一种检测故障的方法、装置及计算机可读存储介质与流程

本发明涉及通信领域，尤其涉及一种检测故障的方法、装置及计算机可读存储介质。

背景技术：

目前，终端测试生成的人机交互记录、输出信息是工程师判断测试用例是否通过以及定位故障发生原因的重要参考信息。现阶段主流终端调测工作模式是：通过特定的人机交互软件，人工或自动化地按照预先定义的脚本执行测试用例，在测试用例执行的同时产生大量打印等输出信息，测试完成后，测试人员以人工方式观测输出信息中的各种消息交互流程和参数变化情况，得出测试用例是否通过的结论，或使用预先定义的自动化通过准则，使用计算机提取数据并判断输出信息中是否存在故障。但是现有的方法中，存在观察查找输出信息不方便容易出现测试人员因精力原因而漏检的情况，或自动化通过准则复杂程度和抽象程度受限等问题导致自动化判决的误检和漏检，还需要人工干预等情况。无法满足对大量测试用例的输出信息进行逐一精确判断分析的需要。因此，现有故障检测技术中存在的输出信息分析时间长，自动化通过准则逻辑复杂度有限，判断结果时人工干预程度大，无法满足大量测试用例输出信息逐一精确判断分析的需要等问题，

因此，亟需提供一种检测故障的方法，能够实现对大量测试用例的输出信息进行高效的故障检测。

技术实现要素：

有鉴于此，本发明实施例希望提供一种检测故障的方法、装置及计算机可读存储介质，能够实现对大量测试用例的输出信息进行高效的故障检测。

本发明实施例的技术方案是这样实现的：

一方面，本发明实施例提供一种检测故障的方法，所述方法包括：

获取输出信息，从所述输出信息中提取故障识别参数流；

将所述故障识别参数流作为第一输入输入到第一网络模型，得到表征所述输出信息是否存在故障的第一输出；

根据所述第一输出确定所述输出信息存在故障时，将所述故障识别参数流和所述第一输出作为第二输入输入到第二网络模型，得到表征异常类型的第二输出，根据所述第二输出确定故障检测结果；其中，所述第一网络模型和第二网络模型为基于深度学习的网络模型。

上述方案中，所述第一输出包括可疑异常参数和所述可疑异常参数对应的置信度；所述方法还包括：

当所述可疑异常参数对应的置信度小于预设置信度阈值时，根据所述可疑异常参数对所述第二输入进行调整。

上述方案中，所述根据所述可疑异常参数对所述第二输入进行调整包括：

根据所述可疑异常参数和预设的参数约束关系确定关联可疑参数；

将所述故障识别参数流、所述可疑异常参数和所述关联可疑参数作为第二输入。

上述方案中，所述根据所述可疑异常参数对所述第二输入进行调整包括：

确定所述可疑异常参数的出现时间，获取所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数；

将所述故障识别参数流、所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数作为第二输入。

上述方案中，所述方法还包括：

将训练样本的训练故障识别参数流依次经过第一网络模型和第二网络模型后得到训练故障检测结果；

将所述训练故障检测结果与所述训练样本的故障信息进行比对得到比对结果，采用极小化误差的方法根据所述比对结果对所述第一网络模型的网络参数和/或第二网络模型的网络参数进行调整。

一方面，本发明实施例还一种检测故障的装置，所述装置包括：提取单元、故障识别单元和故障判断单元；其中，

所述提取单元，用于获取输出信息，从所述输出信息中提取故障识别参数流；

所述故障识别单元，用于将所述故障识别参数流作为第一输入输入到第一网络模型，得到表征所述输出信息是否存在故障的第一输出；

所述故障判断单元，用于根据所述第一输出确定所述输出信息存在故障时，将所述故障识别参数流和所述第一输出作为第二输入输入到第二网络模型，得到表征异常类型的第二输出，根据所述第二输出确定故障检测结果；其中，所述第一网络模型和第二网络模型为基于深度学习的网络模型。

上述方案中，所述第一输出包括可疑异常参数和所述可疑异常参数对应的置信度；所述装置还包括：调整单元，用于当所述可疑异常参数对应的置信度小于预设置信度阈值时，根据所述可疑异常参数对所述第二输入进行调整。

上述方案中，所述调整单元具体用于：根据所述可疑异常参数和预设的参数约束关系确定关联可疑参数；将所述故障识别参数流、所述可疑异常参数和所述关联可疑参数作为第二输入。

上述方案中，所述调整单元具体用于：确定所述可疑异常参数的出现时间，获取所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数；将所述故障识别参数流、所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数作为第二输入。

