专利名称：一种移动核心网故障数据识别的几何判别方法
技术领域：
本发明涉及通讯网络领域，具体涉及一种移动核心网故障特征的识别方法。
背景技术：
目前国内外有关网络故障的识别方法和诊断技术主要有(I)基于图的故障诊断技术基于图的故障诊断技术包括故障传播模型和故障定位技术。其中故障传播模型主要有基于依赖图的模型、基于因果图的模型和短语结构语法模型等。Katzela and Schwartz (1995)提出了基于依赖图的模型用来解决通信网络环境中的故障诊断问题。张小松，伦志新和窦炳琳(2005)基于依赖图的技术对网络故障进行识别。Lo，Chen和Lin (2000) 利用因果图模型研究通信网络的故障识别问题，描述通信网络事件之间的因果关系。Chao， Yang和Liu(2001)提出一种面向域的分级推理机制，它基于一个实证研究结果的精致网络故障传播模型的因果关系图。他们根据该分级推理机制的原理，在一个多域环境里设计了一个叫做告警关联视图的故障自动诊断系统。该系统不仅提供自动告警关联的过程，还提供高效的故障定位与识别的功能。安若铭，安伟光和谷吉海(2009)基于因果图的技术分析对网络诊断模型进行研究。Bouloutas, Calo和Finkel (1994)通过建立短语结构语法模型研究了移动通信网络的关联告警和故障识别问题。故障定位技术主要有基于代码本的故障定位技术、基于贝叶斯网络的故障定位技术和渐增故障假设更新故障定位技术等。(2)基于人工智能的故障诊断技术基于人工智能的故障诊断技术应用非常广泛。人工智能技术是一种专家系统， 该系统通过模仿人类专家在解决特定领域时的行为来解决问题。专家系统中知识库的知识，可以是从经验中获得的表面知识，也可以是通过理解系统行为的工作原理而得到的深层知识。据专家系统所使用知识结构的不同，解决故障定位问题主要有基于规则的推理技术、基于模型的推理技术、基于范例的推理技术、有限自动机技术、人工神经网络技术等。 Frontini,Griffin和Towers (1991)基于知识系统采用规则推理的确定性模型研究了广域网的故障定位问题。Sehwartz, Adler, BI I Imers (1995)和 Steimann, Fr 和 Ne jdl (1999)米用基于模型的推理技术研究了通讯网络的故障问题。Lewis (1993)基于范例的推理技术研究了通信网络中的故障管理问题。Amani，Fathi,Dehghan (2005)基于范例的推理技术研究了通信网络中的告警滤波及关联问题。Boulouta,Hart和Schwartz (1992,1993)提出有限自动机技术研究通信网络异常数据检测和故障识别等问题。孙颖楷和曹龙汉(2000)利用基于粗糙集理论的人工神经网络对故障进行诊断。(3)基于线性模型的故障识别技术基于线性模型的故障识别技术是采用移动核心网的性能数据，通过分析数据的历史分布规律，从中抽象出异常数据或故障数据的特征，然后建立线性判别模型来对新的样本数据进行异常数据或故障数据的识别。庞素琳，汪寿阳(2010,2011)通过建立异常数据线性判别模型对移动核心网性能数据进行异常数据判别分析，在实验中共采用某移动公司 2009年7月份共81个BSC有349920个数据，对异常数据判别的准确率达到100%。他们还提出一种二重联合线性判别模型，用来对故障数据进行判别分析，对故障数据进行有效的识别。在实验中共采用某移动公司2009年7月份共81个BSC有349920个数据，对可疑故障数据判别的准确率达到100 %。(4)其他方法的故障诊断技术在移动通信网络故障管理的研究中，除了以上介绍的几种方法外，还有其他一些研究方法。Rouvellou and Hart (1995)基于概率有限状态机器分别建立了故障和告警模型，其中故障模型是用来识别那些可能是不完全或不正确的数据，告警模型是用来呈现大量的故障和噪声信息。