关键性能指标异常的根因定位方法和设备技术

本申请提供一种关键性能指标异常的根因定位方法和设备，包括使用机器学习模型对已标记的原始数据集进行选择，选择出多个重要性能指标，从中筛选出不参与关键性能指标计算的关联性能指标。基于无线接入网的关键性能指标发生异常前后多个周期内，关联性能指标数据、已标记的关键性能指标数据和已知的根因性能指标数据，构建根因定位数据集；对根因定位数据集中的离散型关联性能指标数据进行原因差值计算，获取关键性能指标异常的原因；对根因定位数据集中的连续型关联性能指标数据进行多次相关性计算，获取关键性能指标异常的根因。通过以上设置，可以从离散型关联性能指标中定位关键性能指标异常的原因，并提升根因定位的准确度。准确度。准确度。

【技术实现步骤摘要】
关键性能指标异常的根因定位方法和设备


[0001]本申请涉及通信技术，尤其涉及一种关键性能指标异常的根因定位方法和设备。

技术介绍

[0002]无线接入网是传送电信业务的一种无线实施系统，接入类、保持类、移动性、质量类等关键性能指标(Key Performance Indicator,简称：KPI)代表了无线接入网提供业务的能力，能够反映无线接入网的运行质量。当无线接入网覆盖的区域出现无线接通率低、掉话率高、切换成功率低等关键性能指标异常时，可以判定该区域为质差区域。虽然通过关键性能指标异常可以识别质差区域，但由于导致无线接入网质差的原因众多，难以实现对质差根因的定位。
[0003]现有技术中，通过KPI根因关联分析检测，使用皮尔逊或斯皮尔曼相似性计算函数计算关联KPI与主KPI的相关性，进行根因分析，但皮尔逊或斯皮尔曼相似性计算函数不适用于离散型数据，因此在根因关联分析过程中忽略了离散型关联性能指标，且根因分析步骤不够完备，使得根因定位不够准确。

技术实现思路

[0004]本申请提供一种关键性能指标异常的根因定位方法和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种关键性能指标异常的根因定位方法，其特征在于，包括：使用机器学习模型对已标记的原始数据集进行选择，选择出多个重要性能指标，并根据是否参与关键性能指标计算对所述多个重要性能指标进行筛选，获取关联性能指标；基于无线接入网的关键性能指标发生异常前后多个周期内，所述关联性能指标数据、已标记的关键性能指标数据和已知的根因性能指标数据，构建根因定位数据集；对所述根因定位数据集中的离散型关联性能指标数据进行原因差值计算，获取所述关键性能指标异常的原因；对所述根因定位数据集中的连续型关联性能指标数据进行多次相关性计算，获取所述关键性能指标异常的根因。2.根据权利要求1所述的根因定位方法，其特征在于，对所述根因定位数据集中的连续型关联性能指标数据进行多次相关性计算，获取所述关键性能指标异常的根因，具体包括：对所述根因定位数据集中的连续型关联性能指标数据与所述已标记的关键性能指标数据进行相关性计算，获得相关系数绝对值大于或等于高度相关阈值的连续型关联性能指标数据，将所述相关系数绝对值大于或等于高度相关阈值的连续型关联性能指标数据设定为异常原因指标数据；对所述根因定位数据集中的所述已知的根因性能指标数据与所述异常原因指标数据进行相关性计算，获得相关系数绝对值大于或等于高度相关阈值的已知的根因性能指标数据，所述相关系数绝对值大于或等于高度相关阈值的已知的根因性能指标数据为关键性能指标异常的根因。3.根据权利要求1所述的根因定位方法，其特征在于，对所述根因定位数据集中的离散型关联性能指标数据进行原因差值计算，获取所述关键性能指标异常的原因，具体包括：针对每个离散型关联性能指标数据，计算关键性能指标发生异常后的多个周期内的离散型关联性能指标数据的均值和关键性能指标发生异常前的多个周期内的离散型关联性能指标数据的均值之间差值；将差值大于预设差值阈值的离散型关联性能指标作为关键性能指标异常的原因。4.根据权利要求1或2所述的根因定位方法，其特征在于，在获取关联性能指标前，所述方法还包括：基于观测时间段内，关键性能指标所衡量的无线接入网通信流程中全部的计数器、性能指标和关键性能指标数据，构建原始数据集；根据异常阈值对所述原始数据集中的所述关键性能指标数据进行标记，获取已标记的关键性能指标数据，获得已标记的原始数据集。5.根据权利要求1或2所述的根因...

【专利技术属性】
技术研发人员：王立群，刘月阳，柴杰，张思繁，杨超，解觯，李纪华，李曌星，黄赛，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：