一种5G网络切片下噪声网络的服务故障诊断方法技术

本发明专利技术提供一种5G网络切片下噪声网络的服务故障诊断方法，所述方法包括构造服务故障诊断模型；根据故障节点为负故障时业务症状为负症状的概率、预设故障节点不可用概率计算负故障至少导致一个负症状的概率；根据负故障至少导致一个负症状的概率、每一故障节点导致业务症状数量在总业务症状数量中占比，计算每一故障节点的故障价值；根据每一故障节点的故障价值，将与每一告警显示的业务症状关联的预设数量的故障节点放入疑似故障集合；每次从疑似故障集合中选择相同数量的故障节点任意组合构建一个备选故障集合；计算每个备选故障集合的解释能力。通过本发明专利技术，解决了现有噪声干扰导致故障诊断准确率低的问题。导致故障诊断准确率低的问题。导致故障诊断准确率低的问题。

【技术实现步骤摘要】
一种5G网络切片下噪声网络的服务故障诊断方法


[0001]本专利技术涉及5G通信
，尤其涉及一种5G网络切片下噪声网络的服务故障诊断方法。

技术介绍

[0002]随着5G网络的快速建设和应用，各个领域都在采用5G技术业务升级和服务创新。在5G网络环境下，网络的应用场景将由4G的智能手机变为万物互联设备。万物互联设备可以分布在不同的应用场景，对网络的安全性、可靠性、稳定性提出了更高的要求。这种背景下，5G网络切片技术(Network Slicing)被提出并成为全球网络设备商公认的最佳网络构架。在智能电网领域，5G网络切片技术已经应用在分布式充电桩业务、电量自动采集业务中，实现了业务的差异化质量保证。为进一步提升客户的服务质量，如何快速进行故障定位，已成为保证电力业务正常运行的关键技术。
[0003]已有的故障诊断算法可以分为被动监测和主动监测两大类。例如，文献[DUSIA A,SETHI A S.Recent advances in fault localization in computer networks[J].IEEE communications surveys and tutorials,2016,18(4):3030
–
3051.]采用网管系统获得的告警信息和网络拓扑信息，构建故障诊断模型进行故障定位。文献[WU Bin,HO P H,TAPOLCAI J,et al.Optimal allocation of monitoring trails for fast SRLG failure localization in all-optical networks[C]//Proceedings of2010IEEE Global Telecommunications Conference.Miami,USA,2010:1
–
5.]通过选择最优的探测节点和探测路径，获得针对性的故障诊断数据，从而提升了故障诊断算法的性能。为提升故障诊断算法的性能，大部分已有研究都基于告警信息和网络拓扑信息，构建故障传播模型，进行故障诊断。例如，文献[MA Liang,HE Ting,SWAMI A,et al.Network capability in localizing node failures via end-to-end path measurements[J].IEEE/ACM transactions on networking,2017,25(1):434
–
450.]将故障和告警信息构建为依赖矩阵模型，从而构建更加准确的故障传播模型，进行故障推断。针对网络虚拟化环境下故障传播模型不准确的问题，文献[Pavle,et al.Localization of network service performance degradation in multi-tenant networks[J].Computer Networks,2020,168(107050):1-12]设计了一个网络服务状态收集框架，可以有效解决底层网络资源租给多个虚拟网带来的信息复杂问题。
[0004]通过已有研究分析可知，当前在故障诊断中已经取得了较好的研究成果。但是，随着网络规模的扩大，网络中设备类型、业务类型快速增加，必然会增加网络的噪声。在有噪声的环境下，存在虚假症状。例如，错误的负症状(即，业务本身正常，但是观察到不正常)、错误的正症状(即，业务本身有问题，但是观察到业务正常)，噪声干扰导致故障诊断准确率低以及误报率高的问题。

技术实现思路

[0005]本专利技术所要解决的技术问题在于，提供一种5G网络切片下噪声网络的服务故障诊断方法，用于解决现有噪声干扰导致故障诊断准确率低以及误报率高的问题。
[0006]本专利技术提供的一种5G网络切片下噪声网络的服务故障诊断方法，所述方法包括：
[0007]步骤S11、构造服务故障诊断模型，所述服务故障诊断模型包括业务症状、与所述业务症状关联的故障节点以及所述与业务症状关联的故障节点为负故障时导致业务症状为负症状的概率，所述业务症状包括正症状和负症状，所述故障节点包括正故障和负故障；
[0008]步骤S12、根据所述故障节点为负故障时业务症状为负症状的概率、预设故障节点不可用概率计算负故障至少导致一个负症状的概率；
[0009]步骤S13、根据所述负故障至少导致一个负症状的概率、每一故障节点导致业务症状数量在总业务症状数量中占比，计算每一故障节点的故障价值；
[0010]步骤S14、根据所述每一故障节点的故障价值，将与每一告警显示的业务症状关联的预设数量的故障节点放入疑似故障集合；
[0011]步骤S15、每次从所述疑似故障集合中选择相同数量的故障节点任意组合构建一个备选故障集合，所述相同数量从1开始增加至所述预设数量；
[0012]步骤S16、计算每个备选故障集合的解释能力，将所述解释能力最大的所述备选故障集合定为确定的故障集合，所述确定的故障集合中的故障节点被诊断为服务故障节点。
[0013]进一步地，实现所述步骤S12的公式具体为：
[0014]所述pro(f)表示故障节点f为负故障至少导致一个负症状的概率，所述p(s|f)为所述故障节点f为负故障时业务症状s为负症状的概率，所述p(f)为预设链路不可用概率，所述s∈S
f
表示业务症状s归属由故障节点f导致的业务症状集合S，所述f∈F表示故障节点f归属故障集合F。
[0015]进一步地，实现所述步骤S13的公式具体为：
[0016]所述LFRV(f)为每一故障节点f的故障价值，所述|S
f
|为故障节点f导致业务症状的数量，所述|S|为所有业务症状的数量。
[0017]进一步地，所述步骤S14具体包括：
[0018]判断与每一告警显示的业务症状关联的故障节点数量是否小于预设数量；
[0019]若是，则将与告警显示的业务症状关联的故障节点全部放入疑似故障集；
[0020]若否，则从与告警显示的业务症状关联的故障节点中选择预设数量个故障价值较大的故障节点放入疑似故障集合。
[0021]进一步地，所述步骤S16中计算每个备选故障集合的解释能力的公式具体为：
[0022]所述h为备选故障集合，所述f∈h表示故障节点f归属备选故障集合h，所述Ability(h
*
)为备选故障
中找到至少一个关联的故障节点的概率，所述s∈S表示业务症状s归属业务症状集合S。
[0023]实施本专利技术，具有如下有益效果：
[0024]通过本专利技术，通过计算故障节点的故障价值，对告警显示的业务症状关联的故障节点建立备选故障集合，通过计算每个备选故障集合的解释能力选择具有最大解释能力的备选故障集合作为确定的故障集合，所述确定的故障集合中的故障节点被确定为故障节点，排除了噪声干扰，提高了故障诊断准确性；解决了现有现有噪声本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种5G网络切片下噪声网络的服务故障诊断方法，其特征在于，所述方法包括：步骤S11、构造服务故障诊断模型，所述服务故障诊断模型包括业务症状、与所述业务症状关联的故障节点以及所述与业务症状关联的故障节点为负故障时导致业务症状为负症状的概率，所述业务症状包括正症状和负症状，所述故障节点包括正故障和负故障；步骤S12、根据所述故障节点为负故障时业务症状为负症状的概率、预设故障节点不可用概率计算负故障至少导致一个负症状的概率；步骤S13、根据所述负故障至少导致一个负症状的概率、每一故障节点导致业务症状数量在总业务症状数量中占比，计算每一故障节点的故障价值；步骤S14、根据所述每一故障节点的故障价值，将与每一告警显示的业务症状关联的预设数量的故障节点放入疑似故障集合；步骤S15、每次从所述疑似故障集合中选择相同数量的故障节点任意组合构建一个备选故障集合，所述相同数量从1开始增加至所述预设数量；步骤S16、计算每个备选故障集合的解释能力，将所述解释能力最大的所述备选故障集合定为确定的故障集合，所述确定的故障集合中的故障节点被诊断为服务故障节点。2.如权利要求1所述方法，其特征在于，实现所述步骤S12的公式具体为：所述pro(f)表示故障节点f为负故障至少导致一个负症状的概率，所述p(s|f)为所述故障节点f为负故障时业务症状s...

【专利技术属性】
技术研发人员：田志峰，黄志伟，张伟贤，黄晓奇，杨旸，曾凌烽，高易年，洪涛，吴俊宇，黄儒雅，保剑，刘国英，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：