KR102455332B1 - 네트워크 장치의 상태를 결정하는 방법 및 장치 - Google Patents

네트워크 장치의 상태를 결정하는 방법 및 장치 Download PDF

Info

Publication number
KR102455332B1
KR102455332B1 KR1020207029573A KR20207029573A KR102455332B1 KR 102455332 B1 KR102455332 B1 KR 102455332B1 KR 1020207029573 A KR1020207029573 A KR 1020207029573A KR 20207029573 A KR20207029573 A KR 20207029573A KR 102455332 B1 KR102455332 B1 KR 102455332B1
Authority
KR
South Korea
Prior art keywords
network device
state
determining
feature vector
status
Prior art date
Application number
KR1020207029573A
Other languages
English (en)
Other versions
KR20200128144A (ko
Inventor
윈펑 가오
위밍 시에
신 샤오
량 장
Original Assignee
후아웨이 테크놀러지 컴퍼니 리미티드
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 후아웨이 테크놀러지 컴퍼니 리미티드 filed Critical 후아웨이 테크놀러지 컴퍼니 리미티드
Publication of KR20200128144A publication Critical patent/KR20200128144A/ko
Application granted granted Critical
Publication of KR102455332B1 publication Critical patent/KR102455332B1/ko

Links

Images

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
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04L41/064—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 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
    • H04L41/0681—Configuration of triggering conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring

Abstract

본 출원은 네트워크 장치의 상태를 결정하는 정확도가 상대적으로 낮은 종래 기술의 문제를 해결하기 위해 네트워크 장치의 상태를 결정하기 위한 방법 및 장치를 제공한다. 경고 분석 장치는 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(key performance indicator, KPI) 데이터를 획득하고, 복수의 특징 정보를 획득하고, 각각의 특징 정보에 기초하여 상기 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하고, 상기 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하며, 상기 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하여 네트워크 장치의 상태를 결정한다. 이 방식에서, 네트워크 장치의 상태는 한 번에 데이터만을 사용하지 않고 일정 기간 내에 복수의 목표 KPI 데이터를 분석함으로써 결정된다. 이는 네트워크 장치를 결정하는 정확도를 향상시켜 경고 누락을 감소시킨다.

Description

네트워크 장치의 상태를 결정하는 방법 및 장치
본 출원은 2018년 3월 22일 중국특허청에 출원되고 발명의 명칭이 "네트워크 장치의 상태를 결정하는 방법 및 장치"인 중국특허출원 No. 201810241478.1에 대한 우선권을 주장하는 바이며, 상기 문헌은 그 전문이 여기에 참조로 포함된다.
본 출원은 통신 기술 분야에 관한 것이며, 특히 네트워크 장치의 상태를 결정하는 방법 및 장치에 관한 것이다.
통신 기술의 지속적인 개발로 인해 네트워크 시스템의 복잡성이 증가하고 네트워크 장치의 신뢰성으로 인한 유지 관리 비용이 증가한다. 따라서, 장애 발생 후 네트워크 장치가 유지되므로 상대적으로 비용이 많이 드는 문제를 줄이기 위해 네트워크 장치의 잠재적인 장애 발생 시 경고를 제공할 수 있다. 다시 말해, 오류가 발생하려고 할 때 경고가 제공될 수 있다. 따라서 네트워크 장치의 상태를 모니터링하는 것이 중요하다.
현재, 기존 네트워크 시스템의 운영 및 유지 보수 과정에서 일반적으로 네트워크 장치의 서비스 성능 데이터에 대한 임계 값 경보 시스템이 설정되고, 다른 임계 값 범위를 설정하여 네트워크상의 장치 상태를 모니터링한다. 구체적으로, 네트워크 장치의 서비스 성능 데이터의 지표 값이 속하는 지정된 임계 범위에 대응하는 상태를 결정하여 네트워크 장치의 현재 상태를 결정한다.
그러나 실제로, 예를 들어 잠재적인 오류 상태에 있는 네트워크 장치가 작동 중일 때, 네트워크 장치는 현재 정상 작동 상태에 있을 수 있고 다른 순간에는 잠재적 오류 상태에 있을 수 있다. 따라서 전술한 방법에서 명백히 잠재적인 오류가 있는 네트워크 장치는 네트워크 장치가 정상 작동 상태에 있을 때 네트워크 장치가 정상이라고 판단할 수만 있다면 네트워크 장치에 잠재적인 오류가 있는 것을 확인할 수 없으며, 결과적으로 경고가 생략된다. 따라서 전술한 방법에서 네트워크 장치의 상태를 판단하는 정확도는 상대적으로 낮다.
본 출원은 네트워크 장치의 상태를 판단하는 정확도가 상대적으로 낮다는 종래의 문제점을 해결하기 위해 네트워크 장치의 상태를 판단하는 방법 및 장치를 제공한다.
제1 관점에 따라, 본 출원은 네트워크 장치의 상태를 결정하는 방법을 제공하며, 상기 방법은: 경고 분석 장치가 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심성과 지표(key performance indicator, CPI) 데이터를 획득하는 단계; 상기 경고 분석 장치가 복수의 특징 정보를 획득하는 단계; 상기 경고 분석 장치가 각각의 특징 정보에 기초하여 상기 복수의 목표 CPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하는 단계; 및 상기 경고 분석 장치가 상기 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하고, 상기 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하여 네트워크 장치의 상태를 결정하는 단계를 포함하며, 임의의 특징 정보는 특징 벡터에 있고 상기 특징 정보에 대응하는 요소의 계산 방식을 나타내는 데 사용된다.
전술한 방법에서 네트워크 장치의 상태는 한 번에 데이터만 사용하는 것이 아니라 일정 시간 내에 복수의 대상 CPI 데이터를 분석하여 결정된다. 이는 네트워크 장치를 결정하는 정확도를 향상시켜 경고 누락을 감소시킨다.
특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하기 전에, 경고 분석 장치는 경고 분석 모델을 생성해야 한다. 특정한 방법은 다음과 같을 수 있다: 경고 분석 장치는 네트워크 장치의 상이한 상태에 대응하는 특징 벡터 샘플을 획득하고, 네트워크 장치의 각각의 상태 및 네트워크 장치의 상태에 대응하는 특징 벡터 샘플에 대해 노지스틱 회귀 처리(logistic regression processing)를 수행하여 경고 분석 모델을 획득한다.
전술한 방법에 따르면, 경고 분석 장치가 경고 분석 모델에 기초해서 네트워크 장치의 상태를 추후 판단할 수 있도록 경고 분석 장치는 경고 분석 모델을 생성할 수 있다.
가능한 설계에서, 경고 분석 장치는 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하여 네트워크 장치의 상태를 결정한다. 특정한 방법은 다음과 같을 수 있다: 경고 분석 장치는 경고 분석 모델에 기초해서 특징 벡터를 분석하여 네트워크 장치의 각각의 상태에 대한 확률을 결정하고, 확률에 대응하는 상태의 미리 설정된 기준 값을 각각의 확률에 곱하여 복수의 곱셈 값(product)을 획득하며, 경고 분석 장치는 복수의 곱셈 값을 가산하여 상태 지시 값(status indication value)을 획득하는 단고, 상태 지시 값이 속하는 특정 지시 값 범위를 결정하고, 특정 지시 값 범위에 대응하는 상태를 네트워크 장치의 상태로 사용한다.
전술한 방법에 따르면, 경고 분석 장치는 네트워크 장치의 상태를 정확하게 판단하여 네트워크 장치의 상태에 기초하여 이후에 네트워크 장치를 유지할 수 있다.
가능한 설계에서, 경고 분석 장치가 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심성과 지표(CPI) 데이터를 획득한다. 특정한 방법은 다음과 같을 수 있다: 경고 분석 장치는 네트워크 관리 장치에 의해 지속적으로 전송되는 네트작업 장치의 CPI 데이터를 수신하고, 수신된 CPI 데이터로부터 미리 설정된 기간 내에 복수의 목표 KPI 데이터를 획득한다.
전술한 방법에 따르면, 경고 분석은 실제 요구 사항에 따라 미리 설정된 기간 내에 복수의 대상 CPI 데이터를 획득할 수 있으므로, 경고 분석 장치는 이후에 복수의 KPI 데이터에 기초해서 특징 벡터를 결정할 수 있다.
가능한 설계에서, 네트워크 장치는 파장 분할 다중화 장치(wavelength division multiplexing device), 라우터(router) 또는 패킷 전송 네트워크 장치(packet transport network device) 등이 될 수 있으나 이에 제한되지 않는다. 이 방법에서, 경고 분석 장치는 복수의 네트워크 장치의 상태를 결정하고 이에 상응해서 서로 다른 네트워크 장치를 유지할 수 있다.
가능한 설계에서, 네트워크 장치의 상태를 결정한 후, 경고 분석 장치는 결정된 네트워크 장치의 상태를 시각적 디스플레이 장치를 사용해서 사용자에게 표시할 수 있으므로 사용자는 네트워크 장치의 현재 상태를 정확하게 확인할 수 있고 이에 상응해서 네트워크 장치의 상태에 기초해서 유지할 수 있다.
제2 관점에 따르면, 본 출원은 경고 분석 장치를 더 제공하고, 여기서 경고 분석 장치는 전술한 방법 예에서 경고 분석 장치를 구현하는 기능을 갖는다. 기능은 하드웨어로 구현되거나 해당 소프트웨어를 실행하는 하드웨어로 구현될 수 있다. 하드웨어 또는 소프트웨어는 전술한 기능에 대응하는 하나 이상의 모듈을 포함한다.
가능한 설계에서, 경고 분석 장치의 구조는 획득 유닛 및 프로세싱 유닛을 포함한다. 이들 유닛은 전술한 방법 예에서 대응하는 기능을 수행할 수 있다. 자세한 내용은 방법 예제의 자세한 설명을 참조한다. 자세한 내용은 여기서 다시 설명하지 않는다.
가능한 설계에서, 경고 분석 장치의 구조는 메모리와 프로세서를 포함한다. 선택적으로, 경고 분석 장치는 통신 인터페이스를 더 포함한다. 통신 인터페이스는 네트워크 시스템의 다른 장치와 통신하고 상호 작용하도록 구성된다. 프로세서는 전술한 방법에서 해당 기능을 수행하기 위해 경고 분석 장치를 지원하도록 구성된다. 메모리는 프로세서에 연결되고 메모리는 경고 분석 장치에 필요한 프로그램 명령 및 데이터를 저장한다.
제3 관점에 따르면, 본 출원은 네트워크 시스템을 더 제공하며, 여기서 네트워크 시스템은 네트워크 장치 계층, 네트워크 관리 계층, 경고 분석 계층 및 시각적 표시 계층을 포함하고 구체적으로 전술한 설계에서 언급한 경고 분석 장치, 네트워크 장치, 네트워크 관리 장치 및 시각적 디스플레이 장치를 포함한다.
제4 관점에 따르면, 본 출원은 컴퓨터 저장 매체를 더 제공하고, 컴퓨터 저장 매체는 컴퓨터 실행 가능 명령을 저장하고, 컴퓨터 실행 가능 명령이 컴퓨터에 의해 호출될 때, 컴퓨터는 전술한 방법 중 어느 하나를 수행한다.
제5 관점에 따르면, 본 출원은 명령을 포함하는 컴퓨터 프로그램 제품을 더 제공한다. 컴퓨터 프로그램 제품이 컴퓨터에서 실행될 때 컴퓨터는 전술한 방법 중 하나를 수행할 수 있다.
제6 관점에 따르면, 본 출원은 칩을 더 제공한다. 칩은 메모리에 연결되고, 메모리에 저장된 프로그램 명령을 읽고 실행하여 전술한 방법 중 어느 하나를 구현하도록 구성된다.
도 1은 본 출원에 따른 네트워크 시스템의 개략적인 아키텍처 다이어그램이다.
도 2는 본 출원에 따라 네트워크 장치의 상태를 결정하기 위한 방법의 흐름도이다.
도 3은 본 출원에 따른 사전 보정 비트 오류율의 예외 점을 제거하는 개략도이다.
도 4는 본 출원에 따른 경고 분석 모델의 생성 프로세스의 개략도이다.
도 5는 본 출원에 따른 경고 분석 장치의 개략적인 구조도이다.
도 6은 본 출원에 따른 경고 분석 장치의 구조도이다.
다음은 첨부된 도면을 참조하여 본 출원을 상세히 설명한다.
본 출원의 실시예는 네트워크 장치의 상태 결정 정확도가 상대적으로 낮다는 종래의 문제를 해결하기 위해 네트워크 장치의 상태를 결정하는 방법 및 장치를 제공한다. 본 출원의 방법 및 장치는 동일한 발명 개념에 기초한다. 방법과 장치는 유사한 문제 해결 원리를 가지고 있다. 따라서, 장치 및 방법의 구현을 위해 상호 참조가 이루어질 수 있으며, 반복되는 부분에 대해서는 다시 설명하지 않는다.
이하에서, 당업자가 더 이해할 수 있도록 본 출원의 일부 용어가 설명된다.
(1) 네트워크 장치는 사용자에게 비즈니스 서비스를 제공하는 장치이다. 네트워크 장치는 정상 작동 상태, 저위험 상태, 고위험 상태 및 장애 상태와 같은 복수의 상태를 가질 수 있다. 저위험 상태와 고위험 상태는 각각 잠재적인 오류 상태로 간주될 수 있다. 네트워크 장치는 파장 분할 다중화 장치, 라우터, 패킷 전송 네트워크 장치 등일 수 있지만 이에 제한되지는 않는다.
(2) 경고 분석 장치는 네트워크 장치의 KPI 데이터를 분석하여 네트워크 장치의 상태를 판단하는 장치이다. 경고 분석 장치는 서버일 수도 있고, 복수의 서버를 포함하는 클러스터일 수도 있다.
(3) 네트워크 관리 장치는 네트워크 장치의 KPI 데이터를 수집하고 그 수집된 KPI 데이터를 경고 분석 장치로 전송하는 장치이다.
(4) KPI 데이터는 네트워크 장치의 서비스 성능을 나타내는 데 사용되는 데이터이며, 다른 네트워크 장치는 다른 KPI 데이터를 갖는다.
(5) 본 출원의 실시예들에서 관련된 "복수"는 둘 이상을 의미한다.
이하에서는 본 출원의 실시예의 기술적 솔루션을 보다 명확하게 설명하기 위해, 첨부된 도면을 참조하여 본 출원의 실시예에서 제공하는 네트워크 장치의 상태를 결정하는 방법 및 장치를 상세히 설명한다.
도 1은 본 출원의 일 실시예에 따라 네트워크 장치의 상태를 결정하는 방법이 적용될 수 있는 가능한 네트워크 시스템의 아키텍처를 나타낸다. 네트워크 시스템의 아키텍처에는 네트워크 장치 계층, 네트워크 관리 계층, 경고 분석 계층 및 시각적 디스플레이 계층이 포함된다.
네트워크 장치 계층은 사용자에게 상이한 비즈니스 서비스를 제공하는 복수의 네트워크 장치를 포함한다. 예를 들어, 네트워크 장치 계층은 파장 분할 다중화 장치, 라우터 또는 패킷 전송 네트워크 장치와 같은 네트워크 장치를 포함할 수 있다.
네트워크 관리 계층은 네트워크 장치 계층에서 임의의 네트워크 장치의 KPI 데이터를 수집하고 그 수집된 KPI 데이터를 경고 분석 계층으로 전송하도록 구성된 복수의 네트워크 관리 장치를 포함한다. 경고 분석 계층은 KPI 데이터를 분석하여 네트워크 장치의 상태를 확인한다. 네트워크 관리 계층은 표준 공통 객체 요청 브로커 아키텍처(common object request broker architecture, CORBA) 노스 바운드 인터페이스를 사용하여 네트워크 장치 계층으로부터 네트워크 장치의 KPI 데이터를 수집할 수 있다. 그런 다음, 네트워크 관리 계층은 파일 전송 프로토콜(file transper protocol, FTP)을 사용하여 네트워크 장치의 수집된 KPI 데이터를 경고 분석 계층으로 보낼 수 있다.
경고 분석 계층은 경고 분석 장치를 포함하고, 경고 분석 장치는 하나의 서버 또는 복수의 서버를 포함하는 클러스터일 수 있다. 경고 분석 계층의 경고 분석 장치는 네트워크 관리 계층에서 전송된 KPI 데이터를 분석하여 해당 네트워크 장치의 상태를 파악하고, 결정된 네트워크 장치의 상태를 시각적 디스플레이 계층을 이용하여 사용자에게 표시한다.
시각적 디스플레이 계층은 인간-컴퓨터 상호 작용을 구현하도록 구성된다. 시각적 디스플레이 계층은 적어도 하나의 시각적 디스플레이 장치를 포함한다. 사용자는 시각적 디스플레이 계층에서 적어도 하나의 시각적 디스플레이 장치에 의해 표시된 임의의 네트워크 장치의 상태, 네트워크 장치의 서비스 신뢰도를 식별하고, 네트워크 장치의 서로 다른 상태에 기초하여 상응하게 유지할 수 있다. 예를 들어, 네트워크 장치가 잠재적인 장애 상태에 있다고 판단되면, 사용자는 네트워크 장치의 장애로 인한 서비스 중단을 피하기 위해 해당 네트워크 장치를 미리 유지할 수 있다. 이것은 사용자의 서비스 경험을 향상시킬 수 있다.
본 출원의 실시예에서 제공되는 네트워크 장치의 상태를 결정하는 방법은 도 1에 도시된 네트워크 시스템에 적용될 수 있다. 도 2를 참조하면, 방법의 구체적인 절차는 다음 단계를 포함한다.
단계 201: 경고 분석 장치는 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 KPI 데이터를 획득한다.
선택적 구현에서, 경고 분석 장치가 단계 201을 수행할 때 특정 방법은 다음과 같을 수 있다: 경고 분석 장치는 네트워크 관리 장치에 의해 지속적으로 전송되는 네트워크 장치의 KPI 데이터를 수신하고, 이것은 도 2의 단계 200에 도시되어 있다. 그런 다음, 경고 분석 장치는 수신된 KPI 데이터로부터 미리 설정된 기간 내에 복수의 KPI 데이터를 획득한다. 구체적으로, 미리 설정된 기간은 경고 분석 장치가 매번 KPI 데이터를 수신하기 전의 미리 설정된 기간일 수 있다.
특정 구현 시, 네트워크 장치의 유형이 여러 개이므로 서로 다른 네트워크 장치는 서로 다른 KPI 데이터를 가지며, 네트워크 장치는 파장 분할 다중화 장치, 라우터, 패킷 전송 네트워크 장치 등이 될 수 있다.
예를 들어, 네트워크 장치가 파장 분할 다중화 장치인 경우, 파장 분할 다중화 장치의 KPI 데이터는 사전 보정 비트 오류율(pre-correction bit error rate) 및 사후 보정 비트 오류율(post-correction bit error rate)일 수 있다. 비트 오류율은 전송 시 총 비트 수에 대한 비트 오류가 발생하는 비트 수의 비율을 의미한다. 선택적으로, 비트 오류율은 사전 보정 비트 오류율 또는 사후 보정 비트 오류율일 수 있다.
순방향 오류 수정(forward error correction, FEC) 알고리즘은 오류 비트의 양을 감지하고 일부 오류를 수정할 수 있다. 따라서 FEC 알고리즘을 사용하기 전의 비트 오류율은 사전 보정 비트 오류율이고, FEC 알고리즘을 사용한 후 얻은 비트 오류율은 사후 보정 비트 오류율이다.
구체적으로, 비트 에러율은 정수 비트 에러 파라미터로 표현될 수 있다. 예를 들어 비트 오류 매개 변수가 6이면 비트 오류율이 10의 -6 제곱임을 나타낸다. 비트 오류율이 0이면 비트 오류가 발생하지 않음을 나타낸다. 후속 분석을 위해 비트 오류율이 0일 때 비트 오류율은 비트 오류 매개 변수 13을 사용하여 표현할 수 있다. 즉, 비트 오류율이 10의 -13 제곱임을 나타낸다. 비트 오류율은 0에 가깝다. 다른 네트워크 장치의 KPI 데이터는 여기에 하나씩 나열되지 않는다.
단계 202: 경고 분석 장치는 복수의 특징 정보를 획득하고, 여기서 특징 정보의 임의의 부분은 특징 벡터에 있고 특징 정보에 대응하는 요소의 계산 방식을 나타내기 위해 사용된다.
구체적으로, 경고 분석 장치는 네트워크 장치에 대해 네트워크 장치의 상태를 분석하는 데 필요한 특징 벡터의 각 요소에 대응하는 특징 정보를 미리 설정한다. 따라서, 복수의 목표 KPI 데이터를 획득한 후, 경고 분석 장치는 복수의 특징 정보를 획득할 수 있으므로, 경고 분석 장치는 후속 단계 203을 정확하게 수행할 수 있다.
네트워크 장치가 파장 분할 다중화 장치인 예가 여전히 설명을 위해 사용되고 있으며, 경고 분석 장치에 의해 파장 분할 다중화 장치에 대해 미리 설정된 특징 벡터는 연속적으로 서비스 중단 횟수(quantity of service interruptions), KPI 추세 악화의 최악 값(worst value of KPI trend deterioration), 변동 값의 최악 값(worst value of fluctuation values), 변동 값의 평균값(average value of fluctuation values), 임계 거리의 최악 값(worst value of a threshold distance) 및 임계 거리의 평균값(average value of the threshold distance)을 연속적으로 포함한다. 서비스 중단 횟수, KPI 추세 악화의 최악 값, 변동 값의 최악 값, 변동 값의 평균값, 임계 거리의 최악 값 및 임계 거리의 평균값은 복수의 특징 정보로 간주될 수 있다. 이 방식에서, 빅 데이터 기술을 이용하여 KPI 데이터를 분석하여 각각의 특징 정보를 기반으로 해당 요소를 획득하고, 마지막으로 6개의 요소를 포함하는 특징 벡터를 형성한다.
예를 들어, 각각의 특징 정보에 의해 표현될 수 있는 대응하는 요소의 계산 방식은 구체적으로 다음과 같을 수 있다: 경고 분석 장치는 파장 분할 다중화 장치의 목표 KPI 데이터의 개수에 기초해서 미리 설정된 기간 내에 파장 분할 다중 장치의 각각의 수집 지점에 결함이 있는지를 판단하고, 미리 설정된 기간 내의 서비스 중단 횟수를 계산하고, 서비스 중단 횟수는 양의 정수일 수 있으며, 복수의 사전 보정 비트 오류율에 기초해서 미리 설정된 기간 내에 파장 분할 다중화 장치의 각각의 수집 지점의 변동 값, KPI 추세 값 및 임계 거리를 계산하고, 변동 값에 기초하여 미리 설정된 기간 내의 변동 값의 최악 값 및 변동 값의 평균값을 계산하고, 임계 거리를 기초해서 미리 설정된 기간 내의 임계 거리의 최악 값 및 임계 거리의 평균값을 계산하며, 4개의 특성 값은 [0, 100]에서 양의 실수일 수 있으며, KPI 추세 값에 기초해서 미리 설정된 기간 내의 KPI 추세 값의 최악 값을 계산한다. 다시 말해, KPI 추세 악화의 최악 값을 얻고, KPI 추세 악화의 최악 값은 임의의 실수일 수 있다.
각각의 특징 정보에 의해 표현되는 계산 방식의 미리 설정된 기간은 동일하거나, 즉 미리 설정된 기간일 수 있거나 다른 기간일 수 있으며, 구체적으로 미리 설정된 기간의 일부일 수 있다. 예를 들어, 복수의 목표 KPI를 획득하기 위한 미리 설정된 기간은 30일일 수 있고, 서비스 중단 횟수와 관련된 미리 설정된 기간은 30일일 수 있고, 변동 값의 최악 값, 변동 값의 평균값, 임계 거리의 최악 값 및 임계 거리의 평균값과 관련된 미리 설정된 기간은 하루일 수 있으며, KPI 추세 악화의 최악 값과 관련된 미리 설정된 기간은 7일일 수 있다. 하루 및 7일은 미리 설정된 30일 기간의 일부이다.
단계 203: 경고 분석 장치는 각각의 특징 정보에 기초하여 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성한다.
선택적 구현에서, 경고 분석 장치는 각각의 특징 정보에 대응하는 요소를 생성하기 위해 각각의 특징 정보에 기초하여 복수의 목표 KPI 데이터를 처리한다. 구체적으로, 요소는 각각의 특징 정보가 나타내는 특징 정보에 대응하는 요소의 계산 방식에 기초하여 획득될 수 있다.
예를 들어, 네트워크 장치가 파장 분할 다중화 장치인 예는 여전히 설명을 위해 사용된다. 단계 202의 설명을 참조하여, 계산을 통해 각각의 요소를 얻는 과정을 구체적으로 설명하면 다음과 같다:
