一种电信业务的故障识别与定位的方法及系统的制作方法
【专利摘要】本发明提供了一种电信业务的故障识别与定位的方法及系统，所述方法包括：根据代表故障源的业务特征值和故障现象之间的相关系数，从样本数据中选择作为反向传递BP神经网络训练的业务特征值；为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器，并将弱分类器进行线性组合，得到对应的强分类器；按照各个业务特征值与故障现象之间的相关系数的大小顺序，将各个业务特征值对应的强分类器串联，并对串联后的强分类器进行训练，得到用于多故障源识别的层分类器；利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。本发明能够减少神经网络所需的训练样本量，提高故障检测实时性，并便于定位故障原因。
【专利说明】-种电信业务的故障识别与定位的方法及系统
【技术领域】
[0001] 本发明涉及电信网络中的核心网、网管及业务支撑领域，具体涉及一种电信业务 的故障识别与定位的方法及系统。
【背景技术】
[0002] 随着电信业和信息服务技术业的发展，电信业务量也快速增长，所发生的故障数 量也就会随之提升，这成为提升用户满意度、增强运营商公司的通信服务与用户之间的黏 性的一个巨大障碍。
[0003] 当前，解决故障的一个重要步骤是进行故障识别和定位，确定故障。这一步骤通常 的实现方法是：人工识别故障，即根据业务数据和维护工作人员的经验，判定哪个方面存在 故障，具体的判断的流程如下图1所示。
[0004] 图1中，0CS为在线计费系统（Online Charging System) ;HLR为归属位置寄存系 统（Host Location Register) ；B0SS % Business Operating Support System。上述三个 系统统称为业务系统。对业务系统运行过程中产生的数据进行采样，可以得到业务数据。当 业务系统出现故障时，当前的处理方式为：前台的客服人员收到客户提交的故障信息后，将 故障处理任务交给后台维护人员，后台维护人员根据客户和前台客服人员提供的信息来确 认故障，并定位故障的原因，然后解决问题。这是一种被动的、延迟的模式，即必须在客户投 诉后或者前台提供相关的报错信息时才能发现故障。显然，这种处理故障的方式就不会及 时，从而影响到客户的满意度，降低用户对运营商服务的认同度。
[0005] 神经网络又称为人工神经网络、神经计算，连接主义人工智能，并行分布处理等。 一个神经网络是一个由简单处理元构成的规模宏大的并行分布处理器，具有存储经验知识 和使之可用的特性。通过采用图2所示的神经网络，可以对故障进行实时检测，以缩短故障 发生时处理的时间。
[0006] 图2中，系统从0CS、HLR、B0SS和网络中采集的数据，通过神经网络输入层实时输 入到经过训练的神经网络中，根据预测的故障的种类，输出层的不同的输入神经元产生的 输入表明不同的系统故障。
[0007] 图1所示的采用人工识别的故障识别方式是一种被动的、延迟的模式，即必须在 客户投诉后或者前台有相关的报错时才去发现故障，那么这样处理故障就不会及时，从而 影响用户对服务的认同。而图2所示基于神经网络的故障检测模型则存在着以下问题：
[0008] (1)所有的故障都在一个神经网络中检测，导致用于训练的样本数据量极大，这阻 碍了该类模型的实用性。
[0009] 用于检测故障的神经网络的输入接入了所有系统运行数据，而输入则产生所有的 代表故障现象的故障信号。在训练时，任何一类现象的产生都需要所有的输入的数据，从输 入和输出的维度来看，要确定任何一类的故障所需要的样本数据量都极大，这使得要训练 好这样的一个检测神经网络需要大量的样本数据，这对于一个处于建设初期的故障检测系 统和才关注故障检测的运行机构来说，难度较大。
[0010] (2)对于训练好的神经网络来说，由于其结构复杂，同时要计算各类故障，导致计 算量大极具增大，这使得实时检测的延时较大。
[0011] 故障检测的目的在于尽量缩短故障的响应时间，因此，包括故障识别和故障定位 两个过程的故障检测的实时性非常重要。如果神经网络结构复杂，则需要计算的复杂度增 大，计算时间将延长，这将不利于缩短故障识别和故障定位的时间。
