[发明专利]一种电信业务的故障识别与定位的方法及系统

说明书

技术领域

本发明涉及电信网络中的核心网、网管及业务支撑领域，具体涉及一种电信业务的故障识别与定位的方法及系统。

背景技术

随着电信业和信息服务技术业的发展，电信业务量也快速增长，所发生的故障数量也就会随之提升，这成为提升用户满意度、增强运营商公司的通信服务与用户之间的黏性的一个巨大障碍。

当前，解决故障的一个重要步骤是进行故障识别和定位，确定故障。这一步骤通常的实现方法是：人工识别故障，即根据业务数据和维护工作人员的经验，判定哪个方面存在故障，具体的判断的流程如下图1所示。

图1中，OCS为在线计费系统（Online Charging System）；HLR为归属位置寄存系统（Host Location Register）；BOSS为Business Operating Support System。上述三个系统统称为业务系统。对业务系统运行过程中产生的数据进行采样，可以得到业务数据。当业务系统出现故障时，当前的处理方式为：前台的客服人员收到客户提交的故障信息后，将故障处理任务交给后台维护人员，后台维护人员根据客户和前台客服人员提供的信息来确认故障，并定位故障的原因，然后解决问题。这是一种被动的、延迟的模式，即必须在客户投诉后或者前台提供相关的报错信息时才能发现故障。显然，这种处理故障的方式就不会及时，从而影响到客户的满意度，降低用户对运营商服务的认同度。

神经网络又称为人工神经网络、神经计算，连接主义人工智能，并行分布处理等。一个神经网络是一个由简单处理元构成的规模宏大的并行分布处理器，具有存储经验知识和使之可用的特性。通过采用图2所示的神经网络，可以对故障进行实时检测，以缩短故障发生时处理的时间。

图2中，系统从OCS、HLR、BOSS和网络中采集的数据，通过神经网络输入层实时输入到经过训练的神经网络中，根据预测的故障的种类，输出层的不同的输入神经元产生的输入表明不同的系统故障。

图1所示的采用人工识别的故障识别方式是一种被动的、延迟的模式，即必须在客户投诉后或者前台有相关的报错时才去发现故障，那么这样处理故障就不会及时，从而影响用户对服务的认同。而图2所示基于神经网络的故障检测模型则存在着以下问题：

（1）所有的故障都在一个神经网络中检测，导致用于训练的样本数据量极大，这阻碍了该类模型的实用性。

用于检测故障的神经网络的输入接入了所有系统运行数据，而输入则产生所有的代表故障现象的故障信号。在训练时，任何一类现象的产生都需要所有的输入的数据，从输入和输出的维度来看，要确定任何一类的故障所需要的样本数据量都极大，这使得要训练好这样的一个检测神经网络需要大量的样本数据，这对于一个处于建设初期的故障检测系统和才关注故障检测的运行机构来说，难度较大。

（2）对于训练好的神经网络来说，由于其结构复杂，同时要计算各类故障，导致计算量大极具增大，这使得实时检测的延时较大。

故障检测的目的在于尽量缩短故障的响应时间，因此，包括故障识别和故障定位两个过程的故障检测的实时性非常重要。如果神经网络结构复杂，则需要计算的复杂度增大，计算时间将延长，这将不利于缩短故障识别和故障定位的时间。

（3）用于识别和定位故障的检测神经网络没有在故障现象（输出）和故障原因（输入）之间建立起明确的关系，这样导致不容易定位故障原因。

发明内容

有鉴于此，本发明实施例的目的是提供一种电信业务的故障识别与定位的方法及系统，能够减少神经网络所需的训练样本量，提高故障检测实时性，并便于定位故障原因。

为解决上述技术问题，本发明实施例提供方案如下：

本发明实施例提供了一种电信业务的故障识别与定位的方法，包括：

根据代表故障源的业务特征值和故障现象之间的相关系数，从样本数据中选择相关系数大于预设阈值的业务特征值，作为反向传递BP神经网络训练的业务特征值；

为已选择出的每个业务特征值确定一个基于BP神经网络的弱分类器，并将所确定的弱分类器进行线性组合，得到该业务特征值对应的一个强分类器；

按照各个业务特征值与故障现象之间的相关系数的大小顺序，将各个业务特征值对应的强分类器串联，并采用包括多故障源数据和故障现象的样本数据对串联后的强分类器进行训练，得到用于多故障源识别的层分类器；

利用所述层分类器对电信业务过程中产生的业务数据和/或网络数据进行故障识别及定位。