本发明专利技术实施例提供一种电信网络故障原因方法及装置，方法包括：获取目标电信网络设备在历史时间段发出的告警消息，对所有所述告警消息进行统计，获取所述告警消息的统计特征；将所有所述告警消息按照发出的时间先后顺序进行拼接，生成所述告警消息的时间序列；将所述告警消息的统计特征和时间序列输入基于注意力机制的神经网络模型中，输出所述目标电信网络设备属于每种预设故障原因的概率，将最大概率对应的所述预设故障原因作为所述目标电信网络设备的故障原因。本发明专利技术实施例可以快速准确定位目标电信网络设备的故障原因，提升运维效率，缩短故障处理时长。缩短故障处理时长。缩短故障处理时长。
【技术实现步骤摘要】
电信网络故障原因定位方法及装置
[0001]本专利技术属于网络运维
，尤其涉及一种电信网络故障原因定位方法及装置。
技术介绍
[0002]网络故障原因定位是电信运营商日常网络运维的主要工作内容，其中最核心的工作就是运维工程师通过查询各类故障告警消息，判断故障发生的主要原因，例如硬件原因、软件原因、市电原因和传输原因等，并进行相应的故障处理。
[0003]传统的故障原因定位方法主要为被动应对，依靠运维人员的人工经验，通过对伴随告警类型、板件设备状态、历史告警信息、动力环境数据、性能统计数据等信息的检查，并查询设备操作手册，从而定位告警原因，效率较低，且原因定位准确率不高。然后，一线运维人员基于告警原因进行初步分析，根据设备维护手册以及过往处理经验，制定运维方案。远端通过设备重启和参数重配置，现场通过设备更换和电池更换，最终实现故障排除，恢复服务。
[0004]当前，有些方案提出了采用告警时间关联、资源位置关联，或关联规则挖掘的方式进行故障原因定位。这些方案在一定程度上实现了自动化故障原因分析，部分解决了传统依据人工经验方式进行故障分析的弊端。
[0005]随着4G/5G网络建设规模越来越大，设备数量激增，网络结构也越来越复杂。每天面对海量的告警数据，传统的依靠运维工程师个人经验进行故障原因分析，已经不能满足复杂网络精准运维的需求。经常导致运维效率低下、客户感知较差、故障长时间无法恢复等问题。
[0006]虽然采用告警时间关联、资源位置关联，或关联规则挖掘的方式进行故障原因定位，这在一定程度上实现了自动化的故障原因预判。但这些方案不能从根本上分析海量原始告警特征和真实故障原因之间的因果关系。仅通过简单的关联规则进行故障原因推断，仍然存在着关联规则数量过大，规则不准确等问题，还需要设备专家对规则进行逐一确认和有效性分析。
技术实现思路
[0007]为克服上述现有的故障原因定位方法定位效率低，定位不准确，需要设备专家的专业知识的问题或者至少部分地解决上述问题，本专利技术实施例提供一种电信网络故障原因定位方法及装置。
[0008]根据本专利技术实施例的第一方面，提供一种电信网络故障原因定位方法，包括：
[0009]获取目标电信网络设备在历史时间段发出的告警消息，对所有所述告警消息进行统计，获取所述告警消息的统计特征；
[0010]将所有所述告警消息按照发出的时间先后顺序进行拼接，生成所述告警消息的时间序列；
[0011]将所述告警消息的统计特征和时间序列输入基于注意力机制的神经网络模型中，输出所述目标电信网络设备属于每种预设故障原因的概率，将最大概率对应的所述预设故障原因作为所述目标电信网络设备的故障原因；
[0012]其中，所述基于注意力机制的神经网络模型根据电信网络设备样本发出的告警消息和所述电信网络设备样本的实际故障原因进行训练获取。
[0013]具体地，将所述告警消息的统计特征和时间序列输入基于注意力机制的神经网络模型中，输出所述目标电信网络设备属于每种预设故障原因的概率的步骤之前还包括：
[0014]获取所述电信网络设备样本发出的告警信息和所述电信网络设备样本的故障工单；
[0015]将所述故障工单中电信网络设备样本的实际故障原因和告警信息进行关联；
[0016]将关联的电信网络设备样本的实际故障原因和告警信息作为一个样本对，对所述基于注意力机制的神经网络模型进行训练。
[0017]具体地，将所述故障工单中电信网络设备样本的实际故障原因和告警信息进行关联的步骤包括：
[0018]对于所述故障工单中的任一条记录，筛选出与该条记录具有相同电信网络设备样本的编号且发出时间与该条记录中的工单派发时间之间的间隔在预设范围内的告警信息；
[0019]将该条记录中电信网络设备样本的实际故障原因和筛选出的告警信息进行关联。
[0020]具体地，对所有所述告警消息进行统计，获取所述告警消息的统计特征的步骤包括：
[0021]根据所述告警消息的告警标题，统计每种所述告警标题对应的告警消息的条数；
[0022]根据所述告警消息发出的时间，确定所述目标电信网络设备发生故障的季度、月份、周、日、星期和是否节假日中的一项或多项时间特征；
[0023]将所述目标电信网络设备的编号、每种所述告警标题对应的告警消息的条数和所述时间特征作为所述告警信息的统计特征。
[0024]具体地，将所述告警消息的统计特征和时间序列输入基于注意力机制的神经网络模型中，输出所述目标电信网络设备属于每种预设故障原因的概率的步骤包括：
[0025]将所述告警消息的统计特征输入所述基于注意力机制的神经网络模型中的第一分支，获取所述统计特征的注意力向量；
[0026]将所述告警消息的时间序列输入所述基于注意力机制的神经网络模型中的第二分支，获取所述时间序列的注意力向量；
[0027]使用所述基于注意力机制的神经网络模型中的融合层对所述统计特征的注意力向量和所述时间序列的注意力向量进行融合；
[0028]将融合结果输入所述基于注意力机制的神经网络模型中的第一全连接层后，经过所述基于注意力机制的神经网络模型中的激活层，获取所述目标电信网络设备属于每种预设故障原因的概率。
[0029]具体地，将所述告警消息的统计特征输入所述基于注意力机制的神经网络模型中的第一分支，获取所述统计特征的注意力向量的步骤包括：
[0030]基于所述第一分支中的标准化层对所述统计特征进行标准化；
[0031]基于所述第一分支中的第二全连接层对标准化后的所述统计特征进行特征提取
和变换；
[0032]基于所述第一分支中的注意力层对所述第二全连接层的输出进行权重分配，获取所述统计特征的注意力向量。
[0033]具体地，将所述告警消息的时间序列输入所述基于注意力机制的神经网络模型中的第二分支，获取所述时间序列的注意力向量的步骤包括：
[0034]基于所述第二分支中的词向量层将所述告警消息的时间序列转换为词向量；
[0035]基于所述第二分支中的循环神经网络层对所述词向量进行特征提取和变换；
[0036]基于所述第二分支中的注意力层对所述循环神经网络层的输出进行权重分配，获取所述时间序列的注意力向量。
[0037]具体地，基于所述第一分支中的注意力层对所述第二全连接层的输出进行权重分配，获取所述统计特征的注意力向量的步骤包括：
[0038]根据所述全连接层输出的统计特征和所述注意力层中的查询向量，计算所述统计特征的注意力分布；
[0039]将所述统计特征的注意力分布和所述第二全连接层输出的统计特征和进行相乘，获取所述统计特征的注意力向量。
[0040]根据本专利技术实施例第二方面提供一种电信网络故障原因定位装置，包括：
[0041]统计模块，用于获取目标电信网络设备在历史时间段发出的告警消息，对所有所述告警消息进行统计，获取所述告警本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电信网络故障原因定位方法，其特征在于，包括：获取目标电信网络设备在历史时间段发出的告警消息，对所有所述告警消息进行统计，获取所述告警消息的统计特征；将所有所述告警消息按照发出的时间先后顺序进行拼接，生成所述告警消息的时间序列；将所述告警消息的统计特征和时间序列输入基于注意力机制的神经网络模型中，输出所述目标电信网络设备属于每种预设故障原因的概率，将最大概率对应的所述预设故障原因作为所述目标电信网络设备的故障原因；其中，所述基于注意力机制的神经网络模型根据电信网络设备样本发出的告警消息和所述电信网络设备样本的实际故障原因进行训练获取。2.根据权利要求1所述的电信网络故障原因定位方法，其特征在于，将所述告警消息的统计特征和时间序列输入基于注意力机制的神经网络模型中，输出所述目标电信网络设备属于每种预设故障原因的概率的步骤之前还包括：获取所述电信网络设备样本发出的告警信息和所述电信网络设备样本的故障工单；将所述故障工单中电信网络设备样本的实际故障原因和告警信息进行关联；将关联的电信网络设备样本的实际故障原因和告警信息作为一个样本对，对所述基于注意力机制的神经网络模型进行训练。3.根据权利要求2所述的电信网络故障原因定位方法，其特征在于，将所述故障工单中电信网络设备样本的实际故障原因和告警信息进行关联的步骤包括：对于所述故障工单中的任一条记录，筛选出与该条记录具有相同电信网络设备样本的编号且发出时间与该条记录中的工单派发时间之间的间隔在预设范围内的告警信息；将该条记录中电信网络设备样本的实际故障原因和筛选出的告警信息进行关联。4.根据权利要求1所述的电信网络故障原因定位方法，其特征在于，对所有所述告警消息进行统计，获取所述告警消息的统计特征的步骤包括：根据所述告警消息的告警标题，统计每种所述告警标题对应的告警消息的条数；根据所述告警消息发出的时间，确定所述目标电信网络设备发生故障的季度、月份、周、日、星期和是否节假日中的一项或多项时间特征；将所述目标电信网络设备的编号、每种所述告警标题对应的告警消息的条数和所述时间特征作为所述告警信息的统计特征。5.根据权利要求1所述的电信网络故障原因定位方法，其特征在于，将所述告警消息的统计特征和时间序列输入基于注意力机制的神经网络模型中，输出所述目标电信网络设备属于每种预设故障原因的概率的步骤包括：将所述告警消息的统计特征输入所述基于注意力机制的神经网络模型中的第一分支，获取所述统计特征的注意力向量；将所述告警消息的时间序列输入所述基于注意力机制的神经网络模型中的第二分支，获取所述时间序列的注意力向量；使用所述基于注意力机制的神经网...
【专利技术属性】
技术研发人员：高鹏，王西点，王磊，徐晶，周胜，王军，高峰，贾子寒，聂臻霖，王亚楠，石铎，陶雨，闫渊，薛阳，
申请(专利权)人：中国移动通信集团有限公司，
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。