本技術(shù)涉及網(wǎng)絡(luò)運(yùn)維領(lǐng)域，具體而言，涉及一種電信網(wǎng)絡(luò)的故障定位方法及系統(tǒng)。

背景技術(shù)：

1、目前，電信網(wǎng)絡(luò)是指通過無線通信技術(shù)，實(shí)現(xiàn)移動(dòng)設(shè)備之間或移動(dòng)設(shè)備與固定網(wǎng)絡(luò)之間的數(shù)據(jù)和語(yǔ)音傳輸?shù)南到y(tǒng)。它包括基站、移動(dòng)交換中心、路由器等各種網(wǎng)絡(luò)設(shè)備，通過物理鏈路和無線電波相互連接，為用戶提供廣泛的通信服務(wù)。在電信網(wǎng)絡(luò)中，網(wǎng)絡(luò)設(shè)備通過物理鏈路相互連接。當(dāng)某個(gè)設(shè)備出現(xiàn)故障時(shí)，可能會(huì)影響到與之相連的其他設(shè)備，觸發(fā)告警，甚至在嚴(yán)重情況下導(dǎo)致服務(wù)中斷。隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)展和復(fù)雜度的指數(shù)級(jí)增長(zhǎng)，網(wǎng)絡(luò)故障的頻率也急劇上升，嚴(yán)重影響網(wǎng)絡(luò)質(zhì)量和用戶體驗(yàn)。因此，如何有效地檢測(cè)、診斷和修復(fù)網(wǎng)絡(luò)故障，成為確保電信網(wǎng)絡(luò)穩(wěn)定運(yùn)行的關(guān)鍵。

2、電信網(wǎng)絡(luò)的故障定位通常通過告警來識(shí)別。一個(gè)網(wǎng)絡(luò)中的故障事件序列由連續(xù)時(shí)間下的離散事件組成，常以異常告警的形式出現(xiàn)在通信網(wǎng)絡(luò)場(chǎng)景中。基于歷史故障事件序列，我們可以發(fā)現(xiàn)網(wǎng)絡(luò)告警類型之間的因果關(guān)系，這樣有助于高效準(zhǔn)確地定位告警根因，從而提高運(yùn)維效率并降低運(yùn)維成本。然而，無線網(wǎng)絡(luò)告警信息會(huì)中存在大量的冗余告警，這給根因的準(zhǔn)確定位帶來了挑戰(zhàn)。由于移動(dòng)通信基站內(nèi)各設(shè)備在物理或邏輯上存在聯(lián)系，當(dāng)一個(gè)設(shè)備出現(xiàn)故障時(shí)，會(huì)產(chǎn)生大量與該故障直接相關(guān)的告警信息。同時(shí)與該設(shè)備相關(guān)聯(lián)的其它設(shè)備也可能會(huì)受到影響，產(chǎn)生大量與該故障沒有直接關(guān)聯(lián)的冗余告警信息。此外，告警事件序列的數(shù)據(jù)稀疏、信息量少、時(shí)間精度低等特點(diǎn)，對(duì)現(xiàn)有的根因定位方法提出了諸多挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種電信網(wǎng)絡(luò)的故障定位方法及系統(tǒng)，以實(shí)現(xiàn)通過因果關(guān)系圖來展示告警信息，進(jìn)而快速找到故障根源。

2、為了實(shí)現(xiàn)上述目的，本技術(shù)提供了：一種電信網(wǎng)絡(luò)的故障定位方法，所述方法包括：

3、基于事件序列的拓?fù)浣Y(jié)構(gòu)和時(shí)間步驟初始化拓?fù)鋾r(shí)間因果圖；

4、將拓?fù)溆蚝蜁r(shí)域的卷積運(yùn)算組合成拓?fù)鋾r(shí)域的聯(lián)合卷積運(yùn)算，并生成拓?fù)鋾r(shí)間因果圖；

5、基于gcn(圖卷積網(wǎng)絡(luò))定義自適應(yīng)嵌入，將事件類型和物理節(jié)點(diǎn)拓?fù)涞某跏家蚬Y(jié)構(gòu)信息注入到事件序列嵌入中；

