基于5G核心网的智能运维故障预警方法及装置

摘要

本发明公开了基于5G核心网的智能运维故障预警方法及装置，方法基于过往的网络性能特征和对应的故障特征作为历史数据进行处理，训练故障预警模型，通过该构件的故障预警模型可以输入任一时刻的网络性能数据而预测下一时刻是否出现故障，可以有效的进行故障预警分析。

说明书

技术领域

本发明涉及电子信息技术领域，尤其涉及基于5G核心网的智能运维故障预警方法及装置。

背景技术

核心网位于网络数据交互的中央，主要负责终端用户的移动性管理、会话管理和数据传输。4G核心网主要包含MME(Mobility Management Entity)、SGW(Serving GateWay，服务网关)、PGW(PDN GateWay，PDN网关)、HSS(Home Subscriber Server)等网元。SGW和PGW不但要处理转发用户面数据，还要负责进行会话管理和承载控制等控制面功能，这种用户面和控制面交织的缺点导致了业务改动复杂，效率难以优化，部署运维难度大的问题。

5G核心网采用基于服务的架构(SBA)，引入虚拟化，控制面和用户面分离，计算和存储分离，全面支持网络切片，并可对第三方开放接口。传统网元是一种软硬件结合的紧耦合的黑盒设计，引入虚拟化之后，软件和硬件解耦，从此硬件摆脱了专用设备的束缚，使用通用的服务器即可，成本极大降低。同时，软件也不再关注底层硬件，可扩展性极大提高。通过借鉴IT系统中微服务的架构，把大的单体软件进一步分解为多个小的模块化组件，这些组件就叫做网络功能服务(NFS)，它们高度独立自治，并通过开放接口来相互通信，可以像搭积木一样组合成大的网络功能(NF)，以提升业务部署的敏捷性和弹性。每个网络功能逻辑上相当于一个网元，并且这些功能都是完全独立自治的，无论是新增，升级，还是扩容都不会影响到其他的功能，这就为网络的升级和扩展提供了极大的便利性。

5G核心网运维根据业务需求来规划信息、网络、服务，通过网络监控、事件预警、业务调度、排障升级等手段，使服务处于长期稳定可用的状态。早期的运维工作大部分是由运维人员手工完成，这种运维模式不仅低效，也消耗了大量的人力资源。受限于人类自身的生理极限以及认识的局限，无法持续地面向大规模、高复杂性的系统提供高质量的运维服务，缺乏对网络故障提前进行预警分析。

发明内容

为了克服现有技术的不足，本发明的目的在于提供基于5G核心网的智能运维故障预警方法及装置，其能解决传统5G核心网不能针对当前的数据进行下一个时刻的故障预警分析的问题。

第一方面，本发明采用以下技术方案实现：

基于5G核心网的智能运维故障预警方法，所述故障预警方法包括：

获取若干个时间点分别对应的历史数据，所述历史数据包括网络性能特征数据以及故障特征数据；其中，每一个相邻的时间点之间均间隔第一预设时长；所述网络性能特征数据包括至少一种性能特征数据；

根据任意一个时间点上对应的故障特征数据替换为该时间点对应的下一个时间点上所对应的故障特征数据，形成每一个时间点分别对应的拟合数据，所述拟合数据包括网络性能特征数据以及下一个时间点的故障特征数据；

根据所述拟合数据训练得到故障预警模型，实时采集每一时刻的指标数据输入至所述故障预警模型中，以输出该时刻对应的下一时刻的故障特征数据；其中，每一个相邻的时刻之间均间隔第二预设时长。

