网络性能分析以及网络故障定位方法和装置

摘要

本发明公开了一种网络性能分析方法和装置，用以实现对网络性能关联性的自动分析，本发明还公开了一种基于网络性能分析的网络故障定位方法和装置，用以减少定位网络故障时的分析量，提升定位结果的准确度。网络性能分析方法，包括：根据网络性能分析需求设置时间范围、距离范围和网络属性；根据时间范围内接收到的距离范围内的网络波动信息，确定网络属性的相关属性；根据时间范围和距离范围内网络属性对应的每一个网络事件与其相关网络事件的关联关系，建立每一个网络事件的样本矩阵模型；根据各网络事件的样本矩阵模型生成网络属性的矩阵模型，所述矩阵模型用于描述时间范围和距离范围内网络属性及其相关属性的发生概率。

说明书

技术领域

本发明涉及移动通信领域，尤其涉及一种网络性能分析以及网络故障定位技术。

背景技术

移动通信系统的网络质量已成为运营商的核心竞争力之一。为了巩固移动通信系统的网络质量，提升用户满意度，运营商在网络优化维护过程中不仅需要解决最基本的网络硬件故障或告警，还需要对各项网络性能指标的波动进行监控和分析，从而及时发现网络中潜在的问题，并在影响用户感知之前将这些潜在的问题排除。

目前的网络优化维护过程中，可用的网络性能指标多达上千项，各项网络性能指标之间的关系错综复杂，每项网络性能指标的异常波动可能是由于不同原因引起的，而且网络的涟漪效应导致一个问题的出现会引起周边一系列问题的连锁产生。因此对于网络优化维护人员来说，网络性能分析不仅仅需要着眼于问题发生时的情况，还需要分析该问题发生前后网络性能的变化；定位该问题的根本原因时，也不能局限于当前问题点，还需要结合网络周边情况和网络资源、网络参数等相关信息进行综合判断。

以基站断站引发的周边网络性能异常为例说明网络的涟漪效应，如图1所示。假设基站A发生了断站，其覆盖区域内用户设备的话务将被周边基站(基站B、C、D、H)吸收，但由于基站A覆盖区域内的用户设备距离基站距离B、C、D、H的距离较远，将引发基站B、C、D、H的切换质量下降、掉话率上升等问题；经过一段时间(例如1小时)之后，假设基站D覆盖区域内的话务量上升，同时由于基站D吸收了基站A的部分话务，将导致基站D的话务量超负荷，由此引发其周边基站(基站C、E、F、G、H)向基站D切换时比较困难，并导致基站D发生TCH拥塞；基站D的TCH拥塞将引发其周边基站(基站C、E、F、G、H)的切换成功率下降，在不能进行最优切换的情况下将导致基站C、E、F、G、H的掉话率上升；又经过一段时间(例如2小时)之后，由于基站F的掉话率升高，在用户通话多次却异常中断的情况下，可能引发用户针对掉话问题的投诉。由此可见，由于基站A的断站，将引起周边基站(基站B、C、D、E、F、G、H)的切换成功率下降、掉话率升高、话务量超负荷、TCH拥塞等一系列问题的连锁产生，而且上述问题并不是同时出现。

由于网络性能分析的复杂性和不确定性，目前在进行网络性能分析时主要采用人工为主、网管支撑工具为辅的方式。以上述基站F覆盖区域内的用户针对掉话问题的投诉为例说明网络性能分析方法。网络优化维护人员在接收到用户针对掉话问题的投诉之后，必然从用户投诉地点的基站F开始进行网络性能分析，一般包括如下处理流程：

