一种网络故障原因预测方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种网络故障原因预测方法、装置及电子设备，解决现有网络故障原因预测准确率低的问题。本发明专利技术的方法包括：获取故障工单中的分类特征向量，分类特征向量包括第一类特征向量和第二类特征向量；根据第一类特征向量和第一分类预测模型，得到故障工单所属的目标故障原因类别；根据第二类特征向量以及与目标故障原因类别相对应的第二分类预测模型，得到所述故障工单在所述目标故障原因类别中的目标故障原因子类别。本发明专利技术通过两步预测方法，即先对故障原因大类进行预测，再对该故障原因大类中的故障原因细分的类别进行预测，能够有效地减少每一步预测的类别数，提升预测结果的准确率。准确率。准确率。

【技术实现步骤摘要】
一种网络故障原因预测方法、装置及电子设备


[0001]本专利技术涉及人工智能
，尤其是涉及一种网络故障原因预测方法、装置及电子设备。

技术介绍

[0002]在网络系统中，网元种类繁多，网络结构复杂，在网络运行的过程中，不可避免地会发生各种故障。在故障发生后，网络运维人员需要对故障进行排查，找出导致故障发生的原因，进而采取相应的处理措施帮助现网恢复运行。
[0003]具体来说，在现网运行的过程中，故障发生后，网络设备会产生告警，汇报到网管系统中。网管系统基于收到的告警和一定的派单规则派单给运维人员，运维人员结合告警等多方面的信息对故障原因进行排查，再依据故障原因采取相应的处理措施，在解决了故障之后，将故障原因和处理措施回单对应到相应的工单。
[0004]现有的故障原因预测技术方案中，故障原因的类别较多，其中某些故障原因较为相似，直接进行预测时准确率较低。

技术实现思路

[0005]本专利技术的目的在于提供一种网络故障原因预测方法、装置及电子设备，用于解决现有网络故障原因预测准确率低的问题。
[0006]为了达到上述目的，本专利技术提供一种网络故障原因预测方法，包括：
[0007]获取故障工单中的分类特征向量，所述分类特征向量包括第一类特征向量和第二类特征向量；
[0008]根据所述第一类特征向量和第一分类预测模型，得到所述故障工单所属的目标故障原因类别；
[0009]根据所述第二类特征向量以及与所述目标故障类别相对应的第二分类预测模型，得到所述故障工单在所述目标故障原因类别中的目标故障原因子类别。
[0010]其中，所述获取故障工单中的分类特征向量，包括：
[0011]获取待处理的故障工单，所述故障工单的字段包括告警标题、网元名称、网元类型和故障发生时间；
[0012]基于所述故障工单的字段与特征向量的对应关系和/或特征提取模型，提取所述故障工单中的分类特征向量。
[0013]其中，所述分类特征向量包括：
[0014]用于表征所述告警标题的第一特征向量；
[0015]用于表征所述告警标题对应的故障原因类别的第二特征向量；
[0016]用于表征所述网元类型的第三特征向量；
[0017]用于表征所述网元类型对应的故障原因类别的第四特征向量；
[0018]用于表征所述故障工单关联到的告警信息的第五特征向量；
[0019]用于表征所述告警标题对应的故障原因子类别的第六特征向量；以及用于表征网元类型对应的故障原因子类别的第七特征向量；
[0020]其中，所述第一类特征向量包括：所述第一特征向量、所述第二特征向量、所述第三特征向量、所述第四特征向量和所述第五特征向量；
[0021]所述第二类特征向量包括：所述第一特征向量、所述第二特征向量、所述第三特征向量、所述第四特征向量、所述第五特征向量、所述第六特征向量和所述第七特征向量。
[0022]其中，所述根据所述第一类特征向量和第一分类预测模型，得到所述故障工单所属的目标故障原因类别，包括：
[0023]通过所述第一分类预测模型对所述第一类特征向量进行分类，得到各个故障原因类别的概率值；
[0024]将各个故障原因类别的概率值中最大概率值对应的故障原因类别，确定为所述故障工单所属的目标故障原因类别。
[0025]其中，所述根据所述第二类特征向量以及与所述目标故障原因类别相对应的第二分类预测模型，得到所述故障工单在所述目标故障原因类别中的目标故障原因子类别，包括：
[0026]通过所述第二分类预测模型对所述第二类特征向量进行分类，得到所述故障工单在所述目标故障原因类别中各个故障原因子类别的概率值；
[0027]将各个故障原因子类别的概率值中最大概率值对应的故障原因子类别，确定为目标故障原因子类别。
[0028]其中，所述方法还包括：
[0029]获取多条历史故障工单及多条历史告警信息，每条所述历史故障工单的字段包括告警标题、网元名称、网元类型、故障发生时间、故障原因类别以及对应故障原因类别的故障原因子类别，每条所述历史告警信息的字段包括告警标题、网元名称和告警开始时间；
[0030]根据所述历史故障工单的字段和所述历史告警信息的字段，得到分类特征向量，所述分类特征向量包括：用于表征所述告警标题的第一特征向量，用于表征所述告警标题对应的故障原因类别的第二特征向量，用于表征所述网元类型的第三特征向量，用于表征所述网元类型对应的故障原因类别的第四特征向量，用于表征所述故障工单关联到的告警信息的第五特征向量，用于表征所述告警标题对应的故障原因子类别的第六特征向量以及用于表征网元类型对应的故障原因子类别的第七特征向量；
[0031]根据所述第一特征向量、所述第二特征向量、所述第三特征向量、所述第四特征向量、所述第五特征向量以及故障原因类别的类别标签，进行模型训练，得到第一分类预测模型。
[0032]其中，根据所述历史故障工单的字段和所述历史告警信息的字段，得到分类特征向量之后，所述方法还包括：
[0033]根据所述故障原因类别，对多条所述历史故障工单进行分组，得到多组历史故障工单数据；
[0034]根据每组历史故障工单数据对应的故障原因子类别的类别标签以及分类特征向量，对各组历史故障工单数据分别进行模型训练，得到多个第二分类预测模型。
[0035]本专利技术还提供一种网络故障原因预测装置，包括：
[0036]第一获取模块，用于获取故障工单中的分类特征向量，所述分类特征向量包括第一类特征向量和第二类特征向量；
[0037]第一故障原因预测模块，用于根据所述第一类特征向量和第一分类预测模型，得到所述故障工单所属的目标故障原因类别；
[0038]第二故障原因预测模块，用于根据所述第二类特征向量以及与所述目标故障原因类别相对应的第二分类预测模型，得到所述故障工单在所述目标故障原因类别中的目标故障原因子类别。
[0039]本专利技术还提供一种电子设备，包括处理器和收发器，所述收发器在处理器的控制下接收和发送数据，所述处理器用于执行以下操作：
[0040]获取故障工单中的分类特征向量，所述分类特征向量包括第一类特征向量和第二类特征向量；
[0041]根据所述第一类特征向量和第一分类预测模型，得到所述故障工单所属的目标故障原因类别；
[0042]根据所述第二类特征向量和第二分类预测模型，得到所述故障工单在所述目标故障原因类别中的目标故障原因子类别。
[0043]其中，所述处理器还用于：
[0044]获取待处理的故障工单，所述故障工单的字段包括告警标题、网元名称、网元类型和故障发生时间；
[0045]基于所述故障工单的字段与特征向量的对应关系和/或特征提取模型，提取所述故障工单中的分类特征向量。
[0046]其中，所述分类特征向量包括：
[0047]用于表征所述告警标题的第一特征向量；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络故障原因预测方法，其特征在于，包括：获取故障工单中的分类特征向量，所述分类特征向量包括第一类特征向量和第二类特征向量；根据所述第一类特征向量和第一分类预测模型，得到所述故障工单所属的目标故障原因类别；根据所述第二类特征向量以及与所述目标故障原因类别相对应的第二分类预测模型，得到所述故障工单在所述目标故障原因类别中的目标故障原因子类别。2.根据权利要求1所述的方法，其特征在于，所述获取故障工单中的分类特征向量，包括：获取待处理的故障工单，所述故障工单的字段包括告警标题、网元名称、网元类型和故障发生时间；基于所述故障工单的字段与特征向量的对应关系和/或特征提取模型，提取所述故障工单中的分类特征向量。3.根据权利要求2所述的方法，其特征在于，所述分类特征向量包括：用于表征所述告警标题的第一特征向量；用于表征所述告警标题对应的故障原因类别的第二特征向量；用于表征所述网元类型的第三特征向量；用于表征所述网元类型对应的故障原因类别的第四特征向量；用于表征所述故障工单关联到的告警信息的第五特征向量；用于表征所述告警标题对应的故障原因子类别的第六特征向量；以及用于表征网元类型对应的故障原因子类别的第七特征向量；其中，所述第一类特征向量包括：所述第一特征向量、所述第二特征向量、所述第三特征向量、所述第四特征向量和所述第五特征向量；所述第二类特征向量包括：所述第一特征向量、所述第二特征向量、所述第三特征向量、所述第四特征向量、所述第五特征向量、所述第六特征向量和所述第七特征向量。4.根据权利要求1所述的方法，其特征在于，所述根据所述第一类特征向量和第一分类预测模型，得到所述故障工单所属的目标故障原因类别，包括：通过所述第一分类预测模型对所述第一类特征向量进行分类，得到各个故障原因类别的概率值；将各个故障原因类别的概率值中最大概率值对应的故障原因类别，确定为所述故障工单所属的目标故障原因类别。5.根据权利要求1所述的方法，其特征在于，所述根据所述第二类特征向量以及与所述目标故障原因类别相对应的第二分类预测模型，得到所述故障工单在所述目标故障原因类别中的目标故障原因子类别，包括：通过所述第二分类预测模型对所述第二类特征向量进行分类，得到所述故障工单在所述目标故障原因类别中各个故障原因子类别的概率值；将各个故障原因子类别的概率值中最大概率值对应的故障原因子类别，确定为目标故障原因子类别。6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多条历史故障工单及多条历史告警信息，每条所述历史故障工单的字段包括告警标题、网元名称、网元类型、故障发生时间、故障原因类别以及对应故障原因类别的故障原因子类别，每条所述历史告警信息的字段包括告警标题、网元名称和告警开始时间；根据所述历史故障工单的字段和所述历史告警信息的字段，得到分类特征向量，所述分类特征向量包括：用于表征所述告警标题的第一特征向量，用于表征所述告警标题对应的故障原因类别的第二特征向量，用于表征所述网元类型的第三特征向量，用于表征所述网元类型对应的故障原因类别的第四特征向量，用于表征所述故障工单关联到的告警信息的第五特征向量，用于表征所述告警标题对应的故障原因子类别的第六特征向量以及用于表征网元类型对应的故障原因子类别的第七特征向量；根据所述第一特征向量、所述第二特征向量、所述第三特征向量、所述第四特征向量、所述第五特征向量以及故障原因类别的类别标签，进行模型训练，得到第一分类预测模型。7.根据权利要求6所述的方法，其特征在于，根据所述历史故障工单的字段和所述历史告警信息的字段，得到分类特征向量之后，所述方法还包括：根据所述故障原因类别，对多条所述历史故障工单进行分组，得到多组历史故障工单数据；根据每组历史故障工单数据对应的故障原因子类别的类别标签以及分类特征向量，对各组历史故障工单数据分别进行模型训练，得到多个第二分类预测模型。8.一种网络故障原因预测装置，其特征在于，包括：第一获取模块，用于获取故障工单中的分类特征向量，所述分类特征向量包括第一类特征向量和第二类特征向量；第一故障原因预测模块，用于根据所述第一类特征向量和第一分类预测模型，得到所述故障工单所属的目标故障原因类别；第二故障原因预测模块，...

【专利技术属性】
技术研发人员：周永庆，花小磊，朱琳，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：