CN117354842A - 网络质差根因定位方法、装置、计算机设备和存储介质 - Google Patents
网络质差根因定位方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117354842A CN117354842A CN202311273793.XA CN202311273793A CN117354842A CN 117354842 A CN117354842 A CN 117354842A CN 202311273793 A CN202311273793 A CN 202311273793A CN 117354842 A CN117354842 A CN 117354842A
- Authority
- CN
- China
- Prior art keywords
- quality difference
- root cause
- network
- difference root
- structured data
- 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 47
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013468 resource allocation Methods 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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及一种网络质差根因定位方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取与待分析区域网络关联的结构化数据;确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因;根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因;所述候选网络质差根因根据与样本区域网络关联的半结构化数据得到;根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因。采用本方法,能够提高网络质差根因的定位准确率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种网络质差根因定位方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在基站小区的网络运维和管理中,定位基站小区的网络质差根因,对于改善基站小区的网络质量至关重要。
传统技术中,主要是利用固定专家规则,来对基站小区网络进行质差根因定位;但是,基站小区网络的质差根因可能会受到多个因素的影响,而利用固定专家规则定位得到的质差根因只能反映基站小区网络的局部情况,导致网络质差根因的定位准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高网络质差根因的定位准确率的网络质差根因定位方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种网络质差根因定位方法,包括:
获取与待分析区域网络关联的结构化数据;
确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因;
根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因;所述候选网络质差根因根据与样本区域网络关联的半结构化数据得到;
根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因。
在其中一个实施例中,所述结构化数据包括多个维度的子结构化数据;
所述确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因,包括:
分别将各个子结构化数据,输入到对应的网络质差根因识别模型,得到与所述各个子结构化数据对应的网络质差根因;
将所述各个子结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因。
在其中一个实施例中,所述分别将各个子结构化数据,输入到对应的网络质差根因识别模型,得到与所述各个子结构化数据对应的网络质差根因,包括:
分别从各个子结构化数据中,提取出对应的关键子结构化数据,作为各个目标子结构化数据;
分别将所述各个目标子结构化数据,输入到对应的网络质差根因识别模型,得到与所述各个子结构化数据对应的网络质差根因。
在其中一个实施例中,在根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因之前,还包括:
获取与样本区域网络关联的半结构化数据;
从所述半结构化数据中,提取出质差标签以及与所述质差标签对应的网络质差根因;
根据所述质差标签以及与所述质差标签对应的网络质差根因,构建网络质差根因知识图谱;所述网络质差根因知识图谱中包括所述候选网络质差根因。
在其中一个实施例中,所述根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因,包括:
根据所述结构化数据,确定所述待分析区域网络的目标质差标签;
从所述网络质差根因知识图谱中包括的候选网络质差根因中,筛选出对应的质差标签与所述目标质差标签之间的相似度满足预设相似度条件的网络质差根因;
根据筛选出的网络质差根因,确定所述待分析区域网络的第二质差根因。
在其中一个实施例中,所述根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因,包括:
在所述第一质差根因不为空集且所述第二质差根因为空集的情况下,将所述第一质差根因,作为所述待分析区域网络的目标质差根因;
或,
在所述第一质差根因为空集且所述第二质差根因不为空集的情况下,将所述第二质差根因,作为所述待分析区域网络的目标质差根因;
或,