步骤1、定位引发掉话问题的基站即故障基站，此处故障基站为基站F；

步骤2、检索与当前基站出现的问题相关的网络性能指标；

步骤3、分析检索到的网络性能指标；

步骤4、判断是否能够定位该掉话问题的根本原因，如果是，则执行步骤7，如果否，则执行步骤5；

步骤5、判断是否能检索到与当前基站出现的问题相关的其它网络性能指标，如果是，则执行步骤6，如果否，则执行步骤7；

步骤6、分析检索到的其它网络性能指标，并返回执行步骤4；

步骤7、判断当前基站出现的问题是否与其相邻基站相关，如果是，则执行步骤8，如果否，则执行步骤9；

步骤8、筛选与当前基站出现的问题相关的相邻基站，并返回执行步骤2；

步骤9、定位掉话问题产生的根本原因。

基于上述处理流程，定位掉话问题需要的最小分析量如图2所示。可以看出，从用户投诉的掉话问题到定位该掉话问题的根本原因即基站A断站，需要分析的相关基站数量达到8个(如果按照现网标准每个基站20个相邻基站的规模计算，相关基站会达到几十个)，需要分析的网络性能指标达到15项，如果结合分析每个网络性能指标所需参照的相关网络性能指标，总共需要分析几十个网络性能指标在该掉话问题发生前后的变化，而其中超过50％的分析量都用于排除产生该掉话问题的其它原因的可能性，使得分析效率非常低。此外，每一步的分析结论和下一步的分析内容都由网络优化运维人员控制，极有可能增加更多的无效分析量，甚至得出错误的结论。

现有技术中，也可以针对网络中常见的问题设置判断树，然后通过网管系统根据设定的判断标准自动判断预设的各种可能原因。该方案对设定的判断标准和判断树的准确度和详细度要求非常高，一般情况下很难到达，使得定位准确度比较低。

现有技术中主要存在以下问题：

对单一的网络性能指标进行分析无法定位网络中存在的问题的根本原因。例如，同样是掉话率升高，可能是由于基站载频故障、频率干扰、切换问题、覆盖问题等多方面原因造成的，仅从掉话率一个网络性能指标无法确定掉话率升高的根本原因。

如果对各项网络性能指标进行全方位分析，由于在分析之前无法确认与当前问题相关的网络性能指标，只能逐一分析排查，将导致大量的分析量用于排除无关的网络性能指标，使得分析效率非常低。例如，针对上述由于掉话问题，为了确定该掉话问题的根本原因，分析过程必须遍历基站F周边8个基站的相关网络性能指标。

网络的涟漪效应和复杂的网络结构使得每向问题的根本原因推进一层，所付出的分析量都呈几何级数增长，因此很难准确定位问题的根本原因。例如针对上述掉话问题，假设每个基站只有3～6个相邻基站的场景下，由于基站A的断站导致了周边8个基站发生了15项网络性能指标的异常波动，为了定位基站F的掉话问题的根本原因，网络性能指标的分析量多达几十个。而在现网中，每个基站的相邻基站一般在20个以上，一个关键位置基站的断站可能导致几十个甚至上百个周边基站的各项网络性能指标受到影响。

现有通过预设判定树和判断标准的定位问题产生的根本原因的方法，依赖于网络优化运维人员的经验使得其准确度和详细度有限，仅适用于简单的应用场景。应用判断树使得每一步的分析结论之间必须是互斥的，即如果得到分析结论A就必需排除分析结论B，导致在分析并发问题时，无法使用判断树。例如，掉话率升高，可能是由于基站载频故障、频率干扰、切换问题、覆盖问题等多种原因造成的，如果某个基站同时发生了载频故障和覆盖问题，应用判断树只能得到载频故障和覆盖问题两种原因中的其中一种。

现有的定位网络产生的根本原因时，在网络性能分析过程中无法摆脱网络优化运维人员的判断和决策，每一步的分析结论和下一步的分析内容都是由网络优化运维人员来决定的。此外，在分析多项网络性能指标与问题的根本原因之间的关联性时，由于不同网络性能指标之间的时间与空间关联性都存在模糊性，需要人为进行关联。例如，针对上述掉话问题，用户投诉掉话问题的时间并不是基站A发生断站的时间，也不是基站D的话务量超负荷的时间，因此在对这几项网络性能指标进行分析时具有时间模糊性，需要人为确定这几项网络性能指标的时间关联性。在空间关联性上同样存在该情况，例如，用户投诉掉话问题的发生区域只是一个大致位置，为了定位故障基站，需要人为进行空间关联。

