一种核心网元的负荷预警方法及装置的制造方法

文档序号:10515231
一种核心网元的负荷预警方法及装置的制造方法
【专利摘要】本发明涉及通信领域,特别涉及一种核心网元的负荷预警方法及装置,用以实现对GPRS网络进行端到端的容量预警,并为整体的GPRS核心网络的扩容提供参考,该方法为:分别针对每一个核心网元确定对应的影响因子集合,以及确定其中每一个影响因子在指定时刻的预测取值;基于每一个核心网元对应的影响因子集合中每一个影响因子在指定时刻的预测取值,以及结合每一个核心网元对应的影响因子集合中每一个影响因子的权重,分别计算每一个核心网元的网元负荷;将每一个核心网元的网元负荷与对应的网元负荷预警门限值进行比较,筛选出大于或等于对应的网元负荷预警门限值的核心网元,实现对核心网元负荷的准确预测,有效保障网络安全。
【专利说明】
-种核心网元的负荷预譬方法及装置
技术领域
[0001] 本发明设及通信领域,特别设及一种核屯、网元的负荷预警方法及装置。
【背景技术】
[0002] GPRS 核屯、网(GPRS Core 化twork)是通用分组无线业务(General Packet Radio Service, GPRS)的中屯、部件,提供在全球移动通信系统(Global System for Mobile Communications, GSM)和宽带码分多址(Wideband Code Division Multiple Access, WCDMA)网络中的移动性管理、会话管理,W及IP数据包的传输业务,同时还为其它附加的 功能提供支撑,包括计费和合法监听。它允许2G、3G W及WCDMA移动网络将IP数据包传送 至外部网络,例如因特网。
[0003] 其中,网关 GPRS 支撑节点(Gateway GPRS Support Node, GGSN)是 GRPS 网络 的一个主要网元。它可W和多种不同的数据网络连接,如综合业务数字网(Integrated Services Digital Network, ISDN)、分组交换共用数据网(Packet Switched Public Data 化twork,PSPDN)和局域网化ocal Area化twork,LAN)等。有的文献中,也把GGSN称为 GPRS路由器。GGSN可W把GSM网中的GPRS分组数据包进行协议转换,从而实现把运些 分组数据包传送到远端的TCP^P或X. 25网络。因此,GGSN是一个错点,它使得在GRPS/ UMTS(Universal Mobile Telecommunications System,通用移动通信系统)网络中的用户 终端具有可移动性。在GPRS中,它扮演与移动IP中的归属代理相同的角色。它维持与当 前正在为一个特定移动台(Mobile Station,]VB)提供服务的业务GPRS支撑节点(Serving GPRS Support Node, SGSN)之间进行协议数据单元(Protocol Data Units, PDU)隧道连接 所必须的路由。
[0004] SGSN负责在它的地理位置服务区域内从移动台接收或向其发送数据包。它的任务 包括数据包路由和传输、可移动性管理(mobility management)(附着/分离和位置管理)、 逻辑链路管理(logical link management) W及鉴权和计费功能。SGSN的位置寄存器存 储所有在它上面注册的GPRS用户的位置信息和用户概要,例如,当前蜂窝、包数据网络中 所使用的地址等。此外,SGSN将来自GGSN的GPRS隧道协议(GPRS Tunneling Protocol, GT巧包(下行)去隧道化,将去往GGSN的IP包(上行)隧道化。进一步地,当待机模式的 移动电话从一个路由区域移动到另一个路由区域时,能够实现可移动性管理。 阳00引此外,在GPRS核屯、网络中,还包括GPRS核屯、网络的计费网关设备(Charge Gate, CG)、域名系统值omain Name System, DN巧和防火墙(Firewall)等,参阅图1所不。
[0006] 为保证现有的GPRS核屯、网络的正常运行,W及为整体的GPRS核屯、网络的扩容提 供参考,需要针对核屯、网络中的各个核屯、网元进行端到端的负荷评估和容量预警。但是在 现有技术中,当前的GPRS网络端到端负荷评估方案基本上只能通过用户数的简单预估来 实现对单一网元的负荷评估及预警,无法实现话务模型的差异化研究。此外,话务模型在不 同的时段的差异非常明显,例如忙时和非忙时话务使用情况差异很大,并且随着数据业务 的发展,话务模型参数也产生明显变化。采用原有的典型话务模型也无法适用于现今复杂 的话务情况,因此无法实现对GPRS核屯、网络受到的冲击进行相对准确的预估,并可能导致 资源浪费,或者影响网络安全,核屯、网元负荷预测的准确性较差。

【发明内容】

[0007] 本发明实施例提供一种核屯、网元的负荷预警方法,用W解决现有技术中存在的只 能通过用户数的简单预估来实现对单一网元的负荷评估及预警,且采用原有的典型话务模 型造成核屯、网元负荷预测的准确性较差的问题。
[0008] 本发明实施例提供的具体技术方案如下:
[0009] 一种核屯、网元的负荷预警方法,包括: 阳010] 分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每一个核屯、网元对 应的影响因子集合中每一个影响因子在指定时刻的预测取值;
[0011] 基于每一个核屯、网元对应的影响因子集合中每一个影响因子在指定时刻的预测 取值,W及结合每一个核屯、网元对应的影响因子集合中每一个影响因子的权重,分别计算 每一个核屯、网元的网元负荷;
