基于告警关联关系的5G承载网故障动态诊断与定位方法

技术领域

本发明属于机器学习技术领域，具体涉及一种基于告警关联关系的5G承载网故障动态诊断与定位方法。

背景技术

5G是第五代移动通信，它具有“超高速率、超低时延、超大连接”的特点，5G网络的应用发展在推动经济社会数字化、网络化、智能化转型升级方面发挥了巨大作用。然而，5G网络的应用发展离不开5G承载网的建设。5G承载网是5G网络的核心基础设施之一，为5G网络提供高速、低延迟的数据传输通道，并支持大规模设备的连接和物联网应用。随着5G承载网建设的不断推进，5G承载网中的故障层出不穷，5G承载网的运维成为5G网络应用发展的制约因素。目前5G承载网主流的运维手段是专家依靠经验通过不断试验以及更换网络设备的方法诊断与定位故障，专家需要花费大量的时间诊断故障种类以及定位相应的网络设备位置，时间和人力成本较高。人工诊断与定位故障的方法在小规模的5G承载网中取得一定成效，却难以处理大规模5G承载网中规模庞大且连接复杂的网络设备，因此，提出一种基于告警关联关系的5G承载网故障动态诊断与定位方法，该方法可以对规模庞大且连接复杂的网络设备建模，进而用人工智能的方法动态诊断与定位故障。

现有5G承载网运维过程中，网络维护人员动态收集大量的告警数据，告警数量众多且类型不一。在5G承载网运行过程中，网络设备产生的告警通常具有很强的耦合关联关系(例如，一台网络设备产生根源类告警，将会导致与之连通的多台网络设备陆续产生衍生类告警)。同时，由于网络设备数量众多、连接复杂，5G承载网故障还存在动态变化的特点。因此，充分利用告警关联关系，考虑5G承载网故障动态变化的情况下，通过人工智能手段实现基于告警关联关系的5G承载网故障动态诊断与定位，解决传统5G承载网运维手段落后的问题，进而推动5G网络的应用发展。

发明内容

针对5G承载网故障诊断与定位手段智能化程度不足的问题，本发明提供一种基于告警关联关系的5G承载网故障动态诊断与定位方法，充分利用告警关联关系，考虑5G承载网故障动态变化的特点，采用node2vec算法将每一个网络设备映射成有限维向量，采用长短期记忆神经网络提取5G承载网告警数据的时序关联特征，准确诊断5G承载网网络故障并定位相应的网络设备位置，解决传统5G承载网运维手段落后的问题，进而推动5G网络的应用发展。

本发明所采用的技术方案如下：

一种基于告警关联关系的5G承载网故障动态诊断与定位方法，包括以下步骤：

(1)利用有向图构建5G承载网中各层级节点的网络拓扑结构，描述5G承载网中网络设备的真实连接关系；

(2)采用node2vec算法构建有向图中的节点与向量之间的映射关系，生成NodeEmbedding；

(3)融合node2vec算法生成的节点嵌入和5G承载网故障数据，将5G承载网中典型的历史时序告警信息的关键特征进行编码，通过两层长短期记忆神经网络模型构建5G承载网故障动态诊断与定位模型，并训练5G承载网故障动态诊断与定位模型；

(4)利用已训练的5G承载网故障动态诊断与定位模型，动态诊断5G承载网网络故障并定位相应的网络设备位置。

进一步的，步骤(1)具体包括：

①获取5G承载网中网络设备的真实连接关系；

②利用有向图构建5G承载网中各层级节点的网络拓扑结构：5G承载网通过单向光纤实现网络设备的连接，利用networkx包中的DiGraph()类完成有向图的创建G＝network.DiGraph()，用二元组的数据结构(v1，v2)表征网络设备v1通过单向光纤连接到网络设备v2，将所有表征网络设备真实连接关系的二元组放入到列表中，将列表中的边添加到有向图G中完成5G承载网中各层级节点的网络拓扑结构的构建。

