状态、日志信息及响应时间确定出现异常的网络设备，确定故障点所在并根据故障判断和诊断指导定位故障原因；
步骤4、协议故障诊断；
在本步骤中，电信网络系统通过备份配置文件并将其恢复到最近一次正常工作的状态以排除配置问题导致的故障，并采用网络协议分析器采集协议数据并通过数据挖掘和网络分析进行数据分析，在排查协议异常时，确认协议版本和参数是否正确并检查协议相关的路由配置、策略配置及认证配置是否正确；
步骤5、数据包丢失诊断；
在本步骤中，电信网络系统通过抓包工具定位丢失数据包根据延迟及丢包率指标观察不同的目的地地址和网络链路的数据包传输情况，并采用数据分析及路径分析对数据包丢失原因进行分析；
步骤6、提高故障诊断能力；
在本步骤中，通过构建改进型大数据算法模型优化数据处理和存储方式，快速处理大量数据，降低数据处理时延，提高数据通信的速度和效率，全面提高电信网络数据通信故障诊断能力，保证电信网络数据通信的质量和稳定性；
步骤7、线上平台反馈；
在本步骤中，通过构建线上平台解决客户投诉问题，所述线上平台包括硬件设备模块、软件系统模块、网络配置模块、网络安全模块和业务需求分析模块，所述硬件设备模块用于网络通信和数据存储，所述软件系统模块用于设备管理和网络通信管理，所述网络配置模块包括IP地址分配、域名管理及网络拓扑结构规划，所述网络安全用于维护所述线上平台的网络安全，所述业务需求分析模块用于设计分析业务。
2.根据权利要求1所述的一种电信网络数据通信故障诊断方法，其特征在于：所述电信网络通过路由器、交换机、防火墙及服务器识别故障源并采集所述故障源的运行状态、错误码及性能指标，同时所述电信网络采用网络通信方式将采集的故障诊断数据传输到数据库并利用GCN算法模型对故障诊断数据进行分析和处理，以提取故障信息和异常数据，确认故障原因后采取相应措施进行故障排除，以保障电信网络数据通信系统的正常运转；所述GCN算法模型包括数据输入模块、数据格式转换模块、卷积神经网络模型、具有加速功能的池化模块、分类模块和部分连接模块，所述数据输入模块用于获取采集点采集到的数据信息，所述数据格式转换模块用于将输入的多维数据信息转换为低纬度数据信息，所述卷积神经网络模型用于通过卷积计算的方式将数据采集点采集的数据信息进行故障诊断，所述具有加速功能的池化模块设置有加速计器，用以提高数据信息的计算能力，所述分类模块通过数据属性或信息规则将输入的数据采集点进行分类；
所述部分连接模块通过分类属性或信息关联特征进行数据信息关联和计算。
3.根据权利要求1所述的一种电信网络数据通信故障诊断方法，其特征在于：所述电信网络系统分析网络数据包方法包括嗅探器捕捉法和软件分析法，所述嗅探器捕捉法使用硬件网络嗅探器进行数据包捕捉和分析，所述硬件网络嗅探器用于监控和分析网络数据包，通过连接在网络传输媒介上或者机器上截取网络数据流并对数据包进行分析，所述软件分析法使用网络数据分析软件进行数据包的捕捉、分析和过滤，所述网络数据分析软件基于网络数据协议捕获网络数据包并对数据包进行解码和分析，并通过过滤器对数据包进行分类和筛选。
4.根据权利要求1所述的一种电信网络数据通信故障诊断方法，其特征在于：所述网络设备异常诊断通过对网络设备硬件、软件及配置方面进行分析，快速定位网络设备异常的原因和位置，故障发生时采集网络设备的性能参数、日志信息及进程状态信息，并保存到本地设备或者远程服务器中，通过故障描述和确认，寻找故障发生的端口和设备并对电缆、接口和设备进行单元测试和设备替换操作，同时通过网络流量分析、进程监控和路由跟踪进行故障确认和排查，数据采集和排查工作完成后，对采集到的数据和排查结果进行深入分析，精确定位故障原因和位置，确定网络设备异常的原因和位置后采用故障修正算法进行故障处理和修复以保证网络服务的正常和稳定运行。
5.根据权利要求4所述的一种电信网络数据通信故障诊断方法，其特征在于：所述故障修正算法实现故障处理和修复的方法为：
将电信网络通过网络数据采集到的电信网络中的运行状态信息、网络拓扑信息及流量信息转化为函数数据信息，通过GCN算法模型对数据进行分析和处理，提取故障信息和异常数据，函数数据提取表达式为：
（1）
式（1）中，为故障变量因子，/>表示故障数据采集样本集合，/>表示故障数据采集样本特征，/>为故障数据组数；
将提取后的故障数据函数进行逻辑聚类，逻辑聚类函数表达式为：
（2）
式（2）中，和/>为故障数据聚类后得到的数据，/>为聚类故障数据组数，/>为聚类质量因子，/>为故障数据聚类次数；
在本地设备或者远程服务器的数据库中对聚类后的故障数据进行故障修正，实现故障数据处理及修复，故障修正表达式为：
（3）
式（3）中，为故障修正浮动因子，/>为维数，/>为1~3之间的常数，/>为2~4之间的常数，/>为变量系数。
6.根据权利要求1所述的一种电信网络数据通信故障诊断方法，其特征在于：所述协议故障诊断通过网络协议分析器实现网络通信协议数据采集，所述协议数据包括网络通信双方之间的数据包、协议头部信息及错误码数据，所述协议故障诊断利用数据挖掘和网络分析工具实现数据分析，并依据协议规范和协议文档对分析得到的协议数据进行对比分析，找出违反协议标准的问题和错误，分析协议堆栈的各个层次，找出不合理的参数、配置或者软件以确定异常发生的位置和原因。
7.根据权利要求1所述的一种电信网络数据通信故障诊断方法，其特征在于：所述数据包丢失诊断通过对网络丢包相关的数据进行实时监控、数据分析、路径分析和设备排查操作，实现对数据包丢失问题的快速诊断和修复，所述数据包信息包括数据包目的地址、源地址、传输类型、时间戳以及数据包的包头、负载信息。
8.根据权利要求1所述的一种电信网络数据通信故障诊断方法，其特征在于：所述改进型大数据算法模型优化改进数据通信步骤为：
步骤一、优化数据处理和存储方式，快速处理大量数据，降低数据处理时延，提高数据通信的速度和效率；
步骤二、结合数据挖掘和大数据分析实时监控并快速响应异常情况，提高电信网络数据通信的反应能力和稳定性；
步骤三、通过数据的智能分析和加密技术保证数据隐私和安全，提高电信网络安全性；
步骤四、采用分布式存储和计算模式在保证数据通信质量和效率的同时减少计算资源和存储资源的使用成本。
