一种基于AR的运维知识推送方法与流程

本发明涉及通信领域，更具体地，涉及一种基于ar的运维知识推送方法。

背景技术：

为了保障电力通信网络中所有设备能够高效、稳定地工作，提供安全、高效的现场运维成为了关键。然而，电力通信网络的运维环境往往是复杂的，网络的数据分析仍然需要基于传统的经验观察，网络的非智能部件(如设备和线路等资源)的现场运维往往需要大量人员参与，这导致现场运维工作的质量依赖于运维人员的个人经验和现场情况。

为了解现有技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：

技术方案1：专利号为201510045205.6的专利《一种网络设备的远程维护方法、终端及系统》，该发明提供一种网络设备的远程维护方法、终端及系统，能使维护人员无需到故障点即可对网络设备进行管理和维护。所述系统包括：网络设备、网络管理服务器、终端，终端与网络设备建立蓝牙连接，终端与网络管理服务器建立socket连接；网络管理服务器，用于接收维护命令，并将维护命令发送给终端；终端，用于接收维护命令，并将维护命令转换为蓝牙格式的维护命令发送给网络设备；网络设备，用于接收并执行维护命令，将执行结果发送给终端；终端，还用于接收执行结果，并将执行结果转换为移动通信数据发送给网络管理服务器；网络管理服务器，还用于接收移动通信数据。

技术方案2：专利号为201510045205.6的专利《移动通信网络故障分析定位辅助系统》，该发明公开了一种移动通信网络故障分析定位辅助系统，包括案例库模块，用于存储用户提交的新增案例及相应的故障排查任务单到案例库，触发生成提示消息；新增案例探测器模块，用于对新增案例的监测，完成新增案例相应提示消息的转发和删除；案例归整索引模块，用于根据提示消息到案例库获取新增的故障排查任务单相应的基本信息和完整内容，根据基本信息和完整内容分别生成故障分类索引和解决方案全文索引，并存入故障解决方案经验库；故障解决方案经验库模块，用于将案例索引存入故障解决方案经验库，提供故障定位的数据源。在故障维护需求产生时，可利用该发明系统方便地搜索匹配相关故障解决方案，减少故障分析时间，提升解决问题效率。

技术方案3：专利号为201410440152.3的专利《一种基于图像传输的配变终端远程调试系统及其调试方法》，该发明涉及一种基于图像传输的配变终端远程调试系统，包括后台服务器和配变终端，后台服务器通过移动通信网络和/或以太网与配变终端通信；后台服务器由其上加载服务端调试软件的工作站pc机、主机、第一gsm模块和以太网接口模块组成；配变终端由其上加载配变端调试软件的主控cpu、第二gsm模块、嵌入式以太网模块、人机交互模块和数据采集模块组成。该发明还公开了一种基于图像传输的配变终端远程调试系统的调试方法。通过后台服务器即可对配变终端内的参数、数据进行设置和检查，从而实现远程调试。当运维人员到达现场，后台服务器还可以远程操控配变终端的液晶显示屏菜单，与运维人员互动，减轻现场运维工作量。

技术方案1，2，3采用不同的方法解决了通信网络现场运维中运维人员技术有限、经验不足的问题。技术方案1提出一种网络设备的远程维护方法，能使运维人员无需到故障点即可对网络设备进行管理和维护，但这种方法受通信线路的限制，无法对所有的现场设备进行排查。技术方案2公开了一种移动通信网络故障分析定位辅助系统，可利用该发明系统方便地搜索匹配相关故障解决方案，但该系统的故障定位依赖于运维人员主动上传故障报告，步骤较为繁琐。技术方案3提出一种基于图像传输的远程调试方法，能够远程协助现场人员进行快速调试，但该方案传输的图像仅是设备显示屏显示的内容，适用范围有限。

技术实现要素：

为了解决现有技术的不足，本发明提供了一种基于ar的运维知识推送方法，本发明通过增强现实(ar)技术通过实时叠加计算机生成的虚拟对象或信息和真实环境，向工作人员提供实际感官效果和丰富的场景信息，使不熟练的工人也能正确运维设备，缩短设备的运维周期，降低成本。而边缘计算的引入，能够加快数据处理和分析，降低业务时延。

为解决上述技术问题，本发明的技术方案如下：

一种基于ar的运维知识推送方法，包括以下步骤：

步骤s1：构建上下文知识推送模型；

步骤s2：将知识库中的知识在上下文知识推送模型计算相识度；

步骤s3：根据上下文知识推送模型计算出来相识度将知识库中的知识推送到ar智能设备中；

步骤s4：ar智能设备将接收到的知识库中的知识数据发送到边缘服务器中；

步骤s5：边缘服务器对知识数据进行筛选，对筛选后的知识数据进行边缘计算，并将边缘计算结果发送到后端运维管理系统中；

步骤s6：工作人员根据后端运维管理系统接收到的数据下发运维指令自边缘服务器，边缘服务器将运维指令推送至ar智能设备中；

步骤s7：运维人员更具ar智能设备中显示的运维指令执行运维操作。

优选的，在步骤s1中，构建上下文知识推送模型的具体原理如下：

所述的上下文知识推送模型包括运维上下文模型和知识上下文模型，所述的运维上下文模型和知识上下文模型分别由三个维度组成：用户、设备和任务；根据不同的维度，建立三个模型，分别是：用户模型，设备模型以及任务模型；

所述的用户模型包括用户信息、相关任务、技能偏好以及知识偏好四个子属性；

所述的设备模型包括设备信息、商业信息以及配置信息三个子属性；

所述的任务模型包括任务信息、相关用户、相关信息以及相关任务四个子属性；

优选的，在所述的用户模型中，用户信息子属性包括用户类型叶节点以及用户经历叶节点；所述的相关任务子属性包括相关任务叶节点；所述的技能偏好子属性包括技能偏好叶节点；所述的知识偏好子属性包括知识偏好叶节点；

在所述的设备模型中，所述的设备信子属性息包括设备编号叶节点以及设备类型叶节点、所述的商业信息子属性包括商业信息叶节点；所述的配置信息子属性包括配置信息叶节点；

在所述的所述的任务模型包括任务信息子属性包括当前信息叶节点以及历史信息叶节点；所述的相关用户子属性包括相关用户叶节点；所述的相关信息子属性包括相关信息叶节点；所述的相关任务子属性包括相关任务叶节点；

上述的每个叶节点皆以文本或图像的形式呈现。

优选的，步骤s2的具体步骤如下：

相似度表示两个事物a，b之间的相似程度，表示为simil(a，b)，simil∈[0,1]，simil(a,b)的值越大，a和b之间的相似性越大，在计算上下文模型之间的相似度时，需要建立树状的上下文模型，上下文模型由根属性、中间属性和叶属性组成，首先计算叶属性的相似度，然后根据子属性的权重计算中间属性的相似度，中间属性即位于叶属性和根属性之间的属性，最后得到根属性的相似度，根属性的相似性即为上下文模型之间的相似性；

使用空间矢量的方法来降低计算复杂度，由于每个叶节点皆以文本或图像的形式呈现，不同类型的相似度计算方法如下。

文本类型的叶属性：

如公式(1)所示，u和v的属性值为(u1,u2,u3,...,un)、(v1,v2,v3,...,vn)以及simil(u，v)∈[0，1]，数值越大，相似性越高；

图像类型的叶属性：

在公式(2)中，p和q分别表示上下文模型u和v的图像直方图数据，计算结果为图像相似度值，simil∈[0，1]，数值越大，相似性越高。

非叶属性：

假设u和v是非叶属性，并且它们的子属性的数量是n，在公式(3)中，ui，vi是u和v的第i个子属性，li是ui，vi的权重，simil(ui，vi)是对应的第i个子属性的相似度；

通过上述的相似度计算方法，递归地计算上下文模型之间的相似性，选择与具有最大相似性的知识模型相对应的若干知识项作为替代知识项；

假设知识库中有n个知识上下文模型，u是运维上下文模型的根属性，vi是知识上下文模型的根属性，运维上下文模型与知识上下文模型的运维知识和运维现场的相似程度最大为：

从备选知识项中选择高相似度的知识项，并将具有高相似度的知识项推送到ar智能设备中。

优选的，所述的后端运维管理系统包括云端运维管理系统以及通信运行管控系统；所述的云端运维管理系统用于实现设备管理、数据管理以及业务管理；

设备管理即对电力通信网络中的网络设备、服务器设备、操作系统运行状况进行监控；数据管理即对系统和业务数据进行统一存储、备份和恢复；业务管理包含对电力通信网中业务系统运行情况的监控与管理；

