电信网络中故障定位的方法、节点分类方法以及相关设备技术

本申请实施例公开一种电信网络中故障定位的方法，该方法将人工智能技术应用在的网络设备管理领域中，该方法可以包括：根据网络拓扑信息和网元数据，生成与电信网络对应的图结构数据；将图结构数据输入局部特征提取网络得到图结构中节点的局部特征；将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征，第一节点的非局部特征用于反映与第一节点的局部特征间的相似度符合预设条件的第二节点的特征；将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果，分类结果用于指示电信网络中对应的网元为根源故障网元的概率；在单个节点的表征中，融入相似的节点的特征，提高了节点分类的准确性。

【技术实现步骤摘要】
电信网络中故障定位的方法、节点分类方法以及相关设备
本申请涉及人工智能领域，尤其涉及一种电信网络中故障定位的方法、节点分类方法以及相关设备。
技术介绍
电信网络是信息流通最重要的基础设施，其规模庞大、结构复杂且设备众多，是信息化社会最直接的参与者与支撑者。随着电信网络规模和复杂度的与日俱增，电信网络中故障设备的定位问题成为了重要的课题之一。目前的主要解决方案是，工程师结合电信网络的网络拓扑信息以及设备的各种指标的元素值或系统日志等，对电信网络进行诊断以确定电信网络中各设备的运行状态，从而对故障设备进行定位。随着电信网络规模不断扩大，结构越来越复杂，导致目前这种解决方案对工程师有极高的经验要求，且完全依赖人工经验进行故障设备定位，执行效率低。
技术实现思路
本申请实施例提供了一种电信网络中故障定位的方法、节点分类方法以及相关设备，用于通过图卷积神经网络对与电信网络对应的图结构中的节点进行分类，工程师可以结合图卷积神经网络输出的分类结果对电信网络中的根源故障节点进行定位，提高了根源故障设备定位过程的效率，在单个节点的表征中，融入了与第一节点相似的节点的特征，有利于提高节点的特征表达能力，从而有利于提高节点分类的准确性。为解决上述技术问题，本申请实施例提供以下技术方案：第一方面，本申请实施例提供一种节点分类方法，可用于人工智能领域的网络设备管理领域中。执行设备获取电信网络的网络拓扑信息和与电信网络中网元对应的网元数据，网元数据用于描述电信网络中的网元的运行状态。执行设备根据网络拓扑信息和网元数据，生成与电信网络对应的图结构数据，其中，图结构数据包括节点数据和边数据，节点数据用于指示与电信网络对应的图结构中节点的数据，图结构中的节点对应电信网络中的网元，图结构中的节点与电信网络中的网元具有一一对应关系，边数据用于指示电信网络中网元与网元之间的连接关系，节点数据具体可以表现为属性向量，边数据具体可以表现为邻接矩阵。执行设备将图结构数据输入局部特征提取网络得到图结构中节点的局部特征；其中，节点的局部特征中包括第一节点的局部特征，第一节点为图结构中任一节点，也即图结构中节点的局部特征包括图结构中每个节点的局部特征，第一节点的局部特征用于反映第一节点和图结构中与第一节点连接的第四节点的特征，该连接指的是通过边直接连接，图结构中节点的局部特征为局部特征提取网络采用空域或谱域的方式生成的。执行设备将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征；其中，图结构中节点的非局部特征中包括第一节点的非局部特征，也即图结构中节点的非局部特征中包括图结构中每个节点的非局部特征，第一节点的非局部特征用于反映第二节点的特征，第二节点与第一节点的局部特征间的相似度符合预设条件。执行设备将图结构中节点的局部特征和图结构中节点的非局部特征输入分类器得到分类结果，分类结果包括图结构中每个节点为目标类别的概率，图结构中每个节点为目标类别的概率用于指示电信网络中对应的网元为根源故障网元的概率。其中，局部特征提取网络、非局部特征提取网络和分类器包含于目标图卷积神经网络，目标图卷积神经网络通过训练得到。本实现方式中，通过上述方式，工程师可以结合图卷积神经网络输出的分类结果对电信网络中的根源故障节点进行定位，提高了根源故障设备定位过程的效率；且整个根源故障设备定位过程不再完全依赖于工程师的经验，从而降低了对工程师个人经验的要求，降低了根源故障设备定位过程的难度；由于在实际的电信网络中存在大量的网元对，也即电信网络中存在功能极其相似的网元，但功能极其相似的网元却不一定会直接连接，在单个节点的表征中，融入与第一节点的非局部特征，也即融入了与第一节点相似的节点的特征，有利于提高节点的特征表达能力，从而有利于提高节点分类的准确性。在第一方面的一种可能实现方式中，执行设备将图结构中节点的局部特征输入非局部特征提取网络得到图结构中节点的非局部特征，可以包括：执行设备基于图结构中节点的局部特征，计算第一节点与第三节点的局部特征间的相似度，其中，第三节点为图结构中除第一节点之外的节点。具体的，执行设备基于图结构中节点的局部特征计算第一节点的局部特征与第三节点中的任一节点的局部特征之间的余弦相似度、欧式距离或马氏距离，进而根据前述余弦相似度、欧式距离或马氏距离生成第一节点与第三节点中任一节点之间的相似度；其中，第一节点的局部特征和其他节点的局部特征之间的余弦相似度的数值越大，两者之间的相似度的数值越大；第一节点的局部特征和其他节点的局部特征之间的欧式距离的数值越小，两者之间的距离越近，两者之间的相似度越大；第一节点的局部特征和其他节点的局部特征之间的马氏距离的数值越小，两者之间的距离越近，两者之间的相似度越大。执行设备根据第一节点与第三节点的局部特征间的相似度，从第三节点中选取与第一节点的局部特征间相似度满足预设条件的至少一个节点，并将前述至少一个节点作为第二节点。执行设备根据第二节点的局部特征，得到第一节点的非局部特征。本实现方式中，逐个计算第一节点与图结构中除第一节点之外的其他节点的局部特征间的相似度，进而基于第一节点与每个节点之间的相似度执行第二节点选取操作，根据第二节点的局部特征生成第一节点的非局部特征，通过前述方式，使得整个非局部特征生成过程为可微分的，有利于提高非局部特征网络在迭代训练过程的效率。在第一方面的一种可能实现方式中，执行设备根据第一节点与第三节点的局部特征间的相似度，从第三节点中选取第二节点，可以包括：执行设备根据第一节点与第三节点的局部特征间的相似度，从第三节点中选取与第一节点的局部特征间相似度最高的至少一个节点作为第二节点。其中，第二节点包括预设个数的节点，前述预设个数的取值可以为3、4、5或6其中，执行设备可以通过一次选取操作获取到第二节点中包括的所有节点，也可以执行多次选取操作，每次选取操作中选取第二节点中的一个节点，也即整个选取操作过程是可微分的。本实现方式中，由于局部特征可以较为准确的反映出节点的特性，基于局部特征的维度进行相似度最高的节点的选取操作，有利于提高选取过程的精确度，进而有利于进一步提高第一节点的特征表达，从而提高最后得到的分类结果的准确度。在第一方面的一种可能实现方式中，执行设备根据第一节点与第三节点的局部特征间的相似度，从第三节点中选取第二节点，可以包括：执行设备中的非局部特征提取网络可以逐个判断第三节点中每个节点与第一节点的局部特征间的相似度是否大于或等于预设阈值，以从第三节点中选取与第一节点的局部特征间相似度大于或等于预设阈值的至少一个节点作为第二节点；前述预设阈值的取值可以为85％、88％、90％、92％、95％或98％。本实现方式中，提供了与第一节点的局部特征间的相似度符合预设条件的另一种实现方式，增加了本方案的实现灵活性。在第一方面的一种可能实现方式中，第二节点中每个节点的局部特征包括至少一个维度的元素值，执行设备根据第二节点的局部特征，得到第一节点的非局部特征，可以包括：执行设备从第二节点中每个节点的局部特征中获取与目标维度对应的元素值，以本文档来自技高网...

【技术保护点】
1.一种电信网络中故障定位的方法，其特征在于，所述方法包括：/n获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据，所述网元数据用于描述所述电信网络中的网元的运行状态；/n根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元，所述边数据用于指示所述电信网络中网元与网元之间的连接关系；/n将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；/n将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第一节点的非局部特征，所述第一节点为所述图结构中任一节点，所述第一节点的非局部特征用于反映第二节点的特征，所述第二节点与所述第一节点的局部特征间的相似度符合预设条件；/n将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果，所述分类结果包括所述图结构中节点为目标类别的概率，所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元为根源故障网元的概率；/n其中，所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络，所述目标图卷积神经网络通过训练得到。/n...

【技术特征摘要】
1.一种电信网络中故障定位的方法，其特征在于，所述方法包括：
获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据，所述网元数据用于描述所述电信网络中的网元的运行状态；
根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元，所述边数据用于指示所述电信网络中网元与网元之间的连接关系；
将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；
将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第一节点的非局部特征，所述第一节点为所述图结构中任一节点，所述第一节点的非局部特征用于反映第二节点的特征，所述第二节点与所述第一节点的局部特征间的相似度符合预设条件；
将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果，所述分类结果包括所述图结构中节点为目标类别的概率，所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元为根源故障网元的概率；
其中，所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络，所述目标图卷积神经网络通过训练得到。


2.根据权利要求1所述的方法，其特征在于，所述将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，包括：
基于所述图结构中节点的局部特征，计算所述第一节点与第三节点的局部特征间的相似度，所述第三节点为所述图结构中除所述第一节点之外的节点；
根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取所述第二节点；
根据所述第二节点的局部特征，得到所述第一节点的非局部特征。


3.根据权利要求2所述的方法，其特征在于，所述根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取第二节点，包括：
根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取与所述第一节点的局部特征间相似度最高的至少一个节点作为所述第二节点。


4.根据权利要求2所述的方法，其特征在于，所述根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取第二节点，包括：
根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取与所述第一节点的局部特征间相似度大于或等于预设阈值的至少一个节点作为所述第二节点。


5.根据权利要求2所述的方法，其特征在于，所述第二节点中每个节点的局部特征包括至少一个维度的元素值，所述根据所述第二节点的局部特征，得到所述第一节点的非局部特征，包括：
从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值，以从所述第二节点包括的所有节点中得到与所述目标维度对应的至少一个元素值，所述目标维度为所述每个节点的局部特征包括的至少一个维度中的任一维度；
对与所述目标维度对应的至少一个元素值进行池化，以生成目标元素值；
重复执行前述操作，以生成与所述局部特征包括的所有维度对应的目标元素值，得到所述第一节点的非局部特征，所述第一节点的非局部特征中包括至少一个所述目标元素值。


6.根据权利要求1至5任一项所述的方法，其特征在于，所述将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征，包括：
基于所述边数据，从第三节点中选取与所述第一节点连接的节点作为第四节点，所述第三节点为所述图结构中除所述第一节点之外的节点；
根据所述第一节点的节点数据和所述第四节点的节点数据，采用空域的方式得到所述第一节点的局部特征，所述第一节点的节点数据和所述第四节点的节点数据包含于所述节点数据中。


7.根据权利要求1至6任一项所述的方法，其特征在于，所述网元数据中包括与网元的属性对应的属性值，不同网元的属性种类相同或不同，所述节点数据包括所述图结构中节点的属性向量，所述边数据为邻接矩阵；
所述根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据包括：
根据所述网元数据，获取与所述电信网络中所有网元对应的属性集合，并将所述属性集合作为所述图结构中节点的属性向量的属性种类，其中，所述属性集合包括所述电信网络中网元的所有属性种类；
从所述属性集合中获取与目标网元的网元数据对应的第一属性，并根据目标网元的网元数据生成所述第一节点的属性向量中与所述第一属性对应的元素值，其中，所述目标网元与所述第一节点对应，所述第一属性为所述目标网元的网元数据中存在的属性；
在所述属性集合中包括除所述第一属性之外的第二属性的情况下，将所述第一节点的属性向量中与所述第二属性对应的元素值确定为预设值，其中，所述第二属性为所述属性集合中存在且所述目标网元的网元数据中不存在的属性，所述与所述第一属性对应的元素值和所述与所述第二属性对应的元素值组成所述第一节点的属性向量的元素值；
根据所述网络拓扑信息，生成所述邻接矩阵。


8.根据权利要求1至6任一项所述的方法，其特征在于，所述根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，包括：
将所述网元数据输入自编码器，得到所述自编码器输出的所述节点数据，并根据所述网络拓扑信息，生成所述边数据，其中，所述网元数据为所述电信网络中网元的日志或者所述电信网络中网元的关键绩效指标KPI。


9.一种电信网络中故障定位的方法，其特征在于，所述方法包括：
获取电信网络的网络拓扑信息和与所述电信网络中网元端口对应的网元端口数据，所述网元端口数据用于描述所述电信网络中的网元端口的运行状态；
根据所述网络拓扑信息和所述网元端口数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元端口，所述边数据用于指示所述电信网络中网元端口与网元端口之间的连接关系；
将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；
将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第一节点的非局部特征，所述第一节点为所述图结构中任一节点，所述第一节点的非局部特征用于反映第二节点的特征，所述第二节点与所述第一节点的局部特征间的相似度符合预设条件；
将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果，所述分类结果包括所述图结构中节点为目标类别的概率，所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元端口为根源故障网元端口的概率；
其中，所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络，所述目标图卷积神经网络通过训练得到。


10.一种电信网络中故障定位的方法，特征在于，所述方法包括：
获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据，所述网元数据用于描述所述电信网络中的网元的运行状态；
根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元，所述边数据用于指示所述电信网络中网元与网元之间的连接关系；
将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；
将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第五节点的非局部特征，所述第五节点为所述图结构中任一节点，所述第五节点的非局部特征用于反映第六节点的特征，所述第六节点与所述第五节点的局部特征间的相似度符合预设条件；
将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入所述分类器得到所述第五节点的分类结果，所述第五节点的分类结果包括所述第五节点为目标类别的概率，所述第五节点为目标类别的概率用于指示与所述第五节点对应的网元为根源故障网元的概率；
根据所述第五节点的分类结果，利用损失函数对目标图卷积神经网络进行迭代训练，直至满足收敛条件，输出执行过迭代训练操作的目标图卷积神经网络，所述目标图卷积神经网络包括所述局部特征提取网络、所述非局部特征提取网络和所述分类器。


11.根据权利要求10所述的方法，其特征在于，所述损失函数为交叉熵损失函数、负对数似然损失函数或指数损失函数。


12.一种电信网络中故障定位的装置，其特征在于，所述装置包括：
获取模块，用于获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据，所述网元数据用于描述所述电信网络中的网元的运行状态；
生成模块，用于根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络...

【专利技术属性】
技术研发人员：宋凯凯，王洋，吕佳，叶强，田光见，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44