CN113572639B - 一种载波网络故障的诊断方法、***、设备和介质 - Google Patents
一种载波网络故障的诊断方法、***、设备和介质 Download PDFInfo
- Publication number
- CN113572639B CN113572639B CN202110816191.9A CN202110816191A CN113572639B CN 113572639 B CN113572639 B CN 113572639B CN 202110816191 A CN202110816191 A CN 202110816191A CN 113572639 B CN113572639 B CN 113572639B
- Authority
- CN
- China
- Prior art keywords
- node
- fault diagnosis
- fault
- data set
- representing
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013145 classification model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 208000024891 symptom Diseases 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 47
- 230000000694 effects Effects 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- H04L41/0631—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
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及公开了一种载波网络故障的诊断方法、***、设备和介质,包括:获取网络特征数据集,并根据所述网络特征数据集,构建载波网络的故障诊断数据集;对所述故障诊断数据集进行预处理,得到预处理后的故障诊断数据集,其中,所述预处理包括:归一化处理;将所述预处理后的故障诊断数据集分为测试数据集和训练数据集;将训练数据集输入到预设的故障诊断分类模型进行训练,获得训练后的故障诊断分类模型;将所述测试数据集输入到训练后的故障诊断分类模型,获得载波网络的故障分类结果。本发明提出的基于网络特征的载波网络故障的诊断方法具有较好的应用效果和性能,解决了电力载波网络故障的诊断算法准确率低的问题。
Description
技术领域
本发明涉及电力通信的故障处理技术领域,特别是涉及一种载波网络故障的诊断方法、***、设备和介质。
背景技术
电力线载波网已成为电力物联网应用的重要基础网络资源。在电力线载波网络环境下,电力物联网的业务数据可以通过电力线进行传播,降低了网络资源的建设成本和建设费用。随着网络虚拟化技术的快速发展和应用,基于网络切片技术的载波网络已成为一个重要的研究领域。在基于网络切片技术的载波网络环境下,传统的网络资源被划分为底层网络资源和虚拟网络资源。底层网络资源负责为虚拟网络资源提供网络资源。虚拟网络资源承载特定的电力物联网业务,可以实现业务之间的隔离。通过分析可知,基于网络切片技术的载波网络提升了网络资源的利用率和电力业务的可靠性。但是,在基于网络切片技术的载波网络环境下,虚拟网络的业务状态对于底层网络服务提供商来说是透明的,底层网络资源的状态对于虚拟网服务提供商来说也是透明的。这种背景下,虚拟网业务的故障诊断与已有研究的处理方法存在较大差异。所以,如何准确定位故障,提高电力线载波网的可靠性已成为一个关键问题。
目前,通过对已有研究分析可知,已有研究根据网络管理***采集的数据,采用智能算法进行数学建模,从而对疑似故障集合进行推理,推理出的疑似故障集合的准确率低、推理时间长。
发明内容
本发明的目的是:提供一种载波网络故障的诊断方法、***、设备和介质,能够解决电力载波网络故障的诊断算法准确率低的问题。
为了实现上述目的,本发明提供了一种载波网络故障的诊断方法,包括:
获取网络特征数据集,并根据所述网络特征数据集,构建载波网络的故障诊断数据集;
对所述故障诊断数据集进行预处理,得到预处理后的故障诊断数据集,其中,所述预处理包括:归一化处理;
将所述预处理后的故障诊断数据集分为测试数据集和训练数据集;
将训练数据集输入到预设的故障诊断分类模型进行训练,获得训练后的故障诊断分类模型;
将所述测试数据集输入到训练后的故障诊断分类模型,获得载波网络的故障分类结果。
进一步的,所述故障诊断数据集包括:底层节点度数、底层节点的中心度、底层节点的重要性、底层节点的历史故障次数、底层节点的故障相关性、底层节点的故障独立性和底层节点的资源利用率。
进一步地,所述底层节点的中心度,采用如下计算公式:
其中,表示底层节点的中心度,N表示底层节点,ni表示N的元素,/>表示底层节点ni到底层节点nj的端到端的跳数;
所述底层节点的重要性,采用如下计算公式:
其中,表示底层节点的重要性,δj表示类型为j的电力业务的数量,z表示底层节点上承载的电力业务类型的数量;
所述底层节点的故障相关性,采用如下计算公式:
其中,表示与底层节点ni相关的症状的集合,该集合中的症状取值为1,S表示网络管理***采集的所有症状的集合,该集合中的症状取值为1,|*|表示计算集合中包含元素的数量。
进一步地,所述预设的故障诊断分类模型,采用如下计算公式:
其中,f(x)表示故障诊断分类模型,l表示数据的个数,sgn[η]是一个阶跃函数,K(xi,x)表示径向基核函数,b*表示最优解,yi表示故障状态。
本发明还提供一种载波网络故障的诊断***,包括:数据获取模块、预处理模块、拆分模块、训练模块和故障分类模块,其中,
所述数据获取模块,用于获取网络特征数据集,并根据所述网络特征数据集,构建载波网络的故障诊断数据集;
所述预处理模块,用于对所述故障诊断数据集进行预处理,得到预处理后的故障诊断数据集,其中,所述预处理包括:归一化处理;
所述拆分模块,用于将所述预处理后的故障诊断数据集分为测试数据集和训练数据集;
所述训练模块,用于将训练数据集输入到预设的故障诊断分类模型进行训练,获得训练后的故障诊断分类模型;
所述故障分类模块,用于将所述测试数据集输入到训练后的故障诊断分类模型,获得载波网络的故障分类结果。
进一步地,所述故障诊断数据集包括:底层节点度数、底层节点的中心度、底层节点的重要性、底层节点的历史故障次数、底层节点的故障相关性、底层节点的故障独立性和底层节点的资源利用率。
进一步地,所述底层节点的中心度,采用如下计算公式:
其中,表示底层节点的中心度,N表示底层节点,ni表示N的元素,/>表示底层节点ni到底层节点nj的端到端的跳数;
所述底层节点的重要性,采用如下计算公式:
其中,表示底层节点的重要性,δj表示类型为j的电力业务的数量,z表示底层节点上承载的电力业务类型的数量;
所述底层节点的故障相关性,采用如下计算公式:
其中,表示与底层节点ni相关的症状的集合,该集合中的症状取值为1,S表示网络管理***采集的所有症状的集合,该集合中的症状取值为1,|*|表示计算集合中包含元素的数量。
进一步地,所述预设的故障诊断分类模型,采用如下计算公式:
其中,f(x)表示故障诊断分类模型,l表示数据的个数,sgn[η]是一个阶跃函数,K(xi,x)表示径向基核函数,b*表示最优解,yi表示故障状态。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的载波网络故障的诊断方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述任一项所述的载波网络故障的诊断方法。
本发明实施例一种的载波网络故障的诊断方法、***、终端设备和计算机可读存储介质与现有技术相比,其有益效果在于:
通过对故障诊断算法的性能分析可知,本发明提出的基于网络特征的载波网络故障的诊断方法具有较好的应用效果和性能,较好解决了电力载波网络故障的诊断算法准确率低的问题。
附图说明
图1是本发明提供的一种的载波网络故障的诊断方法的流程示意图;
图2是本发明提供的贝叶斯故障传播模型示意图;
图3是本发明提供的和现有技术的准确率比较结果示意图;
图4是本发明提供的和现有技术的误报率比较结果示意图;
图5是本发明提供的一种的载波网络故障的诊断***的流程示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如图1所示,本发明提供了一种载波网络故障的诊断方法,至少包括如下步骤:
S1、获取网络特征数据集,并根据所述网络特征数据集,构建载波网络的故障诊断数据集;
具体地,根据节点的属性,从综合网络管理***的监控数据集合Ω构建数据集合构建数据集的每条数据为7个底层节点的数据特征及1个底层节点状态。7个底层节点的数据特征集合xi包括:底层节点度数/>底层节点的中心度/>底层节点的重要性/>底层节点的历史故障次数/>底层节点的故障相关性/>底层节点的故障独立性/>底层节点的资源利用率/>
需要说明的是,电力载波网由接入终端、接入节点、控制节点、智能网关四部分组成。随着电力物联网技术的快速发展和应用,接入终端的类型越来越多,即包括传统的数据采集设备,也包括智能电表、智能家电等新型业务设备。在网络切片环境下,接入节点、控制节点、智能网关等基础设施被划分为底层网络和虚拟网络。
底层网络使用G=(N,E)表示,虚拟网络使用GV=(NV,EV)表示。其中,N和NV分别表示底层节点和虚拟节点。每个底层节点ni∈N主要包括计算资源,每个虚拟节点需要向底层节点ni∈N申请计算资源,从而承载电力业务。E和EV分别表示底层链路和虚拟链路。每条底层链路ei∈E主要包括带宽资源,每条虚拟链路/>需要向底层链路ei∈E申请带宽资源,从而承载电力业务。
为了描述底层网络和虚拟网络的关系,使用GV↓G表示虚拟网络GV从底层网络G申请并获得底层链路和底层节点资源。底层节点ni∈N为虚拟节点分配资源,使用表示。底层链路ei∈E为虚拟链路/>分配资源,使用/>表示。/>表示由虚拟链路/>的两个虚拟节点所映射的底层节点构成的端到端的底层路径。
为提升电力业务的服务质量,大部分电力公司已建设综合网络管理***。综合网络管理***可以实时获取底层网络的运行状态、电力业务的运行状态。考虑到电力物联网中从服务器到客户端的业务模式较多,本发明主要研究端到端的电力业务。使用表示一个端到端的电力业务,该电力业务的两个端点分别为虚拟节点/>和虚拟节点/>
通常情况下,综合网络管理***可以获得的数据信息类型多样。不同场景的综合网络管理***可以获取的数据指标阈值不同。如果直接根据综合网络管理***上报的告警信息进行故障诊断,容易导致故障诊断算法与实际网络环境关联性低的问题。为提升故障诊断算法数据的关联性,本发明根据故障运维经验,从综合网络管理***获取基础网络资源信息、服务告警信息,并基于这些信息,得到与故障诊断关联性较高的数据特征,从而提升故障诊断算法的性能。
随着网络管理技术和监测能力的逐渐提升,底层网络节点可以监测到的信息越来越多。这些底层网络节点信息对于故障诊断准确率的提升非常有益。同时,底层网络节点可以监测到与其相连的底层链路的可用状态。所以,本发明以底层网络节点为研究对象,通过分析底层网络节点的数据特征并建立故障诊断算法模型,实现故障诊断算法性能的提升。
本发明获取的与故障诊断关联性较高的数据特征包括7个,即:底层节点度数、底层节点的中心度、底层节点的重要性、底层节点的历史故障次数、底层节点的故障相关性、底层节点的故障独立性、底层节点的资源利用率。
1、底层节点的度数
底层网络节点的度数与其上承载的电力业务故障概率有较大的关联性。当底层网络节点的度数较大时,如果该节点的一部分链路出现故障,电力业务仍然可以采用动态路由策略,重新选择新的链路承载电力业务。所以,底层网络节点的度数越大,其上承载的电力业务的可靠性越高。底层网络节点的度数使用表示。底层网络节点ni∈N的度数的取值为节点的所有直连边的数量。
2、底层节点的中心度
底层节点的中心度是指当前底层网络节点在网络中的位置。底层网络节点在网络中的位置越中心化,经过该底层网络节点的业务越多,其上承载的电力业务数量会越多。当处于网络中心的节点发生故障时,发生故障的电力业务数量较多。底层节点的中心度使用表示,使用公式(1)计算。其中,/>表示底层节点ni到底层节点nj的端到端的跳数。
3、底层节点的重要性
底层节点上承载的电力业务数量越多,该底层节点在电力业务的可靠性运行方面越重要。所以,底层节点的重要性使用其上承载的电力业务的数量进行衡量。底层节点的重要性使用表示,使用公式(2)进行计算。其中,δj表示类型为j的电力业务的数量。z表示底层节点上承载的电力业务类型的数量。
4、底层节点的历史故障次数
底层节点发生故障的次数越多,说明当前底层节点的可靠性越低,再次发生故障的可能性越高。为评价底层节点的可靠性,根据运营经验,底层节点近半年的故障次数与该底层节点的可靠性关联性比较紧密。使用表示底层节点ni近半年时间发生故障的次数。该值越大,表示当前的底层节点的可靠性越低,其上承载的电力业务可能发生故障的概率越高。
5、底层节点的故障相关性
当电力业务出现故障后,可以根据网管***上报的告警信息,对发生的故障进行定位。为评价每个底层节点与当前告警的相关性,本发明提出贝叶斯故障传播模型。贝叶斯故障传播模型包括上层节点、下层节点、两层节点间的连线三部分。上层节点表示症状节点,使用So={s1,s2,...,sm}表示m个症状节点的集合。sm=0表示症状节点所对应的服务为可用状态。sm=1表示症状节点所对应的服务出现不可用状态。下层节点表示故障节点,使用X={x1,x2,...,xn}表示n个故障节点的集合。xn=0表示故障节点所对应的底层网络组件为可用状态。xn=1表示故障节点所对应的底层网络组件出现不可用状态。两层节点间的连线表示下层故障节点发生故障后,上层症状节点发生异常的概率值,使用P(sj|fi)表示。由于网络管理***是根据网络管理协议收集的信息进行告警,这些信息采集容易受到网络环境不稳定影响,所以,上层节点和下层节点间的连线值一般小于1。
为判断底层节点的故障相关性本发明提出公式(3)计算底层节点的故障相关性。其中,/>表示与底层节点ni相关的症状的集合,该集合中的症状取值为1。S表示网络管理***采集的所有症状的集合,该集合中的症状取值为1。|*|表示计算集合中包含元素的数量。
6、底层节点的故障独立性
底层节点的故障相关性可以判断当前出现的告警与当前底层节点的相关性,但是,不能说明当前底层节点与发生告警的独立性。如果知道底层节点的故障独立性,就可以判断告警与当前底层节点的不相关程度。
底层节点ni的故障独立性使用表示,使用公式(4)计算,/>表示底层节点ni在故障传播模型中对应的故障节点。/>表示底层节点ni在故障传播模型中对应的症状节点。表示底层节点ni在故障传播模型中对应的症状节点,并且这些症状节点被网络管理***作为告警进行上报,即可以观测到取值为1的症状的集合。所以,公式(4)的取值越大,表明底层节点ni与当前观测到的告警关联性越小,独立性越大。反之,表明底层节点ni与当前观测到的告警关联性越大,独立性越小。
7、底层节点的资源利用率
根据运营经验可知,底层节点的可靠性与其资源利用率相关。当底层节点的资源利用率过高,容易导致底层节点老化的速度加快,从而导致底层节点发生故障的概率增加。底层节点的资源利用率使用表示,取值为已用资源量除以总的资源量。
S2、对所述故障诊断数据集进行预处理,得到预处理后的故障诊断数据集,其中,所述预处理包括:归一化处理;
具体地,对所述故障诊断数据集进行预处理,采用归一化算法降低数据量纲不同对算法性能的影响。由于7个输入属性的取值不属于同一个数量级,输入变量差异较大。为提升算法性能,采用最大最小归一化算法,将数据集合进行归一化处理,得到数据集{(xi,yi),i=1,2,...,l}。
S3、将所述预处理后的故障诊断数据集分为测试数据集和训练数据集;
具体地,将数据集合分为训练集和测试集。从数据集合{(xi,yi),i=1,2,...,l}中取出80%的数据作为训练集合{(x′i,y′i),i=1,2,...,z},剩余的20%的数据作为测试集合{(x″i,y″i),i=1,2,...,t}。
S4、将训练数据集输入到预设的故障诊断分类模型进行训练,获得训练后的故障诊断分类模型;
具体地,首先计算模型关键参数,其次获得训练模型。使用训练集合{(x′i,y′i),i=1,2,...,z}中的数据,采用交叉验证方法寻找最佳的惩罚因子、核函数方差参数取值。根据参数取值计算目标函数公式(14),得到故障诊断的分类模型f(x)。
在故障诊断数据特征分析部分,本发明描述了如何根据综合网络管理***采集的网管数据,计算出7个故障诊断数据特征。为了根据这些故障诊断数据特征进行故障诊断,需要构建故障诊断的数据集合。支持向量机(Support Vector Machine,SVM)是一种有监督的学习算法,可以根据故障诊断数据的特征,对底层网络资源进行分类。本发明根据故障诊断数据的特征,构建基于SVM的故障诊断模型。
使用{(xi,yi),i=1,2,...,l}表示由l条故障诊断相关数据构成的故障诊断集合。其中,xi表示第i条故障诊断数据特征,本发明环境下由当前底层节点ni的7个数据特征构成。yi表示当前底层节点ni的可用状态。当yi=1时,表明当前底层节点ni为故障状态。当yi=-1时,表明当前底层节点ni为正常状态。
故障诊断的目标是根据xi的状态,确定yi的状态。假设存在超平面wx+b=0可以实现故障诊断的目标。就可以采用该超平面根据xi的状态,确定yi的状态。当wxi+b≥1时,yi=1。当wxi+b≤-1时,yi=-1。此时,可以通过求解公式(5)的目标函数进行求解。
s.t.yi(wxi+b)≥1 (6)
为便于求解目标函数,可以通过公式(7)计算拉格朗日函数的鞍点,公式中,ai表示拉格朗日函数系数。
当得到最优解时,目标函数中最优的w*、b*可以使用公式(8)、(9)进行计算。xr和xs为两个类别中任意的一对支持向量。
此时,最优的分类目标函数使用公式(10)进行计算。其中,sgn[η]是一个阶跃函数,当η≥0时,sgn[η]=1。当η<0时,sgn[η]=-1。
由于载波网络中故障诊断的数据具有不确定性,导致线性环境下不能解决好此问题。为解决此问题,通过非线性映射φ:Rd→H实现高维空间H中的最优化分类。为实现低维空间到高维空间的映射,本发明采用径向基核函数K(x,xi)实现,定义如公式(11)所示。
此时,公式(5)的目标函数变为公式(12)中的目标函数,其中,ai的取值范围为0≤ai≤C,C表示惩罚因子,用于对目标函数的解进行优化。
当时,/>此时,故障诊断的目标函数更新为公式(14)。
S5、将所述测试数据集输入到训练后的故障诊断分类模型,获得载波网络的故障分类结果。
具体地,使用SVM诊断模型f(x)对测试集合{(x″i,y″i),i=1,2,...,t}进行分类,根据分类结果与真实结果的比较,计算故障诊断的准确率、误报率。
需要说明的是,本发明的方法具体如表1所示,
表1基于网络特征的载波网络故障的诊断算法
在本发明的某一个实施例中,所述故障诊断数据集包括:底层节点度数、底层节点的中心度、底层节点的重要性、底层节点的历史故障次数、底层节点的故障相关性、底层节点的故障独立性和底层节点的资源利用率。
在本发明的某一个实施例中,所述底层节点的中心度,采用如下计算公式:
其中,表示底层节点的中心度,N表示底层节点,ni表示N的元素,/>表示底层节点ni到底层节点nj的端到端的跳数;
所述底层节点的重要性,采用如下计算公式:
其中,表示底层节点的重要性,δj表示类型为j的电力业务的数量,z表示底层节点上承载的电力业务类型的数量;
所述底层节点的故障相关性,采用如下计算公式:
其中,表示与底层节点ni相关的症状的集合,该集合中的症状取值为1,S表示网络管理***采集的所有症状的集合,该集合中的症状取值为1,|*|表示计算集合中包含元素的数量。/>
在本发明的某一个实施例中,所述预设的故障诊断分类模型,采用如下计算公式:
其中,f(x)表示故障诊断分类模型,l表示数据的个数,sgn[η]是一个阶跃函数,K(xi,x)表示径向基核函数,b*表示最优解,yi表示故障状态。
为了验证本发明算法的性能,实验中使用GT-ITM[E.W.Zegura,K.L.Calvert,S.Bhattacharjee.How to model an internetwork[C]//Proceedings of IEEE INFOCOM,1996]工具生成网络拓扑环境。网络拓扑环境包括底层网络环境和虚拟网络环境。底层网络环境中包含的底层节点数量从100个增加到600个,用于模拟不同规模的网络环境,从而验证不同底层网络环境对算法性能的影响。虚拟网络环境包含的虚拟网络节点数量服从(5,10)的均匀分布。为模拟网络故障,将每个底层网络节点的先验故障概率设置为服从[0.005,0.01]的均匀分布[Rish,M.Brodie,S.Ma,N.Odintsova,A.Beygelzimer,G.Grabainik,K.Hernandez.Adaptive Diagnosis in Distributed Systems[J].IEEETrans.Neural Networks,16(5),2005.]。
在算法比较方面,将本发明算法CNFDAoNC与基于贝叶斯理论的故障诊断算法(fault diagnosis algorithm based on Bayesian theory,FDAoBT)进行了比较。算法FDAoBT采用贝叶斯理论对网络管理***的告警信息进行建模,本发明算法CNFDAoNC是根据网络特征对网络管理***采集的信息进行预处理后进行建模。考虑到两个算法的主要过程不同,故障诊断的时长没有可比性,所以,本发明仅从故障诊断的准确率和误报率两个维度进行比较。
算法准确率比较结果如图3所示。图中,X轴表示底层节点的数量从100个增加到600个。Y轴表示算法的故障诊断结果的准确率。从图可知,随着底层网络节点数量增加,两个算法的准确率都相对稳定,说明两个算法对于不同的网络环境都能取得较好的诊断效果。两个算法对比方面,本发明算法CNFDAoNC的故障诊断准确率维持在82%左右,对比算法FDAoBT的故障诊断准确率维持在78%左右。说明本发明算法在故障诊断准确率方面取得了较好的结果。
算法误报率比较结果如图4所示。图中,X轴表示底层节点的数量从100个增加到600个。Y轴表示算法的故障诊断结果的误报率。从图可知,随着底层网络节点数量增加,两个算法的误报率都相对稳定,说明两个算法对于不同的网络环境都能取得较好的诊断效果。两个算法对比方面,本发明算法CNFDAoNC的故障诊断误报率维持在16%左右,对比算法FDAoBT的故障诊断误报率维持在23%左右。说明本发明算法在故障诊断误报率方面取得了较好的结果。
通过对两个算法在故障诊断的准确率和误报率进行比较可知,本发明算法对故障诊断的数据进行预处理,是算法能够取得较好结果的主要原因。所以,当故障处理数据与故障的关联性增加,故障诊断算法的性能会显著增加。
本发明实施例一种的载波网络故障的诊断方法与现有技术相比,其有益效果在于:
通过对故障诊断算法的性能分析可知,本发明提出的基于网络特征的载波网络故障的诊断方法具有较好的应用效果和性能,较好解决了电力载波网络故障的诊断算法准确率低的问题。
如图5所示,本发明还提供一种载波网络故障的诊断***200,包括:数据获取模块201、预处理模块202、拆分模块203、训练模块204和故障分类模块205,其中,
所述数据获取模块201,用于获取网络特征数据集,并根据所述网络特征数据集,构建载波网络的故障诊断数据集;
所述预处理模块202,用于对所述故障诊断数据集进行预处理,得到预处理后的故障诊断数据集,其中,所述预处理包括:归一化处理;
所述拆分模块203,用于将所述预处理后的故障诊断数据集分为测试数据集和训练数据集;
所述训练模块204,用于将训练数据集输入到预设的故障诊断分类模型进行训练,获得训练后的故障诊断分类模型;
所述故障分类模块205,用于将所述测试数据集输入到训练后的故障诊断分类模型,获得载波网络的故障分类结果。
在本发明的某一个实施例中,所述故障诊断数据集包括:底层节点度数、底层节点的中心度、底层节点的重要性、底层节点的历史故障次数、底层节点的故障相关性、底层节点的故障独立性和底层节点的资源利用率。
在本发明的某一个实施例中,所述底层节点的中心度,采用如下计算公式:
其中,表示底层节点的中心度,N表示底层节点,ni表示N的元素,/>表示底层节点ni到底层节点nj的端到端的跳数;
所述底层节点的重要性,采用如下计算公式:
其中,表示底层节点的重要性,δj表示类型为j的电力业务的数量,z表示底层节点上承载的电力业务类型的数量;
所述底层节点的故障相关性,采用如下计算公式:
其中,表示与底层节点ni相关的症状的集合,该集合中的症状取值为1,S表示网络管理***采集的所有症状的集合,该集合中的症状取值为1,|*|表示计算集合中包含元素的数量。
在本发明的某一个实施例中,所述预设的故障诊断分类模型,采用如下计算公式:
其中,f(x)表示故障诊断分类模型,l表示数据的个数,sgn[η]是一个阶跃函数,K(xi,x)表示径向基核函数,b*表示最优解,yi表示故障状态。
本发明还提供一种计算机终端设备,包括:一个或多个处理器;存储器,与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一项所述的载波网络故障的诊断方法。
需要说明的是,所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作***、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡和闪存卡(FlashCard)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,上述终端设备仅仅是示例,并不构成对终端设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的载波网络故障的诊断方法。
需要说明的是,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种载波网络故障的诊断方法,其特征在于,包括:
根据综合网络管理***,获取网络特征数据集,并根据所述网络特征数据集,构建载波网络的故障诊断数据集;所述故障诊断数据集包括:底层节点度数、底层节点的中心度、底层节点的重要性、底层节点的历史故障次数、底层节点的故障相关性、底层节点的故障独立性和底层节点的资源利用率;
对所述故障诊断数据集进行预处理,得到预处理后的故障诊断数据集,其中,所述预处理包括:归一化处理;
将所述预处理后的故障诊断数据集分为测试数据集和训练数据集;
将训练数据集输入到预设的故障诊断分类模型进行训练,获得训练后的故障诊断分类模型;所述故障诊断分类模型为支持向量机模型;
将所述测试数据集输入到训练后的故障诊断分类模型,获得载波网络的故障分类结果;
其中,所述底层节点的重要性,采用如下计算公式:
其中,表示底层节点的重要性,δj表示类型为j的电力业务的数量,z表示底层节点上承载的电力业务类型的数量;
所述底层节点的故障相关性,采用如下计算公式:
其中,表示与底层节点ni相关的症状的集合,该集合中的症状取值为1,S表示网络管理***采集的所有症状的集合,该集合中的症状取值为1,|*|表示计算集合中包含元素的数量;
所述底层节点的故障独立性,采用如下计算公式:
其中,表示底层节点ni的故障独立性;/>表示底层节点ni在故障传播模型中对应的故障节点;/>表示底层节点ni在故障传播模型中对应的症状节点;/>表示底层节点ni在故障传播模型中对应的症状节点,且这些症状节点被网络管理***作为告警进行上报;表示下层故障节点ni发生故障后,上层症状节点sj发生异常的概率值。
2.根据权利要求1所述的载波网络故障的诊断方法,其特征在于,所述底层节点的中心度,采用如下计算公式:
其中,表示底层节点的中心度,N表示底层节点,ni表示N的元素,/>表示底层节点ni到底层节点nj的端到端的跳数。
3.根据权利要求1所述的载波网络故障的诊断方法,其特征在于,所述预设的故障诊断分类模型,采用如下计算公式:
其中,f(x)表示故障诊断分类模型,l表示数据的个数,sgn[η]是一个阶跃函数,K(xi,x)表示径向基核函数,b*表示最优解,yi表示故障状态。
4.一种载波网络故障的诊断***,其特征在于,包括:数据获取模块、预处理模块、拆分模块、训练模块和故障分类模块,其中,
所述数据获取模块,用于根据综合网络管理***,获取网络特征数据集,并根据所述网络特征数据集,构建载波网络的故障诊断数据集;所述故障诊断数据集包括:底层节点度数、底层节点的中心度、底层节点的重要性、底层节点的历史故障次数、底层节点的故障相关性、底层节点的故障独立性和底层节点的资源利用率;
所述预处理模块,用于对所述故障诊断数据集进行预处理,得到预处理后的故障诊断数据集,其中,所述预处理包括:归一化处理;
所述拆分模块,用于将所述预处理后的故障诊断数据集分为测试数据集和训练数据集;
所述训练模块,用于将训练数据集输入到预设的故障诊断分类模型进行训练,获得训练后的故障诊断分类模型;所述故障诊断分类模型为支持向量机模型;
所述故障分类模块,用于将所述测试数据集输入到训练后的故障诊断分类模型,获得载波网络的故障分类结果;
其中,所述底层节点的重要性,采用如下计算公式:
其中,表示底层节点的重要性,δj表示类型为j的电力业务的数量,z表示底层节点上承载的电力业务类型的数量;
所述底层节点的故障相关性,采用如下计算公式:
其中,表示与底层节点ni相关的症状的集合,该集合中的症状取值为1,S表示网络管理***采集的所有症状的集合,该集合中的症状取值为1,|*|表示计算集合中包含元素的数量;
所述底层节点的故障独立性,采用如下计算公式:
其中,表示底层节点ni的故障独立性;/>表示底层节点ni在故障传播模型中对应的故障节点;/>表示底层节点ni在故障传播模型中对应的症状节点;/>表示底层节点ni在故障传播模型中对应的症状节点,且这些症状节点被网络管理***作为告警进行上报;表示下层故障节点ni发生故障后,上层症状节点sj发生异常的概率值。
5.根据权利要求4所述的载波网络故障的诊断***,其特征在于,所述底层节点的中心度,采用如下计算公式:
其中,表示底层节点的中心度,N表示底层节点,ni表示N的元素,/>表示底层节点ni到底层节点nj的端到端的跳数。
6.根据权利要求4所述的载波网络故障的诊断***,其特征在于,所述预设的故障诊断分类模型,采用如下计算公式:
其中,f(x)表示故障诊断分类模型,l表示数据的个数,sgn[η]是一个阶跃函数,K(xi,x)表示径向基核函数,b*表示最优解,yi表示故障状态。
7.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至3任一项所述的载波网络故障的诊断方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的载波网络故障的诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816191.9A CN113572639B (zh) | 2021-07-19 | 2021-07-19 | 一种载波网络故障的诊断方法、***、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816191.9A CN113572639B (zh) | 2021-07-19 | 2021-07-19 | 一种载波网络故障的诊断方法、***、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113572639A CN113572639A (zh) | 2021-10-29 |
CN113572639B true CN113572639B (zh) | 2023-09-05 |
Family
ID=78165531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110816191.9A Active CN113572639B (zh) | 2021-07-19 | 2021-07-19 | 一种载波网络故障的诊断方法、***、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113572639B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114553680B (zh) * | 2022-03-04 | 2023-06-13 | 华信咨询设计研究院有限公司 | 一种通信底层网络故障快速定位辅助方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN112557826A (zh) * | 2020-12-08 | 2021-03-26 | 上海海事大学 | 一种船舶电力***故障诊断方法 |
CN112929913A (zh) * | 2021-03-31 | 2021-06-08 | 广东电网有限责任公司电力调度控制中心 | 网络切片下基于路由可生存性的虚拟网服务故障恢复方法 |
-
2021
- 2021-07-19 CN CN202110816191.9A patent/CN113572639B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN112557826A (zh) * | 2020-12-08 | 2021-03-26 | 上海海事大学 | 一种船舶电力***故障诊断方法 |
CN112929913A (zh) * | 2021-03-31 | 2021-06-08 | 广东电网有限责任公司电力调度控制中心 | 网络切片下基于路由可生存性的虚拟网服务故障恢复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113572639A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111858123B (zh) | 基于有向图网络的故障根因分析方法和装置 | |
WO2020077682A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
WO2020077672A1 (zh) | 一种服务质量评估模型的训练方法及装置 | |
WO2023093177A1 (zh) | 设备故障诊断方法、装置、电子设备及存储介质 | |
US11348023B2 (en) | Identifying locations and causes of network faults | |
CN109787846A (zh) | 一种5g网络服务质量异常监测和预测方法及*** | |
CN104133143B (zh) | 一种基于Hadoop云计算平台的电网线路故障诊断***及方法 | |
CN113516174B (zh) | 调用链异常检测方法、计算机设备以及可读存储介质 | |
CN112367191B (zh) | 一种5g网络切片下服务故障定位方法 | |
CN113572639B (zh) | 一种载波网络故障的诊断方法、***、设备和介质 | |
CN114969366A (zh) | 一种网络故障的分析方法、装置及设备 | |
CN115550139A (zh) | 故障根因定位方法、装置、***、电子设备及存储介质 | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
Yang et al. | Data domain adaptation for voltage stability evaluation considering topology changes | |
CN117254446A (zh) | 电力***的异常源节点的确定方法和确定装置 | |
Kakadia et al. | Machine learning approaches for network resiliency optimization for service provider networks | |
CN114205214B (zh) | 一种电力通信网络故障识别方法、装置、设备及存储介质 | |
CN113204590B (zh) | 基于序列化自编码器的无监督kpi异常检测方法 | |
CN113285837A (zh) | 一种基于拓扑感知的载波网络服务故障诊断方法及装置 | |
CN116582451B (zh) | 一种弹性通信网络结合虚拟化技术通讯运营的方法 | |
Lou et al. | Research on Diagnostic Reasoning of Cloud Data Center Based on Bayesian Network and Knowledge Graph | |
CN112948154A (zh) | 一种***异常诊断方法、装置及存储介质 | |
Párraga-Palmar et al. | Anomaly Detection Method for a Local Area Network | |
Mirmojarabian et al. | Reliability computation of clustered smart meters using fuzzy logic | |
CN112260873B (zh) | 一种5g网络切片下动态网络故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |