【技术实现步骤摘要】
指标检测模型获取及故障定位方法、装置、设备及存储介质
[0001]本专利技术实施例涉及半导体器件失效分析领域，尤其涉及一种指标检测模型获取及故障定位方法、装置、设备及存储介质。
技术介绍
[0002]在移动运营商IT运维领域，多维度多指标的故障根因节点定位一直是智能化运维(AIOPS)的核心问题。当某个网元节点关键性能指标出现异常时，运维人员需要快速、准确的定位到引发故障的原因，从而开展修复止损工作。但由于移动组网的复杂性和指标的多样性，导致故障根因节点的排查困难、耗时时间长，运维人员希望系统给出的故障根因节点结果尽可能的简洁。即以最少的维度和属性值覆盖故障原因，以便运维人员能够快速核实并修复。
[0003]目前移动运营商已开始对网络中的关键KPI性能指标进行监测，并使用KPI阈值对其进行指标异常进行判定。这种方法的会导致落在阈值边缘灰色区间内的指标误判，进而导致大量的虚警和误警，很难真实反映网络质量；而大量的告警信息会干扰运维人员快速、准确的判定故障及分析原因，造成故障修复效率低、成本高，进而影响网络性能。>
技术实现思路
【技术保护点】
【技术特征摘要】
1.一种用于移动通信网络的指标检测模型获取方法，包括：根据预设的关键KPI指标体系，获取所述移动通信网络中各叶子节点的关键KPI指标，所述关键KPI指标体系中包括至少两类关键KPI指标；将各叶子节点的所述关键KPI指标分别按类进行聚合后，提取各叶子节点聚合后的每一类关键KPI指标的特征参数；分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练，得到每一类关键KPI指标对应的指标检测模型。2.如权利要求1所述的用于移动通信网络的指标检测模型获取方法，其特征在于，所述预设模型为随机森林模型，所述提取各叶子节点聚合后的每一类关键KPI指标的特征参数包括：针对每一叶子节点，提取聚合后的每一类关键KPI指标落入第一时间窗内的关键KPI指标的特征参数，和落入第二时间窗内的关键KPI指标的特征参数，所述第二时间窗大于所述第一时间窗；所述分别将各叶子节点的同一类关键KPI指标的特征参数作为预设模型的输入进行模型训练包括：分别将各叶子节点的同一类关键KPI指标的特征参数转换为时序序列作为所述随机森林模型的输入，对所述随机森林模型进行训练，得到指标检测模型。3.如权利要求2所述的用于移动通信网络的指标检测模型获取方法，其特征在于，所述特征参数包括以下中的至少两种：关键KPI指标的均值、关键KPI指标的标准差、关键KPI指标的最小值、关键KPI指标的最大值、关键KPI指标的四分之一分位点、关键KPI指标的中值、关键KPI指标的四分之三分位点、关键KPI指标的标准差均值、关键KPI指标的方差均值、关键KPI指标的切比雪夫统计特征、关键KPI指标的总变差、关键KPI指标的变异系数。4.如权利要求1-3任一项所述的用于移动通信网络的指标检测模型获取方法，其特征在于，所述关键KPI指标体系包括以下关键KPI指标中的至少两类：初始注册成功率，重注册成功率，长期演进语音承载VoLTE网络接通率，V2V呼叫建立时长，VoLET掉话率，增强的单一无线语音呼叫连续性eSRVCC切换成功率，eSRVCC切换平均时延，VoLET MOS3.0占比，上行丢包率。5.一种移动通信网络的故障定位方法，包括：采用通过如权利要求1-4任一项所述的用于移动通信网络的指标检测模型获取方法所获取的指标检测模型，对所述移动通信网络中的各叶子节点进行指标检测；对于检测结果为关键KPI指标存在异常的目标叶子节点，结合该目标叶子节点的历史状态，确定该目标叶子节点是否为故障关键节点。6.如权利要求5所述的移动通信网络的故障定位方法，其特征在于，包括：所述结合该目标叶子节点的历史状态，确定该目标叶子节点是否为故障关键节点包括：在所述目标叶子节点的历史状态为关键KPI指标正常时，确定该目标叶子节点不是故障关键节点；在所述目标叶子节点的历史状态为关键KPI指标异常时，确定该目标叶子节点是故障关键节点。
7.如权利要求5所述的移动通信网络的故障定...
【专利技术属性】
技术研发人员：冯媛，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。