发明内容

本发明提供一种网络性能分析方法和装置，用以实现对网络性能关联性的自动分析。

相应的，本发明提供一种基于网络性能分析的网络故障定位方法和装置，用以减少定位网络故障时的分析量，提升定位结果的准确度。

本发明提供一种网络性能分析方法，包括：

根据网络性能分析需求设置时间范围、距离范围和网络属性；

根据所述时间范围内接收到的所述距离范围内的网络波动信息，确定所述网络属性的相关属性；

根据所述时间范围和距离范围内所述网络属性对应的每一个网络事件与其相关网络事件的关联关系，建立每一个网络事件的样本矩阵模型，所述相关网络事件包括所述网络属性对应的其它网络事件以及所述相关属性对应的网络事件；

根据各网络事件的样本矩阵模型生成所述网络属性的矩阵模型，所述矩阵模型用于描述所述时间范围和距离范围内所述网络属性及其相关属性的发生概率。

本发明提供一种网络性能分析装置，包括：

设置单元，用于根据网络性能分析需求设置时间范围、距离范围和网络属性；

确定单元，用于根据所述时间范围内接收到的所述距离范围内的网络波动信息，确定所述网络属性的相关属性；

分析单元，用于根据所述时间范围和距离范围内所述网络属性对应的每一个网络事件与其相关网络事件的关联关系，建立每一个网络事件的样本矩阵模型，所述相关网络事件包括所述网络属性对应的其它网络事件以及所述相关属性对应的网络事件；

生成单元，用于根据各网络事件的样本矩阵模型生成所述网络属性的矩阵模型，所述矩阵模型用于描述所述时间范围和距离范围内所述网络属性及其相关属性的发生概率。

本发明提供一种基于网络性能分析的网络故障定位方法，包括：

根据网络故障对应的网络属性选择矩阵模型，所述网络属性的矩阵模型用于描述设定时间范围和距离范围内所述网络属性及其相关属性的发生概率；

根据所述矩阵模型确定发生概率不小于设定阈值且在所述网络故障的发生时间点之前发生的相关网络事件；

根据确定出的相关网络事件定位所述网络故障的根本原因。

本发明提供一种基于网络性能分析的网络故障定位装置，包括：

存储单元，用于存储各网络属性的矩阵模型，每一个网络属性的矩阵模型用于描述设定时间范围和距离范围内所述网络属性及其相关属性的发生概率；

选择单元，用于根据网络故障对应的网络属性选择矩阵模型；

确定单元，根据所述矩阵模型确定发生概率不小于设定阈值且在所述网络故障的发生时间点之前发生的相关网络事件；

定位单元，用于根据确定出的相关网络事件定位所述网络故障的根本原因。

本发明提供的网络性能分析方法和装置，根据网络属性对应的每一个网络事件与其相关网络事件的关联关系，建立每一个网络事件的样本矩阵模型，根据各网络事件的样本矩阵模型生成网络属性的矩阵模型，矩阵模型用于描述设定时间范围和距离范围内该网络属性及其相关属性的发生概率。本方案实现了对网络性能关联性的自动分析，同时有效提升了对网络性能的分析效率。

本发明提供的基于网络性能分析的网络故障定位方法和装置，根据网络故障对应的网络属性选择矩阵模型，根据矩阵模型确定发生概率不小于设定阈值且在网络故障的发生时间点之前发生的相关网络事件，从而定位网络故障的根本原因。本方案在定位网络故障时能够自动选取最优分析路径，从而减少了分析量，提高了分析效率，同时有效提升了定位结果的准确度。

附图说明

图1为现有技术中网络的涟漪效应示意图；

图2为现有技术中定位掉话问题需要的最小分析量示意图；

图3为本发明实施例中节点距离示意图；

图4为本发明实施例中网络的涟漪效应在样本矩阵模型中的表示方式示意图；

图5为本发明实施例中网络性能分析方法流程图；

图6为本发明实施例中基站B高掉话率事件的样本矩阵模型示意图；

图7为本发明实施例中基站F高掉话率事件的样本矩阵模型示意图；

图8为本发明实施例中根据图6和图7所示样本矩阵模型生成的矩阵模型示意图；

图9为本发明实施例中网络性能分析装置框图；

图10为本发明实施例中基于网络性能分析的网络故障定位方法流程图；

图11为本发明实施例中基于网络性能分析的网络故障定位装置框图。

具体实施方式

首先定义本发明实施例中涉及的几个基本概念。网络事件是指在特定时间点和特定地点，网络中发生了特定的问题、网络资源发生了变动、网络参数发生了调整等等；网络故障是指影响用户感知和网络质量，需要尽快解决处理的网络事件。