在所述第一质差根因与所述第二质差根因存在交集的情况下,将所述交集对应的质差根因,作为所述待分析区域网络的目标质差根因。
在其中一个实施例中,在根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因之后,还包括:
获取与所述目标质差根因对应的网络更新信息;
根据所述网络更新信息,对所述待分析区域网络进行更新。
第二方面,本申请还提供了一种网络质差根因定位装置,包括:
数据获取模块,用于获取与待分析区域网络关联的结构化数据;
第一分析模块,用于确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因;
第二分析模块,用于根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因;所述候选网络质差根因根据与样本区域网络关联的半结构化数据得到;
根因确定模块,用于根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取与待分析区域网络关联的结构化数据;
确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因;
根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因;所述候选网络质差根因根据与样本区域网络关联的半结构化数据得到;
根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取与待分析区域网络关联的结构化数据;
确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因;
根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因;所述候选网络质差根因根据与样本区域网络关联的半结构化数据得到;
根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取与待分析区域网络关联的结构化数据;
确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因;
根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因;所述候选网络质差根因根据与样本区域网络关联的半结构化数据得到;
根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因。
上述网络质差根因定位方法、装置、计算机设备、存储介质和计算机程序产品,先获取与待分析区域网络关联的结构化数据,再确定与结构化数据对应的网络质差根因,作为待分析区域网络的第一质差根因,然后根据结构化数据,从候选网络质差根因中,确定出待分析区域网络的第二质差根因,最后根据第一质差根因和第二质差根因,确定待分析区域网络的目标质差根因。这样,在进行待分析区域网络的质差根因定位时,先获取与待分析区域网络关联的结构化数据,然后根据结构化数据,从两个不同的维度,对待分析区域网络的质差根因进行两次定位,最终确定待分析区域网络的目标质差根因,有利于避免单次网络质差根因的定位的不稳定性,以及避免单次网络质差根因定位容易陷入局部最优,从而无法全面准确反映网络质差根因可能会受多因素影响的问题,进而提高了网络质差根因的定位准确率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中网络质差根因定位方法的流程示意图;
图2为一个实施例中确定待分析区域网络的第一质差根因的步骤的流程示意图;
图3为一个实施例中网络质差根因定位方法的结构示意图;
图4为一个实施例中得到与各个子结构化数据对应的网络质差根因的步骤的流程示意图;
图5为一个实施例中确定出待分析区域网络的第二质差根因的步骤的流程示意图;
图6为一个实施例中对待分析区域网络进行更新的步骤的流程示意图;
图7为一个实施例中网络质差根因定位装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
在一个示例性的实施例中,如图1所示,提供了一种网络质差根因定位方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器之间的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑;服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S101,获取与待分析区域网络关联的结构化数据。
其中,待分析区域网络是指需要进行分析的区域内的网络。在实际场景中,待分析区域网络是指需要进行网络质差根因定位的基站小区内的无线网。
其中,结构化数据是指具有固定结构的数据。在实际场景中,结构化数据包括但不限于基站小区的MR(Measurement Report,用户测量报告)数据、KPI(Key PerformanceIndicator,基站小区性能报告)数据、告警数据、工参数据。
示例性地,服务器先获取待分析区域的区域标识(比如小区名字、小区地点),再从数据库中获取与区域标识对应的待分析区域网络的关联数据,最后从待分析区域网络的关联数据中,提取与待分析区域网络关联的结构化数据。
步骤S102,确定与结构化数据对应的网络质差根因,作为待分析区域网络的第一质差根因。
其中,网络质差根因是指待分析区域网络的质量差的原因。在实际场景中,网络质差根因是指待分析基站小区的无线网的质量差的原因。
其中,第一质差根因是指待分析区域网络关联的结构化数据对应的网络质差根因。在实际场景中,第一质差根因包括但不限于待分析基站小区的基站故障问题、参数变动问题、参数配置问题、负荷问题、干扰问题、场景问题、覆盖问题。
示例性地,服务器根据与待分析区域网络关联的结构化数据和网络质差根因之间的对应关系,确定与结构化数据对应的网络质差根因,将网络质差根因作为待分析区域网络的第一质差根因。
步骤S103,根据结构化数据,从候选网络质差根因中,确定出待分析区域网络的第二质差根因;候选网络质差根因根据与样本区域网络关联的半结构化数据得到。
其中,候选网络质差根因是指网络质差根因的候选集合。在实际场景中,候选网络质差根因,是指待分析基站小区的网络质差根因知识图谱(比如无线质差根因定位知识图谱)中存在的网络质差根因。
其中,第二质差根因是指根据待分析区域网络关联的结构化数据,从候选网络质差根因中,确定出待分析区域网络的网络质差根因。在实际场景中,第二质差根因包括但不限于弱覆盖、高负荷、高干扰等根因。
其中,样本区域网络是指已知区域内的网络。在实际场景中,样本区域网络是指已知基站小区的无线网。
其中,半结构化数据是指具有半固定结构的数据。在实际场景中,半结构化数据包括但不限于基站小区的工单回单信息及专家案例等数据。
示例性地,服务器根据与待分析区域网络关联的结构化数据,从由与样本区域网络关联的半结构化数据得到的候选网络质差根因中,确定出对应的网络质差根因,作为待分析区域网络的第二质差根因。
步骤S104,根据第一质差根因和第二质差根因,确定待分析区域网络的目标质差根因。
其中,目标质差根因是指待分析区域的网络质差根因的确定结果。在实际场景中,目标质差根因是指待分析基站小区的最终根因定位结果。
示例性地,服务器根据待分析区域网络的第一质差根因和第二质差根因,与目标质差根因之间的对应关系,确定待分析区域网络的目标质差根因。例如,在第一质差根因不为空集且第二质差根因为空集的情况下,服务器将第一质差根因,作为待分析区域网络的目标质差根因;在第一质差根因为空集且第二质差根因不为空集的情况下,服务器将第二质差根因,作为待分析区域网络的目标质差根因。
上述网络质差根因定位方法中,先获取与待分析区域网络关联的结构化数据,再确定与结构化数据对应的网络质差根因,作为待分析区域网络的第一质差根因,然后根据结构化数据,从候选网络质差根因中,确定出待分析区域网络的第二质差根因,最后根据第一质差根因和第二质差根因,确定待分析区域网络的目标质差根因。这样,在进行待分析区域网络的质差根因定位时,先获取与待分析区域网络关联的结构化数据,然后根据结构化数据,从两个不同的维度,对待分析区域网络的质差根因进行两次定位,最终确定待分析区域网络的目标质差根因,有利于避免单次网络质差根因的定位的不稳定性,以及避免单次网络质差根因定位容易陷入局部最优,从而无法全面准确反映网络质差根因可能会受多因素影响的问题,进而提高了网络质差根因的定位准确率。
在一个示例性的实施例中,如图2所示,上述步骤S102,结构化数据包括多个维度的子结构化数据;确定与结构化数据对应的网络质差根因,作为待分析区域网络的第一质差根因,包括:
步骤S201,分别将各个子结构化数据,输入到对应的网络质差根因识别模型,得到与各个子结构化数据对应的网络质差根因。
步骤S202,将各个子结构化数据对应的网络质差根因,作为待分析区域网络的第一质差根因。
其中,子结构化数据是指结构化数据集合的子集。在实际场景中,子结构化数据是指待分析基站小区的MR数据、KPI数据、告警数据或工参数据。
其中,网络质差根因识别模型是指能够利用待分析区域网络的各个子结构化数据,得到与各个子结构化数据对应的网络质差根因对应的网络模型。在实际场景中,网络质差根因识别模型是指全维专家规则模型。
示例性地,服务器根据各个子结构化数据与网络质差根因识别模型的对应关系,分别将与待分析区域网络关联的各个子结构化数据,输入到对应的网络质差根因识别模型,得到与各个子结构化数据对应的网络质差根因;再将这些网络质差根因,作为待分析区域网络的第一质差根因。
举例说明,参考图3,服务器分别将待分析基站小区的MR数据、KPI数据、告警数据和工参数据,输入到对应的全维专家规则模型,得到与这些结构化数据对应的基站故障问题、参数变动问题、参数配置问题、负荷问题、干扰问题、场景问题、覆盖问题。例如,将MR数据输入到对应的全维专家规则模型,得到MR数据对应的覆盖问题;将KPI数据输入到对应的全维专家规则模型,得到KPI数据对应的负荷问题、干扰问题;将告警数据输入到对应的全维专家规则模型,得到告警数据对应的基站故障问题;将工参数据输入到对应的全维专家规则模型,得到工参数据对应的参数变动问题、参数配置问题、场景问题。最后将这些结构化数据对应的问题,作为结构化数据推荐根因。
本实施例中,分别将各个子结构化数据,输入到对应的网络质差根因识别模型,得到与各个子结构化数据对应的网络质差根因,然后将各个子结构化数据对应的网络质差根因,作为待分析区域网络的第一质差根因。这样,通过将待分析区域网络的结构化数据细分为各个子结构化数据,从不同的维度对结构化数据进行分析,有利于全面剖析待分析区域网络的结构化数据,进而提高了网络质差根因的定位准确率。
在一个示例性的实施例中,如图4所示,上述步骤S201,分别将各个子结构化数据,输入到对应的网络质差根因识别模型,得到与各个子结构化数据对应的网络质差根因,包括:
步骤S401,分别从各个子结构化数据中,提取出对应的关键子结构化数据,作为各个目标子结构化数据。
步骤S402,分别将各个目标子结构化数据,输入到对应的网络质差根因识别模型,得到与各个子结构化数据对应的网络质差根因。
其中,关键子结构化数据是指从各个子结构化数据中,提取出重要程度较高的子结构化数据。
其中,目标子结构化数据是指各个子结构化数据中,用于进行网络质差根因识别的数据。
示例性地,服务器分别从各个子结构化数据中,提取出重要程度较高的子结构化数据,作为各个子结构化数据对应的关键子结构化数据;例如,服务器根据预先设定的关键词,从子结构化数据中提取关键词对应的子结构化数据,作为各个子结构化数据对应的关键子结构化数据。接着,将各个子结构化数据对应的关键子结构化数据,作为各个目标子结构化数据,然后,根据各个目标子结构化数据与网络质差根因识别模型之间的对应关系,分别将各个目标子结构化数据,输入到对应的网络质差根因识别模型,得到的对应的网络质差根因,作为与各个子结构化数据对应的网络质差根因。
