一种网络故障定因分析方法及装置制造方法及图纸

本发明专利技术提供了一种网络故障定因分析方法及装置，其中，方法包括：根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。本发明专利技术能够自动实现网络故障定因分析，提高网络故障定因分析的效率。

A method and device of network fault cause analysis

【技术实现步骤摘要】
一种网络故障定因分析方法及装置
本专利技术涉及网络故障分析领域，尤其涉及一种网络故障定因分析方法及装置。
技术介绍
随着运营商网络设备日趋虚拟化、自动化和智能化，网络复杂度呈指数级增长，网络设备承载的业务协议复杂性高、灵活度大、业务组织方式多样，这就导致网络运维、网络管理、业务维护变得日益繁杂和困难。而现有技术中，主要依靠人工的方式排除网络故障，这就导致无论是复杂度还是及时性都无法满足日常维护工作的要求。
技术实现思路
为了解决现有技术主要依靠人工确定网络故障定因，存在浪费人力，无法满足日常维护工作要求的缺陷，本专利技术的第一方面提供一种网络故障定因分析方法，包括：根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。本专利技术的进一步实施例中，网络故障定因分析方法还包括：提取网络故障根因信息的特征；接收根据提取的特征确定的细化根因信息；将细化根因信息存储于机器学习隐患样本库中。本专利技术的进一步实施例中，网络故障定因分析方法还包括：根据网络故障的根因信息，确定故障维修建议信息，并将故障维修建议信息发送给相应工作人员。本专利技术的进一步实施例中，所述隐患类别包括管线、光交箱、设备、组网、机房及动力、性能中的多个。本专利技术的进一步实施例中，根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系的过程包括：将预先收集的多组网络设备信息按照隐患类别划分数据集；将某一隐患类别作为一节点，若该隐患类别的数据集对应的网络故障结果一致，则将对应的网络故障结果作为该节点的叶子节点；若该隐患类别的数据集对应的网络故障结果不一致，则按照该隐患类别的根因属性，对预先收集的多组网络设备信息进行分组，对分组结果分别执行重新划分数据集及其之后的步骤，直至找到所有叶子节点为止。本专利技术的第二方面提供一种网络故障定因分析装置，包括：收集模块，用于根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；关联模块，用于根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；分析模块，用于实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。本专利技术的进一步实施例中，网络故障定因分析装置还包括：提取模块，用于提取网络故障根因信息的特征；接收模块，用于接收根据提取的特征确定的细化根因信息；更新模块，用于将细化根因信息存储于机器学习隐患样本库中。本专利技术的进一步实施例中，网络故障定因分析装置还包括：报修模块，用于根据网络故障的根因信息，确定故障维修建议信息，并将故障维修建议信息发送给相应工作人员。本专利技术的进一步实施例中，所述隐患类别包括管线、光交箱、设备、组网、机房及动力、性能中的多个。本专利技术的进一步实施例中，分析模块根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系的过程包括：将预先收集的多组网络设备信息按照隐患类别划分数据集；将某一隐患类别作为一节点，若该隐患类别的数据集对应的网络故障结果一致，则将对应的网络故障结果作为该节点的叶子节点；若该隐患类别的数据集对应的网络故障结果不一致，则按照该隐患类别的根因属性，对预先收集的多组网络设备信息进行分组，对分组结果分别执行重新划分数据集及其之后的步骤，直至找到所有叶子节点为止。本专利技术的第三方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述任一实施例所述网络故障定因分析方法的步骤。本专利技术的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行计算机程序，所述计算机程序被处理器执行时实现前述任一实施例所述网络故障定因分析方法的步骤。本专利技术提供的网络故障定因分析方法及装置，能够自动实现网络故障定因分析，从网络管理的角度来看，排障过程花费时间更短，资源消耗更少，运维效率更高。从用户使用的角度来看，网络性能更好，网络故障更少，会提升用户体验，提升网络的核心竞争力。为让本专利技术的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。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专利技术的一些实施例，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示出了本专利技术一实施例的网络故障定因分析方法的流程图；图2示出了本专利技术另一实施例的网络故障定因分析方法的流程图；图3示出了本专利技术再一实施例的网络故障定因分析方法的流程图；图4示出了本专利技术一实施例的隐患事件关联关系确定过程的流程图；图5A及图5B示出了本专利技术一具体实施例的部分隐患事件关联关系示意图；图6示出了本专利技术一实施例的网络故障定因分析装置的结构图；图7示出了本专利技术另一实施例的网络故障定因分析装置的结构图。具体实施方式为了使本专利技术的技术特点及效果更加明显，下面结合附图对本专利技术的技术方案做进一步说明，本专利技术也可有其他不同的具体实例来加以说明或实施，任何本领域技术人员在权利要求范围内做的等同变换均属于本专利技术的保护范畴。在本说明书的描述中，参考术语“一实施例”、“一具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本专利技术的实施，其中的步骤顺序不作限定，可根据需要作适当调整。基于现有技术中，存在网络故障定因主要依靠人工确定，存在浪费人力，无法满足日常维护工作要求的缺陷，本专利技术的一实施例中，如图1所示，提供一种网络故障定因分析方法，包括：步骤110，根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果。步骤120，根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系，如图5B所示。步骤130，实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络本文档来自技高网...

【技术保护点】
1.一种网络故障定因分析方法，其特征在于，包括：/n根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；/n根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；/n实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。/n

【技术特征摘要】
1.一种网络故障定因分析方法，其特征在于，包括：
根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；
根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系；
实时采集网络设备信息，利用隐患事件关联关系，确定是否出现网络故障及出现网络故障时的根因信息。


2.如权利要求1所述的网络故障定因分析方法，其特征在于，还包括：
提取网络故障根因信息的特征；
接收根据提取的特征确定的细化根因信息；
将细化根因信息存储于机器学习隐患样本库中。


3.如权利要求1所述的网络故障定因分析方法，其特征在于，还包括：
根据网络故障的根因信息，确定故障维修建议信息，并将故障维修建议信息发送给相应工作人员。


4.如权利要求1至3任一项所述的网络故障定因分析方法，其特征在于，所述隐患类别包括管线、光交箱、设备、组网、机房及动力、性能中的多个。


5.如权利要求4所述的网络故障定因分析方法，其特征在于，根据预先收集的多组网络设备信息，利用决策树算法，确定隐患事件关联关系的过程包括：
将预先收集的多组网络设备信息按照隐患类别划分数据集；
将某一隐患类别作为一节点，若该隐患类别的数据集对应的网络故障结果一致，则将对应的网络故障结果作为该节点的叶子节点；
若该隐患类别的数据集对应的网络故障结果不一致，则按照该隐患类别的根因属性，对预先收集的多组网络设备信息进行分组，对分组结果分别执行重新划分数据集及其之后的步骤，直至找到所有叶子节点为止。


6.一种网络故障定因分析装置，其特征在于，包括：
收集模块，用于根据机器学习隐患样本库，预先收集多组网络设备信息，机器学习隐患样本库包括网络设备的隐患类别及其根因属性，每组网络设备信息包括隐患类别的根因属性及网络故障结果；
关联...

【专利技术属性】
技术研发人员：薛竹，
申请(专利权)人：中盈优创资讯科技有限公司，
类型：发明
国别省市：北京;11