9.根据权利要求1所述的一种电信网络数据通信故障诊断方法，其特征在于：所述线上平台采用人工智能开发智能客服系统实现24小时无人值守、单句指令自动解析及多样化交互功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310897265.5A CN116800586A (zh) | 2023-07-21 | 2023-07-21 | 一种电信网络数据通信故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310897265.5A CN116800586A (zh) | 2023-07-21 | 2023-07-21 | 一种电信网络数据通信故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116800586A true CN116800586A (zh) | 2023-09-22 |
Family
ID=88038591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310897265.5A Withdrawn CN116800586A (zh) | 2023-07-21 | 2023-07-21 | 一种电信网络数据通信故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116800586A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290764A (zh) * | 2023-11-23 | 2023-12-26 | 湖南省交通科学研究院有限公司 | 基于数据特征分析的治超系统故障智能识别及诊断的方法 |
| CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
-
2023
- 2023-07-21 CN CN202310897265.5A patent/CN116800586A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290764A (zh) * | 2023-11-23 | 2023-12-26 | 湖南省交通科学研究院有限公司 | 基于数据特征分析的治超系统故障智能识别及诊断的方法 |
| CN117290764B (zh) * | 2023-11-23 | 2024-02-09 | 湖南省交通科学研究院有限公司 | 基于数据特征分析的治超系统故障智能识别及诊断的方法 |
| CN117522174A (zh) * | 2024-01-05 | 2024-02-06 | 贵州省第一测绘院(贵州省北斗导航位置服务中心) | 国土空间规划空间数据突变检查方法、应用系统及云平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116800586A (zh) | 一种电信网络数据通信故障诊断方法 | |
| CN111885012B (zh) | 基于多种网络设备信息采集的网络态势感知方法及系统 | |
| CN110855493B (zh) | 用于混合环境的应用拓扑图绘制装置 | |
| WO2017041406A1 (zh) | 一种故障定位方法及装置 | |
| CN105488610A (zh) | 一种电力应用系统故障实时分析诊断系统及方法 | |
| CN108964995A (zh) | 基于时间轴事件的日志关联分析方法 | |
| CN113708995B (zh) | 一种网络故障诊断方法、系统、电子设备及存储介质 | |
| CN108848517B (zh) | 一种轨道交通信号覆盖监测方法 | |
| CN113157994A (zh) | 一种多源异构平台数据处理方法 | |
| CN113542039A (zh) | 一种通过ai算法定位5g网络虚拟化跨层问题的方法 | |
| CN112532614A (zh) | 一种用于电网终端的安全监测方法和系统 | |
| CN112000502B (zh) | 海量错误日志的处理方法、装置、电子装置及存储介质 | |
| CN115550139B (zh) | 故障根因定位方法、装置、系统、电子设备及存储介质 | |
| CN112350882A (zh) | 一种基于分布式的网络流量分析系统及方法 | |
| CN111274218A (zh) | 一种电力信息系统多源日志数据处理方法 | |
| CN111224807A (zh) | 分布式日志处理方法、装置、设备及计算机存储介质 | |
| US20220103442A1 (en) | Internet of things operations monitoring system | |
| CN110677327A (zh) | 一种基于芯片的rtp流量故障实时检测方法 | |
| CN116723136B (zh) | 应用fcm聚类算法的网络检测数据的方法 | |
| KR102221052B1 (ko) | Ｓｄｎ 오픈플로우 프로토콜을 지원하는 네트워크 장비의 장애처리 시스템 | |
| CN112579391A (zh) | 一种基于人工智能的分布式数据库自动运维方法及系统 | |
| CN116996392B (zh) | 一种基于加权有向图算法的流量路径重构方法及系统 | |
| CN113452713B (zh) | 一种基于双重采样的专线环境下网络数据载体判重方法 | |
| CN117376022B (zh) | 一种基于深度学习的检测未知网络攻击的异常检测系统 | |
| CN114338103B (zh) | 一种基于tr069协议结合日志分析的异常流量处方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230922 |
|
| WW01 | Invention patent application withdrawn after publication |