举例说明,参考图3,服务器从告警数据中提取影响性能的告警内容,其中告警内容包括首次告警时间、告警结束时间、持续时长、告警次数等,如果告警数据中的持续时长满足固定阈值,可以判断为基站故障问题;从工参信息中查询参数,如果最近存在发生变动的参数,可以判断为参数变动问题;从工参数据中获取PCI(Physical Cell Identifier,物理小区标识)信息、PRACH(Physical Random Access Channel,物理随机接入信道)信息、邻区配置信息,基于静态规则,如果分析存在冲突或混淆等问题,可以判断为参数配置问题;从性能数据中获取PRB(Physical Resource Block,物理资源块)利用率阈值、占比、持续时间等信息,根据专家规则,如果PRB利用率满足一定阈值,可以判断为负荷问题;从性能数据中获取噪声干扰数据,根据专家规则,如果干扰值满足一定阈值,可以判断为干扰问题;从工参数据中分析覆盖场景、节假日等信息,基于专家规则,如果分析得出网络质差是由人流变化所导致,可以判断为场景问题;从MR数据中提取RSRP(Reference Signal ReceivingPower,参考信号接收功率)等反映覆盖的信息,如果信息满足预先设定的阈值,可以判断为覆盖问题。
本实施例中,分别从各个子结构化数据中,提取出对应的关键子结构化数据,作为各个目标子结构化数据,然后,分别将各个目标子结构化数据,输入到对应的网络质差根因识别模型,得到与各个子结构化数据对应的网络质差根因。这样,从子结构化数据中提取关键子结构化数据,可以筛选出重要程度较高的子结构化数据,有利于精准定位子结构化数据中的重点数据,进而提高了网络质差根因的定位准确率。
在一个示例性的实施例中,上述步骤S103,在根据结构化数据,从候选网络质差根因中,确定出待分析区域网络的第二质差根因之前,还包括构建网络质差根因知识图谱的步骤,具体包括如下内容:获取与样本区域网络关联的半结构化数据;从半结构化数据中,提取出质差标签以及与质差标签对应的网络质差根因;根据质差标签以及与质差标签对应的网络质差根因,构建网络质差根因知识图谱;网络质差根因知识图谱中包括候选网络质差根因。
其中,质差标签是指样本区域网络的质差标签信息,用于表征样本区域网络质量差的现象。在实际场景中,质差标签是指已知基站小区的无线网质量差对应的标签信息,例如低速率、高掉线等。
其中,网络质差根因知识图谱,是指根据质差标签以及与质差标签对应的网络质差根因,构建得到的知识图谱。在实际场景中,网络质差根因知识图谱是指待分析基站小区的无线质差根因定位知识图谱。
示例性地,服务器先获取样本区域的信息,再从数据库中获取与样本区域网络关联的数据,然后从与样本区域网络关联的数据中,提取与样本区域网络关联的半结构化数据;接着从与样本区域网络关联的半结构化数据中的各个子半结构化数据中,提取出对应的质差标签;例如,将子半结构化数据输入标签识别模型,得到子半结构化数据对应的质差标签。然后,根据质差标签,提取与质差标签对应的网络质差根因;最后根据所有子半结构化数据对应的质差标签,以及与质差标签对应的网络质差根因,构建网络质差根因知识图谱。
举例说明,参考图3,服务器从已知基站小区的工单回单信息及专家案例中,进行质差标签、质差根因等实体信息抽取,然后对抽取的实体信息进行消岐,合并不同描述的质差标签、质差根因,得到质差标签1、质差标签2、质差标签3、质差根因1、质差根因2、质差根因3,其中,质差标签1与质差根因1相对应,质差标签2与质差根因2相对应,质差标签3与质差根因3相对应,最后将处理后的实体信息存放入图数据库中。
进一步地,服务器获取已知基站小区的工单回单信息,具体内容为:小区弱覆盖导致低速率。则对此工单回单信息进行实体信息抽取,得到的结果为质差现象:低速率;质差根因:弱覆盖。
本实施例中,先获取与样本区域网络关联的半结构化数据,再从半结构化数据中,提取出质差标签以及与质差标签对应的网络质差根因,最后根据质差标签以及与质差标签对应的网络质差根因,构建网络质差根因知识图谱。这样,充分利用与样本区域网络关联的半结构化数据,对网络质差根因知识图谱进行构建,有利于后续通过网络质差根因知识图谱对待分析区域网络进行另外一个维度的分析,使得待分析区域的网络质差根因定位更为全面,进而提高了网络质差根因的定位准确率。
在一个示例性的实施例中,如图5所示,上述步骤S103,根据结构化数据,从候选网络质差根因中,确定出待分析区域网络的第二质差根因,包括:
步骤S501,根据结构化数据,确定待分析区域网络的目标质差标签。
步骤S502,从网络质差根因知识图谱中包括的候选网络质差根因中,筛选出对应的质差标签与目标质差标签之间的相似度满足预设相似度条件的网络质差根因。
步骤S503,根据筛选出的网络质差根因,确定待分析区域网络的第二质差根因。
其中,目标质差标签是指待分析区域网络的质差标签信息,用于表征待分析区域网络质量差的现象。
其中,质差标签与目标质差标签之间的相似度,是指质差标签与目标质差标签之间的相似程度;若质差标签与目标质差标签之间的相似程度较高,则质差标签与目标质差标签之间的相似度较高;若质差标签与目标质差标签之间的相似程度较低,则质差标签与目标质差标签之间的相似度较低。
其中,预设相似度是指预先设置的相似度阈值,具体可以根据实际情况确定。
示例性地,服务器根据待分析区域网络的结构化数据,确定结构化数据对应的质差标签,作为待分析区域网络的目标质差标签;例如,将结构化数据输入标签识别模型,得到结构化数据对应的质差标签,并将结构化数据对应的质差标签,作为待分析区域网络的目标质差标签。然后从网络质差根因知识图谱中包括的候选网络质差根因中,获取候选网络质差根因对应的质差标签,接着根据质差标签与目标质差标签之间的相似度,筛选出对应的质差标签与目标质差标签之间的相似度大于预设相似度的网络质差根因,最后将筛选出的网络质差根因,作为待分析区域网络的第二质差根因。
举例说明,参考图3,服务器根据待分析基站小区的MR数据、KPI数据、告警数据和工参数据,赋予待分析基站小区对应的质差标签;例如,将待分析基站小区通过低速率识别算法,输出低速率小区,则低速率小区为待分析基站小区对应的质差标签。接着,从无线质差知识图谱中,筛选与待分析基站小区对应的质差标签相似度满足预设相似度条件的质差标签,筛选得到的质差标签对应的质差根因,即半结构化数据根因;例如,待分析基站小区对应的质差标签为低速率小区,从无线质差知识图谱中,筛选得到质差标签为低速率高掉线小区,若两者相似度满足预设相似度条件,则低速率高掉线小区对应的质差根因(假设为弱覆盖、高负荷、高干扰),作为半结构化数据推荐根因。
本实施例中,先根据结构化数据,确定待分析区域网络的目标质差标签,再从网络质差根因知识图谱中包括的候选网络质差根因中,筛选出对应的质差标签与目标质差标签之间的相似度满足预设相似度条件的网络质差根因,最后根据筛选出的网络质差根因,确定待分析区域网络的第二质差根因。这样,利用结构化数据与半结构化数据两类数据,对质差标签之间的相似度进行评估,避免了利用单类数据进行分析容易陷入局部最优,从而无法全面准确反映网络质差根因可能会受多因素影响的问题,进而提高了网络质差根因的定位准确率。
在一个示例性的实施例中,上述步骤S104,根据第一质差根因和第二质差根因,确定待分析区域网络的目标质差根因,包括:在第一质差根因不为空集且第二质差根因为空集的情况下,将第一质差根因,作为待分析区域网络的目标质差根因;或,在第一质差根因为空集且第二质差根因不为空集的情况下,将第二质差根因,作为待分析区域网络的目标质差根因;或,在第一质差根因与第二质差根因存在交集的情况下,将交集对应的质差根因,作为待分析区域网络的目标质差根因。
其中,空集是指没有网络质差根因的集合。
其中,第一质差根因与第二质差根因存在交集,是指第一质差根因与第二质差根因之间,存在相同的网络质差根因。
示例性地,服务器在第一质差根因不为空集且第二质差根因为空集的情况下,将第一质差根因,作为待分析区域网络的目标质差根因。
举例说明,参考图3,服务器在结构化数据推荐根因不为空集且半结构化数据推荐根因为空集的情况下,将结构化数据推荐根因,作为待分析基站小区的最终根因定位结果。
示例性地,服务器在第一质差根因为空集且第二质差根因不为空集的情况下,将第二质差根因,作为待分析区域网络的目标质差根因。
举例说明,参考图3,服务器在结构化数据推荐根因为空集且半结构化数据推荐根因不为空集的情况下,将半结构化数据推荐根因,作为待分析基站小区的最终根因定位结果。
示例性地,服务器在第一质差根因与第二质差根因存在交集的情况下,将交集对应的质差根因,作为待分析区域网络的目标质差根因。若还需要进行质差根因输出且存在非相交的质差根因,则输出非相交的第一质差根因;若非相交的第一质差根因为空集或还需要进行质差根因输出,则输出非相交的第二质差根因。
举例说明,参考图3,服务器在结构化数据推荐根因与半结构化数据推荐根因存在交集的情况下,将交集对应的质差根因,作为待分析基站小区的最终根因定位结果。若还需要进行质差根因输出且存在非相交的质差根因,则输出非相交的结构化数据推荐根因;若非相交的结构化数据推荐根因为空集或还需要进行质差根因输出,则输出非相交的半结构化数据推荐根因。
进一步地,如果第一质差根因与第二质差根因均为空集,则不输出待分析区域网络的目标质差根因。
举例说明,参考图3,如果结构化数据推荐根因与半结构化数据推荐根因均为空集,则不输出非相交的第二质差根因。
本实施例中,根据第一质差根因和第二质差根因的情况,确定待分析区域网络的目标质差根因。这样,将两种不同维度分析得到的质差根因进行合并处理,使得最终得到的网络质差根因更为全面,避免了利用单个维度进行网络质差根因定位容易陷入局部最优,从而无法全面准确反映网络质差根因可能会受多因素影响的问题,进而提高了网络质差根因的定位准确率。
在一个示例性的实施例中,上述步骤S104,在根据第一质差根因和第二质差根因,确定待分析区域网络的目标质差根因之后,还包括对待分析区域网络进行更新的步骤,具体包括如下内容:获取与目标质差根因对应的网络更新信息;根据网络更新信息,对待分析区域网络进行更新。
其中,网络更新信息是指待分析区域的网络更新相关的信息。在实际场景中,网络更新信息是指待分析基站小区的网络优化方案。
示例性地,服务器根据待分析区域的目标质差根因与网络更新信息之间的对应关系,从数据库中获取与目标质差根因对应的网络更新信息;根据网络更新信息,对待分析区域的网络进行更新,比如调整网络规划方案、调整网络拓扑结构、资源配置等,以更好地满足待分析区域的需求。
本实施例中,获取与目标质差根因对应的网络更新信息,再根据网络更新信息,对待分析区域网络进行更新。这样,通过定位得到的网络质差根因,对待分析区域的网络进行调整,有利于满足待分析区域的需求,进而提高待分析区域的网络质量。
在一个示例性的实施例中,如图6所示,提供了另一种网络质差根因定位方法,以该方法应用于服务器进行举例说明,包括以下步骤:
步骤S601,获取与待分析区域网络关联的结构化数据;结构化数据包括多个维度的子结构化数据。
步骤S602,分别从各个子结构化数据中,提取出对应的关键子结构化数据,作为各个目标子结构化数据;分别将各个目标子结构化数据,输入到对应的网络质差根因识别模型,得到与各个子结构化数据对应的网络质差根因。
步骤S603,将各个子结构化数据对应的网络质差根因,作为待分析区域网络的第一质差根因。
步骤S604,获取与样本区域网络关联的半结构化数据;从半结构化数据中,提取出质差标签以及与质差标签对应的网络质差根因。
步骤S605,根据质差标签以及与质差标签对应的网络质差根因,构建网络质差根因知识图谱;网络质差根因知识图谱中包括候选网络质差根因。
步骤S606,根据结构化数据,确定待分析区域网络的目标质差标签;从网络质差根因知识图谱中包括的候选网络质差根因中,筛选出对应的质差标签与目标质差标签之间的相似度满足预设相似度条件的网络质差根因。
步骤S607,根据筛选出的网络质差根因,确定待分析区域网络的第二质差根因。
步骤S608,在第一质差根因不为空集且第二质差根因为空集的情况下,将第一质差根因,作为待分析区域网络的目标质差根因;或,在第一质差根因为空集且第二质差根因不为空集的情况下,将第二质差根因,作为待分析区域网络的目标质差根因;或,在第一质差根因与第二质差根因存在交集的情况下,将交集对应的质差根因,作为待分析区域网络的目标质差根因。
步骤S609,获取与目标质差根因对应的网络更新信息;根据网络更新信息,对待分析区域网络进行更新。
