CN117896276A - 根因因素指标的确定方法及装置、存储介质、电子装置 - Google Patents
根因因素指标的确定方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN117896276A CN117896276A CN202211231541.6A CN202211231541A CN117896276A CN 117896276 A CN117896276 A CN 117896276A CN 202211231541 A CN202211231541 A CN 202211231541A CN 117896276 A CN117896276 A CN 117896276A
- Authority
- CN
- China
- Prior art keywords
- index
- factor
- degradation
- indexes
- determining
- 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 66
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000015556 catabolic process Effects 0.000 claims abstract description 309
- 238000006731 degradation reaction Methods 0.000 claims abstract description 309
- 238000009826 distribution Methods 0.000 claims description 59
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 abstract description 33
- 235000019580 granularity Nutrition 0.000 description 76
- 230000008569 process Effects 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 15
- 230000002776 aggregation Effects 0.000 description 12
- 238000004220 aggregation Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008092 positive effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明实施例提供了一种根因因素指标的确定方法及装置、存储介质、电子装置,其中,上述方法包括:在确定当前网络的指标发生劣化的情况下,对于多个指标中的每一个指标,确定每一个指标下的所有因素指标的劣化贡献度,因素指标与劣化贡献度为一一对应关系;从多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,及目标劣化贡献度对应的多个第一因素指标;根据目标因素指标和多个第一因素指标在两个相邻周期内的相对熵值确定指标发生劣化的根因因素指标,其中,目标因素指标由目标对象确定。解决了相关技术中对于通过半自动化,或者完全自动化的方式确定指标发生劣化的原因分析方案存在的分析周期长,应用场景少的问题。
Description
技术领域
本发明实施例涉及通信领域,具体而言,涉及一种根因因素指标的确定方法及装置、存储介质、电子装置。
背景技术
在面对全球最大网络规模和最多用户数的背景下,移动通信领域设定了自智网络整体演进目标。加快网络运维数智化转型升级,赋能业务支撑、客户满意度提升、网络质量增强、运维效率提高、运营成本降低是电信运营商最重要的工作内容。
在网络运维过程中,主要是通过指标来衡量网络质量和业务质量,因此,当指标发生劣化时,期望能够快速定位问题根因,解决网络问题,提升用户体验质量。而指标劣化根因分析是目前运维自动化的技术难点。当前技术手段主要有半自动化人工分析和基于AI完全自动化分析。半自动化人工分析需要依赖人工经验,耗费人力多,分析周期长;AI完全自动化分析,需要投入巨大成本进行模型训练和数据分析,往往在创新课题中或实验室场景下有一定效果,但实际生产应用少,效果不佳。
针对相关技术中,对于通过半自动化,或者完全自动化的方式确定指标发生劣化的原因分析方案存在的分析周期长,应用场景少等问题,尚未提供有效的解决方案。
发明内容
本发明实施例提供了一种根因因素指标的确定方法及装置、存储介质、电子装置,以至少解决相关技术中对于通过半自动化,或者完全自动化的方式确定指标发生劣化的原因分析方案存在的分析周期长,应用场景少的问题。
根据本发明的一个实施例,提供了一种根因因素指标的确定方法,包括:在确定当前网络的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。
在一个示例性实施例中,通过以下方式确定所述当前网络的指标发生劣化:获取所述指标在历史粒度周期的第一指标值,以及所述指标在当前粒度周期的第二指标值;根据所述第一指标值和所述第二指标值确定所述指标的指标劣化度;在所述指标劣化度大于第二阈值的情况下,确定所述当前网络的指标发生劣化。
在一个示例性实施例中,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度的过程中,所述方法还包括:获取所述每一个指标下所述所有因素指标的指标整体劣化值;对于所述所有因素指标中的任一因素指标,获取其他因素指标的指标劣化值,其中,所述其他因素指标为所述所有因素指标中除所述任一因素指标之外的因素指标;根据所述指标劣化值和所述指标整体劣化值确定所述任一因素指标的劣化贡献度。
在一个示例性实施例中,获取所述每一个指标下所述所有因素指标的指标整体劣化值,包括:通过以下公式确定所述指标整体劣化值ΔK:ΔK=K1-K0,其中,K1为所述指标在历史粒度周期的第一指标值,K0为所述指标在当前粒度周期的第二指标值,Km=r*Cn/Cd,r是常量系数,Cn为所述所有因素指标的累加值,Cd为所述所有因素指标的累加次数,m=0或1。
在一个示例性实施例中,获取其他因素指标的指标劣化值,包括:通过以下公式获取所述指标劣化值ΔK′:ΔK′=K1′-K0′,其中,Km′=(Cn-Cnx)/(Cd-Cdx),Cn为所述所有因素指标的累加值,Cd为所述所有因素指标的累加次数,m=0或1,Cnx为所述任一因素指标的累加值,所述Cdx为所述任一因素指标的累加次数。
在一个示例性实施例中,根据所述指标劣化值和所述指标整体劣化值确定所述任一因素指标的劣化贡献度,包括:获取所述指标整体劣化值与所述指标劣化值的差值;将所述差值与所述指标整体劣化值的商作为所述劣化贡献度。
在一个示例性实施例中,根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,包括:获取步骤:获取一组因素指标中的任一因素指标在历史粒度周期的第一影响度和在当前粒度周期的第二影响度,其中,所述一组因素指标包括:所述目标因素指标中的任一目标因素指标,和所述多个第一因素指标;确定步骤:根据所述第一影响度确定所述任一因素指标在所述历史粒度周期的第一影响度概率分布,以及根据所述第二影响度确定所述任一因素指标在所述当前粒度周期的第二影响度概率分布;根据所述第一影响度概率分布和所述第二影响度概率分布确定所述任一因素指标的相对熵值;循环执行所述获取步骤和所述确定步骤,直至确定所述一组因素指标中的所有因素指标的相对熵值;在一组因素指标中的所有因素指标中存在相对熵值大于第三阈值的第二因素指标的情况下,将所述第二因素指标确定为所述根因因素指标。
在一个示例性实施例中,根据所述第一影响度确定所述任一因素指标在所述历史粒度周期的第一影响度概率分布,包括:获取所述第一影响度和所述第二影响度中影响度值最小的目标影响度;根据所述目标影响度,所述第一影响度确定所述第一影响度概率分布。
在一个示例性实施例中,根据所述第二影响度确定所述任一因素指标在所述当前粒度周期的第二人影响度概率分布,包括:获取所述第一影响度和所述第二影响度中影响度值最小的目标影响度;根据所述目标影响度,所述第二影响度确定所述第二影响度概率分布。
根据本发明的另一个实施例,提供了一种根因因素指标的确定装置,包括:第一确定模块,用于的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;第二确定模块,用于从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;第三确定模块,用于根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,在确定当前网络的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。也就是说,在可以确定当前网络的指标发生劣化的前提下,确定与多个指标中每一个指标下的所有因素指标一一对应的因素指标的劣化贡献度,将多个指标所对应的劣化贡献度与第一阈值比较,其中超过第一阈值的劣化贡献度确定为目标劣化贡献度,并基于目标劣化贡献度确定与目标劣化贡献度对应的多个第一因素指标。通过目标对象确定目标因素指标,进而可以确定目标因素指标和多个第一因素指标在两个相邻周期内的相对熵值,进而依据相对熵值确定指标发生劣化的根因因素指标。解决了相关技术中对于通过半自动化,或者完全自动化的方式确定指标发生劣化的原因分析方案存在的分析周期长,应用场景少的问题。
附图说明
图1是根据本发明实施例的一种根因因素指标的确定方法的计算机终端的硬件结构框图;
图2是根据本发明实施例的一种可选的根因因素指标的确定方法的流程图;
图3是根据本发明实施例的一种可选的根因因素指标的确定方法的系统结构框图;
图4是根据本发明实施例的一种可选的根因因素指标的确定方法的维度影响度差异示意图;
图5是根据本发明实施例的一种可选的根因因素指标的确定方法的劣化贡献度示意图;
图6是根据本发明实施例的一种根因因素指标的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。
本发明实施例中所提供的方法实施例可以在移动第二节点、计算机第二节点或者类似的运算装置中执行。以运行在移动第二节点上为例,图1是本发明实施例的一种根因因素指标的确定方法的移动第二节点的硬件结构框图。如图1所示,移动第二节点可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动第二节点还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动第二节点的结构造成限定。例如,移动第二节点还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种根因因素指标的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动第二节点。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动第二节点的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述计算机终端的一种根因因素指标的确定方法,图2是根据本发明实施例的一种根因因素指标的确定方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,在确定当前网络的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;
步骤S204,从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;
步骤S206,根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。
通过本发明,在确定当前网络的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。也就是说,在可以确定当前网络的指标发生劣化的前提下,确定与多个指标中每一个指标下的所有因素指标一一对应的因素指标的劣化贡献度,将多个指标所对应的劣化贡献度与第一阈值比较,其中超过第一阈值的劣化贡献度确定为目标劣化贡献度,并基于目标劣化贡献度确定与之对应的多个第一因素指标。通过目标对象确定目标因素指标,进而可以确定目标因素指标和多个第一因素指标在两个相邻周期内的相对熵值,进而依据相对熵值确定指标发生劣化的根因因素指标。解决了相关技术中对于通过半自动化,或者完全自动化的方式确定指标发生劣化的原因分析方案存在的分析周期长,应用场景少的问题。
在确定指标发生劣化的根因因素指标之前,可以通过以下方式确定所述当前网络的指标发生劣化:获取所述指标在历史粒度周期的第一指标值,以及所述指标在当前粒度周期的第二指标值;根据所述第一指标值和所述第二指标值确定所述指标的指标劣化度;在所述指标劣化度大于第二阈值的情况下,确定所述当前网络的指标发生劣化。
可以理解的是,第二阈值也可以称为波动阈值,可以是人工经验值,也可以根据历史数据自学习获得。跟业务特征和内容相关的波动阈值需要根据不同指标不同业务进行独立配置,即同业务不同指标、同指标不同业务,不同业务不同指标等情况下,第二阈值需要独立配置。指标劣化的确定过程是针对两个不同粒度周期进行指标值比对,分别是历史粒度周期、当前粒度周期,数据的选择可以是基于同比或环比,例如:选择5月5日的5:00-6:00为当前粒度周期,则历史粒度周期的选择可以为5月4日的5:00-6:00(同比),或5月5日的4:00-5:00(环比)。首先得到指标在历史粒度周期的第一指标值,可以用KT0表示;其次得到指标在当前粒度周期的第二指标值,可以用KT1表示,进而可以通过计算得到KT1相对于KT0的指标劣化度(以R1(x)表示),计算公式为:R1(x)=100.0*(KT1-KT0)/KT0;将KT1相对于KT0的指标劣化度与第二阈值进行比较,超过第二阈值说明当前网络的指标发生了劣化。
确定当前网络的指标发生劣化之后,对于多个指标中的每一个指标,需要确定所述每一个指标下的所有因素指标的劣化贡献度:获取所述每一个指标下所述所有因素指标的指标整体劣化值;对于所述所有因素指标中的任一因素指标,获取其他因素指标的指标劣化值,其中,所述其他因素指标为所述所有因素指标中除所述任一因素指标之外的因素指标;根据所述指标劣化值和所述指标整体劣化值确定所述任一因素指标的劣化贡献度。
可选的,确定当前网络的多个指标中的每一个指标,以及每一个指标下的所有因素指标之后,首先计算每一个指标下的所有因素指标的指标整体劣化值;其次对于每一个指标下的所有因素指标中的任一因素指标,计算每一个指标下的所有因素指标中除了任一因素指标之外的其他因素指标的指标劣化值。进而可以根据得到的指标劣化值和指标整体劣化值确定任一因素指标的劣化贡献度。
确定所述每一个指标下的所有因素指标的劣化贡献度的具体实施方式如下:
1)获取所述每一个指标下所述所有因素指标的指标整体劣化值:通过以下公式确定所述指标整体劣化值ΔK:ΔK=K1-K0,其中,K1为所述指标在历史粒度周期的第一指标值,K0为所述指标在当前粒度周期的第二指标值,Km=r*Cn/Cd,r是常量系数,Cn为所述所有因素指标的累加值,Cd为所述所有因素指标的累加次数,m=0或1。
2)获取其他因素指标的指标劣化值:通过以下公式获取所述指标劣化值ΔK′:ΔK′=K1′-K0′,其中,Km′=(Cn-Cnx)/(Cd-Cdx),Cn为所述所有因素指标的累加值,Cd为所述所有因素指标的累加次数,m=0或1,Cnx为所述任一因素指标的累加值,所述Cdx为所述任一因素指标的累加次数。
进一步的,当前网络的多个指标中的每一个指标下的所有因素指标中的任一因素指标可以是第x个因素指标。
3)根据所述指标劣化值和所述指标整体劣化值确定所述任一因素指标的劣化贡献度:获取所述指标整体劣化值与所述指标劣化值的差值;将所述差值与所述指标整体劣化值的商作为所述劣化贡献度。
具体的,以Rc(x)表示任一因素指标(第x个因素指标)的劣化贡献度,则第x个因素指标的劣化贡献度计算公式为:Rc(x)=100.0*(ΔK-ΔK′)/ΔK。对于正向指标(如成功率,值越大越好),Rc(x)>0表示第x个因素指标对整体指标劣化产生正面影响(即使得当前指标值相比历史指标值变差),Rc(x)<0则相反;对于负向指标(如时延,值越小越好),Rc(x)<0表示第x个因素指标对整体指标劣化产生正面影响(即使得当前指标比历史指标变差),Rc(x)>0则相反;当第x个因素指标对整体指标劣化产生负面影响时,指标劣化度的绝对值越大,表示劣化越严重。
在确定多个指标中的每一个指标下的所有因素指标中的任一因素指标的劣化贡献度后,从多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定目标劣化贡献度对应的多个第一因素指标。
上述步骤S206有多种实现方式,在一个可选的实施例中,可以通过以下方式实现:获取步骤:获取一组因素指标中的任一因素指标在历史粒度周期的第一影响度和在当前粒度周期的第二影响度,其中,所述一组因素指标包括:所述目标因素指标中的任一目标因素指标,和所述多个第一因素指标;确定步骤:根据所述第一影响度确定所述任一因素指标在所述历史粒度周期的第一影响度概率分布,以及根据所述第二影响度确定所述任一因素指标在所述当前粒度周期的第二影响度概率分布;根据所述第一影响度概率分布和所述第二影响度概率分布确定所述任一因素指标的相对熵值;循环执行所述获取步骤和所述确定步骤,直至确定所述一组因素指标中的所有因素指标的相对熵值;在一组因素指标中的所有因素指标中存在相对熵值大于第三阈值的第二因素指标的情况下,将所述第二因素指标确定为所述根因因素指标。
其中,第一影响度概率分布与第二影响度概率分布的确定方式如下:
第一影响度概率分布的确定:获取所述第一影响度和所述第二影响度中影响度值最小的目标影响度;根据所述目标影响度,所述第一影响度确定所述第一影响度概率分布。
第二人影响度概率分布的确定:获取所述第一影响度和所述第二影响度中影响度值最小的目标影响度;根据所述目标影响度,所述第二影响度确定所述第二影响度概率分布。
在一个可选实施例中,预先通过目标对象确定目标因素指标,将目标因素指标中的任一目标因素指标和目标劣化贡献度对应的多个第一因素指标确定为一组因素指标。接下来可以对一组因素指标中的任一因素指标循环执行获取步骤和确定步骤:
获取一组因素指标中的任一因素指标在历史粒度周期的第一影响度和在当前粒度周期的第二影响度,影响度计算公式如下:De(x)=(K-K′)/K,K=Cn/Cd,K′=(Cn-Cnx)/(Cd-Cdx),(De(x)表示影响度),在获取第一影响度和第二影响度中影响度值最小的目标影响度的前提下,根据第一影响度确定任一因素指标在历史粒度周期的第一影响度概率分布,以及根据第二影响度确定任一因素指标在当前粒度周期的第二影响度概率分布,并计算第一影响度概率分布和第二影响度概率分布的相对熵值,相对熵值计算公式如下:(DKL(p||q)表示相对熵值)。
对于获取第一影响度和第二影响度中影响度值最小的目标影响度:由于p(x)(第一影响度分布),q(x)(第二影响度分布)需要满足概率分布,即需要对影响度进行归一化。其中,获取目标影响度(Dmin)的公式如下:Dmin=MIN(De(XT0),De(XT1))-1/n,公式中,减去1/n是为了避免归一化过程中出现零值,n取当前粒度周期下一组因素指标的个数,De(XT0)和De(XT1)分别表示一组因素指标中的任一因素指标在历史粒度周期的第一影响度和在当前粒度周期的第二影响度。归一化公式如下:
在确定一组因素指标中的所有因素指标的相对熵值之后,将相对熵值与第三阈值(可针对不同维度设置不同阈值)比较,相对熵值大于第三阈值的一组因素指标中的任一因素指标即可确定为根因因素指标。
为了更好的理解上述一种根因因素指标的确定方法,以下结合可选实施例对上述技术方案进行解释说明,但不用于限定本发明实施例的技术方案。
本发明可选实施例提供了一种根因因素指标的确定系统的结构框图,如图3所示,本发明可选实施例锁提供的一种根因因素指标的确定系统包括以下各个模块:
深度报文识别(Deep Packet Inspection,简称为DPI)系统,属于外部系统,主要负责原始数据采集以及信令和业务数据解析。
数据清洗模块,接收外部DPI系统发送的数据,按照通用接口规范,转换成系统内部的数据格式,并且对数据进行填充、转换、校验等处理,剔除无效数据,保证数据的正确和整洁。
数据聚集模块,对清洗后数据进行聚集,根据劣化分析的需要进行多种组合维度的数据聚集。聚集过程就是基于维度进行指标汇总计算,最后按照统计粒度输出数据到数据库或文件等介质进行持久化,一般统计粒度支持5分钟、15分钟、30分钟、1小时、1天等。
指标劣化识别模块,读取持久化介质中的聚集数据,通过对比不同粒度的指标波动是否超过波动幅度阈值来判断指标劣化情况,指标对比方式可以是同比或环比。考虑到有些指标跟业务特征和内容相关,那么这个波动阈值需要根据不同指标不同业务进行独立配置。波动阈值可以是人工经验值,也可以根据历史数据自学习获得。
指标劣化根因分析模块,在识别出指标劣化基础上,通过逐层分析指标劣化,依次计算每个维度对象的劣化贡献度,构建劣化贡献度决策树。再根据不同环节计算指标的影响度分布,通过对比不同粒度的影响度分布,发现指标劣化的对象。构建指标劣化工单通知电子运维系统。
电子运维系统(Electric Operation Maintenance System,简称为EOMS),属于外部系统,可以接收工单、告警等信息,方便生产过程故障处理流程的运转。
本发明可选实施例的技术方案针对通信网络,包括移动通信网络,家庭宽度网络和政府企业网络等,需要采集网络信令数据和业务流程数据,数据采集由DPI(DeepPacket/nspection)系统完成。本发明可选实施例描述的分析系统与DPI系统之间基于通用的接口进行对接,要求两个系统之间网络可达,且带宽满足传输要求。本发明可选实施例描述的分析系统与外部的电子运维系统存在对接,基于通用的接口将指标劣化根因推送到电子运维系统。
基于上述如附图3所示的一种根因因素指标的确定系统的结构框图,本发明可选实施例提供的指标分析过程包括如下步骤:
步骤一:数据清洗:
经过DPI系统解析后形成的是结构化的记录,具体描述了业务流程的相关信息,这些信息可以包括时间戳、区域、位置、用户标识、终端类型、网元标识、目标服务器、业务类型,业务状态以及网络协议计数器等等。
数据清洗过程主要是对业务流程的结构化记录进行字段转换和校验,满足本发明可选实施例的系统内部的统一规范要求,避免在后续多个处理流程中重复计算和信息不一致。
步骤二:数据聚集:
数据聚集过程主要是针对统计维度进行业务流程信息汇总运算,聚集粒度是以业务流程时间戳为基准的时间切片,比如5分钟、15分钟、30分钟、1小时、1天等,粒度开始时间必须对齐粒度大小。数据聚集对基本计数器进行汇总运算,比如业务请求次数、业务成功次数、业务响应总时延,业务响应时延次数等等。聚集粒度超时时间到达后,会立即输出聚集数据到存储介质,考虑到业务流程采集到聚集流程之间存在一定时延差,因此,粒度超时时刻会比粒度结束整点时刻迟一些,这个时间差可以做成可配置化参数,能够根据场景进行动态调整。
步骤三:指标劣化识别:
指标劣化识别过程是针对两个不同粒度周期进行指标值比对,通过劣化度评估劣化程度,KT0表示T0周期历史指标值,KT1表示T1周期当前指标值,那么KT1相对于KT0的劣化度公式为100.0*(KT1-KT0)/KT0,对于正向指标劣化度为负值且值越小,表示劣化越严重,对于负向指标劣化度为正值且值越大,表示劣化越严重。将指标劣化度与劣化度阈值进行比较,超过阈值说明指标发生了劣化。
步骤四:指标劣化根因分析:
数据聚集过程都是针对基本计数器进行汇总运算,通过基本计数器复合运算可以获得指标值,一般指标的公式为K=r*Cn/Cd,r是常量系数,比如成功率指标r=100.00,时延指标r=1等等。首先进行时间维度劣化贡献度分解。以天粒度为例,针对一天内各小时粒度分别计算其劣化贡献度。首先,计算指标整体劣化值,计算公式如下:
Cnx和Cdx表示某维度下某因素指标(x)指标的累加值和累计次数,Cn和Cd分别表示某维度下指标的累加值和累计次数,比如RTT时延累加值是1000ms,RTT时延累计次数是100,那么RTT平均时延指标值为1000/100=10ms。K0表示用来对比的历史指标值,K1表示被对比的当前指标值,ΔK表示当前指标与历史指标值的差值,表示指标劣化值。然后,去掉某个因素指标(x)后,再计算指标劣化值,计算公式如下:
ΔK′=K′1-K′0,K′=(Cn-Cnx)/(Cd-Cdx)。
K′表示某维度下去掉某因素指标后的指标值,Cnx和Cdx表示某维度下某因素指标(x)指标的累加值和累计次数,Cn和Cd分别表示某维度下指标的累加值和累计次数。K′0表示用来对比的历史指标值(排除某因素指标后),K′1表示被对比的当前指标值(排除某因素指标后),ΔK′表示当前指标值(排除某因素指标后)与历史指标值的差值(排除某因素指标后),把ΔK′叫做指标劣化值(排除某因素指标后)。最后,通过指标整体劣化值和排除某因素指标后的指标劣化值,计算劣化贡献度,计算公式如下:
Rc(x)=100.0*(ΔK-ΔK′)/ΔK。
Rc(x)表示某因素指标(x)的劣化贡献度,对于正向指标(如成功率,值越大越好),Rc(x)>0表示某因素指标(x)对整体指标劣化产生正面影响(即使得当前指标值相比历史指标值变差),Rc(x)<0则相反;对于负向指标(如时延,值越小越好),Rc(x)<0表示某因素指标(x)对整体指标劣化产生正面影响(即使得当前指标比历史指标变差),Rc(x)>0则相反。指标劣化比对的数据可以是基于同比或环比的历史周期粒度数据。
