[發明專利]經由機器學習模型的網絡系統故障解決

在審

• 申請號: 202010535033.1
• 申請日: 2020-06-12
• 公開（公告）號: CN113473511A
• 公開（公告）日: 2021-10-01
• 發明（設計）人: 王繼生;吳小英;S·謝弗;D·杰
• 申請（專利權）人: 瞻博網絡公司
• 主分類號: H04W24/04
• 分類號: H04W24/04;G06N3/04;H04L12/26
• 代理公司: 北京市金杜律師事務所 11256
• 代理人: 馬明月

本公開的實施例涉及經由機器學習模型的網絡系統故障解決。公開了用于自動解決在復雜的網絡系統中的故障的實施例。一些實施例監測系統操作參數值和網絡組件之間的消息交換中的一個或多個。機器學習模型檢測復雜的網絡系統中的故障，并且基于故障的原因而選擇動作。在該動作被應用于復雜的網絡系統之后，附加的監測被執行以確定故障已經被解決或者附加動作將被應用以進一步解決故障。

技術領域

本公開大體上涉及對網絡系統的診斷。具體地，所公開的實施例描述了使用機器學習模型來自動解決網絡系統中的故障(fault)。

背景技術

復雜的無線網絡(諸如，Wi-Fi網絡)的用戶可能遭遇系統級體驗(SLE)參數降級，這可能由各種復雜的因素導致。為了確保復雜的無線網絡滿足其用戶群體的需求，重要的是迅速解決系統操作可能出現的任何問題。解決問題可以包括：標識系統級體驗問題的一個或多個根本原因，并且發起校正措施。然而，當網絡由大量設備(包括不同類型和功能性的設備)組成時，標識根本原因可以花費大量時間。如果系統在該時間段期間不起作用或者在降低的容量下操作，則系統的用戶可以受影響，在一些情況下，系統的用戶可以受嚴重影響。因此，需要將與復雜的網絡系統相關聯的問題的根本原因隔離的改進的方法。

附圖說明

通過結合附圖參照以下描述，可以更好地理解本文中的實施例，在這些附圖中，相同的附圖標記指示相同或者功能相似的元件。這些附圖包括以下內容：

圖1是在所公開的實施例中的一個或多個實施例中所實現的示例系統的概觀圖。

圖2示出了在所公開的實施例中的一個或多個實施例中所實現的示例消息部分。

圖3示出了由所公開的實施例中的一個或多個實施例維持的示例數據結構。

圖4A示出了糾正基礎根本原因的動作的示例。

圖4B示出了未補救基礎根本原因的示例動作。

圖4C示出了未補救基礎根本原因的動作的示例。

圖5是用于檢測并且解決網絡系統的問題的示例過程的流程圖。

圖6是用于選擇要在所監測的系統上調用的動作的示例過程的流程圖。

圖7示出了根據本公開的一些示例的示例機器學習模塊700。

圖8圖示了在所公開的實施例中的一個或多個實施例中所實現的數據流。

圖9示出了與在所公開的實施例中的一個或多個實施例中所實現的機器學習模型相關的數據流。

圖10是用于確定所監測的系統所經歷的問題的類別的示例方法的流程圖。

圖11A是用于根據需要迭代地應用診斷動作，直到充分地標識了根本原因(例如，概率大于閾值)或者沒有診斷動作可用于注入為止的示例過程的流程圖。

圖11B是用于確定哪個診斷動作應該被執行的示例過程的流程圖。

圖12是用于確定是執行在所公開的實施例中的一個或多個實施例中被執行的糾正動作還是診斷動作的示例過程的流程圖。

圖13A是用于確定是否注入診斷動作的示例過程的流程圖。

圖13B是用于確定是否注入診斷動作的示例過程的流程圖。

圖14A是示出了所公開的實施例中的一個或多個實施例的操作的圖表。

圖14B圖示了以下實施例：如果成本小于預定閾值，則其應用更昂貴的動作，并且類似地，如果成本更高的動作的成本高于預定閾值，則其應用沒那么昂貴的動作。

圖14C圖示了基于特定根本原因正在監測的系統中引起問題的置信水平或者概率來確定要應用的動作的實施例。