CN117560706B - 根因分析方法、装置、电子设备及存储介质 - Google Patents
根因分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117560706B CN117560706B CN202410049582.6A CN202410049582A CN117560706B CN 117560706 B CN117560706 B CN 117560706B CN 202410049582 A CN202410049582 A CN 202410049582A CN 117560706 B CN117560706 B CN 117560706B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- event
- cell
- abnormal event
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 563
- 238000001514 detection method Methods 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000002354 daily effect Effects 0.000 description 18
- 230000005856 abnormality Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000001914 filtration Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- H04L41/0631—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
- H04L41/0631—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
- H04L41/065—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 involving logical or physical relationship, e.g. grouping and hierarchies
Abstract
本申请实施例提供了一种根因分析方法、装置、电子设备及存储介质，涉及人工智能领域。该方法包括：对多个小区的性能数据进行异常检测，从多个小区中确定出数据异常的参考小区；对于每个参考小区，根据参考小区的切换数据确定参考小区的目标邻区并对该参考小区和目标邻区的告警数据及参数数据进行异常检测，获得参考小区和目标邻区的所有异常事件；对于参考小区的任意一个异常事件，在预设的知识图谱中查询与异常事件关联的目标事件，若目标事件是参考小区或目标邻区的异常事件，则将目标事件确定为异常事件的根因。本申请实施例通过在知识图谱中确定通信网络中异常事件的根因，使得根因分析的过程可以自动化和高效化。
Description
技术领域
本申请涉及通信技术领域，具体而言，本申请涉及一种根因分析方法、装置、电子设备及计算机可读存储介质。
背景技术
无线网络已经成为现代生活和工作中不可或缺的一部分，因此解决无线网络故障对于个人、家庭和企业来说都非常重要，因而对网络故障进行根本原因分析是解决网络故障的重要环节。根本原因分析简称根因分析，是一项结构化的问题处理方法，用以逐步找出问题的根本原因并加以解决，作为一种系统性的方法，其主要作用是找出问题的根源，以便针对性地提出解决方案，避免问题再次发生。
目前解决无线网络问题的根因分析方法主要是通过预设网络问题以及对应的根因定位流程，建立问题和根因定位流程之间的关联映射实现的，但是这种方法需要大量的专业知识和经验，对于人工主观的经验依赖性太强，并且随着问题和根因定位流程数量的增加，映射的复杂性和难度也会增加，导致系统难以管理和维护。
发明内容
本申请实施例提供了一种根因分析方法、装置、电子设备、计算机可读存储介质，可以解决现有技术的上述问题。技术方案如下：
根据本申请实施例的第一个方面，提供了一种根因分析方法，该方法包括：
对多个小区的性能数据进行异常检测，以从所述多个小区确定数据异常的至少一个参考小区；
对于每个参考小区，根据所述参考小区的切换数据确定所述参考小区的目标邻区，所述参考小区的切换数据包括终端从所述参考小区切换至各个其他小区的次数，所述目标邻区为各个其他小区中终端从参考小区切换至相应小区的次数满足预设条件的其他小区；
对于每个参考小区，对所述参考小区和所述目标邻区各自的告警数据及参数数据进行异常检测，获得所述参考小区的所有异常事件和所述目标邻区的所有异常事件；
对于所述参考小区的任意一个异常事件，在预设的知识图谱中查询与所述异常事件关联的目标事件，若所述目标事件是所述参考小区或所述目标邻区的异常事件，则将所述目标事件确定为所述异常事件的根因。
作为一种可选实施例，所述在预设的知识图谱中查询与所述异常事件关联的目标事件，之前还包括构建知识图谱的步骤：
对所有小区的日粒度数据进行异常检测，获得异常事件集，所述日粒度数据为相应小区每日的性能数据、参数数据和告警数据中的至少一者；
将所述异常事件集中的任意一个异常事件作为中心异常事件，确定所述异常事件集中其他异常事件对于所述中心异常事件的相关度，所述相关度表示所述其他异常事件对于所述中心异常事件的影响程度；
根据所述异常事件集中其他异常事件对于所述中心异常事件的相关度，构建所述中心异常事件的知识图谱；
其中，所述中心异常事件的知识图谱中包括至少一个第一节点和至少一个第二节点，所述第一节点表示所述中心异常事件，所述第二节点表示所述其他异常事件，第一节点和第二节点间的连线表示其他异常事件对于所述中心异常事件的相关度。
作为一种可选实施例，所述确定所述异常事件集中其他异常事件对于所述中心异常事件的相关度，包括：
确定任意一个其他异常事件的第一次数，所述第一次数为所述中心异常事件与相应的其他异常事件同时出现在同一小区的次数；
确定所述中心异常事件的第二次数，所述第二次数为所述异常事件集中所有其他异常事件的第一次数的和；
对于每个其他异常事件，将所述其他异常事件的第一次数与所述中心异常事件的第二次数的比值作为所述其他异常事件对于所述中心异常事件的同区相关度；
对于每个其他异常事件，确定所述其他异常事件的第三次数，所述第三次数为所述中心异常事件与所述其他异常事件同时分别出现在不同小区的带权次数，所述中心异常事件和所述其他异常事件同时出现在任意两个小区的带权次数为所述中心异常事件与所述其他异常事件分别出现在任意两个小区的次数乘以所述任意两个小区之间的权重后的数值；
确定所述中心异常事件的第四次数，所述中心异常事件的第四次数为所述异常事件集中所有其他异常事件的第三次数的和；
对于每个其他异常事件，将所述其他异常事件的第三次数与所述中心异常事件的第四次数的比值，作为所述其他异常事件对于所述中心异常事件的异区相关度；
其中，所述任意两个小区之间的权重为第二小区对于第一小区的权重，所述第一小区为所述任意两个小区中出现所述中心异常事件的小区，所述第二小区为所述任意两个小区中出现所述其他异常事件的小区；
所述第二小区对于第一小区的权重的获取方式为：
确定第五次数和第六次数，所述第五次数为终端从第一小区切换至第二小区的次数以及所述终端从所述第二小区切换至所述第一小区的次数之和，所述第六次数为所述终端从所述第一小区切换至各个其他小区的次数以及终端从各个其他小区切换至所述第一小区的次数之和；
