网络劣化根因定位方法、系统、电子设备和存储介质技术方案

本发明专利技术涉及移动通信技术领域，提供一种网络劣化根因定位方法、系统、电子设备和存储介质。所述网络劣化根因定位方法包括：根据网络劣化数据，自关键性能指标KPI集中筛选出与所述网络劣化数据关联的多组KPI；计算每组所述KPI的全置信度，判断全置信度最大的目标组KPI的全置信度是否大于阈值；若是，根据KPI类与根因的对应关系，获得所述目标组KPI所属的KPI类对应的根因，作为所述网络劣化数据的目标根因；若否，获得多组所述KPI中除所述目标组KPI的剩余KPI，根据所述剩余KPI与所述根因的偏离度，确定所述目标根因。本发明专利技术能够根据不同网络情况实现网络劣化根因的全面、准确定位。准确定位。准确定位。

【技术实现步骤摘要】
网络劣化根因定位方法、系统、电子设备和存储介质


[0001]本专利技术涉及移动通信
，具体地说，涉及一种网络劣化根因定位方法、系统、电子设备和存储介质。

技术介绍

[0002]随着通信网络的发展，对于现网中3G(3rd
‑
Generation Mobile Communication Technology，第三代移动通信技术)、4G(4th
‑
Generation Mobile Communication Technology，第四代移动通信技术)、5GNSA(5th
‑
Generation Mobile Communication Technology Non
‑
Standalone，第五代移动通信技术非独立组网)和5GSA(5th
‑
Generation Mobile Communication Technology Standalone，第五代移动通信技术独立组网)并存的复杂网络，如通过人工优化，需要大量的人力维护，而通过AI(Artificial Intelligence，人工智能)技术，利用大数据能够实现网络自动优化，全面提升云网一体化运营效率。
[0003]在网络优化过程中，需要侦测质差网络并定位网络劣化根因。目前定位网络劣化根因的方式包括：通过单个指标逐项分析，结合工程师的经验判断进行定位；或者结合指标的显性特征通过逻辑方法进行机器判决。
[0004]目前的网络劣化根因的定位方法，往往定位出的根因比较单一，且很多情况下存在定位不出根因的问题。
[0005]需要说明的是，上述
技术介绍
部分公开的信息仅用于加强对本专利技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0006]有鉴于此，本专利技术提供一种网络劣化根因定位方法、系统、电子设备和存储介质，能够根据不同网络情况实现网络劣化根因的全面、准确定位。
[0007]本专利技术的一个方面提供一种网络劣化根因定位方法，包括：根据网络劣化数据，自关键性能指标KPI集中筛选出与所述网络劣化数据关联的多组KPI；计算每组所述KPI的全置信度，判断全置信度最大的目标组KPI的全置信度是否大于阈值；若是，根据KPI类与根因的对应关系，获得所述目标组KPI所属的KPI类对应的根因，作为所述网络劣化数据的目标根因；若否，获得多组所述KPI中除所述目标组KPI的剩余KPI，根据所述剩余KPI与所述根因的偏离度，确定所述目标根因。
[0008]在一些实施例中，每个所述KPI类预设多个区间值，所述对应关系为所述KPI类的区间值组合与所述根因的根因组合的对应关系；所述根据网络劣化数据时，还获得筛选出的每个KPI的指标值；所述获得所述目标组KPI所属的KPI类对应的根因时，根据所述目标组KPI中的目标KPI及其指标值，自所述对应关系中确定对应的区间值组合并获得对应的根因组合。
[0009]在一些实施例中，所述对应关系包括多级转移矩阵；所述多级转移矩阵中，第一级矩阵分别以所述KPI类中的两个一级KPI类的区间值为行列标识，第N级矩阵分别以所述KPI
类中的一个N级KPI类的区间值及第N
‑
1级矩阵的元素为行列标识，N≥2；每个元素为由一个或多个根因组成的根因组合，每个所述元素可与其行标识和/或列标识对应的KPI类相关。
[0010]在一些实施例中，所述获得所述目标组KPI所属的KPI类对应的根因，包括：获得所述目标组KPI中的每个目标KPI所属的目标KPI类；按照所述多级转移矩阵的转移顺序，获得至少以一当前目标KPI类的区间值为行标识和/或列标识的初始矩阵；对所述初始矩阵进行剪枝，自所述初始矩阵中剪除与除所述当前目标KPI类的其余KPI类相关的行列标识和元素；判断是否有未包含在所述初始矩阵中的剩余目标KPI类；若是，按照所述转移顺序，获得分别以所述剩余目标KPI类的区间值和剪枝后的所述初始矩阵中的元素为行列标识的目标矩阵；若否，以剪枝后的所述初始矩阵作为所述目标矩阵；以及，根据每个所述目标KPI的指标值落入的目标KPI类的区间值确定目标区间值组合，自所述目标矩阵中获得所述目标区间值组合对应的根因。
[0011]在一些实施例中，所述根据网络劣化数据时，还获得筛选出的每个KPI的指标值；所述根据所述剩余KPI与所述根因的偏离度，包括：通过所述根因拟合所述剩余KPI，获得每个所述剩余KPI相对于每个所述根因的拟合值；根据偏离度计算公式d＝(y
‑
r)/r，获得每个所述剩余KPI与每个所述根因之间的偏离度；所述偏离度计算公式中，d为一剩余KPI与一根因之间的偏离度，y为该剩余KPI相对于该根因的拟合值，r为该剩余KPI的指标值。
[0012]在一些实施例中，所述获得每个所述剩余KPI相对于每个所述根因的拟合值，包括：获得每个所述根因的根因值，一根因的根因值为与该根因匹配的KPI类中的置信度最高的KPI对应的指标值；根据拟合公式y＝(k+α(x)δ)
·
x+(m+α(x)γ)，计算每个所述剩余KPI相对于每个所述根因的拟合值；所述拟合公式为分段线性函数，所述拟合公式中，x为一根因的根因值，k为所述根因的根因值对应的当前分段线性部分的斜率，δ为所述当前分段线性部分的斜率的变化量，α(x)为所述当前分段线性部分的系数，m为所述当前分段线性部分的偏置值，γ为所述当前分段线性部分的边界值，y为一剩余KPI相对于该根因的拟合值。
[0013]在一些实施例中，所述确定所述目标根因，包括：对所述剩余KPI中指标值与网络性能呈反比的剩余KPI，筛选出最大偏离度对应的根因；对所述剩余KPI中指标值与网络性能呈正比的剩余KPI，筛选出最小偏离度对应的根因；以及，以筛选出的所述根因作为所述目标根因。
[0014]在一些实施例中，所述自关键性能指标KPI集中筛选出与所述网络劣化数据关联的多组KPI，包括：获得所述网络劣化数据的当前劣化KPI、包含所述当前劣化KPI对应的当前KPI的目标样本数据及所述KPI集，所述目标样本数据中包括包含所述当前劣化KPI的目标负样本；对所述KPI集进行组合，获得多个项集；计算每个所述项集的支持度，一项集的支持度为包含该项集的目标负样本在所述目标样本数据中的出现概率；根据每个所述项集的支持度，通过构建频繁树自多个所述项集中挖掘出频繁项集，作为与所述网络劣化数据关联的多组KPI。
[0015]在一些实施例中，所述计算每组所述KPI的全置信度，包括：计算与每组所述KPI相关的置信度，与一组KPI相关的置信度包括第一置信度confidence(B
→
A)和第二置信度confidence(A
→
B)，其中事件A为所述目标样本数据中所述目标负样本发生，事件B为所述目标样本数据中该组KPI发生；根据全置信度计算公式all_confidence(A，B)＝min{confidence(A
→...

【技术保护点】

【技术特征摘要】
1.一种网络劣化根因定位方法，其特征在于，包括：根据网络劣化数据，自关键性能指标KPI集中筛选出与所述网络劣化数据关联的多组KPI；计算每组所述KPI的全置信度，判断全置信度最大的目标组KPI的全置信度是否大于阈值；若是，根据KPI类与根因的对应关系，获得所述目标组KPI所属的KPI类对应的根因，作为所述网络劣化数据的目标根因；若否，获得多组所述KPI中除所述目标组KPI的剩余KPI，根据所述剩余KPI与所述根因的偏离度，确定所述目标根因。2.如权利要求1所述的网络劣化根因定位方法，其特征在于，每个所述KPI类预设多个区间值，所述对应关系为所述KPI类的区间值组合与所述根因的根因组合的对应关系；所述根据网络劣化数据时，还获得筛选出的每个KPI的指标值；所述获得所述目标组KPI所属的KPI类对应的根因时，根据所述目标组KPI中的目标KPI及其指标值，自所述对应关系中确定对应的区间值组合并获得对应的根因组合。3.如权利要求2所述的网络劣化根因定位方法，其特征在于，所述对应关系包括多级转移矩阵；所述多级转移矩阵中，第一级矩阵分别以所述KPI类中的两个一级KPI类的区间值为行列标识，第N级矩阵分别以所述KPI类中的一个N级KPI类的区间值及第N
‑
1级矩阵的元素为行列标识，N≥2；每个元素为由一个或多个根因组成的根因组合，每个所述元素可与其行标识和/或列标识对应的KPI类相关。4.如权利要求3所述的网络劣化根因定位方法，其特征在于，所述获得所述目标组KPI所属的KPI类对应的根因，包括：获得所述目标组KPI中的每个目标KPI所属的目标KPI类；按照所述多级转移矩阵的转移顺序，获得至少以一当前目标KPI类的区间值为行标识和/或列标识的初始矩阵；对所述初始矩阵进行剪枝，自所述初始矩阵中剪除与除所述当前目标KPI类的其余KPI类相关的行列标识和元素；判断是否有未包含在所述初始矩阵中的剩余目标KPI类；若是，按照所述转移顺序，获得分别以所述剩余目标KPI类的区间值和剪枝后的所述初始矩阵中的元素为行列标识的目标矩阵；若否，以剪枝后的所述初始矩阵作为所述目标矩阵；以及根据每个所述目标KPI的指标值落入的目标KPI类的区间值确定目标区间值组合，自所述目标矩阵中获得所述目标区间值组合对应的根因。5.如权利要求1所述的网络劣化根因定位方法，其特征在于，所述根据网络劣化数据时，还获得筛选出的每个KPI的指标值；所述根据所述剩余KPI与所述根因的偏离度，包括：通过所述根因拟合所述剩余KPI，获得每个所述剩余KPI相对于每个所述根因的拟合值；
根据偏离度计算公式d＝(y
‑
r)/r，获得每个所述剩余KPI与每个所述根因之间的偏离度；所述偏离度计算公式中，d为一剩余KPI与一根因之间的偏离度，y为该剩余KPI相对于该根因的拟合值，r为该剩余KPI的指标值。6.如权利要求5所述的网络劣化根因定位方法，其特征在于，所述获得每个所述剩余KPI相对于每个所述根因的拟合值，包括：获得每个所述根因的根因值，一根因的根因值为与该根因匹配的KPI类中的置信度最高的KPI对应的指标值；根据拟合公式y＝(k+α(x)δ)
·
x+(m+α(x)γ)，计算每个所述剩余KPI相对于每个所述根因的拟合值；所述拟合公式为分段线性函数，所述拟合公式中，x为一根因的根因值，k为所述根因的根因值对应的当前分段线性部分的斜率，δ为所述当前分段线性部分的斜率的变化量，α(x)为所述当前分段线性部分的系数，m为所述当前分段线性部分的偏置值，γ为所述当前分段线性部分的边界值，y为一剩余KPI相对...

【专利技术属性】
技术研发人员：陈晓芳，张儒申，李雪，左扬，邓丽君，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：