作为优选的实施方式，所述网络性能特征数据包括时间、请求次数、成功次数、成功率、拒绝次数、无响应次数、响应时延中的至少一种。

作为优选的实施方式，所述故障特征数据包括1和0，其中，1表示数据正常，0表示数据异常。

作为优选的实施方式，形成每一个时间段分别对应的拟合数据与训练得到故障预警模型之间，还包括如下步骤：

对所述拟合数据进行特征处理，所述特征处理包括：

当判断到有时间点对应的故障特征数据缺失时，将该时间点的拟合数据删除或主动补入缺失的故障特征数据；

删除网络性能特征数据中的无用性能特征数据；

增加其他性能特征数据至对应时间点的所述网络性能特征数据中。

作为优选的实施方式，增加的所述其他性能特征数据包括用户数量、请求次数、请求用户中的至少一种。

作为优选的实施方式，根据所述拟合数据训练得到故障预警模型包括：

从拟合数据中选取一部分作为训练数据，另一部分作为验证数据；

根据所述训练数据训练得到若干故障预警模型，输入所述验证数据至全部故障预警模型中以验证得到最优的故障预警模型。

作为优选的实施方式，所述训练数据在拟合数据中的占比为75％，所述验证数据在拟合数据中的占比为25％。

第二方面，本发明采用以下技术方案实现：

基于5G核心网的智能运维故障预警装置，包括：

数据获取模块：用于获取若干个时间点分别对应的历史数据，所述历史数据包括网络性能特征数据以及故障特征数据；其中，每一个相邻的时间点之间均间隔第一预设时长；所述网络性能特征数据包括至少一种性能特征数据；

数据处理模块：用于根据任意一个时间点上对应的故障特征数据替换为该时间点对应的下一个时间点上所对应的故障特征数据，形成每一个时间点分别对应的拟合数据，所述拟合数据包括网络性能特征数据以及下一个时间点的故障特征数据；

模型构建模块：用于根据所述拟合数据训练得到故障预警模型，实时采集每一时刻的指标数据输入至所述故障预警模型中，以输出该时刻对应的下一时刻的故障特征数据；其中，每一个相邻的时刻之间均间隔第二预设时长。

作为优选的实施方式，所述网络性能特征数据包括时间、请求次数、成功次数、成功率、拒绝次数、无响应次数、响应时延中的至少一种。

作为优选的实施方式，所述故障特征数据包括1和0，其中，1表示数据正常，0表示数据异常。

作为优选的实施方式，数据处理模块与模型构建模块之间还包括特征处理模块：用于对所述拟合数据进行特征处理，所述特征处理包括：

当判断到有时间点对应的故障特征数据缺失时，将该时间点的拟合数据删除或主动补入缺失的故障特征数据；

删除网络性能特征数据中的无用性能特征数据；

增加其他性能特征数据至对应时间点的所述网络性能特征数据中。

作为优选的实施方式，增加的所述其他性能特征数据包括用户数量、请求次数、请求用户中的至少一种。

作为优选的实施方式，在模型构建模块中，根据所述拟合数据训练得到故障预警模型包括：

从拟合数据中选取一部分作为训练数据，另一部分作为验证数据；

根据所述训练数据训练得到若干故障预警模型，输入所述验证数据至全部故障预警模型中以验证得到最优的故障预警模型。

作为优选的实施方式，所述训练数据在拟合数据中的占比为75％，所述验证数据在拟合数据中的占比为25％。

第三方面，本发明采用以下技术方案实现：

一种电子设备，其上设置有处理器、存储器以及存储在存储器中并可被处理器执行的计算机可读程序，所述计算机可读程序被处理器执行时，实现如本发明第一方面任一项所述的故障预警方法。

第四方面，本发明采用以下技术方案实现：

一种计算机存储介质，其上存储有可被处理器执行的计算机可读程序，其特征在于，所述计算机可读程序被处理器执行时实现如本发明第一方面任一项所述的故障预警方法。

相比现有技术，本发明的有益效果在于：

本发明公开的智能运维故障预警方法基于过往的网络性能特征和对应的故障特征作为历史数据进行处理，训练故障预警模型，通过该构件的故障预警模型可以输入任一时刻的网络性能数据而预测下一时刻是否出现故障，可以有效的进行故障预警分析。

附图说明

图1为本发明实施例的基于5G核心网的故障预警方法的流程示意图；

图2为本发明实施例的基于5G核心网的故障预警装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明公开了一种基于5G核心网的智能运维故障预警方法、装置，能够基于过往的网络性能特征和对应的故障特征作为历史数据进行处理，训练故障预警模型，通过该构件的故障预警模型可以输入任一时刻的网络性能数据而预测下一时刻是否出现故障，可以有效的进行故障预警分析。