本发明实施例首先提供了网络性能关联性的矩阵表示方式。现有数据关联性有两种表示方式，一种方式是利用相关性函数，计算两组数据之间的相关系数R，相关性函数只能表示两元变量之间的关联性，对于多元变量之间的关联性无法表示。另一种方式是利用多元回归分析，通过一组多元N阶方程式，表示多元变量之间的关联性，如果用于分析网络性能，由于网络性能指标多达上千项，则回归分析需要建立与网络性能指标对应元数的方程组，如果要求分析的准确性，则方程的阶数至少要达到10阶以上，每次回归分析时的运算量极大，限制了多元回归分析在网络性能分析中的应用。

本发明实施例中结合移动通信网络结构和网络性能分析的需求，为每一个网络事件建立样本矩阵模型，该样本矩阵模型具有三个维度，分别为时间维度(T)、空间维度(S)和属性维度(A)，以上述三个维度为坐标轴，即可建立三维空间坐标系，坐标系中矩阵点的坐标采用R(T，S，A)表示，以下对每个维度的含义进行解释说明。

时间维度(T)，表示距离该网络事件发生时间点的相对时间，取值范围是从-∞到+∞之间的整数，当T＝0时，表示与该网络事件同时发生；当T＝1时，表示在该网络事件的发生时间点之后1个时间单位；当T＝2时表示在该网络事件的发生时间点之后2个时间单位；如果T等于负值，例如-X时，表示在该网络事件的发生时间点之前X个时间单位。其中，时间单位可以是小时、分、秒，也可以是天、周、月，可以灵活设定。

空间维度(S)，表示距离该网络事件发生地点的相对距离，取值范围是从0到+∞之间的整数。当S＝0时，表示与该网络事件在同一地点或同一网元的覆盖区域内发生；S＝1时，表示距离该网络事件的发生地点1个距离单位；S＝2表示距离该网络事件的发生地点2个距离单位。距离单位可以是米、千米，也可以是网元拓扑的节点距离。网元拓扑的节点距离是指将网元拓扑结构以类似树型结构展示后，两个网元之间所间隔的最短拓扑树节点数量。如图3所示，网元CellA与网元NbRCellA的节点距离为1，网元CellA与网元NbRCellC的节点距离为2。

属性维度(A)，表示属性名称，是指与该网络事件相关的、与网络性能变化、波动或网络异常情况相关的各项网络性能、网元硬件故障、网络事件、网络参数的名称集合。例如A的数值可以为断站、高掉话率、载频故障、某项参数变化等与网络性能分析相关的属性名称。

样本矩阵模型中每一个矩阵点的坐标为R(T，S，A)，表示距离该网络事件的发生时间点T个时间单位，距离该网络事件的发生地点S个距离单位的某个网元的A属性发生变化或异常的相关网络事件。

以背景技术中基站A断站为例，说明网络性能关联性的矩阵表示方式，即如何建立基站A断站(网络事件)的样本矩阵模型。

基站A发生了断站，一小时之后基站D的话务量超负荷，同时导致基站F的掉话率升高，网络的涟漪效应在样本矩阵模型的坐标系中采用如下方式表示，如图4所示，其中：

X＝R(T，S，A)＝R(0，0，断站)＝1，表示当前网络事件为基站A断站，取值为1表示该网络事件已发生；

Y＝R(T，S，A)＝R(1，1，话务量超负荷)＝1，表示距离基站A断站一个时间单位(1小时)，与基站A距离1个节点距离的网元组中(由于基站C是基站A的相邻基站，所以节点距离是1)话务量超负荷，取值为1表示该网络事件已发生。

Z＝R(T，S，A)＝R(1，2，高掉话率)＝1，表示距离基站A断站一个时间单位(一小时)，与基站A距离2个节点距离的网元组中(由于基站F是基站C的相邻基站，所以节点距离是2)高掉话率，取值为1表示该网络事件已发生。

