CN110995461A

CN110995461A - 网络故障诊断方法

Info

Publication number: CN110995461A
Application number: CN201911031015.3A
Authority: CN
Inventors: 黄联芬; 何维晟; 高志斌; 苏毓涵; 王健铮; 陈琳然; 程志鹏; 杨波; 区洋; 刘震
Original assignee: Xiamen University; Comba Telecom Systems Guangzhou Co Ltd
Current assignee: Xiamen University; Comba Network Systems Co Ltd
Priority date: 2019-10-28
Filing date: 2019-10-28
Publication date: 2020-04-10
Anticipated expiration: 2039-10-28
Also published as: CN110995461B

Abstract

本发明公开了一种网络故障诊断方法及介质，其中该方法包括：获取KPI指标的实时序列流，并对KPI指标的实时序列流进行截窗处理以获取KPI指标的实时序列向量；将KPI指标的实时序列向量与预先训练好的KPI指标的正常属性向量进行K‑S分布检验，以判断KPI指标的实时序列向量是否分布正常；当所有KPI指标中任意一个KPI指标的实时序列向量分布出现异常时，将所有KPI指标在K‑S分布检验时的偏差值按顺序排列以构成偏差值向量；采用新型引力聚类模型，根据偏差值向量获取与偏差值向量相似度最高的网络故障类别，并将网络故障类别作为网络故障诊断结果；从而无需人工介入即可实现网络故障的诊断过程，大大提高了网络智能运维的高效性和便捷性。

Description

网络故障诊断方法

技术领域

本发明涉及计算机技术领域，特别涉及一种网络故障诊断方法。

背景技术

随着信息技术的快速发展，网络***的规模不断扩大，复杂程度也越来越高，现有对于网络故障的诊断虽然可以借助机器对动态指标进行监测，但是一旦发现网路故障还是需要人工分析处理以确认网络故障类型，不仅费时费力，而且还大大降低了网络故障的诊断效率。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种网络故障诊断方法，通过实时监测通信网络中的KPI指标，当KPI指标出现异常时，采用新型引力聚类模型判断网络故障类型，从而无需人工介入即可实现网络故障的诊断过程，大大提高了网络智能运维的高效性和便捷性。

本发明的第二个目的在于提出一种计算机可读存储介质。

为达到上述目的，本发明第一方面实施例提出了一种网络故障诊断方法，包括以下步骤：获取KPI指标的实时序列流，并对所述KPI指标的实时序列流进行截窗处理以获取所述KPI指标的实时序列向量；将所述KPI指标的实时序列向量与预先训练好的所述KPI指标的正常属性向量进行K-S分布检验，以判断所述KPI指标的实时序列向量是否分布正常；当所有KPI指标中任意一个KPI指标的实时序列向量分布出现异常时，将所有KPI指标在K-S分布检验时的偏差值按顺序排列以构成偏差值向量；采用新型引力聚类模型，根据所述偏差值向量获取与所述偏差值向量相似度最高的网络故障类别，并将所述网络故障类别作为网络故障诊断结果。

根据本发明实施例的网络故障诊断方法，首先获取KPI指标的实时序列流，并对KPI指标的实时序列流进行截窗处理以获取KPI指标的实时序列向量；接着将KPI指标的实时序列向量与预先训练好的KPI指标的正常属性向量进行K-S分布检验，以判断KPI指标的实时序列向量是否分布正常；当所有KPI指标中任意一个KPI指标的实时序列向量分布出现异常时，将所有KPI指标在K-S分布检验时的偏差值按顺序排列以构成偏差值向量；最后采用新型引力聚类模型，根据偏差值向量获取与偏差值向量相似度最高的网络故障类别，并将网络故障类别作为网络故障诊断结果；由此，通过实时监测通信网络中的KPI指标，当KPI指标出现异常时，采用新型引力聚类模型判断网络故障类型，从而无需人工介入即可实现网络故障的诊断过程，大大提高了网络智能运维的高效性和便捷性。

另外，根据本发明上述实施例提出的网络故障诊断方法还可以具有如下附加的技术特征：

可选地，对所述KPI指标的实时序列流进行截窗处理以获取所述KPI指标的实时序列向量，包括：采用滑动窗口的方式将所述KPI指标的实时序列流进行分段处理，以将所述KPI指标的实时序列流分成多段属性学习窗口大小的实时序列向量。

