CN111224805A - 一种网络故障根因检测方法、系统及存储介质 - Google Patents

Abstract

本发明涉及一种网络故障根因检测方法、系统及存储介质，检测方法包括：分别对每个网络性能参数进行处理，得到模型样本；将相似度大于预设阈值的模型样本映射到同一样本单元；对每个样本单元添加根因标签；分别计算待诊断样本与每个模型样本的相似度值；获取与待诊断样本相似度最高的模型样本对应的根因标签作为苏搜狐待诊断样本的故障根因。本发明实施例通过获取不同小区的网络性能参数，通过聚类将网络性能参数生成的模型样本映射到同一样本单元，对样本单元分别添加根因标签，生成根因检测模型，通过根因检测模型对待诊断网络性能参数进行诊断，实现对无线通信网络的故障根因的快速诊断，提高故障的诊断效率。

Description

一种网络故障根因检测方法、系统及存储介质

技术领域

本发明涉及移动通信网络技术领域，尤其涉及一种网络故障根因检测方法、系统及存储介质。

背景技术

随着人们对移动通信业务需求的日益增长，移动网络运营规模越来越庞大，所采用的技术也越来越复杂。因而网络发生故障的频率越来越高，定位难度也不断增大，最终导致网络运营维护成本急剧增长。

传统的无线通信网络问题根因定位主要采取人工分析方式，具体而言网络警和配置数据进行分析，对问题原因逐步排查后确定故障根因。这种传统的故障根因定位方法的效率非常低下，而且故障根因定位准确率严重依赖工程师的知识、经验和技能，不适应当前网络的发展趋势。

发明内容

为了解决现有技术存在的问题，本发明的至少一个实施例提供了一种网络故障根因检测方法、系统及存储介质。

第一方面，本发明实施例提供了一种网络故障根因检测方法，所述检测方法包括：

获取多个网络性能参数，分别对每个所述网络性能参数进行处理，得到模型样本；

对所有所述模型样本进行细粒度聚类，将相似度大于预设阈值的模型样本映射到同一样本单元，得到多个样本单元；

对每个样本单元添加根因标签，生成根因检测模型；

对待诊断网络性能参数进行处理，得到待诊断样本，分别计算所述待诊断样本与每个所述模型样本的相似度值；

获取与所述待诊断样本相似度最高的所述模型样本对应的样本单元的根因标签，将所述根因标签作为所述待诊断样本的故障根因。

基于上述技术方案，本发明实施例还可以做出如下改进。

结合第一方面，在第一方面的第一种实施例中，所述对每个样本单元添加根因标签，生成根因检测模型，包括：

根据样本单元中模型样本的数量对样本单元进行排序；

将排序高于预设阈值的样本单元设置为核心单元，采用基于密度的聚类算法将每个核心单元与其他样本单元进行合并，得到多个样本单元类簇；

对每个样本单元类簇添加根因标签，生成根因检测模型。

结合第一方面，在第一方面的第二种实施例中，所述对所有所述模型样本进行细粒度聚类，将相似度大于预设阈值的模型样本映射到同一样本单元，包括：

将所有所述模型样本输入自组织映射神经网络的输入层；

通过自组织映射神经网络的竞争层完成对所有所述模型样本的细粒度聚类，将相似度大于预设阈值的模型样本映射到同一所述样本单元中。

结合第一方面，在第一方面的第三种实施例中，所述分别对每个所述网络性能参数进行处理，得到模型样本，包括：

通过主成分分析方法对每个所述网络性能参数进行降维处理，得到所述模型样本。

结合第一方面的第三种实施例，在第一方面的第四种实施例中，所述分别对每个所述网络性能参数进行降维处理之前，还包括：

对所有所述网络性能参数进行过滤，剔除所述网络性能参数中的异常值。

结合第一方面的第三种实施例，在第一方面的第五种实施例中，所述检测方法还包括：

将所述模型样本作为参考模型样本；

对所有参考模型样本分别进行数据标准化处理，得到所述模型样本。

结合第一方面，在第一方面的第六种实施例中，所述对待诊断网络性能参数进行处理，得到待诊断样本，包括：

通过主成分分析方法对所述待诊断网络性能参数进行降维处理，得到所述待诊断样本。

结合第一方面或第一方面的第一、第二、第三、第四、第五或第六种实施例中任一种实施例，在第一方面的第七种实施例中，所述计算所述待诊断样本与每个所述模型样本的相似度值，包括：