根据所述第五次数与所述第六次数的比值作为所述第二小区对于所述第一小区的权重。
作为一种可选实施例，构建所述中心异常事件的知识图谱，包括：
以所述中心异常事件为所述知识图谱中的第一节点，所述异常事件集中的其他异常事件为第二节点，同时设置一个第三节点和至多一个第四节点，所述第三节点和第四节点用于表示第一节点与第二节点之间的连线为同区相关度还是异区相关度；
若所述第一节点与所述第二节点的连线为同区相关度，则将所述第一节点与所述第二节点与所述第三节点相连；
若所述第一节点与所述第二节点的连线为异区相关度，则将所述第一节点与所述第三节点相连，所述第二节点与所述第四节点相连。
作为一种可选实施例，所述知识图谱包括绝对异常知识图谱和相对异常知识图谱；
若所述对所有小区的日粒度数据进行异常检测的方式为绝对异常检测，则所述知识图谱为绝对异常知识图谱；
若所述对所有小区的日粒度数据进行异常检测的方式为相对异常检测，则所述知识图谱为相对异常知识图谱；
所述绝对异常检测包括门限检测，所述相对异常检测包括时序异常检测和波动检测，所述波动检测用于检测数据波动情况。
作为一种可选实施例，所述将所述目标事件确定为所述异常事件的根因，之后还包括：
对于每个目标事件，确定所述目标事件确定为所述异常事件的根因的概率；
根据所述目标事件确定为所述异常事件的根因的概率，制定所述异常事件的解决方案。
作为一种可选实施例，所述确定所述目标事件确定为异常事件的根因的概率，包括：
将所述参考小区的所有目标事件的同区相关度进行求和，获得第一相关度；
将所有目标邻区的所有目标事件的异区相关度与对应目标邻区对于所述参考小区的权重相乘后求和，获得第二相关度；
将第一相关度与第二相关度相加获得第三相关度；
对于任意一个所述任意一个异常事件的目标事件，若所述目标事件是所述参考小区的异常事件，将所述目标事件对于所述任意一个异常事件的同区相关度与所述第三相关度的比值作为所述目标事件确定为所述任意一个异常事件的根因的概率；
若所述目标事件是所述目标邻区的异常事件，将所述目标事件对任意一个异常事件的异区相关度与所述目标邻区对于所述参考小区的权重相乘的结果与所述第三相关度的比值，作为所述目标事件确定为所述任意一个异常事件的根因的概率。
根据本申请实施例的第二方面，提供了一种根因分析的装置，该装置包括：
第一检测模块，对多个小区的性能数据进行异常检测，以从所述多个小区中确定数据异常的至少一个参考小区；
确定模块，用于对于每个参考小区，根据所述参考小区的切换数据确定所述参考小区的目标邻区，所述参考小区的切换数据包括终端从所述参考小区切换至各个其他小区的次数，所述目标邻区为各个其他小区中终端从参考小区切换至相应小区的次数满足预设条件的其他小区；
第二检测模块，用于对于每个参考小区，对所述参考小区和所述目标邻区各自的告警数据及参数数据进行异常检测，获得所述参考小区的所有异常事件和所述目标邻区的所有异常事件；
查询模块，用于对于所述参考小区的任意一个异常事件，在预设的知识图谱中查询与所述异常事件关联的目标事件，若所述目标事件是所述参考小区或所述目标邻区的异常事件，则将所述目标事件确定为所述异常事件的根因。
根据本申请实施例的第三方面，提供了一种电子设备，该电子设备包括存储器、处理器及存储在存储器上的计算机程序，处理器执行程序时实现如第一方面所提供的方法的步骤。
根据本申请实施例的第四方面，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如第一方面所提供的方法的步骤。
本申请实施例提供的技术方案带来的有益效果是：
通过对每个小区的性能数据进行异常检测，确定出存在异常数据的至少一个参考小区，对每个参考小区的切换数据进行统计，从参考小区的所有邻区中确定出满足预设条件的目标邻区，并且只对参考小区和目标邻区的告警数据和参数数据进行数据检测，减少了参考小区邻区的数量，不仅降低了异常检测的数据量，还使得检测的数据更具有针对性，提高了根因分析的效率和准确度；同时根据异常检测结果获得参考小区和目标邻区的异常事件，根据知识图谱和目标邻区的异常事件确定参考小区中任意异常事件的根因，使得根因分析过程具有自动化和可视化化的优点。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种根因分析方法的流程示意图；
图2为本申请实施例提供的一种构建知识图谱的流程示意图；
图3a为本申请实施例提供的知识图谱中异常事件节点之间为同区相关度时的结构示意图；
图3b为本申请实施例提供的知识图谱中异常事件节点之间为异区相关度时的结构示意图；
图3c为本申请实施例提供的知识图谱中异常事件节点之间为同区相关度和异区相关度时的结构示意图；
图3d为本申请实施例提供的知识图谱的结构示意图；
图4为本申请实施例提供的一种根因分析装置的结构示意图；
图5为本申请实施例提供的一种根因分析的电子设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本申请实施例的技术方案的示例性描述，对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式 “一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“A和/或B”可以实现为“A”，或者实现为“B”，或者实现为“A和B”。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的根因分析方法、装置、电子设备和计算机可读存储介质，旨在解决现有技术的如上技术问题。
下面通过对几个示例性实施方式的描述，对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。需要指出的是，下述实施方式之间可以相互参考、借鉴或结合，对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等，不再重复描述。
图1为本申请实施例提供的网络设备故障处理的流程示意图，如图1所示，该方法包括步骤S101、S102、S103和S104。
S101、对多个小区的性能数据进行异常检测，以从该多个小区中确定数据异常的至少一个参考小区。
移动通信领域中，小区是指一个无线电信号覆盖范围内的通信网络单元。在无线通信中，无线电信号的覆盖范围是有限的，因此需要将通信网络划分成许多小区，每个小区都有一个基站负责发射和接收信号。小区的大小和形状可以根据实际情况进行调整，以满足不同的通信需求。在移动通信系统中，小区是实现无线通信的基本单元，可以提高通信系统的容量和覆盖范围，提高通信质量和效率。
本申请实施例可以应用在对无线网络故障问题上，对于无线网络中某区域内的所有小区的性能数据进行异常检测，获取异常的性能数据，根据异常的性能数据的来源，确定出性能数据异常的小区，称为参考小区，也就是说将产生异常的性能数据的小区作为参考小区，由于检测过程中可能出现多个异常的性能数据，因此可能确定出多个参考小区。
在本申请实施例中，小区的性能数据可以包括覆盖率、容量、信号质量、数据传输速率、时延、语音质量和干扰等数据中的至少一者。其中，覆盖率指小区信号覆盖的范围，即信号强度能够达到的区域，覆盖率越高，表示小区的信号能够覆盖更广的区域；容量指小区能够承载的用户数量，容量越大，表示小区能够同时支持更多的用户接入；信号质量指小区信号的质量，包括信号强度、信噪比、误码率等指标，信号质量越好，表示小区的通信质量越高，用户体验也会更好；数据传输速率指小区支持的数据传输速率，数据传输速率越高，表示小区能够更快地传输数据，提供更快的上网速度；时延指从用户发送数据到接收数据所需的时间，时延越低，表示小区的响应速度越快，用户体验也会更好；话音质量指小区支持的语音通话质量，包括语音清晰度、语音延迟等指标，话音质量越好，表示小区的语音通话效果越好；干扰指小区与其他小区之间的干扰情况，干扰越小，表示小区的通信质量越高，用户体验也会更好。