[0012] (3)用于识别和定位故障的检测神经网络没有在故障现象(输出）和故障原因(输 入）之间建立起明确的关系，这样导致不容易定位故障原因。
【发明内容】
[0013] 有鉴于此，本发明实施例的目的是提供一种电信业务的故障识别与定位的方法及 系统，能够减少神经网络所需的训练样本量，提高故障检测实时性，并便于定位故障原因。
[0014] 为解决上述技术问题，本发明实施例提供方案如下：
[0015] 本发明实施例提供了一种电信业务的故障识别与定位的方法，包括：
[0016] 根据代表故障源的业务特征值和故障现象之间的相关系数，从样本数据中选择相 关系数大于预设阈值的业务特征值，作为反向传递BP神经网络训练的业务特征值；
[0017] 为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器，并将所确 定的弱分类器进行线性组合，得到该业务特征值对应的一个强分类器；
[0018] 按照各个业务特征值与故障现象之间的相关系数的大小顺序，将各个业务特征值 对应的强分类器串联，并采用包括多故障源数据和故障现象的样本数据对串联后的强分类 器进行训练，得到用于多故障源识别的层分类器；
[0019] 利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障 识别及定位。
[0020] 进一步地，上述方案中，所述利用所述层分类器对电信业务过程中产生的业务数 据和/或网络数据进行故障识别及定位，包括：将电信业务过程中产生的业务数据和/或网 络数据输入所述层分类器，根据各个强分类器产生的输出，定位故障原因。
[0021] 进一步地，上述方案中，所述为已选择出的每个业务特征值确定一个基于BP神经 网络的弱分类器，包括：
[0022] 为已选择出的各个业务特征值，建立一个基于BP神经网络的弱分类器；
[0023] 采用预先得到的包含正反业务数据的样本数据组合，训练所述弱分类器识别单故 障源，直至达到预定的训练次数，得到训练后的弱分类器，其中，每执行一次训练后估算训 练目标误差，选择其中误差最小的分类器并降低该分类器的权值。
[0024] 进一步地，上述方案中，所述采用包括多故障源数据和故障现象的样本数据分别 对串联后的强分类器进行训练，得到用于多故障源识别的层分类器，包括：
[0025] 采用包括多故障源数据和故障现象的样本数据，对串联后的强分类器进行训练， 直至达到预定的训练次数，得到所述层分类器，其中，每执行一次训练后估算训练目标误 差，选择其中误差最小的分类器并降低该分类器的权值。
[0026] 进一步地，上述方案中，进一步选择与故障现象之间的相关系数大于预设阈值的 业务特征值，将所选择的业务特征值对应的强分类器进行所述串联。
[0027] 本发明实施例还提供了一种电信业务的故障识别与定位的系统，包括：
[0028] 特征值选取单元，用于根据代表故障源的业务特征值和故障现象之间的相关系 数，从样本数据中选择相关系数大于预设阈值的业务特征值，作为反向传递BP神经网络训 练的业务特征值；
[0029] 单故障源识别单元，用于为已选择出的每个业务特征值确定一个基于BP神经网 络的弱分类器，并将所确定的弱分类器进行线性组合，得到该业务特征值对应的一个强分 类器；
[0030] 多故障源识别单元，用于按照各个业务特征值与故障现象之间的相关系数的大小 顺序，将各个业务特征值对应的强分类器串联，并采用包括多故障源数据和故障现象的样 本数据对串联后的强分类器进行训练，得到用于多故障源识别的层分类器；
[0031] 业务处理单元，用于利用所述层分类器对电信业务过程中产生的业务数据和/或 网络数据进行故障识别及定位。
[0032] 进一步地，上述方案中，所述业务处理单元，进一步将电信业务过程中产生的业务 数据和/或网络数据输入所述层分类器，根据各个强分类器产生的输出，定位故障原因。
[0033] 进一步地，上述方案中，所述单故障源识别单元，进一步用于为已选择出的各个业 务特征值，建立一个基于BP神经网络的弱分类器；采用预先得到的包含正反业务数据的样 本数据组合，训练所述弱分类器识别单故障源，直至达到预定的训练次数，得到训练后的弱 分类器，其中，每执行一次训练后估算训练目标误差，选择其中误差最小的分类器并降低该 分类器的权值。
[0034] 进一步地，上述方案中，所述多故障源识别单元，进一步用于采用包括多故障源数 据和故障现象的样本数据，对串联后的强分类器进行训练，直至达到预定的训练次数，得到 所述层分类器，其中，每执行一次训练后估算训练目标误差，选择其中误差最小的分类器并 降低该分类器的权值。
[0035] 进一步地，上述方案中，所述多故障源识别单元，进一步用于选择与故障现象之间 的相关系数大于预设阈值的业务特征值，将所选择的业务特征值对应的强分类器进行所述 串联。
[0036] 从以上所述可以看出，本发明实施例提供的电信业务的故障识别与定位的方法及 系统，能够准确的识别出故障并定位，可以减少人为检查业务数据的工作量。本发明实施例 还具有训练样本量不大、故障检测实时性高和故障原因定位快速等优点。
【专利附图】
【附图说明】
[0037] 图1为现有技术中人工识别故障的示意图；
[0038] 图2为应用神经网络进行故障识别的示意图；
[0039] 图3为本发明实施例所述方法的流程示意图；
[0040] 图4为本发明实施例所述系统的结构示意图；
[0041] 图5为本发明实施例中的层叠神经网络集成结构的示意图；
[0042] 图6为本发明实施例提供的层分类器的结构示意图。
【具体实施方式】
[0043] 从现有的故障规避(故障解决）的经验来看，最容易降低用户满意度的环节，也是 最花费时间的环节是故障定位，即不能快速地找到故障的原因，把故障消除。因此，如果能 在短时间内能够识别到故障、定位故障，这将大大缩短解决故障的时间，提高用户的满意 度。同时，如果在故障现象和故障原因之间确立明确的关系，对于缩短故障解决时间，也具 有非常重要的意义。
[0044] 基于以上分析，本发明实施例提供了一种电信业务的故障识别与定位的方法及系 统，能够减少所需的训练样本量，提高故障检测实时性，并便于定位故障原因。本发明实施 例的方法，能够主动的去分析现有的业务数据或网络数据，从而能够发现故障，并快速确定 故障原因，以帮助维护人员快速地解决故障问题。这里，业务数据是从业务系统输出的数 据，网络数据是电信网络(如接入网、核心网等）运行过程中产生的数据。
[0045] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对 本发明进行详细描述。
[0046] 请参照图3,本发明实施例所述的电信业务的故障识别与定位的方法，包括以下步 骤：
[0047] 步骤31，根据代表故障源的业务特征值和故障现象之间的相关系数，从样本数据 中选择相关系数大于预设阈值的业务特征值，作为反向传递（BP, Back Propagation)神经 网络训练的业务特征值。
[0048] 本步骤中，通过相关系数对样本数据进行降维处理，选取合适的特征值进行后续 计算，以减少计算工作量，提高计算速度。
[0049] 步骤32,根据AdaBoost算法，为已选择出的每个业务特征值确定一个基于BP神经 网络的弱分类器，并将所确定的弱分类器进行线性组合，得到该业务特征值对应的一个强 分类器。
[0050] 本步骤中，为已选择出的各个业务特征值，建立一个基于BP神经网络的弱分类 器；采用预先得到的包含正反业务数据的样本数据组合，训练所述弱分类器识别单故障源， 直至达到预定的训练次数，得到训练后的弱分类器，其中，每执行一次训练后估算训练目标 误差，选择其中误差最小的分类器并降低该分类器的权值；然后，对训练后的弱分类器进行 线性的组合，得到一个强分类器。
[0051] 步骤33,按照各个业务特征值与故障现象之间的相关系数的大小顺序，将各个业 务特征值对应的强分类器串联，并采用包括多故障源数据和故障现象的样本数据对串联后 的强分类器进行训练，得到用于多故障源识别的层分类器。
[0052] 本步骤中，进一步选择与故障现象之间的相关系数大于预设阈值的业务特征值， 将所选择的业务特征值对应的强分类器进行所述串联。然后，通过采用包括多故障源数据 和故障现象的样本数据，对串联后的强分类器进行训练，直至达到预定的训练次数，得到所 述层分类器，其中，每执行一次训练后估算训练目标误差，选择其中误差最小的分类器并降 低该分类器的权值。
[0053] 步骤34,利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进 行故障识别及定位。
[0054] 本步骤中，通过将电信业务过程中产生的业务数据和/或网络数据输入所述层分 类器，然后根据各个强分类器产生的输出，定位故障原因。
[0055] 从以上方法可以看出，本发明实施例通过相关性分析，对训练和检测的数据降维， 降低了对训练样本数量的要求，使得本发明实施例中提出的故障检测技术实际可行。而且， 本发明实施例通过分层的故障检测器的设计安排，将复杂的计算分解成简单的计算，提高 了故障检测的实时性。最后，本发明实施例提供了一种分层结构的层分类器，该层分类器的 每个强分类器的输出对应于一个故障，这样，在某个强分类器产生输出时即可以定位到对 应的故障原因，提高了故障原因定位的速度。
[0056] 基于以上方法，本发明实施例还相应的提供了一种电信业务的故障识别与定位的 系统，如图4所示，该系统包括：
[0057] 特征值选取单元，用于根据代表故障源的业务特征值和故障现象之间的相关系 数，从样本数据中选择相关系数大于预设阈值的业务特征值，作为反向传递BP神经网络训 练的业务特征值；
[0058] 单故障源识别单元，用于根据AdaBoost算法，为已选择出的每个业务特征值确定 一个基于BP神经网络的弱分类器，并将所确定的弱分类器进行线性组合，得到该业务特征 值对应的一个强分类器；
[0059] 多故障源识别单元，用于按照各个业务特征值与故障现象之间的相关系数的大小 顺序，将各个业务特征值对应的强分类器串联，并采用包括多故障源数据和故障现象的样 本数据对串联后的强分类器进行训练，得到用于多故障源识别的层分类器；
[0060] 业务处理单元，用于利用所述层分类器对电信业务过程中产生的业务数据和/或 网络数据进行故障识别及定位。
[0061] 优选地，所述业务处理单元，进一步将电信业务过程中产生的业务数据和/或网 络数据输入所述层分类器，根据各个强分类器产生的输出，定位故障原因。
[0062] 优选地，所述单故障源识别单元，进一步用于为已选择出的各个业务特征值，建立 一个基于BP神经网络的弱分类器；采用预先得到的包含正反业务数据的样本数据组合，训 练所述弱分类器识别单故障源，直至达到预定的训练次数，得到训练后的弱分类器，其中， 每执行一次训练后估算训练目标误差，选择其中误差最小的分类器并降低该分类器的权 值。
[0063] 优选地，所述多故障源识别单元，进一步用于采用包括多故障源数据和故障现象 的样本数据，对串联后的强分类器进行训练，直至达到预定的训练次数，得到所述层分类 器，其中，每执行一次训练后估算训练目标误差，选择其中误差最小的分类器并降低该分类 器的权值。
[0064] 优选地，所述多故障源识别单元，进一步用于选择与故障现象之间的相关系数大 于预设阈值的业务特征值，将所选择的业务特征值对应的强分类器进行所述串联。
[0065] 为更好地理解以上方法，下面将通过更为详细的说明，对本发明的具体实施例作 进一步阐述。
[0066] 请参照图5,图5提供了本发明实施例用于故障的识别和定位的层叠神经网络集 成结构。该神经网络集成结构主要实现三个功能：（1)分析故障源和故障现象数据的相关 性，分故障现象确定样本数据；（2)训练神经网络(分类器）用于单故障源(单特征值）的识 别；（3)集成神经网络，形成层叠分类器，用于多故障源（多特征值）的识别。以下分别进行 说明。
[0067] (1)相关性分析，确定样本数据的输入特征值
[0068] 样本数据的特征值(维度）众多，为了减少神经网络的计算量，本发明实施例对样 本数据的输入进行降维处理，即选择合适的特征值。
[0069] 作为一种优选实施方式，采用如下公式的相关性分析来选择特征值。
[0070]
【权利要求】
1. 一种电信业务的故障识别与定位的方法，其特征在于，包括： 根据代表故障源的业务特征值和故障现象之间的相关系数，从样本数据中选择相关系 数大于预设阈值的业务特征值，作为反向传递BP神经网络训练的业务特征值； 为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器，并将所确定的 弱分类器进行线性组合，得到该业务特征值对应的一个强分类器； 按照各个业务特征值与故障现象之间的相关系数的大小顺序，将各个业务特征值对应 的强分类器串联，并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进 行训练，得到用于多故障源识别的层分类器； 利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别 及定位。
2. 如权利要求1所述的方法，其特征在于，所述利用所述层分类器对电信业务过程中 产生的业务数据和/或网络数据进行故障识别及定位，包括：将电信业务过程中产生的业 务数据和/或网络数据输入所述层分类器，根据各个强分类器产生的输出，定位故障原因。
3. 如权利要求1所述的方法，其特征在于，所述为已选择出的每个业务特征值确定一 个基于BP神经网络的弱分类器，包括： 为已选择出的各个业务特征值，建立一个基于BP神经网络的弱分类器； 采用预先得到的包含正反业务数据的样本数据组合，训练所述弱分类器识别单故障 源，直至达到预定的训练次数，得到训练后的弱分类器，其中，每执行一次训练后估算训练 目标误差，选择其中误差最小的分类器并降低该分类器的权值。
4. 如权利要求1所述的方法，其特征在于，所述采用包括多故障源数据和故障现象的 样本数据分别对串联后的强分类器进行训练，得到用于多故障源识别的层分类器，包括： 采用包括多故障源数据和故障现象的样本数据，对串联后的强分类器进行训练，直至 达到预定的训练次数，得到所述层分类器，其中，每执行一次训练后估算训练目标误差，选 择其中误差最小的分类器并降低该分类器的权值。
5. 如权利要求1所述的方法，其特征在于，进一步选择与故障现象之间的相关系数大 于预设阈值的业务特征值，将所选择的业务特征值对应的强分类器进行所述串联。
6. -种电信业务的故障识别与定位的系统，其特征在于，包括： 特征值选取单元，用于根据代表故障源的业务特征值和故障现象之间的相关系数，从 样本数据中选择相关系数大于预设阈值的业务特征值，作为反向传递BP神经网络训练的 业务特征值； 单故障源识别单元，用于为已选择出的每个业务特征值确定一个基于BP神经网络 的弱分类器，并将所确定的弱分类器进行线性组合，得到该业务特征值对应的一个强分类 器； 多故障源识别单元，用于按照各个业务特征值与故障现象之间的相关系数的大小顺 序，将各个业务特征值对应的强分类器串联，并采用包括多故障源数据和故障现象的样本 数据对串联后的强分类器进行训练，得到用于多故障源识别的层分类器； 业务处理单元，用于利用所述层分类器对电信业务过程中产生的业务数据和/或网络 数据进行故障识别及定位。
7. 如权利要求6所述的系统，其特征在于，所述业务处理单元，进一步将电信业务过程 中产生的业务数据和/或网络数据输入所述层分类器，根据各个强分类器产生的输出，定 位故障原因。
8. 如权利要求6所述的系统，其特征在于，所述单故障源识别单元，进一步用于为已选 择出的各个业务特征值，建立一个基于BP神经网络的弱分类器；采用预先得到的包含正反 业务数据的样本数据组合，训练所述弱分类器识别单故障源，直至达到预定的训练次数，得 到训练后的弱分类器，其中，每执行一次训练后估算训练目标误差，选择其中误差最小的分 类器并降低该分类器的权值。
9. 如权利要求6所述的系统，其特征在于，所述多故障源识别单元，进一步用于采用包 括多故障源数据和故障现象的样本数据，对串联后的强分类器进行训练，直至达到预定的 训练次数，得到所述层分类器，其中，每执行一次训练后估算训练目标误差，选择其中误差 最小的分类器并降低该分类器的权值。
10. 如权利要求6所述的系统，其特征在于，所述多故障源识别单元，进一步用于选择 与故障现象之间的相关系数大于预设阈值的业务特征值，将所选择的业务特征值对应的强 分类器进行所述串联。
【文档编号】H04L12/24GK104052612SQ201310080584
【公开日】2014年9月17日 申请日期:2013年3月13日 优先权日:2013年3月13日
【发明者】李智民, 张毅, 罗朝彤, 陈志锋, 蓝天果, 潘静, 黎炳燊 申请人:中国移动通信集团广东有限公司