用于网络性能根本原因分析的方法和系统与流程

本公开一般涉及电信网络的领域，并且更特别地涉及用于监视和分析网络性能的方法和系统。

背景技术：

性能度量通常被限定为测量和监视电信网络的性能的健康。通常，公司内的工程/操作部门将其精力和努力聚焦于分析所限定的性能度量并触发适当的动作来维持或改进所分析的度量上。该过程通常发源于限定关键性能指标（kpi），工程师/操作员在根本原因分析（rca）中使用所述关键性能指标（kpi）来最终实现优化网络性能的动作。

目前，基于性能数据和kpi的这样的rca是由经验丰富的工程师执行的手动过程，其中kpi被分解为组分（component）并且对其应用相关分析以用于标识网络问题的根本原因。例如，来自各种网络元件（即，enb、mme、rnc）的数据被搜集在数据仓库中并且在不同的层次级别（即，小区、市场、区域、国家）和不同的时间段（即，每小时、每天）处聚合。工程师然后基于分析需要通过使用前端或图形用户界面（gui）创建定制或预限定查询来手动查询数据仓库。工程师通常利用报告工具来生成kpi报告并分析数据，这可能导致附加的分析，直到达到分析的最终目标（根本原因）。这样的分析是非常耗时且低效的，因为它可以花费工程师若干天来执行分析。

随着电信行业的巨大增长和大数据的出现，已经开发了分析引擎来提高现有手动网络分析过程的效率。例如，这些引擎可以处理大量的数据以评估网络健康、执行故障排除、预测网络需求和管理客户需要。然而，在这些分析引擎中存在限制。这些引擎仍然需要手动步骤，如上所述，其既是时间低效的又是成本低效的。此外，在这些引擎中利用的方法是不一致且不系统化的，因为进行分析的工程师/操作员的技能水平可能变化很大。这些引擎有时也需要手动过程的重复，这再次降低了分析的时间效率，因为过去的经验/学习未被捕获以供将来使用。

技术实现要素：

电信网络中的系统包括包括至少一个度量的数据库、被配置用于分析所述至少一个度量的至少一个模块、被配置用于显示所述至少一个模块的图形用户界面、以及被配置用于确定网络中的根本原因的处理器。

电信网络中的方法包括在数据库中限定至少一个度量，从数据库中选择至少一个度量，将至少一个模块应用于所选度量，以及从处理器生成网络中的根本原因。

具有处理器的电信网络中的方法包括从度量储存库中选择度量，标识所选度量的组分，将至少一个模块应用于所选度量的组分，将来自至少一个模块的数据存储在处理器的存储器中，在处理器处基于所存储的数据生成根本原因。

附图说明

为了帮助正确理解本公开，应当参考附图，其中：

图1是根据本公开的系统；

图2是图示根据本公开的实施例的kpi结构的图；

图3是图示根据本公开的kpi层次的图；

图4是图示根据本公开的实施例的模块的图；

图5是图示根据本公开的实施例的另一模块的图；

图6是图示根据本公开的实施例的用于限定图5中的模块的方法的流程图；

图7是图示根据本公开的方法的流程图；

图8是图示根据本公开的另一种方法的流程图；

图9是根据本公开的示例性图形用户界面；

图10是根据本公开的模块的示例性图形用户界面；

图11是根据本公开的模块的另一示例性图形用户界面；以及

图12是根据本公开的模块的又另一示例性图形用户界面。

具体实施方式

本公开提供了用于分析电信网络中的性能度量的系统和方法。现有的性能分析系统本质上通常是手动的，并且不是成本或时间高效的，因为它可以花费熟练的工程师/操作员若干天来确定网络问题的根本原因。在目前的电信网络中，可以从这些网络搜集的数据量非常大，并且对这样的数据的手动分析是有限的且耗时的。

为了解决这些问题，本公开包括提供用于确定网络中的根本原因的自动化过程的性能分析系统和方法。本系统和方法利用分析工作流，其通过执行关键性能指标（kpi）及其组分的自动化分析来引导用户通过根本原因分析（rca）过程，并且在用户友好的直观图形用户界面上显示该过程。应当理解，虽然本公开涉及电信网络中的分析，但是该系统和方法可以被用于分析其他行业领域，诸如例如金融、保健和零售。

现在参考图1至3，提供了电信网络中的系统100，并且系统100包括包括至少一个度量104的数据库102。数据库102可以包括搜索功能，其使得用户能够高效地选择用于分析的至少一个度量。系统100还包括被配置用于分析至少一个度量的至少一个模块106。此外，提供图形用户界面（gui）108（例如参见图2和5），并且其被配置用于显示至少一个度量104和模块106。处理器110也包括在系统100中，并且被配置用于确定网络中的根本原因。如图1中所见，至少一个度量104包括至少一个关键性能指标或kpi112，其可以包括至少一个子关键性能指标114和至少一个组分116。

出于图形方便和简单，至少一个关键性能指标112以层次次序或树结构布置并显示在图形用户界面108上。当用户在数据库102中搜索kpi112并且将所选kpi“投放（drop）”到gui上时，例如，kpi的树结构被显示，从而揭示所选kpi的逻辑组成。例如，并且如图2中所示，提供了示例性kpi112树结构。树结构可以包括至少一个子kpi114和至少一个组分116。这样的树结构将kpi112的组成清楚地展示给用户/操作员，并且帮助他们对kpi的逻辑组成的学习。通过以树结构图形地显示kpi112的每个组成，用户可以容易地确定应当针对网络分析而选择哪个kpi，因为组成被视觉地展示给用户，而不是例如复杂的公式。

转向图3，kpi112可以具有“x”层次级别的聚合，其中级别“1”是最高的，并且级别“x”是最低的。具体地，级别1可以是“国家”级别，其中级别2是“区域”级别，级别3是“州”级别，并且级别x是“城市”级别。级别1将包含级别2、级别3、一直到级别“x”。类似地，层次中的级别2将包含级别3和直到级别“x”的所有级别。级别3将包含直到级别“x”的所有较低级别等等，直到达到级别“x”。在下面描述的方法期间，处理器使用所选模块来分析每个层次级别处的kpi112（及其组成），以用于确定网络中的根本原因。用户/操作员可以限定在哪个层次级别处完成根本原因分析，然后可以搜索/分析例如在该层次级别处提供的kpi112。

再次参考图1，至少一个模块106可以是“分析器工具套件”的一部分，其中至少一个模块可以包括顶级（top）事故原因（offender）模块118和定制相关模块120中的至少一个。此外，顶级事故原因模块118可以包括例如顶级事故原因子关键性能指标模块122、顶级事故原因组分模块124和顶级事故原因级别模块126中的至少一个。基于操作员/用户需要，附加模块也可以是可能的。如下面将进一步详细描述的，顶级事故原因模块118被配置为标识顶级事故原因子关键性能指标、组分和级别。定制相关模块120被配置为使得能够搜索数据库以将至少一个度量添加到图形用户界面，并且可以在处理器110分析了顶级事故原因模块118之后被分析。处理器110被配置为分析顶级事故原因模块118和定制相关模块120以用于确定网络中的根本原因，这将在下面进一步详细描述。

现在转到图4-6，将进一步详细地描述上文标识的模块。图4描绘了示例性顶级事故原因模块118。如下面将进一步详细描述的，处理器110被配置为通过分析所选kpi112、其子kpi114及其组分116来分析顶级事故原因模块118，以确定最低层次级别（例如，如上文关于图3所描述的级别“x”）处的根本原因kpi组分。如图4中所示，各种输入被放入到顶级事故原因模块118中并被分析；在分析完成之后，顶级事故原因模块输出例如层次中的顶级事故造成（offending）子kpi或组分，以及每个顶级事故原因与所选kpi112的共关系（co-relation）值。顶级事故原因模块118被配置为分析kpi组成，并确定这些组成中的哪个对网络造成最大影响。

图5和图6图示了定制相关模块120和用于创建模块120的方法。定制相关模块120可以在从顶级事故原因模块118的分析确定了根本原因和/或最有影响力的kpi之后被利用。定制相关模块120允许用户将来自具有与由处理器在分析顶级事故原因模块118之后确定的相同根本原因的其他kpi112的子kpi114和组分116相关联。定制相关模块120是可定制模块，其允许用户使用kpi112在图形用户界面上构建其自己的框架/仪表板。通过分析具有相同根本原因的各种kpi112，系统100可以导出网络问题的更精确根本原因，因为系统100不仅分析所选kpi112及其组成，而且分析先前选择/分析的kpi112及其组成。例如，如图6中所示，用户（或处理器）可以输入从顶级事故原因模块118输出的kpi以及附加选择的kpi/子kpi/组分（例如基于直接输入或搜索然后选择），以在gui上的kpi仪表板上创建分析树或层次结构（如图5中所示）。当分析完成时，网络的根本原因可以由处理器110输出。

更具体地，例如，当利用定制相关模块时，在602处，将模块放置到kpi仪表板/gui上，并且在604处提示弹出式ui，其使得能够在606处选择可用的kpi/计数器。这些选择在608处提交，并且在610处，所选度量被添加到定制相关模块120的gui（针对模块的样本gui参见图5）。考虑的是，定制相关模块120使得系统能够提供比在其确定根本原因时不包括先前分析的kpi的先前系统更准确的根本原因分析。定制相关模块120也是有利的，因为它允许用户/操作员基于个人需要来剪裁根本原因分析，并且因为它提供了易于使用和理解的gui。

处理器110被配置用于使用例如提供在处理器110内或作为与处理器通信的单独组件而提供的自学习机器128（参见图1）来分析所选kpi112和模块106。换句话说，经由自学习机器128，处理器110可以被配置为使用无监督学习方法或监督学习方法来分析kpi112和模块106。在无监督学习方法中，机器128可以被（自动地或由用户/操作员手动地）配置为自主地学习kpi112、子kpi114和组分116之间的关系/关联。通过利用监督学习方法，可以训练机器128来利用定制相关模块120的分析作为输出数据。在若干训练迭代之后，经由机器128，处理器110可以基于从网络收集的先前的kpi和性能数据来概括根本原因。

现在转到图7，系统100提供用于分析网络性能的方法700。方法700包括在702处在数据库中限定至少一个度量。在703处，该方法包括限定分析的层次级别（即，如上文关于图3所描述的级别1、级别2、级别3等）。在704处，例如，作为搜索的结果或者通过由用户/操作员的直接输入，从数据库中选择至少一个度量。在708处，至少一个模块被应用于所选度量。在714处，处理器生成网络中的根本原因。在应用至少一个模块之前，方法700可以在706处包括将所选度量分解为至少一个子度量和至少一个组分。如上所述，当将度量/kpi112拖动到gui108上时，视觉地分解度量/kpi112，由此允许用户/操作员容易地看到其组成并且确认已经选择了所期望的度量/kpi。

如上文关于图1-6所述，至少一个模块106包括至少一个顶级事故原因模块118和定制相关模块120。在708处，将至少一个模块应用于所选kpi/度量112。具体地，如果kpi112包括子kpi114，则方法700将在步骤708a处应用顶级事故原因子kpi模块122。如果kpi112不包括任何子kpi114，则确定所选kpi112是否包括组分116。如果是，则方法700移动到708b，在708b处顶级事故原因组分模块124分析所选kpi112的组分116。步骤708、708a、708b的该相同过程继续，直到所选kpi112的每个子kpi114和/或组分116已经由处理器110分析。在708c处，顶级事故原因级别模块126分析所选kpi112的层次级别。