样本矩阵模型表示了某一网络事件与其相关网络事件的关联关系。仅一次或少量的网络事件的样本矩阵模型所展示的网络性能关联性随机性较强，需要根据同一网络属性对应的海量样本矩阵模型生成该网络属性的矩阵模型，矩阵模型表示了同一类网络事件的网络性能关联性的共同特征，具有普遍性。网络属性的矩阵模型与每一个网络事件的样本矩阵模型一致，同样具有三个维度，分别为时间维度(T)、空间维度(S)和属性维度(A)，每一个矩阵点的坐标同样采用R(T，S，A)表示，其中：

T表示距离坐标原点T个时间单位，S表示距离坐标原点S个距离单位，A表示属性名称，每一个维度的含义与样本矩阵模型一致，不再赘述；每一个矩阵点的坐标值R表示发生概率，取值范围是[0，1]。

本发明实施例中，采用矩阵方式表示网络性能关联性，可以展现多元网络性能波动的关联性，且对于复杂的关联性只需适当延伸各维度的取值范围即可，具有无限的可扩展性；具有高度的信息浓缩性，仅用三个维度表示即可，大大降低了关联性的分析量；能够降低网络的涟漪效应造成的冗余信息。从每一个网络事件的样本矩阵模型可以看出，基站D的话务量超负荷将导致周边基站C、E、F、G、H的高掉话率，原本涉及5个相关网络事件，而采用样本矩阵模型，将五个基站的高掉话率表示为相邻基站(或称为节点距离为1的网元组)的高掉话率，并仅用1个矩阵点表示即可，信息量压缩到原来的20％，进一步降低了网络性能关联性的分析量。通过网络属性的矩阵模型可以自动、准确定位网络故障的根本原因，可以根据T值小于0的矩阵点确定网络故障的可能原因，其准确性由R(T，S，A)的坐标值决定；由于维度T和S为离散变量，且其取值范围是一个动态变化的相对范围，因此解决了以往在网络性能分析时存在的时间模糊性和空间模糊性的问题，可以自动完成网络性能分析，实现网络故障的准确、自动定位。

本发明提供了一种网络性能分析方法，如图5所示，包括如下处理流程：

S501、根据网络性能分析需求设置时间范围、距离范围和网络属性；

根据网络性能分析需求，可以确定网络性能分析的时间范围、距离范围和网络属性，例如：设置时间范围是最近30天之内，距离范围是现网中所有的网元，网络属性是高掉话率。

S502、根据该时间范围内接收到的该距离范围内的网络波动信息，确定网络属性的相关属性；

网络性能分析关注的是网络性能的变化、异常和故障，以及发生这些现象时对网络产生的连带影响。为了提高分析效率，需要对上千种原始网络性能数据进行信息压缩和预处理，将其中未发生变化的或无异常的数据剥离，仅保留那些发生变化的、有明显波动的和异常的信息，例如网络监控告警信息、网络资源变动信息，网络业务量信息、网络参数调整记录、用户投诉信息等等，本发明实施例中将上述信息统称为网络波动信息。例如，上述基站A断站导致网络的涟漪效应的整个过程中，与高掉话率存在潜在关联的相关网络事件包括基站B、C、D、E、F、G、G切换异常、基站D话务量超负荷、基站D的TCH拥塞、基站F的用户投诉和基站A断站等，则高掉话率的相关属性包括切换异常、话务量超负荷、TCH拥塞、断站等。

S503、根据该时间范围和距离范围内网络属性对应的每一个网络事件与其相关网络事件的关联关系，建立每一个网络事件的样本矩阵模型，相关网络事件包括网络属性对应的其它网络事件以及相关属性对应的网络事件；

将每一个相关网络事件前后、周边的网络性能变化、异常情况按照关联关系建立独立的样本矩阵模型。

S504、根据各网络事件的样本矩阵模型生成网络属性的矩阵模型，其中，矩阵模型用于描述时间范围和距离范围内网络属性及其相关属性的发生概率。

将该网络属性对应的各网络事件(同类事件)的样本矩阵模型进行迭代求均值，由于每一个独立的网络事件的样本矩阵模型仅代表了该网络事件发生时的网络表象。但将所有同类事件的样本矩阵模型进行迭代求均值计算后，最终生成的网络属性的矩阵模型将具有统计概率意义，可用于网络事件的根本原因定位和网络事件的涟漪效应预测。迭代求均值可直接对所有独立的样本矩阵模型的T、S、A维度进行运算，将处于相同坐标的R(T，S，A)的坐标值取均平值，该平均值即为矩阵模型中对应坐标的坐标值，即某项网络变化或异常的发生概率。