Tang,Luo和Yang(2002)根据在同一个时间点故障发生时将导致网络流量明显偏离正常网络流量的特点，建立了基于网络流量的多重分形模型，用来对故障进行检测。Chao，Natu和Sethi (2008)采用IP网络探测方法研究通信网络的故障隔离问题。Rathi和Thanuskodi (2009)将基于首页代理可靠性协议(VHAHA)作为一个完整的系统结构，把虚拟专用网络(VPN)扩展到移动Ipv6以支持网络性能可靠性，提供并解决移动 IPv6注册地区的安全问题，便于故障检测和数据恢复。钟仕群，朱程荣和齐邦(2006)利用贝叶斯网络集成方法建立了故障定位模型。郑秋华等(2007,2008)利用拉格朗日松弛和次梯度法研究网络故障智能诊断的关键技术。
发明内容
本发明的目的是提供一种移动核心网故障数据识别的几何判别方法。本发明为达到上述目的，采用的技术方案如下本发明研究某个BSC的TRAU曲线突然大幅下降的现象，并将此现象称为数据突降事件。进一步来说，本发明研究在数据突降事件中，TRAU数据突然大幅度往下掉，并一直掉到0，形成“瀑布线”的极端现象。所述TRAU曲线的建立方法为用n表示时间点，n为[1，144]内任一整数，n = I 时表示时间0:00，n = 144时表示时间23:50，n比下一个时间点n+1早10分钟，在某一日 n = 144时，则n+1表示次日的第I个时间点；以n为横坐标，以在n表示的时间采集到的 TRAU数据为纵坐标，建立TRAU曲线。很显然，当网络系统发生故障时，很多BSC的TRAU数据都会突然大幅下降，并一直下降到0，所以网络系统发生故障的现象属于数据突降事件。但反过来，当网络系统发生数据突降事件时，网络系统未必发生故障，原因是在网络系统运行正常的情况下，系统重启时也会导致TRAU值突然下降到O。不过，系统重启发生的数据突降事件，虽然不是由网络系统故障导致，但一样造成用户通话突然中断或无法拨通或是短信息无法发出或是滞后发出等妨碍用户通信的后果，同样影响用户正常的工作和生活，所以对用户来说这也是一种“故障”现象。只是不同的是，系统重启时间短，对用户的影响小；网络系统发生的故障持续时间长，对用户的影响大。为了区分这两种故障，本发明给出如下两个定义把时间维持在20 分钟以内(不含20分钟)的网络异常现象称为可疑故障，出现的时间点称为可疑故障点； 而把时间维持在20分钟以上(含20分钟)的网络异常现象称为告警型故障，出现的时间点称为告警型故障点。可见上述定义是根据数据采集的区间来定义可疑故障和告警型故障的，因为数据采集的粒度是10分钟。特别声明，除了系统重启之外，其他还有非网络故障原因导致的TRAU值为0，比如无用户或信号受强干扰影响等，本发明不予以考虑。本发明继而给出可疑故障点和告警型故障点的定义在某一条TRAU曲线上，在任意三个连续的时间点η、η+1和n+2中，其中η为[1，144]内任一整数，如果TRAU数据在区间[η，η+2]上两端点的取值均为非O值，但在中间时间点η+1处的取值为O值，则称该TRAU 曲线在区间[n，n+2]内产生可疑故障点，并且该O值为可疑故障。在某一条TRAU曲线上， 在任意k+2(k彡2)个连续的时间点n、n+l、n+2、…、n+k、n+k+l中，其中η为[1,144]内任一整数。如果TRAU数据在区间[n，n+k+l]上两端点的取值均大于0，但在区间内任一个非端点的时间点的取值均为O值，则称该TRAU曲线在区间[n，n+k+1]内产生告警型故障点， 并称这k个连续的O值为k-告警型故障。由于本发明采集到的TRAU数据粒度是10分钟，所以由上述定义可知，可疑故障持续的时间是在20分钟以内，但不足20分钟。值得注意的是，如果TRAU数据的粒度更小，就可以定义可疑故障持续的时间更短，比如如果采集到的TRAU数据粒度是5分钟的，就可以把可疑故障持续的时间定义在10分钟以内，不足10分钟。一旦故障时间持续到20分钟， 就会在同一个时间区域内出现2个故障点，由告警型故障点的定义知，此种情形为2-告警型故障点。将第二类故障类型称为“告警型故障”，原因是当TRAU数据连续出现到两次O值时，就要开始告警。本发明进一部给出TRAU数据分类规则。假设η, n+1, n+2, ···, n+k, n+k+1是任意k+2(k彡2)个连续时间点，TRAU曲线在这k+2个连续时间点处的取值分别为TRAU(η)， TRAU (n+1), TRAU (n+2),…，TRAU (n+k), TRAU(n+k+l)。显然，所有 TRAU 值都是非负数，所以在任意时间点η处都有TRAU(η)彡O。而对于正常的TRAU值应有TRAU(η) > 0，对于故障点则有TRAU(n) =O0在实际移动业务中，数据采集失败的默认值也为0，但本发明不考虑这种情况。于是可得到TRAU数据按“正常”、“可疑故障”和“告警型故障”的三类模式分类划分方法如表I所示。表ITRAU数据分类规则
权利要求
1.一种移动核心网故障数据识别的几何判别方法，其特征在于包括以下步骤(1)建立TRAU曲线用η表示时间点，η为[1,144]内任一整数，η= I时表示时间 0:00,η = 144时表示时间23:50,η比下一个时间点η+1早10分钟,在某一日η = 144时， 则η+1表示次日的第I个时间点；以η为横坐标，以在η表示的时间采集到的TRAU数据为纵坐标，建立TRAU曲线；(2)通过故障点判定模型判断某区间内是否出现故障点(I)若TRAU曲线在区间[η，η+2]内的点满足联立方程模型
2.如权利要求I所述的移动核心网故障数据识别的几何判别方法，其特征在于所述 TRAU数据为TRAU话务量数据。
3.如权利要求I所述的移动核心网故障数据识别的几何判别方法，其特征在于所述可疑故障点为出现时间维持在20分钟以内、但不含20分钟的网络异常现象的时间点。
4.如权利要求I所述的移动核心网故障数据识别的几何判别方法，其特征在于所述 k-告警型故障点为出现时间维持在20分钟以上、且含20分钟的网络异常现象的k个时方程B为间点，且k彡2。
5.如权利要求3所述的移动核心网故障数据识别的几何判别方法，其特征在于在TRAU 曲线上，在任意三个连续的时间点n、n+l和n+2中，若TRAU数据在区间[n，n+2]上两端点的取值均为非0值，但在中间时间点n+1处的取值为0值，则TRAU数据在区间[n，n+2]内产生可疑故障点，并且该0值为可疑故障。
6.如权利要求4所述的移动核心网故障数据识别的几何判别方法，其特征在于在TRAU 曲线上，在任意k+2个连续的时间点n、n+1、n+2、…、n+k、n+k+1中，若TRAU数据在区间 [n，n+k+1]上两端点的取值均大于0，但在区间内任一个非端点的时间点的取值均为0值， 则TRAU数据在区间[n，n+k+1]内产生告警型故障点，并称这k个连续的0值为k_告警型故障。
全文摘要
本发明公开了一种移动核心网故障数据识别的几何判别方法，具体给出移动核心网BSC的TRAU数据故障点的几何识别方法。本发明根据网络系统由于故障原因导致的TRAU数据突然下降到0的这种不正常现象，定义了数据突降事件，并对这类数据突降事件分别定义了可疑故障点和告警型故障点。还根据故障发生时间的不同和修复时间的不同，通过对故障几何特征进行分析，分别给出识别可疑故障点和告警型故障点的五个充要判据及证明，建立了相应的联立方程模型。本发明建立的故障识别机制能有效识别TRAU数据中的可疑故障点和告警型故障点。
文档编号H04L12/24GK102611579SQ20121007225
公开日2012年7月25日 申请日期2012年3月16日 优先权日2012年3月16日
发明者庞素琳, 汪寿阳 申请人:暨南大学