【技术实现步骤摘要】
本专利技术涉及通讯，尤其涉及一种5g网元服务故障的预测方法、系统、及存储介质。
技术介绍
1、5g核心网是5g移动通信网络中的重要组成部分，而核心网中的各个网元又是核心网的重要组成部分，负责连接各个无线基站和用户终端，并提供核心业务功能，如呼叫控制、短信、数据传输等。但是由于组网复杂等原因，5g核心网在维护过程中面临着许多挑战。一方面用户对网络的依赖性越来越强，网络的要求越来越高；另一方面5g核心网网元类型较多、组网复杂，造成了5g核心网故障问题定位耗时较长，因此对5g核心网网元故障进行预测显得至关重要。
2、传统的核心网保障方式主要是通过人工对核心网网元和链路进行定期的维护和巡检以及对核心网设备、链路、流量等进行实时监控，通过采集网元某个单一指标值与设置的固定告警阈值进行对来进行相应的网元故障预测。然而单一指标不能全面反映核心网的整体运行情况，且固定阈值使得网络感知度较差，导致核心网网元的故障不能被及时预测和发现。
技术实现思路
1、本专利技术公开了一种5g网元服务故障的预测方法、系统、及存储介质，通过本专利技术能够多指标全面地对网元故障情况进行分析，并及时获取网元不同故障发生的可能性。
2、为了解决上述技术问题，本专利技术实施例提供了一种5g网元服务故障的预测方法，所述方法包括：
3、从网元日志中采集网元相关数据；
4、将所述网元相关数据进行标注，并将标注完的网元相关数据输入至预设的rnn模型中进行特征值提取，得到特征值样本；p>
5、通过将所述特征值样本输入至k-means算法中进行聚类分析，使得不同的特征值样本划分到不同的簇中最终得到聚类簇；
6、通过计算每个聚类簇中特征值样本之间的平均距离得到对应的簇密度，并根据簇密度为每个聚类簇配置簇权重，得到加强簇；
7、将所述加强簇作为训练数据集输入至预设的支持向量机svm中进行模型训练得到的训练模型，并作为网元故障预测模型；
8、采集待测网元数据输入至所述网元故障预测模型进行故障预测，得到故障预测结果，再将所述故障预测结果进行加权累加得到网元判定结果；其中，所述网元判定结果包括网元故障类型及对应的故障概率。
9、优选地，所述将所述网元相关数据进行标注，并将标注完的网元相关数据输入至预设的rnn模型中进行特征值提取，得到特征值样本，具体包括：
10、将所述网元相关数据按不同序列进行分组并标注，得到序列数据；
11、按照时间顺序将所述序列数据输入至所述rnn模型中进行前向传播，得到最后时间步的隐藏状态；
12、根据最后时间步的隐藏状态输出特征提取结果，并将所述特征提取结果作为特征值样本；
13、其中，所述向前传播为根据当前时间步的输入和前一时刻的隐藏状态，计算当前时间步的隐藏状态；更新当前时间步的隐藏状态，根据当前时间步的隐藏状态计算当前时间步的输出，并将当前时间步的输出作为下一个时间步的输入，直到计算出最后时间步的隐藏状态为止。
14、优选地，所述通过将所述特征值样本输入至k-means算法中进行聚类分析，使得不同的特征值样本划分到不同的簇中最终得到聚类簇，具体包括：
15、在所述特征值样本中随机选择k个不同质心作为聚类中心；
16、将所有特征提取样本分配至最近的聚类中心，并将属于同一个聚类中心的特征值样本设置为一个簇，得到k个簇；
17、计算每个簇中特征值样本到本簇聚类中心的平均距离，并根据所述平均距离确定新质心；
18、将新质心作为聚类中心，重新将所有特征提取样本分配至最近的聚类中心，并重新确定新的质心，直到计算得到的所有新质心不再发生变化为止，将最终得到的簇作为聚类簇；其中，所述新质心是到簇中所有特征值样本平均距离最小的质心。
19、优选地，所述通过计算每个聚类簇中特征值样本之间的平均距离得到对应的簇密度，并根据簇密度为每个聚类簇配置簇权重，得到加强簇，具体包括：
20、计算每个聚类簇中特征值样本之间的曼哈顿距离d；
21、根据聚类簇中特征值样本之间的曼哈顿距离d计算出平均距离，并根据所述平均距离确定簇密度；
22、根据所述簇密度通过预设的逆函数确定每个聚类簇的权重值；
23、将完成权重值配置的聚类簇作为加强簇。
24、优选地，所述采集待测网元数据输入至所述网元故障预测模型进行故障预测，得到故障预测结果，再将所述故障预测结果进行加权累加得到网元判定结果，具体包括：
25、采集待测网元数据输入至所述网元故障预测模型；
26、通过所述网元故障预测模型将所述待测网元故障数据分配到不同聚类簇中；
27、根据待测网元数据比重和对应聚类簇的簇权重，计算得到网元判定结果；其中，所述待测网元数据比重为分配到对应聚类簇中的待测网元数据占所有待测网元数据的百分比。
28、优选地，所述网元相关数据至少包括网元运行数据和网元告警数据。
29、本专利技术公开了一种5g网元服务故障的预测方法，包括：从网元日志中采集网元相关数据并进行标注，将标注完的数据输入至rnn模型中进行特征值提取，得到特征值样本；通过将特征值样本输入至k-means算法中进行聚类分析，最终得到聚类簇；计算每个聚类簇中特征值样本之间的平均距离得到对应的簇密度，并根据簇密度为每个聚类簇配置簇权重，得到加强簇；将加强簇作为训练数据集输入至预设的支持向量机svm中进行模型训练得到的网元故障预测模型；采集待测网元数据输入至网元故障预测模型进行故障预测，得到故障预测结果，再将故障预测结果进行加权累加得到网元判定结果。首先，通过将网元相关数据进行标注和特征值提取，并将提取好的特征值样本输入至k-means算法进行聚类分析，得到表示不同网元状态的簇，其次，计算了簇密度用于表示簇中特征值样本的紧密程度，并根据簇密度来配置簇权重获取加强簇；然后，再将加强簇作为训练训练样本训练出网元故障预测模型；最后，通过预测模型将待测的网元相关数据进行预测分析，得到网元判定结果；因此，本专利技术能够多指标全面地对网元故障情况进行分析。
30、为了解决上述问题，本专利技术还公开了一种5g网元服务故障的预测系统，所述系统包括：
31、数据采集模块、用于从网元日志中采集网元相关数据；
32、特征提取模块，用于将所述网元相关数据进行标注，并将标注完的网元相关数据输入至预设的rnn模型中进行特征值提取，得到特征值样本；
33、数据分析模块，用于通过将所述特征值样本输入至k-means算法中进行聚类分析，使得不同的特征值样本划分到不同的簇中最终得到聚类簇；
34、权重配置模块，用于通过计算每个聚类簇中特征值样本之间的平均距离得到对应的簇密度，并根据簇密度为每个聚类簇配置簇权重，得到加强簇；
35、训练模块，用于将所述加强簇作为训练数据集输入至预设的支持向量机svm中进行模型训练本文档来自技高网...
【技术保护点】
1.一种5G网元服务故障的预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种5G网元服务故障的预测方法，其特征在于，所述将所述网元相关数据进行标注，并将标注完的网元相关数据输入至预设的RNN模型中进行特征值提取，得到特征值样本，具体包括：
3.如权利要求1所述的一种5G网元服务故障的预测方法，其特征在于，所述通过将所述特征值样本输入至K-means算法中进行聚类分析，使得不同的特征值样本划分到不同的簇中最终得到聚类簇，具体包括：
4.如权利要求1所述的一种5G网元服务故障的预测方法，其特征在于，所述通过计算每个聚类簇中特征值样本之间的平均距离得到对应的簇密度，并根据簇密度为每个聚类簇配置簇权重，得到加强簇，具体包括：
5.如权利要求1所述的一种5G网元服务故障的预测方法，其特征在于，所述采集待测网元数据输入至所述网元故障预测模型进行故障预测，得到故障预测结果，再将所述故障预测结果进行加权累加得到网元判定结果，具体包括：
6.如权利要求1所述的一种5G网元服务故障的预测方法，其特征在于，所述网元相关数据至少包
7.一种5G网元服务故障的预测系统，其特征在于，所述系统包括：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～6任一项所述的一种5G网元服务故障的预测方法。
...【技术特征摘要】
1.一种5g网元服务故障的预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种5g网元服务故障的预测方法，其特征在于，所述将所述网元相关数据进行标注，并将标注完的网元相关数据输入至预设的rnn模型中进行特征值提取，得到特征值样本，具体包括：
3.如权利要求1所述的一种5g网元服务故障的预测方法，其特征在于，所述通过将所述特征值样本输入至k-means算法中进行聚类分析，使得不同的特征值样本划分到不同的簇中最终得到聚类簇，具体包括：
4.如权利要求1所述的一种5g网元服务故障的预测方法，其特征在于，所述通过计算每个聚类簇中特征值样本之间的平均距离得到对应的簇密度，并根据簇密度为每个聚类簇配置簇权重，得到加强簇，...
【专利技术属性】
技术研发人员：肖成，邱涛，邓懿，赵晓军，
申请(专利权)人：广州广哈通信股份有限公司，
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。