当处理器110在步骤708a-c处分析了各种顶级事故原因模块时，处理器在710处利用定制相关模块120来进一步确定网络的根本原因。如上所述，利用定制相关模块120，用户/操作员可以向gui/仪表板添加附加的度量/kpi以用于分析，以及将先前收集的kpi数据添加到gui，例如以进一步增强rca。在714处，基于顶级事故原因模块118和定制相关模块120的分析，处理器110生成网络中的根本原因。方法700可以可选地包括在712处将由顶级事故原因模块118和定制相关模块120所确定的根本原因发送到自学习机器128。如上所述，机器128可以利用无监督学习方法或监督学习方法来确定网络中的根本原因并向处理器提供该根本原因，处理器例如在714处将在gui上向用户/操作员生成根本原因。如上所述，自学习机器128可以是处理器110的可选部分，并且被配置用于从每个根本原因分析学习并帮助将来的根本原因分析。自学习机器128被配置为减少对相同kpi/层次级别/模块的重复分析，由此提高rca的效率。

图8-12提供了利用本系统100的更具体的用例方法800。方法800包括在802处限定用于该方法的层次级别。具体地，在802处，用户/操作员确定在哪个层次级别（即国家、区域、市场）处继续进行方法/分析。在804处，该方法包括从度量储存库中选择度量。在806处，标识所选度量的组分（参见图9）。在808处，将至少一个模块应用于所选度量的组分。在812处，来自至少一个模块的数据被存储在处理器的存储器中。在814处，处理器基于所存储的数据生成网络中的根本原因。

具体地并且类似于方法700，如果kpi112包括子kpi114，则方法800将在步骤808a处应用顶级事故原因子kpi模块122。如果kpi112不包括任何子kpi114，则确定所选kpi112是否包括组分116。如果是，则方法800移动到808b，在808b处顶级事故原因组分模块124分析所选kpi112的组分116。步骤808、808a、808b的该相同过程继续，直到所选kpi112的每个子kpi114和/或组分116已经由处理器110分析。在808c处，顶级事故原因级别模块126（也已知为顶级事故原因站点模块或顶级事故原因市场模块，这取决于分析的层次级别）分析所选kpi112的层次级别。

当处理器110在步骤808a-c处分析了各种顶级事故原因模块时，处理器在810处利用定制相关模块120来进一步确定网络的根本原因。定制相关模块120被配置为限定来自度量储存库的附加度量，并将附加度量布置到包括kpi112的任何子kpi114和组分116的层次树结构（如图9中所示）中。例如并且如图10中所示，定制相关模块可以用来基于用户偏好（参见图10中的“选择度量”表）将附加的kpi112添加到kpi树以进一步改善根本原因分析。为了将这些kpi112添加到仪表板/gui108，用户可以搜索并选择所期望的kpi。图11图示了在将这些所选kpi添加到树结构之后显示的图形用户界面108。方法800然后可以应用顶级事故原因计数器模块来分析被添加到树结构的组分116，以确定网络中的根本原因，如图12中所示，其中在该示例中指示了根本原因可以在分组会话afrkpi中找到，并且更具体地指示了这些故障是由接纳控制（ac）原因所引起的，其中队列满/冻结基站收发机（bts）是ac问题的主要原因。

方法800可以可选地包括处理器利用该方法来分析所选度量、至少一个模块、以及来自先前完成的网络分析的之前选择的度量和模块。例如，经由上述的自学习机器128，处理器110可以被配置为构建说明来自先前分析的kpi112、子kpi114和组分116之间的关系/关联的固有模型，并且使用该信息来确定关于目前选择的kpi中的信息的网络中的根本原因。在标识了根本原因的情况下，本系统100和方法700、800被配置为基于由处理器110所生成的根本原因来驱动针对电信网络的优化。

该方法还可以包括在处理器的图形用户界面上显示所选度量的组分，如本公开的图2和10-12中所示。还考虑的是，方法800可以包括在处理器的图形用户界面上显示由处理器所生成的根本原因（图12）。

本公开提供了用于确定网络中的根本原因问题的自动化的机器学习方法。本方法可以用于例如网络性能趋势分析、网络性能增益量化、性能故障排除、网络容量分析和网络基准测试中，虽然应当理解，该列表并不是穷举的，并且本方法和系统可以用于电信网络中的各种其他领域中以及用于依赖于网络/性能质量的其他领域中。目前描述的方法提供了用于将kpi分解为其子kpi和组分并且将这些kpi布置到在图形用户界面上可搜索且容易操纵的树结构中的高效且用户友好的方式。本公开还提供了顶级事故原因模块，其用于在层次级别上分析子kpi和组分，从而使得能够实现更深入且更详细的框架以用于确定网络中的根本原因。本公开还提供了定制相关模块，其用于分析附加的子kpi和组分以用于确定网络中的根本原因。在本公开中还提供了具有自学习能力的处理器，从而使得处理器能够在各种迭代之上基于目前和过去的kpi分析来学习网络中的根本原因。还考虑的是，本系统和方法可以在不具有对现有网络组件或基础结构的实质性改变的情况下集成到电信网络中。

本公开的实施例可以以软件（由一个或多个处理器执行）、硬件（例如，专用集成电路）或软件和硬件的组合来实现。在示例性实施例中，软件（例如，应用逻辑、指令集）被维持在各种常规非暂时性计算机可读介质中的任何一个上。在本文档的上下文中，“非暂时性计算机可读介质”可以是可以包含、存储、传送、传播或传输指令以供指令执行系统、装置或设备（诸如计算机）使用或与其结合使用的任何介质或部件。非暂时性计算机可读介质可以包括计算机可读存储介质（例如，存储器或其他设备），其可以是可以包含或存储指令以供指令执行系统、装置或设备（诸如计算机）使用或与其结合使用的任何介质或部件。因此，本公开包括计算机程序产品，其包括承载体现在其中以供计算机使用的计算机程序代码的计算机可读存储介质，所述计算机程序代码包括用于执行如前所述的方法及其变化中的任何一个的代码。此外，本公开还包括一种装置，其包括一个或多个处理器以及包括计算机程序代码的一个或多个存储器，其中所述一个或多个存储器和所述计算机程序代码利用所述一个或多个处理器配置为使得所述装置执行如前所述的方法及其变化中的任何一个。

如果期望，本文讨论的不同功能可以以不同次序和/或彼此同时地执行。此外，如果期望，上述功能中的一个或多个可以是可选的或可以被组合。

虽然在独立权利要求中阐述了本公开的各个方面，但是本公开的其他方面包括来自所描述的实施例和/或从属权利要求的特征与独立权利要求的特征的其他组合，而不仅仅是在权利要求中明确阐述的组合。

此处还要注意，虽然上文描述了本公开的示例性实施例，但是这些描述不应在限制意义上被查看。相反，存在可以在不脱离如所附权利要求中限定的本发明的范围的情况下做出的若干变化和修改。

本领域普通技术人员将容易理解，如上所讨论的本发明可以利用采用不同次序的步骤和/或利用采用与所公开的配置不同的配置的硬件元件来实施。因此，虽然已经基于这些优选实施例描述了本公开，但是对于本领域技术人员将显而易见的是，某些修改、变化和替代构造将是显而易见的，而同时保持在本发明的精神和范围内。因此，为了确定本公开的边界和范围，应当参考所附权利要求。

在说明书和/或绘图中可以找到的以下缩写被限定如下：

ac接纳控制

afr接入故障度量

gui图形用户界面

kpi关键性能指标

rca根本原因分析。