S102、对于每个参考小区，根据参考小区的切换数据确定参考小区的目标邻区。
在一些实施例中，参考小区的切换数据可以包括终端从参考小区切换至各个其他小区的次数。
在一些实施例中，目标邻区为各个其他小区中终端从参考小区切换至相应小区的次数满足预设条件的其他小区。
在一些实施例中，其他小区是指预设的通信区域内，除参考小区以外的小区。例如，若通信区域内有小区1~5，其中参考小区为小区2，那么其他小区包括小区1、小区3~5。
参考小区的切换数据可以包括终端从参考小区切换到其他小区的次数，参考小区与某个邻区的切换数据越大，表示该参考小区与该邻区的关系越密切。当参考小区与某个邻区的切换次数满足预设条件时，将该邻区确定为参考小区的目标邻区。预设条件可以为切换次数大于预设数值、按切换次数从大到小排序后为预设名次等。
在本申请实施例中，参考小区的性能数据出现异常不仅与参考小区本身有关，也与邻区有关。而一个参考小区的邻区有多个，并且有部分邻区与参考小区的关系并不密切，即对参考小区造成的影响非常小，因此，在本申请实施例中，根据参考小区的切换数据确定出与参考小区关系密切的目标邻区。
S103、对于每个参考小区，对该参考小区和目标邻区各自的告警数据及参数数据进行异常检测，获得参考小区的所有异常参考事件和目标邻区的所有异常事件。
在本申请实施例中，对参考小区的告警数据和参数数据进行异常检测，用于确定参考小区中出现的所有异常事件，而参考小区出现异常事件可能是由于参考小区出现异常事件引起的也可能是目标邻区出现异常事件引起的，所以在对参考小区的告警数据和参数数据进行异常检测的基础上，也对参考小区的目标邻区的告警数据和参数数据进出异常检测，即同时获取参考小区和目标邻区的所有异常事件。
在本申请实施例中，告警数据为针对小区发生的异常情况而触发的警报信息，这些警报信息可以包含有关小区故障的描述、发生时间、小区标识等信息，异常情况比如小区掉线、信号质量下降、干扰问题、覆盖范围异常等；参数数据为小区的相关参数信息，具体包括小区标识、小区无线掉线率、小区覆盖范围、小区频率、小区带宽、小区功率、小区天线高度、小区参数配置和小区最低接收点水平等参数中的至少一者。
在本申请实施例中，对参考小区和目标邻区的告警数据和参数数据进行异常检测后，获得参考小区和目标邻区中异常的告警数据和参数数据，根据异常的告警数据和参数数据以及步骤S101中异常的性能数据反映出的问题事件，获得参考小区和目标邻区的异常事件。比如检测到某时刻参数数据中无线掉线率的数值相比于无线掉线率的正常数值偏大，则将该时刻无线掉线率上升确定为异常事件。
S104、对于参考小区的任意一个异常事件，在预设的知识图谱中查询与异常事件关联的目标事件，若目标事件是参考小区或目标邻区的异常事件，则将目标事件确定为异常事件的根因。
在本申请实施例中，预设的知识图谱中记录了各个异常事件之间的关联关系。例如，针对参考小区1出现的任意一个异常事件A，在知识图谱中能够查询到与该异常事件A有关的异常事件，称为目标事件B，如果查询到的目标事件也是参考小区1或参考小区1目标邻区的异常事件，那么将目标事件B作为参考小区出现异常事件A的根因。
需要说明的是，一个参考小区的一个异常事件对应的目标事件可能有多个，即一个参考小区的一个异常事件的根因可能有多个。
在本申请实施例中，通过将知识图谱与目标邻区的异常事件相结合，确定出参考小区中任意一个异常事件的根因，使得获得根因的过程自动化和高效化，不需要人为干预和处理，并且知识图谱能够可视化的展示有一场事件之间的关系，使根因分析结果更直观。
在本申请实施例中，还包括对采集的性能数据、告警数据和参数数据进行数据采集和数据预处理。数据预处理的过程包括空值过滤和低用户小区过滤。空值过滤是指在数据处理过程中，将含有空值即缺失值的数据进行筛选和过滤的操作，比如对于数据缺失数量大于或等于空值比例系数与总指标数量的小区数据进行删除，即某小区数据缺失数量满足下面的条件时，删除该小区的数据：
其中表示空值比例系数，/>为总指标数量，即完整数据中应该具有的指标数量，也就是说，对于某小区中的数据确实量不小于预设的空值比例系数与总指标数量时，反映了该数据对于分析异常事件的意义不大，因此删除该小区数据。
低用户小区过滤是指，对于小区无线资源控制最大数小于无线资源控制最大数过滤门限时，删除小区数据。无线资源控制的最大数是指无线通信系统中能够同时支持的最大用户数或最大连接数，当小区数据的无限资源控制最大数小于预设的无线资源控制最大数过滤门限时，删除掉该小区数据，即，当某小区的无限资源控制最大数较小时，说明该小区能够提供的网络覆盖能力较小，该小区出现异常数据后，对其他小区的影响很小，因此删除该小区的数据，不对该小区进行分析，从而减少数据检测的数据数量，提高对小区数据检测的速度。
作为一种可选实施例，在预设的知识图谱中查询与异常事件关联的目标事件，之前还包括构建知识图谱的步骤：
S201、对所有小区的日粒度数据进行异常检测，获得异常事件集，所述日粒度数据为相应小区每日的性能数据、参数数据和告警数据中的至少一者；
S202、将异常事件集中的任意一个异常事件作为中心异常事件，确定异常事件集中其他异常事件对于中心异常事件的相关度，相关度表示其他异常事件对于中心异常事件的影响程度；
S203、根据异常事件集中其他异常事件对于中心异常事件的相关度构建中心异常事件的知识图谱；
S204、其中，中心异常事件的知识图谱中包括至少一个第一节点和至少一个第二节点，第一节点表示中心异常事件，第二节点表示其他异常事件，第一节点和第二节点间的连线表示该其他异常事件对于该中心异常事件的相关度。
请参见图2，其示例性地示出了本申请实施例构建知识图谱的流程示意图。
在本申请实施例中，采集预设时间段内所有小区的日粒度数据，预设时间段可以为构建知识图谱时的前60天、90天或120天，用于获取足够多的日粒度数据，对小区产生的异常事件之间的关系进行分析。小区的日粒度数据指小区每天产生的性能数据、参数数据和告警数据中的至少一者，通过对日粒度数据进行异常检测，获得异常数据，通过事件编译模型，将异常数据编译为对应的异常事件，比如检测到“日峰值无线利用率”这一数据异常，且异常的原因为该数据的值超过了正常范围，通过事件编译模型编译出的异常事件为“日峰值无线利用率上升”。
在本申请实施例中，将预设时间段内所有小区每日出现的异常事件作为异常事件集，即日常事件集中的元素为异常事件，并且异常事件带有小区标识和时间标识，用于表示某个异常事件是由哪个小区产生哪个时间产生的。为异常事件设置小区标识和时间标识，用于后续对不同异常事件的相关度进行分析。
为获得不同异常事件之间的影响程度，对异常事件集中的任意一个异常事件进行分析，将进行分析的异常事件记为中心异常事件，即分析异常事件集中其他异常事件对中心异常事件的影响程度，将其他异常事件对于中心异常事件的影响程度称为其他异常事件对于中心异常事件的相关度。
可以通过多种方式获取其他异常事件对于中心异常事件的相关度，比如通过统计分析的方式，获得其他异常事件对于中心异常事件的相关度。
在本申请实施例中，获得其他异常事件对中心异常事件的相关度后，以中心异常事件为第一节点，其他异常事件为第二节点，第一节点与第二节点的连线即为第二节点对于第一节点的相关度，构建出关于中心异常事件的知识图谱，其他异常事件称为与中心异常事件关联的目标事件。
按照上述步骤，构建出异常事件集中所有异常事件的知识图谱，即将所有异常事件分别作为中心异常事件，构建出每一个异常事件的时间关系图，所有异常事件的知识图谱作为本申请实施例中的知识图谱。
在本申请实施例中，还包括对日粒度数据的采集和数据预处理，其中数据预处理包括空值过滤和低用户小区过滤，处理过程与步骤S104中相同。
在本申请实施例中，通过获取预设时间段内所有小区的日粒度数据进行异常检测，获得异常事件集，对异常事件集中的异常事件进行分析获得最终的知识图谱，同时可以通过预设的规则更新知识图谱，比如每隔30天构建一次知识图谱，用于实现知识图谱的自动化更新，使其更适用于当前的根因分析。
作为一种可选实施例，确定异常事件集中其他异常事件对于中心异常事件的相关度，包括：
S301、确定任意一个其他异常事件的第一次数，第一次数为中心异常事件与相应的其他异常事件同时出现在同一小区的次数；
S302、确定中心异常事件的第二次数，第二次数为异常事件集中所有其他异常事件的第一次数的和；
S303、对于每个其他异常事件，将其他异常事件的第一次数与中心异常事件的第二次数的比值作为其他异常事件对于中心异常事件的同区相关度；
S304、对于每个其他异常事件，确定该其他异常事件的第三次数，第三次数为中心异常事件与该其他异常事件同时分别出现在不同小区的带权次数，中心异常事件和该其他异常事件同时出现在任意两个小区的带权次数为中心异常事件与该其他异常事件分别出现在任意两个小区的次数乘以任意两个小区之间的权重后的数值；
S305、确定中心异常事件的第四次数，中心异常事件的第四次数为异常事件集中所有其他异常事件的第三次数的和；
S306、对于每个其他异常事件，将其他异常事件的第三次数与中心异常事件的第四次数的比值，作为该其他异常事件对于中心异常事件的异区相关度；
其中，任意两个小区之间的权重为第二小区对于第一小区的权重，第一小区为任意两个小区中出现中心异常事件的小区，第二小区为任意两个小区中出现该其他异常事件的小区；
第二小区对于第一小区的权重的获取方式为：
确定第五次数和第六次数，第五次数为终端从第一小区切换至第二小区的次数，第六次数为终端从第一小区切换至各个其他小区的次数；
根据第五次数与第六次数的比值作为第二小区对于第一小区的权重。
在本申请实施例中，对异常事件集中任一其他异常事件与中心异常事件的关系进行统计，可以理解的是，当中心异常事件与该其他异常事件出现在同一小区时，该其他异常事件对中心异常事件的影响程度可能不同于，当中心异常事件与其他异常事件出现在不同小区时，其他异常事件对中心异常事件的影响程度。因此，在本申请实施例中，将其他异常事件与中心异常事件出现在同一小区时，其他异常事件对中心异常事件的影响程度作为其他异常事件对于中心异常事件的同区相关度；将其他异常事件与中心异常事件出现在不同小区时，其他异常事件对中心异常事件的影响程度记为其他异常事件对于中心异常事件的异区相关度。
在本申请实施例中，在确定其他异常事件对于中心异常事件的同区相关度时，其他异常事件即为异常事件集中不同于中心异常事件的事件。根据中心异常事件与其他异常事件的小区标识和时间标识，统计中心异常事件与其他异常事件同时出现在同一小区的次数，称为其他异常事件的第一次数，如下所示：
其中，为小区的总数量，/>为预设时间段内小区/>中同时出现中心异常事件/>和其他异常事件/>的次数，则/>表示该预设事件段内所有小区同时出现中心异常事件/>和其他异常事件/>的次数，即其他异常事件/>的第一次数。根据异常事件集中的元素定义可知，异常事件集中可能包含多个中心异常事件和多个其他异常事件，由于异常事件集中的异常事件包含小区标识和时间标识，因此能够统计中心异常事件与某个其他异常事件同时出现在同一小区的次数。
按照上述步骤，统计异常事件集中所有其他异常事件的第一次数，将求和后的结果记为中心异常事件的第二次数，具体可以表示为：
其中，表示中心异常事件/>的第二次数，/>为其他异常事件/>的第一次数，表示对所有其他异常事件/>的第一次数求和。也就是说，中心异常事件的第二次数是中心异常事件与所有其他异常事件同时出现在同一小区的次数。
将某个其他异常事件的第一次数与中心异常事件的第二次数的比值，作为该其他异常事件对于中心异常事件的同区相关度，具体表示为：
其中，为其他异常事件/>的第一次数，/>为中心异常事件/>的第二次数，/>表示其他异常事件/>对于中心异常事件/>的同区相关度。即本申请实施例中根据异常事件同时发生的次数确定出两个事件之间的同区相关度，用于表示某小区的一个异常事件发生时，是由于本小区中另一个异常事件发生导致的可能性。
在本申请实施例中，在确定其他异常事件对于中心异常事件的异区相关度时，其他异常事件除了异常事件集中不同于中心异常事件的异常事件还包括中心异常事件，可以理解的是某小区中心异常事件的产生可能是由于邻区中出现了该中心异常事件，因此，在本申请实施例中也计算了中心异常事件与中心异常事件之间的异区相关度。
需要注意的是，由于小区A与小区C的密切程度与小区B与小区C的密切程度不同，会使得在小区A中的某其他异常事件和出现在小区B中的该其他异常事件对于出现在小区C中的中心异常事件的影响程度也不相同。因此在本申请实施例中，结合小区的切换次数数据，确定小区间的密切关系，称为小区间的权重。
在本申请实施例中，小区间的权重通过小区之间的切换数据获得。具体如下式所示：
其中，表示小区/>与小区/>在预设时间段内的相互切换次数即终端从小区/>切换到小区/>的次数，记为第五次数，/>表示小区/>在预设时间段内的总切换次数，即终端从小区/>切换到所有其他小区的切换次数，记为第六次数，用二者的比值作为小区/>对于小区的权重，从公式可以看出，在本申请实施例中，小区/>对于小区/>的权重与小区/>对于小区的权重是不同的。
在本申请实施例中，为获得其他异常事件对于中心异常事件的异区相关度，首先统计中心异常事件与其他异常事件分别出现在任意两个小区的带权次数，称为该异常事件的第三次数，具体如下式所述：
其中，为小区的总数量，/>表示小区/>中出现中心异常事件/>且小区/>中出现其他异常事件/>的次数，/>为小区/>对于小区/>的权重，/>为其他异常事件/>的第三次数。也就是说，带权系数综合了中心异常事件与其他异常事件同时出现在不同邻区的次数关系和不同邻区之间的密切关系。
按照上述步骤，能够获得异常事件集中所有其他异常事件的第三次数，将异常事件集中所有其他异常事件的第三次数的和称为中心异常事件的第四次数，具体表示为：
其中，表示中心异常事件/>的第四次数，/>为其他异常事件/>的第三次数，表示对所有其他异常事件/>的第三次数求和。根据某其他异常事件的第三次数与该中心异常事件的第四次数，获得该其他异常事件对于该中心异常事件的异区相关度，具体表示为：
其中，为其他异常事件/>的第三次数，/>表示中心异常事件/>的第四次数，/>表示其他异常事件/>对于中心异常事件/>的异区相关度。在本申请实施例中，针对两个异常事件，根据两个异常事件出现的小区是否相同，分别获得了两个异常事件的同区相关度和异区相关度，能够更全面的反映两个异常事件之间的影响关系。
作为一种可选实施例，构建中心异常事件的知识图谱，包括：
S401、以中心异常事件为知识图谱中的第一节点，异常事件集中的其他异常事件为第二节点，同时设置一个第三节点和至多一个第四节点，第三节点用于表示第一节点与第二节点之间的连线为同区相关度，第四节点用于表示第一节点与第二节点之间的连线为异区相关度；
S402、若第一节点与第二节点的连线为同区相关度，则将第一节点和第二节点分别与第三节点相连；
S403、若第一节点与第二节点的连线为异区相关度，则将第一节点与第三节点相连，第二节点与第四节点相连。
在本申请实施例中，以中心异常事件为例，构建出异常事件集中所有异常事件的知识图谱，将所有异常事件的知识图谱作为本申请中的最终知识图谱。
在中心异常事件的知识图谱中，包括一个第一节点和至少一个第二节点，以及一个第三节点和至多一个第四节点。其中，第一节点表示中心异常事件，第二节点表示异常事件集中的其他异常事件，第三节点与第四节点为标识节点。
在本申请实施例中，在第三节点内部注明文字“小区”，在第四节点内部额注明文字“邻区”，也可以注明其他文字，能够将第三节点与第四节点进行区分即可。
首先将第一节点与第二节点相连，第一节点与第二节点的连线表示同区相关度和异区相关度中的至少一者；
当第一节点与第二节点之间的连线为同区相关度时，将第一节点与第三节点相连，第二节点与第三节点相连；
当第一节点与第二节点之间的连线为异区相关度时，将第一节点与第三节点相连，第二节点与第四节点相连。
请参见图3a-图3d，其中，图3a示例性地示出了本申请实施例中当知识图谱中异常事件节点之间为同区相关度时的结构示意图；
图3b示例性地示出了本申请实施例中当知识图谱中异常事件节点之间为异区相关度时的结构示意图；
图3c示例性地示出了本申请实施例中当知识图谱中异常事件节点之间为同区相关度和异区相关度时的结构示意图；
图3d示例性地示出了本申请实施例提供的知识图谱的结构示意图。
如图3d所示，为中心异常事件为异常事件A时的知识图谱的结构示意图，为便于表述，将该图拆分为图3a、图3b和图3c三个子图。
如图3a所示，异常事件A为中心异常事件，若异常事件B对于异常事件A的同区相关度非0，而异区相关度为0时，将异常小区A节点与小区相连，异常小区B节点与小区相连，异常事件A节点与异常事件B节点的连线为异常事件B对于异常事件A的同区相关度。
如图3b所示，若异常事件C对于异常事件A的同区相关度为0，异区相关度非0，则将异常事件A节点与小区相连，异常事件C节点与邻区相连，异常事件A节点与异常事件C节点的连线为异区相关度。
如图3c所示，若异常事件D对于异常事件A的同区相关度非0，异区相关度也非0，则将异常小区A节点与小区相连，异常事件D节点分别与小区、邻区向量，异常事件A节点与异常事件D节点的连线表示同区相关度和异区相关度。
此时构造出了中心异常事件的知识图谱。需要注意的是，若某个其他异常事件与中心异常事件的同区相关度为0且异区相关度为0，该中心异常事件与该其他异常事件之间没有连线。从中心异常事件的知识图谱中可以清楚的了解到其他异常事件对中心异常事件的影响程度。
作为一种可选实施例，知识图谱包括绝对异常知识图谱和相对异常知识图谱；
若异常检测为绝对异常检测，则知识图谱为绝对异常知识图谱；
若异常检测为相对异常检测，则知识图谱为相对异常知识图谱；
绝对异常检测包括门限检测，相对异常检测包括时序异常检测和波动检测，波动检测用于检测数据波动情况。
在本申请实施例中，对小区日粒度数据进行异常检测的方法可以为绝对异常检测和相对异常检测中的至少一者。其中，绝对异常检测可以为门限检测；相对异常检测可以为时序异常检测和波动检测中的至少一者。
在本申请实施例中，门限异常检测用于检测性能数据，参数数据和告警数据，时序异常检测用于检测性能数据，波动检测用于检测性能数据，参数数据和告警数据。
其中，门限检测是指：对于任意一种性能数据或参数数据，将性能数据或参数数据与该性能数据或参数数据规定的门限值进行比较，超过门限的上限或者低于门限的下限的数据记为异常数据；
对于任意一种告警数据，直接判定为异常数据。
可以理解的是，门限检测中性能数据的门限值是固定的，因此该异常检测方法记为绝对异常检测；
时序异常检测为利用预先训练的时间序列检测模型对数据进行异常检测的方法，在本申请实施例中，通过采集所有小区某时间段内的所有小区的性能数据，通过n-sigma准则和指数加权移动平均算法(Exponential Weighted Moving Average，EWMA)中的至少一者，训练时间序列检测模型，利用训练好的时间序列检测模型对性能数据进行异常检测。
波动检测是指：对于任意一种性能数据，将该性能数据与基准数据进行比较，其中，基准数据可以是某段时间段中该性能数据的均值，若性能指标与基准数据的关系在预设条件，则判定性能数据为正常数据，若性能数据与基准数据的关系不在预设条件内，判定该性能数据为异常数据，其中，预设条件可以是性能数据相比基准数据偏差不超过某个数值；
对于任意一种参数数据，将该参数数据与基准数据做比较，如果当前数据不等于基准数据，则判定该参数数据为异常数据，如果当前参数数据等于基准数据，则判定该参数数据为正常数据；
对于任意一种警告数据，直接判定该警告数据为异常数据。
可以理解的是，时序异常检测和波动检测都依赖于小区某段时间内的数据，因此将时序异常检测和波动检测称为相对异常检测。
在本申请实施例中，若步骤S201中的异常检测为绝对异常检测，则构建出的知识图谱为绝对异常知识图谱；若步骤S201中的异常检测为相对异常知识图谱，则将构建出的知识图谱为相对异常图谱。
若步骤S103中获得的任意一个异常事件是由绝对异常检测对数据进行异常检测得到的，则步骤S104中预设的知识图谱为绝对异常知识图谱；若步骤S103中获得的任意一个异常事件是由相对异常检测对数据进行异常检测得到的，则步骤S104中预设的知识图谱为相对异常知识图谱。
在本申请实施例中，通过根据数据异常检测方法的不同，构建了绝对异常知识图谱和相对异常知识图谱，使得知识图谱在应用时，能够根据数据异常检测的方法的不同，对获得的异常事件找到对应的知识图谱，获取与该异常事件相关联的异常事件。
作为一种可选实施例，将目标事件确定为异常事件的根因，之后还包括：
对于每个目标事件，确定目标事件确定为异常事件的根因的概率；
根据目标事件确定为异常事件的根因的概率，制定异常事件的解决方案。
在本申请实施例中，针对异常事件的多个根因进行分析，获得每个目标事件是异常事件根因的概率，即对异常事件的多个根因进行度量，获取每个根因导致该异常事件的发生的可能性大小，从而能够对异常事件的根因进行综合分析，制定小区异常事件的解决方案。
小区异常事件的产生，受到多个目标事件的影响，但是每个目标事件的影响的程度不同，因此需要获得每个目标事件对异常事件的影响程度，称为每个目标事件为异常事件的根因的概率。
作为一种可选实施例，确定目标事件确定为某个异常事件的根因的概率，包括：
将参考小区的所有目标事件的同区相关度进行求和，获得第一相关度；
将所有目标邻区的所有目标事件的异区相关度与对应目标邻区和参考小区的权重相乘后求和，获得第二相关度；
将第一相关度与第二相关度相加获得第三相关度；
对于某个异常事件的目标事件，若目标事件是参考小区的异常事件，将目标事件对于该异常事件的同区相关度与第三相关度的比值作为目标事件确定为该异常事件的根因的概率；
若目标事件是目标邻区的异常事件，确定参考小区与目标邻区的权重，将目标事件对该异常事件的异区相关度与权重相乘的结果与第三相关度的比值，作为目标事件确定为该异常事件的根因的概率。
首先，在本申请实施例中，第一相关度为：
其中表示对目标事件/>的对于异常事件/>的同区相关度，/>为异常事件/>的第一相关度。
第二相关度为：
其中，为目标事件/>对于异常事件/>的异区相关度，/>表示目标事件/>出现在参考小区的目标邻区/>对于异常事件出现在参考小区/>的权重。