以背景技术中的例子进行说明，因为基站B、C、D、E、F、G、G都存在高掉话率问题，最终需建立7个独立的样本矩阵模型。基站B高掉话率事件的样本矩阵模型如图6所示，其中：

B1＝R(0，0，高掉话率)＝1，表示基站B发生了高掉话率事件；

B2＝R(0，0，切换异常)＝1，表示在基站B发生高掉话率事件的同一时间内，基站B还发生了切换异常事件；

B3＝R(0，1，高掉话率)＝1，表示在基站B发生高掉话率事件的同一时间内，基站B的相邻基站(即基站C)中也发生了高掉话率事件；

B4＝R(0，1，切换异常)＝1，表示在基站B发生高掉话率的同一时间内，基站B的相邻基站(即基站C)中也发生了切换异常事件；

B5＝R(1，2，切换异常)＝1，表示在基站B发生高掉话率的一个时间单位后，基站B的相邻基站(基站C)的相邻基站(基站D、E)中发生了切换异常事件；

B6＝R(0，1，断站)＝1，表示在基站B发生高掉话率事件的同一时间内，基站B的相邻基站(即基站A)中发生了断站事件。

基站F高掉话率事件的样本矩阵模型，如图7所示，其中：

F1＝R(0，0，高掉话率)＝1，表示基站F发生了高掉话率事件；

F2＝R(0，0，切换异常)＝1，表示在基站F发生高掉话率事件的同一时间内，基站F还发生了切换异常事件；

F3＝R(0，1，高掉话率)＝1，表示在基站F发生高掉话率事件的同一时间内，基站F的相邻基站(即基站E、G)中也发生了高掉话率事件；

F4＝R(0，1，切换异常)＝1，表示在基站F发生高掉话率事件的同一时间内，基站F的相邻基站(即基站E、G)中也发生了切换异常事件；

F5＝R(1，2，切换异常)＝1，表示在基站F发生高掉话率事件之前的一个时间单位内，基站F的相邻基站(基站D)的相邻基站(基站C、H)中发生了切换异常事件；

F6＝R(1，2，断站)＝1，表示在基站F发生高掉话率事件之前的一个时间单位内，基站F的相邻基站(基站D)的相邻基站(基站A)中发生了断站事件。

其余基站高掉话率事件的样本矩阵模型类似，不再一一赘述。

如图8所示，为根据基站B和基站F的样本矩阵模型迭代求均值后得到的高掉话率的矩阵模型，其中：

F1/B1＝R(0，0，高掉话率)＝1，表示该矩阵模型用于分析高掉话率或者可以说在该矩阵模型中高掉话率是一个必然的情况；

F2/B2＝R(0，0，切换异常)＝1，表示在高掉话率发生时，同一网元有100％的概率并发切换异常；

F3/B3＝R(0，1，高掉话率)＝1，表示在高掉话率问题发生时，相邻基站中也必将发生高掉话率；

F4/B4＝R(0，1，切换异常)＝1，表示在高掉话率发生时，相邻基站有100％的概率并发切换异常；

F5/B5＝R(±1，2，切换异常)＝0.5，表示在高掉话率发生的前后一个时间单位(1小时)中，相邻基站的相邻基站中有50％的概率发生切换异常；

F6＝R(1，2，断站)＝0.5，表示在高掉话率发生一个时间单位(1小时)前相邻基站的相邻基站中有50％的概率发生断站；

B6＝R(0，1，断站)＝0.5，表示在高掉话率发生时，相邻基站中有50％的概率发生断站。

虽然上面的简单举例中，仅通过两个高掉话率事件的样本矩阵模型得到的高掉话率的矩阵模型带有明显的片面性，但若将大量的高掉话率事件的样本矩阵模型进行迭代求均值之后，一些随机现象的概率将无限趋近于零，而真正该网络属性的相关属性将被保留下来，由此得到该网络属性的矩阵模型。

基于同一技术构思，本发明实施例提供了一种网络性能分析装置，如图9所示，包括：

设置单元901，用于根据网络性能分析需求设置时间范围、距离范围和网络属性；

确定单元902，用于根据所述时间范围内接收到的所述距离范围内的网络波动信息，确定所述网络属性的相关属性；

分析单元903，用于根据所述时间范围和距离范围内所述网络属性对应的每一个网络事件与其相关网络事件的关联关系，建立每一个网络事件的样本矩阵模型，所述相关网络事件包括所述网络属性对应的其它网络事件以及所述相关属性对应的网络事件；

生成单元904，用于根据各网络事件的样本矩阵模型生成所述网络属性的矩阵模型，所述矩阵模型用于描述所述时间范围和距离范围内所述网络属性及其相关属性的发生概率。

基于矩阵模型的网络性能分析方法包括如下优点：

可自动分析网络性能的历史数据，并自动生成网络属性的矩阵模型，用于后续网络故障的定位，加快网络故障的分析效率；分析计算效率高，滤除了与网络性能变化和异常无关的信息，着重分析网络属性之间的关联性；可通过自动该学习该网络属性对应的新的网络事件，不断完善矩阵模型的分析精度；整个矩阵模型的分析过程无需借助人工辅助，可实现全自动分析，摆脱了对维护人员经验和能力的要求；生成的矩阵模型可直接用于该网络属性对应的网络事件的根本原因定位(即搜索矩阵模型中T<＝0的矩阵点)，还可针对该网络属性对应的网络事件出现后可能产生的涟漪效应进行预测(即搜索T>0的矩阵点)；利用矩阵模型分析网络事件的根本原因时无需对所有网络性能逐一排查，只需检查矩阵模型中R值较大的矩阵点的网络性能状态即可，可自动选取最优分析路径。

在生成各网络属性的矩阵模型基础上，本发明实施例同时提供一种基于网络性能分析的网络故障定位方法，如图10所示，包括：

S1001、根据网络故障对应的网络属性选择矩阵模型，其中，网络属性的矩阵模型用于描述设定时间范围和距离范围内网络属性及其相关属性的发生概率。

S1002、根据矩阵模型确定发生概率不小于设定阈值且在该网络故障的发生时间点之前发生的相关网络事件；

该步骤具体包括：从所述矩阵模型中选择时间维度坐标T小于0且坐标值不小于设定阈值的矩阵点；根据选择出的矩阵点的空间维度坐标S、时间维度坐标T和属性维度坐标A，以及所述网络故障的发生事件点和发生地点确定相关网络事件。

S1003、根据确定出的相关网络事件定位该网络故障的根本原因。

较佳的，该方法还包括：

根据所述矩阵模型预测发生概率不小于设定阈值且在所述网络故障的发生时间点之后发生的衍生网络事件。

基于同一技术构思，本发明实施例提供了一种基于网络性能分析的网络故障定位装置，如图11所示，包括：

存储单元1101，用于存储各网络属性的矩阵模型，每一个网络属性的矩阵模型用于描述设定时间范围和距离范围内所述网络属性及其相关属性的发生概率；

选择单元1102，用于根据网络故障对应的网络属性选择矩阵模型；

确定单元1103，根据所述矩阵模型确定发生概率不小于设定阈值且在所述网络故障的发生时间点之前发生的相关网络事件；

定位单元1104，用于根据确定出的相关网络事件定位所述网络故障的根本原因。

较佳的，该装置还包括预测单元1105，用于根据所述矩阵模型预测发生概率不小于设定阈值且在所述网络故障的发生时间点之后发生的衍生网络事件。

本发明实施例提供的网络故障定位方法，利用网络属性的矩阵模型实现了网络性能时间、空间和多指标之间关联性的量化展示，通过多个指标之间的关联性定位问题的根本原因。利用矩阵模型可在网络性能分析中自动获得最佳分析路径，以最小的分析量获得准确的分析结果；可自动识别和分析网络涟漪效应的影响，忽视与问题原因无关的衍生问题；无需人为设定判断条件或判断树，并可识别多问题并发的复杂网络故障的根本原因；通过矩阵模型的离散特性实现各类网络性能的时间模糊性、空间模糊性的自动匹配问题，整个网络性能分析过程无需人为参与即可获得最终结果。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。