6、構(gòu)建拓?fù)鋾r(shí)間因果變壓器模型，并捕獲全局依賴性；

7、通過最大化對(duì)數(shù)似然函數(shù)優(yōu)化所述拓?fù)鋾r(shí)間因果變壓器模型參數(shù)；

8、迭代更新因果權(quán)重，最終保存為事件類型之間的因果圖，并實(shí)現(xiàn)故障的定位。

9、進(jìn)一步，所述將拓?fù)溆蚝蜁r(shí)域的卷積運(yùn)算組合成拓?fù)鋾r(shí)域的聯(lián)合卷積運(yùn)算，并生成拓?fù)鋾r(shí)間因果圖的方法包括：

10、令b∈rn×n為加權(quán)因果矩陣，給定事件類型n,n′∈n，bn,n′表征從類型n到類型n′的因果強(qiáng)度，設(shè)(n,v,t)和(n′,v′,t′)是在事件序列e中觀察到的事件，其中計(jì)算bn,n′對(duì)所述拓?fù)鋾r(shí)間因果圖進(jìn)行卷積定義，定義公式如下：

11、

12、其中，φ(v,t),(v′,t′)為所述拓?fù)溆虻木矸e核，為所述時(shí)域的卷積核，n,n′為給定事件類型，gv表示網(wǎng)絡(luò)中的拓?fù)浣Y(jié)構(gòu)，t表示時(shí)間的維度。

13、進(jìn)一步，所述基于gcn(圖卷積網(wǎng)絡(luò))定義自適應(yīng)嵌入，將事件類型和物理節(jié)點(diǎn)拓?fù)涞某跏家蚬Y(jié)構(gòu)信息注入到事件序列嵌入中的方法包括：

14、基于gcn構(gòu)建嵌入層，并注入事件觀察的拓?fù)?、因果和時(shí)間信息；

15、基于gcn進(jìn)行自適應(yīng)編碼，具體的：

16、物理節(jié)點(diǎn)編碼，令表示報(bào)警事件的頂點(diǎn)子序列，初始化物理節(jié)點(diǎn)嵌入矩陣dv∈rm×|v|，其中dv的第j列表示頂點(diǎn)vj的m維嵌入，假設(shè)是gcn第k層的輸入，其中此時(shí)拓?fù)鋱D卷積被定義為將物理節(jié)點(diǎn)的拓?fù)潢P(guān)系輸入到節(jié)點(diǎn)嵌入中，此時(shí)，拓?fù)鋱D卷積為：

17、

18、其中wv為參數(shù)矩陣，矩陣a為固定拓?fù)鋱D結(jié)構(gòu)，為通過參數(shù)化a動(dòng)態(tài)學(xué)習(xí)的圖結(jié)構(gòu)；

19、將事件頂點(diǎn)子序列的嵌入修改為：

20、

21、其中是事件頂點(diǎn)子序列的獨(dú)熱編碼矩，是頂點(diǎn)vj的一個(gè)獨(dú)熱編碼，j∈v；

22、事件類型編碼，令表示報(bào)警事件的類型子序列，用可訓(xùn)練的線性投影將n中的事件類型映射到高維特征，事件類型的嵌入矩陣表示為dn∈rm×|n|，其中m是嵌入維數(shù)，矩陣dn的第j列對(duì)應(yīng)事件類型nj的m維嵌入，嵌入矩陣dn將離散的事件類型轉(zhuǎn)換為連續(xù)的實(shí)值向量；

23、構(gòu)建因果圖卷積，將因果語(yǔ)義信息融合到事件類型嵌入矩陣中，獲得因果級(jí)別的事件類型的特征表示，表示gcn第k層的輸入，其中將語(yǔ)義圖卷積定義為捕捉因果圖的模式：

24、

25、其中為可訓(xùn)練矩陣b的參數(shù)化表示，σ是激活函數(shù)，wn是參數(shù)矩陣語(yǔ)義圖卷積被定義為捕捉因果圖的內(nèi)在模式；在訓(xùn)練穩(wěn)定后，推斷出事件類型最合適的因果圖結(jié)構(gòu)，重塑事件類型子序列的嵌入為：

26、

27、其中是事件類型子序列的獨(dú)熱編碼矩陣，向量是事件類型nj的一個(gè)獨(dú)熱編碼，j∈n；

28、時(shí)間編碼，令為報(bào)警事件的時(shí)間子序列，初始化可學(xué)習(xí)的時(shí)間嵌入矩陣dt∈rm×|t|，其中dt的第j列表示時(shí)間步長(zhǎng)tj的m維嵌入。報(bào)警事件的時(shí)間子序列et被編碼成m×|t|維矩陣xt′。

