CN108463973A - 蜂窝***中指纹识别根本原因分析 - Google Patents

蜂窝***中指纹识别根本原因分析 Download PDF

Info

Publication number
CN108463973A
CN108463973A CN201780006162.8A CN201780006162A CN108463973A CN 108463973 A CN108463973 A CN 108463973A CN 201780006162 A CN201780006162 A CN 201780006162A CN 108463973 A CN108463973 A CN 108463973A
Authority
CN
China
Prior art keywords
network
data
instruction
exception
rule
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
Application number
CN201780006162.8A
Other languages
English (en)
Inventor
杨恺
孙艳佳
刘瑞林
杨劲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN108463973A publication Critical patent/CN108463973A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种处理器实现的方法，用于识别无线网络中网络质量劣化的根本原因。该方法包括访问网络的历史性能数据，所述性能数据包括所述网络的性能指标的时序度量。根据所述方法，评估所述历史性能数据来确定指标之间定期出现的关联，以定义表征所述无线网络的关联的规则集合，并将所述规则集合存储在数据结构中。通过访问分析数据，监测所述无线网络，所述分析数据上报时序性能指标数据。接下来，探测所述分析数据的性能指标中的异常，并将所述异常与所述规则集合中的至少一条规则进行匹配。根据所述方法，输出由所述性能指标中的异常导致的所述无线网络劣化的原因的指示。

Description

蜂窝***中指纹识别根本原因分析
相关申请案交叉引用
本专利申请要求于2016年1月8日提交的、题为“蜂窝***中指纹识别的根本原因分析”、申请号为14/991,598的美国非临时专利申请的优先权，其全部内容，如同再现，通过引用并入本文。
背景技术
蜂窝网络的性能受诸如数据与语音业务负载、RF覆盖、小区间干扰水平、用户位置和硬件故障等一系列因素的影响。在很多情况下，蜂窝网络中一些无线小区的性能可能会出现异常，而由这些小区服务的移动用户将经历糟糕的用户体验。糟糕的用户体验将引起客户的不满。作为一种补救措施，运营商往往需要对异常行为进行检测，然后采取措施以解决问题。传统上，运营商依靠网络专家分析特定小区的行为来识别根本原因。用于无线蜂窝网络的根本原因分析的传统方法通常是基于相关性研究或严重依赖于工程知识。这样的方法通常本质上是探索的，一般难以量化其准确性。这些方法也非常耗时。如果不耗费几天，也可能需要耗费几个小时来识别性能劣化的根本原因。
发明内容
一个方面包括一种由处理器实现的方法，用于识别无线网络中网络质量劣化的根本原因。该方法包括：访问网络的历史性能数据，所述性能数据包括所述网络的性能指标的时序度量。该方法进一步包括：评估所述历史性能数据来确定指标之间定期出现的关联，以定义表征所述无线网络的关联的规则集合，并将所述规则集合存储在数据结构中。在进行所述评估之后，所述方法包括：通过访问分析数据监测所述无线网络，所述分析数据上报时序性能指标数据。接下来，所述方法包括：检测所述分析数据的性能指标中的异常，并将所述异常与所述规则集合中的至少一条规则进行匹配。该方法提供输出由所述性能指标中的异常导致的所述无线网络劣化的原因的指示。
根据一种实施方式，所述评估包括：使用关联学习算法来确定所述指标之间定期出现的关联。
根据一种实施方式，所述评估包括：应用Apriori算法、FN算法或ECLAT算法中的一个，并根据提升度(lift)对所述评估的输出进行排序。
根据一种实施方式，在所述评估之后，所述方法还包括：确定其他性能指标中的一个或多个共现异常，并且，其中所述将所述异常与至少一条规则进行匹配的步骤，包括：访问所述数据结构，并使用k-最近邻算法(k-nearest neighbor algorithm)确定所述异常、任何共现异常以及所述数据结构中的规则之间的相似性。
根据一种实施方式，所述输出包括：针对性能指标列出异常的一个或多个阈值，并针对每个阈值，列出一个或多个根本原因分类以及所述一个或多个根本原因分类中的每一个对所述网络的影响量的指示。
根据一种实施方式，所述历史数据和所述分析数据均包括量化的关键质量指标与关键性能指标的集合。
根据一种实施方式，所述方法还包括：调整所述网络的元件，以解决由所述输出识别的根本原因。
一个一般方面包括存储计算机指令的非瞬态性计算机可读介质，所述计算机指令在由一个或多个处理器执行时，使所述一个或多个处理器执行以下步骤：基于工程数据和网络的历史数据两者或两者之一，计算规则集合，所述规则集合表征所述无线网络中元件的性能指标之间的关联，所述关联反映了对所述无线网络中至少一个其他元件具有影响的元件的集合；通过访问分析数据，监测所述无线网络，所述分析数据上报时序性能指标数据；检测所述分析数据的至少一个性能指标中的异常；检测所述异常的共现异常；将检测到的所述异常和所述共现异常与所述规则集合中的至少一条规则进行匹配；以及输出由所述性能指标中的异常导致的所述无线网络劣化的原因的指示。
根据一种实施方式，计算规则集合包括：用于使用处理器实现的关联学习确定定期出现的指标之间的关联的计算机指令。
根据一种实施方式，计算规则集合包括：用于对所述历史数据执行Apriori算法、FN算法或ECLAT算法中的一个，并根据计算的提升度值对规则的输出进行排序的计算机指令。
根据一种实施方式，计算规则集合包括用于将所述规则集合存储在数据结构中的指令，并且，其中用于将所述异常和所述共现异常进行匹配的计算机指令，包括：访问所述数据结构的指令，以及用于使用所述数据结构中的规则，检测包括所述异常的集合与所述共现异常之间的相似性的代码。
根据一种实施方式，输出包括：用于针对性能指标列出异常的一个或多个阈值，并针对每个阈值，列出一个或多个根本原因分类以及所述一个或多个根本原因分类中的每一个根本原因对所述网络的影响量的指示的计算机指令。
根据一种实施方式，计算所述规则集合，其中所述规则集合表征所述无线网络中元件的性能指标之间的关联，包括：用于比较所述历史数据和所述分析数据的计算机指令，其中所述历史数据和所述分析数据均包括量化的关键质量指标与关键性能指标的集合。
在另一方面，提供了一种用于蜂窝网络的移动网络监测***。该***包括包括至少一个处理器的处理***、耦合到所述处理器的存储器、以及网络接口。存储在所述存储器上的指令，所述指令可操作，用于指示所述至少一个处理器访问网络的历史性能数据，所述性能数据包括用于所述蜂窝网络的性能指标的时序度量。所述指令可操作，用于指示所述至少一个处理器计算规则集合，所述规则集合表征性能指标组之间定期出现的关联，每条规则基于工程知识数据和所述历史性能数据两者或两者之一，每条规则为该指标组定义指标集，所述指标集的性能影响该组中的一个指标，以及将所述规则集合存储在所述存储器中。所述指令可操作，用于指示所述至少一个处理器经由所述网络接口，通过访问网络性能指标的时序分析数据，监测所述蜂窝网络。所述指令可操作，用于指示所述至少一个处理器检测经由所述网络接口接收的所述分析数据中至少一个性能指标中的异常，并检测与该异常在时间上共现的其他异常。所述指示可操作，用于指示所述至少一个处理器将所述异常和在时间上共现的异常与所述规则集合中至少一条规则进行匹配，并输出由所述性能指标中的异常导致的所述无线网络劣化的原因的指示。
根据一种实施方式，对所述分析数据的监测是实时的。
根据一种实施方式，对所述分析数据的访问是周期性的。
在另一方面，提供了一种用于蜂窝网络的移动网络监测***。所述***包括：访问元件，用于访问网络的历史性能数据，所述性能数据包括所述网络的性能指标的时序度量；计算元件，用于计算规则集合，所述规则集合表征性能指标组之间定期出现的关联，每条规则基于工程知识数据和所述历史性能数据两者或两者之一，每条规则为该指标组定义指标集，所述指标集中的指标的性能影响该组中的一个指标，以及将所述规则集合存储在所述存储器中；监测元件，经由所述网络接口，通过访问网络性能指标的时序分析数据监测所述蜂窝网络；检测元件，检测经由所述网络接口接收的所述分析数据中至少一个性能指标中的异常，并检测与该异常在时间上共现的其他异常；匹配元件，将所述异常和在时间上共现的异常与所述规则集合中至少一条规则进行匹配；以及，输出元件，输出由所述性能指标中的异常导致的所述蜂窝网络劣化的原因的指示。
提供本发明内容的目的在于：以简化的形式介绍将在下面具体实施例中进一步描述的一些概念。本发明内容并不旨在确定要求保护的主题的关键特征或必要特征，也不旨在用作确定所要求保护的主题的范围的辅助手段。
附图说明
图1描绘了可实现本***和方法的示例性***的功能与结构组件。
图2为示出了根据所述***和方法创建指纹数据库的方法的流程图。
图3为示出了使用所述指纹数据库分析网络的方法的流程图。
图4为示出了根据所述***和方法存储在所述指纹数据库中的一系列规则的表格。
图5为示出了将一个或多个性能指标与规则进行匹配的有效性的图。
图6A为将来自小区的数据与规则的输出相比较的图示，所述规则定义了关键性能指标的关系。
图6B为图6A所示的数据的示例性输出报告。
图7为适于实现所述***和方法的处理设备的结构示意图。
具体实施方式
公开了一种***和方法，以允许发现网络质量问题的根本原因。在一个实施例中，该***和方法使用关联规则学习来创建指纹数据库，用于对蜂窝无线网络的用户体验劣化的根本原因进行分析。使用历史性能数据构建指纹数据库，所述历史性能数据包括工程知识和/或网络的历史数据中的数据挖掘模式。一旦建立了所述指纹数据库，该***和方法可以监测分析性能数据中的异常，所述分析性能数据包括所述网络的关键性能指标(keyperformance indicator，KPI)和关键质量指标(key quality indicator，KQI)。如果检测到异常，则使用共现分析来识别其他关键质量和性能指标中同时发生的异常模式。然后，将所确定的指标中的共现异常与所述指纹数据库进行匹配，并找出质量问题相关的潜在的根本原因。可以使用相似性度量将所识别的异常模式与历史知识数据库中的记录进行比较来执行所述匹配。
所述分析***和方法可以作为网络管理***的一部分来实现，所述网络管理***允许工程师基于所述***提供的输出来调整网络的参数。应理解，本***和方法可以以许多不同形式来实施，并且不应被解释为局限于本文阐述的实施例。相反地，提供这些实施例是为了使本公开透彻和完整，并将本***和方法充分传达给本领域技术人员。实际上，该***和方法旨在涵盖包含在所附权利要求限定的***和方法的范围和精神内的这些实施例的替代、修改和等同替换。此外，在下面的详细描述中，阐述了许多特定细节以便提供对该***和方法的透彻理解。然而，本领域的普通技术人员将清楚，可以在不具备这些特定细节的情况下实施本***和方法。
图1描绘了执行根本原因分析的***实施例的功能与结构组件。图1包括网络100，它是使用所述***来监测的主体网络。尽管仅示出了一个网络，但是可以监测多个网络，每个网络具有基于如网络的历史数据和工程数据构建的它们自己的指纹数据库。
网络100可以包括为设备提供通信连接的任何有线或无线网络。网络100可以包括各种蜂窝网络组件和分组数据网络组件，诸如基站收发信台(base transceiver station，BTS)、节点B、基站控制器(base station controller，BSC)、无线网络控制器(radionetwork controller，RNC)、服务GPRS支持节点(service GPRS support node，SGSN)、网关GPRS支持节点(gateway GPRS support node，GGSN)、无线应用协议(WirelessApplication Protocol，WAP)网关、移动交换中心(mobile switching center，MSC)、短消息服务中心(short message service center，SMSC)、归属位置寄存器(home locationregister，HLR)、访客位置寄存器(visitor location registers，VLR)、互联网协议多媒体子***(Internet protocol multimedia subsystem，IMS)和/或诸如此类的组件。网络100可以采用诸如码分多址(Code Division Multiple Access，CDMA)、全球移动通信***(Global System for Mobile communication，GSM)、通用移动电信***(UniversalMobile Telecommunications System，UMTS)，长期演进(Long Term Evolution，LTE)之类的任何已知和可用的通信协议，或者采用利于通信网络100与网络使能的设备之间通信的任何其他网络协议。通信网络100还可以与未来的移动通信标准兼容，包括但不限于高级LTE(LTE-Advanced)和高级WIMAX(WIMAX-Advanced)。网络100可以包括用于从无线电收发信机、网络、因特网和其他内容分发网络接收和向无线电收发信机、网络、因特网和其他内容分发网络发送语音、数据和组合信息的其他类型的设备和节点。所述网络可以支持来自具有网络连接功能的任何便携式或非便携式通信设备的通信，诸如蜂窝电话、计算机、平板电脑等等，这些通信设备可操作地连接至通信网络100。
关键质量指标(KQI)通常是外部指标，用作对用户感知的服务质量(Quality ofService，QoS)进行评估的依据。一些KQI是通过网络(包括这里提供的示例)可量化的和可上报的，但另一些KQI则可能不是由所述网络本身可上报的，而是由用户感知的。关键性能指标(KPI)是基于时间参考的网络计数器的内部指标。这些关键性能指标与关键质量指标相关，并在其他计数器的情境下接受评估。每个KPI和KQI是特定指标的时间参考度量。每个KPI和KQI中的变化可以跟踪到特定的时间指示。可以使用所述无线网络中定义的标准接口测量和监测网络KPI。这些KPI包括多个网络性能计数器和计时器。例如，在移动数据服务网络中，可以通过分组数据协议(Packet Data Protocol，PDP)上下文激活成功率KPI确定服务可接入性，所述PDP上下文激活成功率KPI可以是成功的PDP上下文激活与PDP上下文尝试的聚合比。该KPI指示移动用户接入分组交换服务的能力。
在，例如，网页浏览会话中，使用经由通信网络100与网页服务器通信的移动设备的客户将获得感知的性能体验。这样的网络可以包括大量的物理子***和网络组件，进行问题识别、分析或解决困难任务。在所述网页浏览会话的背景下，一个示例中，在所述网络正在处理的客户服务会话的数量为峰值的期间，客户可以经历1Mbps的平均下载吞吐率，其他情况下经历的吞吐率则为2Mbps。在客户服务会话的下载吞吐率显著偏离这些学习趋势的情况下，可以使用本文的分析***对根本原因分析进行识别。此处讨论的一个KQI是以kbps为单位测量的HTTP大页面显示(HTTP Large Page Display)速率(rate)，kbps是网页浏览会话的度量，图6A中以HTTP_页面_大_显示_速率(HTTP_Page_Large_Display_Rate)作为示例。如本文所讨论的，该速率中的异常可能与KPI(图6A中的总_DLPS_业务_比特(Total_DLPS_Traffic_Bits))中的异常相关联，并且这些异常用于确定所述网络中该问题的根本原因。
返回到图1，网络监测***150可以包括数据库处理器152、指纹数据库155、网络监测器160和异常检测器165、异常与根本原因分析器170以及输出生成器180。网络监测***150可以在包括一个或多个不同类型的计算设备的计算机***中实现。图7中示出了这种计算***的一个示例。网络监测***150可以是分立的***，或者可以集成在包括通信网络100内的***和组件的其他***内。
数据库处理器152对网络的历史数据110和工程数据120执行关联规则学习，以创建指纹数据库155。网络的历史数据110包括由所述网络可用的KPI和KQI表征的、并按时间排序的网络的历史性能数据。所述数据库提供了反映KPI和KQI之间关系的规则集，该KPI和KQI影响网络性能。由所述数据库处理器执行的方法在图2中示出。所述数据库处理器可以由代码使能，并且可操作用于指示处理设备执行图2的方法，或者可以由处理可以编程的、适用于实现本文讨论的学习算法的特定硬件来使能。因此，一旦提供了对网络的历史数据110和工程数据的访问，所述指纹数据库的创建则以自动的方式执行。
异常检测器165和分析器170利用指纹数据库155确定哪些因素可能导致网络质量问题，从而识别网络质量问题的可能的根本原因。图4所示的数据结构中示出了所述指纹数据库中的规则的小例子。下面将进一步讨论指纹数据库155的创建和使用。当向网络100提供新的网络的历史数据110或工程数据120时，可以周期性地更新指纹数据库155。
网络监测器160访问网络100的各个组件，以实时地和/或周期性地监测分析数据，用于定义的KPI和KQI数据。然后，当异常检测器165检测到异常时，分析器170对由网络监测器160访问的数据中的异常进行分析。可选地，异常检测器165和/或分析器170可以在实时分析数据之外，周期性地分析存储的数据，或者，可以周期性地分析存储的数据而非实时分析数据。
异常检测器165比较KPI的历史数据以检测KPI和KQI分析数据中的变化。每个KPI和KQI都有操作值的正常范围，而该范围是可以界定的。当KPI或KQI分析数据中出现数据异常值时，可以指示异常。当检测到KQI异常或KPI异常时，异常检测器165可以进一步执行共现分析来搜索其他KPI和KQI，以确定其他KPI和KQI中是否同时或几乎同时地也出现了异常。然后，通过分析器170中的、与指纹数据库165中获取的数据有关的匹配算法，分析这些检测到的共现异常，以确定检测到的所述异常的可能的根本原因。为了检测分析数据中的异常，针对监测的每个参数触发检测周期，在此期间接收到分析数据的片段。记录所述数据片段的时间戳。根据为每个参数定义的最小阈值变化，所述异常检测器计算任意数据点中的方差。这种变化可以从每个参数的历史数据中确定。所述***可以包括用于每个监测的参数的默认阈值集，该些阈值可以由网络监测器150的运营商调整。图6A中示出了采样数据片段。
分析器170执行如下所述的匹配分析。在所述匹配分析中，将KPI和KQI数据分析数据中在时间上共现的异常与指纹数据库中的学习规则进行匹配，以识别网络问题的潜在根本原因。在一个实施例中，可以通过，在给定的相似性度量下，将所识别的异常模式与从历史知识数据库中的记录导出的规则进行比较，来执行对KPI数据、KQI数据和指纹数据库之间的匹配。一个例子是k最近邻(k-nearest neighbors，KNN)算法。
图2为示出了创建指纹数据库155的方法的流程图。在步骤210处，访问历史KPI数据和可量化的KQI数据(如果可用的话)。在步骤220处，访问工程知识。工程知识可以包括一个或多个网络工程师根据网络知识定义的规则，所述网络知识定义了性能指标和质量指标之间的关系。在一个实施例中，跳过步骤210，而仅从工程数据知识创建所述指纹数据库。在一个实施例中，跳过步骤220，而仅从历史数据创建所述指纹数据库。在另一实施例中，利用220处的工程知识和210处的历史数据两者来创建所述指纹数据库。
在230处，使用关联规则学习，分析历史数据和/或工程知识，以创建所述数据中定期出现的关联的数据库。例如，DLPS业务比特(DLPS traffic bit)(KPI)中定期出现的峰值可能与大页面显示速率吞吐量(KQI)的下降相关。在下面的图6A所示的示例性数据中可以看到这种关联。
关联规则学***均总TCP利用率(MeanTotalTCPUtilityRatio)、总DLPS业务比特(TotalDLPSTrafficBits)和VS_RLC_AM_Disc_HsdpaTrfPDU.packet(HSDPA RLC层分组中丢弃的业务数据)，这些性能指标之间的关联可能与如图4的规则中所示的慢视频初始化的出现相关。
为了从所有可能的规则集合中选择感兴趣的规则，可以使用对重要性与兴趣的各种度量的约束。最著名的约束是支持度和可信度的最小阈值。
设X是一个项目集，XY为一关联规则，T是给定数据库的业务集。将X相对于T的支持度值(supp(X))定义为所述数据库中包含项目集X的业务的比例。表示为supp(X)的公式是指在一个随机篮子里同时发现X和Y的联合概率。例如，如果每五个业务中出现一个项目集(尿布、牛奶啤酒)，则由于这个项目集出现在20％的所有业务中，因此这个项目集的支持度为0.2。supp()的变量是先决条件集，因而随着其增长而变得更加严格。
对于业务T的规则集，XY规则的置信度值是包含X的业务中也包含Y的比例，换句话说，就是如果篮子已经包含X，则在篮子中找到Y的概率。
置信度定义为：
conf(v)＝supp(X∪Y)/supp(X)。
其中supp(X∪Y)表示X和Y中项目的并集的支持度。因此，可以将置信度阐释为条件概率的估计——在业务中也包含LHS的情况下，在所述业务中找到所述规则的RHS的概率。
规则的提升度定义为：
或定义为：在X和Y独立的条件下，观测到的支持度与预期支持度的比。
提升度是，在预测或分类的情况下，衡量目标模型(关联规则)的性能，具有增强的响应(与群体整体相关)，对随机选择的目标模型进行衡量。如果所述目标内的响应远远好于群体整体的平均水平，那么目标模式工作良好。提升度仅是以下这些值的比：目标响应除以平均响应。因此：
因此，提升度高意味着两个项目之间强烈关联。通常，可以分析关联规则以同时满足用户指定的最小支持度和用户指定的最小置信度。应用最小支持度阈值查找数据库中的所有频繁项集。对这些频繁项集应用最小置信度约束以形成规则。
在本***中，将1.5的提升度设定为阈值。丢弃所有计算后提升度小于1.5的规则。在另一实施例中，可以设定更高或更低的阈值。最小提升度为1.0。
在一个实施例中，通过使用Apriori算法、ELAT算法或FP-Growth算法中的任何一个的计算关系来执行关联规则学习。例如，Apriori算法设计用于在包含业务(例如，消费者购买的物品集合，或常用网站的细节)的数据库上进行操作，其中将每个业务视为项目集(项集)。给定阈值C，所述Apriori算法识别出所述数据库中至少是C业务的子集的项目集。常见子集一次扩展一个项目(候选生成)，并且根据所述数据对候选组进行测试。当找不到其他成功的扩展时，所述算法终止。
Apriori使用广度优先搜索和哈希(Hash)树结构高效地对候选项集进行计数。从长度为k-1的项目集生成长度为k的候选项集。然后，剪去(prune)具有不常见的子模式的候选。当频繁项集不能再扩展时，该算法终止。但是必须生成大量的候选项集，并按照最长的频繁项集的长度扫描数据集。Apriori算法可以用如下伪代码编写：
输入：数据集D、最小支持度minsup
输出：频繁项集L
在上面的伪代码中，Ck表示第k个候选项集，而Lk表示第k个频繁项集。
可选地，可以使用频繁模式(Frequent Pattern，FP)算法确定规则。在第一次遍历中，所述算法对所述数据集中项目(属性-值对)的出现次数进行计数，并将它们存储到“头指针表”(header table)中。在第二次遍中，通过***实例来构建FP树结构。每个实例中的项必须按照它们在所述数据集中出现频率的降序进行排列，以便可以对所述树进行快速处理。将每个实例中不符合最小覆盖度阈值的项丢弃。如果有多个实例共享最频繁的项，则FP树提供邻近树根的高度压缩。
对主数据集的该压缩版本进行递归处理，直接生成大型的项集，而不是生成候选项并针对整个数据库对它们进行测试。通过查找符合给定条件的所有实例，从头指针表底部(具有最长的分支)开始生长。创建新的树，具有从原始树中计算出的计数，该计数与属性上有条件的实例集合对应，并且每个节点获得它的子计数之和。当没有条件属性满足最小支持阈值的个别项目时，递归生长结束，继续处理原始FP树的剩余头指针项。一旦完成递归过程，则所有具有最小覆盖值的大型的项集已被找到，并且开始关联规则的创建。
另外，可以使用等价类转换(Equivalence Class Transformation，ECLAT)算法执行步骤220。所述ECLAT算法使用tidset交集计算候选项集的支持度，从而避免产生在前缀树中不存在的子集。所述ECLAT算法是递归的。最初的调用使用所有单个项目和它们的tideset。在每次递归调用中，函数IntersectTidsets用所有其他的<Y,t(Y)>对来验证每个项集-tidset对<X,t(X)>，以生成新的候选Nxy。如果所述新的候选是频繁的，则将其添加到集合Px中。然后，递归地，找到X分支中的所有频繁项集。该算法以深度优先的搜索方式查找所有的频繁集。
因此，数据库处理器152使用前述的任何方法或其变形用编程方式构建所述指纹数据库。
图4为示出了存储在所述指纹数据库中的五个规则的数据结构系列的部分的表格。第一列或LHS列示出可能存在于分析数据中的KPI集，而RHS列示出了关联规则的LHS中的项目集的结果(效果)，该关联规则可能对RHS列中的因素存在影响。图中还示出了所示的5条规则中每一条规则的支持度、置信度和提升度值。这些规则中的每一条都是为视频启动持续时间(Video_Init_Duration)因素定义的。该示例性表格是作为蜂窝网络200上历史数据的部分规则生成的。
表格的第1行中示出了三个性能指标——MeanTotalTCPUtilityRatio、TotalDLPSTrafficBits和VS_RLC_AM_Disc_HsdpaTrfPDU.packet。规则1具有的提升度在表中所列规则中最高。表格的第2行中，第二规则定义了影响Video_Init_Duration的MeanTotalTCPUtilityRatio、VS_RLC_AM_Disc_HSDPATrfPDU.packet和VS_HSDPA_MeanChThrougput_TotalBytes.byte。虽然规则2的支持度低于规则3-5，但规则2具有更大的提升度。
在图4的示例中，当所测量的三个KPI的示例性值为，例如，MeanTotalTCPUtilityRatio(KPI1)≥0.84，TotalDLPSTrafficBits(KPI2)≥0.57Mb以及RLC_AM_Disc_HsdpaTrfPDU.packet(KPI3)>＝1.7k，Video_Init_Duration为高(>4.91s)。
图5为示出将一个或多个性能指标与规则进行匹配的有效性图502。如图5所示，曲线图502示出了规则的左侧(LHS)上的组合因素如何增加示出的右侧(RHS)的KQI因素上的影响的准确度。在图5中，曲线图502示出了组合KPI因素各自的有效性、对(versus)评估的所有因素、单独一个因素、两个因素和三个因素的准确度。Video_Init_Duration的所有情况的相对分布是0.33，而当结合两个因素(MeanTotalTCPUtilityRatio＝0.84和RLC_AM_Disc_HsdpaTrfPDU.packet＝1.67K)时，Video_init_Duration将受到影响的可能性增至0.9，并且增加TotalDLPSTrafficBits＝0.57mb时，可能性增至0.93。
因此，如果匹配确定所有三个KPI异常都满足，则视频启动持续时间有93％的可能性是不好的。在一个实施例中，对三个因素进行分析。在其他实施例中，可以在每条规则中使用更多或更少的因素。
返回图2，一旦已经计算了关联规则，则将步骤220确定的规则存储在步骤240的指纹数据库155中。
图3为示出了利用所述指纹数据库分析网络的方法的流程图。图3的方法，作为监测来自网络的分析数据的方法，可以实时或周期性地执行。
在310处，访问KPI和KQI分析数据。所述分析数据可以包括与历史数据120相同的、更多或更少的性能指标。在一个实施例中，所述分析数据可以由网络监控器实时访问。可选地或附加地，可以在310处周期性地访问并分析KPI和KQI数据。
在320处，针对每个KPI和每个KQI，监测所述分析数据的异常情况。图6A的610处和620处示出了KQI异常和KPI异常的示例。可以通过经由图1的网络接口接收分析网络数据来执行监控。
如上所述，当所述分析数据中的数据点的变化超过为每个参数定义的最小阈值变化时，320处检测到异常。该***可以包括用于每个监测的参数的默认阈值集，而这类阈值可以由网络监测器150的运营商进行调整。在图6A的示例中，示出了针对HTTP_PageLargeDisplayRate KQI和TotalDLPSTrafficBit KPI的两个异常(数据异常点)。
一旦检测到数据异常，则在330处执行对所述分析数据的共现分析。步骤330确定所述分析数据中的异常之间是否同时出现或几乎同时出现。在图6A的示例中做出如下决策：KQI和KPI的异常值发生在两个不同的同时时间段。所述异常是指任何参数的数据点相对该参数的平均数据值的偏差高于阈值。应注意，KQI HTTP_PageLargeDisplayRate的两个异常与TotalDLPSTrafficBit的两个异常同时对应。
一旦在给定的时间帧内，检测到所有同时出现或接近同时出现的异常，则在340处，针对数据库中规则，执行指纹匹配，以确定哪些指标将影响创建网络问题。在一个实施例中，分析器170，使用由k最近邻(KNN)算法进行的匹配，执行步骤340。
KNN算法存储所有可用的情况，并基于相似性度量(例如，距离函数)对新的事件进行分类。通过近邻的多数投票对事件进行分类，将该事件分配到由距离函数测量的其K最近邻里最常见的类别中。如果K＝1，则使用诸如欧几里德(Euclidean)距离或汉明(Hamming)距离等距离度量将该事件仅分配给其最近邻的类别。在相似性分类的情况下，可以返回最普遍的规则或排序的若干个规则(原因)。
最后，在350处生成输出。所述输出可以采取多种设计用于向网络工程师提供异常的根本原因的指示的形式或报告或用户界面。图6B示出了一个输出示例，尽管可以设想许多用于输出报告的替代方案。
图6B为相比于定义关键性能指标关系的规则的输出的来自小区的数据图示。图6的左侧示出了四个数据源(两个KQI和两个KPI)。左边的图表显示了HTTP_PageLargeDisplayRateKQI和TotalDLPSTrafficBit KPI中的两个异常值。使用所述指纹数据库去了解引起KQI和KPI异常值的原因，我们知道当发现KPI异常值时，KQI将会有相当程度的劣化。
图6B示出了在步骤350可能生成的一个输出接口。为了生成用户可用的输出，可以将根本原因划分到不同的类别。根本原因类别的例子包括如高流量负载、射频覆盖差和硬件故障。
在图6B生成和输出的报告中，在一个应用中，所述根本原因可能被分类为拥塞——给定小区的用户过多或小区容量不足，以及覆盖问题——信号强度或可及范围不足。如图6B所示，可以生成输出，所述输出表征关键性能指标与根本原因类别的关系。在图6B中，第一列提供了性能指标的阈值变化，并且就拥塞、覆盖率以及这两者(混合)列出了图6B中列出的小区数据的每个根本原因的贡献。在图6B中，可以设置任何一个或多个KPI的劣化阈值，并且图6B所示的输出，针对每个百分比，提供拥塞中劣化的量和覆盖范围劣化的程度，以及所述因素混合的程度。
应认识到，可以提供许多输出的替代形式。在一个替代方案中，用户接口可以提供经历异常的一个或多个质量或性能指标的提醒，并且所述接口提供了便利，以提供关于所述根本原因(或按置信度或提升度排序的潜在的根本原因)的进一步信息。
在移动网络的情况下，可以利用作为工程数据存储在数据库120中的工程知识对根本原因进行分类。例如，工程数据可以是基于人类对网络构造或先前事件的认知的网络问题的已知表征。关于特定小区容量的工程知识可以在规则中连接起来，所述规则与所述小区相关的业务拥塞中检测到的问题相关联。在分析数据中的性能计数器向特定小区返回异常情况下，该小区的工程数据可以反映出相关的规则，所述相关的规则指示该小区的有限容量作为异常的潜在根本原因。基于工程知识，将根本原因的类别划分为网络工程师可行的标识。这种分类使得对根本原因的报告更有效率。
图7为适用于实现所述***和方法的处理设备的结构示意图。计算***702可以包括，例如，处理器710、随机存取存储器(RAM)720、非易失性存储器730、显示单元(输出设备)750、输入设备760和网络接口设备740。在某些实施例中，计算***702可以嵌入到个人计算机、移动计算机、移动电话、平板电脑或其他合适的处理设备中。
在非易失性存储器730中示出的是功能组件，所述功能组件可以通过可操作用于使处理器710执行一个或多个下面描述的过程的指令来实现。尽管只示出了非易失性存储器730的一部分，但是可以操作这样的指令以使得所述处理器使用图7中所示的硬件组件中的任何一个或多个硬件组件来执行本文所描述的各种过程。这些功能组件包括虚拟机管理器和网络功能虚拟化(Virtualized Network Function，VNF)。
非易失性存储器730可以包括一个或多个计算机可读介质的任何组合。所述计算机可读介质可以是计算机可读存储介质。计算机可读存储介质可以是，例如，但不限于，电子、磁、光学、电磁或半导体***、装置或设备，或前述的任何合适的组合。更具体的所述计算机可读存储介质的例子(非穷举)可以包括：计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦写可编程可读存储器(EPROM或闪存)、具有重发器的合适光纤、光盘只读存储器(CD-ROM)、光存储设备、磁存储设备或前述的任何适当的组合。在本文的上下文中，计算机可读存储介质可以是任何有形介质，其可以包含或存储程序，该程序用于指令执行的***、装置或设备使用，或用于与指令执行的***、装置或设备结合使用。
计算机***702可以包括指令集，可以执行所述指令集使得计算机***702实施本文公开的任何一种或多种方法或基于计算机的功能。可以以一种或多种编程语言的任意组合来编写用于执行本公开的各方面的操作的计算机程序代码，所述编程语言包括面向对象的编程语言、常规程序化编程语言。所述程序代码可以完全在计算机***702上执行、部分在计算机***702上执行、作为独立软件包而部分在计算机***702上执行且部分在远程计算机上执行，或者全部在远程计算机或服务器上执行。在后一种情况下，所述远程计算机可以通过包括局域网(LAN)或广域网(WAN)的任何类型的网络连接到用户的计算机，或者可以连接到外部计算机(例如，通过使用互联网服务提供商的因特网)，或是处在云计算环境中，或作为服务提供。
如图7所示，计算***702包括处理器710。计算***702的处理器710配置用于执行软件指令，以便执行本文各种实施例中描述的功能。计算***702的处理器710可以是通用处理器或专用集成电路(ASIC)的一部分。计算***702的处理器710也可以是微型处理器、微型计算机、处理器芯片、控制器、微控制器、数字信号处理器(DSP)、状态机或可编程逻辑器件。计算***702的处理器710也可以是逻辑电路，所述逻辑电路包括诸如现场可编程门阵列(field programmable gate array，FPGA)的可编程门阵列(PGA)，或者可以是包括离散门(discrete gate)和/或晶体管逻辑的其他类型电路的逻辑电路。计算***702的处理器710可以是中央处理单元(CPU)、图形处理单元(GPU)或是两者的结合。另外，这里描述的任何处理器可以包括多个处理器、并行处理器或两者的结合。多个处理器可以包括在单个设备或多个设备之中或耦合到单个设备或多个设备。
此外，计算***702包括RAM 720和非易失性存储器730，其可以经由总线708进行互相通信、与处理器710或其他通信的。在非易失性存储器730中示出的组件：可以由处理器使用以创建图1中的网络监测器160的网络监测器732、可用于创建指纹数据库155的数据库创建器731、可由处理器用来创建图1的异常检测器165的异常检测器734、可用来创建异常检测器165以检测数据异常和共现分析的分析器736、以及用于生成本文讨论的任何输出报告的虚拟用户界面生成器738。所述组件中的每一个可以包括能够使处理器770执行步骤以实施本文所讨论的方法的指令。
如图所示，计算***702还可以包括显示单元(输出设备)750，例如液晶显示器(LCD)、有机发光二极管(OLED)、平板显示器、固态显示器或者阴极射线管(CRT)。另外，成像处理器可以包括输入设备760，比如键盘/虚拟键盘、或触敏输入屏幕、或具有语音识别的语音输入，并且可以包括光标控制设备，比如鼠标或触敏输入屏幕或平板。
本文描述的存储器是可以存储数据以及可执行指令的有形存储介质，并且，当它存储指令时是非瞬态性的。本文描述的存储器是制造物品和/或机器部件。本文将描述的存储器是计算机可读介质，可以由计算机从中读取数据和可执行指令。如本文所描述的存储器可以是随机存取存储器(RAM)、只读存储器(ROM)、闪存、电可编程只读存储器(EPROM)、电可擦写可编程只读存储器(EEPROM)、寄存器、硬盘、可移动磁盘、磁带、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)、软盘、蓝光光盘或本领域已知的任何其他形式的存储介质。存储器可能是易失性或非易失性的、安全的和/或加密的、不安全的和/或未加密的。
本文参照根据本公开的实施例的方法、装置(***)和计算机程序产品的流程图和/或结构示意图来描述本公开的各个方面。将理解的是，可以通过计算机程序指令来实现流程图和/或结构示意图中的每个框以及流程图和/或结构示意图中的框的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器，使得经由计算机或其他可编程指令执行装置的处理器执行的指令创建用于实现在流程图和/或结构示意图的一个或多个框中指定的功能/动作的机制。
这些计算机程序指令还可以存储在计算机可读介质中，当执行该计算机可读介质时，可以指示计算机、其他可编程数据处理装置或其他设备以特定的方式运行，使得当指令存储在计算机可读介质中时，产生包括当执行时使计算机实现在流程图和/或结构示意图的一个或多个框中指定的功能/动作的制造产品。这种计算机可读介质特别地排除了信号。还可以将所述计算机程序指令加载到计算机、其他可编程指令执行装置或其他设备上，以使得在所述计算机、其他可编程设备或其他设备上执行一系列操作步骤，以产生计算机可实现的过程，使得在所述计算机或其他可编程装置上执行的指令为实现所述流程图和/或结构示意图的一个或多个框中指定的功能/动作提供处理。
本文的主题有利地提供了一种识别无线网络中劣化的网络质量的根本原因的处理器实现的方法。所述方法访问网络的历史性能数据，该网络的历史性能数据包括所述网络的性能指标的时序度量。使用机器实施的关联学习来评估历史数据，以确定指标之间定期出现的关联，从而定义表征所述无线网络的关联的规则集合。所述规则作为规则集合存储在数据结构中。在对所述历史数据进行评估之后，所述方法通过访问分析数据监测无线网络，所述分析数据上报时序性能指标数据。然后在所述分析数据中检测监控的性能指标中的异常，并将所述异常与所述规则集合中的至少一条规则进行匹配。输出由性能指标中的异常导致的无线网络劣化的根本原因的指示。
因此，本文公开提供了一种复杂度较低且自动化的用于确定无线网络中的根本原因的方法。该***和方法可以扩展到可量化的关键性能指标和关键质量指标形成的任何网络或***。该***和方法能够基于历史数据和工程信息自适应地学习规则，并且因此可以随着时间的推移与所述指纹数据库的更新而学习新的关联。
根据上述优点，***和方法包括：使用所述处理器计算规则集合的数据库处理器(152)，所述规则基于工程知识和网络的历史数据两者或其中之一识别蜂窝网络的性能指标之间的关联，所述关联包括对所述蜂窝网络的至少一个其他指标具有影响的指标集合，并且将所述规则集合存储在所述存储器中；网络监测器(160)，用于通过经由所述网络接口访问网络性能指标的时序分析数据，监测所述蜂窝网络；异常检测器(165)，用于检测经由所述网络接口接收的所述分析数据中至少一个性能指标中的异常，并检测与该异常共现的其他异常；分析器(170)，用于将所述异常和在时间上共现的异常与所述规则集合中至少一条规则进行匹配；以及输出(180)，用于输出由所述性能指标中的异常导致的所述无线网络劣化的原因的指示。
尽管已经用结构特征和/或方法行为特定的语言描述了本主题，但是，应理解，所附权利要求所界定的主题不必局限于上面描述的具体特征或行为。相反，上面描述的具体特征和行为是作为实现所述权利要求的示例形式而公开。

Claims (20)

1.一种由处理器实现的方法，用于识别无线网络中网络质量劣化的根本原因，包括：
访问网络的历史性能数据，所述性能数据包括用于所述网络的性能指标的时序度量；
评估所述历史性能数据来确定指标之间定期出现的关联，以定义表征所述无线网络的关联的规则集合，并将所述规则集合存储在数据结构中；
在进行所述评估后，通过访问分析数据监测所述无线网络，所述分析数据上报时序性能指标数据；
检测所述分析数据的性能指标中的异常；
将所述异常与所述规则集合中的至少一条规则进行匹配；以及
输出由所述性能指标中的所述异常导致的所述无线网络劣化的原因的指示。
2.根据权利要求1所述的方法，其中所述评估包括使用关联学习算法来确定所述指标之间定期出现的关联。
3.根据权利要求2所述的方法，其中所述评估包括应用Apriori算法、FN算法或ECLAT算法中的一个，并根据提升度对所述评估的输出进行排序。
4.根据权利要求1至3中的任一项所述的方法，其中，在所述评估之后，所述方法还包括：确定其他性能指标中的一个或多个共现异常；
其中所述将所述异常与至少一条规则进行匹配的步骤，包括：
访问所述数据结构，并使用k-最近邻算法确定所述异常、任何共现异常以及所述数据结构中的规则之间的相似性。
5.根据权利要求1至4中的任一项所述的方法，其中所述输出包括：
针对性能指标列出异常的一个或多个阈值，并针对每个阈值，列出一个或多个根本原因分类以及所述一个或多个根本原因分类中的每一个对所述网络的影响量的指示。
6.根据权利要求1至5中的任一项所述的方法，其中，所述历史数据和所述分析数据均包括量化的关键质量指标与关键性能指标的集合。
7.根据权利要求1至6中的任一项所述的方法，还包括：调整所述网络的元件，以解决由所述输出识别的根本原因。
8.一种存储计算机指令的非瞬态性计算机可读介质，所述计算机指令在由一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：
基于工程数据和网络的历史数据两者或两者之一，计算规则集合，所述规则集合表征所述无线网络中元件的性能指标之间的关联，所述关联反映了对所述无线网络中至少一个其他元件具有影响的元件的集合；
通过访问分析数据，监测所述无线网络，所述分析数据上报时序性能指标数据；
检测所述分析数据的至少一个性能指标中的异常；
检测所述异常的共现异常；
将检测到的所述异常和所述共现异常与所述规则集合中的至少一条规则进行匹配；以及
输出由所述性能指标中的异常导致的所述无线网络劣化的原因的指示。
9.根据权利要求8所述的非瞬态性计算机可读介质，其中用于执行计算规则集合的步骤的计算机指令，包括：
用于使用处理器实现的关联学习确定指标之间定期出现的关联的计算机指令。
10.根据权利要求9所述的非瞬态性计算机可读介质，其中用于执行计算规则集合的步骤的计算机指令，包括：
用于对所述历史数据执行Apriori算法、FN算法或ECLAT算法中的一个，并根据计算的提升值对规则的输出进行排序的计算机指令。
11.根据权利要求10所述的非瞬态性计算机可读介质，其中用于执行计算规则集合的步骤的计算机指令，包括：
用于将所述规则集合存储在数据结构中的计算机指令，并且，
其中用于匹配所述异常和共现异常的计算机指令，包括：
用于访问所述数据结构的计算机指令，以及用于使用所述数据结构中的规则，检测包括所述异常的集合与所述共现异常之间相似性的代码。
12.根据权利要求8至11中的任一项所述的非瞬态性计算机可读介质，其中用于输出的计算机指令，包括：用于针对性能指标列出异常的一个或多个阈值，并针对每个阈值，列出一个或多个根本原因分类以及所述一个或多个根本原因分类中的每一个对所述网络的影响量的指示的计算机指令。
13.根据权利要求8至12中的任一项所述的非瞬态性计算机可读介质，其中用于计算规则集合，所述规则集合表征所述无线网络中元件的性能指标之间的关联的计算机指令，包括：用于比较所述历史数据和所述分析数据的计算机指令，其中所述历史数据和所述分析数据均包括量化的关键质量指标与关键性能指标的集合。
14.一种用于蜂窝网络的移动网络监测***，包括：
包括至少一个处理器的处理***、耦合到所述处理器的存储器、以及网络接口；
存储在所述存储器上的指令，所述指令可操作，用于指示所述至少一个处理器执行：
访问网络的历史性能数据，所述性能数据包括用于所述蜂窝网络的性能指标的时序度量；
计算规则集合，所述规则集合表征性能指标组中定期出现的关联，每条规则基于工程知识数据和所述历史性能数据两者或两者之一，每条规则为该指标组定义指标集，所述指标集的性能影响所述组中的一个指标，并将所述规则集合存储在所述存储器中；
经由所述网络接口，通过访问网络性能指标的时序分析数据监测所述蜂窝网络；
检测经由所述网络接口接收的所述分析数据中至少一个性能指标中的异常，并检测与所述异常在时间上共现的其他异常；
将所述异常和所述在时间上共现的异常与所述规则集合中至少一条规则进行匹配；以及
输出由所述性能指标中的异常导致的所述蜂窝网络劣化的原因的指示。
15.根据权利要求14所述的移动网络监测***，其中用于计算规则集合的指令，包括：使用处理器实现的关联学习，计算指标之间定期出现的关联的指令。
16.根据权利要求14和15中的任一项所述的移动网络监测***，其中所述用于计算规则集合的指令，用于：使所述处理器对所述工程知识和网络的历史数据两者或两者之一执行Apriori算法、FN算法或ECLAT算法中的一个，并根据计算的提升度值对所述规则进行排序。
17.根据权利要求14至16中的任一项所述的移动网络监测***，其中用于计算规则集合的指令，还包括：
用于将所述规则集合存储在数据结构中的指令；并且，
其中用于匹配所述异常和共现异常的指令，包括：
用于访问所述数据结构的指令，以及用于使用所述数据结构中的规则，检测包括所述异常的集合和所述共现异常之间相似性的指令。
18.根据权利要求14至17中的任一项所述的移动网络监测***，其中所述输出，包括：针对性能指标列出异常的一个或多个阈值，并针对每个阈值，列出一个或多个根本原因分类以及所述一个或多个根本原因分类中的每一个对所述网络的影响量的指示。
19.根据权利要求14至18中的任一项所述的移动网络监测***，其中对所述分析数据的监测是实时的。
20.根据权利要求14至19中的任一项所述的移动网络监测***，其中对所述分析数据的访问是周期性的。
CN201780006162.8A 2016-01-08 2017-01-04 蜂窝***中指纹识别根本原因分析 Pending CN108463973A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/991,598 US10397810B2 (en) 2016-01-08 2016-01-08 Fingerprinting root cause analysis in cellular systems
US14/991,598 2016-01-08
PCT/CN2017/070156 WO2017118380A1 (en) 2016-01-08 2017-01-04 Fingerprinting root cause analysis in cellular systems

Publications (1)

Publication Number Publication Date
CN108463973A true CN108463973A (zh) 2018-08-28

Family

ID=59273670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780006162.8A Pending CN108463973A (zh) 2016-01-08 2017-01-04 蜂窝***中指纹识别根本原因分析

Country Status (4)

Country Link
US (1) US10397810B2 (zh)
EP (1) EP3395012A4 (zh)
CN (1) CN108463973A (zh)
WO (1) WO2017118380A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815042A (zh) * 2019-01-21 2019-05-28 南方科技大学 异常因素的定位方法、装置、服务器和存储介质
CN110609858A (zh) * 2019-09-17 2019-12-24 南京邮电大学 一种基于Apriori算法的指标关联方法
CN110633195A (zh) * 2019-09-29 2019-12-31 北京博睿宏远数据科技股份有限公司 一种性能数据的展示方法、装置、电子设备及存储介质
CN114338351A (zh) * 2021-12-31 2022-04-12 天翼物联科技有限公司 网络异常根因确定方法、装置、计算机设备及存储介质
CN116134785A (zh) * 2020-08-10 2023-05-16 国际商业机器公司 网络设备属性的低时延识别
CN117272398A (zh) * 2023-11-23 2023-12-22 聊城金恒智慧城市运营有限公司 基于人工智能的数据挖掘安全保护方法及***

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10795757B2 (en) 2017-06-29 2020-10-06 Level 3 Communications, Llc Streaming server statistics and predictive mitigation
CN109963295B (zh) * 2017-12-26 2022-04-08 ***通信集团上海有限公司 一种确定性能指标监控门限的方法及装置
CN110837841B (zh) * 2018-08-17 2024-05-21 北京亿阳信通科技有限公司 一种基于随机森林的kpi劣化根因识别方法和装置
US11228506B2 (en) * 2018-09-06 2022-01-18 Hewlett Packard Enterprise Development Lp Systems and methods for detecting anomalies in performance indicators of network devices
US11388040B2 (en) 2018-10-31 2022-07-12 EXFO Solutions SAS Automatic root cause diagnosis in networks
US11645293B2 (en) 2018-12-11 2023-05-09 EXFO Solutions SAS Anomaly detection in big data time series analysis
CN110147387B (zh) * 2019-05-08 2023-06-09 腾讯科技（上海）有限公司 一种根因分析方法、装置、设备及存储介质
US11271835B2 (en) 2019-05-10 2022-03-08 Cisco Technology, Inc. Composite key performance indicators for network health monitoring
US11496353B2 (en) 2019-05-30 2022-11-08 Samsung Electronics Co., Ltd. Root cause analysis and automation using machine learning
US11138163B2 (en) 2019-07-11 2021-10-05 EXFO Solutions SAS Automatic root cause diagnosis in networks based on hypothesis testing
US11558271B2 (en) * 2019-09-04 2023-01-17 Cisco Technology, Inc. System and method of comparing time periods before and after a network temporal event
CN113079521B (zh) * 2020-01-03 2023-03-21 ***通信集团广东有限公司 一种通话质量优化方法、装置和设备
EP4070197A1 (en) * 2020-01-30 2022-10-12 Huawei Technologies Co., Ltd. Device for monitoring a computer network system
EP3866395B1 (en) 2020-02-12 2024-05-22 EXFO Solutions SAS Method and system for determining root-cause diagnosis of events occurring during the operation of a communication network
GB2594512B (en) 2020-04-30 2022-08-24 Spatialbuzz Ltd Network fault diagnosis
US20220099532A1 (en) * 2020-09-25 2022-03-31 General Electric Company Systems and methods for operating a power generating asset
CN114286360B (zh) * 2020-09-27 2023-09-05 ***通信集团设计院有限公司 无线网络通信优化方法、装置、电子设备及存储介质
US20230375658A1 (en) * 2020-10-06 2023-11-23 Telefonaktiebolaget Lm Ericsson (Publ) Radio node and method in a wireless communications network
CN112732771A (zh) * 2020-11-06 2021-04-30 河北上晟医疗科技发展有限公司 一种基于pacs***中关联规则挖掘技术的应用
US11457371B2 (en) 2021-01-08 2022-09-27 Verizon Patent And Licensing Inc. Systems and methods for determining baselines for network parameters used to configure base stations
CN112689299B (zh) * 2021-01-14 2022-07-01 广州市贝讯通信技术有限公司 基于FP-growth算法的小区负荷分流方法及装置
US11343373B1 (en) 2021-01-29 2022-05-24 T-Mobile Usa, Inc. Machine intelligent isolation of international calling performance degradation
CN115150250B (zh) * 2021-03-31 2024-01-12 中国电信股份有限公司 基于因果学习的物联网异常根因定位方法以及装置
US11936542B2 (en) 2021-04-02 2024-03-19 Samsung Electronics Co., Ltd. Method of solving problem of network and apparatus for performing the same
CN113626090B (zh) * 2021-08-06 2023-12-29 济南浪潮数据技术有限公司 一种服务器固件配置方法、装置、设备及可读介质
CN113923099B (zh) * 2021-09-03 2022-12-27 华为技术有限公司 一种通信网络故障的根因定位方法及相关设备
US11800398B2 (en) 2021-10-27 2023-10-24 T-Mobile Usa, Inc. Predicting an attribute of an immature wireless telecommunication network, such as a 5G network
CN114338424A (zh) * 2021-12-29 2022-04-12 中国电信股份有限公司 用于物联网运营健康度的评估方法和评估装置
CN114641028A (zh) * 2022-03-21 2022-06-17 中国联合网络通信集团有限公司 用户感知数据确定方法、装置、电子设备及存储介质
WO2024018257A1 (en) * 2022-07-19 2024-01-25 Telefonaktiebolaget Lm Ericsson (Publ) Early detection of irregular patterns in mobile networks
CN117828300A (zh) * 2024-01-03 2024-04-05 北京新数科技有限公司 一种基于异常指标时序关系的银行业务根因指标分析方法、***、设备及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008129243A2 (en) * 2007-04-18 2008-10-30 Zenulta Limited Method of identifying a root cause of a network event
US7480640B1 (en) * 2003-12-16 2009-01-20 Quantum Leap Research, Inc. Automated method and system for generating models from data
US7483934B1 (en) * 2007-12-18 2009-01-27 International Busniess Machines Corporation Methods involving computing correlation anomaly scores
US20100123575A1 (en) * 2008-11-14 2010-05-20 Qualcomm Incorporated System and method for facilitating capacity monitoring and recommending action for wireless networks
US7844701B2 (en) * 2005-08-01 2010-11-30 Network Appliance, Inc. Rule-based performance analysis of storage appliances
US8135990B2 (en) * 2006-08-11 2012-03-13 Opnet Technologies, Inc. Multi-variate network survivability analysis
US20130173565A1 (en) * 2012-01-03 2013-07-04 Wizsoft Ltd. Finding suspicious association rules in data records
WO2014146690A1 (en) * 2013-03-19 2014-09-25 Nokia Solutions And Networks Oy System and method for rule creation and parameter adaptation by data mining in a self-organizing network
EP2894813A1 (en) * 2014-01-08 2015-07-15 Telefonaktiebolaget L M Ericsson (publ) Technique for creating a knowledge base for alarm management in a communications network

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130262656A1 (en) 2012-03-30 2013-10-03 Jin Cao System and method for root cause analysis of mobile network performance problems
US9026851B2 (en) * 2012-09-05 2015-05-05 Wipro Limited System and method for intelligent troubleshooting of in-service customer experience issues in communication networks
US9203689B2 (en) 2012-10-26 2015-12-01 International Business Machines Corporation Differential dynamic host configuration protocol lease allocation
US9918258B2 (en) 2013-11-26 2018-03-13 At&T Intellectual Property I, L.P. Anomaly correlation mechanism for analysis of handovers in a communication network
US20150333998A1 (en) 2014-05-15 2015-11-19 Futurewei Technologies, Inc. System and Method for Anomaly Detection
US9424121B2 (en) * 2014-12-08 2016-08-23 Alcatel Lucent Root cause analysis for service degradation in computer networks
US10042697B2 (en) * 2015-05-28 2018-08-07 Oracle International Corporation Automatic anomaly detection and resolution system

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7480640B1 (en) * 2003-12-16 2009-01-20 Quantum Leap Research, Inc. Automated method and system for generating models from data
US7844701B2 (en) * 2005-08-01 2010-11-30 Network Appliance, Inc. Rule-based performance analysis of storage appliances
US8135990B2 (en) * 2006-08-11 2012-03-13 Opnet Technologies, Inc. Multi-variate network survivability analysis
WO2008129243A2 (en) * 2007-04-18 2008-10-30 Zenulta Limited Method of identifying a root cause of a network event
US7483934B1 (en) * 2007-12-18 2009-01-27 International Busniess Machines Corporation Methods involving computing correlation anomaly scores
US20100123575A1 (en) * 2008-11-14 2010-05-20 Qualcomm Incorporated System and method for facilitating capacity monitoring and recommending action for wireless networks
US20130173565A1 (en) * 2012-01-03 2013-07-04 Wizsoft Ltd. Finding suspicious association rules in data records
WO2014146690A1 (en) * 2013-03-19 2014-09-25 Nokia Solutions And Networks Oy System and method for rule creation and parameter adaptation by data mining in a self-organizing network
EP2894813A1 (en) * 2014-01-08 2015-07-15 Telefonaktiebolaget L M Ericsson (publ) Technique for creating a knowledge base for alarm management in a communications network

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SZABOLCS NOVACZKI ET: "Radio Channel Degradation Detection and Diagnosis Based on Statistical Analysis", 《IEEE》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815042A (zh) * 2019-01-21 2019-05-28 南方科技大学 异常因素的定位方法、装置、服务器和存储介质
CN109815042B (zh) * 2019-01-21 2022-05-27 南方科技大学 异常因素的定位方法、装置、服务器和存储介质
CN110609858A (zh) * 2019-09-17 2019-12-24 南京邮电大学 一种基于Apriori算法的指标关联方法
CN110633195A (zh) * 2019-09-29 2019-12-31 北京博睿宏远数据科技股份有限公司 一种性能数据的展示方法、装置、电子设备及存储介质
CN110633195B (zh) * 2019-09-29 2023-01-03 北京博睿宏远数据科技股份有限公司 一种性能数据的展示方法、装置、电子设备及存储介质
CN116134785A (zh) * 2020-08-10 2023-05-16 国际商业机器公司 网络设备属性的低时延识别
CN114338351A (zh) * 2021-12-31 2022-04-12 天翼物联科技有限公司 网络异常根因确定方法、装置、计算机设备及存储介质
CN114338351B (zh) * 2021-12-31 2024-01-12 天翼物联科技有限公司 网络异常根因确定方法、装置、计算机设备及存储介质
CN117272398A (zh) * 2023-11-23 2023-12-22 聊城金恒智慧城市运营有限公司 基于人工智能的数据挖掘安全保护方法及***
CN117272398B (zh) * 2023-11-23 2024-01-26 聊城金恒智慧城市运营有限公司 基于人工智能的数据挖掘安全保护方法及***

Also Published As

Publication number Publication date
WO2017118380A1 (en) 2017-07-13
EP3395012A4 (en) 2018-12-05
US10397810B2 (en) 2019-08-27
EP3395012A1 (en) 2018-10-31
US20170201897A1 (en) 2017-07-13

Similar Documents

Publication Publication Date Title
CN108463973A (zh) 蜂窝***中指纹识别根本原因分析
US11367022B2 (en) System and method for evaluating and deploying unsupervised or semi-supervised machine learning models
US10664837B2 (en) Method and system for real-time, load-driven multidimensional and hierarchical classification of monitored transaction executions for visualization and analysis tasks like statistical anomaly detection
CN110362612B (zh) 由电子设备执行的异常数据检测方法、装置和电子设备
US10068176B2 (en) Defect prediction method and apparatus
US20190018729A1 (en) Anomaly remediation using device analytics
US11240125B2 (en) System and method for predicting and reducing subscriber churn
US20170364819A1 (en) Root cause analysis in a communication network via probabilistic network structure
US20150371163A1 (en) Churn prediction in a broadband network
US20130097463A1 (en) Method and apparatus for root cause and critical pattern prediction using virtual directed graphs
US20230033680A1 (en) Communication Network Performance and Fault Analysis Using Learning Models with Model Interpretation
US10061678B2 (en) Automated validation of database index creation
US10291493B1 (en) System and method for determining relevant computer performance events
CN109815042B (zh) 异常因素的定位方法、装置、服务器和存储介质
CA2894106C (en) Automated predictive tag management system
WO2023207689A1 (zh) 一种变更风险评估方法、设备及存储介质
Yu et al. TraceRank: Abnormal service localization with dis‐aggregated end‐to‐end tracing data in cloud native systems
CN108733707A (zh) 一种确定搜索功能稳定性及装置
CN105868328B (zh) 用于日志关联分析的方法和装置
Mendoza et al. Machine learning for anomaly detection on VM and host performance metrics
Giordano et al. Anomaly detection in the CERN cloud infrastructure
Gupta et al. Requirement reprioritisation for pairwise compared requirements
US20240086762A1 (en) Drift-tolerant machine learning models
US12026140B1 (en) Performance indexing of production databases
Falessi et al. On the need of preserving order of data when validating within-project defect classifiers

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180828