可选地，所述KPI指标的正常属性向量根据以下步骤进行训练：S1，获取KPI指标的正常序列流，并采用滑动窗口将所述KPI指标的正常序列流分成属性学习窗口大小的多段序列，以及计算每一段序列的经验分布函数，以构成属性候选集；S2，采用双边比较法计算所述属性候选集中各个属性之间的两两距离，以生成距离矩阵，其中，所述距离矩阵中的第i列包括除第i个属性之外的所有属性与第i个属性的距离，属性本身之间的距离为0；S3，根据所述距离矩阵的列顺序计算所述属性候选集中每一个属性的支配能力，并获取支配能力最强的属性作为第一属性，以及删除在其支配能力内的其余属性，以更新属性候选集；S4，重复执行步骤S2-S3，以生成所述KPI指标的正常属性向量。

可选地，判断所述KPI指标的实时序列向量是否分布正常，包括：计算所述KPI指标的实时序列向量的经验分布函数，并计算所述KPI指标的实时序列向量的经验分布函数与所述KPI指标的正常属性向量中各个属性的经验分布函数的距离，以生成距离集；查找所述距离集中的最小距离，并判断所述最小距离是否超过预设的第一阈值；如果否，则将所述KPI指标的偏差值设置为0；如果是，则将所述最小距离作为所述KPI指标的偏差值；并在所述偏差值超过预设的第一阈值时判断所述KPI指标的实时序列向量异常。

可选地，采用新型引力聚类模型，根据所述偏差值向量获取与所述偏差值向量相似度最高的网络故障类别，包括：通过以下公式计算所述偏差值向量对应的各个网络故障类别的引力值：

F(x，j)=M_j*sim(x，C^(j))，

其中，F(x，j)表示偏差值向量x与网络故障类别j的引力值，M_j为预先训练获得的网络故障类别j的质心参数，C^(j)为预先训练获得的各个网络故障类别所对应的偏差值向量的中心向量，并且，

其中，n表示KPI指标的数量，k代表偏差值向量的第k个维度，μ表示偏差值向量中的元素与中心向量中的对应位置的元素是否同时为0或者同时非0的个数除以KPI指标的总个数；将引力值最大的网络故障类别作为相似度最高的网络故障类别。

可选地，步骤S3包括：将距离矩阵中第i列元素与预设的第二阈值进行比较，统计所有小于等于所述第二阈值的个数，以将所述个数作为第i个属性的支配能力，其中，个数越大的属性的支配能力越强；获取支配能力最强的属性作为第一属性，并将所述支配能力最强的属性所对应列中与所述支配能力最强的属性的距离小于等于所述第二阈值的属性删除，以更新属性候选集。

可选地，通过重复执行步骤S2-S3，以对所述属性候选集中的属性进行删减，直至距离矩阵中的所有元素除了0之外均大于所述第三阈值，并输出剩余的属性作为所述KPI指标的正常属性向量。

为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有网络故障诊断程序，该网络故障诊断程序被处理器执行时实现如上述的网络故障诊断方法。

根据本发明实施例的计算机可读存储介质，通过存储网络故障诊断程序，这样网络故障诊断程序被处理器执行时实现上述的网络故障诊断程序方法，由此，通过实时监测通信网络中的KPI指标，当KPI指标出现异常时，采用新型引力聚类模型判断网络故障类型，从而无需人工介入即可实现网络故障的诊断过程，大大提高了网络智能运维的高效性和便捷性。

附图说明

图1为根据本发明实施例的网络故障诊断方法的流程示意图；

图2为根据本发明实施例的网络故障诊断方法的框架示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

图1为根据本发明实施例的网络故障诊断方法的流程示意图。如图1所示，本发明实施例的网络故障诊断方法包括以下步骤：

步骤101，获取KPI指标的实时序列流，并对KPI指标的实时序列流进行截窗处理以获取KPI指标的实时序列向量。

需要说明的是，如图2所示，通信网络中具有多个KPI指标，包括KPI指标1、KPI指标2……指标n，通过单独获取各个KPI指标的实时序列流，并对各个KPI指标的实时序列流进行截窗处理以获取各个KPI指标对应的实时序列向量。

作为一个实施例，采用滑动窗口的方式将KPI指标的实时序列流进行分段处理，以将KPI指标的实时序列流分成多段属性学习窗口大小的实时序列向量。

需要说明的是，通过采用滑动窗口的方式将各个KPI指标的实时序列流进行分段处理，以将各个KPI指标的实时序列流分成多段属性学习窗口大小的实时序列向量，从而获得各个KPI指标所对应的实时序列向量。

