[發明專利]網絡故障診斷方法

有效

• 申請號: 201911031015.3
• 申請日: 2019-10-28
• 公開（公告）號: CN110995461B
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 黃聯芬;何維晟;高志斌;蘇毓涵;王健錚;陳琳然;程志鵬;楊波;區洋;劉震
• 申請（專利權）人: 廈門大學;京信通信系統（廣州）有限公司
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L12/26
• 代理公司: 廈門創象知識產權代理有限公司 35232
• 代理人: 崔建鋒

1.一種網絡故障診斷方法，其特征在于，包括以下步驟：

獲取KPI指標的實時序列流，并對所述KPI指標的實時序列流進行截窗處理以獲取所述KPI指標的實時序列向量；

將所述KPI指標的實時序列向量與預先訓練好的所述KPI指標的正常屬性向量進行K-S分布檢驗，以判斷所述KPI指標的實時序列向量是否分布正常；

當所有KPI指標中任意一個KPI指標的實時序列向量分布出現異常時，將所有KPI指標在K-S分布檢驗時的偏差值按順序排列以構成偏差值向量；

采用新型引力聚類模型，根據所述偏差值向量獲取與所述偏差值向量相似度最高的網絡故障類別，并將所述網絡故障類別作為網絡故障診斷結果；

其中，采用新型引力聚類模型，根據所述偏差值向量獲取與所述偏差值向量相似度最高的網絡故障類別，包括：

通過以下公式計算所述偏差值向量對應的各個網絡故障類別的引力值：

F(x，j)＝M_j*sim(x，C^(j))，

其中，F(x，j)表示偏差值向量x與網絡故障類別j的引力值，M_j為預先訓練獲得的網絡故障類別j的質心參數，C^(j)為預先訓練獲得的各個網絡故障類別所對應的偏差值向量的中心向量，并且，

其中，n表示KPI指標的數量，k代表偏差值向量的第k個維度，μ表示偏差值向量中的元素與中心向量中的對應位置的元素是否同時為0或者同時非0的個數除以KPI指標的總個數；

將引力值最大的網絡故障類別作為相似度最高的網絡故障類別。

2.如權利要求1所述的網絡故障診斷方法，其特征在于，對所述KPI指標的實時序列流進行截窗處理以獲取所述KPI指標的實時序列向量，包括：

采用滑動窗口的方式將所述KPI指標的實時序列流進行分段處理，以將所述KPI指標的實時序列流分成多段屬性學習窗口大小的實時序列向量。

3.如權利要求1所述的網絡故障診斷方法，其特征在于，所述KPI指標的正常屬性向量根據以下步驟進行訓練：

S1，獲取KPI指標的正常序列流，并采用滑動窗口將所述KPI指標的正常序列流分成屬性學習窗口大小的多段序列，以及計算每一段序列的經驗分布函數，以構成屬性候選集；

S2，采用雙邊比較法計算所述屬性候選集中各個屬性之間的兩兩距離，以生成距離矩陣，其中，所述距離矩陣中的第i列包括除第i個屬性之外的所有屬性與第i個屬性的距離，屬性本身之間的距離為0；

S3，根據所述距離矩陣的列順序計算所述屬性候選集中每一個屬性的支配能力，并獲取支配能力最強的屬性作為第一屬性，以及刪除在其支配能力內的其余屬性，以更新屬性候選集；

S4，重復執行步驟S2-S3，以生成所述KPI指標的正常屬性向量。

4.如權利要求1所述的網絡故障診斷方法，其特征在于，判斷所述KPI指標的實時序列向量是否分布正常，包括：

計算所述KPI指標的實時序列向量的經驗分布函數，并計算所述KPI指標的實時序列向量的經驗分布函數與所述KPI指標的正常屬性向量中各個屬性的經驗分布函數的距離，以生成距離集；

查找所述距離集中的最小距離，并判斷所述最小距離是否超過預設的第一閾值；

如果否，則將所述KPI指標的偏差值設置為0；

如果是，則將所述最小距離作為所述KPI指標的偏差值，并在所述偏差值超過預設的第一閾值時判斷所述KPI指標的實時序列向量異常。

5.如權利要求3所述的網絡故障診斷方法，其特征在于，步驟S3包括：

將距離矩陣中第i列元素與預設的第二閾值進行比較，統計所有小于等于所述第二閾值的個數，以將所述個數作為第i個屬性的支配能力，其中，個數越大的屬性的支配能力越強；

獲取支配能力最強的屬性作為第一屬性，并將所述支配能力最強的屬性所對應列中與所述支配能力最強的屬性的距離小于等于所述第二閾值的屬性刪除，以更新屬性候選集。