获取劣化贡献度超过阈值TR的因素指标,在这些因素指标基础上,继续进行劣化贡献度计算,获取更深层次的劣化因素指标。
通过劣化贡献度从宏观层面缩小劣化根因范围,需要结合指标在端到端的各个环节进行对比分析。影响度是某个维度各因素指标对整体指标值的影响,在某个维度各因素指标前后两个对比周期没有明显变化,那么影响度分布对比也不会有明显的差距。如果某个维度中有个故障因素指标(如图4所示,虚线部分代表有故障因素指标的某个维度),对前后其他维度影响具有涟漪效应,那么其他维度的影响度分布差距不会受到明显影响,但是对本维度的影响度分布前后对比肯定会存在差距。
可选地,可以使用相对熵计算影响度分布的差距,相对熵公式如下:
某维度某因素指标的影响度公式如下:
De(x)=(K-K′)/K,K=Cn/Cd,K′=(Cn-Cnx)/(Cd-Cdx);
由于p(x),q(x)需要满足概率分布,即需要对影响度进行归一化,首先获取T0,T1周期的影响度最小值的公式如下:
Dmin=MIN(De(XT0),De(XT1))-1/n。
为了避免归一化过程出现零值,因此从历史周期数据和当前周期数据的影响度中获取最小值并减去1/n,n取当前周期维度下因素指标的个数,De(XT0)和De(XT1)分别表示历史周期和当前周期的各因素指标影响度。归一化公式如下:
针对每个维度计算其影响度分布的相对熵,当相对熵超过阈值TD则说明该维度中存在导致指标劣化的因素指标,针对不同维度可以设置不同阈值TD。对比历史周期影响度分布和当前周期影响度分布找到影响度差异较大的因素指标,即取|p(x)-q(x)|从大到小排序后的,获取TOP N因素指标x,作为劣化根因,N可配置,根据实际情况进行调整。
基于本发明实施例的技术方案,本发明可选实施例主要是通过比较分析法、劣化贡献度和相对熵等分析手段,在节约成本的前提下,能够快速定位指标劣化根因。指标劣化不光与网络质量下降有关,也和业务量波动相关,本发明上述可选实施例同时考虑这两方面对指标劣化的影响,并对劣化影响给予准确的量化评估。通过本发明实施例的技术方案,1)通过劣化度衡量指标同比或环比的波动,并基于劣化度阈值识别指标劣化;2)针对分时、区域、业务类型等粗维度,按照层次关系,构建劣化贡献树,对影响指标劣化的因素指标进行逐层分析和筛选,劣化贡献度可以同时从质量和业务量两个方面评估劣化的影响;3)采用影响度评估每个因素指标对整体指标的影响,并通过归一化和缺省回填,将影响度数值转化成影响度概率分布;其中,基于涟漪效应原理,只有故障因素指标才会导致不同周期的影响度分布存在较大差距;4)采用相对熵对影响分布差距的量化,并通过阈值定界故障发生的维度;(5)针对每个因素指标,比较影响度差距,筛选影响度变动最大的因素指标作为劣化根因。
以下结合具体的实施例对上述方案进行解释说明。
以手机移动上网视频播放下载速率指标为例。实施步骤如下:
步骤1:基于DPI系统上报的视频播放事实详单,按照时间、粒度、省、市、应用组合维度统计视频播放下载流量(单位:字节)和视频播放下载有效时长(单位:毫秒)计数器,统计粒度为小时,粒度到达后输出统计数据。部分数据如下表1所示。
步骤2:在基于小时粒度基础上,按照时间、省组合维度汇总频播放下载流量和视频播放下载有效时间计数器,统计粒度为天,根据公式K=r*Cn/Cd,即视频播放下载速率指标(Kbps)等于(8000/1024)(8000*视频播放下载流量)/(视频播放下载有效时间*1024)。假设计算得到2022-8-3日期的全省视频播放下载速率指标值为4000Kbps。
步骤3:对比当天视频播放下载速率指标值与上周同期的指标值,计算指标劣化度,假设上周同期(2022-7-27)全省视频播放下载速率指标值为5000Kbps,根据劣化度公式100.0*(KT1-KT0)/KT0,可计算得到劣化度-20%,若劣化度阈值为15%,那么2022-8-3相对于上周同期2022-7-27的劣化度超过了阈值,可以确定视频播放下载速率指标发生劣化。
步骤4:根据劣化贡献度公式,依次针对分时,区域,应用等维度获取劣化贡献度超过阈值的因素指标,可得到如附图5所示的劣化贡献树。
步骤5:在劣化贡献树基础上,针对终端、核心网和内容源进行指标劣化根因分析。无线小区维度基数非常大,同时无线小区问题只是影响局部,不会对其他地市指标劣化产生影响,因此,优先进行终端、核心网、内容源根因分析,当未发现劣化根因时,再进行无线劣化根因分析。下面是终端、核心网、内容源的根因分析流程。
步骤5-1:基于DPI系统上报的视频播放事实详单,按照时间、粒度、省、市、终端、应用组合维度统计视频播放下载流量(单位:字节)和视频播放下载有效时长(单位:毫秒)计数器,统计粒度为小时,粒度到达后输出统计数据。部分数据如下表2所示。
步骤5-2:根据实施例1中的劣化贡献树分时、区域和应用条件,从步骤1的统计表筛选出数据,对应地以相同条件从对比的历史周期数据中筛选出数据,分别计算这两个对比周期T0,T1的终端影响度。
步骤5-3:首先比较周期T0,T1的终端影响度,对于不存在因素指标补零,比如T0存在终端a,T1不存在,那么就需要在T1补充终端a,且影响度为零,反之亦如此;其次根据两个对比周期的影响度计算最小值Dmin;最后根据归一化公式将T0和T1周期的终端影响度转换成概率分布。
步骤5-4:根据相对熵公式,计算T0和T1周期的相对熵值,当相对熵大于阈值时,则认为终端维度是指标劣化维度,否则按照相同方法,继续网元维度、内容源维度的劣化分析。
步骤5-5:在步骤4找到劣化维度的基础上,对比T0和T1周期的概率分布,取|p(x)-q(x)|超过阈值的因素指标,再计算这些因素指标的劣化贡献度,筛选劣化贡献度超过阈值的根因对象。
步骤5-6:将根因对象基于通用接口与EOMS系统对接,进行派单。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台第二节点设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种根因因素指标的确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的一种根因因素指标的确定装置的结构框图,如图6所示,该装置包括:
第一确定模块62,用于的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;
第二确定模块64,用于从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;
第三确定模块66,用于根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。
通过本发明,在确定当前网络的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。也就是说,在可以确定当前网络的指标发生劣化的前提下,确定与多个指标中每一个指标下的所有因素指标一一对应的因素指标的劣化贡献度,将多个指标所对应的劣化贡献度与第一阈值比较,其中超过第一阈值的劣化贡献度确定为目标劣化贡献度,并基于目标劣化贡献度确定与之对应的多个第一因素指标。通过目标对象确定目标因素指标,进而可以确定目标因素指标和多个第一因素指标在两个相邻周期内的相对熵值,进而依据相对熵值确定指标发生劣化的根因因素指标。解决了相关技术中对于通过半自动化,或者完全自动化的方式确定指标发生劣化的原因分析方案存在的分析周期长,应用场景少的问题。
在一个示例性实施例中,第一确定模块62,还用于在确定指标发生劣化的根因因素指标之前,可以通过以下方式确定所述当前网络的指标发生劣化:获取所述指标在历史粒度周期的第一指标值,以及所述指标在当前粒度周期的第二指标值;根据所述第一指标值和所述第二指标值确定所述指标的指标劣化度;在所述指标劣化度大于第二阈值的情况下,确定所述当前网络的指标发生劣化。
可以理解的是,第二阈值也可以称为波动阈值,可以是人工经验值,也可以根据历史数据自学习获得。跟业务特征和内容相关的波动阈值需要根据不同指标不同业务进行独立配置,即同业务不同指标、同指标不同业务,不同业务不同指标等情况下,第二阈值需要独立配置。指标劣化的确定过程是针对两个不同粒度周期进行指标值比对,分别是历史粒度周期、当前粒度周期,数据的选择可以是基于同比或环比,例如:选择5月5目的5:00-6:00为当前粒度周期,则历史粒度周期的选择可以为5月4日的5:00-6:00(同比),或5月5日的4:00-5:00(环比)。首先得到指标在历史粒度周期的第一指标值,可以用KT0表示;其次得到指标在当前粒度周期的第二指标值,可以用KT1表示,进而可以通过计算得到KT1相对于KT0的指标劣化度(以R1(x)表示),计算公式为:R1(x)=100.0*(KT1-KT0)/KT0;将KT1相对于KT0的指标劣化度与第二阈值进行比较,超过第二阈值说明当前网络的指标发生了劣化。
在一个示例性实施例中,第一确定模块62,还用于确定当前网络的指标发生劣化之后,对于多个指标中的每一个指标,需要确定所述每一个指标下的所有因素指标的劣化贡献度:获取所述每一个指标下所述所有因素指标的指标整体劣化值;对于所述所有因素指标中的任一因素指标,获取其他因素指标的指标劣化值,其中,所述其他因素指标为所述所有因素指标中除所述任一因素指标之外的因素指标;根据所述指标劣化值和所述指标整体劣化值确定所述任一因素指标的劣化贡献度。
可选的,确定当前网络的多个指标中的每一个指标,以及每一个指标下的所有因素指标之后,首先计算每一个指标下的所有因素指标的指标整体劣化值;其次对于每一个指标下的所有因素指标中的任一因素指标,计算每一个指标下的所有因素指标中除了任一因素指标之外的其他因素指标的指标劣化值。进而可以根据得到的指标劣化值和指标整体劣化值确定任一因素指标的劣化贡献度。其中,确定所述每一个指标下的所有因素指标的劣化贡献度的具体实施方式如下:
在一个示例性实施例中,第一确定模块62,还用于获取所述每一个指标下所述所有因素指标的指标整体劣化值:通过以下公式确定所述指标整体劣化值ΔK:ΔK=K1-K0,其中,K1为所述指标在历史粒度周期的第一指标值,K0为所述指标在当前粒度周期的第二指标值,Km=r*Cn/Cd,r是常量系数,Cn为所述所有因素指标的累加值,Cd为所述所有因素指标的累加次数,m=0或1。
在一个示例性实施例中,第一确定模块62,还用于获取其他因素指标的指标劣化值:通过以下公式获取所述指标劣化值ΔK′:ΔK′=K1′-K0′,其中,Km′=(Cn-Cnx)/(Cd-Cdx),Cn为所述所有因素指标的累加值,Cd为所述所有因素指标的累加次数,m=0或1,Cnx为所述任一因素指标的累加值,所述Cdx为所述任一因素指标的累加次数。
进一步的,当前网络的多个指标中的每一个指标下的所有因素指标中的任一因素指标可以是第x个因素指标。
在一个示例性实施例中,第一确定模块62,还用于根据所述指标劣化值和所述指标整体劣化值确定所述任一因素指标的劣化贡献度:获取所述指标整体劣化值与所述指标劣化值的差值;将所述差值与所述指标整体劣化值的商作为所述劣化贡献度。
具体的,以Rc(x)表示任一因素指标(第x个因素指标)的劣化贡献度,则第x个因素指标的劣化贡献度计算公式为:Rc(x)=100.0*(ΔK-ΔK′)/ΔK。对于正向指标(如成功率,值越大越好),Rc(x)>0表示第x个因素指标对整体指标劣化产生正面影响(即使得当前指标值相比历史指标值变差),Rc(x)<0则相反;对于负向指标(如时延,值越小越好),Rc(x)<0表示第x个因素指标对整体指标劣化产生正面影响(即使得当前指标比历史指标变差),Rc(x)>0则相反;当第x个因素指标对整体指标劣化产生负面影响时,指标劣化度的绝对值越大,表示劣化越严重。
在确定多个指标中的每一个指标下的所有因素指标中的任一因素指标的劣化贡献度后,从多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定目标劣化贡献度对应的多个第一因素指标。
在一个示例性实施例中,第三确定模块66,还用于获取步骤:获取一组因素指标中的任一因素指标在历史粒度周期的第一影响度和在当前粒度周期的第二影响度,其中,所述一组因素指标包括:所述目标因素指标中的任一目标因素指标,和所述多个第一因素指标;确定步骤:根据所述第一影响度确定所述任一因素指标在所述历史粒度周期的第一影响度概率分布,以及根据所述第二影响度确定所述任一因素指标在所述当前粒度周期的第二影响度概率分布;根据所述第一影响度概率分布和所述第二影响度概率分布确定所述任一因素指标的相对熵值;循环执行所述获取步骤和所述确定步骤,直至确定所述一组因素指标中的所有因素指标的相对熵值;在一组因素指标中的所有因素指标中存在相对熵值大于第三阈值的第二因素指标的情况下,将所述第二因素指标确定为所述根因因素指标。
其中,第一影响度概率分布与第二影响度概率分布的确定方式如下:
在一个示例性实施例中,第三确定模块66,还用于第一影响度概率分布的确定:获取所述第一影响度和所述第二影响度中影响度值最小的目标影响度;根据所述目标影响度,所述第一影响度确定所述第一影响度概率分布。
在一个示例性实施例中,第三确定模块66,还用于第二人影响度概率分布的确定:获取所述第一影响度和所述第二影响度中影响度值最小的目标影响度;根据所述目标影响度,所述第二影响度确定所述第二影响度概率分布。
在一个可选实施例中,预先通过目标对象确定目标因素指标,将目标因素指标中的任一目标因素指标和目标劣化贡献度对应的多个第一因素指标确定为一组因素指标。接下来可以对一组因素指标中的任一因素指标循环执行获取步骤和确定步骤:
获取一组因素指标中的任一因素指标在历史粒度周期的第一影响度和在当前粒度周期的第二影响度,影响度计算公式如下:De(x)=(K-K′)/K,K=Cn/Cd,K′=(Cn-Cnx)/(Cd-Cdx),(De(x)表示影响度),在获取第一影响度和第二影响度中影响度值最小的目标影响度的前提下,根据第一影响度确定任一因素指标在历史粒度周期的第一影响度概率分布,以及根据第二影响度确定任一因素指标在当前粒度周期的第二影响度概率分布,并计算第一影响度概率分布和第二影响度概率分布的相对熵值,相对熵值计算公式如下:(DKL(p||q)表示相对熵值)。
对于获取第一影响度和第二影响度中影响度值最小的目标影响度:由于p(x)(第一影响度分布),q(x)(第二影响度分布)需要满足概率分布,即需要对影响度进行归一化。其中,获取目标影响度(Dmin)的公式如下:Dmin=MIN(De(XT0),De(XT1))-1/n,公式中,减去1/n是为了避免归一化过程中出现零值,n取当前粒度周期下一组因素指标的个数,De(XT0)和De(XT1)分别表示一组因素指标中的任一因素指标在历史粒度周期的第一影响度和在当前粒度周期的第二影响度。归一化公式如下:
在确定一组因素指标中的所有因素指标的相对熵值之后,将相对熵值与第三阈值(可针对不同维度设置不同阈值)比较,相对熵值大于第三阈值的一组因素指标中的任一因素指标即可确定为根因因素指标。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
S1,在确定当前网络的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;
S2,从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;
S3,根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
S1,在确定当前网络的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;
S2,从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;
S3,根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种根因因素指标的确定方法,其特征在于,包括:
在确定当前网络的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;
从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;
根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。
2.根据权利要求1所述的方法,其特征在于,通过以下方式确定所述当前网络的指标发生劣化:
获取所述指标在历史粒度周期的第一指标值,以及所述指标在当前粒度周期的第二指标值;
根据所述第一指标值和所述第二指标值确定所述指标的指标劣化度;
在所述指标劣化度大于第二阈值的情况下,确定所述当前网络的指标发生劣化。
3.根据权利要求1所述的方法,其特征在于,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度的过程中,所述方法还包括:
获取所述每一个指标下所述所有因素指标的指标整体劣化值;
对于所述所有因素指标中的任一因素指标,获取其他因素指标的指标劣化值,其中,所述其他因素指标为所述所有因素指标中除所述任一因素指标之外的因素指标;
根据所述指标劣化值和所述指标整体劣化值确定所述任一因素指标的劣化贡献度。
4.根据权利要求3所述的方法,其特征在于,获取所述每一个指标下所述所有因素指标的指标整体劣化值,包括:
通过以下公式确定所述指标整体劣化值ΔK:
ΔK=K1-K0,其中,K1为所述指标在历史粒度周期的第一指标值,K0为所述指标在当前粒度周期的第二指标值,Km=r*Cn/Cd,r是常量系数,Cn为所述所有因素指标的累加值,Cd为所述所有因素指标的累加次数,m=0或1。
5.根据权利要求3所述的方法,其特征在于,获取其他因素指标的指标劣化值,包括:
通过以下公式获取所述指标劣化值ΔK′:
ΔK′=K1′-K0′,其中,Km′=(Cn-Cnx)/(Cd-Cdx),Cn为所述所有因素指标的累加值,Cd为所述所有因素指标的累加次数,m=0或1,Cnx为所述任一因素指标的累加值,所述Cdx为所述任一因素指标的累加次数。
6.根据权利要求3所述的方法,其特征在于,根据所述指标劣化值和所述指标整体劣化值确定所述任一因素指标的劣化贡献度,包括:
获取所述指标整体劣化值与所述指标劣化值的差值;
将所述差值与所述指标整体劣化值的商作为所述劣化贡献度。
7.根据权利要求1所述的方法,其特征在于,根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,包括:
获取步骤:获取一组因素指标中的任一因素指标在历史粒度周期的第一影响度和在当前粒度周期的第二影响度,其中,所述一组因素指标包括:所述目标因素指标中的任一目标因素指标,和所述多个第一因素指标;
确定步骤:根据所述第一影响度确定所述任一因素指标在所述历史粒度周期的第一影响度概率分布,以及根据所述第二影响度确定所述任一因素指标在所述当前粒度周期的第二影响度概率分布;根据所述第一影响度概率分布和所述第二影响度概率分布确定所述任一因素指标的相对熵值;
循环执行所述获取步骤和所述确定步骤,直至确定所述一组因素指标中的所有因素指标的相对熵值;
在一组因素指标中的所有因素指标中存在相对熵值大于第三阈值的第二因素指标的情况下,将所述第二因素指标确定为所述根因因素指标。
8.根据权利要求7所述的方法,其特征在于,根据所述第一影响度确定所述任一因素指标在所述历史粒度周期的第一影响度概率分布,包括:
获取所述第一影响度和所述第二影响度中影响度值最小的目标影响度;
根据所述目标影响度,所述第一影响度确定所述第一影响度概率分布。
9.根据权利要求7所述的方法,其特征在于,根据所述第二影响度确定所述任一因素指标在所述当前粒度周期的第二人影响度概率分布,包括:
获取所述第一影响度和所述第二影响度中影响度值最小的目标影响度;
根据所述目标影响度,所述第二影响度确定所述第二影响度概率分布。
10.一种根因因素指标的确定装置,其特征在于,包括:
第一确定模块,用于的指标发生劣化的情况下,对于多个指标中的每一个指标,确定所述每一个指标下的所有因素指标的劣化贡献度,其中,因素指标与劣化贡献度存在一一对应关系;
第二确定模块,用于从所述多个指标所对应的劣化贡献度中确定出劣化贡献度超过第一阈值的目标劣化贡献度,并确定所述目标劣化贡献度对应的多个第一因素指标;
第三确定模块,用于根据目标因素指标和所述多个第一因素指标在两个相邻周期内的相对熵值确定所述指标发生劣化的根因因素指标,其中,所述目标因素指标通过目标对象确定。
11.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至9任一项中所述的方法。
12.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至9任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231541.6A CN117896276A (zh) | 2022-10-08 | 2022-10-08 | 根因因素指标的确定方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231541.6A CN117896276A (zh) | 2022-10-08 | 2022-10-08 | 根因因素指标的确定方法及装置、存储介质、电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117896276A true CN117896276A (zh) | 2024-04-16 |
Family
ID=90645402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211231541.6A Pending CN117896276A (zh) | 2022-10-08 | 2022-10-08 | 根因因素指标的确定方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117896276A (zh) |
-
2022
- 2022-10-08 CN CN202211231541.6A patent/CN117896276A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107888397B (zh) | 确定故障类型的方法和装置 | |
US8488460B2 (en) | Method and apparatus for evaluating services in communication networks | |
US9692671B2 (en) | Method and apparatus for automatically determining causes of service quality degradation | |
CA2470734A1 (en) | System for estimating network traffic characteristics of executable software applications | |
WO2013044974A1 (en) | A method, apparatus and communication network for root cause analysis | |
US20100145755A1 (en) | Arrangement and a related method for providing business assurance in communication networks | |
US9813174B2 (en) | Time correction method and apparatus for slave clock device | |
CN110493806B (zh) | 移动网络投诉溯源方法及装置 | |
CN102149110A (zh) | 一种终端性能评估方法及装置 | |
CN102668454B (zh) | 用于提供移动电信系统中的性能管理的方法和操作支持系统 | |
CA3126785A1 (en) | Method and system for managing mobile network congestion | |
CN111106969B (zh) | 物联网平台的自动化评估方法及系统、存储介质 | |
CN113360353B (zh) | 一种测试服务器和云平台 | |
CN109587520B (zh) | 一种定位视频业务故障的方法和设备 | |
CN117896276A (zh) | 根因因素指标的确定方法及装置、存储介质、电子装置 | |
WO2021147319A1 (zh) | 一种数据处理方法、装置、设备及介质 | |
CN110972185A (zh) | 数据传输方法及装置 | |
US20160360433A1 (en) | Technique for Counting Objects in a Telecommunications Network | |
CN114138771B (zh) | 异常数据的处理方法、装置及电子设备 | |
CN114827951A (zh) | 一种基于车辆终端的车辆网络质量分析方法、系统及存储介质 | |
US7743136B1 (en) | Frequency-table-based storage for network performance data | |
CN110647543A (zh) | 数据聚合方法、装置以及存储介质 | |
CN106330743B (zh) | 一种流量均衡度度量的方法及装置 | |
CN117395198B (zh) | 一种电力通信网络拥塞报警方法及系统 | |
WO2023041051A1 (zh) | 用户感知评估方法、装置、存储介质以及电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |