网络故障评估方法、装置、计算设备及存储介质制造方法及图纸

本发明专利技术公开了一种网络故障评估方法、装置、计算设备及存储介质。将用户投诉数据和网元性能数据关联，构造特征矢量，特征矢量包括各小区、各时间段的用户投诉特征和对应的网元性能特征；通过遗传算法对使用高斯核函数的支持向量机选择特征矢量的特征子集和对应的高斯核函数参数对，其中，将支持向量机渐进行为特性加入遗传算法的染色体中；使用训练数据集对支持向量机进行训练，训练数据集包括从训练数据中提取的所选择特征子集的各训练特征值；使用支持向量机对测试数据集进行分析，以判断网络故障，测试数据集包括从测试数据中提取的所选择特征子集的各测试特征值。通过本方案，能够提高网络故障评估的效率和准确性。

Network Fault Assessment Method, Device, Computing Equipment and Storage Media

【技术实现步骤摘要】
网络故障评估方法、装置、计算设备及存储介质
本专利技术涉及移动通信
，尤其涉及一种网络故障评估方法、装置、计算设备及存储介质。
技术介绍
能够正确的维护网络尽量不出现故障，并确保出现故障之后能够迅速、准确的定位问题并排除故障，对网络维护和管理人员来说是个挑战。这不但要求对网络协议和技术有着深入的理解，更重要的是要建立一个系统化的故障处理方案，能够及时修复网络故障。目前评估网络故障的方法是客服人员接到用户投诉后，将投诉信息记录下来，然后派单给网络维护人员处理，网络维护人员需要根据经验一步步排查用户所在区域的各级网络设备，以确定是否存在网络故障。首先，现有评估网络故障的方法步骤繁琐，需要耗费大量人力物力去完成，缺少自动化。其次，用户投诉的情况有可能并不是因为网络故障引起，这样会造成人力、物力、时间的浪费。再次，没有合理利用用户投诉数据、网络性能数据等有价值的数据信息，以评估网络故障。最后，现有方法判断网络故障的准确性并不高，而且判断故障耗时太长，不能快速响应用户投诉。
技术实现思路
为了迅速且自动评估网络故障，本专利技术实施例提供了一种网络故障评估方法、装置、计算设备及存储介质，能够提高网络故障评估的准确率，减少用于评估网络故障的用户投诉数据和网元性能数据的指标数量，加快网络故障的评估时间。第一方面，本专利技术实施例提供了一种网络故障评估方法，方法包括：将用户投诉数据和网元性能数据关联，构造特征矢量，特征矢量包括各小区、各时间段的用户投诉特征和对应的网元性能特征；通过遗传算法对使用高斯核函数的支持向量机选择特征矢量的特征子集和对应的高斯核函数参数对，其中，将支持向量机渐进行为特性加入遗传算法的染色体中；使用训练数据集对支持向量机进行训练，训练数据集包括从训练数据中提取的所选择特征子集的各训练特征值；使用支持向量机对测试数据集进行分析，以判断网络故障，测试数据集包括从测试数据中提取的所选择特征子集的各测试特征值。第二方面，本专利技术实施例提供了一种网络故障评估装置，装置包括：构造模块、选择模块、训练模块和分析模块。构造模块可以将用户投诉数据和网元性能数据关联，构造特征矢量，特征矢量包括各小区、各时间段的用户投诉特征和对应的网元性能特征。选择模块可以通过遗传算法对使用高斯核函数的支持向量机选择特征矢量的特征子集和对应的高斯核函数参数对，其中，将支持向量机渐进行为特性加入遗传算法的染色体中。训练模块可以使用训练数据集对支持向量机进行训练，训练数据集包括从训练数据中提取的所选择特征子集的各训练特征值。分析模块可以使用支持向量机对测试数据集进行分析，以判断网络故障，测试数据集包括从测试数据中提取的所选择特征子集的各测试特征值。第三方面，本专利技术实施例提供了一种计算设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。本专利技术实施例提供的网络故障评估方法、装置、计算设备及存储介质，使维护人员能够越过故障定位过程快速进入故障处理阶段，提高故障处理的效率，并且能够提高网络故障评估的准确率，减少用于评估网络故障的用户投诉数据和网元性能数据的指标数量，加快网络故障的评估时间。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例中所需要使用的附图作简单地介绍，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示出了根据本专利技术一实施例的网络故障评估方法的示意性流程图；图2示出了根据本专利技术一实施例的网络故障评估方法的示意性流程图；图3示出了根据本专利技术一实施例的网络故障评估装置的示意性结构框图；图4示出了根据本专利技术一实施例的计算设备的示意性结构图。具体实施方式下面将详细描述本专利技术的各个方面的特征和示例性实施例，为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本专利技术，并不被配置为限定本专利技术。对于本领域技术人员来说，本专利技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本专利技术的示例来提供对本专利技术更好的理解。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本方案结合用户投诉数据和网元性能数据评估网络故障，在评估过程中，通过特征子集的选择和参数的优化设置，达到最优的分类效果，反复迭代最终得到一套高效稳定的网络故障检测机制模型。图1示出了根据本专利技术一实施例的网络故障评估方法的示意性流程图。如图1所示，在步骤S100中可以将用户投诉数据和网元性能数据关联，构造特征矢量，其中，特征矢量包括各小区、各时间段的用户投诉特征和对应的网元性能特征。可以以用户历史投诉数据为样本，获取用户投诉数量、投诉时间点的信令数据等。数据可以从客服录入的投诉信息、网管系统等平台提取。用户投诉数据可以按照小区码(CI)和投诉时间，统计投诉数量、投诉同比变化率、投诉环比变化率。同比是拿现在与上年同期对比，公式为(本期数/上年同期数)*100％-1；环比是将本月数与上月数进行对比，公式为(本月数/上月数)*100％-1。可以根据投诉数量计算投诉同比变化率、投诉环比变化率。网元性能数据包括话务量、流量、吞吐量、时延、利用率等。特征矢量的编码格式可以如下：小区码投诉时间投诉数量话务量…流量使用该特征矢量生成数据集，其中包含训练数据集和测试数据集。训练数据集用于数据挖掘模型支持向量机的数据。测试数据集用于检测模型，测试数据只在模型检验时使用，用于评估模型的准确率，而不用于模型构建过程，否则会导致过渡拟合。根据本专利技术一实施例，可以对特征矢量中的各项特征数据进行标准化处理。标准化即对数据的归一化处理，是对原始数据的线性变换，使结果映射到[0,1]区间。便于不同单位或量级的指标能够进行比较和加权。根据本专利技术一实施例，可以对各项特征数据进行线性比例缩放：其中，x为特征矢量中各项特征数据的原始值，x′为线性比例缩放后特征矢量中各项特征数据的值，min为原始值的下限，max为原始值的上限。上述转换函数为min-max标准化，也叫离差标准化，也可以采用其他标准化处理，如log函数转换、z-score标准差标准化等。在步骤S200中可以通过遗传算法，为使用高斯核函数的支持向量机选择所述特征矢量的特征子集和对应的高斯核函数参数对，其中，将支持向量机渐进行为特性加入所述遗传算法的染色体中。其中，支持向量机的核函数还本文档来自技高网...

【技术保护点】
1.一种网络故障评估方法，其特征在于，所述方法包括：将用户投诉数据和网元性能数据关联，构造特征矢量，所述特征矢量包括各小区、各时间段的用户投诉特征和对应的网元性能特征；通过遗传算法，为使用高斯核函数的支持向量机选择所述特征矢量的特征子集和对应的高斯核函数参数对，其中，将支持向量机渐进行为特性加入所述遗传算法的染色体中；使用训练数据集对所述支持向量机进行训练，所述训练数据集包括从训练数据中提取的所选择特征子集的各训练特征值；使用所述支持向量机对测试数据集进行分析，以判断网络故障，所述测试数据集包括从测试数据中提取的所选择特征子集的各测试特征值。

【技术特征摘要】
1.一种网络故障评估方法，其特征在于，所述方法包括：将用户投诉数据和网元性能数据关联，构造特征矢量，所述特征矢量包括各小区、各时间段的用户投诉特征和对应的网元性能特征；通过遗传算法，为使用高斯核函数的支持向量机选择所述特征矢量的特征子集和对应的高斯核函数参数对，其中，将支持向量机渐进行为特性加入所述遗传算法的染色体中；使用训练数据集对所述支持向量机进行训练，所述训练数据集包括从训练数据中提取的所选择特征子集的各训练特征值；使用所述支持向量机对测试数据集进行分析，以判断网络故障，所述测试数据集包括从测试数据中提取的所选择特征子集的各测试特征值。2.根据权利要求1所述的方法，其特征在于，所述将支持向量机渐进行为特性加入所述遗传算法的染色体中，包括：将经过交叉操作和变异操作的染色体根据适应度大小排序，将前n个染色体作为父本染色体，n为正整数；计算每个所述父本染色体的支持向量机渐进行为特性；基于每个所述父本染色体的支持向量机渐进行为特性，构建n*m个高斯核函数参数对；基于所构建的n*m个高斯核函数参数对，得到新一代染色体。3.根据权利要求1所述的方法，其特征在于，所述高斯核函数参数对包括惩罚参数C和高斯核函数参数γ，通过下述公式计算所述支持向量机的渐进行为特性4.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述特征矢量中的各项特征数据进行标准化处理，所述特征矢量中包括训练数据集和测试数据集。5.根据权利要求4所述的方法，其特征在于，所述对特征矢量中的各项特征数据进行标准化处理，包括：对所述各项特征数据进行线性比例缩放：其中，x为特征矢量中各项特征数据的原始值，x′为线性比例缩放后特征矢量中各项特征数据的值，min为原始值的下限，max为原始值的上限。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：将特征子集选择和所述高斯核函数参数对转换为二进制编码；基于所述特征子集选择和所述高斯核函数参数的二进制编码，构建染色体。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：从父代种群、子代种群、优化种群中选择N个种群，作为新一代种群，N为正整数；基于所述新一代种群中每个染色体的特征子集选择，确定已选择特征的训练数据集和测试数据集；基于所述新一代种群中每个染色体的...

【专利技术属性】
技术研发人员：刘杰，刘涛，高方干，
申请(专利权)人：中国移动通信集团四川有限公司，中国移动通信集团公司，
类型：发明
国别省市：四川,51