CN115766400A - 模型驱动和数据驱动相结合的链路故障诊断方法 - Google Patents

Abstract

本发明提供模型驱动和数据驱动相结合的链路故障诊断方法，本发明是以电力自动化网络领域的设备特点、网络特点以及业务特点为基础，从电力***一次设备的采集、二次设备的检测、控制信息等的输送、交换服务和连通这些网路资源的网络设施中，形成一套电力***调度数据网网络，围绕调度数据网运行业务的自动化网络故障诊断、电力调度***运行故障诊断，保证自动化控制大区、非控制大区、信息大区的业务正常运行和由此形成的网络运行、设备运行的特点，在故障诊断中起到了发现网络、设备、软件故障影响调度运行管理的情况，结合故障定位手段，支持电力调度数据网运维工作快速启动消缺程序，及时、准确地排除故障，提高效率，减少排查时间的浪费。

Description

模型驱动和数据驱动相结合的链路故障诊断方法

技术领域

本发明涉及链路诊断技术领域，尤其涉及模型驱动和数据驱动相结合的链路故障诊断方法。

背景技术

传统的调度数据网的故障处理方法是集中在设备，采用的方法如观察法，查看组成调度数据网***的各设备模块灯光指示是否正确，通道监控是否报警，当地后台机数据是否正常，计算机工作是否正常、网络是否正常，该方法运维排查故障慢；测量替换法，经观察法不能准确判断故障时，可以用专用工具进行检测。常用检测工具为测量用表计，通过电压情况可判断出接收或发送通路在哪部分发生了故障。假定一个故障部位后，可相应进行更换处理，用相同型号正常部件或设备替换故障部分，故障解决则定位到故障部分，反之则更换其他模块该方法运维排查故障慢，适合于***、光中继机、RTU或综合自动化的接收端测量，网络设备，该方法运维排查故障精确，但增加运维量，耗费时间过多，备品备件过大；

现有技术中，申请号为CN113836044A的专利公开一种软件故障采集和分析的方法及***，检测目标应用程序的运行状态，监测到目标应用程序的运行状态异常时生成目标应用程序的故障数据；采集目标应用程序的运行环境信息、配置参数信息和日志信息，并与故障数据进行数据匹配，再一起发送到服务器；服务器接收并保存故障相关数据后，一方面发送故障告警，另一方面通过采集到的故障数据以及相关信息进行故障的诊断与分析，推理出可能的故障原因，并给出相对应的故障解决方案，这种方法只注重了软件故障，忽略了对调度数据网本身作为一个整体，包含网络设备、安全设备、通信设备、服务器设备、虚拟共享设备、软件***、操作***。

纵观上述的传统方法以及现有技术中，存在不断耗时长、运维排查慢、投入人员多，效率不高，还不能追根朔源的排查***性的隐患。而本发明提出模型驱动和数据驱动相结合的链路故障诊断方法是贴近电力设备、电力自动化业务、调度数据网构成出发，从调度自动化***的设备模型到数据构建由设备基本信息、设备重点监测信息、网络拓扑关系三个部分组成的内生关系，为基于这三个部分各自属性、信息获得、拓扑关系组成网络服务于调度运行管控业务服务。

发明内容

鉴以此，本发明的目的在于提供模型驱动和数据驱动相结合的链路故障诊断方法，以至少解决以上问题。

本发明采用的技术方案如下：

模型驱动和数据驱动相结合的链路故障诊断方法，所述方法包括以下步骤：

S1、构建网络资源基础信息库，通过网络资源基础信息库设立网络设备、服务器和数据库运行性能监视指标，如果监视对象运行性能信息超过该对象设置的指标，但超越指标程度显示为不高，且能恢复正常运行的，则异常告警信息退出；

如果监视对象运行性能信息超过该对象设置的指标，且有数据流量的现象持续一段时间，则进入异常告警；

S2、构建异常列表分类库，用于接收异常告警信息；

S3、构建维度模型，通过维度模型将异常告警信息进行维度划分；

S4、构建AI故障集，用于提取维度模型中的不同维度特征；

S5、构建AI匹配分析模块，通过AI匹配分析模块对不同维度特征进行分析；

S6、依据AI匹配分析模块的分析结果进行故障定位，并且将故障定位信息进行推送。

进一步的，在步骤S3中，构建维度模型，通过维度模型将异常告警信息进行维度划分具体为：

构建维度模型包括重点链路模型、网络资源模型和检测数据模型，通过重点链路模型、网络资源模型和检测数据模型将不同类型的异常告警信息进行匹配。

进一步的，在步骤S3中，还包括子步骤：

S31、通过重点链路模型把重点链路的两端网关和端口IP、MAC地址、拓扑关系从基础信息里归入链路数据库；

S32、通过网络资源模型将自动化业务相关的资源网络网元、网元类型、网元IP、分配端口信息归入业务资源数据库；

S33、通过检测数据模型将自动化软件的承载设备数据采集、监测数据输送、业务、服务***分配的IP、名称、承载业务、关联软件、汇聚网关IP信息归入软件***资源数据库。

进一步的，在步骤S4中，构建AI故障集，用于提取维度模型中的不同维度特征具体为：

通过AI故障集将链路数据库、业务资源数据库和软件***资源数据库中的数据进行提取，并且匹配出故障现象、故障指标、故障结果的相似度得到链路故障特征、网元故障特征和软件故障特征。

进一步的，软件故障特征由关联数据库、运行日志和辅助软件构成。

进一步的，构建AI匹配分析模块，通过AI匹配分析模块对不同维度特征进行分析具体为：

AI匹配分析模块包括设备故障模块、端口故障模块、线路故障模块、软件类故障模块，通过设备故障模块、端口故障模块、线路故障模块、软件类故障模块将匹配出故障现象、故障指标、故障结果的相似度进行分析。

进一步的，在步骤S5中，还包括子步骤：

S51、通过设备故障模块将网络模型信息，端口异常、设备异常信息、网元故障特征信息集合进入AI缓存进行条件、参数、字符值的检索、匹配、阀值计算，得出设备故障的AI分析结果；

S52、通过端口故障模块和线路故障模块将重点链路的两端网关、网络设备和端口IP、MAC地址、命名、位置信息从基础信息里提取，把重点链路模型数据集的拓扑关系、运行性能、流量、上下行流量信息，链路故障特征信息集合进入AI缓存进行条件、参数、字符值的检索、匹配、阀值计算，得出端口、线路故障AI分析结果；

S53、通过软件类故障模块将自动化业务相关的资源网络网元、网元类型、网元IP、分配端口从基础信息，网络资源模型的承载设备数据采集、监测数据输送，业务、服务***分配的IP、名称、承载的业务、关联软件、汇聚网关IP信息，将软件故障特征进入AI缓存进行条件、参数、关联关系、状态的检索、匹配、阀值计算、状态叠加或关键状态诊断分析，得出软件类故障AI分析结果。

进一步的，在步骤S6中，依据AI匹配分析模块的分析结果进行故障定位，并且将故障定位信息进行推送具体为：

通过AI匹配分析模块对故障定位信息进行拆解，陈列出故障网元和故障现象转入到运行维护单位的故障信息窗口，同时把故障新的特征推送给故障机器学习库进行样本积累。

进一步的，对于AI匹配分析模块中AI匹配度不高时，进行人工干预诊断，并且将人工干预诊断结果用于测试核实故障定位的事实。

与现有技术相比，本发明的有益效果是：

本发明提出的一种模型驱动和数据驱动相结合的故障诊断方法，可以在电力***调度数据网的运维管理上把网络异常定义的网络告警向网络故障分析、网络故障朔源、业务***软件故障定位的领域深度推进，解决围绕故障诊断难、朔源难、定位难、分析难的痛点。

本发明提出的一种模型驱动和数据驱动相结合的故障诊断方法，能够为电网调度数据网的运维工作进入数字化运维、智能化运维奠定基础，是提高自动化运维效率、节省运维时间、精准运维的必须经历的演进阶段，成果在电力行业的信息网络、调度数据网、综合数据网、IT网络行业等大型中型的网络运维方面具有普遍适用性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提出的模型驱动和数据驱动相结合的故障诊断方法整体结构示意图。

图2是本发明实施例提出的模型驱动和数据驱动相结合的故障诊断方法整体流程示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。

参照图1和图2，本发明提供一种模型驱动和数据驱动相结合的故障诊断方法，所述方法包括以下步骤：

S1、构建网络资源基础信息库，通过网络资源基础信息库设立网络设备、服务器和数据库运行性能监视指标，如果监视对象运行性能信息超过该对象设置的指标，但超越指标程度显示为不高，且能恢复正常运行的，则异常告警信息退出；

如果监视对象运行性能信息超过该对象设置的指标，且有数据流量的现象持续一段时间，则进入异常告警；

S2、构建异常列表分类库，用于接收异常告警信息；

S3、构建维度模型，通过维度模型将异常告警信息进行维度划分；

S4、构建AI故障集，用于提取维度模型中的不同维度特征；

S5、构建AI匹配分析模块，通过AI匹配分析模块对不同维度特征进行分析；

S6、依据AI匹配分析模块的分析结果进行故障定位，并且将故障定位信息进行推送。

在步骤S3中，构建维度模型，通过维度模型将异常告警信息进行维度划分具体为：

构建维度模型包括重点链路模型、网络资源模型和检测数据模型，通过重点链路模型、网络资源模型和检测数据模型将不同类型的异常告警信息进行匹配。

在步骤S3中，还包括子步骤：

S31、通过重点链路模型把重点链路的两端网关和端口IP、MAC地址、拓扑关系从基础信息里归入链路数据库；

S32、通过网络资源模型将自动化业务相关的资源网络网元、网元类型、网元IP、分配端口信息归入业务资源数据库；

S33、通过检测数据模型将自动化软件的承载设备数据采集、监测数据输送、业务、服务***分配的IP、名称、承载业务、关联软件、汇聚网关IP信息归入软件***资源数据库。

在步骤S4中，构建AI故障集，用于提取维度模型中的不同维度特征具体为：

通过AI故障集将链路数据库、业务资源数据库和软件***资源数据库中的数据进行提取，并且匹配出故障现象、故障指标、故障结果的相似度得到链路故障特征、网元故障特征和软件故障特征。

软件故障特征由关联数据库、运行日志和辅助软件构成。

构建AI匹配分析模块，通过AI匹配分析模块对不同维度特征进行分析具体为：

AI匹配分析模块包括设备故障模块、端口故障模块、线路故障模块、软件类故障模块，通过设备故障模块、端口故障模块、线路故障模块、软件类故障模块将匹配出故障现象、故障指标、故障结果的相似度进行分析。

在步骤S5中，还包括子步骤：

S51、通过设备故障模块将网络模型信息，端口异常、设备异常信息、网元故障特征信息集合进入AI缓存进行条件、参数、字符值的检索、匹配、阀值计算，得出设备故障的AI分析结果；

S52、通过端口故障模块和线路故障模块将重点链路的两端网关、网络设备和端口IP、MAC地址、命名、位置信息从基础信息里提取，把重点链路模型数据集的拓扑关系、运行性能、流量、上下行流量信息，链路故障特征信息集合进入AI缓存进行条件、参数、字符值的检索、匹配、阀值计算，得出端口、线路故障AI分析结果；

S53、通过软件类故障模块将自动化业务相关的资源网络网元、网元类型、网元IP、分配端口从基础信息，网络资源模型的承载设备数据采集、监测数据输送，业务、服务***分配的IP、名称、承载的业务、关联软件、汇聚网关IP信息，将软件故障特征进入AI缓存进行条件、参数、关联关系、状态的检索、匹配、阀值计算、状态叠加或关键状态诊断分析，得出软件类故障AI分析结果。

示例性地，在AI匹配分析模块中根据故障优先级判断次序逻辑，故障关联关系逻辑，故障传导性逻辑建立人工智能(AI)识别故障定位算法得出故障元的定位结果，整个人工智能(AI)识别故障定位算法的逻辑依据其中之一的是：(1)设备故障。网络设备CPU性能变化超越配置指标上限或下限，内存性能变化超越配置指标上限或下限，该设备故障；网络设备，如交换机、路由器、防火墙设备的端口IP流量上下行中断或出现用户访问侧、业务***侧流量中断，同比持续维持中断状态，则该设备端口故障。(2)链路故障。自动化业务服务中断(用户访问连续失败、数据服务中断)，***轮巡检测预设重点链路从中发现网元、网络线路、服务器形成链路检测故障。(3)软件故障。网络检测程序通过设置承载该应用***的服务器的CPU、内存、网络端口、关联数据库、辅助软件、操作***的运行指标，当网络检测程序采集的运行参数超过运行分析值，且***分析多项指标均达到或超过故障基准限值，则判定软件故障。另外，网络故障中的网络设备故障、与链路故障、业务软件故障、操作***故障的关系又是具备故障传导性的，如网络中核心网络设备的故障就会造成主链路所属的通道和业务***的受阻，表现现象中就会出现用户提交***使用故障，网络故障告警；又比如，业务***的tomcat中间件停止服务、分布式数据库服务停止，就出现用户对业务***的应用操作无法正常进行，但网络网管没有网络设备告警信息，只是软件***所在的服务器服务端口流量下降，这时的故障诊断就集中在对软件***的运行日志和承载应用业务故障，及用户操作指向的源地址(IP+服务端口)的故障诊断分析计算上。AI匹配分析模块人工智能(AI)识别故障定位算法在融汇以上逻辑机理得出的结论***自动推送至F步骤故障定位。对于经分析诊断发现匹配度不高的异常但告警信息程度高(异常指标)的推送给网络管理人员动用其他网络指令进行检测甑别，确定不构成故障的，通知异常列表中删除。经人工测试确认是故障的，***推送到执行故障定位。

在步骤S6中，依据AI匹配分析模块的分析结果进行故障定位，并且将故障定位信息进行推送具体为：

通过AI匹配分析模块对故障定位信息进行拆解，陈列出故障网元和故障现象转入到运行维护单位的故障信息窗口，同时把故障新的特征推送给故障机器学习库进行样本积累。

对于AI匹配分析模块中AI匹配度不高时，进行人工干预诊断，并且将人工干预诊断结果用于测试核实故障定位的事实。

示例性地，在故障定位中对经AI分析匹配模块的故障定位信息进行拆解，陈列出故障网元和故障现象转入到运行维护单位的故障信息窗口进行故障信息推送，同时，把故障新的特征(包括人工干预诊断的列子)推送给故障机器学习库进行样本积累；对于故障定位的故障定位信息，按设定的流转机制自动推送给运维单位，启动运维处置任务派送给对应运维责任人处置。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.模型驱动和数据驱动相结合的链路故障诊断方法，其特征在于，所述方法包括以下步骤：

S1、构建网络资源基础信息库，通过网络资源基础信息库设立网络设备、服务器和数据库运行性能监视指标，如果监视对象运行性能信息超过该对象设置的指标，但超越指标程度显示为不高，且能恢复正常运行的，则异常告警信息退出；

如果监视对象运行性能信息超过该对象设置的指标，且有数据流量的现象持续一段时间，则进入异常告警；

S2、构建异常列表分类库，用于接收异常告警信息；

S3、构建维度模型，通过维度模型将异常告警信息进行维度划分；

S4、构建AI故障集，用于提取维度模型中的不同维度特征；

S5、构建AI匹配分析模块，通过AI匹配分析模块对不同维度特征进行分析；

S6、依据AI匹配分析模块的分析结果进行故障定位，并且将故障定位信息进行推送。

2.根据权利要求1所述的模型驱动和数据驱动相结合的链路故障诊断方法，其特征在于，在步骤S3中，构建维度模型，通过维度模型将异常告警信息进行维度划分具体为：

构建维度模型包括重点链路模型、网络资源模型和检测数据模型，通过重点链路模型、网络资源模型和检测数据模型将不同类型的异常告警信息进行匹配。

3.根据权利要求2所述的模型驱动和数据驱动相结合的链路故障诊断方法，其特征在于，在步骤S3中，还包括子步骤：

S31、通过重点链路模型把重点链路的两端网关和端口IP、MAC地址、拓扑关系从基础信息里归入链路数据库；

S32、通过网络资源模型将自动化业务相关的资源网络网元、网元类型、网元IP、分配端口信息归入业务资源数据库；

S33、通过检测数据模型将自动化软件的承载设备数据采集、监测数据输送、业务、服务***分配的IP、名称、承载业务、关联软件、汇聚网关IP信息归入软件***资源数据库。

4.根据权利要求3所述的模型驱动和数据驱动相结合的链路故障诊断方法，其特征在于，在步骤S4中，构建AI故障集，用于提取维度模型中的不同维度特征具体为：

通过AI故障集将链路数据库、业务资源数据库和软件***资源数据库中的数据进行提取，并且匹配出故障现象、故障指标、故障结果的相似度得到链路故障特征、网元故障特征和软件故障特征。

5.根据权利要求4所述的模型驱动和数据驱动相结合的链路故障诊断方法，其特征在于，软件故障特征由关联数据库、运行日志和辅助软件构成。

6.根据权利要求5所述的模型驱动和数据驱动相结合的链路故障诊断方法，其特征在于，在步骤S5中，构建AI匹配分析模块，通过AI匹配分析模块对不同维度特征进行分析具体为：

AI匹配分析模块包括设备故障模块、端口故障模块、线路故障模块、软件类故障模块，通过设备故障模块、端口故障模块、线路故障模块、软件类故障模块将匹配出故障现象、故障指标、故障结果的相似度进行分析。

7.根据权利要求6所述的模型驱动和数据驱动相结合的链路故障诊断方法，其特征在于，在步骤S5中，还包括子步骤：

S51、通过设备故障模块将网络模型信息，端口异常、设备异常信息、网元故障特征信息集合进入AI缓存进行条件、参数、字符值的检索、匹配、阀值计算，得出设备故障的AI分析结果；

S52、通过端口故障模块和线路故障模块将重点链路的两端网关、网络设备和端口IP、MAC地址、命名、位置信息从基础信息里提取，把重点链路模型数据集的拓扑关系、运行性能、流量、上下行流量信息，链路故障特征信息集合进入AI缓存进行条件、参数、字符值的检索、匹配、阀值计算，得出端口、线路故障AI分析结果；

S53、通过软件类故障模块将自动化业务相关的资源网络网元、网元类型、网元IP、分配端口从基础信息，网络资源模型的承载设备数据采集、监测数据输送，业务、服务***分配的IP、名称、承载的业务、关联软件、汇聚网关IP信息，将软件故障特征进入AI缓存进行条件、参数、关联关系、状态的检索、匹配、阀值计算、状态叠加或关键状态诊断分析，得出软件类故障AI分析结果。

8.根据权利要求7所述的模型驱动和数据驱动相结合的链路故障诊断方法，其特征在于，在步骤S6中，依据AI匹配分析模块的分析结果进行故障定位，并且将故障定位信息进行推送具体为：

通过AI匹配分析模块对故障定位信息进行拆解，陈列出故障网元和故障现象转入到运行维护单位的故障信息窗口，同时把故障新的特征推送给故障机器学习库进行样本积累。

9.根据权利要求7所述的模型驱动和数据驱动相结合的链路故障诊断方法，其特征在于，对于AI匹配分析模块中AI匹配度不高时，进行人工干预诊断，并且将人工干预诊断结果用于测试核实故障定位的事实。

Images