上述网络质差根因定位方法中,在进行待分析区域网络的质差根因定位时,先获取与待分析区域网络关联的结构化数据,然后根据结构化数据,从两个不同的维度,对待分析区域网络的质差根因进行两次定位,最终确定待分析区域网络的目标质差根因,有利于避免单次网络质差根因的定位的不稳定性,以及避免单次网络质差根因定位容易陷入局部最优,从而无法全面准确反映网络质差根因可能会受多因素影响的问题,进而提高了网络质差根因的定位准确率。
在一个示例性的实施例中,为了更清晰阐明本申请实施例提供的网络质差根因定位方法,以下以一个具体的实施例对该产品推荐方法进行具体说明。在一个实施例中,如图3所示,本申请还提供了一种基于结构化和半结构化数据的无线质差根因定位方法,通过获取无线质差小区网络关联的结构化数据,通过构建全维专家规则模型输出一部分的网络质差根因,再通过历史无线质差小区构建得到的知识图谱,输出另一部分的网络质差根因,最后通过两部分的网络质差根因,通过投票机制输出最终根因定位结果,得到准确的无线质差小区网络质差根因,有利于提高网络质差根因的定位准确率。具体包括如下内容:
1、针对目前无线质差小区根因定位识别率、准确率、可持续提高的问题,进行数据采集:通过大数据平台,获取MR数据、性能数据、告警数据、工参数据、工单回单信息及专家案例等。
2、全维专家规则模型构建:汇聚基站小区下的MR数据、性能数据、告警数据、工参数据,基于这些结构化数据,构建全维专家规则模型,包括基站故障问题、参数变动问题、参数配置问题、负荷问题、干扰问题、场景问题、覆盖问题。
(1)基站故障问题:从告警数据分析告警内容,提取影响性能的告警,汇总首次告警时间、告警结束时间、持续时长、告警次数等内容,持续时长满足固定阈值的告警将被识别为基站故障问题。
(2)参数变动问题:通过工参信息获取最近变动的参数,无线质差根因定位为参数变动导致质差。
(3)参数配置问题:工参数据获取PCI、PRACH、邻区配置信息,基于静态规则输出冲突或混淆等问题,得到参数问题根因。
(4)负荷问题:从性能数据获取PRB利用率阈值、占比、持续时间等信息,根据专家规则,利用率满足一定阈值得到高负荷根因。
(5)干扰问题:从性能数据获取噪声干扰数据,根据专家规则,干扰值满足一定阈值将输出为干扰问题。
(6)场景问题:从工参数据分析覆盖场景、节假日等信息,基于专家规则输出小区由于人流变化导致的性能突变问题根因。
(7)覆盖问题:从MR数据分析覆盖情况,根据专家规则,覆盖情况满足一定阈值的无线质差问题将被识别为覆盖问题。
3、无线质差根因定位知识图谱构建:基于历史派单的工单回单信息及专家案例等半结构化数据,构建无线质差根因定位知识图谱,包括质差现象、质差根因、质差优化方案三实体。
(1)知识抽取:从历史工单、案例等半结构化数据中提取优化知识。实体抽取包括基站小区、质差现象、质差根因、优化方案等。
(2)知识融合:对抽取的知识进行消岐,合并不同描述的质差现象、质差根因、优化方案。
(3)知识存储:将知识存放入图数据库中。
4、知识图谱智能推荐根因模型:根据质差小区现象,基于知识推理等算法,从知识图谱中召回最相似结果,推荐无线质差根因。
(1)根据MR数据、性能数据、告警数据、工参数据,赋予质差小区不同的质差标签,如高掉线等质差现象描述。
(2)根据不同的质差标签及质差现象描述,通过图搜索等算法,从知识图谱召回一定数量相似结果。
(3)根据返回结果推荐无线质差根因。
5、融合根因定位:全维专家规则模型及知识图谱推荐的根因通过投票机制进行叠加优选确定最终根因定位结果:
(1)若仅有步骤2返回的专家模型结果,则输出该结果。
(2)若同时步骤2及步骤4返回根因推荐结果,按照“两者相交的结果>专家模型结果>知识图谱结果”这个规则进行输出;若相交数量均为0,则输出步骤2专家模型结果。
(3)若仅有步骤2返回的知识图谱推荐结果,则输出该结果。
(4)若同时步骤2及步骤4都没有返回根因推荐结果,则不输出结果。
6、将最终根因定位结果进行前端呈现。
上述实施例,在进行无线质差小区的网络的质差根因定位时,先获取与无线质差小区网络关联的结构化数据,然后根据结构化数据,从两个不同的维度,对无线质差小区网络的质差根因进行两次定位,最终确定无线质差小区网络的目标质差根因,有利于避免单次网络质差根因的定位的不稳定性,以及避免单次网络质差根因定位容易陷入局部最优,从而无法全面准确反映网络质差根因可能会受多因素影响的问题,进而提高了网络质差根因的定位准确率。同时,通过结构化数据构建全维专家规则模型输出准确率高的专家根因定位结果,同时根据历史根因定位案例等半结构化数据构建无线质差知识图谱并输出基于知识推理的根因定位结果,最终将两种方案结果融合优选。该方法融合了专家固定规则经验成熟准确率高及根据知识迭代动态变化的知识推理推荐率高的优点,可以提高根因定位识别率及准确率,并且通过知识迭代可以持续提升根因定位准确率,提高无线运维效率。相对于现有技术而言,该方法具备以下优点:(1)维度更加全面:包括基站故障,参数变动,参数问题,覆盖问题,负荷问题,干扰问题,场景问题;(2)根因定位准确率高:两种模型根因推荐通过投票机制优选相交结果,相交结果优先输出为根因定位结果;(3)推荐率高:由于同时有2种模型结果输出,即使某种根因定位模型无结果输出时,也可以输出第二种结果,使得根因定位结果推荐率高;(4)可持续性强:随着知识的不断迭代,根因定位结果将更加精准。
应该理解的是,虽然如上所述的各实施例所涉及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,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的网络质差根因定位方法的网络质差根因定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个网络质差根因定位装置实施例中的具体限定可以参见上文中对于网络质差根因定位方法的限定,在此不再赘述。
在一个示例性的实施例中,如图7所示,提供了一种网络质差根因定位装置,包括:数据获取模块701、第一分析模块702、第二分析模块703和根因确定模块704,其中:
数据获取模块701,用于获取与待分析区域网络关联的结构化数据。
第一分析模块702,用于确定与结构化数据对应的网络质差根因,作为待分析区域网络的第一质差根因。
第二分析模块703,用于根据结构化数据,从候选网络质差根因中,确定出待分析区域网络的第二质差根因;候选网络质差根因根据与样本区域网络关联的半结构化数据得到。
根因确定模块704,用于根据第一质差根因和第二质差根因,确定待分析区域网络的目标质差根因。
在一个示例性的实施例中,第一分析模块702,还用于分别将各个子结构化数据,输入到对应的网络质差根因识别模型,得到与各个子结构化数据对应的网络质差根因;将各个子结构化数据对应的网络质差根因,作为待分析区域网络的第一质差根因。
在一个示例性的实施例中,第一分析模块702,还用于分别从各个子结构化数据中,提取出对应的关键子结构化数据,作为各个目标子结构化数据;分别将各个目标子结构化数据,输入到对应的网络质差根因识别模型,得到与各个子结构化数据对应的网络质差根因。
在一个示例性的实施例中,网络质差根因定位装置还包括图谱构建模块,用于获取与样本区域网络关联的半结构化数据;从半结构化数据中,提取出质差标签以及与质差标签对应的网络质差根因;根据质差标签以及与质差标签对应的网络质差根因,构建网络质差根因知识图谱;网络质差根因知识图谱中包括候选网络质差根因。
在一个示例性的实施例中,第二分析模块703,还用于根据结构化数据,确定待分析区域网络的目标质差标签;从网络质差根因知识图谱中包括的候选网络质差根因中,筛选出对应的质差标签与目标质差标签之间的相似度满足预设相似度条件的网络质差根因;根据筛选出的网络质差根因,确定待分析区域网络的第二质差根因。
在一个示例性的实施例中,根因确定模块704,还用于在第一质差根因不为空集且第二质差根因为空集的情况下,将第一质差根因,作为待分析区域网络的目标质差根因;或,在第一质差根因为空集且第二质差根因不为空集的情况下,将第二质差根因,作为待分析区域网络的目标质差根因;或,在第一质差根因与第二质差根因存在交集的情况下,将交集对应的质差根因,作为待分析区域网络的目标质差根因。
在一个示例性的实施例中,网络质差根因定位装置还包括网络更新模块,用于获取与目标质差根因对应的网络更新信息;根据网络更新信息,对待分析区域网络进行更新。
上述网络质差根因定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储结构化数据、半结构化数据等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网络质差根因定位方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机可读存储介质,其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各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例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,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种网络质差根因定位方法,其特征在于,所述方法包括:
获取与待分析区域网络关联的结构化数据;
确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因;
根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因;所述候选网络质差根因根据与样本区域网络关联的半结构化数据得到;
根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因。
2.根据权利要求1所述的方法,其特征在于,所述结构化数据包括多个维度的子结构化数据;
所述确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因,包括:
分别将各个子结构化数据,输入到对应的网络质差根因识别模型,得到与所述各个子结构化数据对应的网络质差根因;
将所述各个子结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因。
3.根据权利要求2所述的方法,其特征在于,所述分别将各个子结构化数据,输入到对应的网络质差根因识别模型,得到与所述各个子结构化数据对应的网络质差根因,包括:
分别从各个子结构化数据中,提取出对应的关键子结构化数据,作为各个目标子结构化数据;
分别将所述各个目标子结构化数据,输入到对应的网络质差根因识别模型,得到与所述各个子结构化数据对应的网络质差根因。
4.根据权利要求1所述的方法,其特征在于,在根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因之前,还包括:
获取与样本区域网络关联的半结构化数据;
从所述半结构化数据中,提取出质差标签以及与所述质差标签对应的网络质差根因;
根据所述质差标签以及与所述质差标签对应的网络质差根因,构建网络质差根因知识图谱;所述网络质差根因知识图谱中包括所述候选网络质差根因。
5.根据权利要求4所述的方法,其特征在于,所述根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因,包括:
根据所述结构化数据,确定所述待分析区域网络的目标质差标签;
从所述网络质差根因知识图谱中包括的候选网络质差根因中,筛选出对应的质差标签与所述目标质差标签之间的相似度满足预设相似度条件的网络质差根因;
根据筛选出的网络质差根因,确定所述待分析区域网络的第二质差根因。
6.根据权利要求1所述的方法,其特征在于,所述根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因,包括:
在所述第一质差根因不为空集且所述第二质差根因为空集的情况下,将所述第一质差根因,作为所述待分析区域网络的目标质差根因;
或,
在所述第一质差根因为空集且所述第二质差根因不为空集的情况下,将所述第二质差根因,作为所述待分析区域网络的目标质差根因;