也就是说，KPI指标1通过滑动窗口的方式处理之后得到KPI指标1对应的实时序列向量，KPI指标2通过滑动窗口的方式处理之后得到KPI指标2对应的实时序列向量，KPI指标n通过滑动窗口的方式处理之后得到KPI指标n对应的实时序列向量。

作为一个具体实施例，把一定长度的KPI指标的输入序列分成属性学习窗口大小的若干段，序列分段是通过滑动窗口来实现的，如假设K的输入序列的起始位置为t1，属性学习窗口的大小为t，数据采集分辨率为p，则第一段子序列为t1～t1+t之间的数据，第二段则更新窗口位置到t1+p，得到第二段子序列为t1+p～t1+p+t之间的序列，以此类推。

步骤102，将KPI指标的实时序列向量与预先训练好的KPI指标的正常属性向量进行K-S分布检验，以判断KPI指标的实时序列向量是否分布正常。

进一步地，作为一个实施例，上述KPI指标的正常属性向量根据以下步骤进行训练：

S1，获取KPI指标的正常序列流，并采用滑动窗口将KPI指标的正常序列流分成属性学习窗口大小的多段序列，以及计算每一段序列的经验分布函数，以构成属性候选集；

S2，采用双边比较法计算所述属性候选集中各个属性之间的两两距离，以生成距离矩阵，其中，距离矩阵中的第i列包括除第i个属性之外的所有属性与第i个属性的距离，属性本身之间的距离为0；

S3，根据距离矩阵的列顺序计算属性候选集中每一个属性的支配能力，并获取支配能力最强的属性作为第一属性，以及删除在其支配能力内的其余属性，以更新属性候选集；

S4，重复执行步骤S2-S3，以生成KPI指标的正常属性向量。

需要说明的是，在进行网络故障诊断方法之前还预先研究若干KPI指标与网络故障之间的关系，即网络故障时相应一些KPI指标的数值特征变化关系。

也就是说，根据研究结果，获取网络正常时的KPI指标序列作为训练正常属性向量的样本，通过以上各个步骤训练各个KPI指标对应的正常属性向量。

作为一个实施例，上述步骤S3包括：

将距离矩阵中第i列元素与预设的第二阈值进行比较，统计所有小于等于第二阈值的个数，以将个数作为第i个属性的支配能力，其中，个数越大的属性的支配能力越强；

获取支配能力最强的属性作为第一属性，并将支配能力最强的属性所对应列中与支配能力最强的属性的距离小于等于第二阈值的属性删除，以更新属性候选集。

需要说明的是，由于距离矩阵中每一列的元素包括该属性本身之间的距离以及所有属性与该属性的距离，所以距离矩阵中每一列对应一个属性的支配能力，通过将距离矩阵中的每一列元素分别与根据经验预设的第二阈值进行比较，并统计该列中的所有元素小于等于第二阈值的个数，直至统计完距离矩阵的所有列个数，根据每列对应的个数大小判断各列对应的属性的支配能力，小于等于第二阈值的个数越多的，其支配能力越强。

另外，在得出最强支配能力的属性之后，获取该属性对应的距离矩阵的列中，所有距离小于等于第二阈值的元素，判断所有距离小于等于第二阈值的元素是哪个属性与该属性的距离，将对应的属性删除，即删除在该属性支配能力内的其他属性。

需要说明的是，通过重复执行步骤S2-S3，以对属性候选集中的属性进行删减，直至距离矩阵中的所有元素除了0之外均大于第二阈值，并输出剩余的属性作为KPI指标的正常属性向量。

进一步地，作为一个实施例，判断所述KPI指标的实时序列向量是否分布正常，包括：

计算KPI指标的实时序列向量的经验分布函数，并计算KPI指标的实时序列向量的经验分布函数与KPI指标的正常属性向量中各个属性的经验分布函数的距离，以生成距离集；

查找距离集中的最小距离，并判断最小距离是否超过预设的第一阈值；

如果否，则将KPI指标的偏差值设置为0；

如果是，则将最小距离作为KPI指标的偏差值；

并在偏差值超过预设的第一阈值时判断KPI指标的实时序列向量异常。

也就是说，通过将获取的该KPI指标的实时序列向量进行计算，从而得到该KPI指标的实时序列向量的经验分布函数，然后获取该KPI指标的实时序列向量的经验分布函数与KPI指标的正常属性向量中各个属性的距离，从而生成距离集；查找距离集中的最小距离，并判断最小距离是否超过预设的第一阈值；如果是，则将最小距离作为该KPI指标的偏差值；如果否，则将该KPI指标的偏差值设置为0；并在偏差值超过预设的第一阈值时判断KPI指标的实时序列向量异常。

需要说明的是此处的第一阈值根据实际运作环境需要设定；第二阈值根据实际工作过程经验设定。

也就是说，如果该KPI指标的偏差值超过预设的第一阈值，则判断该KPI指标的实时序列向量出现异常；否则，判断该KPI指标的实时序列向量分布正常。

需要说明的是，如图2所示，各个KPI指标均通过执行以上步骤计算出对应的偏差值，以判断各个KPI指标的实时序列向量是否分布正常。

步骤103，当所有KPI指标中任意一个KPI指标的实时序列向量分布出现异常时，将所有KPI指标在K-S分布检验时的偏差值按顺序排列以构成偏差值向量。

也就是说，计算完所有KPI指标的偏差值后，根据偏差值判断对应的KPI指标的实时序列向量分布是否异常，如果存在其中一个KPI指标的实时序列向量分布出现异常，则将所有KPI指标在K-S分布检验时的偏差值按顺序排列以构成偏差值向量。

步骤104，采用新型引力聚类模型，根据偏差值向量获取与偏差值向量相似度最高的网络故障类别，并将网络故障类别作为网络故障诊断结果。

作为一个具体实施例，采用新型引力聚类模型，根据偏差值向量获取与偏差值向量相似度最高的网络故障类别，包括：

通过以下公式计算偏差值向量对应的各个网络故障类别的引力值：

F(x，j)=M_j*sim(x，C^(j))，

其中，n表示KPI指标的数量，k代表偏差值向量的第k个维度，μ表示偏差值向量中的元素与中心向量中的对应位置的元素是否同时为0或者同时非0的个数除以KPI指标的总个数；

将引力值最大的网络故障类别作为相似度最高的网络故障类别。

作为一个具体实施例，假设中心向量为[0 0.9 0 0 0 0]，偏差值向量为[0 0 0.30.2 0 0]，则，中心向量[0 0.9 0 0 0 0]与偏差值向量[0 0 0.3 0.2 0 0]的μ为0.5；或者假设中心向量为[0 0.9 0 0 0 0]，偏差值向量为[0 0.7 0 0 0 0]，则，中心向量[0 0.9 00 0 0]，与偏差值向量[0 0.7 0 0 0 0]的μ为1。

作为一个具体实施例，上述各个网络故障类别所对应的偏差值向量的中心向量根据以下公式预先训练：

其中，|C_j|表示类别j的样本数量，x⁽ⁱ⁾表示第i个样本，x表示未标注的样本，j表示故障类别。

作为一个具体实施例，上述网络故障类别j的质心参数根据以下步骤预先训练：

由此，执行完所有步骤之后，继续实时观测各个KPI是否正常，一旦发现异常则再次进行故障诊断，产生报警，然后再进行观察……以此模式往返运作从而实现通过KPI指标对网络故障的实时智能诊断。

需要说明的是，本发明的的计算复杂度相对较低，对于设备的计算能力以及存储能力要求相对较低，便于实现；涉及到的需要预先训练的属性序列、参考向量以及特征参数便捷性、可行性强(需要预先训练KPI指标的正常属性向量，以及故障的KPI偏差值向量的中心向量以及质心参数)，又由于算法复杂度低因此可以实时适应网络环境在一定周期进行更新训练，从而达到更好的实时监测效果；并且算法中嵌入使用了K-S检验分布算法，因此可以避免各个KPI指标之间的数值差异，从而在经过K-S检验后得到一致标准化的数据，便于后续模型的算法工作也节省了设备的运算开销。

综上所述，根据本发明实施例的网络故障诊断方法，首先获取KPI指标的实时序列流，并对KPI指标的实时序列流进行截窗处理以获取KPI指标的实时序列向量；接着将KPI指标的实时序列向量与预先训练好的KPI指标的正常属性向量进行K-S分布检验，以判断KPI指标的实时序列向量是否分布正常；当所有KPI指标中任意一个KPI指标的实时序列向量分布出现异常时，将所有KPI指标在K-S分布检验时的偏差值按顺序排列以构成偏差值向量；最后采用新型引力聚类模型，根据偏差值向量获取与偏差值向量相似度最高的网络故障类别，并将网络故障类别作为网络故障诊断结果；由此，通过实时监测通信网络中的KPI指标，当KPI指标出现异常时，采用新型引力聚类模型判断网络故障类型，从而无需人工介入即可实现网络故障的诊断过程，大大提高了网络智能运维的高效性和便捷性。

为了实现上述实施例，本发明第二方面实施例提出的一种计算机可读存储介质，其上存储有网络故障诊断程序，该网络故障诊断程序被处理器执行时实现如上述的网络故障诊断方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种网络故障诊断方法，其特征在于，包括以下步骤：

获取KPI指标的实时序列流，并对所述KPI指标的实时序列流进行截窗处理以获取所述KPI指标的实时序列向量；

将所述KPI指标的实时序列向量与预先训练好的所述KPI指标的正常属性向量进行K-S分布检验，以判断所述KPI指标的实时序列向量是否分布正常；

当所有KPI指标中任意一个KPI指标的实时序列向量分布出现异常时，将所有KPI指标在K-S分布检验时的偏差值按顺序排列以构成偏差值向量；

采用新型引力聚类模型，根据所述偏差值向量获取与所述偏差值向量相似度最高的网络故障类别，并将所述网络故障类别作为网络故障诊断结果。

2.如权利要求1所述的网络故障诊断方法，其特征在于，对所述KPI指标的实时序列流进行截窗处理以获取所述KPI指标的实时序列向量，包括：

采用滑动窗口的方式将所述KPI指标的实时序列流进行分段处理，以将所述KPI指标的实时序列流分成多段属性学习窗口大小的实时序列向量。

3.如权利要求1所述的网络故障诊断方法，其特征在于，所述KPI指标的正常属性向量根据以下步骤进行训练：

S1，获取KPI指标的正常序列流，并采用滑动窗口将所述KPI指标的正常序列流分成属性学习窗口大小的多段序列，以及计算每一段序列的经验分布函数，以构成属性候选集；

S2，采用双边比较法计算所述属性候选集中各个属性之间的两两距离，以生成距离矩阵，其中，所述距离矩阵中的第i列包括除第i个属性之外的所有属性与第i个属性的距离，属性本身之间的距离为0；

S3，根据所述距离矩阵的列顺序计算所述属性候选集中每一个属性的支配能力，并获取支配能力最强的属性作为第一属性，以及删除在其支配能力内的其余属性，以更新属性候选集；

S4，重复执行步骤S2-S3，以生成所述KPI指标的正常属性向量。

4.如权利要求1所述的网络故障诊断方法，其特征在于，判断所述KPI指标的实时序列向量是否分布正常，包括：

计算所述KPI指标的实时序列向量的经验分布函数，并计算所述KPI指标的实时序列向量的经验分布函数与所述KPI指标的正常属性向量中各个属性的经验分布函数的距离，以生成距离集；

查找所述距离集中的最小距离，并判断所述最小距离是否超过预设的第一阈值；

如果否，则将所述KPI指标的偏差值设置为0；

如果是，则将所述最小距离作为所述KPI指标的偏差值，并在所述偏差值超过预设的第一阈值时判断所述KPI指标的实时序列向量异常。

5.如权利要求1所述的网络故障诊断方法，其特征在于，采用新型引力聚类模型，根据所述偏差值向量获取与所述偏差值向量相似度最高的网络故障类别，包括：

通过以下公式计算所述偏差值向量对应的各个网络故障类别的引力值：

F(x，j)＝M_j*sim(x，C^(j))，

6.如权利要求3所述的网络故障诊断方法，其特征在于，步骤S3包括：

将距离矩阵中第i列元素与预设的第二阈值进行比较，统计所有小于等于所述第二阈值的个数，以将所述个数作为第i个属性的支配能力，其中，个数越大的属性的支配能力越强；

获取支配能力最强的属性作为第一属性，并将所述支配能力最强的属性所对应列中与所述支配能力最强的属性的距离小于等于所述第二阈值的属性删除，以更新属性候选集。

7.如权利要求6所述的网络故障诊断方法，其特征在于，通过重复执行步骤S2-S3，以对所述属性候选集中的属性进行删减，直至距离矩阵中的所有元素除了0之外均大于所述第三阈值，并输出剩余的属性作为所述KPI指标的正常属性向量。

8.一种计算机可读存储介质，其特征在于，其上存储有网络故障诊断程序，该网络故障诊断程序被处理器执行时实现如权利要求1-7中任一项所述的网络故障诊断方法。