[0012] 将每一个核屯、网元的网元负荷与对应的网元负荷预警口限值进行比较,筛选出大 于或等于所述对应的网元负荷预警口限值的核屯、网元。
[0013] 因此,本发明实现了对核屯、网元负荷的准确预测和对GPRS网络进行端到端的容 量预警,并为整体的GPRS核屯、网络的扩容提供参考,有效保障网络安全。
[0014] 较佳的,分别针对每一个核屯、网元确定对应的影响因子集合,具体包括:
[0015] 在预处理阶段,获取针对每一个核屯、网元预设的影响因子集合的海量数据样本, 其中,一条数据样本对应一个核屯、网元的影响因子在日常忙时的取值;
[0016] 将获得的海量数据样本划分为数据训练集合和数据验证集合;
[0017] 基于所述数据训练集合,采用预设的数据建模模型确定每一个核屯、网元对应的影 响因子集合,W及每一个核屯、网元对应的影响因子集合中每一个影响因子的权重。
[0018] 较佳的,在基于所述数据训练集合,采用预设的数据建模模型,确定每一个核屯、网 元对应的影响因子集合,W及每一个核屯、网元对应的影响因子集合中每一个影响因子的权 重之后,进一步包括:
[0019] 采用所述数据验证集合包含的数据样本,对每一个核屯、网元对应的影响因子集合 W及每一个核屯、网元对应的影响因子集合中每一个影响因子的权重进行验证,确定验证通 过后,对所述每一个核屯、网元对应的影响因子集合W及每一个核屯、网元对应的影响因子集 合中每一个影响因子的权重进行加载配置。
[0020] 较佳的,在分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每一个 核屯、网元对应的影响因子集合在指定时刻的预测取值之前,进一步包括:
[0021] 按照所述数据训练集合中每一个核屯、网元对应的影响因子集合中每一个影响因 子在预设时间长度内的所有数据样本的取值趋势进行补全;
[0022] 将补全后的每一个核屯、网元对应的影响因子集合中每一个影响因子的在预设时 间长度内的所有数据样本代入预设的至少两个数据预测模型中,基于每一个数据预测模型 获得每一个核屯、网元对应的影响因子集合中每一个影响因子在预设时刻的预测取值,并计 算得到每一个核屯、网元对应的影响因子集合中每一个影响因子的预测取值的标准方差集 合;
[0023] 基于每一个核屯、网元对应的影响因子集合中每一个影响因子的预测取值的标准 方差集合,确定其中标准方差最小的数据预测模型作为对应影响因子的最优数据预测模 型。
[0024] 较佳的,分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每一个核 屯、网元对应的影响因子集合中每一个影响因子在指定时刻的预测取值,具体包括:
[0025] 分别针对每一个核屯、网元确定对应的影响因子集合,获取基于每一个核屯、网元对 应的影响因子集合中每一个影响因子在预设时间长度内的历史数据,结合所述每一个核屯、 网元对应的影响因子集合中每一个影响因子的最优数据预测模型,确定每一个核屯、网元对 应的影响因子集合中每一个影响因子在指定时刻的预测取值。
[0026] 一种核屯、网元的负荷预警装置,包括:
[0027] 获取单元,用于分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每 一个核屯、网元对应的影响因子集合中每一个影响因子在指定时刻的预测取值;
[0028] 计算单元,用于基于每一个核屯、网元对应的影响因子集合中每一个影响因子在指 定时刻的预测取值,W及结合每一个核屯、网元对应的影响因子集合中每一个影响因子的权 重,分别计算每一个核屯、网元的网元负荷;
[0029] 判断单元,用于将每一个核屯、网元的网元负荷与对应的网元负荷预警口限值进行 比较,筛选出大于或等于所述对应的网元负荷预警口限值的核屯、网元。
[0030] 因此,本发明实现了对核屯、网元负荷的准确预测和对GPRS网络进行端到端的容 量预警,并为整体的GPRS核屯、网络的扩容提供参考,有效保障网络安全。
[0031] 较佳的,分别针对每一个核屯、网元确定对应的影响因子集合时,所述获取单元具 体用于:
[0032] 在预处理阶段,获取针对每一个核屯、网元预设的影响因子集合的海量数据样本, 其中,一条数据样本对应一个核屯、网元的影响因子在日常忙时的取值;
[0033] 将获得的海量数据样本划分为数据训练集合和数据验证集合;
[0034] 基于所述数据训练集合,采用预设的数据建模模型确定每一个核屯、网元对应的影 响因子集合,W及每一个核屯、网元对应的影响因子集合中每一个影响因子的权重。
[0035] 较佳的,在基于所述数据训练集合,采用预设的数据建模模型,确定每一个核屯、网 元对应的影响因子集合,W及每一个核屯、网元对应的影响因子集合中每一个影响因子的权 重之后,所述获取单元进一步用于:
[0036] 采用所述数据验证集合包含的数据样本,对每一个核屯、网元对应的影响因子集合 W及每一个核屯、网元对应的影响因子集合中每一个影响因子的权重进行验证,确定验证通 过后,对所述每一个核屯、网元对应的影响因子集合W及每一个核屯、网元对应的影响因子集 合中每一个影响因子的权重进行加载配置。
[0037] 较佳的,在分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每一个 核屯、网元对应的影响因子集合在指定时刻的预测取值之前,所述获取单元进一步用于:
[0038] 按照所述数据训练集合中每一个核屯、网元对应的影响因子集合中每一个影响因 子在预设时间长度内的所有数据样本的取值趋势进行补全;
[0039] 将补全后的每一个核屯、网元对应的影响因子集合中每一个影响因子的在预设时 间长度内的所有数据样本代入预设的至少两个数据预测模型中,基于每一个数据预测模型 获得每一个核屯、网元对应的影响因子集合中每一个影响因子在预设时刻的预测取值,并计 算得到每一个核屯、网元对应的影响因子集合中每一个影响因子的预测取值的标准方差集 合;
[0040] 基于每一个核屯、网元对应的影响因子集合中每一个影响因子的预测取值的标准 方差集合,确定其中标准方差最小的数据预测模型作为对应影响因子的最优数据预测模 型。
[0041] 较佳的,分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每一个核 屯、网元对应的影响因子集合中每一个影响因子在指定时刻的预测取值时,所述获取单元具 体用于:
[0042] 分别针对每一个核屯、网元确定对应的影响因子集合,获取基于每一个核屯、网元对 应的影响因子集合中每一个影响因子在预设时间长度内的历史数据,结合所述每一个核屯、 网元对应的影响因子集合中每一个影响因子的最优数据预测模型,确定每一个核屯、网元对 应的影响因子集合中每一个影响因子在指定时刻的预测取值。
【附图说明】
[0043] 图1为本发明【背景技术】中GPRS核屯、网元结构示意图;
[0044] 图2为本发明实施例中核屯、网元负荷预警的概述流程图;
[0045] 图3A和3B分别为本发明实施例中针对用户平均附着数的数据补齐之前和补全之 后的示意图;
[0046] 图4为本发明实施例中ARIM模型的基本思想示意图;
[0047] 图5A和5B分别为采用ARIM模型对2G附着用户数的预测结果示意图和采用 化It-Winters模型对2G附着用户数的预测结果的示意图;
[0048] 图6为本发明实施例中核屯、网元负荷预警装置的结构示意图。
【具体实施方式】
[0049] 为了解决现有技术中存在的只能通过用户数的简单预估来实现对单一网元的负 荷评估及预警,且采用原有的典型话务模型造成核屯、网元负荷预测的准确性较差的问题, 本发明提供了一种核屯、网元的负荷预警方法,该方法为:分别针对每一个核屯、网元确定对 应的影响因子集合,W及确定每一个核屯、网元对应的影响因子集合中每一个影响因子在指 定时刻的预测取值;基于每一个核屯、网元对应的影响因子集合中每一个影响因子在指定时 刻的预测取值,W及结合每一个核屯、网元对应的影响因子集合中每一个影响因子的权重, 分别计算每一个核屯、网元的网元负荷;将每一个核屯、网元的网元负荷与对应的网元负荷预 警口限值进行比较,筛选出大于或等于对应的网元负荷预警口限值的核屯、网元。
[0050] 下面结合附图对本发明优选的实施方式进行详细说明。
[00川参阅图2所示,本发明实施例中,对核屯、网元的负荷预警的具体实施过程如下:
[0052] 步骤200 :分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每一个 核屯、网元对应的影响因子集合中每一个影响因子在指定时刻的预测取值。
[0053] 首先,分别针对每一个核屯、网元确定对应的影响因子集合。
[0054] 在预处理阶段,获取针对每一个核屯、网元预设的影响因子集合的海量数据样本, 其中,一条数据样本对应一个核屯、网元的影响因子在日常忙时的取值。
[0055] 将获得的海量数据样本划分为数据训练集合和数据验证集合。 阳056] 其中,数据训练集合占整个海量数据样本的60% -70%,剩余的数据样本作为数 据验证集合。
[0057] 基于数据训练集合,采用预设的数据建模模型确定每一个核屯、网元对应的影响因 子集合,化及每一个核屯、网元对应的影响因子集合中每一个影响因子的权重。
[0058] 其中,针对每一个核屯、网元预设的影响因子集合的海量数据样本是指针对每一个 核屯、网元预设的影响因子集合的日常忙时海量数据样本。
[0059] 关于数学模型的选择,建议选择相对常用的多元线性回归模型,将每一个核屯、网 元的负荷作为因变量,将对应的影响因子集合作为自变量,多元线性回归模型比较适合于 核屯、网元的网元负荷计算运种一个因变量对应多个自变量的形式。同时,自变量的选择也 非常契合多元线性回归模型的需求,例如对于核屯、网元SGSN,附着用户数、附着/激活信令 数、用户流量等都对SGSN负荷呈现非常密切且真实的线性相关,此外,自变量之间的相关 性弱于其与负荷之间相关性,所有用户数/信令数及用户流量的统计具有非常完整的统计 数据。因此,需要针对核屯、网元的具体情况选择合适的数据建模模型。
[0060] 多元线性回归模型,同一元线性回归方程一样,也是在要求误差平方和(Se)为 最小的前提下,用最小二乘法求解参数。建立多元线性回归模型时,为了保证回归模型具有 优良的解释能力和预测效果,应首先注意自变量的选择,对于针对每一个核屯、网元预设的 影响因子集合的影响因子选择需要遵守但不限于W下四点要求:
[0061] 1、自变量对因变量必须有显著的影响,并呈密切的线性相关;
[0062] 2、自变量与因变量之间的线性相关必须是真实的,而不是形式上的;
[0063] 3、自变量之间应具有一定的互斥性,即自变量之间的相关程度不应高于自变量与 因变量之因的相关程度;
[0064] 4、自变量应具有完整的统计数据,其预测值容易确定。 W65] 具体的,对于GPRS网络端到端的各核屯、网元SGSN/GGSN/CG/DNS/FW的网元负荷, 本文给出对其产生影响的部分核屯、网元的网元负荷预设影响因子集合的建议选项。