请参阅图1，图1是本发明实施例公开的基于5G核心网的智能运维故障预警方法的流程示意图。如图1所示，智能运维故障预警方法包括以下操作：

101：获取若干个时间点分别对应的历史数据，所述历史数据包括网络性能特征数据以及故障特征数据；其中，每一个相邻的时间点之间均间隔第一预设时长；所述网络性能特征数据包括至少一种性能特征数据。

在5G核心网中，根据业务需求来规划信息、网络、服务等，通过网络监控、事件预警、业务调度、排障升级等手段使服务处于长期稳定可用的状态，早期的运维工作大部分是人工完成。本发明实施例提供了故障预警方法，旨在结合历史数据，进行数据处理和建模，通过构建的故障模型可以预测同一网络性能特征数据下一时刻是否会出现故障，提前预警其他防控，从而提高运维指令。

本发明实施例汇总，结合XGBOOST等人工智能算法对网络故障预警模型进行构建和分析。

在本步骤中，获取历史数据。对于历史数据的获取，本发明实施例设定选取每隔第一预设时长获取一个历史数据，作为优选的，第一预设时长可以是1小时。例如获取第一时间点的历史数据，之后获取第二时间点的历史数据，则第一时间点与第二时间点之间的间隔是1小时。

作为优选的实施方式，网络性能特征数据在本发明实施例中可以包括时间、请求次数、成功次数、成功率、拒绝次数、无响应次数、响应时延中的至少一种。另外一方面，故障特征数据包括1和0，其中，1表示数据正常，0表示数据异常。

102：根据任意一个时间点上对应的故障特征数据替换为该时间点对应的下一个时间点上所对应的故障特征数据，形成每一个时间点分别对应的拟合数据，所述拟合数据包括网络性能特征数据以及下一个时间点的故障特征数据。

本步骤实际上上对历史数据进行处理。将每一个时间点t的网络性能特征数据作为XGBOOST模型的输入，记为(X1t,X2t,...,Xnt)，其中n为网络性能数据中的第n种性能特征数据。将该时间点t对应的故障特征数据记为Yt，下一时刻的故障特征数据则为Yt+1。由于本发明实施例的目的是根据当前时刻的网络性能特征数据来预测下一个时刻的故障特征数据，因此将下一时刻的故障特征数据Yt+1替换为当前时刻的故障特征数据Yt。

请参见表1和表2：

表1

表2

其中，表1为对应时间点上的历史数据，包括网络性能特征数据和故障特征数据，表2为经过处理的拟合数据，也即是已经将表1中Yt+1替换Yt，将下一个时刻对应的故障特征数据替换掉上一个时刻的故障特征数据。由于总共表格中总共选取了五个时间点的历史数据，对于第5个时间点的故障特征数据由于缺乏第6个时间的故障特征数据来替换，因此出现缺失的情况。

103：根据所述拟合数据训练得到故障预警模型，实时采集每一时刻的指标数据输入至所述故障预警模型中，以输出该时刻对应的下一时刻的故障特征数据；其中，每一个相邻的时刻之间均间隔第二预设时长。

本步骤利用最终得到的故障预警模型根据实时采集的网络性能指标数据预测下一时刻是否发生网络故障。本步骤中的第二预设时长可以与第一预设时长相等，也可以不等，甚至第二预设时长可以设置为极度小。本步骤中的指标数据与步骤101中历史数据中的网络性能指标数据实际包含的数据种类相同，只是具体数值根据不同时刻可能有所不同。

上述是本发明实施例公开的故障预警方法的基础方案。作为本发明实施例的进一步改进和补充，进一步可以在形成每一个时间段分别对应的拟合数据与训练得到故障预警模型之间，还包括如下步骤：

对所述拟合数据进行特征处理，所述特征处理包括：

当判断到有时间点对应的故障特征数据缺失时，将该时间点的拟合数据删除或主动补入缺失的故障特征数据；

删除网络性能特征数据中的无用性能特征数据；

增加其他性能特征数据至对应时间点的所述网络性能特征数据中。

上述步骤是针对步骤102进行进一步的完善，例如表格2中出现了第五个时间点的故障特征数据缺失，通过本步骤，可以对故障特征数据进行填补，或者直接删除该时间点对应的历史数据。

所述无用性能特征数据例如是人工结合以往经验进行判断，主动删除这些数据。增加其他性能特征数据主要应用于发现有其他数据对故障特征有影响，而这些数据不包含在已有的网络性能特征数据中，则主动进行补充，他性能特征数据包括用户数量、请求次数、请求用户中的至少一种。如下表3所示：

表3

更进一步的，根据所述拟合数据训练得到故障预警模型包括：

从拟合数据中选取一部分作为训练数据，另一部分作为验证数据；

根据所述训练数据训练得到若干故障预警模型，输入所述验证数据至全部故障预警模型中以验证得到最优的故障预警模型。

其中，所述训练数据在拟合数据中的占比为75％，所述验证数据在拟合数据中的占比为25％。

通过训练数据构建出若干个故障预警模型，验证数据的输入用于从若干个故障模型中挑选最优的一个故障模型，对若干个故障预警模型进行模型评分。其中，通过计算精确率和召回率进行模型评估。

召回率即是样本中有多少正样本被预测正确了，精确率即是预测为正的样本有多少是对的。计算公式如下：R＝TP/(TP+FN)；P＝TP/(TP+FP)，其中，TP表示真的正样本，及被正确预测的为正样本，也即是与真实的历史数据中的故障特征数据比对结果一致。TN为真的负样本，即负样本被正确预测为负样本。FP为假的正样本，即负样本被错误预测为正样本，FN为假的负样本，即正样本被错误预测为负样本。正样本和负样本在本发明实施例中表示故障的两种类型。

实施例二

图2示出了本发明实施例的基于5G核心网的故障预警装置的结构示意图。如图2所示，本发明的故障预警装置包括以下方案：

基于5G核心网的故障预警装置，包括：数据获取模块201、数据处理模块202和模型构建模块203。其中：

数据获取模块201：用于获取若干个时间点分别对应的历史数据，所述历史数据包括网络性能特征数据以及故障特征数据；其中，每一个相邻的时间点之间均间隔第一预设时长；所述网络性能特征数据包括至少一种性能特征数据；

数据处理模块202：用于根据任意一个时间点上对应的故障特征数据替换为该时间点对应的下一个时间点上所对应的故障特征数据，形成每一个时间点分别对应的拟合数据，所述拟合数据包括网络性能特征数据以及下一个时间点的故障特征数据；

模型构建模块203：用于根据所述拟合数据训练得到故障预警模型，实时采集每一时刻的指标数据输入至所述故障预警模型中，以输出该时刻对应的下一时刻的故障特征数据；其中，每一个相邻的时刻之间均间隔第二预设时长。

作为优选的实施方式，所述网络性能特征数据包括时间、请求次数、成功次数、成功率、拒绝次数、无响应次数、响应时延中的至少一种。所述故障特征数据包括1和0，其中，1表示数据正常，0表示数据异常。

作为优选的实施方式，数据处理模块202与模型构建模块203之间还包括特征处理模块：用于对所述拟合数据进行特征处理，所述特征处理包括：当判断到有时间点对应的故障特征数据缺失时，将该时间点的拟合数据删除或主动补入缺失的故障特征数据；删除网络性能特征数据中的无用性能特征数据；增加其他性能特征数据至对应时间点的所述网络性能特征数据中。

作为优选的实施方式，增加的所述其他性能特征数据包括用户数量、请求次数、请求用户中的至少一种。

作为优选的实施方式，在模型构建模块中，根据所述拟合数据训练得到故障预警模型包括：从拟合数据中选取一部分作为训练数据，另一部分作为验证数据；根据所述训练数据训练得到若干故障预警模型，输入所述验证数据至全部故障预警模型中以验证得到最优的故障预警模型。其中，作为优选的，所述训练数据在拟合数据中的占比为75％，所述验证数据在拟合数据中的占比为25％。

实施例三

本发明实施例公开一种电子设备，其上设置有处理器、存储器以及存储在存储器中并可被处理器执行的计算机可读程序，所述计算机可读程序被处理器执行时，实现如本发明任一项所述的故障预警方法。

实施例四

本发明实施例公开一种计算机存储介质，其上存储有可被处理器执行的计算机可读程序，其特征在于，所述计算机可读程序被处理器执行时实现如本发明第一方面任一项所述的故障预警方法。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。