则第三相关度为：
在本申请实施例中，根据目标事件出现在参考小区还是目标邻区分别计算目标事件是异常事件根因的概率。若目标事件出现在参考小区中，则目标事件/>作为该异常事件的根因的概率的具体表示为：
其中，表示该目标事件/>对于该异常事件/>的同区相关度。
若目标事件出现在参考小区的目标邻区中，将该参考小区记为参考小区/>，该目标邻区记为目标邻区/>，则目标事件/>作为该异常事件/>的根因的概率的具体表示为：
其中，表示该目标事件/>对于该异常事件/>的异区相关度，/>表示小区/>对于小区/>的权重。可以理解的是，对于相同的目标事件/>，该目标事件出现在参考小区的不同邻区时，对参考小区的影响程度不同，因此在计算该目标事件作为该异常事件的根因的概率时，加入了权重因素。
为更清晰的表述将目标事件确认为该异常事件的概率，进行举例解释：
对于参考小区的任意一个异常事件，记为异常事件A，对于异常事件A的目标事件可能有多个，其中包括发生在参考小区内的异常事件，记为异常事件B和异常事件C，也包括发生在目标邻区内的异常事件，记为异常事件D和异常事件E，其中异常事件D出现在目标邻区1中，异常事件E出现在目标邻区2内。
将异常事件B对于异常事件A的同区相关度与异常事件C对于异常事件A的同区相关度的和记为第一相关度。将异常事件D对于异常事件A的异区相关度与目标邻区1与参考小区的权重相乘后的数值与将异常事件E对于异常事件A的异区相关度与目标邻区2与参考小区的权重相乘后的数值相加，获得第二相关度。将第一相关度与第二相关度相加后的数值称为第三相关度。
对于异常事件B确定为异常事件A的根因的概率的计算方式具体为，计算异常事件B的同区相关度与第三相关度的比值，将该比值记为异常事件B确定为异常事件A的根因的概率；
对于异常事件D确定为异常事件A的根因的概率的计算方式具体为，计算异常事件D的异区相关度与目标邻区1与参考小区的权重相乘，将相乘后的结果与第三相关的度的比值作为异常事件D确定为异常事件A的概率。
在本申请实施例中，考虑到对于同一个目标事件，该目标事件出现在目标邻区3和目标邻区4时，对异常事件A的影响程度是不同的，因此在求计算目标事件确定为异常事件A的根因时，将出现目标事件的目标邻区与参考小区的权重与目标事件对于异常事件A的异区相关度相乘后，分析该目标事件确定为异常事件A的概率。
在本申请实施例中，通过获得目标事件确定为该任意一个异常事件的根因概率，能够对每个目标事件进行数量化分析，直观的展示出针对某小区出现的异常事件具体是由哪些其他异常事件影响的，并且将影响的程度的数值表示，能够为专业人员解决该异常事件提供有力的帮助。
本申请实施例提供了一种根因分析装置，如图4所示，该根因分析装置可以包括：第一检测模块801、确定模块802、第二检测模块803以及查询模块804，其中，
第一检测模块，用于对多个小区的性能数据进行异常检测，以从该多个小区中确定数据异常的至少一个参考小区；
确定模块，用于对于每个参考小区，根据参考小区的切换数据确定参考小区的目标邻区，参考小区的切换数据包括终端从参考小区切换至各个其他小区的次数，目标邻区为各个其他小区中终端从参考小区切换至相应小区的次数满足预设条件的其他小区；
第二检测模块，用于对于每个参考小区，对参考小区和目标邻区各自的告警数据及参数数据进行异常检测，获得参考小区的所有异常事件和目标邻区的所有异常事件；
查询模块，用于对于参考小区的任意一个异常事件，在预设的知识图谱中查询与异常事件关联的目标事件，若目标事件是参考小区或目标邻区的异常事件，则将目标事件确定为异常事件的根因。
本申请实施例中提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，该处理器执行上述计算机程序以实现网络设备故障处理方法的步骤，与相关技术相比可实现：通过在知识图谱中确定异常事件的根因，使得根因分析的过程可以自动化和高效化。
在一个可选实施例中提供了一种电子设备，如图5所示，图5所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图5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4003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质，在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序，以实现前述方法实施例所示的步骤。
其中，电子设备包可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5所示的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。与现有技术相比可实现：通过在知识图谱中确定异常事件的根因，使得根因分析的过程可以自动化和高效化。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其他类似实施手段，同样属于本申请实施例的保护范畴。
Claims (9)
1.一种根因分析方法，其特征在于，包括：
对多个小区的性能数据进行异常检测，以从所述多个小区中确定数据异常的至少一个参考小区；
对于每个参考小区，根据所述参考小区的切换数据确定所述参考小区的目标邻区，所述参考小区的切换数据包括终端从所述参考小区切换至各个其他小区的次数，所述目标邻区为各个其他小区中终端从参考小区切换至相应小区的次数满足预设条件的其他小区；
对于每个参考小区，对所述参考小区和所述目标邻区各自的告警数据及参数数据进行异常检测，获得所述参考小区的所有异常事件和所述目标邻区的所有异常事件；
对于所述参考小区的任意一个异常事件，在预设的知识图谱中查询与所述异常事件关联的目标事件，若所述目标事件是所述参考小区或所述目标邻区的异常事件，则将所述目标事件确定为所述异常事件的根因；
所述在预设的知识图谱中查询与所述异常事件关联的目标事件，之前还包括构建知识图谱的步骤：
对所有小区的日粒度数据进行异常检测，获得异常事件集，所述日粒度数据为相应小区每日的性能数据、参数数据和告警数据中的至少一者；
将所述异常事件集中的任意一个异常事件作为中心异常事件，确定所述异常事件集中其他异常事件对于所述中心异常事件的相关度，所述相关度表示所述其他异常事件对于所述中心异常事件的影响程度；
根据所述异常事件集中其他异常事件对于所述中心异常事件的相关度，构建所述中心异常事件的知识图谱；
其中，所述中心异常事件的知识图谱中包括至少一个第一节点和至少一个第二节点，所述第一节点表示所述中心异常事件，所述第二节点表示所述其他异常事件，第一节点和第二节点间的连线表示其他异常事件对于所述中心异常事件的相关度。
2.根据权利要求1所述的方法，其特征在于，所述确定所述异常事件集中其他异常事件对于所述中心异常事件的相关度，包括：
确定任意一个其他异常事件的第一次数，所述第一次数为所述中心异常事件与相应的其他异常事件同时出现在同一小区的次数；
确定所述中心异常事件的第二次数，所述第二次数为所述异常事件集中所有其他异常事件的第一次数的和；
对于每个其他异常事件，将所述其他异常事件的第一次数与所述中心异常事件的第二次数的比值作为所述其他异常事件对于所述中心异常事件的同区相关度；
对于每个其他异常事件，确定所述其他异常事件的第三次数，所述第三次数为所述中心异常事件与所述其他异常事件同时分别出现在不同小区的带权次数，所述中心异常事件和所述其他异常事件同时出现在任意两个小区的带权次数为所述中心异常事件与所述其他异常事件分别出现在任意两个小区的次数乘以所述任意两个小区之间的权重后的数值；
确定所述中心异常事件的第四次数，所述中心异常事件的第四次数为所述异常事件集中所有其他异常事件的第三次数的和；
对于每个其他异常事件，将所述其他异常事件的第三次数与所述中心异常事件的第四次数的比值，作为所述其他异常事件对于所述中心异常事件的异区相关度；
其中，所述任意两个小区之间的权重为第二小区对于第一小区的权重，所述第一小区为所述任意两个小区中出现所述中心异常事件的小区，所述第二小区为所述任意两个小区中出现所述其他异常事件的小区；
所述第二小区对于第一小区的权重的获取方式为：
确定第五次数和第六次数，所述第五次数为终端从第一小区切换至第二小区的次数，所述第六次数为所述终端从所述第一小区切换至各个其他小区的次数；
根据所述第五次数与所述第六次数的比值作为所述第二小区对于所述第一小区的权重。
3.根据权利要求2所述的方法，其特征在于，构建所述中心异常事件的知识图谱，包括：
以所述中心异常事件为所述知识图谱中的第一节点，所述异常事件集中的其他异常事件为第二节点，同时设置一个第三节点和至多一个第四节点，所述第三节点用于表示第一节点与第二节点之间的连线为同区相关度，所述第四节点用于表示第一节点与第二节点之间的连线为异区相关度；
若所述第一节点与所述第二节点的连线为同区相关度，则将所述第一节点和所述第二节点分别与所述第三节点相连；
若所述第一节点与所述第二节点的连线为异区相关度，则将所述第一节点与所述第三节点相连，所述第二节点与所述第四节点相连。
4.根据权利要求1所述的方法，其特征在于，所述知识图谱包括绝对异常知识图谱和相对异常知识图谱；
若所述对所有小区的日粒度数据进行异常检测的方式为绝对异常检测，则所述知识图谱为绝对异常知识图谱；
若所述对所有小区的日粒度数据进行异常检测的方式为相对异常检测，则所述知识图谱为相对异常知识图谱；
所述绝对异常检测包括门限检测，所述相对异常检测包括时序异常检测和波动检测，所述波动检测用于检测数据波动情况。
5.根据权利要求3所述的方法，其特征在于，所述将所述目标事件确定为所述异常事件的根因，之后还包括：
对于每个目标事件，确定所述目标事件确定为所述异常事件的根因的概率；
根据所述目标事件确定为所述异常事件的根因的概率，制定所述异常事件的解决方案。
6.根据权利要求5所述的方法，其特征在于，所述确定所述目标事件确定为异常事件的根因的概率，包括：
将所述参考小区的所有目标事件的同区相关度进行求和，获得第一相关度；
将所有目标邻区的所有目标事件的异区相关度与对应目标邻区对于所述参考小区的权重相乘后求和，获得第二相关度；
将第一相关度与第二相关度相加获得第三相关度；
对于任意一个所述任意一个异常事件的目标事件，若所述目标事件是所述参考小区的异常事件，将所述目标事件对于所述任意一个异常事件的同区相关度与所述第三相关度的比值作为所述目标事件确定为所述任意一个异常事件的根因的概率；
若所述目标事件是所述目标邻区的异常事件，将所述目标事件对任意一个异常事件的异区相关度与所述目标邻区对于所述参考小区的权重相乘的结果与所述第三相关度的比值，作为所述目标事件确定为所述任意一个异常事件的根因的概率。
7.一种根因分析装置，其特征在于，包括：
第一检测模块，用于对多个小区的性能数据进行异常检测，以从所述多个小区中确定数据异常的至少一个参考小区；
确定模块，用于对于每个参考小区，根据所述参考小区的切换数据确定所述参考小区的目标邻区，所述参考小区的切换数据包括终端从所述参考小区切换至各个其他小区的次数，所述目标邻区为各个其他小区中终端从参考小区切换至相应小区的次数满足预设条件的其他小区；
第二检测模块，用于对于每个参考小区，对所述参考小区和所述目标邻区各自的告警数据及参数数据进行异常检测，获得所述参考小区的所有异常事件和所述目标邻区的所有异常事件；
查询模块，用于对于所述参考小区的任意一个异常事件，在预设的知识图谱中查询与所述异常事件关联的目标事件，若所述目标事件是所述参考小区或所述目标邻区的异常事件，则将所述目标事件确定为所述异常事件的根因；所述在预设的知识图谱中查询与所述异常事件关联的目标事件，之前还包括构建知识图谱的步骤：
对所有小区的日粒度数据进行异常检测，获得异常事件集，所述日粒度数据为相应小区每日的性能数据、参数数据和告警数据中的至少一者；
将所述异常事件集中的任意一个异常事件作为中心异常事件，确定所述异常事件集中其他异常事件对于所述中心异常事件的相关度，所述相关度表示所述其他异常事件对于所述中心异常事件的影响程度；
根据所述异常事件集中其他异常事件对于所述中心异常事件的相关度，构建所述中心异常事件的知识图谱；
其中，所述中心异常事件的知识图谱中包括至少一个第一节点和至少一个第二节点，所述第一节点表示所述中心异常事件，所述第二节点表示所述其他异常事件，第一节点和第二节点间的连线表示其他异常事件对于所述中心异常事件的相关度。
8.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6任一项所述方法的步骤。
9.一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1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410049582.6A CN117560706B (zh) | 2024-01-12 | 2024-01-12 | 根因分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410049582.6A CN117560706B (zh) | 2024-01-12 | 2024-01-12 | 根因分析方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117560706A CN117560706A (zh) | 2024-02-13 |
| CN117560706B true CN117560706B (zh) | 2024-03-22 |
Family
ID=89823792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410049582.6A Active CN117560706B (zh) | 2024-01-12 | 2024-01-12 | 根因分析方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117560706B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105744543A (zh) * | 2014-12-08 | 2016-07-06 | 中兴通讯股份有限公司 | 一种gsm网络切换异常的优化方法及装置 |
| CN108271191A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信集团福建有限公司 | 无线网络问题根因定位方法及装置 |
| CN110807104A (zh) * | 2019-11-08 | 2020-02-18 | 上海秒针网络科技有限公司 | 异常信息的确定方法及装置、存储介质、电子装置 |
| CN113360580A (zh) * | 2021-05-31 | 2021-09-07 | 北京百度网讯科技有限公司 | 基于知识图谱的异常事件检测方法、装置、设备及介质 |