A. 서비스 중단 횟수:
먼저, 경고 분석 장치는 사후 보정 비트 오류율(aft로 표시)을 이용하여 파장 분할 다중화 장치가 결함이 있는지를 판단한다. 오류는 f로 표시되며 f의 계산 방법은 다음 공식 1과 같이 나타낼 수 있다.
Figure 112020108860021-pct00001
공식 1
aft가 13이고(즉, 사후 보정 비트 오류율이 0이고) f가 1이면 파장 분할 다중화 장치에 결함이 있음을 나타낸다. 다시 말해, 서비스가 중단된다. aft가 13이 아니고 f가 0이면 파장 분할 다중화 장치에 결함이 없음을 나타낸다. 다시 말해, 서비스가 중단되지 않는다. 구체적으로, 공식 2에서 설명한 13은 사후 보정 비트 오류율이 0일 때 비트 오류 매개 변수가 13임을 나타낸다.
그런 다음, 경고 분석 장치는 미리 설정된 기간(30일일 수 있다) 내의 파장 분할 다중화 장치의 서비스 중단 횟수를 계산하고 서비스 중단 횟수를 결함으로 기록한다. 결함을 계산하는 방법은 다음 공식 2와 같다:
Figure 112020108860021-pct00002
공식 2
B. 변동 값의 최악 값 및 변동 값의 평균값:
구체적으로, 경고 분석 장치는 먼저 파장 분할 다중화 장치의 복수의 사전 보정 비트 오류율 중 비정상 값 및 노이즈 부분을 처리하고, 제1 사전 설정 기간(30일일 수 있다) 내에서 복수의 사전 보정 비트 오류율의 안정된 값을 계산하고, 사전 보정 비트 오류율과 현재 순간의 안정된 값 사이의 거리를 실시간으로 계산하고, 거리에 기초하여 변동 값을 결정하고, 마지막으로 제2 사전 설정 기간(하루일 수 있다) 내 각각의 지점의 변동 값의 최악 값과 변동 값의 평균값을 계산한다. 특정 계산 프로세스는 다음과 같을 수 있다:
구체적으로, 경고 분석 장치는 3-시그마(sigma,
Figure 112020108860021-pct00003
) 규칙을 사용하여 복수의 사전 보정 비트 오류율의 데이터의 예외 지점을 제거할 수 있다.
도 3에 도시된 바와 같이,
Figure 112020108860021-pct00004
를 제외한 사전 보정 비트 오류율의 데이터는 예외 점이다.
Figure 112020108860021-pct00005
는 사전 보정 비트 오류율의 예상 값이다. 또한, 경고 분석 장치는 성능 평가 프로세스 대수(performance evaluation process algebra, FEPA) 알고리즘 분석 방법을 이용하여 복수의 사전 보정 비트 오류율의 노이즈를 제거할 수 있으며, 경고 분석 장치는 예외 점 이후에 획득된 복수의 사전 보정 비트 오류율의 평균값을 계산하고, 노이즈는 미리 설정된 기간 내에 제거되어 안정적인 값을 얻는다. 그런 다음, 경고 분석 장치는 사전 보정 비트 오류율과 각 샘플링 지점의 안정된 값의 차이에 기초하여 각각의 샘플링 지점의 변동 값 dev을 계산한다. 구체적으로 다음 공식 3을 사용할 수 있다:
Figure 112020108860021-pct00006
공식 3
공식 3에서 x는 각각의 샘플링 지점의 사전 보정 비트 에러율이며
Figure 112020108860021-pct00007
는 안정된 값이다. 마지막으로, 획득한 각각의 지점의 변동 값에 기초하여 미리 설정된 기간의 변동 값의 최악 값 dev_min과 변동 값의 평균값 dev_avg를 계산한다. 구체적으로 하기 공식 4 및 공식 5를 각각 사용할 수 있다:
Figure 112020108860021-pct00008
공식 4
Figure 112020108860021-pct00009
공식 5
공식 4 및 공식 5에서 n은 미리 설정된 기간 내의 사전 보정 비트 오류율의 샘플 수량이다.
C. 임계 거리의 최악 값 및 임계 거리의 평균값:
구체적으로, 경고 분석 장치는 파장 분할 다중화 장치에서 지원할 수 있는 사전 보정 비트 오류율 임계 값을 구성한다. 사전 보정 비트 오류율이 파장 분할 다중화 장치의 하드웨어 특성 임계 값보다 큰 경우, 하드웨어 특성 임계 값에 더 가까운 사전 보정 비트 오류율은 파장 분할 다중화 장치의 신뢰도가 낮음을 나타낸다. 이 경우 파장 분할 다중화 장치의 임계 거리 S는 다음 공식 6과 같다. 사전 보정 비트 오류율이 하드웨어 특성 임계 값보다 낮을 때 장치의 임계 거리는 공식 6에 나타난 바와 같이 0이다:
Figure 112020108860021-pct00010
공식 6
공식 6에서, x는 사전 보정 비트 오류율이고,
Figure 112020108860021-pct00011
는 사전 설정된 기간 내의 사전 보정 비트 오류율의 최대 값이며, v는 하드웨어 특성 임계 값이다.
그런 다음, 경고 분석 장치는 다음의 공식 7과 공식 8을 이용하여 임계 거리의 최악 값 S_min과 미리 설정된 기간 내 임계 거리의 평균값 S_avg를 계산한다:
Figure 112020108860021-pct00012
공식 7
Figure 112020108860021-pct00013
공식 8
공식 8 및 공식 9에서 m은 미리 설정된 기간 내의 사전 보정 비트 오류율의 샘플 수량이다.
D. KPI 추세 악화의 최악 값:
구체적으로, 경고 분석 장치는 미리 설정된 기간(7일일 수 있다) 내의 KPI 데이터에 대해 지수 가중 이동 평균(exponentially weighted moving average, EWMA) 처리를 수행한 다음 선형 피팅 처리(linear fitting processing)를 수행하여 KPI 추세 악화의 최악 값을 구한다. 최악 값은 기울기로 표시된다.
전술한 방법에 따르면, 특징 벡터를 획득하기 위해 각각의 특징 정보에 대응하는 요소를 획득할 수 있다.
단계 204: 경고 분석 장치는 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하고, 미리 설정된 경고 분석 모델에 기초하여 특징 벡터를 분석하여 네트워크 장치의 상태를 결정한다.
구체적으로, 단계 203을 사용하여 특징 벡터를 구성하는 복수의 요소를 획득할 수 있으며, 경고 분석은 복수의 요소를 사용하여 직접 특징 벡터를 형성할 수 있다. 예를 들어, 네트워크 장치가 파장 분할 다중화 장치인 예가 사용된다. 경고 분석 장치는 파장 분할 다중화 장치와 관련된 복수의 특징 정보에 대응하면서 단계 203의 전술한 예에서 획득되는 요소 결함, 기울기, dev_avg, dev_min, S_avg, S_min을 사용하여 특징 벡터 T={fault, slope, dev_avg, dev_min, S_avg, S_min}을 형성할 수 있다. 또한, 경고 분석 장치는 미리 설정된 경고 분석 모델에 기초해서 특징 벡터를 분석하여 파장 분할 다중화 장치의 상태를 결정할 수 있다.
선택적 구현에서, 미리 설정된 경고 분석 모델에 기초하여 특징 벡터를 분석하기 전에, 경고 분석 장치는 추가로 경고 분석 모델을 생성할 필요가 있다. 구체적으로, 경고 분석 장치가 경고 분석 모델을 생성하는 과정은 다음과 같다: 경고 분석 장치는 네트워크 장치의 서로 다른 상태에 대응하는 특징 벡터 샘플을 획득하고, 각각의 상태 및 그 상태에 대응하는 특징 벡터 샘플에 대해 로지스틱 회귀 처리를 수행하여 경고 분석 모델을 획득한다.
구체적으로, 네트워크 장치의 상태는 정상 작동 상태(건강 상태라고도 할 수 있다), 저위험 상태, 고위험 상태 및 장애 상태를 포함할 수 있다. 예를 들어 파장 분할 다중화 장치가 예로 사용된다. 경험적 가치를 바탕으로 다음을 알 수 있다:
파장 분할 다중화 장치가 정상 작동 상태에 있는 경우 해당 특성 벡터에서 미리 설정된 기간 내에 오류가 발생한다. 변동 값의 최악 값, 변동 값의 평균값, 임계 거리의 최악 값 및 임계 거리의 평균값은 90보다 크고, KPI 추세 악화의 최악 값은 0보다 크다. 이 경우 정상 작동 상태에 대응하는 특징 벡터는 {0, 0.1, 100, 100, 100, 100}일 수 있다.
파장 분할 다중화 장치가 저위험 상태인 경우, 파장 분할 다중화 장치가 정상 작동 상태일 때 해당 특징 벡터의 값은 특징 벡터의 값보다 약간 나빠진다. 예를 들어, 오류가 발생하지 않거나 미리 설정된 기간 내에 하나의 오류만이 발생한다. 변동 값의 최악 값, 변동 값의 평균값, 임계 거리의 최악 값 및 임계 거리의 평균값은 모두 90보다 작지만 변동 값의 평균값과 임계 값의 평균값은 70보다 크고 KPI 추세 저하의 최악 값은 음수가 아니다. 이 경우 저위험 상태에 대응하는 특징 벡터는 {0, 0.02, 81.52, 71.89, 83.46, 71}일 수 있다.
파장 분할 다중화 장치가 고위험 상태인 경우, 파장 분할 다중화 장치가 저 위험 상태일 때 해당 특징 벡터의 값이 특징 벡터의 값보다 약간 나빠진다. 예를 들어, 미리 설정된 기간 내에 결함이 발생한 횟수가 2회 이상이다. 변동 값의 평균값과 임계 거리 값의 평균값이 70보다 작고 KPI 추세 악화의 최악 값이 0보다 작다. 이 경우 고위험 상태에 대응하는 특징 벡터는 {5, -4.91, 66.1, 0, 24.43, 0}일 수 있다.
파장 분할 다중화 장치가 결함 상태에 있을 때, 해당 특징 벡터에서 미리 설정된 기간 내에 결함이 발생하는 횟수는 5보다 크다. 변동 값의 최악 값과 평균값 변동 값은 40보다 작고, 임계 거리의 최악 값과 임계 거리의 평균값은 0이며, KPI 추세 악화의 최악 값은 0보다 작다. 이 경우 결함 상태에 대응하는 특징 벡터는 {8, -2.64, 28.01, 27.06, 0, 0}일 수 있다.
전술한 서로 다른 알려진 상태에 대응하는 특징 벡터를 기반으로 각각의 상태에 대응하는 특징 벡터 샘플을 학습할 수 있다. 경고 분석 장치는 로지스틱 회귀 알고리즘을 기반으로 각각의 상태 및 상태에 대응하는 특징 벡터 샘플에 대한 모델 학습을 수행하여 경고 분석 모델을 생성한다. 구체적으로, 경고 분석 모델의 입력은 네트워크 장치의 특징 벡터이고, 출력 결과는 입력된 특징 벡터를 기반으로 결정된 네트워크 장치의 각각의 상태에 대한 확률이다. 다시 말해, 복수의 확률을 획득하여 복수의 확률에 기초하여 네트워크 장치의 상태를 결정할 수 있다. 예를 들어, 파장 분할 다중화 장치에 대응하는 경고 분석 모델을 생성하는 과정은 도 4에 도시될 수 있다.
가능한 구현에서, 경고 분석 장치는 미리 설정된 경고 분석 모델에 기초하여 특징 벡터를 분석하여 네트워크 장치의 상태를 결정한다. 구체적인 방법은 다음과 같다: 경고 분석 장치는 경고 분석 모델에 기초해서 특징 벡터를 분석하여 네트워크 장치의 각각의 상태에 대한 확률을 결정하고, 각각의 확률을 그 확률에 대응하는 상태의 미리 설정된 기준 값을 곱하여 복수의 곱셈 값을 획득하고; 복수의 곱셈 값을 가산하여 상태 지시 값을 획득하고; 경고 분석 장치는 상태 지시 값이 속하는 특정 지시 값 범위를 결정하고, 특정 지시 값 범위에 대응하는 상태를 네트워크 장치의 상태로 사용한다.
예를 들어, 경고 분석 장치는 미리 설정된 경고 분석 모델을 이용하여 결정된 특징 벡터를 분석하여 복수의 확률 {g1, g2, g3, g4}를 획득하고, g1은 네트워크 장치가 결함 상태에 있을 확률이고, g2는 네트워크 장치가 고위험 상태일 확률이고, g3는 네트워크 장치가 저위험 상태일 확률이며, g4는 네트워크 장치가 정상 작동 상태일 확률이다. 각각의 상태는 하나의 기준 값에 대응하고, 4가지 상태에 대응하는 기준 값은 각각 h1, h2, h3, h4로 표시될 수 있다. 각각의 기준 값은 하나의 값 범위에 해당한다. 예를 들어, h1은 [9, 10]에 대응하고, h2는 [6.5, 7.5]에 대응하고, h3은 [2.5, 3.5]에 대응하고, h4는 [0, 0.5]에 대응한다. 네트워크 장치의 상태를 결정하는 과정에서 모든 상태에 대응하는 미리 설정된 기준 값은 10, 7, 3, 0이고, 그런 다음 네트워크 장치의 상태에 대응하고 특징 벡터를 분석하여 획득되는 확률 g1, g2, g3, g4를 참조하여 다음 공식 9를 사용하여 상태 지시 값 Z를 얻을 수 있다:
Figure 112020108860021-pct00014
공식 9
또한 상태 지시 값의 범위는 다르고 대응하는 상태도 다르다. 상태 지시 값은 [0, 10]일 수 있다. 제1 중간 값 및 제2 중간 값은 상태 지시 값을 3개의 범위로 분할하도록 구성되며, 구체적으로 [0, 제1 중간 값), [제1 중간 값, 제2 중간 값], 및(제2 중간 값, 10])으로 분할하며, 지정된 3개의 지시 값 범위는 각각 다른 상태에 대응한다. 선택적으로 제1 중간 값은 [6.8, 7.2]로 설정하고 제2 중간 값은 [8, 9]로 설정할 수 있다. 이러한 방식으로 네트워크 장치의 결정된 상태가 더 정확할 수 있다.
예를 들어, 공식 10에 나타난 바와 같이 Z를 구한 후, Z가 [0, 제1 중간 값)에 속할 때, 이것은 네트워크 장치가 정상 작동 상태인 것으로 결정되고, Z가 제1 중간 값, 제2 중간 값]에 속할 때, 네트워크 장치는 잠재적인 결함 상태(고위험 상태 및 낮은 위험 상태 포함)에 있는 것이고, Z가(제2 중간 값, 10]에 속할 때, 네트워크 장치 오류 상태에 있다.
Figure 112020108860021-pct00015
공식 10
이 방식에서, 경고 장치는 전술한 방법을 사용하여 상태 지시 값이 속하는 특정 지시 값 범위를 결정하고, 특정 지시 값 범위에 대응하는 상태를 추가로 결정하여 네트워크 장치의 상태를 결정할 수 있다.
가능한 구현에서, 네트워크 장치의 상태를 결정한 후, 도 2의 단계 205에 도시된 바와 같이, 경고 분석 장치는 시각적 표시 장치를 사용하여 네트워크 장치의 결정된 상태를 사용자에게 표시하므로 사용자는 네트워크 장치의 현재 상태를 정확하게 파악할 수 있고 그에 따라 네트워크 장치의 상태에 따라 네트워크 장치를 유지할 수 있다.
선택적 구현에서, 경고 분석 장치는 네트워크 장치의 최종 결정된 상태가 실제 요구 사항을 기반으로 사용자가 긴급하게 알아야 하는 상태인지를 판단하고, 사용자가 주의를 기울여야 하는 상태만을 사용자에게 표시한다. 예를 들어 사용자는 네트워크 장치가 잠재적인 오류 상태인지에 주의를 기울인다. 본 출원의 이 실시예에서 제공되는 방법을 사용하여 네트워크 장치의 상태를 결정한 후, 경고 분석 장치는 네트워크 장치가 잠재적인 오류 상태에 있는지를 추가로 결정한다. 네트워크 장치가 잠재적인 오류 상태에 있다고 판단되면 경고 분석 장치는 네트워크 장치의 상태를 사용자에게 표시한다. 이 방식에서, 사용자는 네트워크 장치의 결함으로 인한 서비스 중단을 방지하기 위해 네트워크 장치에 결함이 발생하기 전에 네트워크 장치를 미리 유지할 수 있다. 이것은 사용자의 서비스 경험을 향상시킬 수 있다.
본 출원의 이 실시예에서 제공되는 네트워크 장치의 상태를 결정하는 방법에 따르면, 경고 분석 장치는 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(KPI) 데이터를 획득하고, 복수의 특징 정보를 획득하고, 각각의 특징 정보에 기초하여 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하고, 복수의 요소에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하며, 미리 설정된 경고 분석 모델에 기초해서 특징 벡터를 분석하여 네트워크 장치의 상태를 결정한다. 이와 같이 네트워크 장치의 상태는 한 번에 데이터만 사용하지 않고 일정 시간 내에 복수의 대상 KPI 데이터를 분석하여 결정된다. 이는 네트워크 장치를 결정하는 정확도를 향상시켜 경고 누락을 감소시킨다.
전술한 실시예에 기초하여, 본 출원의 실시예는 경고 분석 장치를 더 제공한다. 경고 분석 장치는 도 1에 도시된 네트워크 시스템에서 경고 분석 장치에 적용되고, 도 2에 도시된 네트워크 장치의 상태를 결정하는 방법을 구현하도록 구성된다. 도 5를 참조하면, 경고 분석 장치(500)는 획득 유닛(501) 및 프로세싱 유닛(502)을 포함한다.
획득 유닛(501)은 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(KPI) 데이터를 획득하고, 복수의 특징 정보를 획득하도록 구성되며, 여기서 임의의 특징 정보는 특징 벡터에 있고 특징 정보에 대응하는 요소의 계산 방식을 나타내기 위해 사용된다.
프로세싱 유닛(502)은 각각의 특징 정보에 기초하여 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하고, 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하며, 미리 설정된 경고 분석 모델에 기초해서 특징 벡터를 분석하여 네트워크 장치의 상태를 결정한다.
가능한 구현에서, 미리 설정된 경고 분석 모델에 기초하여 특징 벡터를 분석할 때, 네트워크 장치의 상태를 결정하기 위해, 프로세싱 유닛(502)은 구체적으로: 경고 분석 모델에 기초하여 특징 벡터를 분석하고, 네트워크 장치의 각각의 상태의 확률을 결정하고; 각각의 확률에 그 확률에 대응하는 상태의 미리 설정된 기준 값을 곱하여 복수의 곱셈 값을 획득하고; 복수의 곱셈 값을 가산하여 상태 지시 값을 획득하고; 상태 지시 값이 속하는 특정 지시 값 범위를 결정하고; 특정 지시 값 범위에 대응하는 상태를 네트워크 장치의 상태로 사용하도록 구성된다.
선택적 구현에서, 획득 유닛(501)은 네트워크 장치의 상이한 네트워크 장치 상태에 대응하는 특징 벡터 샘플을 획득하도록 추가로 구성된다. 미리 설정된 경고 분석 모델에 기초하여 특징 벡터를 분석하기 전에, 프로세서(502)는 추가로 경고 분석 모델을 생성하도록 구성된다. 네트워크 장치의 서로 다른 네트워크 장치 상태에 대응하는 특징 벡터 샘플을 획득한 후, 획득 유닛(501)은 각각의 네트워크 장치 상태에 대한 로지스틱 회귀 처리 및 네트워크 장치 상태에 대응하는 특징 벡터 샘플을 수행하여 경고 분석 모델을 획득한다.
선택적 구현에서, 경고 분석 장치(500)는 네트워크 장치에 속하고 네트워크 관리 장치에 의해 지속적으로 전송되는 KPI 데이터를 수신하도록 구성된 수신 유닛을 더 포함한다. 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 KPI 데이터를 획득할 때, 획득 유닛(501)은 특히 수신 유닛에 의해 수신된 KPI 데이터로부터 미리 설정된 기간 내의 복수의 목표 KPI 데이터를 획득하도록 구성된다.
선택적인 구현에서, 네트워크 장치는 파장 분할 다중화 장치, 라우터, 패킷 전송 네트워크 장치 등일 수 있다.
본 출원의 본 실시예에서 제공되는 경고 분석 장치가 사용되며, 경고 분석 장치는 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(KPI) 데이터를 획득하고, 복수의 특징 정보를 획득하고, 각각의 특징 정보에 기초하여 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하고, 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하고, 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하여 네트워크 장치의 상태를 확인한다. 이와 같이 네트워크 장치의 상태는 한 번에 데이터만 사용하지 않고 일정 시간 내에 복수의 대상 KPI 데이터를 분석하여 결정된다. 이는 네트워크 장치를 결정하는 정확도를 향상시켜 경고 누락시킨다.
본 출원의 이 실시예에서, 단위 분할은 단지 예일 뿐이며, 논리 기능 분할 일 뿐이라는 점에 유의해야 한다. 실제 구현에서는 다른 분할 방식이 사용될 수 있다. 본 출원의 실시예에서 기능 유닛은 하나의 프로세싱 유닛으로 통합될 수 있거나, 각각의 유닛은 물리적으로 단독으로 존재할 수 있거나, 둘 이상의 유닛이 하나의 유닛으로 통합될 수 있다. 통합 유닛은 하드웨어의 형태로 구현될 수 있거나 소프트웨어 기능 유닛의 형태로 구현될 수 있다.
통합 유닛이 소프트웨어 기능 유닛의 형태로 구현되어 독립적인 제품으로 판매 또는 사용되는 경우, 통합 유닛은 컴퓨터 판독 가능한 저장 매체에 저장될 수 있다. 이러한 이해를 바탕으로 본 출원의 본질적인 기술적 솔루션, 또는 선행 기술에 기여하는 부분, 또는 기술적 솔루션의 전부 또는 일부는 소프트웨어 제품의 형태로 구현될 수 있다. 소프트웨어 제품은 저장 매체에 저장되며 컴퓨터 장치(개인용 컴퓨터, 서버 또는 네트워크 장치일 수 있다) 또는 프로세서(processor)가 본 출원의 실시예에서 설명된 방법의 단계의 전부 또는 일부를 수행하도록 지시하는 여러 명령을 포함한다. 전술한 저장 매체는: USB 플래시 드라이브, 이동식 하드 디스크, 읽기 전용 메모리(read-only memory, ROM), 랜덤 액세스 메모리(random access memory, RAM), 자기 디스크 또는 광디스크와 같은 프로그램 코드를 저장할 수 있는 모든 매체가 포함된다.
전술한 실시예에 기초하여, 본 출원의 실시예는 경고 분석 장치를 더 제공한다. 경고 분석 장치는 도 1에 도시된 네트워크 시스템에서 경고 분석 장치에 적용된다. 도 2에 도시된 네트워크 장치의 상태를 결정하는 방법을 구현하도록 구성된다. 도 6을 참조하면, 경고 분석 장치(600)는 프로세서(602) 및 메모리(603)를 포함한다.
프로세서(602)는 중앙 처리 장치(central processing unit, CPU), 네트워크 프로세서(network processor, NP) 또는 CPU와 NP의 조합일 수 있다. 프로세서(602)는 하드웨어 칩을 더 포함할 수 있다. 전술한 하드웨어 칩은 애플리케이션 특정 집적 회로(application-specific integrated circuit, ASIC), 프로그램 가능 논리 장치(programmable logic device, PLD) 또는 이들의 조합일 수 있다. PLD는 복합 프로그램 가능 논리 장치(complex programmable logic device, CPLD), 필드 프로그램 가능 게이트 어레이(field programmable gate array, FPGA), 일반 어레이 논리(generic array logic, GAL) 또는 이들의 임의의 조합일 수 있다.
프로세서(602)와 메모리(603)는 서로 연결된다. 선택적으로, 프로세서(602)와 메모리(603)는 버스(604)를 사용하여 서로 연결된다. 버스(604)는 주변 부품 상호 연결(Peripheral Component Interconnect, PCI) 버스, 확장 산업 표준 아키텍처(Extended Industry Standard Architecture, EISA) 버스 등일 수 있다. 버스는 어드레스 버스, 데이터 버스, 제어 버스 등으로 분류될 수 있다. 표현의 용이성을 위해, 도 6에서 버스를 표현하기 위해 단지 하나의 굵은 선이 사용된다. 그러나 이것은 버스가 하나만 있거나 버스 유형이 하나만 있음을 의미하지는 않는다.
경고 분석 장치(600)가 도 2에 도시된 네트워크 장치의 상태를 결정하는 방법을 구현할 때:
프로세서(602)는 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(key performance indicator, KPI) 데이터를 획득하고;
복수의 특징 정보를 획득하고 - 임의의 특징 정보는 특징 벡터에 있고 상기 특징 정보에 대응하는 요소의 계산 방식을 나타내는 데 사용됨 - ;
각각의 특징 정보에 기초하여 상기 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하며; 그리고
상기 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하고, 상기 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하여 네트워크 장치의 상태를 결정하하도록 구성되어 있다.
메모리(603)는 프로그램 등을 저장하도록 구성된다. 구체적으로, 프로그램은 프로그램 코드를 포함할 수 있고, 프로그램 코드는 컴퓨터 작동 명령을 포함할 수 있다. 메모리(603)는 RAM을 포함할 수 있으며, 비휘발성 메모리(non-volatile memory), 예를 들어 적어도 하나의 자기 디스크 메모리를 더 포함할 수 있다. 프로세서(602)는 메모리(603)에 저장된 응용 프로그램을 실행하여 전술한 기능을 구현하고, 도 2에 도시된 네트워크 장치의 상태를 결정하는 방법을 구현한다.
가능한 구현에서, 미리 설정된 경고 분석 모델에 기초해서 특징 벡터를 분석할 때, 네트워크 장치의 상태를 결정하기 위해 프로세서(602)는 구체적으로: 경고 분석 모델에 기초해서 특징 벡터를 분석하여 네트워크 장치의 각각의 상태의 확률을 결정하고; 각각의 확률을 그 확률에 대응하는 상태의 미리 설정된 기준 값에 곱하여 복수의 곱셈 값을 획득하고; 복수의 곱셈 값을 가산하여 상태 지시 값을 획득하고; 상태 지시 값이 속하는 특정 지시 값 범위를 결정하고; 특정 지시 값 범위에 대응하는 상태를 네트워크 장치의 상태로 사용하도록 구성된다.
선택적 구현에서, 미리 설정된 경고 분석 모델에 기초하여 특징 벡터를 분석하기 전에, 프로세서(602)는: 경고 분석 모델을 생성하고: 네트워크 장치의 상이한 네트워크 장치 상태에 대응하는 특징 벡터 샘플을 획득하고; 각각의 네트워크 장치 상태 및 네트워크 장치 상태에 대응하는 특징 벡터 샘플에 대한 로지스틱 회귀 처리를 수행하여 경고 분석 모델을 획득하도록 추가로 구성된다.
선택적 구현 방식에서, 경고 분석 장치(600)는 데이터를 수신하도록 구성된 통신 인터페이스(601)를 더 포함한다. 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 KPI 데이터를 획득할 때, 프로세서(602)는 구체적으로 통신 인터페이스(601)를 제어하여 네트워크 장치에 의해 지속적으로 전송되는 네트워크 장치의 KPI 데이터를 수신하고 그 수신된 KPI 데이터로부터 미리 설정된 기간 내에 복수의 목표 KPI 데이터를 획득하도록 구성된다.
선택적 구현에서, 네트워크 장치는 파장 분할 다중화 장치, 라우터, 패킷 전송 네트워크 장치 등일 수 있다.
본 출원의 이 실시예에서 제공되는 경고 분석 장치가 사용되고, 경고 분석 장치는 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(KPI) 데이터를 획득하고, 복수의 특징 정보를 획득하고, 각각의 특징 정보에 기초하여 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하고, 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하고, 미리 설정된 경고 분석 모델에 기초해서 특징 벡터를 분석하여 네트워크 장치의 상태를 결정한다. 이 방식에서, 네트워크 장치의 상태는 한 번에 데이터만 사용하지 않고 일정 시간 내에 복수의 대상 KPI 데이터를 분석하여 결정된다. 이는 네트워크 장치를 결정하는 정확도를 향상시켜 경고 누락을 감소시킨다.
요약하면, 본 출원의 실시예들에서 제공되는 네트워크 장치의 상태를 결정하는 방법 및 장치에 따르면, 경고 분석 장치는 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(KPI) 데이터를 획득하고, 복수의 특징 정보를 획득하고, 각각의 특징 정보에 기초하여 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하고, 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하고, 미리 설정된 경고 분석 모델에 기초해서 특징 벡터를 분석하여 네트워크 장치의 상태를 결정한다. 이 방식에서, 네트워크 장치의 상태는 한 번에 데이터만 사용하지 않고 일정 시간 내에 복수의 대상 KPI 데이터를 분석하여 결정된다. 이는 네트워크 장치를 결정하는 정확도를 향상시켜 경고 누락을 감소시킨다.
당업자는 본 출원의 실시예가 방법, 시스템 또는 컴퓨터 프로그램 곱셈 값으로 제공될 수 있음을 이해해야 한다. 따라서, 본 출원은 하드웨어 전용 실시예, 소프트웨어 전용 실시예 또는 소프트웨어와 하드웨어의 조합을 갖는 실시예의 형태를 사용할 수 있다. 또한, 본 출원은 컴퓨터 사용 가능한 프로그램 코드를 포함하는 하나 이상의 컴퓨터 사용 가능 저장 매체(디스크 메모리, CD-ROM, 광학 메모리 등을 포함하되 이에 제한되지 않음)에서 구현되는 컴퓨터 프로그램 곱셈 값의 형태를 사용할 수 있다.
본 출원은 본 출원의 실시예에 따른 방법, 장치(시스템) 및 컴퓨터 프로그램 곱셈 값의 흐름도 및/또는 블록도를 참조하여 설명된다. 컴퓨터 프로그램 명령은 흐름도 및/또는 블록도의 각 프로세스 및/또는 각 블록과 흐름도 및/또는 블록도의 프로세스 및/또는 블록의 조합을 구현하는 데 사용될 수 있음을 이해해야 한다. 이러한 컴퓨터 프로그램 명령은 범용 컴퓨터, 전용 컴퓨터, 임베디드 프로세서 또는 기타 프로그램 가능한 데이터 처리 장치의 프로세서에 제공되어 컴퓨터 또는 모든 프로세서에 의해 실행될 수 있다. 다른 프로그램 가능한 데이터 처리 장치는 흐름도의 하나 이상의 프로세스 및/또는 블록도의 하나 이상의 블록에서 특정 기능을 구현하기 위한 장치를 생성한다.
이러한 컴퓨터 프로그램 명령은 특정 방식으로 작동하도록 컴퓨터 또는 임의의 다른 프로그램 가능한 데이터 처리 장치에 지시할 수 있는 컴퓨터 판독 가능형 메모리에 저장될 수 있으므로, 컴퓨터 판독 가능형 메모리에 저장된 명령은 명령 장치를 포함하는 아티팩트를 생성한다. 명령 장치는 흐름도의 하나 이상의 프로세스 및/또는 블록도의 하나 이상의 블록에서 특정 기능을 구현한다.
이러한 컴퓨터 프로그램 명령은 컴퓨터 또는 다른 프로그램 가능한 데이터 처리 장치에 로드되어 일련의 작업 및 단계가 컴퓨터 또는 다른 프로그램 가능한 장치에서 수행되어 컴퓨터 구현 처리를 생성한다. 따라서, 컴퓨터 또는 다른 프로그램 가능 장치에서 실행되는 명령은 흐름도의 하나 이상의 프로세스 및/또는 블록도의 하나 이상의 블록에서 특정 기능을 구현하기 위한 단계를 제공한다.
본 출원의 몇몇 바람직한 실시예가 설명되었지만, 당업자는 기본적인 발명 개념을 배우면 이들 실시예를 변경 및 수정할 수 있다. 따라서, 다음의 청구 범위는 본 출원의 범위에 속하는 바람직한 실시예 및 모든 변경 및 수정을 포함하는 것으로 해석되도록 의도된다.
분명히, 당업자는 본 출원의 범위를 벗어나지 않고 본 출원의 실시예에 대해 다양한 수정 및 변경을 할 수 있다. 본 출원은 다음의 청구 범위 및 그와 동등한 기술에 의해 정의된 보호 범위 내에 있는 경우 이러한 수정 및 변경을 포함하도록 의도된다.

Claims (24)

  1. 네트워크 장치의 상태를 결정하는 방법으로서,
    경고 분석 장치가 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(key performance indicator, KPI) 데이터를 획득하는 단계;
    상기 경고 분석 장치가 복수의 특징 정보에 기초해서 상기 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하는 단계 - 각각의 특징 정보는 특징 벡터에 있는 요소로서 또한 상기 특징 정보에 대응하는 요소의 계산 방식을 나타내는 데 사용됨 - ;
    상기 경고 분석 장치가 상기 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하는 단계; 및
    상기 경고 분석 장치가 상기 특징 벡터를 분석하여 네트워크 장치의 상태를 결정하는 단계
    를 포함하는 네트워크 장치의 상태를 결정하는 방법.
  2. 제1항에 있어서,
    상기 복수의 특징 정보는 다음: 서비스 중단 횟수(quantity of service interruptions), KPI 추세 악화의 최악 값(worst value of KPI trend deterioration), 변동 값의 최악 값(worst value of fluctuation values), 변동 값의 평균값(average value of fluctuation values), 임계 거리의 최악 값(worst value of a threshold distance) 및 임계 거리의 평균값(average value of the threshold distance) 중 하나 이상을 포함하는, 네트워크 장치의 상태를 결정하는 방법.
  3. 제1항에 있어서,
    상기 네트워크 장치의 상태를 결정하는 방법은:
    상기 경고 분석 장치가 상기 복수의 특징 정보를 획득하는 단계
    를 더 포함하는 네트워크 장치의 상태를 결정하는 방법.
  4. 제1항에 있어서,
    상기 경고 분석 장치가 상기 특징 벡터를 분석하여 네트워크 장치의 상태를 결정하는 단계는: 상기 경고 분석 장치가 상기 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하여 네트워크 장치의 상태를 결정하는 단계
    를 포함하는, 네트워크 장치의 상태를 결정하는 방법.
  5. 제4항에 있어서,
    상기 경고 분석 장치가 상기 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하여 네트워크 장치의 상태를 결정하는 단계는:
    상기 경고 분석 장치가 상기 경고 분석 모델에 기초해서 상기 특징 벡터를 분석하여 상기 네트워크 장치의 각각의 상태에 대한 확률을 결정하는 단계; 및
    상기 경고 분석 장치가 상기 네트워크 장치의 각각의 상태에 대한 확률에 기초해서 상기 네트워크 장치의 상태를 결정하는 단계
    를 포함하는, 네트워크 장치의 상태를 결정하는 방법.
  6. 제5항에 있어서,
    상기 경고 분석 장치가 상기 네트워크 장치의 각각의 상태에 대한 확률에 기초해서 상기 네트워크 장치의 상태를 결정하는 단계는:
    상기 경고 분석 장치가 상기 네트워크 장치의 각각의 상태에 대한 확률에 기초해서 상태 지시 값(status indication value)을 획득하는 단계; 및
    상기 경고 분석 장치가 상기 상태 지시 값이 속하는 특정 지시 값 범위를 결정하고, 상기 특정 지시 값 범위에 대응하는 상태를 상기 네트워크 장치의 상태로 사용하는 단계
    를 포함하는, 네트워크 장치의 상태를 결정하는 방법.
  7. 제6항에 있어서,
    상기 경고 분석 장치가 상기 네트워크 장치의 각각의 상태에 대한 확률에 기초해서 상태 지시 값을 획득하는 단계는:
    상기 경고 분석 장치가 상기 확률에 대응하는 상태의 미리 설정된 기준 값을 각각의 확률에 곱하여 복수의 곱셈값(product)을 획득하는 단계; 및
    상기 경고 분석 장치가 상기 복수의 곱셈 값을 가산하여 상태 지시 값(status indication value)을 획득하는 단계
    를 포함하는, 네트워크 장치의 상태를 결정하는 방법.
  8. 제4항에 있어서,
    상기 경고 분석 장치가 상기 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하기 전에, 상기 네트워크 장치의 상태를 결정하는 방법은:
    상기 경고 분석 장치가 상기 경고 분석 모델을 생성하는 단계
    를 더 포함하는 네트워크 장치의 상태를 결정하는 방법.
  9. 제8항에 있어서,
    상기 경고 분석 장치가 상기 경고 분석 모델을 생성하는 단계는:
    상기 경고 분석 장치가 상기 네트워크 장치의 상이한 상태에 대응하는 특징 벡터 샘플을 획득하는 단계; 및
    상기 경고 분석 장치가 상기 네트워크 장치의 각각의 상태 및 상기 상태에 대응하는 특징 벡터 샘플에 대해 로지스틱 회귀 처리(logistic regression processing)를 수행하여 상기 경고 분석 모델을 획득하는 단계
    를 더 포함하는 네트워크 장치의 상태를 결정하는 방법.
  10. 제1항에 있어서,
    상기 경고 분석 장치가 미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(KPI) 데이터를 획득하는 단계는:
    상기 경고 분석 장치가 네트워크 관리 장치에 의해 지속적으로 전송되는 상기 네트워크 장치의 KPI 데이터를 수신하는 단계; 및
    상기 경고 분석 장치가 상기 수신된 KPI 데이터로부터 상기 미리 설정된 기간 내에 상기 복수의 목표 KPI 데이터를 획득하는 단계
    를 포함하는, 네트워크 장치의 상태를 결정하는 방법.
  11. 제1항에 있어서,
    상기 네트워크 장치는 파장 분할 다중화 장치(wavelength division multiplexing device), 라우터(router) 또는 패킷 전송 네트워크 장치(packet transport network device) 중 어느 하나인, 네트워크 장치의 상태를 결정하는 방법.
  12. 경고 분석 장치로서,
    프로그램 명령을 저장하도록 구성되어 있는 메모리; 및
    프로세서
    를 포함하며,
    상기 프로세서는 상기 메모리 내의 상기 프로그램 명령을 호출하여 다음의 작동:
    미리 설정된 기간 내에 네트워크 장치의 복수의 목표 KPI 데이터를 획득하는 단계;
    복수의 특징 정보에 기초해서 상기 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하는 단계 - 각각의 특징 정보는 특징 벡터에 있는 요소로서 또한 상기 특징 정보에 대응하는 요소의 계산 방식을 나타내는 데 사용됨 - ;
    상기 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하는 단계; 및
    상기 특징 벡터를 분석하여 네트워크 장치의 상태를 결정하는 단계
    를 수행하도록 구성되어 있는, 경고 분석 장치.
  13. 제12항에 있어서,
    상기 복수의 특징 정보는 다음: 서비스 중단 횟수, KPI 추세 악화의 최악 값, 변동 값의 최악 값, 변동 값의 평균값, 임계 거리의 최악 값 및 임계 거리의 평균값 중 하나 이상을 포함하는, 경고 분석 장치.
  14. 제12항에 있어서,
    상기 프로세서는 상기 메모리 내의 상기 프로그램 명령을 호출하여 다음의 작동: 상기 복수의 특징 정보를 획득하는 단계를 수행하도록 추가로 구성되어 있는, 경고 분석 장치.
  15. 제12항에 있어서,
    상기 특징 벡터를 분석하여 네트워크 장치의 상태를 결정하는 단계는: 상기 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하여 네트워크 장치의 상태를 결정하는 단계
    를 포함하는, 경고 분석 장치.
  16. 제15항에 있어서,
    상기 특징 벡터를 미리 설정된 경고 분석 모델에 기초해서 분석하여 네트워크 장치의 상태를 결정하는 단계는:
    상기 경고 분석 모델에 기초해서 상기 특징 벡터를 분석하여 상기 네트워크 장치의 각각의 상태에 대한 확률을 결정하는 단계; 및
    상기 네트워크 장치의 각각의 상태에 대한 확률에 기초해서 상기 네트워크 장치의 상태를 결정하는 단계
    를 포함하는, 경고 분석 장치.
  17. 제16항에 있어서,
    상기 네트워크 장치의 각각의 상태에 대한 확률에 기초해서 상기 네트워크 장치의 상태를 결정하는 단계는:
    상기 네트워크 장치의 각각의 상태에 대한 확률에 기초해서 상태 지시 값을 획득하는 단계; 및
    상기 상태 지시 값이 속하는 특정 지시 값 범위를 결정하고, 상기 특정 지시 값 범위에 대응하는 상태를 상기 네트워크 장치의 상태로 사용하는 단계
    를 포함하는, 경고 분석 장치.
  18. 제15항에 있어서,
    상기 프로세서가 상기 메모리 내의 상기 프로그램 명령을 호출하여 다음의 작동: 상기 경고 분석 모델을 생성하는 단계를 수행하도록 추가로 구성되어 있으며,
    상기 경고 분석 모델을 생성하는 단계는:
    상기 네트워크 장치의 상이한 상태에 대응하는 특징 벡터 샘플을 획득하는 단계; 및
    상기 네트워크 장치의 각각의 상태 및 상기 네트워크 장치의 상태에 대응하는 특징 벡터 샘플에 대해 로지스틱 회귀 처리(logistic regression processing)를 수행하여 상기 경고 분석 모델을 획득하는 단계
    를 더 포함하는 경고 분석 장치.
  19. 제12항 내지 제18항 중 어느 한 항에 있어서,
    상기 네트워크 장치는 파장 분할 다중화 장치(wavelength division multiplexing device), 라우터(router) 또는 패킷 전송 네트워크 장치(packet transport network device) 중 어느 하나인, 경고 분석 장치.
  20. 경고 분석 장치로서,
    미리 설정된 기간 내에 네트워크 장치의 복수의 목표 핵심 성과 지표(key performance indicator, KPI) 데이터를 획득하도록 구성되어 있는 획득 유닛;
    복수의 특징 정보에 기초해서 상기 복수의 목표 KPI 데이터를 처리하여 각각의 특징 정보에 대응하는 요소를 생성하고 - 각각의 특징 정보는 특징 벡터에 있는 요소로서 또한 상기 특징 정보에 대응하는 요소의 계산 방식을 나타내는 데 사용됨 - , 상기 복수의 특징 정보에 대응하는 생성된 요소를 사용하여 특징 벡터를 형성하며, 상기 특징 벡터를 분석하여 네트워크 장치의 상태를 결정하도록 구성되어 있는 프로세싱 유닛
    을 포함하는 경고 분석 장치.
  21. 컴퓨터 저장 매체로서,
    상기 컴퓨터 저장 매체는 컴퓨터 판독 가능형 명령을 저장하며, 상기 컴퓨터 판독 가능형 명령이 컴퓨터에 의해 호출될 때, 상기 컴퓨터는 제1항 내지 제11항 중 어느 한 항에 따른 방법을 수행할 수 있는, 컴퓨터 저장 매체.
  22. 컴퓨터가 판독 가능한 저장 매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 명령을 포함하고, 상기 컴퓨터 프로그램이 컴퓨터 상에서 실행될 때, 상기 컴퓨터는 제1항 내지 제11항 중 어느 한 항에 따른 방법을 수행할 수 있는, 컴퓨터 프로그램.
  23. 칩으로서,
    상기 칩은 메모리에 연결되고, 상기 메모리에 저장되어 있는 프로그램 명령을 판독하고 실행하여, 제1항 내지 제11항 중 어느 한 항에 따른 방법을 실행하도록 구성되어 있는, 칩.
  24. 삭제
KR1020207029573A 2018-03-22 2019-03-20 네트워크 장치의 상태를 결정하는 방법 및 장치 KR102455332B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810241478.1 2018-03-22
CN201810241478.1A CN110300008B (zh) 2018-03-22 2018-03-22 一种确定网络设备的状态的方法及装置
PCT/CN2019/078832 WO2019179457A1 (zh) 2018-03-22 2019-03-20 一种确定网络设备的状态的方法及装置

Publications (2)

Publication Number Publication Date
KR20200128144A KR20200128144A (ko) 2020-11-11
KR102455332B1 true KR102455332B1 (ko) 2022-10-14

Family

ID=67986753

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207029573A KR102455332B1 (ko) 2018-03-22 2019-03-20 네트워크 장치의 상태를 결정하는 방법 및 장치

Country Status (7)

Country Link
US (1) US11405294B2 (ko)
EP (1) EP3761566B1 (ko)
JP (1) JP7081741B2 (ko)
KR (1) KR102455332B1 (ko)
CN (1) CN110300008B (ko)
CA (1) CA3094557C (ko)
WO (1) WO2019179457A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113535444B (zh) * 2020-04-14 2023-11-03 中国移动通信集团浙江有限公司 异动检测方法、装置、计算设备及计算机存储介质
US11889332B2 (en) * 2020-07-30 2024-01-30 Jio Platforms Limited System and method of hierarchical computation of KPIs
US11799568B2 (en) * 2020-12-10 2023-10-24 Verizon Patent And Licensing Inc. Systems and methods for optimizing a network based on weather events
CN115242669B (zh) * 2022-06-30 2023-10-03 北京华顺信安科技有限公司 一种网络质量监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014127677A1 (zh) 2013-02-25 2014-08-28 中兴通讯股份有限公司 数据传输方法、装置及系统
US20160217022A1 (en) * 2015-01-23 2016-07-28 Opsclarity, Inc. Anomaly detection using circumstance-specific detectors

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100504835B1 (ko) 2003-05-15 2005-07-29 엘지전자 주식회사 이동 통신 단말기의 지역시간 보정 방법
CA2603321C (en) 2005-04-14 2014-08-12 Lg Electronics Inc. A method of reconfiguring an internet protocol address in handover between heterogeneous networks
US7590733B2 (en) 2005-09-14 2009-09-15 Infoexpress, Inc. Dynamic address assignment for access control on DHCP networks
KR100656358B1 (ko) 2005-10-25 2006-12-11 한국전자통신연구원 Ｍｏｂｉｌｅ ＩＰ 환경에서의 핸드오버 수행 방법
WO2007078663A2 (en) 2005-12-16 2007-07-12 Interdigital Technology Corporation Mobility middleware architecture for multiple radio access technology apparatus
KR100739807B1 (ko) 2006-02-06 2007-07-13 삼성전자주식회사 Ｄｈｃｐ를 이용한 핸드오버 정보 검색 및 획득 방법 및장치
US7647283B2 (en) * 2006-12-31 2010-01-12 Ektimisi Semiotics Holdings, Llc Method, system, and computer program product for adaptively learning user preferences for smart services
CN101729127A (zh) 2008-10-17 2010-06-09 中兴通讯股份有限公司 时间同步节点和方法
CN101442799B (zh) 2008-12-17 2010-12-01 广州市新邮通信设备有限公司 一种实现终端同步网络侧系统时间的方法、系统及装置
CN102056283B (zh) 2009-10-27 2013-10-16 电信科学技术研究院 移动通信系统中时间同步的方法、系统及装置
CN102056284A (zh) 2009-10-27 2011-05-11 大唐移动通信设备有限公司 时间同步方法、系统和设备
CN102083194B (zh) 2009-11-30 2014-12-03 电信科学技术研究院 时间信息发送与时间同步方法、系统和设备
JP5051252B2 (ja) 2010-02-18 2012-10-17 沖電気工業株式会社 ネットワーク障害検出システム
CN102026230A (zh) * 2010-12-20 2011-04-20 中兴通讯股份有限公司 Cdma网络数据业务质量监控的方法及装置
US20120179283A1 (en) * 2011-01-10 2012-07-12 International Business Machines Corporation Managing a performance of solar devices throughout an end-to-end manufacturing process
US9167463B2 (en) 2011-09-02 2015-10-20 Telcordia Technologies, Inc. Communication node operable to estimate faults in an ad hoc network and method of performing the same
CN103178990A (zh) * 2011-12-20 2013-06-26 中国移动通信集团青海有限公司 一种网络设备性能监控方法及网络管理系统
CN103796296B (zh) 2012-11-02 2018-05-08 中国移动通信集团公司 长期演进系统中的时间同步方法、用户设备及基站
WO2015057119A1 (en) * 2013-10-18 2015-04-23 Telefonaktiebolaget L M Ericsson (Publ) Alarm prediction in a telecommunication network
WO2015120627A1 (en) 2014-02-17 2015-08-20 Telefonaktiebolaget L M Ericsson (Publ) Service failure in communications networks
CN104469833B (zh) 2015-01-08 2018-08-21 西安电子科技大学 一种基于用户感知的异构网络运维管理方法
CN104881436B (zh) * 2015-05-04 2019-04-05 中国南方电网有限责任公司 一种基于大数据的电力通信设备性能分析方法及装置
US10402511B2 (en) * 2015-12-15 2019-09-03 Hitachi, Ltd. System for maintenance recommendation based on performance degradation modeling and monitoring
RU2630415C2 (ru) 2016-02-20 2017-09-07 Открытое Акционерное Общество "Информационные Технологии И Коммуникационные Системы" Способ обнаружения аномальной работы сетевого сервера (варианты)
CN107360048A (zh) 2016-05-09 2017-11-17 富士通株式会社 节点性能评估方法、装置和系统
US9942085B2 (en) * 2016-07-13 2018-04-10 Incelligent P.C. Early warning and recommendation system for the proactive management of wireless broadband networks
US11223668B2 (en) * 2017-01-12 2022-01-11 Telefonaktiebolaget Lm Ericsson (Publ) Anomaly detection of media event sequences
CN106952029A (zh) * 2017-03-15 2017-07-14 中国电力科学研究院 一种用于对变电设备状态监测装置进行评价的方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014127677A1 (zh) 2013-02-25 2014-08-28 中兴通讯股份有限公司 数据传输方法、装置及系统
US20160217022A1 (en) * 2015-01-23 2016-07-28 Opsclarity, Inc. Anomaly detection using circumstance-specific detectors

Also Published As

Publication number Publication date
WO2019179457A1 (zh) 2019-09-26
RU2020134150A (ru) 2022-04-22
EP3761566A4 (en) 2021-04-07
EP3761566A1 (en) 2021-01-06
JP7081741B2 (ja) 2022-06-07
US11405294B2 (en) 2022-08-02
JP2021516511A (ja) 2021-07-01
KR20200128144A (ko) 2020-11-11
CN110300008B (zh) 2021-03-23
RU2020134150A3 (ko) 2022-04-22
CN110300008A (zh) 2019-10-01
CA3094557A1 (en) 2019-09-26
CA3094557C (en) 2024-03-26
US20210006481A1 (en) 2021-01-07
EP3761566B1 (en) 2023-10-25

Similar Documents

Publication Publication Date Title
KR102455332B1 (ko) 네트워크 장치의 상태를 결정하는 방법 및 장치
US11792217B2 (en) Systems and methods to detect abnormal behavior in networks
EP3863223A1 (en) Method and device for training service quality evaluation model
EP2870725B1 (en) Method and apparatus for automatically determining causes of service quality degradation
US11032150B2 (en) Automatic prediction of behavior and topology of a network using limited information
US9524223B2 (en) Performance metrics of a computer system
EP3058679A1 (en) Alarm prediction in a telecommunication network
US10616040B2 (en) Managing network alarms
JP2019507454A (ja) アプリケーションの実行中に観察される問題の根本原因を特定する方法
US8205116B2 (en) Common chronics resolution management
US11894969B2 (en) Identifying root causes of network service degradation
WO2017000536A1 (zh) 一种bfd检测方法与装置
KR102055363B1 (ko) 트래픽 분류를 이용하여 이상 탐지를 수행하기 위한 시스템
KR20200126766A (ko) Ict 인프라의 운용 관리 장치 및 방법
US11388073B1 (en) Estimating end-to-end loss distributions in computer networks
Kilinçer et al. Automatic fault detection with Bayes method in university campus network
RU2781813C2 (ru) Способ и устройство для определения состояния сетевого устройства
CN115348147A (zh) 故障分析方法、装置、设备、存储介质和程序产品
Gao et al. The diagnosis of wired network malfunctions based on big data and traffic prediction: An overview
KR20200063343A (ko) Trvn 인프라구조의 운용 관리 장치 및 방법
US11977466B1 (en) Using machine learning to predict infrastructure health
US9311210B1 (en) Methods and apparatus for fault detection
Touloupou et al. Cheapo: An algorithm for runtime adaption of time intervals applied in 5G networks
WO2022182272A1 (en) Method for communications network analysis using trained machine learning models and network topography information
CN117390069A (zh) 一种基于特征分析的业务大数据流处理系统、方法及介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant