CN119420639A 通信网络运维故障定位追踪方法及系统 （江苏即煜科技有限公司）

经济开发区海港新城黄海路西侧、连本发明提供通信网络运维故障定位追踪方2采集多个通信网络设备的历史运行数据，所述历史运行数据包括网据所述故障特征知识库建立包含故障定位规则和故障传播路径的故接收所述通信网络设备实时上报的运行数据，所述运行数据包基于所述故障传播路径，采用图遍历算法对故障设备的上2.根据权利要求1所述的方法，其特征在于，基于所述历史运行数据训练深度学习模获取通信网络设备的历史运行数据，所述历史运行数据包括采用长短时记忆网络对所述数据输入矩阵进行时序特征提取，所采用多层感知机对所述时序模式特征进行指标相关性学习，所述多述多层感知机的最后一层全连接层采用归一化指数函数进行归一化处理，得到归一化特将所述时序模式特征与所述归一化特征进行特征融合，通过降维采用关联规则挖掘算法分析所述故障特征向量之间的关联模式，3在通信网络设备上部署采集代理，通过简单网络管所述采集代理根据所述通信网络设备的负载状态动态调整采样采用基于时间窗口的数据对齐算法对所述预处理数据进行对齐处理；对所述预处理数据进行标准化处理，使用十分钟的滑动时间窗口构建取的时序特征与所述多头自注意力层加权后的特通过全连接层将融合后的特征映射到六十四维特征空间，生成实时采用基于马氏距离的异常检测算法对所述实时故障特征向量进行异计算实时故障特征向量与故障特征知识库中历史故障特4将所述故障特征知识库中的所述历史故障特征向量按照所述综合相似度得分进行降故障类型在历史数据中的出现频率计算每个所述候选故障类型的将所述综合相似度得分和所述出现频率输入支持向量机分类器型的概率预测值；当最高置信度的所述候选故障类型的所述置信度超过预设置信度阈值基于网络拓扑信息构建物理层传播图，所述物理层传播图的节点表示通信网络设备，基于业务调用链和资源共享信息构建业务层传播图，所述将所述当前故障类型映射到所述物理层传播图和所述业务层传播图中的源改进的广度优先搜索算法在所述物理层传播图和所述业务层传播图中并行进行故障传播维护优先级队列，基于危险系数对传播路径进行优先级排序；基于采用深度优先搜索方法向故障设备的上游设备方向遍历，通过维护访采用sigmoid函数将所述异常指标数量映射到零到一区间得到指标异常得分；采用层采用分段函数模型处理故障持续时间，对短期故障线性增长，对中将所述指标异常得分、所述告警等级权重与所述时间衰减因子5基于设备间物理连接关系对所述故障概率得分进行调整，串联关系建立设备故障概率的时间序列，当某个设备的所述故障概率得分持续上升时触发预建立故障概率得分的时序分析模型，计算各设备节点故将历史处理方案的执行过程建模为状态_动作序列，通过Q_learning算法学习最优处知识库中提取与所述故障根因设备匹配度最高的故障处理方案；第一单元，用于采集多个通信网络设备的历史运行数第二单元，用于接收所述通信网络设备实时上报的运6第三单元，用于基于所述故障传播路径，采用图遍历算法对其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至67采集多个通信网络设备的历史运行数据，所述历史运行数据包括网络流量数据、特征向量；将所述故障特征向量与对应的故障处理方案关联存储形成所述故障特征知识接收所述通信网络设备实时上报的运行数据，所述运行数据包括网络流量数据、设备性能指标数据和告警日志数据；利用所述深度学习模型对所述运行数据进行特征提基于所述故障传播路径，采用图遍历算法对故障设备的上下游设备进行依次分级和故障持续时间进行加权计算；将故障概率得分最高的设备节点确定为故障根因设备；8建立包含故障定位规则和故障传播路径的故障化故障传播模型包含物理连接关系和业务依赖[0008]接收所述通信网络设备实时上报的运行数据，所述运行数据包括网络流量数据、设备性能指标数据和告警日志数据；利用所述深度学习模型对所述运行数据进行特征提9对所述预处理数据进行标准化处理，使用十分钟的滑动时间窗口构建数据批次；络提取的时序特征与所述多头自注意力层加权后的通过全连接层将融合后的特征映射到六十四维特征空间，生成实时故障特征向[0009]将所述实时故障特征向量与所述故障特征知识库中的故障特征向量进行相似度将所述故障特征知识库中的所述历史故障特征向量按照所述综合相似度得分进候选故障类型在历史数据中的出现频率计算每个所述候选故障类型的置播延迟参数表示故障从源业务传播到目标业将所述当前故障类型映射到所述物理层传播图和所述业务层传播图中的源节点；采用改进的广度优先搜索算法在所述物理层传播图和所述业务层传播图中并行进行故障[0010]基于所述故障传播路径，采用图遍历算法对故障设备的上下游设备进行依次分采用sigmoid函数将所述异常指标数量映射到零到一区间得到指标异常得分；采业务依赖关系构建贝叶斯网络，通过后向推理算法评估每个设备作为故障根因的概率分将历史处理方案的执行过程建模为状态_动作序列，通过Q_learning算法学习最特征知识库中提取与所述故障根因设备匹配度最高的故障根因设备；从所述故障特征知识库中提取与所述故障根因设备对应的故障处理方案；[0021]图1为本发明实施例通信网络运维故障定位追踪方法的流等级和故障持续时间进行加权计算；将故障概率得分最高的设备节点确定为故障根因设[0028]根据故障处理模型分析确定的故障类型对应的故障传播路径，确定故障影响范[0039]在一种可选的实施方式中,基特征向量；将所述故障特征向量与对应的故障处理方案关联存储形成所述故障特征知识库；根据所述故障特征知识库建立包含故障定位规则和故障传播路径的故障处理模型包化故障传播模型包含物理连接关系和业务依赖[0053]在一种可选的实施方式中,接收所述通信对所述预处理数据进行标准化处理，使用十分钟的滑动时间窗口构建数据批次；络提取的时序特征与所述多头自注意力层加权后的通过全连接层将融合后的特征映射到六十四维特征空间，生成实时故障特征向[0062]通过全连接层将融合后的特征映射到六十四维特征空间，生成实时故障特征向[0067]在一种可选的实施方式中,将所述实时故障特征将所述故障特征知识库中的所述历史故障特征向量按照所述综合相似度得分进候选故障类型在历史数据中的出现频率计算每个所述候选故障类型的置播延迟参数表示故障从源业务传播到目标业将所述当前故障类型映射到所述物理层传播图和所述业务层传播图中的源节点；采用改进的广度优先搜索算法在所述物理层传播图和所述业务层传播图中并行进行故障1.提高故障诊断的准确性和效率：通过结合多种相似度度量方法和机器学习技[0082]在一种可选的实施方式中,基于所述故障采用sigmoid函数将所述异常指标数量映射到零到一区间得到指标异常得分；采[0092]系统引入时间衰减因子，使较早发生的告警信息对当前故障概率的影响逐步减[0095]系统基于设备间物理连接关系对故障概率得分进行调整[0102]在一种可选的实施方式中,将故障概率得分最高的设备节点确定为故障根因设业务依赖关系构建贝叶斯网络，通过后向推理算法评估每个设备作为故障根因的概率分结果与故障概率得分进行加权融合确定故障将历史处理方案的执行过程建模为状态_动作序列，通过Q_learning算法学习最特征知识库中提取与所述故障根因设备匹配度最高的器A的CPU利用率在上午9:00开始持续上升，而服务器B的CPU利用率在上午9:05开始上升，[0115]3.实现