CN113489602A - 基于数据挖掘的通信故障定位方法及*** - Google Patents
基于数据挖掘的通信故障定位方法及*** Download PDFInfo
- Publication number
- CN113489602A CN113489602A CN202110681583.9A CN202110681583A CN113489602A CN 113489602 A CN113489602 A CN 113489602A CN 202110681583 A CN202110681583 A CN 202110681583A CN 113489602 A CN113489602 A CN 113489602A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- event
- causal
- cause
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004891 communication Methods 0.000 title claims abstract description 45
- 238000007418 data mining Methods 0.000 title claims abstract description 23
- 230000001364 causal effect Effects 0.000 claims description 43
- 238000010586 diagram Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009021 linear effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- 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
- H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出一种基于数据挖掘的通信故障定位方法及***，解决了当前通信故障定位方法实施过程耗时长且准确率较低的问题，在所述方法中包括基础数据的采集处理、用于故障定位的KPI因果图构建及故障根因输出的过程，在所述故障定位的KPI因果图构建的过程中，采用条件独立性检验剔除冗余关系，避免传统通过故障诊断树的方法运行耗时长的缺陷，然后结合权重分配法，利用KPI因果图对故障根因输出，具有归因溯源的独特优势，准确率高，方法运行速度快，能实现通信故障的精简快速定位。
Description
技术领域
本发明涉及通信服务的技术领域，更具体地，涉及一种基于数据挖掘的通信故障定位方法及***。
背景技术
在通信网络中，由于存在用网人数剧增，数据来源多样化，数据维度高，人工排查费时费力的问题，使得通信网络发生故障时，***无法及时排查正确的故障根因，从而无法及时修复故障，极易导致全网网络的瘫痪，造成难以计算的损失。
此外，假设发生了若干个故障告警，并希望优先解决目标告警时。传统以相关关系为基础进行算法处理，并得出均与目标告警具有强相关性的结果，对这种被大量相关候选因素干预的处理结果，将给全局网络带来巨大的维护成本，若警告过多时甚至会超出机器的处理负荷而不具可行性。
2019年4月19日，中国发明专利(公开号：CN109656793A)中公开了一种基于多源异构数据融合的信息***性能立体监测方法，所述方法包括以下过程：(1)采集信息***的性能指标监测数据；将获取的多源异构指标数据进行数据融合处理；(3)将融合处理后的指标数据通过信息***性能评价模型检测各性能指标数据的异常信息，并对异常信息进行故障根因定位；(4)对各指标的下一时刻数据值做出预测，提前感知***的性能态势；(5)将故障信息接入告警平台并统一格式化处理，然后通过关联挖掘策略对告警信息进行同类挖掘、合并压缩，最后将压缩后的告警信息发送给相关人员处理。其中，信息***性能评价模型包括异常检测模块和故障定位模块，所述的故障定位模块核心基础是故障诊断树子模块，该模块用于根据以往对异常指标逐层诊断、逐级探查问题根因的知识经验所形成的故障诊断树，对当前异常指标的疑似根因进行深层挖掘并最终锁定，该专利方案通过多元化信息***性能数据采集平台实现信息***性能的多方位监测。故障诊断树方式一般可以找出疑似故障根因的事件，但十分耗时，另外对于新的故障事件，准确率也有待提高。
发明内容
为解决当前通信故障定位方法实施过程耗时长且准确率较低的问题，本发明提出一种基于数据挖掘的通信故障定位方法及***，方法运行速度快，实现通信故障的精简快速定位。
为了达到上述技术效果，本发明的技术方案如下：
一种基于数据挖掘的通信故障定位方法，至少包括以下步骤：
S1.采集通信服务***中的事件数据，包括日常监控数据、日志数据和历史数据，并进行预处理；
S2.根据日志数据确定发生故障的组件，即确认事件数据对应的事件中发生的故障；
S3.将故障作为父节点，事件作为子节点，分析父节点与子节点之间的关系，即明确事件发生故障的原因；
S4.结合步骤S3的输出，引入变量，构造有观测值的因果全连接图，对因果全连接图中无关条件冗余关系进行处理，得到故障连接图；
S5.确定故障连接图边界的方向，得到组件KPI因果图；
S6.确定事件对应的故障原因集合，以事件对应的故障原因集合作为KPI因果图的输入，通过KPI因果图输出故障根因集合，并确认故障原因是根因的可能性；
S7.结合权重分配法，对导致故障的根因进行溯源，从而对故障进行定位。
优选地，步骤S1中采集事件数据之前还要学习通信业务知识，所述的通信业务包括通信***拓扑架构、配置信息和流量规律。
优选地，所述事件数据的类型包括结构化数据、半结构化数据及非结构化数据。
优选地，步骤S1所述的预处理方式为归一化处理。
在此，由于各种数据之间多源异构，为了消除差异，对数据进行归一化处理，并梳理数据间的对应关系。
优选地，步骤S4中进行因果全连接图中无关条件冗余关系处理时，对相邻两个变量进行条件独立性检验，条件独立性检验基于偏相关系数，表达式为：
其中，r12、r13、r23分别表示变量x1和变量x2之间的相关系数、变量x1和变量x2之间的相关系数、变量x2和变量x3之间的相关系数；r12(3)表示在分析变量x1和x2之间的净相关时，当控制了变量x3的线性作用后，x1和x2之间的一阶偏相关系数；
若两个相邻变量存在条件独立性，则删除全连接图中两个相邻变量之间的边，剔因果全连接图中无关条件冗余关系。
在此，使用了PC算法进行构图，PC算法是经典且强大的基于约束学习的方法，基于偏相关的独立性检验的PC算法在运行速度上十分乐观
优选地，步骤S5所述确定故障连接图边界的方向的过程为：
设故障连接图中的两个变量为v1和v2，v1和v2之间有直接的因果连接；根据事件数据上呈现的不对称性，推断v1和v2间的因果方向，即区分故障连接图中v1和v2间的因果方向为v1→v2，还是v1←v2。
优选地，步骤S7所述结合权重分配法，对导致故障的根因进行溯源时，对KPI因果图上的根因路径进行排序，按照排序的最高优先级确认根因路径。
优选地，对根因路径进行排序时，在KPI因果图上的路径所有边的权值之和越大，优先级越高。
优选地，对根因路径进行排序时，在KPI因果图上的路径长度越短，优先级越高。
本发明还提出一种基于数据挖掘的通信故障定位***，所述***用于实现所述的基于数据挖掘的通信故障定位方法，包括：
事件数据采集及预处理模块，用于采集通信服务***中的事件数据，包括日常监控数据、日志数据和历史数据，并进行预处理；
故障组件确认模块，根据日志数据确定发生故障的组件，即确认事件数据对应的事件中发生的故障；
故障原因分析模块，用于将故障作为父节点，事件作为子节点，分析父节点与子节点之间的关系，明确事件发生故障的原因；
故障连接图构建模块，用于构造有观测值的因果全连接图，对因果全连接图中无关条件冗余关系进行处理，得到故障连接图；
边界方向确认模块，用于确定故障连接图边界的方向，得到组件KPI因果图；
根因推断模块，用于确定事件对应的故障原因集合，以事件对应的故障原因集合作为KPI因果图的输入，通过KPI因果图输出故障根因集合，并确认故障原因是根因的可能性；
故障定位模块，结合权重分配法，对导致故障的根因进行溯源，从而对故障进行定位。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出一种基于数据挖掘的通信故障定位方法及***，在所述方法中包括基础数据的采集处理、用于故障定位的KPI因果图构建及故障根因输出的过程，在所述故障定位的KPI因果图构建的过程中，采用条件独立性检验剔除冗余关系，避免传统通过故障诊断树的方法运行耗时长的缺陷，然后结合权重分配法，利用KPI因果图对故障根因输出，具有归因溯源的独特优势，准确率高，方法运行速度快，能实现通信故障的精简快速定位。
附图说明
图1表示本发明实施例中提出的基于数据挖掘的通信故障定位方法的流程示意图；
图2表示本发明实施例中提出的基于数据挖掘的通信故障定位***的结构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸；
对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的。
附图中描述位置关系的仅用于示例性说明，不能理解为对本专利的限制；
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例
考虑传统方法如故障诊断树方法虽可以找出疑似故障根因的事件，但十分耗时，另外对于新的故障事件，准确率也有待提高的缺陷，本发明提出一种运行速度快的基于数据挖掘的通信故障定位方法，使得通信***中故障发生时，面对庞大复杂的故障网络，可以实现精简故障，快速定位。
本发明所提出的方法包括模型知识采集、故障模型构建和故障根因输出这三个阶段；所述模型知识采集主要包括业务知识(通信业务)学习、事件数据收集和数据预处理三个步骤；所述故障模型构建(KPI因果图)主要包括条件独立性检验，输出组件KPI因果图两个步骤；所述输出故障根因主要包括输出造成该故障最有可能的影响因素和定位故障根因两个步骤。
具体的，参见图1所示的基于数据挖掘的通信故障定位方法的流程图，所述方法包括以下步骤：
S1.采集通信服务***中的事件数据，包括日常监控数据、日志数据和历史数据，并进行预处理；
S2.根据日志数据确定发生故障的组件，即确认事件数据对应的事件中发生的故障；
S3.将故障作为父节点，事件作为子节点，分析父节点与子节点之间的关系，即明确事件发生故障的原因；
S4.结合步骤S3的输出，引入变量，构造有观测值的因果全连接图，对因果全连接图中无关条件冗余关系进行处理，得到故障连接图；
S5.确定故障连接图边界的方向，得到组件KPI因果图；
S6.确定事件对应的故障原因集合，以事件对应的故障原因集合作为KPI因果图的输入，通过KPI因果图输出故障根因集合，并确认故障原因是根因的可能性；
S7.结合权重分配法，对导致故障的根因进行溯源，从而对故障进行定位。
在本实施例中，步骤S1中采集事件数据之前还要学习通信业务知识，所述的通信业务包括通信***拓扑架构、配置信息和流量规律，以便为后续的KPI因果图构建打基础。
在本实施例中，所述事件数据的类型包括结构化数据、半结构化数据及非结构化数据。
由于各种数据之间多源异构，为了消除差异，对数据进行归一化处理，并梳理数据间的对应关系。在本实施例中，步骤S1所述的预处理方式为归一化处理。
步骤S4中进行因果全连接图中无关条件冗余关系处理时，对相邻两个变量进行条件独立性检验，条件独立性检验基于偏相关系数，表达式为：
其中，r12、r13、r23分别表示变量x1和变量x2之间的相关系数、变量x1和变量x2之间的相关系数、变量x2和变量x3之间的相关系数；r12(3)表示在分析变量x1和x2之间的净相关时，当控制了变量x3的线性作用后，x1和x2之间的一阶偏相关系数；
若两个相邻变量存在条件独立性，则删除全连接图中两个相邻变量之间的边，剔因果全连接图中无关条件冗余关系。
在本实施例中，步骤S5所述确定故障连接图边界的方向的过程为：
设故障连接图中的两个变量为v1和v2，v1和v2之间有直接的因果连接；根据事件数据上呈现的不对称性，推断v1和v2间的因果方向，即区分故障连接图中v1和v2间的因果方向为v1→v2，还是v1←v2。
在本实施例中，步骤S6所述的确认故障原因是根因的可能性公式为：
其中，1为指示函数，表示规则集合
中是否存在
或者样本Si是否包含I0和e0；ε0为某段时间内发生的所有事件集合，e0为其中发生的某个事件；I0表示根故障原因集和，p(I0)表示根因的概率。
在本实施例中，步骤S7所述结合权重分配法，对导致故障的根因进行溯源时，对KPI因果图上的根因路径进行排序，按照排序的最高优先级确认根因路径。
在此，权重分配法可以根据需要选用层次分析法、主成分分析法或优序图法计算权重，不局限于这三种，此处不再赘述。
在按照排序的最高优先级确认根因路径是，可以选用以下两种规则进行根因路径的排序：
规则一：
对根因路径进行排序时，在KPI因果图上的路径所有边的权值之和越大，优先级越高。
规则二：
对根因路径进行排序时，在KPI因果图上的路径长度越短，优先级越高。
如图2所示，本发明还提出一种基于数据挖掘的通信故障定位***，所述***用于实现所述的基于数据挖掘的通信故障定位方法，包括：
事件数据采集及预处理模块，用于采集通信服务***中的事件数据，包括日常监控数据、日志数据和历史数据，并进行预处理；
故障组件确认模块，根据日志数据确定发生故障的组件，即确认事件数据对应的事件中发生的故障；
故障原因分析模块，用于将故障作为父节点，事件作为子节点，分析父节点与子节点之间的关系，明确事件发生故障的原因；
故障连接图构建模块，用于构造有观测值的因果全连接图，对因果全连接图中无关条件冗余关系进行处理，得到故障连接图；
边界方向确认模块，用于确定故障连接图边界的方向，得到组件KPI因果图；
根因推断模块，用于确定事件对应的故障原因集合，以事件对应的故障原因集合作为KPI因果图的输入，通过KPI因果图输出故障根因集合，并确认故障原因是根因的可能性；
故障定位模块，结合权重分配法，对导致故障的根因进行溯源，从而对故障进行定位。
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于数据挖掘的通信故障定位方法，其特征在于，至少包括以下步骤：
S1.采集通信服务***中的事件数据，包括日常监控数据、日志数据和历史数据，并进行预处理；
S2.根据日志数据确定发生故障的组件，即确认事件数据对应的事件中发生的故障；
S3.将故障作为父节点，事件作为子节点，分析父节点与子节点之间的关系，即明确事件发生故障的原因；
S4.结合步骤S3的输出，引入变量，构造有观测值的因果全连接图，对因果全连接图中无关条件冗余关系进行处理，得到故障连接图；
S5.确定故障连接图边界的方向，得到组件KPI因果图；
S6.确定事件对应的故障原因集合，以事件对应的故障原因集合作为KPI因果图的输入，通过KPI因果图输出故障根因集合，并确认故障原因是根因的可能性；
S7.结合权重分配法，对导致故障的根因进行溯源，从而对故障进行定位。
2.根据权利要求1所述的基于数据挖掘的通信故障定位方法，其特征在于，步骤S1中采集事件数据之前还要学习通信业务知识，所述的通信业务包括通信***拓扑架构、配置信息和流量规律。
3.根据权利要求1所述的基于数据挖掘的通信故障定位方法，其特征在于，所述事件数据的类型包括结构化数据、半结构化数据及非结构化数据。
4.根据权利要求3所述的基于数据挖掘的通信故障定位方法，其特征在于，步骤S1所述的预处理方式为归一化处理。
5.根据权利要求4所述的基于数据挖掘的通信故障定位方法，其特征在于，步骤S4中进行因果全连接图中无关条件冗余关系处理时，对相邻两个变量进行条件独立性检验，条件独立性检验基于偏相关系数，表达式为：
其中，r12、r13、r23分别表示变量x1和变量x2之间的相关系数、变量x1和变量x2之间的相关系数、变量x2和变量x3之间的相关系数；r12(3)表示在分析变量x1和x2之间的净相关时，当控制了变量x3的线性作用后，x1和x2之间的一阶偏相关系数；
若两个相邻变量存在条件独立性，则删除全连接图中两个相邻变量之间的边，剔因果全连接图中无关条件冗余关系。
6.根据权利要求5所述的基于数据挖掘的通信故障定位方法，其特征在于，步骤S5所述确定故障连接图边界的方向的过程为：
设故障连接图中的两个变量为v1和v2，v1和v2之间有直接的因果连接；根据事件数据上呈现的不对称性，推断v1和v2间的因果方向，即区分故障连接图中v1和v2间的因果方向为v1→v2，还是v1←v2。
7.根据权利要求6所述的基于数据挖掘的通信故障定位方法，其特征在于，步骤S7所述结合权重分配法，对导致故障的根因进行溯源时，对KPI因果图上的根因路径进行排序，按照排序的最高优先级确认根因路径。
8.根据权利要求7所述的基于数据挖掘的通信故障定位方法，其特征在于，对根因路径进行排序时，在KPI因果图上的路径所有边的权值之和越大，优先级越高。
9.根据权利要求7所述的基于数据挖掘的通信故障定位方法，其特征在于，对根因路径进行排序时，在KPI因果图上的路径长度越短，优先级越高。
10.一种基于数据挖掘的通信故障定位***，其特征在，所述***用于实现权利要求1～8任意一项所述的基于数据挖掘的通信故障定位方法，包括：
事件数据采集及预处理模块，用于采集通信服务***中的事件数据，包括日常监控数据、日志数据和历史数据，并进行预处理；
故障组件确认模块，根据日志数据确定发生故障的组件，即确认事件数据对应的事件中发生的故障；
故障原因分析模块，用于将故障作为父节点，事件作为子节点，分析父节点与子节点之间的关系，明确事件发生故障的原因；
故障连接图构建模块，用于构造有观测值的因果全连接图，对因果全连接图中无关条件冗余关系进行处理，得到故障连接图；
边界方向确认模块，用于确定故障连接图边界的方向，得到组件KPI因果图；
根因推断模块，用于确定事件对应的故障原因集合，以事件对应的故障原因集合作为KPI因果图的输入，通过KPI因果图输出故障根因集合，并确认故障原因是根因的可能性；
故障定位模块，结合权重分配法，对导致故障的根因进行溯源，从而对故障进行定位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110681583.9A CN113489602A (zh) | 2021-06-18 | 2021-06-18 | 基于数据挖掘的通信故障定位方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110681583.9A CN113489602A (zh) | 2021-06-18 | 2021-06-18 | 基于数据挖掘的通信故障定位方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113489602A true CN113489602A (zh) | 2021-10-08 |
Family
ID=77934118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110681583.9A Pending CN113489602A (zh) | 2021-06-18 | 2021-06-18 | 基于数据挖掘的通信故障定位方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113489602A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115237091A (zh) * | 2022-07-18 | 2022-10-25 | 西安交通大学 | 一种机电装备故障溯源方法及*** |
| CN115514627A (zh) * | 2022-09-21 | 2022-12-23 | 深信服科技股份有限公司 | 一种故障根因定位方法、装置、电子设备及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090232007A1 (en) * | 2008-03-17 | 2009-09-17 | Comcast Cable Holdings, Llc | Method for detecting video tiling |
| CN106571963A (zh) * | 2016-10-27 | 2017-04-19 | 北京汇通金财信息科技有限公司 | 一种信息通信网络间故障的定位方法 |
| CN110955575A (zh) * | 2019-11-14 | 2020-04-03 | 国网浙江省电力有限公司信息通信分公司 | 一种基于关联分析模型的业务***故障定位方法 |
| CN111541559A (zh) * | 2020-03-23 | 2020-08-14 | 广东工业大学 | 一种基于因果规则的故障定位方法 |
| US20210011890A1 (en) * | 2019-07-11 | 2021-01-14 | Exfo Inc. | Automatic Root Cause Diagnosis in Networks Based on Hypothesis Testing |
-
2021
- 2021-06-18 CN CN202110681583.9A patent/CN113489602A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090232007A1 (en) * | 2008-03-17 | 2009-09-17 | Comcast Cable Holdings, Llc | Method for detecting video tiling |
| CN106571963A (zh) * | 2016-10-27 | 2017-04-19 | 北京汇通金财信息科技有限公司 | 一种信息通信网络间故障的定位方法 |
| US20210011890A1 (en) * | 2019-07-11 | 2021-01-14 | Exfo Inc. | Automatic Root Cause Diagnosis in Networks Based on Hypothesis Testing |
| CN110955575A (zh) * | 2019-11-14 | 2020-04-03 | 国网浙江省电力有限公司信息通信分公司 | 一种基于关联分析模型的业务***故障定位方法 |
| CN111541559A (zh) * | 2020-03-23 | 2020-08-14 | 广东工业大学 | 一种基于因果规则的故障定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 靖宇涵: ""基于多阶段机器学习的KPI异常检测与相关性模型研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技I辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115237091A (zh) * | 2022-07-18 | 2022-10-25 | 西安交通大学 | 一种机电装备故障溯源方法及*** |
| CN115514627A (zh) * | 2022-09-21 | 2022-12-23 | 深信服科技股份有限公司 | 一种故障根因定位方法、装置、电子设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111342997B (zh) | 一种深度神经网络模型的构建方法、故障诊断方法及*** | |
| CN106202665B (zh) | 基于域映射与加权关联规则的早期故障根原因识别方法 | |
| CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及*** | |
| CN103902816A (zh) | 基于数据挖掘技术的带电检测数据处理方法 | |
| CN113489602A (zh) | 基于数据挖掘的通信故障定位方法及*** | |
| CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
| CN111126437B (zh) | 基于加权动态网络表示学习的异常群体检测方法 | |
| CN111949480B (zh) | 一种基于组件感知的日志异常检测方法 | |
| CN111541559A (zh) | 一种基于因果规则的故障定位方法 | |
| CN116771576B (zh) | 水电机组故障综合诊断方法 | |
| CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
| CN116361059B (zh) | 一种银行业务异常根因诊断方法及诊断*** | |
| CN115237717A (zh) | 一种微服务异常检测方法和*** | |
| CN112464439A (zh) | 基于三层数据挖掘的电力***故障类型分析方法及装置 | |
| CN115508672A (zh) | 电网主设备故障溯源推理方法、***、设备及介质 | |
| Lyu et al. | A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study | |
| CN117221087A (zh) | 告警根因定位方法、装置及介质 | |
| CN116541782A (zh) | 一种电力营销数据异常识别方法 | |
| CN117076915B (zh) | Fpso原油工艺***的智能故障归因分析方法及*** | |
| CN116611523B (zh) | 涡轮风扇发动机的可解释故障预测方法及*** | |
| CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
| CN112699927B (zh) | 一种管线故障诊断方法和*** | |
| Adamova et al. | Machine Learning in Action: An Analysis of its Application for Fault Detection in Wireless Sensor Networks | |
| KR102667861B1 (ko) | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 | |
| Dong et al. | Log fusion technology of power information system based on fuzzy reasoning |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |
|
| RJ01 | Rejection of invention patent application after publication |