或,
在所述第一质差根因与所述第二质差根因存在交集的情况下,将所述交集对应的质差根因,作为所述待分析区域网络的目标质差根因。
7.根据权利要求1至6任一项所述的方法,其特征在于,在根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因之后,还包括:
获取与所述目标质差根因对应的网络更新信息;
根据所述网络更新信息,对所述待分析区域网络进行更新。
8.一种网络质差根因定位装置,其特征在于,所述装置包括:
数据获取模块,用于获取与待分析区域网络关联的结构化数据;
第一分析模块,用于确定与所述结构化数据对应的网络质差根因,作为所述待分析区域网络的第一质差根因;
第二分析模块,用于根据所述结构化数据,从候选网络质差根因中,确定出所述待分析区域网络的第二质差根因;所述候选网络质差根因根据与样本区域网络关联的半结构化数据得到;
根因确定模块,用于根据所述第一质差根因和所述第二质差根因,确定所述待分析区域网络的目标质差根因。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273793.XA CN117354842A (zh) | 2023-09-28 | 2023-09-28 | 网络质差根因定位方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273793.XA CN117354842A (zh) | 2023-09-28 | 2023-09-28 | 网络质差根因定位方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117354842A true CN117354842A (zh) | 2024-01-05 |
Family
ID=89360450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311273793.XA Pending CN117354842A (zh) | 2023-09-28 | 2023-09-28 | 网络质差根因定位方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117354842A (zh) |
-
2023
- 2023-09-28 CN CN202311273793.XA patent/CN117354842A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021252734A1 (en) | Systems and methods for managing machine learning models | |
CN104573130A (zh) | 基于群体计算的实体解析方法及装置 | |
CN108509424A (zh) | 制度信息处理方法、装置、计算机设备和存储介质 | |
CN112131261B (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
Nikitopoulos et al. | Hot spot analysis over big trajectory data | |
CN113297269A (zh) | 数据查询方法及装置 | |
CN113326343B (zh) | 基于多级网格和文件索引的路网数据存储方法及系统 | |
CN114446019A (zh) | 告警信息处理方法、装置、设备、存储介质和产品 | |
CN116795995A (zh) | 知识图谱构建方法、装置、计算机设备和存储介质 | |
CN117354842A (zh) | 网络质差根因定位方法、装置、计算机设备和存储介质 | |
Liu et al. | Towards dynamic reconfiguration of composite services via failure estimation of general and domain quality of services | |
Yang et al. | Detecting local community structures in networks based on boundary identification | |
CN114925919A (zh) | 业务资源处理方法、装置、计算机设备和存储介质 | |
CN116882408B (zh) | 变压器图模型的构建方法、装置、计算机设备和存储介质 | |
CN116227585B (zh) | 集群任务的并行执行方法、装置、计算机设备和存储介质 | |
CN116613754A (zh) | 配电系统可靠性评估方法、模型训练方法、装置及设备 | |
CN115544276B (zh) | 计量装置知识图谱构建方法和计量装置档案核查方法 | |
CN117273922A (zh) | 交易预警方法、装置、计算机设备和存储介质 | |
CN116169666A (zh) | 电网风险的处理方法、装置、设备、存储介质和产品 | |
CN117829388A (zh) | 配电网路径规划方法、装置、计算机设备和存储介质 | |
CN116562289A (zh) | 语句标签识别方法、装置、计算机设备和存储介质 | |
CN114493268A (zh) | 电力大数据在线分析处理方法、装置、设备和存储介质 | |
CN116304851A (zh) | 数据标准确定方法、装置、设备、介质和计算机程序产品 | |
CN118193753A (zh) | 数据查询方法、装置、计算机设备以及存储介质 | |
DEMİR et al. | Tree Network 1-median location with interval data: a parameter space-based approach |
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 |