[发明专利]一种应用AI智能故障压缩研究方法及其系统

说明书

本发明公开了一种应用AI智能故障压缩研究方法及其系统。步骤包括数据采集及存储，之后在系统界面选取数据源；对多样性的数据(标准、非标准、异构数据)进行清洗与转换处理；AI引擎模型建立及优化；获取模型结果，输出到AI规则库；应用规则实现故障压缩和故障根因分析。基于大数据和人工智能算法，对告警数据、资源数据、性能数据、日志数据等进行采集和存储，通过Spark框架进行机器学习模型训练，挖掘告警关联规则和定位故障根因，对机器学习挖掘出来的关联规则和故障根因分析模型，应用至外部系统。从而实现网管故障从底层硬件至上层用户感知的智能化运维，解决了故障处理分工协调效率低、故障定位不准确、人力成本高的问题。

技术领域

本发明涉及电信网络运维，尤其涉及一种应用AI智能故障压缩研究方法及其系统。

背景技术

随着电信运营商通信网络趋于复杂，不仅包括基础的传输/无线/核心网络，还包括新兴起的5G网和物联网，未来的电信网络运维面临着各种严峻挑战，迫切需要引入人工智能来提高其应对挑战的能力。

在此基础上，传统的运维作业主要存在以下三大问题：

首先，故障处理效率低，人工决策时间速度慢(小时级)，无法快速定位故障点，不能有效进行故障处理分工协调；

其次，故障定位不准确，面对海量运维数据和繁多的事件，难以觉察到真正的问题所在，人力决策缓慢易错；

最后，故障处理成本高，人力投入大、见效低，人员投入和人员培训的成本居高不下。

发明内容

本发明的目的旨在应用AI技术解决故障处理分工协调效率低、故障定位不准确、人力成本高的问题。

本发明为解决上述技术问题采用的技术方案为，一方面提供一种电信网络故障压缩方法，所述方法包括：

获取告警信息、性能信息、日志信息和设备资源信息；

根据各告警信息、性能信息、日志信息中包含的发生设备信息，建立关联所述设备资源信息与所述告警信息、所述性能信息、所述日志信息的关联数据集；所述关联数据集必须包含所述设备资源信息；所述关联数据集中包含所述告警信息、所述性能信息、所述日志信息中至少一种；

依据时间窗口设定，以及关联数据集中告警信息、性能信息、日志信息的发生时间切分关联数据集，得到若干依时间窗口划分数据集，并将所述依时间窗口划分数据集输入故障压缩模型，由所述故障压缩模型输出故障根源信息；所述故障压缩模型由训练得到。

优选地，所述故障压缩方法还包括，还包括，在所述切分关联数据集之前，清除所述关联数据集中包含的无价值异常数据，将所述关联数据集中包含的异构数据和非标准化数据的数据格式转换为标准化格式。

优选地，所述故障压缩方法还包括，还包括，将所述故障根源信息，发送给具有处理权的人员。

优选地，所述告警信息、性能信息、日志信息和设备资源信息由Spark采集；所述告警信息、性能信息、日志信息和设备资源信息，以及所述关联数据集存储于Hadoop HDFS分布式文件系统。

优选地，所述转换包括归一化处理。

另一方面，提供一种电信网络故障压缩模型的训练方法，所述方法包括：

获取告警信息、性能信息、日志信息和设备资源信息；

根据各告警信息、性能信息、日志信息中包含的发生设备信息，建立关联所述设备资源信息与所述告警信息、所述性能信息、所述日志信息的关联数据集；所述关联数据集必须包含所述设备资源信息；所述关联数据集中包含所述告警信息、所述性能信息、所述日志信息中至少一种；