| WO2023024854A1 (zh) * | 2021-08-27 | 2023-03-02 | 中兴通讯股份有限公司 | 根因定位方法、根因定位设备及存储介质 |
| CN116578911A (zh) * | 2023-07-13 | 2023-08-11 | 亚信科技（中国）有限公司 | 数据处理方法、装置、电子设备及计算机存储介质 |
| CN116955059A (zh) * | 2022-12-01 | 2023-10-27 | 中国移动通信集团浙江有限公司 | 根因定位方法、装置、计算设备及计算机存储介质 |
| CN117041029A (zh) * | 2023-08-18 | 2023-11-10 | 亚信科技（中国）有限公司 | 网络设备故障处理方法、装置、电子设备及存储介质 |
| CN117082547A (zh) * | 2023-08-17 | 2023-11-17 | 亚信科技（中国）有限公司 | 小区异常检测方法、装置、电子设备和可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107548086B (zh) * | 2016-06-24 | 2022-09-27 | 中兴通讯股份有限公司 | 根因定位方法及装置 |
| CN113872780A (zh) * | 2020-06-30 | 2021-12-31 | 大唐移动通信设备有限公司 | 一种故障根因分析方法、装置及存储介质 |
| CN114363924B (zh) * | 2021-12-16 | 2023-11-17 | 北京红山信息科技研究院有限公司 | 一种5g无驻留问题自动根因分析方法 |
| CN116319251A (zh) * | 2021-12-21 | 2023-06-23 | 中兴通讯股份有限公司 | 无线侧网络根因定位方法、运行控制装置及存储介质 |
| CN116319255A (zh) * | 2023-01-03 | 2023-06-23 | 锐捷网络股份有限公司 | 一种基于kpi的根因定位方法、装置、设备及存储介质 |
-
2024
- 2024-01-12 CN CN202410049582.6A patent/CN117560706B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105744543A (zh) * | 2014-12-08 | 2016-07-06 | 中兴通讯股份有限公司 | 一种gsm网络切换异常的优化方法及装置 |
| CN108271191A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信集团福建有限公司 | 无线网络问题根因定位方法及装置 |
| CN110807104A (zh) * | 2019-11-08 | 2020-02-18 | 上海秒针网络科技有限公司 | 异常信息的确定方法及装置、存储介质、电子装置 |
| CN113360580A (zh) * | 2021-05-31 | 2021-09-07 | 北京百度网讯科技有限公司 | 基于知识图谱的异常事件检测方法、装置、设备及介质 |
| WO2023024854A1 (zh) * | 2021-08-27 | 2023-03-02 | 中兴通讯股份有限公司 | 根因定位方法、根因定位设备及存储介质 |
| CN116955059A (zh) * | 2022-12-01 | 2023-10-27 | 中国移动通信集团浙江有限公司 | 根因定位方法、装置、计算设备及计算机存储介质 |
| CN116578911A (zh) * | 2023-07-13 | 2023-08-11 | 亚信科技（中国）有限公司 | 数据处理方法、装置、电子设备及计算机存储介质 |
| CN117082547A (zh) * | 2023-08-17 | 2023-11-17 | 亚信科技（中国）有限公司 | 小区异常检测方法、装置、电子设备和可读存储介质 |
| CN117041029A (zh) * | 2023-08-18 | 2023-11-10 | 亚信科技（中国）有限公司 | 网络设备故障处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117560706A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107204894B (zh) | 网络业务质量的监控方法及装置 | |
| CN111867049B (zh) | 定位方法、装置及存储介质 | |
| CN110430583B (zh) | 一种ssb波束优化配置方法及装置 | |
| CN111356147B (zh) | 一种室分小区故障定位方法及装置 | |
| CN105744553A (zh) | 一种网络关联分析方法及装置 | |
| CN104333492A (zh) | 一种评估通信网络结构合理性的方法及装置 | |
| CN113938928B (zh) | 一种用于内陆湖泊观测网的通讯系统 | |
| JP2009182538A (ja) | 移動通信システム、ハンドオーバ性能監視方法及び管理装置 | |
| CN117082547A (zh) | 小区异常检测方法、装置、电子设备和可读存储介质 | |
| CN104955090A (zh) | 一种小区干扰确定方法及装置 | |
| Asghar et al. | Correlation-based cell degradation detection for operational fault detection in cellular wireless base-stations | |
| CN112995893B (zh) | 一种指纹定位方法、系统、服务器和存储介质 | |
| CN112584407B (zh) | 一种基于时空联合的lte用户投诉定性方法及装置 | |
| CN117560706B (zh) | 根因分析方法、装置、电子设备及存储介质 | |
| CN108574927B (zh) | 一种移动终端定位方法及装置 | |
| CN110753369B (zh) | 一种中断小区检测方法及装置 | |
| CN111343647B (zh) | 用户感知评估的方法、装置、设备和介质 | |
| CN114615693B (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
| CN112153679B (zh) | 一种转网方法及装置 | |
| CN109993388B (zh) | 劣化小区主因判断方法、装置、设备及介质 | |
| CN113347660A (zh) | 通信信号检测方法、装置、设备及介质 | |
| CN115396908B (zh) | 网络评估方法、装置及存储介质 | |
| CN112020087A (zh) | 隧道故障监控方法、装置及计算设备 | |
| CN104581790B (zh) | 一种低功率无线接入节点的中断检测方法及装置 | |
| CN114221717B (zh) | 基站天线方位角校准方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |