一种故障检测方法及装置制造方法及图纸

本发明专利技术实施例公开了一种故障检测方法及装置，能够提高KPI故障检测的精确性。本发明专利技术实施例方法包括：获取待检测话统数据的关键性能指标KPI参数；利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率；当所述异常概率大于预设门限值时，确定所述待检测话统数据的KPI参数处于故障状态。

A method and device for fault detection

The embodiment of the invention discloses a fault detection method and device, which can improve the accuracy of KPI fault detection. The method of embodiment of the invention includes: obtaining the key performance index KPI parameter of the data to be detected, using the local anomaly probability LoOP algorithm to determine the abnormal probability of the KPI parameter of the data to be detected, and when the anomaly probability is greater than the default threshold value, the KPI parameter of the data to be detected is in the fault shape. State.

【技术实现步骤摘要】
一种故障检测方法及装置
本专利技术涉及通信领域，特别涉及一种故障检测方法及装置。
技术介绍
电信网络运维是保证通信网络正常运转的必要环节，KPI(KeyPerformanceIndicator，关键性能指标)故障检测是运维的核心工作之一，因为只有正确检测到故障，才能进行故障处理。传统的故障检测基于人工经验设置固定门限，超出门限就认为是故障。但由于网络场景和结构的复杂性，同一KPI在不同的局点，其门限有可能不同；即便是同一KPI在同一局点，由于网络的改造，KPI的门限亦有可能会发生变化，如果都通过手动方式去设置，不仅耗费大量的人力，准确性也难以保证。基于数据挖掘的方法，通过对历史数据的学习，自适应地对故障进行检测可以较好地解决这个问题。当前有少数科研机构或者公司提供了基于数据挖掘的故障检测技术，主要思路基于正常数据进行建模，然后观察预测数据与真实数据的差异，根据差异的大小确定是否为异常点。一方面，不同维度的KPI的模型很难用一种方法完全覆盖，那么就涉及到模型的选择问题；另一方面，某些KPI的建模难度很大，精度无法保证。另外，根据差异的大小确定是否为异常点仍然需要设置门限，且门限设置难度不亚于上述提及的KPI的门限难度。
技术实现思路
本申请提供了一种故障检测方法及装置，能够提高KPI故障检测的精确性。本申请第一方面提供了一种故障检测方法，该方法应用于服务器。基站等终端设备采集话统数据，并上报给服务器，服务器从基站等终端设备上报的话统数据中获取待检测话统数据的关键性能指标KPI参数，然后利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率。通过该LoOP算法将KPI参数分解为多个因素以确定该KPI的变化特征，从而确定该KPI参数的异常概率。当所述异常概率大于预设门限值时，确定所述待检测话统数据的KPI参数处于故障状态。本申请提供的故障检测方法无需人为设置门限且所设门限值不需根据KPI的不同而变化，从而提高KPI故障检测的精确性。其中，该关键性能指标KPI参数可以是单一维度的KPI或者是多个维度的KPI，获取KPI的方式可以采用实时在线的方式或是离线的方式。该KPI可以是掉话率、拥塞率、最坏小区比、无线接入性、无线接通率或超忙小区。如果该KPI参数为单维度KPI参数，那么利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率的具体实现方式可参考如下：首先对该单维度KPI参数进行时间序列提取，将该单维度KPI参数转换为时域上的KPI信息。具体可按照时间点对输入数据进行汇总，汇总方式可以是平均值、求和等统计量，此处不详细描述。将该单维度KPI参数转换为时域上的KPI信息之后，进一步的，确定该时域上的KPI信息所对应的随机波动数据，从而利用局部异常概率LoOP算法确定所述随机波动数据的异常概率。上述确定该时域上的KPI信息所对应的随机波动数据的具体实现方式可参考如下：首先提取该KPI的周期趋势，具体的，利用快速傅里叶变换FFT可将该时域上的KPI信息转换为频域上的KPI信息；进一步的，对得到的该频域上的KPI信息进行噪声过滤处理，将噪声过滤处理后的频域上的KPI信息通过快速傅里叶逆变换，将频域上的频域上的KPI信息进行时域转换，由此，可提取到KPI的周期特征。其次，提取该KPI的长期趋势，具体的，利用局部加权回归散点平滑Loess算法对噪声过滤处理以及快速傅里叶逆变换后的时域上的KPI信息进行处理。由此，可将该KPI的长期变化趋势提取出来。最后，利用得到的该单维度KPI参数转换为时域上的KPI信息、该KPI的周期特征、该KPI的长期趋势、以及预设第一公式，可得到该时域上的KPI信息所对应的随机波动数据。具体的，利用公式：随机＝X原始-0.5*(X周期+X长期)，将KPI的周期特征和KPI的长期趋势从KPI的原始信息(即对该单维度KPI参数进行时间序列提取，将该单维度KPI参数转换为时域上的KPI信息)中剥离掉，得到KPI的原始信息的随机波动数据。由此，基于得到的随机波动数据可利用局部异常概率LoOP算法确定所述随机波动数据的异常概率，输出异常检测报告。上述利用局部异常概率LoOP算法确定所述随机波动数据的异常概率的具体实现方式可参考如下：首先为KPI参数对应的随机波动数据构建领域，该邻域的构建可以是针对该随机波动数据的距离最近的N个打点记录，N为自然数。基于为该随机波动数据构建的邻域，可利用计算邻域概率距离的相关公式确定该随机波动数据的邻域概率距离。利用计算邻域概率因子的相关公式计算该随机波动数据的邻域概率距离所对应的邻域概率因子。对得到的结果邻域概率因子进行归一化后，将邻域概率因子转换为概率值，从而得到该随机波动数据为异常点的概率。如果该KPI参数为多维度KPI参数，那么利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率的具体实现方式可参考如下：首先对该多维KPI参数进行特征选择，以提取该多维度KPI参数的特征信息。基于已有的业务经验或者借助数据挖掘，选择和KPI相关的其他指标作为特征选择的参考标准。特征选择可基于机器学习得到，也可基于人工经验指定，还可以是人工经验和及其学习混合。进一步的，对提取的多维KPI的特征信息进行数据归一化处理。将不同维度的KPI参数划分到同一区间，避免由于量纲不统一造成的结果偏差。具体可通过Max-Min、Z-score等方法做归一化处理，此处不做详细描述。基于归一化处理后的多维度KPI参数的特征信息，可利用局部异常概率LoOP算法确定该归一化处理后的多维度KPI参数的特征信息的异常概率。最后，通过设定预设门限值来检测待检测话统数据的KPI参数是否处于故障状态。当利用局部异常概率LoOP算法确定的异常概率大于预设门限值时，可以确定该待检测话统数据的KPI参数处于故障状态，输出异常检测报告。本申请的第二方面提供了一种故障检测装置，该装置包括获取单元和处理单元。获取单元可用于从基站等终端设备上报的话统数据中获取待检测话统数据的关键性能指标KPI参数。处理单元可用于利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率，并通过该LoOP算法将KPI参数分解为多个因素以确定该KPI的变化特征，从而确定该KPI参数的异常概率。当所述异常概率大于预设门限值时，确定所述待检测话统数据的KPI参数处于故障状态。本申请提供的故障检测装置无需人为设置门限且所设门限值不需根据KPI的不同而变化，从而提高KPI故障检测的精确性。其中，该关键性能指标KPI参数可以是单一维度的KPI或者是多个维度的KPI，获取KPI的方式可以采用实时在线的方式或是离线的方式。该KPI可以是掉话率、拥塞率、最坏小区比、无线接入性、无线接通率或超忙小区。如果该KPI参数为单维度KPI参数，那么该处理单元用于利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率的具体实现方式可参考如下：首先通过该处理单元对该单维度KPI参数进行时间序列提取，该处理单元用于将该单维度KPI参数转换为时域上的KPI信息。具体可按照时间点对输入数据进行汇总，汇总方式可以是平均值、求和等统计量，此处不详细描述。该处理单元用于将该单维度KPI参数转换为时域上本文档来自技高网...

【技术保护点】
1.一种故障检测方法，其特征在于，包括：获取待检测话统数据的关键性能指标KPI参数；利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率；当所述异常概率大于预设门限值时，确定所述待检测话统数据的KPI参数处于故障状态。

【技术特征摘要】
1.一种故障检测方法，其特征在于，包括：获取待检测话统数据的关键性能指标KPI参数；利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率；当所述异常概率大于预设门限值时，确定所述待检测话统数据的KPI参数处于故障状态。2.根据权利要求1所述的方法，其特征在于，所述KPI参数为单维度KPI参数；所述利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率包括：将所述单维度KPI参数转换为待测时域信息；确定所述待测时域信息对应的随机波动数据；利用局部异常概率LoOP算法确定所述随机波动数据的异常概率。3.根据权利要求2所述的方法，其特征在于，所述确定所述待测时域信息对应的随机波动数据包括：利用快速傅里叶变换FFT将所述待测时域信息转换为待测频域信息；对所述待测频域信息进行噪声过滤处理，并对噪声处理后的待测频域信息进行时域转换，得到所述单维度KPI参数的第一目标时域信息；利用局部加权回归散点平滑Loess算法和所述第一目标时域信息确定所述单维度KPI参数的第二目标时域信息；根据所述待测时域信息、所述第一目标时域信息、所述第二目标时域信息以及第一预设公式，确定所述待测时域信息对应的随机波动数据。4.根据权利要求2或3所述的方法，其特征在于，所述利用局部异常概率LoOP算法确定所述随机波动数据的异常概率包括：为所述随机波动数据构建邻域，并根据第二预设公式确定所述随机波动数据的邻域概率距离；利用所述随机波动数据的邻域概率距离和第三预设公式确定所述随机波动数据的邻域概率因子；按照第四预设公式对所述随机波动数据的邻域概率因子进行归一化；按照第五预设公式将归一化后的随机波动数据的邻域概率因子转换为所述随机波动数据的异常概率。5.根据权利要求1所述的方法，其特征在于，所述KPI参数为多维度KPI参数；所述利用局部异常概率LoOP算法确定所述待检测话统数据的KPI参数的异常概率包括：提取所述多维度KPI参数的特征信息；对所述特征信息进行数据归一化处理得到目标数据；利用局部异常概率LoOP算法确定所述目标数据的异常概率。6.一种故障检测装置，其特征在于，包括：获取单元，用于获取待检测话统数据的...

【专利技术属性】
技术研发人员：郭银洲，张伟，王姗姗，徐志节，
申请(专利权)人：华为技术服务有限公司，
类型：发明
国别省市：河北,13