[发明专利]机理数据双驱动结合的性能劣化故障根因定位方法

说明书

本发明公开了一种机理数据双驱动结合的性能劣化定位方法，解决了不同场景下通信路测性能劣化的根因定位问题。该方法包含两个模块，因果关系学习模块设计了因果关系学习模型，考虑结点关系的异构性，明确了因果关系图中结点关系的方程表示；因果推理模块基于介入指标和分布指标进行因果推断，综合介入偏差以及分布异常情况进行最终故障根本原因的推理。本发明采用具有可解释性的高效算法，在现网测试环境数据集测试下大幅提高了传统方法的根因定位准确率，同时具备高召回率，并且具备可推广性。此外，本发明有利于企业维护工程师的实际应用，方案分析与结论可下放至运维基层，提升运维效率，降低运维成本。

技术领域

本发明属于智能运维(AIOPS)领域，具体涉及一种机理数据双驱动结合的性能劣化故障根因定位方法。

背景技术

随着通信相关技术的不断发展和应用领域的不断扩展，越来越多种类和数量的移动设备接入移动网络，移动网络在生产生活中的角色越来越重要。与此同时，随着移动网络在生产生活中的应用，网络故障影响用户的使用体验，甚至造成巨大损失并且威胁社会的稳定安全，因此，移动网络运维具有重要的现实意义。

网络性能劣化的根因定位作为网络运维的重要部分，通过识别网络组件的指标异常来识别故障根因，并向管理人员提供故障根因列表及预测概率，帮助管理人员准确快速地定位故障根因，针对性进行核心问题解决修复，提升故障响应速度和用户体验。

当前，复杂的网络故障问题定位仍然依赖于专家经验，缺乏自动化的手段。并且专家经验方法存在经验方法模糊难以继承、灵活性较低、缺乏联合思考等问题。在实际需求和数据情况方面，首先，电信网络的故障定位方法需要满足可解释性，以辅助工程师进行根因定位；其次，因果关系图中结点之间存在异构的图关系，而学术界现有的因果关系学习方法默认结点间关系同构；此外，数据存在严重的属性缺失情况、缺乏标签数据等具体问题。

发明内容

针对上述问题，本发明提供了一种机理数据双驱动结合的性能劣化故障根因定位方法，该方法可以学习告警之间的因果关系，构建因果关系表示，从而降低对业务专家的依赖，并且提升根因定位准确性和故障处理的效率。

为达到上述目的，本发明采用如下技术方案来实现的：

机理数据双驱动结合的性能劣化故障根因定位方法，该方法从可解释性需求、标签数据有限的情况出发，将性能劣化故障根因定位方法分解为两个步骤：

基于图神经网络的因果关系学习模块，考虑变量的物理性质和变量之间的理论物理关系，从异构角度建立因果关系学习模型，学习变量之间的影响关系，即因果关系；

基于介入指标和分布指标的因果推理模块，研究操纵特定变量值对其他特定变量的影响，从而推断不同样例中变量值对性能下降现象的影响程度，进而推断故障的根因集合及对应概率。

本发明进一步的改进在于，已知因果关系图，考虑变量之间的理论物理关系，设计基于泛化图神经网络的因果关系学习模型，构建变量之间因果关系的表示，具体包括以下步骤：

1)因果关系图解耦：

结合变量的物理性质、变量之间的理论物理关系以及数据严重缺失情况，将因果关系图分层进行解耦训练；

2)各分层关系学习模型解耦设计和训练：

结合专家知识和理论物理关系，将神经网络模块特点与关系特点进行对应选取，使用LSTM、全连接层等基础神经网络单元以及残差连接、Attention机制神经网络模块进行基础关系的搭建，并对实际情况中可能出现的偏差情况进行相应改进。

本发明进一步的改进在于，变量之间因果关系存在阈值判定类分段非线性关系时，采用全连接层和ReLU激活函数进行模型搭建，具体数学表示如下：

x′＝max(0,xW₂^T+b₂)。