所述的通信运行管控系统用于实现通信调度、计划检修、故障管理、资源维护以及通信运维业务的流程化、表单化管理；运维管理系统与通信运行管控系统交互资源和工单信息。

优选的，所述的ar智能设备为ar智能眼镜，所述的ar智能眼镜具有能够通过语音控制的显示屏，并且具备可视化实时数据、图片和视频信息的功能。

与现有技术相比，本发明技术方案的有益效果是：

本发明设计了一种用于电力通信网络现场运维的知识推送方法。本发明在运维过程中引入ar技术，专业人员在复杂的设备运维过程中为运维人员提供指导，并引入边缘计算，将原本由中央节点提供的应用程序、数据资源和计算服务迁移到边缘节点，可以满足快速连接，实时分析和快速响应的技术和应用需求，本发明能够能够全面地考虑现场状况，不依赖于远端云，并且提高了数据传输效率。再者，本发明设计了一种基于上下文模型的运维知识推送方法，能够帮助现场运维人员在运维期间通过智能设备获取知识。本发明采用推送的信息获取形式对于运维人员而言更加直接、便利。

附图说明

图1为本方法的整体架构图。

图2为上下文模型的结构图。

图3为在不同用户的不同权重设置下知识推送的准确性。

图4为针对不同知识项的不同权重设置下知识推送的准确性。

图5为不同知识项下三种知识推送算法的时间成本。

图6为不同架构下算法的时间成本。

图7为针对不同用户的推送知识的采用率。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种基于ar的运维知识推送方法，包括以下步骤：

步骤s1：构建上下文知识推送模型；

步骤s2：将知识库中的知识在上下文知识推送模型计算相识度；

步骤s3：根据上下文知识推送模型计算出来相识度将知识库中的知识推送到ar智能设备中；

步骤s4：ar智能设备将接收到的知识库中的知识数据发送到边缘服务器中；

步骤s5：边缘服务器对知识数据进行筛选，对筛选后的知识数据进行边缘计算，并将边缘计算结果发送到后端运维管理系统中；

步骤s6：工作人员根据后端运维管理系统接收到的数据下发运维指令自边缘服务器，边缘服务器将指令推送至运维ar智能设备中；

步骤s7：运维人员更具ar智能设备中显示的运维指令执行相关运维操作。

作为一个优选的实施例，在步骤s1中，构建上下文知识推送模型的具体原理如下：

所述的上下文知识推送模型包括运维上下文模型和知识上下文模型，所述的运维上下文模型和知识上下文模型分别由三个维度组成：用户、设备和任务；根据不同的维度，建立三个模型，分别是：用户模型，设备模型以及任务模型；

所述的用户模型包括用户信息、相关任务、技能偏好以及知识偏好四个子属性；

所述的设备模型包括设备信息、商业信息以及配置信息三个子属性；

所述的任务模型包括任务信息、相关用户、相关信息以及相关任务四个子属性；

作为一个优选的实施例，在所述的用户模型中，用户信息子属性包括用户类型叶节点以及用户经历叶节点；所述的相关任务子属性包括相关任务叶节点；所述的技能偏好子属性包括技能偏好叶节点；所述的知识偏好子属性包括知识偏好叶节点；

在所述的设备模型中，所述的设备信子属性息包括设备编号叶节点以及设备类型叶节点、所述的商业信息子属性包括商业信息叶节点；所述的配置信息子属性包括配置信息叶节点；

在所述的所述的任务模型包括任务信息子属性包括当前信息叶节点以及历史信息叶节点；所述的相关用户子属性包括相关用户叶节点；所述的相关信息子属性包括相关信息叶节点；所述的相关任务子属性包括相关任务叶节点；

上述的每个叶节点皆以文本或图像的形式呈现。

作为一个优选的实施例，步骤s2的具体步骤如下：

相似度表示两个事物a，b之间的相似程度，表示为simil(a，b)，simil∈[0,1]，simil(a,b)的值越大，a和b之间的相似性越大，在计算上下文模型之间的相似度时，需要建立树状的上下文模型，上下文模型由根属性、中间属性和叶属性组成，首先计算叶属性的相似度，然后根据子属性的权重计算中间属性的相似度，中间属性即位于叶属性和根属性之间的属性，最后得到根属性的相似度，根属性的相似性即为上下文模型之间的相似性；

使用空间矢量的方法来降低计算复杂度，由于每个叶节点皆以文本或图像的形式呈现，不同类型的相似度计算方法如下。

文本类型的叶属性：

如公式(1)所示，u和v的属性值为(u1,u2,u3,...,un)、(v1,v2,v3,...,vn)以及simil(u，v)∈[0，1]，数值越大，相似性越高；

图像类型的叶属性：

在公式(2)中，p和q分别表示上下文模型u和v的图像直方图数据，计算结果为图像相似度值，simil∈[0，1]，数值越大，相似性越高。

非叶属性：

假设u和v是非叶属性，并且它们的子属性的数量是n，在公式(3)中，ui，vi是u和v的第i个子属性，li是ui，vi的权重，simil(ui，vi)是对应的第i个子属性的相似度；

通过上述的相似度计算方法，递归地计算上下文模型之间的相似性，选择与具有最大相似性的知识模型相对应的若干知识项作为替代知识项；

假设知识库中有n个知识上下文模型，u是运维上下文模型的根属性，vi是知识上下文模型的根属性，运维上下文模型与知识上下文模型的运维知识和运维现场的相似程度最大为：

从备选知识项中选择高相似度的知识项，并将具有高相似度的知识项推送到ar智能设备中。

作为一个优选的实施例，所述的后端运维管理系统包括云端运维管理系统以及通信运行管控系统；所述的云端运维管理系统用于实现设备管理、数据管理以及业务管理；

设备管理即对电力通信网络中的网络设备、服务器设备、操作系统运行状况进行监控；数据管理即对系统和业务数据进行统一存储、备份和恢复；业务管理包含对电力通信网中业务系统运行情况的监控与管理；

所述的通信运行管控系统用于实现通信调度、计划检修、故障管理、资源维护以及通信运维业务的流程化、表单化管理；运维管理系统与通信运行管控系统交互资源和工单信息。

作为一个优选的实施例，所述的ar智能设备为ar智能眼镜，所述的ar智能眼镜具有能够通过语音控制的显示屏，并且具备可视化实时数据、图片和视频信息的功能。

实施例2

如图1～图7所示，在本实施例中，为了分析用户、设备和任务属性对算法中知识推送精度的影响，为这三个属性设置了不同的权重，记录为w1，w2，w3，知识项的数量固定为50。当w2＝1时，仅考虑设备特征点的相似性，并且当w3＝1时，仅考虑任务的相似性。

图3是在不同权重设置下10个随机用户的知识推送准确性的比较。从图中可以看出，当w1＝0.2，w2＝0.45，w3＝0.35时，知识推送是最准确的。

图4展示了针对不同知识项的不同权重设置下的知识推送的准确性的比较。从图中可以看出，当w1＝0.2，w2＝0.45，w3＝0.35时，知识推送的准确性高于其他算法。

图5展示了不同知识项数量下三种知识推送算法的时间成本。从图中可以看出，本发明提出的基于上下文模型的运维知识推送算法与基于内容的知识推送算法相比，时间成本相似，小于基于特征点的知识推送算法的时间成本。随着知识项数量的增加，差异变得更加明显。这是由于基于特征点的知识推送算法需要提取设备的特征点，并且算法复杂度更高，因此时间成本更高。

图6展示了基于两种不同体系结构的基于上下文模型的运维知识推送算法的时间成本比较。基于边缘架构的时间成本约为云架构的一半。这是因为在边缘架构中，算法的相关计算在更靠近用户的边缘节点处处理，并且不需要将数据传递到数据中心以进行计算。

使用推送知识的采用率来衡量知识的流行度。图7是使用不同知识推送方法的8个随机用户所获得的知识采用率的比较。知识的采用率越高，知识的内在质量越高，对运维工作的帮助就越大。从图中可以看出，基于上下文模型的运维知识推送算法推送的知识采用率高于其他两种算法。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。