上述方案中，所述装置还包括：训练单元，用于：将训练样本依次经过第一网络模型和第二网络模型后得到训练故障检测结果；将所述训练故障检测结果与所述训练样本的故障信息进行比对得到比对结果，采用极小化误差的方法根据所述比对结果对所述第一网络模型的网络参数和/或第二网络模型的网络参数进行调整。

一方面，本发明实施例还提供一种检测故障的装置，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行权利要求1至5任一项所述方法的步骤。

一方面，本发明实施例还一种计算机可读存储介质，所述计算机可读存储介质上存储有故障检测程序，所述故障检测程序被处理器执行时实现如权利要求1至5中任一项所述的检测故障的方法。

本发明实施例的一种检测故障的方法、装置及计算机可读存储介质，包括：获取输出信息，从所述输出信息中提取故障识别参数流；将所述故障识别参数流作为第一输入输入到第一网络模型，得到表征所述输出信息是否存在故障的第一输出；根据所述第一输出确定所述输出信息存在故障时，将所述故障识别参数流和所述第一输出作为第二输入输入到第二网络模型，得到表征异常类型的第二输出，根据所述第二输出确定故障检测结果；其中，所述第一网络模型和第二网络模型为基于深度学习的网络模型。如此，通过利用基于深度学习的网络模型学习各种形式输出中蕴藏的数据特征，利用庞大的数据信息刻画的丰富的内在信息判断用例执行结果，并且通过二级级联的网络模型实现对输出信息中的异常自动识别和判断，实现对大量测试用例执行输出信息的高效检测。

附图说明

图1为本发明实施例一提供的检测故障的方法的流程示意图；

图2a和2b为本发明实施例二提供的训练网络模型的方法的流程示意图；

图3为本发明实施例三提供的检测故障的方法的流程示意图；

图4为本发明实施例四提供的检测故障的方法的流程示意图；

图5为本发明实施例五提供的一种检测故障的装置的结构示意图；

图6为本发明实施例五提供的另一种检测故障的装置的结构示意图；

图7为本发明实施例六提供的一种检测故障的装置的结构示意图。

具体实施方式

下面结合附图对技术方案的实施作进一步的详细描述。

实施例一

本发明实施例一提供一种检测故障的方法，应用于终端，如图1所示，所述方法包括：

s101、获取输出信息，从所述输出信息中提取故障识别参数流；

这里，测试终端中的测试用例执行完成后，将测试用例执行时的输出信息进行输出，通过输出的输出信息来分析该测试用例对应的调试过程是否存在故障，以及具体的故障类型。

在获取到输出信息后，对输出信息进行裁剪，提取出故障识别参数流，将与故障表征无关的数据剔除。其中，故障识别参数流由输出信息中的有效信息组成，所提取的故障识别参数流除了包含已有的人工、自动化测试中判断测试用例是否通过的常规信息例如：终端接收功率/发射功率(rscp/ulpwr)、性干比(sinr)、数据接收校验(crc)结果等故障识别参数，还可包括系统额外所需的内部信息和中间变量，如自动频率控制(afc)系数、自动增益(agc)系数、上行发射功率、数据块大小、专用/公共信道重复次数、上下行数据授权值、信道能量检测结果等故障识别参数。提取的故障识别参数流包括上述故障识别参数构成的数据向量及向量中每个元素的时间戳。

在本发明实施例中，通过对输出信息进行裁剪，将与故障表征无关的数据剔除，能够提高故障定位的准确度。

s102、将所述故障识别参数流作为第一输入输入到第一网络模型，得到表征所述输出信息是否存在故障的第一输出；

在s101中提取出故障识别参数流后，将故障识别参数流输入到第一网络模型，通过第一网络模型的识别，得到第一网络模型的输出，其中，第一网络模型的输出表征输出信息是否存在故障。当第一网络模型的输出中包括可疑异常参数及对应的置信度时，确定输出信息存在故障，否则，通过第一网络模型的识别确定当前输出信息不存在故障。其中，可疑异常参数为输出信息中可能出现故障的参数，置信度为表征该可疑异常参数出现故障的概率。

这里，第一网络模型为基于深度学习的网络模型，比如：受限波尔兹曼网络模型。在本发明实施例中，第一网络模型的网络参数可通过对完整的测试终端的输出信息进行训练得出，从而建立第一网络模型。

当根据第一网络模型的输出确定输出信息存在故障时，在输出信息中将可能出现故障的可疑故障参数进行标记，并标记该可疑故障参数出现故障的时间信息。

这里，为了将第一网络模型的输入、输出与第二网络模型的输入、输出进行区分，将第一网络模型的输入定义为第一输入，将第一网络模型的输出定义为第一输出，将第二网络模型的输入定义为第二输入，将第二网络模型的输出定义为第二输出。

s103、根据所述第一输出确定所述输出信息存在故障时，将所述故障识别参数流和所述第一输出作为第二输入输入到第二网络模型，得到表征异常类型的第二输出，根据所述第二输出确定故障检测结果。