进一步的，步骤(2)具体包括：

①对有向图G做随机游走：对有向图G中的每一个节点v做n次随机游走，每次随机游走的长度为m，每次随机游走的策略遵循以下公式，采用概率为P(c

式中，p和q为超参数，d

②对有向图G中的每个节点进行独热编码；

③将生成的随机游走传入到Skip-Gram模型：一组长度为m的随机游走为v

在Skip-Gram模型中，输入独热码e

Skip-Gram模型的优化目标是使得输出单元中最大值的位置分别与独热码e

进一步的，步骤(3)具体包括：

①融合node2vec算法生成的节点嵌入和5G承载网故障数据，将5G承载网中典型的历史时序告警信息的关键特征进行编码：历史时序告警信息的关键特征是告警信息的种类、发出告警信息的网络设备的位置以及多台网络设备发出告警信息的时序；基于5G承载网耦合关联的告警在时间上具有时序特性，基于此得出多条时序告警信息与故障之间的映射关系，多条时序告警信息是5G承载网故障动态诊断与定位模型的输入，发生故障的网络设备的位置和故障类型是标签；

对每种告警信息进行独热编码；node2vec算法生成的节点嵌入表征节点与向量之间的映射关系，每一个节点嵌入唯一标识每一个网络设备的位置；将节点嵌入u分别与独热编码后的告警信息拼接，生成告警向量，节点嵌入u在上，独热编码后的告警信息在下；基于5G承载网耦合关联的告警在时间上具有时序特性，将R条告警向量按时间顺序排序，结合多条时序告警信息与故障之间的映射关系，将发生故障的网络设备的位置和故障类型制成标签，标签用独热码表示；制作训练集；

②搭建5G承载网故障动态诊断与定位模型：5G承载网故障动态诊断与定位模型包括两层长短期记忆神经网络以及一个全连接层，每层长短期记忆神经网络拥有R个LSTM循环单元，第二层长短期记忆神经网络的最后一个LSTM循环单元的输出接入全连接层，全连接层的激活函数为softmax()；

③训练5G承载网故障动态诊断与定位模型。

进一步的，若时序告警向量不足R条，则将前面缺少的告警向量置0。

进一步的，将5条告警向量按时间顺序排序，若5条告警向量中的第m条告警向量导致第n种故障，则独热码的第4*(m-1)+n个数置1。

进一步的，训练5G承载网故障动态诊断与定位模型包括：

用交叉熵损失函数衡量误差，选用Adam优化器，初始化学习率为learning rate＝0.01，训练次数为8个epoch，batch_size设置为16，引入Dropout防止5G承载网故障动态诊断与定位模型过拟合。

进一步的，动态诊断5G承载网网络故障并定位相应的网络设备位置如下：

取输出向量中最大值位置的索引作为输出，若输出结果为r，则5条告警向量中的第r/4+1个告警向量导致5G承载网发生故障，由第r/4个+1告警向量找出相应的网络设备位置，故障类别是第r％4个故障。

一种电子设备，包括：

存储器，用于存储可执行计算机程序；

处理器，用于执行存储器中存储的可执行计算机程序时，实现上述中任意一项所述的基于告警关联关系的5G承载网故障动态诊断与定位方法。

一种计算机可读存储介质，存储有计算机程序，用于被处理器执行时，实现上述中任意一项所述的基于告警关联关系的5G承载网故障动态诊断与定位方法。

本发明与现有技术相比，具有以下优点及有益效果：

(1)利用node2vec算法构建网络拓扑结构中的节点与向量之间的映射关系，将复杂网络拓扑结构中的节点映射成有限维向量。

(2)考虑告警信息的时序有利于定位故障，利用长短期记忆神经网络提取时序告警信息在时间上的关联关系。

(3)动态获取5G承载网时序告警信息，结合的5G承载网故障动态诊断与定位模型，动态诊断5G承载网网络故障并定位相应的网络设备位置。

附图说明

图1为基于告警关联关系的5G承载网故障动态诊断与定位方法流程图；

图2为乡镇图；

图3为node2vec算法流程图；

图4为node2vec随机游走过程中遵循的转移概率示意图；

图5为数据集制作流程图；其中，图5(a)为告警向量制作流程图，图5(b)为按时间顺序编排5条告警向量示意图，图5(c)为按时间顺序编排3条告警向量示意图，图5(d)为标签范例；