29、進(jìn)一步，所述構(gòu)建拓?fù)鋾r(shí)間因果變壓器模型，并捕獲全局依賴性的方法包括：

30、構(gòu)建拓?fù)渥儔浩髂Ｐ?，包括多頭自注意力層(mhsa)和全連接前饋層(ffn)，將節(jié)點(diǎn)嵌入特征輸入到拓?fù)渥儔浩髦?，使用多頭自注意力層(mhsa)和全連接前饋層(ffn)按順序整合所有報(bào)警時(shí)間的信息；

31、構(gòu)建因果變壓器模型，融合所述拓?fù)渥儔浩髂Ｐ偷妮敵龊褪录愋颓度?，為每個(gè)時(shí)間編碼高維特征；

32、構(gòu)建時(shí)間變壓器模型，對(duì)報(bào)警的時(shí)間信息進(jìn)行編碼，捕獲全局上下文關(guān)系。

33、進(jìn)一步，在所述構(gòu)建拓?fù)鋾r(shí)間因果變壓器模型，并捕獲全局依賴性之后，所述方法還包括：

34、根據(jù)所述拓?fù)鋾r(shí)間因果變壓器模型的輸出構(gòu)建連續(xù)時(shí)間條件強(qiáng)度函數(shù)；

35、通過連續(xù)時(shí)間條件強(qiáng)度函數(shù)構(gòu)建最大化對(duì)數(shù)似然函數(shù)。

36、本發(fā)明進(jìn)一步公開了一種電信網(wǎng)絡(luò)的故障定位系統(tǒng)，包括：

37、初始化模塊，用于基于事件序列的拓?fù)浣Y(jié)構(gòu)和時(shí)間步驟初始化拓?fù)鋾r(shí)間因果圖；

38、聯(lián)合運(yùn)算模塊，用于將拓?fù)溆蚝蜁r(shí)域的卷積運(yùn)算組合成拓?fù)鋾r(shí)域的聯(lián)合卷積運(yùn)算，并生成拓?fù)鋾r(shí)間因果圖；

39、信息注入模塊，用于基于gcn(圖卷積網(wǎng)絡(luò))定義自適應(yīng)嵌入，將事件類型和物理節(jié)點(diǎn)拓?fù)涞某跏家蚬Y(jié)構(gòu)信息注入到事件序列嵌入中；

40、模型構(gòu)建模塊，用于構(gòu)建拓?fù)鋾r(shí)間因果變壓器模型，并捕獲全局依賴性；還用于，

41、通過最大化對(duì)數(shù)似然函數(shù)優(yōu)化所述拓?fù)鋾r(shí)間因果變壓器模型參數(shù)；還用于，

42、迭代更新因果權(quán)重，最終保存為事件類型之間的因果圖，并實(shí)現(xiàn)故障的定位。

43、進(jìn)一步，所述模型構(gòu)建模塊還用于，

44、根據(jù)所述拓?fù)鋾r(shí)間因果變壓器模型的輸出構(gòu)建連續(xù)時(shí)間條件強(qiáng)度函數(shù)；

45、通過連續(xù)時(shí)間條件強(qiáng)度函數(shù)構(gòu)建最大化對(duì)數(shù)似然函數(shù)。

46、本發(fā)明進(jìn)一步公開了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的電信網(wǎng)絡(luò)的故障定位方法。

47、本發(fā)明進(jìn)一步公開了一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)上述的電信網(wǎng)絡(luò)的故障定位方法。

48、本發(fā)明進(jìn)一步公開了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序在被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的電信網(wǎng)絡(luò)的故障定位方法。

49、本發(fā)明提供的一種電信網(wǎng)絡(luò)的故障定位方法及系統(tǒng)，與現(xiàn)有技術(shù)相比，其有益效果為：通過將網(wǎng)絡(luò)告警時(shí)間抽象為告警事件類型、事件所屬的物理節(jié)點(diǎn)和事件發(fā)生時(shí)間表示的事件序列，可以發(fā)現(xiàn)多個(gè)告警類型之間的最佳因果關(guān)系結(jié)構(gòu)，同時(shí)構(gòu)建對(duì)應(yīng)的拓?fù)鋾r(shí)間因果變壓器模型，可以捕獲全局的依賴性，最終保存為事件類型之間的因果圖，進(jìn)而實(shí)現(xiàn)根因定位。