【技术实现步骤摘要】
本专利技术涉及通信，尤其涉及一种故障处理方法、装置、设备、存储介质及计算机程序产品。
技术介绍
1、随着4g、5g业务量呈指数增长，网络故障出现的频次也随之增加，故障的了类型也更加的多样化，面对海量的网络数据，网络运维人工实施也愈加困难，不仅周期长而且成本也愈来愈高，针对此种局面，网络运维系统进行了业务转型和优化，基于人工智能神经网络模型，搭建起了一套以小区的上行吞吐量数据为核心的无线知识图谱，以上行分组数据汇聚协议(packet data convergence protocol，pdcp)层吞吐量、上行介质访问控制(mediumaccess control，mac)层吞吐量、上行服务数据适配协议(service data adaptationprotocol，sdap)层吞吐量、上行无线链路控制(radio link control，rlc)层吞吐量、上行物理层吞吐量构成的子图谱为分支，形成一套自动化网络异常排查系统，针对不同的网络故障，根据故障与图谱中节点参数的关系进行追因溯源，定位到引发异常的最终关键业绩(key performance indicator，kpi)指标，通过调节kpi指标值使网络恢复正常。
2、但是，上述方式在上行吞吐量异常时，直接把异常前的连续10分钟上行吞吐量均值作为标签，而异常前的连续10分钟上行吞吐量均值作为模型的预测值训练出来的kpi指标值就会比较失真，导致即使调整后网络也无法恢复正常。
技术实现思路
1、本专利技术的主要目的在于提供
2、为实现上述目的，本专利技术提供一种故障处理方法，所述故障处理方法包括：
3、将关键业绩指标作为发射模型的输入，通过所述发射模型预测小区的实际上行吞吐量，并将外界环境因素作为需求模型的输入，通过所述需求模型预测所述小区的所需上行吞吐量；
4、在所述实际上行吞吐量出现异常时，将所述所需上行吞吐量作为所述发射模型的预测值标签对所述异常对应的关键业绩指标进行优化。
5、可选地，所述在所述实际上行吞吐量出现异常时，将所述所需上行吞吐量作为所述发射模型的预测值标签对所述异常对应的关键业绩指标进行优化，包括：
6、在所述实际上行吞吐量出现异常时，将所述所需上行吞吐量作为所述发射模型的预测值标签；
7、根据无线知识图谱定位到与所述异常相关的可调关键业绩指标；
8、将所述可调关键业绩指标作为训练参数，并固定其他关键业绩指标和所有指标的权重，通过粒子群优化算法以所述发射模型作为适应度函数优化所述可调关键业绩指标。
9、可选地，所述通过粒子群优化算法以所述发射模型作为适应度函数优化所述可调关键业绩指标，包括：
10、设置种群粒子个数和迭代次数，并以所述可调关键业绩指标的个数作为粒子的位置与速度的向量维度，以所述发射模型作为适应度函数；
11、初始化每个粒子的位置和速度，并将每个粒子的位置特征向量输入到适应度函数，计算每个粒子的适应度和位置，并将所有粒子中适应度最小值作为全局最佳适应度值，全局最佳适应度值对应粒子的位置作为全局最佳位置；
12、更新每个粒子的位置和速度，并返回将每个粒子的位置特征向量输入到适应度函数，计算每个粒子的适应度和位置，并将所有粒子中适应度最小值作为全局最佳适应度值，全局最佳适应度值对应粒子的位置作为全局最佳位置的步骤，直至迭代次数大于阈值，获得最终输出的全局最佳位置；
13、根据所述最终输出的全局最佳位置优化所述可调关键业绩指标。
14、可选地，所述将关键业绩指标作为发射模型的输入，通过所述发射模型预测小区的实际上行吞吐量，并将外界环境因素作为需求模型的输入，通过所述需求模型预测所述小区的所需上行吞吐量之后，还包括：
15、将所述实际上行吞吐量与所述小区的上行吞吐量监测值进行数值比较，并将所述所需上行吞吐量与所述小区的上行吞吐量监测值进行数值比较，所述实际上行吞吐量和所述所需上行吞吐量的预测频率与所述上行吞吐量监测值的采样频率相同；
16、在预设周期内所述实际上行吞吐量与所述上行吞吐量监测值的累计误差大于预设阈值时，对所述发射模型进行训练；
17、在预设周期内所述所需上行吞吐量与所述上行吞吐量监测值的累计误差大于预设阈值时，对所述需求模型进行训练。
18、可选地，所述需求模型包括：第一dense层、mlp层以及第二dense层，所述对所述需求模型进行训练，包括：
19、通过第一dense层对输入的特征向量进行处理，获得第一dense层输出的特征；
20、将第一dense层输出的特征输入到mlp层对数据进行深层次的分析、理解以及学习，获得mlp层输出的特征；
21、将第一dense层输出的特征与mlp层输出的特征相加，并将相加后的特征输入到第二dense层，获得需求模型对上行吞吐量的预测值；
22、根据需求模型对上行吞吐量的预测值和小区实际的上行吞吐量计算需求模型的损失函数，并根据需求模型的损失函数调整需求模型的神经网络参数。
23、可选地，所述发射模型包括bert模型、mlp层以及dense层，所述对所述发射模型进行训练，包括：
24、通过bert模型对输入的特征向量进行处理，获得bert模型输出的特征；
25、将bert模型输出的特征输入到mlp层进行分析，获得mlp层输出的特征；
26、将bert模型输出的特征与mlp层输出的特征相加，并将相加后的特征输入到dense层，获得发射模型对上行吞吐量的预测值；
27、根据发射模型对上行吞吐量的预测值和小区实际的上行吞吐量计算发射模型的损失函数，并根据发射模型的损失函数调整发射模型的神经网络参数。
28、此外，为实现上述目的，本专利技术还提出一种故障处理装置，所述故障处理装置包括：
29、预测模块，用于将关键业绩指标作为发射模型的输入，通过所述发射模型预测小区的实际上行吞吐量，并将外界环境因素作为需求模型的输入，通过所述需求模型预测所述小区的所需上行吞吐量；
30、优化模块，用于在所述实际上行吞吐量出现异常时，将所述所需上行吞吐量作为所述发射模型的预测值标签对所述异常对应的关键业绩指标进行优化。
31、此外，为实现上述目的，本专利技术还提出一种故障处理设备，所述故障处理设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的故障处理程序，所述故障处理程序配置为实现如上文所述的故障处理方法。
32、此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上本文档来自技高网...
【技术保护点】
1.一种故障处理方法，其特征在于，所述故障处理方法包括：
2.如权利要求1所述的故障处理方法，其特征在于，所述在所述实际上行吞吐量出现异常时，将所述所需上行吞吐量作为所述发射模型的预测值标签对所述异常对应的关键业绩指标进行优化，包括：
3.如权利要求2所述的故障处理方法，其特征在于，所述通过粒子群优化算法以所述发射模型作为适应度函数优化所述可调关键业绩指标，包括：
4.如权利要求1至3中任一项所述的故障处理方法，其特征在于，所述将关键业绩指标作为发射模型的输入，通过所述发射模型预测小区的实际上行吞吐量，并将外界环境因素作为需求模型的输入，通过所述需求模型预测所述小区的所需上行吞吐量之后，还包括：
5.如权利要求4所述的故障处理方法，其特征在于，所述需求模型包括：第一DENSE层、MLP层以及第二DENSE层，所述对所述需求模型进行训练，包括：
6.如权利要求4所述的故障处理方法，其特征在于，所述发射模型包括BERT模型、MLP层以及DENSE层，所述对所述发射模型进行训练，包括：
7.一种故障处理装置，其特征
8.一种故障处理设备，其特征在于，所述故障处理设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的故障处理程序，所述故障处理程序被所述处理器执行时实现如权利要求1至6中任一项所述的故障处理方法。
9.一种存储介质，其特征在于，所述存储介质上存储有故障处理程序，所述故障处理程序被处理器执行时实现如权利要求1至6中任一项所述的故障处理方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括故障处理程序，所述故障处理程序被处理器执行时实现如权利要求1至6中任一项所述的故障处理方法。
...【技术特征摘要】
1.一种故障处理方法，其特征在于，所述故障处理方法包括：
2.如权利要求1所述的故障处理方法，其特征在于，所述在所述实际上行吞吐量出现异常时，将所述所需上行吞吐量作为所述发射模型的预测值标签对所述异常对应的关键业绩指标进行优化，包括：
3.如权利要求2所述的故障处理方法，其特征在于，所述通过粒子群优化算法以所述发射模型作为适应度函数优化所述可调关键业绩指标，包括：
4.如权利要求1至3中任一项所述的故障处理方法，其特征在于，所述将关键业绩指标作为发射模型的输入，通过所述发射模型预测小区的实际上行吞吐量，并将外界环境因素作为需求模型的输入，通过所述需求模型预测所述小区的所需上行吞吐量之后，还包括：
5.如权利要求4所述的故障处理方法，其特征在于，所述需求模型包括：第一dense层、mlp层以及第二dense层，所述对所述需求模型...
【专利技术属性】
技术研发人员：朱伟，徐潇秋，郑康，叶鹏，柯建军，毕晓琳，贾松林，路秋瑞，
申请(专利权)人：中国移动紫金江苏创新研究院有限公司，
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。