图6为搭建并训练5G承载网故障动态诊断与定位模型流程图；

图7为LSTM循环单元内部结构示意图；

图8为5G承载网故障动态诊断与定位流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

5G承载网有数量众多、连接复杂的网络设备，网络设备是以网络拓扑的形式相互连接的。针对此，node2vec算法可以构建网络拓扑结构中的节点与向量之间的映射关系，本发明采用node2vec算法将每一个网络设备映射成有限维向量。同时，5G承载网耦合关联的告警在时间上具有时序特性，这些时序关系也是反映5G承载网故障类型的重要特征。针对此，长短期记忆神经网络是一种处理时序数据的深度学习算法，本发明采用长短期记忆神经网络提取5G承载网告警数据的时序关联特征。因此，本发明可以对5G承载网中规模庞大且连接复杂的网络设备建模，进而用人工智能的方法动态诊断与定位故障。

如图1所示，本发明的5G承载网故障智能诊断方法主要包括以下步骤：

(1)利用有向图构建5G承载网中各层级节点的网络拓扑结构，描述5G承载网中网络设备的真实连接关系；

(2)采用node2vec算法构建有向图中的节点与向量之间的映射关系，生成NodeEmbedding；

(3)融合node2vec算法生成的节点嵌入和5G承载网故障数据，将5G承载网中典型的历史时序告警信息的关键特征进行编码，通过两层长短期记忆神经网络模型构建5G承载网故障动态诊断与定位模型，训练5G承载网故障动态诊断与定位模型；

(4)利用模拟动态生成的5G承载网告警与故障数据，融合生成告警向量；利用已构建的5G承载网故障动态诊断与定位模型，动态诊断5G承载网网络故障并定位相应的网络设备位置。

以上步骤为本发明实施例从数据获取到5G承载网故障智能诊断的步骤。

其中，步骤(1)中，利用有向图构建5G承载网中各层级节点的网络拓扑结构，描述5G承载网中网络设备的真实连接关系，如图2所示，图2是贵州省安顺市西秀区、关岭县和镇宁县下辖的乡镇图，5G承载网网络设备分布在乡镇层级之下，具体步骤如下所示：

①获取5G承载网网络设备的真实连接关系：获取贵州省安顺市西秀区、关岭县和镇宁县下辖乡镇中的5G承载网网络设备的真实连接关系，共有427个网络设备。

②利用有向图构建5G承载网中各层级节点的网络拓扑结构：5G承载网通过单向光纤实现网络设备的连接，因此可以利用networkx包中的DiGraph()类完成有向图的创建G＝network.DiGraph()，用二元组的数据结构(v1，v2)表征网络设备v1通过单向光纤连接到网络设备v2，将所有表征网络设备真实连接关系的二元组放入到列表中，将列表中的边添加到有向图G中完成5G承载网中各层级节点的网络拓扑结构的构建。

步骤(2)中，采用node2vec算法构建有向图中的节点与向量之间的映射关系，生成Node Embedding，如图3所示，图3是node2vec算法流程图，具体步骤如下所示：

①对有向图G做随机游走：对有向图G中的每一个节点v做128次随机游走，每次随机游走的长度为32，每次随机游走的策略遵循以下公式，采用概率为P(c

②对有向图G中的427个节点进行独热编码：第i个节点v

③将生成的随机游走传入到Skip-Gram模型：如图3的node2vec算法流程图所示，一组长度为32的随机游走为v

步骤(3)中，融合node2vec算法生成的节点嵌入和5G承载网故障数据，将5G承载网中典型的历史时序告警信息的关键特征进行编码，通过两层长短期记忆神经网络模型构建5G承载网故障动态诊断与定位模型，训练5G承载网故障动态诊断与定位模型，具体步骤如下所示：

①融合node2vec算法生成的节点嵌入和5G承载网故障数据，将5G承载网中典型的历史时序告警信息的关键特征进行编码：历史时序告警信息的关键特征是告警信息的种类，发出告警信息的网络设备的位置以及多台网络设备发出告警信息的时序。5G承载网中的一台网络设备发生故障(发生故障的网络设备会发出告警信息)，往往伴随着多台网络设备发出告警信息，基于5G承载网耦合关联的告警在时间上具有时序特性，可以得出多条时序告警信息与故障之间的映射关系，多条时序告警信息是5G承载网故障动态诊断与定位模型的输入，发生故障的网络设备的位置和故障类型是标签。实施例中有4种告警信息，4种故障信息。对4种告警信息进行独热编码，编码后的4种告警信息分别为alarm1＝[1，0，0，0]、alarm2＝[0，1，0，0]、alarm3＝[0，0，1，0]、alarm4＝[0，0，0，1]。node2vec算法生成的节点嵌入表征节点与向量之间的映射关系，每一个节点嵌入唯一标识每一个网络设备的位置。如图5(a)所示，427个节点嵌入u∈R