分别计算待诊断样本与每个所述模型样本的欧氏距离，作为所述相似度值。

第二方面，本发明实施例提供了一种网络故障根因检测系统，所述网络故障根因检测系统包括处理器、存储器；所述处理器用于执行所述存储器中存储的故障根因检测程序，以实现第一方面中任一项实施例所述的故障根因检测方法。

第三方面，本发明实施例提供了一种计算机可存储介质，所述计算机可存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一项实施例所述的故障根因检测方法。

本发明的上述技术方案与现有技术相比具有如下优点：本发明实施例通过获取不同小区的网络性能参数，通过聚类将网络性能参数生成的模型样本映射到同一样本单元，对样本单元分别添加根因标签，生成根因检测模型，通过根因检测模型对待诊断网络性能参数进行诊断，实现对无线通信网络的故障根因的快速诊断，提高故障的诊断效率。

附图说明

图1是本发明实施例提供的一种网络故障根因检测方法流程示意图；

图2是本发明另一实施例提供的一种网络故障根因检测方法流程示意图；

图3是本发明又一实施例提供的一种网络故障根因检测系统结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供的一种网络故障根因检测方法，检测方法包括：

S11、获取多个网络性能参数，分别对每个网络性能参数进行处理，得到模型样本。

在本实施例中，通过对无线通信网络中各个小区进行数据采集，收集大量无线通信网络性能参数，比如，通信质量、连接时长、通信范围等网络性能参数，通过对网络性能参数进行处理，得到属于各个小区的模型样本。

比如，可以通过对各个小区的网络性能参数进行过滤，剔除网络性能参数中的异常值，过滤方法可以通过拉依达准则贵网络性能参数中的异常值进行过滤，对过滤后的网络性能参数通过主成分分析方法进行降维，对降维后的网络性能参数进行数据标准化处理，如规范化方法、正规化方法和归一化方法，数据的标准化(normalization)是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，最终得到上述模型样本。

S12、对所有模型样本进行细粒度聚类，将相似度大于预设阈值的模型样本映射到同一样本单元，得到多个样本单元。

在本实施例中，可通过将所有模型样本进行细粒度聚类，将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。通过对模型样本进行细粒度聚类，聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。完成了对不同模型样本的聚类，使得将相似的模型样本聚到同一类中，即具有相同根因的小区的网络性能参数聚到同一类中。

本实施例中，通过自组织映射神经网络对模型样本进行处理，将所有模型样本输入自组织映射神经网络的输入层中，通过自组织映射神经网络的竞争层完成对所有模型样本的细粒度聚类，将相似度大于预设阈值的模型样本映射到同一样本单元中，自组织映射神经网络是一种竞争学习型的无监督神经网络，能将高维空间数据保持拓扑结构地映射到低维空间，进行可视化的聚类分析。自组织映射神经网络由输入层和竞争层组成，输入层由N个神经元组成，N对应模型样本的数量；竞争层一般采用二维阵列式设计，竞争层中每个神经元都与输出层神经元相连接，每个神经元的权值代表了输入空间的一类模式。自组织映射神经网络学习过程中调整获胜神经元使之不断向输入模式靠拢，同时更新获胜神经元周围神经元的权值，以保持输入空间的拓扑结构。因此样本空间经过自组织映射神经网络映射后可得到它的分布骨架，或者说完成了一次细粒度聚类，把相似度大的样本映射到同一个神经元，即该神经元代表了样本空间中若干高度相似的样本子集。通过上述步骤处理后的模型样本，同一样本单元中具有若干相似症状的模型样本，而与该样本单元相邻的样本单元中的模型样本的症状特征也较为相近。

S13、对每个样本单元添加根因标签，生成根因检测模型。

通过对每个样本单元添加根因标签，即可完成对该样本单元下的所有模型样本的故障根因的确认，提高对模型样本的故障根因的确定速率，并生成相应的故障根因检测模型。

在本实施例中，可以是根据专家知识经验结合各个样本单元中的模型样本，对每个样本单元添加根因标签，也可以是根据过往的处理经验结合样本单元中的模型样本的各项参数，对样本单元添加根因标签。

S14、对待诊断网络性能参数进行处理，得到待诊断样本，分别计算待诊断样本与每个模型样本的相似度值。

对待诊断的网络性能参数通过上述步骤中相同的处理方式得到待诊断样本，分别计算待诊断样本与样本单元中的每个模型样本的相似度值。

比如，计算待诊断样本与模型样本的距离度量，作为待诊断样本和模型样本的相似度值，在本实施例中，可以通过计算待诊断样本与模型样本的欧氏距离，作为待诊断样本和模型样本的相似度值，欧氏距离的值越小，相似度值越高。

S15、获取与待诊断样本相似度最高的模型样本对应的样本单元的根因标签，将根因标签作为待诊断样本的故障根因。

在本步骤中，将与待诊断样本相似度最高的模型样本的样本单元的根因标签作为待诊断样本的故障根因。

如图2所示，本发明实施例还提供了一种网络故障根因检测方法，与图1所示检测方法相比，区别在于，对每个样本单元添加根因标签，生成根因检测模型，包括：

S21、根据样本单元中模型样本的数量对样本单元进行排序。

结合上述实施例，在本实施例中，根据样本单元中的模型样本的数量，对样本单元进行排序，模型样本数量越多的样本单元，排序越靠前。

S22、将排序高于预设阈值的样本单元设置为核心单元，采用基于密度的聚类算法将每个核心单元与其他样本单元进行合并，得到多个样本单元类簇。

在本实施例中，由于实际应用过程中很多相近的特征其根因相同，因此需要把一些相近的神经元进行合并以表示只是症状现象略有不同的同一类故障。将排序高于预设阈值的样本单元设置为核心单元，将其他样本单元分别与每个核心单元进行合并，使得具有相类似症状现象的样本单元组合成样本单元类簇。

S23、对每个样本单元类簇添加根因标签，生成根因检测模型。

通过对每个样本类簇添加根因标签，即可完成对该样本单元类簇下的所有样本单元的故障根因的确认，即对样本单元中的各个模型样本添加根因标签，提高对模型样本的故障根因的确定速率，并生成相应的故障根因检测模型。

在本实施例中，可以是根据专家知识经验结合各个样本单元类簇中的模型样本，对每个样本单元类簇添加根因标签，也可以是根据过往的处理经验结合样本单元中的模型样本的各项参数，对样本单元类簇添加根因标签。

如图3所示，本发明实施例提供了一种网络故障根因检测系统，网络故障根因检测系统包括处理器、存储器；处理器用于执行存储器中存储的故障根因检测程序，以实现第一方面中任一项实施例的故障根因检测方法。

对上述实施例中的系统或装置提供用于记录可以实现上述实施例的功能的软件程序的程序代码的存储介质，并通过系统或装置的计算机(或CPU或MPU)读取并执行存储在存储介质中的程序代码。

在这种情况下，从存储介质读出的程序代码本身执行上述实施例的功能，而存储程序代码的存储介质构成本发明实施例。

作为用于提供程序代码的存储介质，例如软盘、硬盘、光盘、磁光盘、CD-ROM、CD-R、磁带、非易失存储卡、ROM、以及类似物都可以使用。

上述实施例的功能不仅可以通过由计算机执行读出的程序代码来实现，而且也可以通过在计算机上运行的OS(操作系统)根据程序代码的指令执行的一些或全部的实际处理操作来实现。

此外，本发明实施例还包括这样一种情况，即在从存储介质读出的程序代码被写入被插入计算机的功能扩展卡之后，或者被写入和计算机相连的功能扩展单元内提供的存储器之后，在功能扩展卡或功能扩展单元中包括的CPU或类似物按照程序代码的命令执行部分处理或全部处理，从而实现上述实施例的功能。

本发明实施例提供了一种计算机可存储介质，计算机可存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一项实施例的故障根因检测方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种网络故障根因检测方法，其特征在于，所述检测方法包括：

获取多个网络性能参数，分别对每个所述网络性能参数进行处理，得到模型样本；

对所有所述模型样本进行细粒度聚类，将相似度大于预设阈值的模型样本映射到同一样本单元，得到多个样本单元；

对每个样本单元添加根因标签，生成根因检测模型；

对待诊断网络性能参数进行处理，得到待诊断样本，分别计算所述待诊断样本与每个所述模型样本的相似度值；

获取与所述待诊断样本相似度最高的所述模型样本对应的样本单元的根因标签，将所述根因标签作为所述待诊断样本的故障根因。

2.根据权利要求1所述的网络故障根因检测方法，其特征在于，所述对每个样本单元添加根因标签，生成根因检测模型，包括：

根据样本单元中模型样本的数量对样本单元进行排序；

将排序高于预设阈值的样本单元设置为核心单元，采用基于密度的聚类算法将每个核心单元与其他样本单元进行合并，得到多个样本单元类簇；

对每个样本单元类簇添加根因标签，生成根因检测模型。

3.根据权利要求1所述的网络故障根因检测方法，其特征在于，所述对所有所述模型样本进行细粒度聚类，将相似度大于预设阈值的模型样本映射到同一样本单元，包括：

将所有所述模型样本输入自组织映射神经网络的输入层；

通过自组织映射神经网络的竞争层完成对所有所述模型样本的细粒度聚类，将相似度大于预设阈值的模型样本映射到同一所述样本单元中。

4.根据权利要求1所述的网络故障根因检测方法，其特征在于，所述分别对每个所述网络性能参数进行处理，得到模型样本，包括：

通过主成分分析方法对每个所述网络性能参数进行降维处理，得到所述模型样本。

5.根据权利要求4所述的网络故障根因检测方法，其特征在于，所述分别对每个所述网络性能参数进行降维处理之前，还包括：

对所有所述网络性能参数进行过滤，剔除所述网络性能参数中的异常值。

6.根据权利要求4所述的网络故障根因检测方法，其特征在于，所述检测方法还包括：

将所述模型样本作为参考模型样本；

对所有参考模型样本分别进行数据标准化处理，得到所述模型样本。

7.根据权利要求1所述的网络故障根因检测方法，其特征在于，所述对待诊断网络性能参数进行处理，得到待诊断样本，包括：

通过主成分分析方法对所述待诊断网络性能参数进行降维处理，得到所述待诊断样本。

8.根据权利要求1～7中任一所述的网络故障根因检测方法，其特征在于，所述计算所述待诊断样本与每个所述模型样本的相似度值，包括：

分别计算待诊断样本与每个所述模型样本的欧氏距离，作为所述相似度值。

9.一种网络故障根因检测系统，其特征在于，所述网络故障根因检测系统包括处理器、存储器；所述处理器用于执行所述存储器中存储的故障根因检测程序，以实现权利要求1～8中任一项所述的故障根因检测方法。

10.一种计算机可存储介质，其特征在于，所述计算机可存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～8中任一项所述的故障根因检测方法。

Images