System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种多模场域网的故障诊断方法及快速恢复方法,属于通信网络。
技术介绍
1、多模深度覆盖场域网被称为“多模式,深覆盖场域网”,是一种以无线与电力线载波为传输媒介,融合高速电力线载波、微功率无线、低功耗无线等通信方式,可扩展接入zigbee、蓝牙、wifi、lora等多种协议设备,实现深度覆盖的本地异构通信网络,支撑多样化的设备连接和服务需求,与传统的物联网技术相比,完全是一种全新的通信标准。但是在mucofan网络实际运行的过程中,会存在一定的故障,严重影响了网络的正常运行和用户的体验程度。因此为了解决此问题,相关人员要加强对mucofan网络故障原因的分析,提出针对性的解决措施,提高mucofan网络的应用效果。由于该网络特殊的组织形式,传统的网络故障管理模型无法适应mucofan网络环境,在拓扑变化或是管理节点失效情况下,传统的故障管理模型无法正常工作。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足,提供一种多模场域网的故障诊断方法及快速恢复方法,解决传统的故障管理模型无法适应mucofan网络环境的技术问题。
2、为达到上述目的,本专利技术是采用下述技术方案实现的:
3、第一方面,本专利技术提供了一种多模场域网的故障诊断方法,包括:
4、从多模场域网上获取各目标性能指标的实际值,并进行归一化处理;
5、将归一化处理后的所述实际值输入训练好的故障诊断模型,获取故障类型诊断结果;
6、其中,所述
7、从多模场域网仿真平台上获取多组故障数据,每组所述故障数据包括故障类型和各关键性能指标的仿真值;
8、对各组所述故障数据的各关键性能指标的仿真值进行归一化处理;
9、采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理,获取各目标性能指标;
10、将每组所述故障数据的故障类型和各目标性能指标的仿真值组成样本,并生成样本集;
11、将所述样本集按照预设比例划分成训练集、验证集和测试集;
12、通过所述训练集、验证集和测试集对所述故障诊断模型进行训练。
13、可选的,所述关键性能指标的种类包括参考信号接收质量、参考信号接收强度、网络平均丢包率、平均跳数、平均信噪比、网络吞吐量、在网节点数量、在网链路数量、网络冗余性、节点介数方差、网络平均时延、rrc 建立成功率、erab 建立成功率、掉话率、切换成功率、切换时延。
14、可选的,所述故障类型包括:
15、节点损坏故障,当前场域网中超过30%的节点损坏;
16、节点信号故障,当前场域网中超过30%的节点接收信号强度低于预设强度阈值;
17、链路中断故障,当前场域网中超过30%的链路中断;
18、网络拥塞故障,当前场域网中超过30%的节点持续发送数据量大于预设数据量阈值;
19、管理系统故障,管理系统参数配置错误。
20、可选的,所述采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理,获取各目标性能指标包括:
21、通过xgboost算法计算各关键性能指标的第一权重值,取所述第一权重值中的最大值记为,将满足的关键性能指标保留,生成第一预选集合;其中,为第个关键性能指标的第一权重值,为预设第一系数;
22、通过relief算法计算各关键性能指标的第二权重值,取所述第二权重值中的最大值记为,将满足的关键性能指标保留,生成第二预选集合;其中,为第个关键性能指标的第二权重值,为预设第二系数;
23、将同属于所述第一预选集合和所述第二预选集合的关键性能指标作为目标性能指标。
24、可选的,所述通过所述训练集、验证集和测试集对所述故障诊断模型进行训练包括:
25、构建基于cnn的第一故障诊断模型和基于gcn的第二故障诊断模型;
26、通过所述训练集和验证集分别对所述第一故障诊断模型和所述第二故障诊断模型进行训练和验证,获取训练好的第一故障诊断模型和第二故障诊断模型;
27、通过所述测试集分别对训练好的所述第一故障诊断模型和所述第二故障诊断模型进行测试,获取测试结果;
28、取测试结果优的训练好的所述第一故障诊断模型或所述第二故障诊断模型进行测试,作为训练好的故障诊断模型。
29、第二方面,本专利技术提供了一种多模场域网的故障诊断装置,所述装置包括:
30、数据预处理模块,用于从多模场域网上获取各目标性能指标的实际值,并进行归一化处理;
31、故障诊断模块,用于将归一化处理后的所述实际值输入训练好的故障诊断模型,获取故障类型诊断结果;
32、模型训练模块,用于训练所述故障诊断模型的训练,包括:
33、从多模场域网仿真平台上获取多组故障数据,每组所述故障数据包括故障类型和各关键性能指标的仿真值;
34、对各组所述故障数据的各关键性能指标的仿真值进行归一化处理;
35、采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理,获取各目标性能指标;
36、将每组所述故障数据的故障类型和各目标性能指标的仿真值组成样本,并生成样本集;
37、将所述样本集按照预设比例划分成训练集、验证集和测试集;
38、通过所述训练集、验证集和测试集对所述故障诊断模型进行训练。
39、第三方面,本专利技术提供了一种电子设备,包括处理器及存储介质;
40、所述存储介质用于存储指令;
41、所述处理器用于根据所述指令进行操作以执行根据上述方法的步骤。
42、第四方面,本专利技术提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
43、第五方面,本专利技术提供了一种多模场域网的故障快速恢复方法,包括:
44、构建多模场域网的故障快速恢复的知识图谱;
45、采用如上述的故障诊断方法,获取故障类型诊断结果;
46、将所述故障类型诊断结果带入所述知识图谱查找相应的故障产生原因和故障解决措施。
47、可选的,所述构建多模场域网的故障快速恢复的知识图谱包括:
48、获取多模场域网的网络信息,对所述网络信息进行知识抽取获取三元组数据;各所述三元组数据的结构为{实体1、关系、实体2},所述实体1为故障类型;所述关系为故障产生原因时,所述实体2为故障产生原因的内容;所述关系为故障解决措施时,所述实体2为故障解决措施的内容;
49、将各所述三元组数据转换为键值对形式:{实体1:[关系、实体2]},基于所述键值对将所述实体1和所述实体2作为知识图谱中的节点,将所述关系作为知识图谱中的边,生成知识图谱的拓扑结构。
50、与本文档来自技高网...
【技术保护点】
1.一种多模场域网的故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的多模场域网的故障诊断方法,其特征在于,所述关键性能指标的种类包括参考信号接收质量、参考信号接收强度、网络平均丢包率、平均跳数、平均信噪比、网络吞吐量、在网节点数量、在网链路数量、网络冗余性、节点介数方差、网络平均时延、RRC 建立成功率、ERAB 建立成功率、掉话率、切换成功率、切换时延。
3.根据权利要求1所述的多模场域网的故障诊断方法,其特征在于,所述故障类型包括:
4.根据权利要求1所述的多模场域网的故障诊断方法,其特征在于,所述采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理,获取各目标性能指标包括:
5.根据权利要求1所述的多模场域网的故障诊断方法,其特征在于,所述通过所述训练集、验证集和测试集对所述故障诊断模型进行训练包括:
6.一种多模场域网的故障诊断装置,其特征在于,所述装置包括:
7.一种电子设备,其特征在于,包括处理器及存储介质;
8.一种计算机可读存储介质,其上存储有
9.一种多模场域网的故障快速恢复方法,其特征在于,包括:
10.根据权利要求9所述的多模场域网的故障快速恢复方法,其特征在于,所述构建多模场域网的故障快速恢复的知识图谱包括:
...【技术特征摘要】
1.一种多模场域网的故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的多模场域网的故障诊断方法,其特征在于,所述关键性能指标的种类包括参考信号接收质量、参考信号接收强度、网络平均丢包率、平均跳数、平均信噪比、网络吞吐量、在网节点数量、在网链路数量、网络冗余性、节点介数方差、网络平均时延、rrc 建立成功率、erab 建立成功率、掉话率、切换成功率、切换时延。
3.根据权利要求1所述的多模场域网的故障诊断方法,其特征在于,所述故障类型包括:
4.根据权利要求1所述的多模场域网的故障诊断方法,其特征在于,所述采用特征选择算法对归一化处理后的各组所述故障数据的各关键性能指标的仿真值进行处理,获取...
【专利技术属性】
技术研发人员:陈美娟,赵欣然,朱晓荣,潘庆亚,喻昆,
申请(专利权)人:南京邮电大学,
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。