一种深度神经网络模型的构建方法、故障诊断方法及系统技术方案

本发明专利技术公开了一种深度神经网络模型的构建方法、故障诊断方法及系统，涉及通信技术领域。构建方法包括：确定基于业务路径的告警根源衍生规则，在目标网络的业务拓扑中，从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系；基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵，统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标，根节点是生成根源告警的业务节点；以统一诊断因子矩阵为输入，以故障原因类型的概率向量为输出，构建深度神经网络模型，并使用样本数据进行训练和验证。本发明专利技术基于全面、有效的告警和性能状态指标，使得构建的模型能够快速、准确地进行故障诊断定位。

A deep neural network model construction method, fault diagnosis method and system

【技术实现步骤摘要】
一种深度神经网络模型的构建方法、故障诊断方法及系统
本专利技术涉及通信
，具体是涉及一种深度神经网络模型的构建方法、故障诊断方法及系统。
技术介绍
随着社会全面发展带来的网络业务的不断增加，网络规模日益庞大，网络环境日益复杂，发生故障的种类和次数也随之增多，使得各大网络运营商在故障排查方面的投入也越来越大。传统的人工排障首先要解决从海量告警中获取关键告警或者根源告警，然后根据这些告警再去查询业务拓扑链路上其他一些相关信息(例如次要或者衍生告警、性能、状态、配置等)，最终对故障原因进行判断以及对故障位置进行确定。传统的人工排障方法严重依赖个人经验且流程复杂多样化，排障时效性和准确性无法得到保证，所以基于线网故障发生时特征数据种类多、量大的特点，出现了一些基于深度学习技术的故障智能诊断定位解决方案。深度学习技术，是近些年兴起的人工智能技术，针对不同的应用场景构建适宜的神经网络模型，通过大量样本数据的投入训练，使得模型拟合出相应场景下所需的功能，替代人工操作。但目前的深度学习解决方案都存在不同程度的缺陷，投入线网运用较难取得理想本文档来自技高网...

【技术保护点】
1.一种深度神经网络模型的构建方法，其特征在于，其包括：/n确定基于业务路径的告警根源衍生规则，在目标网络的业务拓扑中，从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系，告警根源衍生规则包括根源告警和衍生告警之间的关联关系；/n基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵，统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标，根节点是生成根源告警的业务节点；/n以统一诊断因子矩阵为输入，以故障原因类型的概率向量为输出，构建深度神经网络模型，并使用样本数据进行训练和验证。/n

【技术特征摘要】
1.一种深度神经网络模型的构建方法，其特征在于，其包括：
确定基于业务路径的告警根源衍生规则，在目标网络的业务拓扑中，从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系，告警根源衍生规则包括根源告警和衍生告警之间的关联关系；
基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵，统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标，根节点是生成根源告警的业务节点；
以统一诊断因子矩阵为输入，以故障原因类型的概率向量为输出，构建深度神经网络模型，并使用样本数据进行训练和验证。


2.如权利要求1所述的深度神经网络模型的构建方法，其特征在于：
获取基于业务的网络拓扑信息和历史告警数据，历史告警数据包括历史告警发生的时间、历史告警标识ID、业务ID和网络位置信息；
对每条所述业务路径的所述业务节点上的历史告警进行聚类，得到基于所述业务路径的告警簇，对所有基于所述业务路径的告警簇进行分析和统计，确定所述告警根源衍生规则。


3.如权利要求1所述的深度神经网络模型的构建方法，其特征在于：
所述专家故障诊断数据包括用于诊断每个历史故障的历史告警数据和历史性能状态数据；
基于所述专家故障诊断数据和所述告警根源衍生规则，在每个历史故障所属的所述业务路径中，提取所述根节点以及与所述根节点关联的业务节点上的告警和性能状态指标，得到该历史故障的诊断因子集；
对所有诊断因子集进行并集整合后得到所述统一诊断因子矩阵。


4.如权利要求1所述的深度神经网络模型的构建方法，其特征在于：
所述统一诊断因子矩阵为二维矩阵，二维矩阵的每行表示所述根节点或者与所述根节点关联的一个业务节点上的告警和性能状态指标，性能状态指标包括性能指标和状态指标。


5.如权利要求4所述的深度神经网络模型的构建方法，其特征在于：
所述深度神经网络模型包括依次相连的输入层、基于Inception机制的初始隐含层、至少一个二维卷积层、至少一个全连接的隐含层以及输出层；
初始隐含层包括分别与所述统一诊断因子矩阵的行、列对应的一维行向量和一维列向量，一维行向量和一维列向量进行一维卷积核的混合计算结果输入二维卷积层。


6.如权利要求1所述的深度神经网络模型的构建方法，其特征在于：
所述故障原因类型的概率向量为softmax概率向量，其中的每个元素表示一种故障的发生概率。


7.一种故障诊断方法，其特征在于，其包括：
获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据；
对于每条业务路径，根据深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵，将输入矩阵输入所述深度神经网络模型，所述深度神经网络模型是基于如权利要求1至6任一项所述的构建方法得到的；
根据所述深度神经网络模型输出的故障原因类型的发生概率，对业务路径中的故障进行原因诊断。


8.一种深度神经网络模型的构建系统，其特征在于，其包括：
告警分析模块，其用于确定基于业务路径的告警根源衍生规则，在目标网络的业务拓扑中，从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系，告警根源衍生规则包括根源告警和衍生告警之间的关联关系；
故障分...

【专利技术属性】
技术研发人员：吴佳淼，
申请(专利权)人：烽火通信科技股份有限公司，中国信息通信科技集团有限公司，
类型：发明
国别省市：湖北;42