[0066] SGSN的中央处理器(Central Processing Unit, CPU)负荷相关的影响因子集合 应包括用户数、信令数(附着、激活、路由区更新等相关信令)及用户数据流量的相关特征, 因此该核屯、网元的影响因子集合可W为:GSM-附着用户数、GSM-由下行数据流量触发的PS 寻呼、GSM-终端侧发起的去附着信令、GSM-SGSN之内的路由区更新信令、GSM-PDP上下文 激活信令、GSM-PDP上下文去激活信令、TDSCDMA斗S信令链接释放、TDSCDMA-由下行数据 流量触发的分组数据(Packet Switched, P巧寻呼、TDSCDMA-数据业务请求信令(Service Request)、GSM-上下行IP用户流量、GSM-上行数据包传送速率、GSM-下行数据包传送速 率、GSM-上行数据包平均包长、GSM-下行数据包平均包长、TDSCDMA-上下行IP用户流、 TDSCDMA-上行数据包传送速率、TDSCDMA-下行数据包传送速率、TDSCDMA-上行数据包平均 包长和TDSCDMA-下行数据包平均包长等。 阳067] GGSN的CPU负荷将受限于用户数(附着用户、PDP激活用户等)、信令数(PDP激 活、去激活等)W及用户数据流量特征(2/3G的SACC、DPI等)等相关影响因子集合信 息,因此该核屯、网元的影响因子集合可W为:GSM-附着用户数、GSM-分业务计费(Service Awareness Control and Qiarging)的用户数、GSM-在线计费的用户数、GSM-PDP激活的用 户数、GSM-SACC的上下行IP用户流量、GSM-SACC用户上行数据包平均包长、GSM-SACC用 户下行数据包平均包长、GSM-SACC上行数据包比例、GSM-PDP上下文激活数、GSM-PDP上下 文去激活数、TDSCDM-在线计费的用户数、TDSCDM-深度包检测的用户数、TDSCDM-深度 包检测的平均捜索包长、TDSCDMA-SACC的上下行IP用户流量、TDSCDMA-SACC用户上行数 据包平均包长、TDSCDMA-SACC用户下行数据包平均包长、TDSCDMA-SACC上行数据包比例、 TDSCDMA-PDP上下文激活数和TDSCDMA-PDP上下文去激活数等。 W側 CG的负荷取决于用户数及处理的话单个数等,因此该核屯、网元的影响因子集合可 W为:附着用户数和每秒产生的CDR个数等。
[0069] DNS服务器的负荷取决于每秒处理的DNS查询数,其与用户分组数据协议(Packet Data Protocol,PD巧激活请求数、DNS服务器的动态缓存设置等具有相关性,因此该核屯、网 元的影响因子集合可W为:附着用户数、PDP激活请求数、DNS服务器的缓存设置和每秒DNS 查询请求数等。
[0070] FW的负荷取决于保持的会话数及网络地址转换(Network AcMress Translation, NAT)连接数,其简接与当前激活用户数及用户流量相关,因此该核屯、网元的影响因子集合 可W为:PDP激活用户数和上下行IP用户流量等。
[0071] 据此,通过将数据训练集合中的数据样本带入到多元线性回归模型中,获得每一 个核屯、网元的网元负荷计算公式,进而确定每一个核屯、网元对应的影响因子集合,W及每 一个核屯、网元对应的影响因子集合中每一个影响因子的权重,即每一个核屯、网元对应的影 响因子集合中每一个影响因子在网元负荷计算公式中的系数。运里的每一个核屯、网元对应 的影响因子的集合为最终根据核屯、网元的网元负荷计算公式确定的最终影响因子集合,其 中影响因子的数目小于等于预设的影响因子的数目。因为,对于核屯、网元的网元负荷影响 较小的因子会在带入计算对应核屯、网元的多元线性模型的计算过程中,得出较小的系数, 因此不作为对应该核屯、网元的影响因子。
[0072] 第二,在基于数据训练集合,采用预设的数据建模模型,确定每一个核屯、网元对应 的影响因子集合,W及每一个核屯、网元对应的影响因子集合中每一个影响因子的权重之 后,采用数据验证集合包含的数据样本,对每一个核屯、网元对应的影响因子集合W及每一 个核屯、网元对应的影响因子集合中每一个影响因子的权重进行验证,确定验证通过后,对 每一个核屯、网元对应的影响因子集合W及每一个核屯、网元对应的影响因子集合中每一个 影响因子的权重进行加载配置。
[0073] 运里可W采用多种方法对多元线性回归模型进行验证,在此不再寶述。通过数据 验证集合对每一个核屯、网元的网元负荷计算公式进行修正或微调,W避免负荷计算公式的 准确度及避免过拟合的发生。
[0074] 第Ξ,在分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每一个核 屯、网元对应的影响因子集合在指定时刻的预测取值之前,进一步包括:
[00巧]按照数据训练集合中每一个核屯、网元对应的影响因子集合中每一个影响因子在 预设时间长度内的所有数据样本的取值趋势进行补全。
[0076] 例如,参阅图3A和图3B所示,对图3A中的缺失的数据进行补全,对其中的极值进 行删除,得到图3B。运样做是为了保证数据的相对平滑,删除的极值数据为明显异常时段的 数据,例如,节假日高峰时段的数据。