当根据第一网络模型的输出确定输出信息存在故障时，将s101中提取的故障识别参数流和第一网络模型的输出作为第二输入输入到第二网络模型，经第二网络模型进行是否故障的确认并输出故障类型和时间段。

这里，第二网络模型为基于深度学习的网络模型，比如：卷积神经网络(convolutionalneuralnetwork，cnn)。在本发明实施例中，第二网络模型的网络参数可通过对完整的测试终端的输出信息进行训练得出，从而建立第二网络模型。

在本发明实施例中，预设一置信度阈值，当第一网络模型的输出中的可疑故障参数对应的置信度高于置信度阈值时，确定该可疑故障参数出现故障的概率高，可直接将第一网络模型的输出和s101中提取的故障识别参数流作为第二输入输入到第二网络模型。当第一网络模型中的可疑故障参数对应的置信度小于置信度阈值时，根据所述可疑异常参数对所述第二输入进行调整。

所述根据所述可疑异常参数对所述第二输入进行调整包括：根据所述可疑异常参数和预设的参数约束关系确定关联可疑参数；将所述故障识别参数流、所述可疑异常参数和所述关联可疑参数作为第二输入。具体的，根据参数约束关系确定与可疑故障参数具有约束关系的参数，将这些具有约束关系的参数作为可疑故障参数的关联参数和可疑故障参数同时输入到第二网络模型，待第二网络模型确定出现故障的参数为可疑故障参数本身还是由于关联参数出现故障而引起在第一网络模型中识别到可疑参数故障出现故障。比如，预设的置信度阈值为90％，当第一网络模型的输出为：sinr/reptnum2(可疑故障参数)：83.4％(置信度)，这里，83.4％小于90％，需要对第二输入进行调整，通过参数约束关系确定与sinr/reptnum2具有约束关系的参数为物理下行控制信道(pdcch)检测能量、agc、afc，将sinr/reptnum2、pdcch检测能量、agc、afc和故障识别参数流作为第二网络的输入。

所述根据所述可疑异常参数对所述第二输入进行调整包括：确定所述可疑异常参数的出现时间，获取所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数；将所述故障识别参数流、所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数作为第二输入。

具体的，确定可疑异常参数出现故障的时间，将出现故障的时间的前后一段时间内的异常参数和可疑故障参数同时输入到第二网络模型，待第二网络模型确定可疑故障参数出现故障的时间为第一网络模型中识别到可疑参数故障出现故障的时间点还是其余时间点。比如，预设的置信度阈值为95％，预设的时间范围为60秒，当通过第一网络模型的输出确定：10:18:52的preamble重传次数(可疑故障参数)，93.2％(置信度)，这里，93.2％小于95％，需要对第二输入进行调整，将10:18:52之前的60秒内与10:18:52之后的60秒内，即10:17:52至10:19:52的preamble重传次数和故障识别参数流作为第二网络模型的输入。

在本发明实施例中，在对第二网络模型的第二输入进行调整时，可同时根据预设的时间范围和参数约束关系对第二网络模型的第二输入进行调整，从而准确的定位出现故障的参数以及出现故障的时间。

在本发明实施例中，第二网络模型可为cnn。cnn是一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元，对于大型存在约束关系的数据向量组的模式分类非常适合。

需要说明的是，本发明实施例中对输出信息中的故障进行检测所使用的网络模型为基于深度学习的网络模型。这里，基于深度学习的网络模型为通过对样本数据的训练而得到的基于神经网络的网络模型。在建立第一网络模型和第二网络模型时，可通过对完整的测试终端的输出信息进行裁剪提取后得出训练故障识别参数流，将训练故障识别参数流输入到第一网络模型的网络参数初始化的第一网络模型中，将第一网络模型的输出与测试终端的输出信息的故障信息进行比对，通过多次迭代学习，确定第一网络模型的网络参数，其中，训练得到的第一网络模型的网络参数包括：权值矩阵，偏执向量等建立受限玻尔兹曼网络模型所需的网络参数。

当建立第一网络模型后，将训练样本的训练故障识别参数流和第一网络模型的输出作为第二网络的输入开始进行训练，根据训练故障识别参数流的实际故障训练故障判别的第二网络模型，确定第二网络模型的网络大小、网络层数、网络深度、网络的输入输出、以及卷积核模板大小和个数、池化窗口大小等网络结构设置。

其中，将训练样本的训练故障识别参数流依次经过第一网络模型和第二网络模型后得到训练故障检测结果；将所述训练故障检测结果与所述训练样本的故障信息进行比对得到比对结果，采用极小化误差的方法根据所述比对结果对所述第一网络模型的网络参数和/或所述第二网络模型的网络参数进行调整。

比如，对于第一网络模型的网络参数权矩阵，将训练样本的训练故障识别参数流输入到第一网络模型，计算得到实际输出，将实际输出与根据训练样本中的故障信息得到的理想输出进行比对，计算实际输出与理想输出的差，按极小化误差的方法反向调整第一网络的权矩阵。

在本实施例中，将执行测试用例的输出信息进行裁剪提取得到故障识别参数流，依次将故障识别流参数依次通过级联的基于深度学习的第一网络模型和基于深度学习的第二网络模型，通过第一网络模型确定是否存在故障，在第一网络模型的输出的基础上，通过第二网络模型进一步判断故障类型，从而实现对输出信息中的异常自动识别和判断。这里，第一级网络模型发现输出信息出现异常，输出的异常参数和异常出现时间输入故障类型判别的第二网络模型中进行判断，实现对故障异常的先判断后分析的功能。实现对大量测试用例执行输出信息的高效检测，并支持对外界环境偶发变化引起的输出信息变化的识别。进一步的，根据参数约束关系和时间信息对第一网络模型识别出的可疑故障参数进行调整，从而精确的定位故障。

实施例二

在本发明实施例中，以第一网络模型为受限玻尔兹曼网络模型、第二网络模型为cnn为例，对本发明实施例提供的检测故障的方法中所使用的第一网络模型和第二网络模型的建立进行说明，如图2a所示，包括：

s201、获得训练样本并按照故障类型分类；

每个样本中的元素包括一次用例的完整执行生成的一组日志信息：人机交互(at)纪录、终端物理层输出信息和终端协议栈输出信息，以及基站信令跟踪纪录。根据这些日志信息对应的用例执行结果是否存在异常、故障类型及故障发生的时间点等已有结论对每组输出信息按测试流程的不同分类，再按照故障类型分类。

对完成分类的每个用例的输出信息文件制作标注文件。标注文件的信息包括：用例编号、用例类别、以及日志信息中的异常参数和位置，训练样本集、标注文件用于第一级故障发现的网络模型的训练。

s202、对训练样本进行裁剪，提取训练故障识别参数流；

对训练样本中的输出信息进行裁剪，将与故障表征无关的数据剔除得到训练故障识别参数流，降低训练网络复杂度，提高故障定位的准确度。

本步骤需要把原始的日志信息中的有效信息提取出来。所提取的信息除了包含已有的人工、自动化测试中判断用例是否通过的常规信息rscp/rssi、sinr、crc结果，还包括本系统额外所需的内部信息和中间变量，如afc系数、agc系数、上行发射功率、数据块大小、专用/公共信道重复次数、上下行数据授权值、信道能量检测结果等等，构成训练故障识别参数流。

这样，裁剪后的数据包括上述信息构成的数据向量及向量中每个元素的时间戳，作为第一网络模型和第二网络模型的训练数据。

s203、通过对训练故障识别参数流的训练建立第一网络模型；

第一层故障识别网络模型由限制波尔兹曼机网络模型构成，用于异常输出的识别。该网络模型对用于经过裁剪的数据向量进行类别概率计算及回归。

受限玻尔兹曼机(restrictedboltzmannmachine，rbm)是一种生成式随机神经网络，该网络包含两个层----可见层和隐藏层。每个层各由一些可见单元(即数据样本)和一些隐藏单元(对应隐藏变量)构成。这些同一层的单元间没有连接，可见层中每一个单元与隐藏层中的所有神经元都有连接，隐藏层中的每一个神经元也与可见层中的所有神经元连接。

这里的一个可见单元是测试输出信息中某类有效信息构成的数据向量，如接收功率构成的数据向量或者是自动增益控制系数构成的数据向量，或不同时间点sinr构成的数据向量。而隐藏层单元的意义无法指定，它们被用来提取可见层单元之间的特征，获取可见层单元应变量之间的依赖关系。

受限玻尔兹曼网络主要参数包括：

nvnh：分别表示可见层和隐藏层中包含神经元的数量。

v＝(v1，v2….vnv)^t：可见层的状态向量，vi表示可见层中第i个神经元状态，在本系统中由s202中提取出的各参数以时间排列构成的向量而成。是第一网络模型的输入数据。

h＝(h1，h2…，hnh)^t，hj表示隐藏层中第j个神经元的状态

a＝(a1，a2….anv)^t：可见层的偏置向量，ai表示可见层中第i个神经元偏置

b＝(b1，b2…bnh)^t：bj隐藏层中第j个神经元的偏置。

w＝(wij)nh*nv：隐藏层和可见层之间的权值矩阵。wij表示隐藏层中第i个神经元与可见层中第j个神经元之间的连接权重。

训练时，使用s202处理后的训练样本集、及标注文件针对故障识别网络模型(第一网络模型)进行训练；

训练算法举例：

1初始化

1)确定训练样本集合s，s中共有样本数ns

2)给定训练周期j、学习率η及训练算法(如k步对比算法(缩写为cd-k算法))所需参数。

3)指定可见层和隐藏层的单元数据nv，nh。

4)初始化偏置向量a，b和权值矩阵w，通常令其为0。

2训练

fori＝1,2，。。。k

1)调用训练算法，生成dwidaidbi，其中dwi、dai和dbi为第i步得到的训练样本权值矩阵的梯度、偏置向量a的梯度、偏执向量b的梯度；并根据dwidaidbi生成dw、da、db，其中，为第i步得到的训练样本权值矩阵的梯度累加之和；为第i步得到的训练样本的偏执向量a的梯度累加之和；为第i步得到的训练样本的偏执向量b的梯度累加之和。

2)分别根据样本数、学习率以及dw、da、db计算参数：w，a和b。这里，具体的计算过程可通过受限玻尔兹曼网络模型的训练方法实现，本实施例不再进行赘述。

通过多次迭代学习，该网络模型可输出疑似异常输出信息的数据向量、元素及其置信度。

3建立故障相关参数、时间信息的约束关系。

结合已训练的第一网络模型得到的异常用例执行输出信息中的异常数据向量，找到输出信息异常对应的时间戳。

s204、通过对训练故障识别参数流的训练建立第二网络模型；

第二级故障判别采用cnn。cnn是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型存在约束关系的数据向量组的模式分类非常适合。

卷积神经网络拥有四项基本特点：局部互联共享权值下采样和使用多个卷基层。

卷积神经网络的结构形式是：输入层-->卷积层-->池化层-->(重复卷积、池化层)…-->全连接层-->输出结果。

输入层：输入层读入经过简单的规则化(统一数据格式)的数据向量。每一层中的单元将前一层中的一组小的局部相邻的单元作为输入。本系统中输入为步骤1-2中裁剪且规格化的样本(如接收/发射功率、agc/afc参数、数据重传标志符等等)。

卷积层：卷基层训练层的主要功能是生成特征数据，每个单元通过一组滤波器组的权值连接到上一层的局部特征数据。局部特征数据的加权和将被非线性单元处理。同一组特征数据的所有单元共享同一套滤波器组，而同一层的不同特征数据使用不同的滤波器组。使用卷积层的原因是卷积运算的一个重要特点是，通过卷积运算，可以使原信号特征增强，并且降低噪音。使用这种结构的原因在于：一方面，在同类特征数据中，局部数据具有相关性，形成易检测的数据向量；另一方面数据向量具有时间上的无关性。

池化层的本质是降采样，用于对卷积结果进行降低维度。根据数据局部相关性的原理，对数据进行降采样可以减少计算量。

输入的数据向量经过层层卷积、池化后生成数据向量携带故障分类的特征

卷积层中，前一层的数据向量特征与一个可学习的核进行卷积，卷积的结果经过激活函数后的输出形成这一层的神经元，从而构成该层特征数据。卷积层与抽样层间隔出现，卷积层每一个输出的特征数据可能与前一层的几个特征数据的卷积建立关系。每个特征数据有不同的卷积核。卷积层主要的任务就是从不同的角度来选择前一层特征数据的各角度特征使其具有时间轴上的不变性。卷积的本质就是对前一层的特征数据进行处理，来得到这一层的特征数据。接下来特征数据进入池化层，降低网络的时间轴上的分辨率，通过降低数据的空间分辨率来对抗偏移和数据的扭曲。

全连接层：采用softmax全连接，得到的激活值即卷积神经网络提取到的数据特征。全连接层的输入是一系列由卷积层和池化采样层进行特征提取得到的特征数据。

最后一层输出层是一个分类器。根据特征数据进行故障分类。

在训练时，将s202中裁剪且归类好的训练故障识别参数流及s203中输出的疑似异常数据类型及其时间戳信息被依次作为网络输入开始训练。

具体说来，根据实际故障判别任务训练故障判别的网络模型，确定该网络的大小、网络层数、网络深度、网络的输入输出、以及卷积核模板大小和个数、池化窗口大小等网络结构设置。

第二网络模型的训练通常分为两个阶段：

第一阶段，向前传播阶段：

在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是训练算法，例如：将输入与每层的权值矩阵相点乘，得到最后的输出结果。

第二阶段，向后传播阶段；

训练时样本经过第二级网络的训练得到的结论将与已知标准结论进行比对，根据比对结果调整训练参数的初始化方式，以及学习速率方案、迭代次数等超参数，直至网络收敛，训练结束。对训练好的网络模型使用待分析样本集进行测试，检验故障识别和分析网络模型的效果，若效果不好则需要调整超参数重新训练。

s205、将第一网络模型和第二网络模型进行级联并调整第一网络模型的网络参数和第二网络模型的网络参数。

在建立第二网络模型后，将第一网络模型与第二网络模型进行级联，组成用于识别并检测故障的网络系统。

当将第一网络模型和第二网络模型级联后，可将训练样本的训练故障识别参数流依次经过第一网络模型和第二网络网络模型得出的输出与理想的输出进行比对，根据比对结果对第一网络模型的参数进行调整，也可对第二网络模型的参数进行调整。

例如：计算第二网络模型的实际输出op与相应的理想输出yp的差；

按极小化误差的方法反向调整第一网络模型的隐藏层与可见层之间的权值矩阵。

在本发明实施例中，将训练好的第一级多类易故障区域同步定位的网络模型和训练好的第二级多类故障判别的网络模型级联。第一级网络模型发现输出信息出现异常，输出的异常参数和异常出现时间输入第二级故障类别的模型中进行判断，实现对故障异常的先判断后分析的功能。

如图2b所示，在进行训练时，包括：

s210、获取原始用例输出信息；

s211、对原始用例输出信息中已有结论的样本进行分类、标签化，标记各输出信息的故障类型；

s212、对获取的样本进行裁剪；

选择用于训练的参数来训练第一网络模型和第二网络模型。

s213、在训练第一网络模型时，采用第一深度学习算法训练得到第一网络模型的网络参数，建立第一级基于受限玻尔兹曼机；

s214、建立参数-时间信息之间的约束关系，以定位可疑故障参数。

s215、采用第二深度学习算法训练得到第二网络模型的网络参数，建立第二级基于卷积神经网络的网络模型；

s216、将第二网络模型的输出和原始用例输出信息的结论进行比对；

在得到比对结果后，确定第二网络模型的输出和原始用例输出信息的结论存在误差时，将比对结果执行s213和s216，对第一网络模型的参数和第二网络模型的参数进行调整，已建立更精确的第一网络模型和第二网络模型。

在本实施例中，通过样本训练用于检测故障的第一网络模型和第二网络模型，其中，第一网络模型和第二网络模型都是通过对大量的样本数据进行深度学习而建立的，从而利用庞大的数据信息判断测试用例的执行结果。

实施例三

如图3所示，在本发明实施例中，以具体的样本数据为例对本发明实施例提供的故障检测的方法进行说明。

s301、对输出信息进行裁剪确定故障识别参数流；

将原始输出中的接收/发射功率、噪声功率、agc、afc、上下行数据块译码结果指示、各子载波能量信息、网测调度信息、上下行重传次数、数据块大小等参数剥离出来，作为第一网络模型(故障识别网络)的输入。对输出信息进行裁剪后得到的故障识别参数流的部分可以如表1所示，其中，noise_db为噪声功率，rsrp_db为接收信号功率，rsrq_db为接收信号质量，sir_db为信干比，agcave为agc系数，dagcgain为动态自动增益，pdschrptnum为物理下行共享信道重复次数，dlcrc为下行crc，用于下行数据块译码结果指示，wndi为新数据指示，为网测调度信息的一种，afcvalue为afc系数。

表1、部分故障识别参数流

s302、将故障识别参数流作为输入输入到第一网络模型得到第一输出，确定故障可疑信息；

将表1中的数据输入第一级故障识别网络，得到第一网络模型的输出；

其中，第一网络模型的输出为：

可疑故障参数：sinr/reptnum

置信度：83.4％。

这里，通过第一网络模型的识别，发现时间4:18:33时sinr的值波动变大，2秒后上下行重传次数增大，确定可疑故障参数为snr和上下行重传次数，这里，基于sinr/reptnum出现故障的置信度为83.4％。根据参数约束关系确定与sinr/reptnum具有约束关系的关联参数，包括：rsrp_db、rsrq_db、sir_db、agcave、dagcgain、pdschrptnum、dlcrc和wndi，并将时间4:18:33扩大至4:18:33至4:18:37，如表2中黑体部分所示。

表2、故障识别参数流中存在故障的部分

这里，将表2所示的4:18:33至4:18:37时间段内的可疑故障参数和关联参数以及s301中的故障识别参数流作为故障可疑信息。

s303、将故障可疑信息输入第二网络模型，判断故障类型；

将表2所示的4:18:33至4:18:37时间段内的故障可疑信息以及s301中的故障识别参数流作为第二网络模型的输入，输入第二级基于卷积神经网络实现故障分类网络。通过该网络模型的运行，发现了与sinr/reptnum异常关联的pdcch检测能量、agc、afc的异常，得出故障分类结论：

故障类型：业务进行阶段下行链路接收异常。xx时间点，pdcch能量变弱，下行链路agc/afc异常。

实施例四

如图4所示，在本发明实施例中，以具体的样本数据为例对本发明实施例提供的故障检测的方法进行说明。

s401、对输出信息进行裁剪确定故障识别参数流；

将原始log中的rsrp、噪声功率、agc、初始期望接收功率、终端发送功率、发射定时调整量(taoffset)、等参数剥离出来，作为第一级故障识别网络的输入。对输出信息进行裁剪后得到的故障识别参数流的部分可以如表3所示，其中，noise_db为噪声功率，rsrp_db为接收信号功率，rsrq_db为接收信号质量，sir_db为信干比，agcave为agc系数，targetpwr为目标接收功率，taoffset为发射定时调整量，ulpwr为上行发射功率，preambletxnum为preamble发射次数。

表3、部分故障识别参数流

s402、将故障识别参数流作为输入输入到第一网络模型得到第一输出，确定故障可疑信息；

这里，将故障识别参数流输入第一级故障识别网络，得到第一网络模型的输出；其中，第一网络模型的输出为：

可疑故障参数：preamble重传次数；

置信度：93.2％；

这里，通过第一网络模型的识别，发现时间10:18:52/10:19:34/37preamble信道重传多次的异常。根据第一网络模型的输出调整可疑故障信息。

s403、将故障可疑信息输入第二网络模型，判断故障类型；

这里，s401中的故障识别参数流和s402中的疑似故障信息输入第二级基于卷积神经网络实现故障分类。通过该第二网络模型的运行，发现了与preamble重传次数异常关联的上行发射功率、上行时间调整量taoffset等参数的异常，得出故障分类结论：

故障类型：随机接入阶段故障。

时间点：10:18:19，没有及时收到基站随机接入响应，上行发射定时异常。

实施例五

为实现上述实施例提供的检测故障的方法，本发明实施例提供一种检测故障的装置，如图5所示，所述装置包括：提取单元501、故障识别单元502和故障判断单元503；其中，

提取单元501，用于获取输出信息，从所述输出信息中提取故障识别参数流；

故障识别单元502，用于将所述故障识别参数流作为第一输入输入到第一网络模型，得到表征所述输出信息是否存在故障的第一输出；

故障判断单元503，用于根据所述第一输出确定所述输出信息存在故障时，将所述故障识别参数流和所述第一输出作为第二输入输入到第二网络模型，得到表征异常类型的第二输出，根据所述第二输出确定故障检测结果；其中，所述第一网络模型和第二网络模型为基于深度学习的网络模型。

这里，所述第一输出包括可疑异常参数和所述可疑异常参数对应的置信度；所述装置还包括：调整单元504，用于当所述可疑异常参数对应的置信度小于预设置信度阈值时，根据所述可疑异常参数对所述第二输入进行调整。

调整单元504具体用于：根据所述可疑异常参数和预设的参数约束关系确定关联可疑参数；将所述故障识别参数流、所述可疑异常参数和所述关联可疑参数作为第二输入。

调整单元504具体还用于：

确定所述可疑异常参数的出现时间，获取所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数；将所述故障识别参数流、所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数作为第二输入。

如图6所示，所述装置还包括：训练单元505，用于：将训练样本依次经过第一网络模型和第二网络模型后得到训练故障检测结果；将所述训练故障检测结果与所述训练样本的故障信息进行比对得到比对结果，采用极小化误差的方法根据所述比对结果对所述第一网络模型的网络参数和/或第二网络模型的网络参数进行调整。

需要说明的是：上述实施例提供的检测故障的装置在进行故障检测时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的检测故障的装置与检测故障的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

实施例六

本发明实施例还提供了一种检测故障的装置，该检测故障的装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，

其中，所述处理器用于运行所述计算机程序时，执行：

获取输出信息，从所述输出信息中提取故障识别参数流；将所述故障识别参数流作为第一输入输入到第一网络模型，得到表征所述输出信息是否存在故障的第一输出；根据所述第一输出确定所述输出信息存在故障时，将所述故障识别参数流和所述第一输出作为第二输入输入到第二网络模型，得到表征异常类型的第二输出，根据所述第二输出确定故障检测结果；其中，所述第一网络模型和第二网络模型为基于深度学习的网络模型。

所述第一输出包括可疑异常参数和所述可疑异常参数对应的置信度；所述处理器还用于运行所述计算机程序时，执行：当所述可疑异常参数对应的置信度小于预设置信度阈值时，根据所述可疑异常参数对所述第二输入进行调整。

所述根据所述可疑异常参数对所述第二输入进行调整包括：根据所述可疑异常参数和预设的参数约束关系确定关联可疑参数；将所述故障识别参数流、所述可疑异常参数和所述关联可疑参数作为第二输入。

所述根据所述可疑异常参数对所述第二输入进行调整还可包括：确定所述可疑异常参数的出现时间，获取所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数；将所述故障识别参数流、所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数作为第二输入。

所述处理器还用于运行所述计算机程序时，执行：将训练样本的训练故障识别参数流依次经过第一网络模型和第二网络模型后得到训练故障检测结果；将所述训练故障检测结果与所述训练样本的故障信息进行比对得到比对结果，采用极小化误差的方法根据所述比对结果对所述第一网络模型的网络参数和/或第二网络模型的网络参数进行调整。

基于此，图7是本发明另一实施例的检测故障的装置的结构示意图，图7所示的检测故障的装置700包括：至少一个处理器701和存储器702。检测故障的装置700中的各个组件通过总线系统703耦合在一起。可理解，总线系统703用于实现这些组件之间的连接通信。

可以理解，存储器702可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，readonlymemory)、可编程只读存储器(prom，programmableread-onlymemory)、可擦除可编程只读存储器(eprom，erasableprogrammableread-onlymemory)、电可擦除可编程只读存储器(eeprom，electricallyerasableprogrammableread-onlymemory)、磁性随机存取存储器(fram，ferromagneticrandomaccessmemory)、快闪存储器(flashmemory)、磁表面存储器、光盘、或只读光盘(cd-rom，compactdiscread-onlymemory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，randomaccessmemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，staticrandomaccessmemory)、同步静态随机存取存储器(ssram，synchronousstaticrandomaccessmemory)、动态随机存取存储器(dram，dynamicrandomaccessmemory)、同步动态随机存取存储器(sdram，synchronousdynamicrandomaccessmemory)、双倍数据速率同步动态随机存取存储器(ddrsdram，doubledataratesynchronousdynamicrandomaccessmemory)、增强型同步动态随机存取存储器(esdram，enhancedsynchronousdynamicrandomaccessmemory)、同步连接动态随机存取存储器(sldram，synclinkdynamicrandomaccessmemory)、直接内存总线随机存取存储器(drram，directrambusrandomaccessmemory)。本发明实施例描述的存储器702旨在包括但不限于这些和任意其它适合类型的存储器。

本发明实施例中的存储器702用于存储各种类型的数据以支持检测故障的装置700的操作。

上述本发明实施例揭示的方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(dsp，digitalsignalprocessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件完成前述方法的步骤。

在示例性实施例中，检测故障的装置700可以被一个或多个应用专用集成电路(asic，applicationspecificintegratedcircuit)、dsp、可编程逻辑器件(pld，programmablelogicdevice)、复杂可编程逻辑器件(cpld，complexprogrammablelogicdevice)、现场可编程门阵列(fpga，field-programmablegatearray)、通用处理器、控制器、微控制器(mcu，microcontrollerunit)、微处理器(microprocessor)、或其他电子元件实现，用于执行前述方法。

实施利七

在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，例如包括计算机程序的存储器702，上述计算机程序可由检测故障的装置的处理器701执行，以完成前述方法所述步骤。计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flashmemory、磁表面存储器、光盘、或cd-rom等存储器。

一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器运行时，执行：

获取输出信息，从所述输出信息中提取故障识别参数流；

将所述故障识别参数流作为第一输入输入到第一网络模型，得到表征所述输出信息是否存在故障的第一输出；

根据所述第一输出确定所述输出信息存在故障时，将所述故障识别参数流和所述第一输出作为第二输入输入到第二网络模型，得到表征异常类型的第二输出，根据所述第二输出确定故障检测结果；其中，所述第一网络模型和第二网络模型为基于深度学习的网络模型。

所述第一输出包括可疑异常参数和所述可疑异常参数对应的置信度；所述计算机程序被处理器运行时，还执行：当所述可疑异常参数对应的置信度小于预设置信度阈值时，根据所述可疑异常参数对所述第二输入进行调整。

所述根据所述可疑异常参数对所述第二输入进行调整包括：根据所述可疑异常参数和预设的参数约束关系确定关联可疑参数；将所述故障识别参数流、所述可疑异常参数和所述关联可疑参数作为第二输入。

所述根据所述可疑异常参数对所述第二输入进行调整还可包括：确定所述可疑异常参数的出现时间，获取所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数；将所述故障识别参数流、所述可疑异常参数的出现时间的预设时间范围内的可疑异常参数作为第二输入。

所述计算机程序被处理器运行时，还执行：将训练样本的训练故障识别参数流依次经过第一网络模型和第二网络模型后得到训练故障检测结果；将所述训练故障检测结果与所述训练样本的故障信息进行比对得到比对结果，采用极小化误差的方法根据所述比对结果对所述第一网络模型的网络参数和/或第二网络模型的网络参数进行调整。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。