②搭建5G承载网故障动态诊断与定位模型：搭建好的5G承载网故障动态诊断与定位模型如图6所示，5G承载网故障动态诊断与定位模型中有两层长短期记忆神经网络以及一个全连接层，每层长短期记忆神经网络拥有5个LSTM循环单元，第二层长短期记忆神经网络的最后一个LSTM循环单元的输出接入全连接层，全连接层有20个神经元，全连接层的激活函数为softmax()。LSTM循环单元的内部结构如图7所示，LSTM循环单元包含两个状态，即单元状态C

遗忘门：f

输入门：i

输出门：o

更新单元状态：C

更新隐状态：h

③训练5G承载网故障动态诊断与定位模型：用交叉熵损失函数衡量误差，选用Adam优化器，初始化学习率为learning rate＝0.01，训练次数为8个epoch，batch_size设置为16，引入Dropout防止5G承载网故障动态诊断与定位模型过拟合，5G承载网故障动态诊断与定位模型训练结果如表1所示。

表1 5G承载网故障动态诊断与定位模型训练结果表

步骤(4)中，考虑模拟动态生成的5G承载网告警与故障数据，融合生成的告警向量，利用已构建的5G承载网故障动态诊断与定位模型，动态诊断5G承载网网络故障并定位相应的网络设备位置，具体步骤如下所示：

①将模拟动态生成的5G承载网告警与故障数据制成测试集：模拟动态生成的5G承载网告警与故障数据至多有5条，找到每条告警数据对应的20*1维的告警向量，将多条告警向量按时间顺序排序，若告警向量不足5条，不足的部分置0，测试集的数据类型为numpy.ndarray，大小设置为(1，5，20)；

②动态诊断5G承载网网络故障并定位相应的网络设备位置：将测试集输入到5G承载网故障动态诊断与定位模型，5G承载网故障动态诊断与定位模型的预测结果是一个20维的向量，取20维向量中最大值位置的索引作为输出，若输出结果为r(1≤r≤20)，则5条告警向量中的第r/4+1个告警向量导致5G承载网发生故障(若告警数据不足5条，不足的部分置0)，由第r/4个+1告警向量可以找出相应的网络设备位置，故障类别是第r％4个故障。5G承载网故障动态诊断与定位流程如图8所示，其中10109、10101、10102等数字是427个网络设备的自定义标识，将多条告警向量输入5G承载网故障动态诊断与定位模型，准确诊断5G承载网网络故障并定位相应的设备位置。

本发明还提供一种电子设备，包括：

存储器，用于存储可执行计算机程序；

处理器，用于执行存储器中存储的可执行计算机程序时，实现上述中任意一项所述的基于告警关联关系的5G承载网故障动态诊断与定位方法。

本发明还提供一种计算机可读存储介质，存储有计算机程序，用于被处理器执行时，实现上述中任意一项所述的基于告警关联关系的5G承载网故障动态诊断与定位方法。

综上所述，本发明公开了一种基于告警关联关系的5G承载网故障动态诊断与定位方法，包括以下步骤：利用有向图构建5G承载网中各层级节点的网络拓扑结构，描述5G承载网中网络设备的真实连接关系；采用node2vec算法构建有向图中的节点与向量之间的映射关系，生成Node Embedding；融合node2vec算法生成的节点嵌入和5G承载网故障数据，将5G承载网中典型的历史时序告警信息的关键特征进行编码，通过两层长短期记忆神经网络模型构建5G承载网故障动态诊断与定位模型，并训练5G承载网故障动态诊断与定位模型；利用已训练的5G承载网故障动态诊断与定位模型，动态诊断5G承载网网络故障并定位相应的网络设备位置。本发明可以动态诊断5G承载网网络故障并定位相应的网络设备位置。

需要说明的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。