[0077] 在对数据进行补全之后,将补全后的每一个核屯、网元对应的影响因子集合中每一 个影响因子的在预设时间长度内的所有数据样本代入预设的至少两个数据预测模型中,基 于每一个数据预测模型获得每一个核屯、网元对应的影响因子集合中每一个影响因子在预 设时刻的预测取值,并计算得到每一个核屯、网元对应的影响因子集合中每一个影响因子的 预测取值的标准方差集合。进一步地,基于每一个核屯、网元对应的影响因子集合中每一个 影响因子的预测取值的标准方差集合,确定其中标准方差最小的数据预测模型作为对应影 响因子的最优数据预测模型。
[0078] 其中,关于数据预测模型的选择,建议应用两种时间序列的数学模型,差分自回归 移动平均模型(Auto regressive Integrated Moving Average model,ARIMA)及霍尔特一 溫斯特模型Holt-winters。
[0079] 其中,ARIM模型全称为差分自回归移动平均模型。是由博克思和詹金斯于70年 代初提出的著名时间序列预测方法,博克思一詹金斯法。参阅图4所示,ARIMA(p,山q)称 为差分自回归移动平均模型,AR是自回归,P为自回归项;Μ为移动平均,q为移动平均项 数,d为时间序列成为平稳时所做的差分次数。
[0080] ARIM模型的基本思想是将预测对象随时间推移而形成的数据序列视为一个随机 序列,用一定的数学模型来近似描述运个序列。运个模型一旦被识别后就可W从时间序列 的过去值获得现在值和预测未来值。
[0081] 化It-Winters模型为指数平滑方法的一种,包括无季节模型和基于加法的季节模 型,W及基于乘法的季节模型。由于GPRS的核屯、网元的网元负荷的历史数据均具有季节 性,在此可W利用基于加法的季节模型和基于乘法的季节模型进行预测。
[00間 ARIM模型和化It-Winters模型都属于短期预测模型,随着时间的推移,它们的 预测效果也会逐渐变差。针对GPRS的核屯、网元的网元负荷的短期预测,化It-Winters模 型较ARIM模型具有一定的优势,其原因可能在于化It-Winters模型所给出平滑参数可W 采用系统自定的方法,系统通过多次比较给出的参数值往往是最优的。从实际操作过程发 现,化It-Winters模型简便,而ARIM模型的建模过程较为繁琐,而且在P和q的选择上存 在着多种评判标准。 阳08引例如,参阅图5A和图5B所示,为2G附着用户数的预测过程。图5A为采用ARIM 模型对2G附着用户数的预测结果,图5B为采用化It-Winters模型对2G附着用户数的预 测结果,其中,化It-Winters模型对2G附着用户数的预测结果的标准方差最小的,因此将 其作为2G附着用户数的最优数据预测模型。
[0084] 最后,分别针对每一个核屯、网元确定对应的影响因子集合,获取基于每一个核屯、 网元对应的影响因子集合中每一个影响因子在预设时间长度内的历史数据,结合每一个核 屯、网元对应的影响因子集合中每一个影响因子的最优数据预测模型,确定每一个核屯、网元 对应的影响因子集合中每一个影响因子在指定时刻的预测取值。 阳0化]步骤210 :基于每一个核屯、网元对应的影响因子集合中每一个影响因子在指定时 刻的预测取值,W及结合每一个核屯、网元对应的影响因子集合中每一个影响因子的权重, 分别计算每一个核屯、网元的网元负荷。
[0086] 具体的,基于每一个核屯、网元对应的影响因子集合中每一个影响因子在指定时刻 的预测取值,W及结合每一个核屯、网元对应的影响因子集合中每一个影响因子的权重,将 它们带入到对应核屯、网元的网元负荷计算公式中,分别计算每一个核屯、网元的网元负荷。
[0087] 步骤220:将每一个核屯、网元的网元负荷与对应的网元负荷预警口限值进行比 较,筛选出大于或等于对应的网元负荷预警口限值的核屯、网元。
[0088] 进一步地,对于筛选出大于或等于对应的网元负荷预警口限值的核屯、网元可W对 它们采取扩容或其他调整策略,W保证该核屯、网元的正常工作。
[0089] 下面W GPRS核屯、网元SGSN为例,对SGSN的网元负荷预警过程进行详细说明。
[0090] 针对核屯、网元SGSN,对影响其网元负荷SGSN_LoadSignaling的信令负载影响因 子集合包括用户数(附着用户数,激活用户数等),W及信令数(附着请求数,激活请求数, 寻呼次数,路由区更新次数等等)。影响其网元负荷SGSN_LoadT虹OU曲put的吞吐量负载 影响因子集合则包括用户数(当前激活用户数),信令数(路由区更新次数,去激活信令数 等),用户流量数(IP用户流量,上下行数据包数,上下行数据包字节数等等)。运种预设影 响因子的集合划分是针对具体不同类型的SGSN,因为各个厂家的SGSN配置不完全相同,因 此针对不同的SGSN有不同的影响因子集合。
[0091] 下面W表1的SGSN的网元负荷的预设影响因子集合为例进行详细说明。
[0092]
[0093]

[0094]表 1
[00巧]根据多元线性回归(Multi-Linear Regression)模型初步确定该SGSN的网元负 荷运算公式的方程式,包括由自变量及因变量构成的单项式及多项式:
[0096]
[0097] 其中,h(x)代表核屯、网元负荷,即因变量,而Θ。··· Θ。为常量,χι···χ。代表1中的 各个自变量
[0098] 获取海量针对表1的预设影响因子集合的海量数据样本,一条数据样本对应一个 表1的影响因子在日常忙时的取值,并进一步将获得的海量数据样本划分为数据训练集合 和数据验证集合。其中,将60%~70%的海量数据样本作为数据训练集合进行数学建模, 推导该SGSN的网元负荷计算公式。
[0099] 将20%~30%的海量数据样本作为数据验证集合,对该SGSN的网元负荷计算公 式及各个参数的拟合度进行验证W及微调,得到该SGSN的网元负荷计算公式,如下: 阳 100]
阳101] 由于β。和β 4在网元负荷计算公式的推导过程中,权重较小,因此不再作为该 SGSN的影响因子。基于数据训练集合,通过整个推导过程,采用多元线性回归模型确定该 SGSN对应的影响因子集合,W及影响因子集合中每一个影响因子的权重。进一步地,采用数 据验证集合包含的数据样本,对该SGSN对应的影响因子集合W及对应的影响因子集合中 每一个影响因子的权重进行验证,参阅表2所示,实际的负荷与计算的负荷相差0. 73%,确 定验证通过,并对确定的该SGSN网元的对应的影响因子集合W及对应的影响因子集合中 每一个影响因子的权重并进行加载配置。 阳 102] 阳 103]
[0104] 表 2
[0105] 下面,进一步地,在获取针对该SGSN确定对应的影响因子集合,W及确定对应的 影响因子集合在指定时刻的预测取值之前,还需要确定该SGSN的影响因子集合中每一个 影响因子的最优预测模型,具体步骤如下:
[0106] 由于ARIM模型和化It-Winters模型都属于短期预测模型,随着时间的推移,它 们的预测效果也会逐渐变差,因此指定的预测时刻一般为针对历史数据之后的一到Ξ个 月。
[0107] 首先,按照数据训练集合中该SGSN对应的影响因子集合中已确定的每一个影响 因子在预设时间长度内的所有数据样本的取值趋势进行补全。例如,基于数据训练集合,获 取每一个影响因子连续Ξ个月的数据,并针对每个影响因子在Ξ个月之后的第四个月的数 据进行预测。
[0108] 将补全后的该SGSN对应的影响因子集合中每一个影响因子在Ξ个月内的所有数 据样本代入ARIM模型和化It-Winters模型中,基于每一个数据预测模型获得该SGSN对 应的影响因子集合中每一个影响因子在第四个月的预测取值,并计算得到该SGSN对应的 影响因子集合中每一个影响因子的预测取值的标准方差集合。根据该SGSN对应的影响因 子集合中每一个影响因子的预测取值的标准方差集合,确定其中标准方差最小的数据预测 模型作为对应影响因子的最优数据预测模型。该过程可W多次反复进行,保证针对每个影 响因子的最优数据预测模型真实可靠。
[0109] 最后,针对该SGSN确定对应的影响因子集合,获取基于该SGSN对应的影响因子集 合中每一个影响因子在预设时间长度内的历史数据,结合该SGSN对应的影响因子集合中 每一个影响因子的最优数据预测模型,确定每一个核屯、网元对应的影响因子集合中每一个 影响因子在指定时刻的预测取值。将所有预测取值,带入上文确定的该SGSN的网元负荷计 算公式,计算该SGSN的网元负荷,将计算结果与对应的网元负荷预警口限值进行比较,筛 选出大于或等于网元负荷预警口限值的核屯、网元,并对运样的网元提出扩容或调整建议。
[0110] 参阅表3所示为针对特定用户数下负荷的预测结果,并可W依据下表为相应网元 提出扩容建议。 阳 111]
[0112]表 3
阳113] SAU_70k代表用户平均附着数的容量为70000, SGSN01的预测的结果为74k,超过 SAU_70k的容量,需要扩容或作出一定调整。
[0114] 参阅图6所示,核屯、网元的负荷预警装置,包括:
[0115] 获取单元60,用于分别针对每一个核屯、网元确定对应的影响因子集合,W及确定 每一个核屯、网元对应的影响因子集合中每一个影响因子在指定时刻的预测取值;
[0116] 计算单元61,用于基于每一个核屯、网元对应的影响因子集合中每一个影响因子在 指定时刻的预测取值,W及结合每一个核屯、网元对应的影响因子集合中每一个影响因子的 权重,分别计算每一个核屯、网元的网元负荷;
[0117] 判断单元62,用于将每一个核屯、网元的网元负荷与对应的网元负荷预警口限值进 行比较,筛选出大于或等于对应的网元负荷预警口限值的核屯、网元。
[011引较佳的,分别针对每一个核屯、网元确定对应的影响因子集合时,获取单元60具体 用于:
[0119] 在预处理阶段,获取针对每一个核屯、网元预设的影响因子集合的海量数据样本, 其中,一条数据样本对应一个核屯、网元的影响因子在日常忙时的取值;
[0120] 将获得的海量数据样本划分为数据训练集合和数据验证集合; 阳121] 基于数据训练集合,采用预设的数据建模模型确定每一个核屯、网元对应的影响因 子集合,化及每一个核屯、网元对应的影响因子集合中每一个影响因子的权重。
[0122] 较佳的,在基于数据训练集合,采用预设的数据建模模型,确定每一个核屯、网元对 应的影响因子集合,W及每一个核屯、网元对应的影响因子集合中每一个影响因子的权重之 后,获取单元60进一步用于:
[0123] 采用数据验证集合包含的数据样本,对每一个核屯、网元对应的影响因子集合W及 每一个核屯、网元对应的影响因子集合中每一个影响因子的权重进行验证,确定验证通过 后,对每一个核屯、网元对应的影响因子集合W及每一个核屯、网元对应的影响因子集合中每 一个影响因子的权重进行加载配置。
[0124] 较佳的,在分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每一个 核屯、网元对应的影响因子集合在指定时刻的预测取值之前,获取单元60进一步用于:
[0125] 按照数据训练集合中每一个核屯、网元对应的影响因子集合中每一个影响因子在 预设时间长度内的所有数据样本的取值趋势进行补全;
[01%] 将补全后的每一个核屯、网元对应的影响因子集合中每一个影响因子的在预设时 间长度内的所有数据样本代入预设的至少两个数据预测模型中,基于每一个数据预测模型 获得每一个核屯、网元对应的影响因子集合中每一个影响因子在预设时刻的预测取值,并计 算得到每一个核屯、网元对应的影响因子集合中每一个影响因子的预测取值的标准方差集 合;
[0127] 基于每一个核屯、网元对应的影响因子集合中每一个影响因子的预测取值的标准 方差集合,确定其中标准方差最小的数据预测模型作为对应影响因子的最优数据预测模 型。
[0128] 较佳的,分别针对每一个核屯、网元确定对应的影响因子集合,W及确定每一个核 屯、网元对应的影响因子集合中每一个影响因子在指定时刻的预测取值时,获取单元60具 体用于: 阳129] 分别针对每一个核屯、网元确定对应的影响因子集合,获取基于每一个核屯、网元对 应的影响因子集合中每一个影响因子在预设时间长度内的历史数据,结合每一个核屯、网元 对应的影响因子集合中每一个影响因子的最优数据预测模型,确定每一个核屯、网元对应的 影响因子集合中每一个影响因子在指定时刻的预测取值。
[0130] 综上所述,现有技术中还没有对GPRS网络进行端到端容量预警的方案,只能针对 单一网元,通过用户数和典型话务模型对网元进行简单的容量评估和预测。而对于典型话 务模型的确定也存在一定的主观因素,缺乏相应的系统分析方法。在运种背景下,采用本发 明的方法寻求端到端容量预警方案将有利于精确预警,比原有的单一网元、典型话务模型 的预测方案更适合于数据业务发展的需求。 阳1因此,针对GPRS核屯、网络的重点网元SGSN/GGSN/CG/DNS/FW的影响进行数学建模 及量化分析,预测每一个核屯、网元对应的影响因子集合的取值,即不再使用单一的话务模 型,而是预测话务模型各个主要因子随时间序列变化的走向,了解节假日忙时对整个数据 业务核屯、网络的冲击,对GPRS网络进行端到端的容量预警。运种端到端容量预警更为准确 可靠,将可W为整体的GPRS核屯、网络的扩容提供参考,从而为数据业务提供相应的安全保 障。
[0132] 本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序 产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实 施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产 品的形式。 阳133] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程 图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一 流程和/或方框、W及流程图和/或方框图中的流程和/或方框的结合。可提供运些计算 机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理 器W产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生 用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能 的装置。
[0134] 运些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备W特 定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
[0135] 运些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计 算机或其他可编程设备上执行一系列操作步骤W产生计算机实现的处理,从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图 一个方框或多个方框中指定的功能的步骤。
[0136] 尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造 性概念,则可对运些实施例作出另外的变更和修改。所W,所附权利要求意欲解释为包括优 选实施例W及落入本发明范围的所有变更和修改。
[0137] 显然,本领域的技术人员可W对本发明实施例进行各种改动和变型而不脱离本发 明实施例的精神和范围。运样,倘若本发明实施例的运些修改和变型属于本发明权利要求 及其等同技术的范围之内,则本发明也意图包含运些改动和变型在内。
【主权项】
1. 一种核心网元的负荷预警方法,其特征在于,包括: 分别针对每一个核心网元确定对应的影响因子集合,以及确定每一个核心网元对应的 影响因子集合中每一个影响因子在指定时刻的预测取值; 基于每一个核心网元对应的影响因子集合中每一个影响因子在指定时刻的预测取值, 以及结合每一个核心网元对应的影响因子集合中每一个影响因子的权重,分别计算每一个 核心网元的网元负荷; 将每一个核心网元的网元负荷与对应的网元负荷预警门限值进行比较,筛选出大于或 等于所述对应的网元负荷预警门限值的核心网元。2. 如权利要求1所述的方法,其特征在于,分别针对每一个核心网元确定对应的影响 因子集合,具体包括: 在预处理阶段,获取针对每一个核心网元预设的影响因子集合的海量数据样本,其中, 一条数据样本对应一个核心网元的影响因子在日常忙时的取值; 将获得的海量数据样本划分为数据训练集合和数据验证集合; 基于所述数据训练集合,采用预设的数据建模模型确定每一个核心网元对应的影响因 子集合,以及每一个核心网元对应的影响因子集合中每一个影响因子的权重。3. 如权利要求2所述的方法,其特征在于,在基于所述数据训练集合,采用预设的数据 建模模型,确定每一个核心网元对应的影响因子集合,以及每一个核心网元对应的影响因 子集合中每一个影响因子的权重之后,进一步包括: 采用所述数据验证集合包含的数据样本,对每一个核心网元对应的影响因子集合以 及每一个核心网元对应的影响因子集合中每一个影响因子的权重进行验证,确定验证通过 后,对所述每一个核心网元对应的影响因子集合以及每一个核心网元对应的影响因子集合 中每一个影响因子的权重进行加载配置。4. 如权利要求1-3任一项所述的方法,其特征在于,在分别针对每一个核心网元确定 对应的影响因子集合,以及确定每一个核心网元对应的影响因子集合在指定时刻的预测取 值之前,进一步包括: 按照所述数据训练集合中每一个核心网元对应的影响因子集合中每一个影响因子在 预设时间长度内的所有数据样本的取值趋势进行补全; 将补全后的每一个核心网元对应的影响因子集合中每一个影响因子的在预设时间长 度内的所有数据样本代入预设的至少两个数据预测模型中,基于每一个数据预测模型获得 每一个核心网元对应的影响因子集合中每一个影响因子在预设时刻的预测取值,并计算得 到每一个核心网元对应的影响因子集合中每一个影响因子的预测取值的标准方差集合; 基于每一个核心网元对应的影响因子集合中每一个影响因子的预测取值的标准方差 集合,确定其中标准方差最小的数据预测模型作为对应影响因子的最优数据预测模型。5. 如权利要求1或4所述的方法,其特征在于,分别针对每一个核心网元确定对应的影 响因子集合,以及确定每一个核心网元对应的影响因子集合中每一个影响因子在指定时刻 的预测取值,具体包括: 分别针对每一个核心网元确定对应的影响因子集合,获取基于每一个核心网元对应的 影响因子集合中每一个影响因子在预设时间长度内的历史数据,结合所述每一个核心网元 对应的影响因子集合中每一个影响因子的最优数据预测模型,确定每一个核心网元对应的 影响因子集合中每一个影响因子在指定时刻的预测取值。6. -种核心网元的负荷预警装置,其特征在于,包括: 获取单元,用于分别针对每一个核心网元确定对应的影响因子集合,以及确定每一个 核心网元对应的影响因子集合中每一个影响因子在指定时刻的预测取值; 计算单元,用于基于每一个核心网元对应的影响因子集合中每一个影响因子在指定时 刻的预测取值,以及结合每一个核心网元对应的影响因子集合中每一个影响因子的权重, 分别计算每一个核心网元的网元负荷; 判断单元,用于将每一个核心网元的网元负荷与对应的网元负荷预警门限值进行比 较,筛选出大于或等于所述对应的网元负荷预警门限值的核心网元。7. 如权利要求6所述的装置,其特征在于,分别针对每一个核心网元确定对应的影响 因子集合时,所述获取单元具体用于: 在预处理阶段,获取针对每一个核心网元预设的影响因子集合的海量数据样本,其中, 一条数据样本对应一个核心网元的影响因子在日常忙时的取值; 将获得的海量数据样本划分为数据训练集合和数据验证集合; 基于所述数据训练集合,采用预设的数据建模模型确定每一个核心网元对应的影响因 子集合,以及每一个核心网元对应的影响因子集合中每一个影响因子的权重。8. 如权利要求7所述的装置,其特征在于,在基于所述数据训练集合,采用预设的数据 建模模型,确定每一个核心网元对应的影响因子集合,以及每一个核心网元对应的影响因 子集合中每一个影响因子的权重之后,所述获取单元进一步用于: 采用所述数据验证集合包含的数据样本,对每一个核心网元对应的影响因子集合以 及每一个核心网元对应的影响因子集合中每一个影响因子的权重进行验证,确定验证通过 后,对所述每一个核心网元对应的影响因子集合以及每一个核心网元对应的影响因子集合 中每一个影响因子的权重进行加载配置。9. 如权利要求6-8任一项所述的装置,其特征在于,在分别针对每一个核心网元确定 对应的影响因子集合,以及确定每一个核心网元对应的影响因子集合在指定时刻的预测取 值之前,所述获取单元进一步用于: 按照所述数据训练集合中每一个核心网元对应的影响因子集合中每一个影响因子在 预设时间长度内的所有数据样本的取值趋势进行补全; 将补全后的每一个核心网元对应的影响因子集合中每一个影响因子的在预设时间长 度内的所有数据样本代入预设的至少两个数据预测模型中,基于每一个数据预测模型获得 每一个核心网元对应的影响因子集合中每一个影响因子在预设时刻的预测取值,并计算得 到每一个核心网元对应的影响因子集合中每一个影响因子的预测取值的标准方差集合; 基于每一个核心网元对应的影响因子集合中每一个影响因子的预测取值的标准方差 集合,确定其中标准方差最小的数据预测模型作为对应影响因子的最优数据预测模型。10. 如权利要求6或9所述的装置,其特征在于,分别针对每一个核心网元确定对应的 影响因子集合,以及确定每一个核心网元对应的影响因子集合中每一个影响因子在指定时 刻的预测取值时,所述获取单元具体用于: 分别针对每一个核心网元确定对应的影响因子集合,获取基于每一个核心网元对应的 影响因子集合中每一个影响因子在预设时间长度内的历史数据,结合所述每一个核心网元 对应的影响因子集合中每一个影响因子的最优数据预测模型,确定每一个核心网元对应的 影响因子集合中每一个影响因子在指定时刻的预测取值。
【文档编号】H04L12/24GK105871575SQ201510030022
【公开日】2016年8月17日
【申请日】2015年1月21日
【发明人】张秀成, 史正伟, 刘欣梦, 原晓艳, 唐亚萍, 张辉辉, 陈鹏, 刘建刚, 刘召阳, 李腾蛟, 张峻
【申请人】中国移动通信集团河南有限公司
再多了解一些
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1