CN115278741A - 一种基于多模态数据依赖关系的故障诊断方法和装置 - Google Patents
一种基于多模态数据依赖关系的故障诊断方法和装置 Download PDFInfo
- Publication number
- CN115278741A CN115278741A CN202210676227.2A CN202210676227A CN115278741A CN 115278741 A CN115278741 A CN 115278741A CN 202210676227 A CN202210676227 A CN 202210676227A CN 115278741 A CN115278741 A CN 115278741A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- dependency relationship
- fault
- graph
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 230000001364 causal effect Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000005065 mining Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 13
- 230000011218 segmentation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于多模态数据依赖关系的故障诊断方法和装置,该方法包括:构建分层依赖关系图,对指标层依赖关系图的节点指标进行故障检测;将故障发生前的第一预设时间段的数据作为训练集,第二预设时间段的数据作为测试集,根据训练集计算得到平均数和标准差,判定节点指标是否为异常节点指标,并计算异常分数,沿着指标层依赖关系图的因果关系边反向搜索异常分数超过预设数值的指标节点,根据搜索路径构成异常子图,保留异常子图上的根节点,将根节点按照指标异常分数排序,得到故障原因候选集,以完成故障诊断。本发明通过构建无线小区之间的依赖关系图,获取到无线小区指标间的依赖关系,精确地进行无线网络的故障诊断和故障传播路径追溯。
Description
技术领域
本发明涉及关系挖掘和故障诊断等技术领域,尤其涉及一种基于多模态数据依赖关系的故障诊断方法和装置。
背景技术
在***移动通信技术4G网络中,网络采用扁平化的架构,主要由用户设备、基站和核心网组成。其中,基站是4G网络中的主要设备之一,是用户设备和核心网之间的桥梁,其运行状况对用户感知的影响极大。每个基站覆盖多个无线小区,为小区内的用户提供无线网络通信服务。无线小区一直是运维保障***所关心的重点单元,运营商通常会采集每个无线小区的表征网络关键性能水平的指标、用户感知情况指标、无线小区配置信息、设备日志、告警信息等多模态数据,捕捉到与网络***状态和服务质量相关的信息。
聚焦于无线网络中的无线小区层面,将无线小区抽象为一个节点,每个节点内包括采集的多模态数据,仅凭单模态数据难以完整刻画***整体的状态,而这些多模态数据之间通常具有一定的依赖关系,单个或多个无线小区的故障或配置更改将产生连带的影响,例如两个小区间的切换迟滞配置参数发生改变,将影响其最大RRC(Radio ResourceControl)连接用户数、上行PRB(Physical Resource Block)平均利用率等指标。随着底层数据逐步复杂化和海量化,无线网络的维护优化日益精细化,有效地挖掘节点间和节点的多模态数据中的依赖关系对后续的变更推荐和故障定位具有重要意义。然而,无线网络中的无线小区众多,且采集到的多模态数据量大,内部关系复杂。传统的方法很难高效且准确地在本场景中进行依赖关系发现。
在大规模无线网络中,为监控***性能,运维人员通常会对关键业务指标配置异常告警,当检测到无线网络的关键业务指标出现异常时,触发告警,我们通常认为发生故障。由于无线网络的众多无线小区和大量的多模态数据,以及其中存在复杂的因果关系,当故障发生时,故障将沿着因果关系从因到果不断传播,导致出现大量数据表现异常的情况,人工排查数量如此多的异常数据难度过高。而基于专家知识配置的因果关系不全面,已有因果关系挖掘算法不能准确高效地挖掘大规模无线网络中多模态数据的因果关系,在故障诊断和故障传播路径追溯上,常常面临着很大的瓶颈。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种基于多模态数据依赖关系的故障诊断方法,本发明通过构建无线小区之间的依赖关系图,根据指标的依赖关系,精确地进行无线网络的故障诊断和故障传播路径追溯。
本发明的另一个目的在于提出一种基于多模态数据依赖关系的故障诊断装置。
为达上述目的,本发明一方面提出了一种基于多模态数据依赖关系的故障诊断方法,包括:
获取多个无线小区的多模态数据,基于所述多模态数据构建分层依赖关系图;基于所述分层依赖关系图中的指标层依赖关系图,根据预设故障发生时间对所述指标层依赖关系图的指标数据进行故障检测;其中,所述故障检测,包括:将故障发生前的第一预设时间段的数据作为训练集,第二预设时间段的数据作为测试集,并根据所述训练集计算得到平均数和标准差;以及,基于所述测试集的指标数据,通过基于所述平均数和标准差的预设公式,判定所述指标数据是否为异常指标数据,并计算所述指标数据的异常分数;基于所述故障检测判定的所述异常指标数据,沿着所述指标层依赖关系图的因果关系边反向搜索所述异常分数超过预设数值的指标数据,根据搜索路径构成异常子图,保留所述异常子图上的根节点,将所述根节点按照指标异常分数排序,得到故障原因候选集,以完成故障诊断。
本发明实施例的基于多模态数据依赖关系的故障诊断方法,能够支持大规模无线网络中无线小区的多模态数据的依赖关系发现,将无线网络中多模态数据预处理为统一表征的指标形式后,提出将无线小区及其指标建模为分层图,并将***知识与算法自动学习融合,构建无线小区的分层依赖关系,这些关系对于网络性能的深层诊断和分析至关重要。提出基于条件独立检验的时空依赖发现算法,通过在空间维度的分割采集更多的样本,增加了依赖关系发现的准确度,同时由于空间上的样本组分割,能够适用于大规模无线小区间的大量指标的依赖关系发现,具有高效性,也可以推广到其他相似场景。采用基于主动学习的方案,提出将专家反馈融入到依赖关系挖掘中,通过选取关系边推荐给运维人员来判断是否正确,让挖掘算法根据反馈结果学习优化,在迭代中不断提升算法识别有效依赖关系边的准确率,以进行无线网络的故障诊断和故障传播路径追溯。
为达到上述目的,本发明另一方面提出了一种基于多模态数据依赖关系的故障诊断装置,包括:
数据获取模块,用于获取多个无线小区的多模态数据,基于所述多模态数据构建分层依赖关系图;
故障检测模块,用于基于所述分层依赖关系图中的指标层依赖关系图,根据预设故障发生时间对所述指标层依赖关系图的指标数据进行故障检测;其中,所述故障检测模块,包括:
第一检测模块,用于将故障发生前的第一预设时间段的数据作为训练集,第二预设时间段的数据作为测试集,并根据所述训练集计算得到平均数和标准差;以及,
第二检测模块,用于基于所述测试集的指标数据,通过基于所述平均数和标准差的预设公式,判定所述指标数据是否为异常指标数据,并计算所述指标数据的异常分数;
故障溯源模块,用于基于所述故障检测模块判定的所述异常指标数据,沿着所述指标层依赖关系图的因果关系边反向搜索所述异常分数超过预设数值的指标数据,根据搜索路径构成异常子图,保留所述异常子图上的根节点,将所述根节点按照指标异常分数排序,得到故障原因候选集,以完成故障诊断。
本发明实施例的基于多模态数据依赖关系的故障诊断装置,能够支持大规模无线网络中无线小区的多模态数据的依赖关系发现,将无线网络中多模态数据预处理为统一表征的指标形式后,提出将无线小区及其指标建模为分层图,并将***知识与算法自动学习融合,构建无线小区的分层依赖关系,这些关系对于网络性能的深层诊断和分析至关重要。提出基于条件独立检验的时空依赖发现算法,通过在空间维度的分割采集更多的样本,增加了依赖关系发现的准确度,同时由于空间上的样本组分割,能够适用于大规模无线小区间的大量指标的依赖关系发现,具有高效性,也可以推广到其他相似场景。采用基于主动学习的方案,提出将专家反馈融入到依赖关系挖掘中,通过选取关系边推荐给运维人员来判断是否正确,让挖掘算法根据反馈结果学习优化,在迭代中不断提升算法识别有效依赖关系边的准确率,以进行无线网络的故障诊断和故障传播路径追溯。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于多模态数据依赖关系的故障诊断方法的流程图;
图2为根据本发明实施例的无线网络中多模态数据的依赖关系发现架构图;
图3为根据本发明实施例的基于多模态数据依赖关系的故障诊断装置的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的基于多模态数据依赖关系的故障诊断方法及***。
图1是本发明一个实施例的基于多模态数据依赖关系的故障诊断方法的流程图。
如图1所示,该方法包括但不限于以下步骤:
S1,获取多个无线小区的多模态数据,基于多模态数据构建分层依赖关系图;
S2,基于分层依赖关系图中的指标层依赖关系图,根据预设故障发生时间对指标层依赖关系图的指标数据进行故障检测;其中,故障检测,包括:
S3,将故障发生前的第一预设时间段的数据作为训练集,第二预设时间段的数据作为测试集,并根据训练集计算得到平均数和标准差;以及,
S4,基于测试集的指标数据,通过基于平均数和标准差的预设公式,判定指标数据是否为异常指标数据,并计算指标数据的异常分数;
S5,基于故障检测判定的异常指标数据,沿着指标层依赖关系图的因果关系边反向搜索异常分数超过预设数值的指标数据,根据搜索路径构成异常子图,保留异常子图上的根节点,将根节点按照指标异常分数排序,得到故障原因候选集,以完成故障诊断。
下面结合附图对本发明实施例做进一步阐述。
图2为无线网络中多模态数据的依赖关系发现架构图,如图2所示:
可以理解的是,本发明获取的多模态数据可以包括采集每个无线小区的表征网络关键性能水平的指标、用户感知情况指标、无线小区配置信息、设备日志、告警信息等多模态数据。
进一步地,对获取的模态数据预处理:将多模态数据处理成统一的时间序列的形式,
对指标数据:指标数据已经是时间序列,无需处理;
对日志数据:提取日志模板数量的时间序列;
对告警数据:提取告警类型,并生成告警数量的时间序列;
对配置数据:提取配置项的各参数,生成按照时间变化的序列。
进一步地,分层图构建:
上层为无线小区层,每个小区为一个节点;下层为指标层,每个无线小区包含多个指标。考虑到不同无线小区应用功能和内部协议的一致性,本发明对无线小区进行等价建模。
首先是无线小区层构建关系依赖图:
在无线网络中,对于任一无线小区Vk,运营商会为其配置邻区。
若Vk的邻区参数调整,则将对Vk内部的指标数据产生一定程度的影响。
因此,本项目采用基于***信息的依赖关系发现方法,根据无线小区间的拓扑图和邻区配置信息,构建依赖关系图。
具体来说,当拓扑中有无线小区Vk和Vj连接,或当邻区配置信息中表明无线小区Vk与Vj为双向邻区,则在依赖关系图中加一条Vk与Vj之间的双向边,当邻区配置信息中表明无线小区Vk仅为Vj的单向邻区,则在依赖关系图中加一条Vj到Vk的单向边。
其次是指标层构建关系依赖图:
具体地,对于指标层依赖关系图的构建,本方案采用基于条件独立检验的时空依赖关系发现算法,基于变量间固有的条件独立性,通过条件独立性检验算法,从数据中分析变量间的依赖关系。本发明实施例的算法在空间维度上提出改进,以适用于当前超大规模无线网络的应用场景,具体算法流程如下:
记指标中第一个时间点为T=1,最新时刻为T=t,那么Vk在t-τ时刻的所有指标可表示为
可以理解的是,预设τmax是因果关系存在的最长时延,即在时间差为τmax内的两个时间序列间存在因果关系。
作为一种示例,本发明在挖掘无线小区节点Vk内部指标的依赖关系时,在时间上划分得到t-τmax+1个样本,在空间上将每个无线小区节点与其依赖关系父项均作为一个样本,由此得到该样本总数为(t-τmax+])×M;在挖掘跨小区间(例如,Vl和Vk,其中)指标的依赖关系时,将两个小区节点以及其依赖关系父项的交集作为一个样本,由于跨无线小区间指标的因果关系仅存在于具有因果关系的两个无线小区之间,本发明在时间上划分得到的t-τmax+1个样本的基础上,在空间上将任意两个存在因果关系的无线小区节点均作为一个样本,故该样本总数至多为(t-τmax+1)×M(M-1)/2。
所有样本根据其结构差异划分为不同样本组。在检验时,不同的样本组间采用按照样本数量加权的方式投票。对于所有样本组,采取如下的检验算法:
对于任意指标Xj,k,先采用第一预设算法计算变量的相关条件。
在此后的每次迭代中(p→p+1),先根据父节点的检验统计值来对它们进行排序,均根据显著性水平α1检验。
首先考虑受检验的两个变量所对应的指标位于同一无线小区内的情况,即检验
其次考虑受检验的两个变量对应的指标位于不同无线小区节点内的情况,即检验考虑到仅公共父节点无线小区中的指标才可能成为混杂变量,因此,在中筛选出位于无线小区Vk,Vq以及Vk和Vq的公共父节点无线小区中的指标对应的变量中统计值最大的p个父节点作为
由此构建小区节点的指标间依赖关系图。
进一步,专家判断:
具体地,将算法学习到的依赖关系推荐给运维人员,运维人员根据自身的运维经验对推荐的依赖关系正确与否进行判断,反馈结果将交由依赖关系发现算法,被判断为无效的依赖关系在分层依赖关系图中删除。与此同时人工反馈的结果也将作为挖掘算法优化的依据。
进一步,算法模型重新学习:
具体地,算法模型重新学习基于主动学习的思路,依赖关系挖掘算法将根据运维人员的人工反馈,来优化后续的挖掘结果。具体来说,专家判断为正确的边,将作为已知加入到依赖关系发现算法中,在第一预设算法中,将已知边对应的父节点直接加入到子节点的依赖关系父项中,并在第二预设算法中不测试该边而直接加入依赖关系图中;对于专家判断为错误的边则不将其父节点加入到子节点的依赖关系父项中,这将对其他边的构建准确性产生正向效用。
进一步,故障诊断:
基于上述分层因果关系图构建方法,本发明采用近期长度为l的指标数据学习无线网络中的因果关系,并定期重新学习。当每一次故障出现时,设故障开始发生时间为t,进行如下步骤的故障诊断。
异常检测:对所有指标采用基于3σ准则的方法进行异常检测。具体来说,对某一个指标X,将故障开始前t-lh至t-1时间段内的数据作为测试集,记为Xtrain,将t至t+lm时间段内的数据作为测试集,记为Xtest。其中lh和lm代表训练集和测试集的长度,均可以由运维人员自行指定,lh不能过小,为更好地学***均数μ和标准差σ,用于建模指标取值分布。对于Xtest,对其中的每个时刻点Xi做异常检测,若则判定该点为异常。记为该指标的异常分数。
故障溯源:在分层图的指标层中,从出现告警的指标开始,沿着因果关系边反向持续搜索异常分数不为0的指标节点,搜索路径构成异常子图。保留异常子图上的所有根节点。将根节点按照指标异常分数排序,得到故障根本原因候选集,完成故障诊断。
根据本发明实施例的基于多模态数据依赖关系的故障诊断方法,能够支持大规模无线网络中无线小区的多模态数据的依赖关系发现,将无线网络中多模态数据预处理为统一表征的指标形式后,提出将无线小区及其指标建模为分层图,并将***知识与算法自动学习融合,构建无线小区的分层依赖关系,这些关系对于网络性能的深层诊断和分析至关重要。提出基于条件独立检验的时空依赖发现算法,通过在空间维度的分割采集更多的样本,增加了依赖关系发现的准确度,同时由于空间上的样本组分割,能够适用于大规模无线小区间的大量指标的依赖关系发现,具有高效性,也可以推广到其他相似场景。采用基于主动学习的方案,提出将专家反馈融入到依赖关系挖掘中,通过选取关系边推荐给运维人员来判断是否正确,让挖掘算法根据反馈结果学习优化,在迭代中不断提升算法识别有效依赖关系边的准确率,以进行无线网络的故障诊断和故障传播路径追溯。
为了实现上述实施例,如图3所示,本实施例中还提供了基于多模态数据依赖关系的故障诊断装置10,该装置10包括:数据获取模块100、第一检测模块200、第二检测模块300、第三检测模块400和故障溯源模块500。
数据获取模块100,用于获取多个无线小区的多模态数据,基于多模态数据构建分层依赖关系图;
故障检测模块200,用于基于分层依赖关系图中的指标层依赖关系图,根据预设故障发生时间对指标层依赖关系图的指标数据进行故障检测;其中,故障检测模块200,包括:
第一检测模块300,用于将故障发生前的第一预设时间段的数据作为训练集,第二预设时间段的数据作为测试集,并根据训练集计算得到平均数和标准差;以及,
第二检测模块400,用于基于测试集的指标数据,通过基于平均数和标准差的预设公式,判定指标数据是否为异常指标数据,并计算指标数据的异常分数;
故障溯源模块500,用于基于第二检测模块400判定的异常指标数据,沿着指标层依赖关系图的因果关系边反向搜索异常分数超过预设数值的指标数据,根据搜索路径构成异常子图,保留异常子图上的根节点,将根节点按照指标异常分数排序,得到故障原因候选集,以完成故障诊断。
根据本发明实施例的基于多模态数据依赖关系的故障诊断装置,能够支持大规模无线网络中无线小区的多模态数据的依赖关系发现,将无线网络中多模态数据预处理为统一表征的指标形式后,提出将无线小区及其指标建模为分层图,并将***知识与算法自动学习融合,构建无线小区的分层依赖关系,这些关系对于网络性能的深层诊断和分析至关重要。提出基于条件独立检验的时空依赖发现算法,通过在空间维度的分割采集更多的样本,增加了依赖关系发现的准确度,同时由于空间上的样本组分割,能够适用于大规模无线小区间的大量指标的依赖关系发现,具有高效性,也可以推广到其他相似场景。采用基于主动学习的方案,提出将专家反馈融入到依赖关系挖掘中,通过选取关系边推荐给运维人员来判断是否正确,让挖掘算法根据反馈结果学习优化,在迭代中不断提升算法识别有效依赖关系边的准确率,以进行无线网络的故障诊断和故障传播路径追溯。
需要说明的是,前述对基于多模态数据依赖关系的故障诊断方法实施例的解释说明也适用于该实施例的基于多模态数据依赖关系的故障诊断装置,此处不再赘述。
此外,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至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
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 (10)
1.一种基于多模态数据依赖关系的故障诊断方法,其特征在于,包括以下步骤:
获取多个无线小区的多模态数据,基于所述多模态数据构建分层依赖关系图;
基于所述分层依赖关系图中的指标层依赖关系图,根据预设故障发生时间对所述指标层依赖关系图的指标数据进行故障检测;其中,所述故障检测,包括:
将故障发生前的第一预设时间段的数据作为训练集,第二预设时间段的数据作为测试集,并根据所述训练集计算得到平均数和标准差;以及,
基于所述测试集的指标数据,通过基于所述平均数和标准差的预设公式,判定所述指标数据是否为异常指标数据,并计算所述指标数据的异常分数;
基于所述故障检测判定的所述异常指标数据,沿着所述指标层依赖关系图的因果关系边反向搜索所述异常分数超过预设数值的指标数据,根据搜索路径构成异常子图,保留所述异常子图上的根节点,将所述根节点按照指标异常分数排序,得到故障原因候选集,以完成故障诊断。
2.根据权利要求1所述的方法,其特征在于,所述获取多个无线小区的多模态数据,基于所述多模态数据构建分层依赖关系图,包括:
获取多个无线小区的多模态数据,并通过数据预处理从所述多模态数据中提取出时间序列的指标数据;
根据多个无线小区节点之间的拓扑图和邻区配置信息,构建无线小区层依赖关系图;以及,基于所述无线小区层依赖关系图,通过依赖关系发现算法挖掘所有指标数据之间的依赖关系构建初始的分层依赖关系图;
对挖掘的所述所有指标数据之间的关系进行专家判断,将被判断为无效的关系在所述初始的分层依赖关系图中删除,得到最终的分层依赖关系图。
3.根据权利要求2所述的方法,其特征在于,所述通过数据预处理从所述多模态数据中提取出时间序列的指标数据,包括:对时间序列的指标数据保留其本身;对日志数据,提取日志模板数量的时间序列;对告警数据,提取告警类型生成告警数量的时间序列;对配置数据,提取配置项的各参数按照时间变化的序列。
4.根据权利要求2所述的方法,其特征在于,所述根据所述多个无线小区节点之间的拓扑图和邻区配置信息,构建无线小区层依赖关系图,包括:
当所述多个无线小区节点之间的拓扑图中有无线小区Vk和Vj连接,或当所述邻区配置信息中表明所述无线小区Vk与Vj为双向邻区,则添加一条Vk与Vj之间的双向边;以及,
当所述邻区配置信息中表明无线小区Vk仅为Vj的单向邻区,则添加一条Vj到Vk的单向边,以构建所述无线小区层依赖关系图。
7.根据权利要求6所述的方法,其特征在于,对于划分的所述不同样本组,采取检验算法为:
对于任意指标Xj,k,采用第一预设算法计算变量的相关条件;
在后面每次迭代中p→p+1,根据父节点的检验统计值进行排序,根据显著性水平α1检验;
10.一种基于多模态数据依赖关系的故障诊断装置,其特征在于,包括:
数据获取模块,用于获取多个无线小区的多模态数据,基于所述多模态数据构建分层依赖关系图;
故障检测模块,用于基于所述分层依赖关系图中的指标层依赖关系图,根据预设故障发生时间对所述指标层依赖关系图的指标数据进行故障检测;其中,所述故障检测模块,包括:
第一检测模块,用于将故障发生前的第一预设时间段的数据作为训练集,第二预设时间段的数据作为测试集,并根据所述训练集计算得到平均数和标准差;以及,
第二检测模块,用于基于所述测试集的指标数据,通过基于所述平均数和标准差的预设公式,判定所述指标数据是否为异常指标数据,并计算所述指标数据的异常分数;
故障溯源模块,用于基于所述第二检测模块判定的所述异常指标数据,沿着所述指标层依赖关系图的因果关系边反向搜索所述异常分数超过预设数值的指标数据,根据搜索路径构成异常子图,保留所述异常子图上的根节点,将所述根节点按照指标异常分数排序,得到故障原因候选集,以完成故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676227.2A CN115278741B (zh) | 2022-06-15 | 2022-06-15 | 一种基于多模态数据依赖关系的故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210676227.2A CN115278741B (zh) | 2022-06-15 | 2022-06-15 | 一种基于多模态数据依赖关系的故障诊断方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115278741A true CN115278741A (zh) | 2022-11-01 |
CN115278741B CN115278741B (zh) | 2024-06-18 |
Family
ID=83762147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210676227.2A Active CN115278741B (zh) | 2022-06-15 | 2022-06-15 | 一种基于多模态数据依赖关系的故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115278741B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115756929A (zh) * | 2022-11-23 | 2023-03-07 | 北京大学 | 一种基于动态服务依赖图的异常根因定位方法及*** |
CN116662060A (zh) * | 2023-07-31 | 2023-08-29 | 深圳市创银科技股份有限公司 | 传感器信号采集处理***的数据处理方法及*** |
CN116737511A (zh) * | 2023-08-10 | 2023-09-12 | 山景智能(北京)科技有限公司 | 基于图的调度作业监控方法及装置 |
CN117041072A (zh) * | 2023-06-25 | 2023-11-10 | 兴容(上海)信息技术股份有限公司 | 一种基于人工智能的多模态数据管理***及方法 |
CN117252346A (zh) * | 2023-11-15 | 2023-12-19 | 江西珉轩智能科技有限公司 | 一种物料溯源***及方法 |
CN117939506A (zh) * | 2024-03-25 | 2024-04-26 | 云南大学 | 一种基于近似依赖规则的无线通信网络异常检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170109222A1 (en) * | 2015-10-15 | 2017-04-20 | Tata Consultancy Services Limited | Systems and methods for predictive reliability mining |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及*** |
CN110855503A (zh) * | 2019-11-22 | 2020-02-28 | 叶晓斌 | 一种基于网络协议层级依赖关系的故障定因方法和*** |
CN110888755A (zh) * | 2019-11-15 | 2020-03-17 | 亚信科技(中国)有限公司 | 一种微服务***异常根因节点的查找方法及装置 |
CN111342997A (zh) * | 2020-02-06 | 2020-06-26 | 烽火通信科技股份有限公司 | 一种深度神经网络模型的构建方法、故障诊断方法及*** |
CN111368888A (zh) * | 2020-02-25 | 2020-07-03 | 重庆邮电大学 | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 |
CN112698975A (zh) * | 2020-12-14 | 2021-04-23 | 北京大学 | 一种微服务架构信息***的故障根因定位方法及*** |
CN112905371A (zh) * | 2021-01-28 | 2021-06-04 | 清华大学 | 基于异构多源数据异常检测的软件变更检查方法和装置 |
CN113190373A (zh) * | 2021-05-31 | 2021-07-30 | 中国人民解放军国防科技大学 | 一种基于故障特征比较的微服务***故障根因定位方法 |
-
2022
- 2022-06-15 CN CN202210676227.2A patent/CN115278741B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170109222A1 (en) * | 2015-10-15 | 2017-04-20 | Tata Consultancy Services Limited | Systems and methods for predictive reliability mining |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及*** |
CN110888755A (zh) * | 2019-11-15 | 2020-03-17 | 亚信科技(中国)有限公司 | 一种微服务***异常根因节点的查找方法及装置 |
CN110855503A (zh) * | 2019-11-22 | 2020-02-28 | 叶晓斌 | 一种基于网络协议层级依赖关系的故障定因方法和*** |
CN111342997A (zh) * | 2020-02-06 | 2020-06-26 | 烽火通信科技股份有限公司 | 一种深度神经网络模型的构建方法、故障诊断方法及*** |
CN111368888A (zh) * | 2020-02-25 | 2020-07-03 | 重庆邮电大学 | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 |
CN112698975A (zh) * | 2020-12-14 | 2021-04-23 | 北京大学 | 一种微服务架构信息***的故障根因定位方法及*** |
CN112905371A (zh) * | 2021-01-28 | 2021-06-04 | 清华大学 | 基于异构多源数据异常检测的软件变更检查方法和装置 |
CN113190373A (zh) * | 2021-05-31 | 2021-07-30 | 中国人民解放军国防科技大学 | 一种基于故障特征比较的微服务***故障根因定位方法 |
Non-Patent Citations (1)
Title |
---|
张圣林,林潇等: "基于深度学习的无监督KPI异常检测", 数据与计算发展前沿, vol. 2, no. 3, 30 June 2020 (2020-06-30), pages 87 - 100 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115756929A (zh) * | 2022-11-23 | 2023-03-07 | 北京大学 | 一种基于动态服务依赖图的异常根因定位方法及*** |
CN117041072A (zh) * | 2023-06-25 | 2023-11-10 | 兴容(上海)信息技术股份有限公司 | 一种基于人工智能的多模态数据管理***及方法 |
CN117041072B (zh) * | 2023-06-25 | 2024-02-13 | 兴容(上海)信息技术股份有限公司 | 一种基于人工智能的多模态数据管理***及方法 |
CN116662060A (zh) * | 2023-07-31 | 2023-08-29 | 深圳市创银科技股份有限公司 | 传感器信号采集处理***的数据处理方法及*** |
CN116662060B (zh) * | 2023-07-31 | 2024-02-06 | 深圳市创银科技股份有限公司 | 传感器信号采集处理***的数据处理方法及*** |
CN116737511A (zh) * | 2023-08-10 | 2023-09-12 | 山景智能(北京)科技有限公司 | 基于图的调度作业监控方法及装置 |
CN117252346A (zh) * | 2023-11-15 | 2023-12-19 | 江西珉轩智能科技有限公司 | 一种物料溯源***及方法 |
CN117252346B (zh) * | 2023-11-15 | 2024-02-13 | 江西珉轩智能科技有限公司 | 一种物料溯源***及方法 |
CN117939506A (zh) * | 2024-03-25 | 2024-04-26 | 云南大学 | 一种基于近似依赖规则的无线通信网络异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115278741B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115278741B (zh) | 一种基于多模态数据依赖关系的故障诊断方法和装置 | |
CN115412947B (zh) | 一种基于数字孪生与ai算法的故障仿真方法和*** | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及*** | |
CN101516099B (zh) | 一种传感器网络异常检测方法 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN108921301A (zh) | 一种基于自学习的机器学习模型更新方法及*** | |
CN113032238B (zh) | 基于应用知识图谱的实时根因分析方法 | |
CN112579789A (zh) | 一种设备故障诊断的方法和装置及设备 | |
CN110297207A (zh) | 智能电表的故障诊断方法、***及电子装置 | |
CN112217674A (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 | |
CN111586728B (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
CN111884859B (zh) | 一种网络故障诊断方法、装置及可读存储介质 | |
CN116862081B (zh) | 一种污染治理设备运维方法及*** | |
CN113936413A (zh) | 一种早期火灾监测预警方法和装置 | |
CN111444075A (zh) | 一种自动发现关键影响力指标的方法 | |
CN113744888B (zh) | 区域流行病趋势预测预警方法及*** | |
CN114416573A (zh) | 一种应用程序的缺陷分析方法、装置、设备及介质 | |
WO2023093431A1 (zh) | 一种模型训练方法、装置、设备、存储介质和程序产品 | |
CN113840255B (zh) | 基于云边融合环境的异常探测方法 | |
CN115734274A (zh) | 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN111835541B (zh) | 一种流量识别模型老化检测方法、装置、设备及*** | |
Wang et al. | LSTM-based alarm prediction in the mobile communication network | |
JP2017153015A (ja) | 故障解析装置、故障解析プログラムおよび故障解析方法 | |
CN110889614A (zh) | 基于scada大数据的电网***重要用户供电风险分析方法 |
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 |