网络异常原因确定方法、装置、计算设备及存储介质与流程

1.本发明涉及网络技术领域，具体涉及一种网络异常原因确定方法、装置、计算设备及存储介质。


背景技术：

2.随着科技及社会的不断发展，人们对网络服务的依赖程度也越来越高，由此针对网络服务的运维也成为网络服务中的重要一环。其中，网络异常的原因确定是网络服务运维中的一项重要任务。
3.现有技术采用的网络异常原因确定方式为人工分析方式，即由运维人员逐个分析检测到的网络异常事件，从而确定引起网络异常事件的原因。然而该种网络异常原因确定方式的效率低下，处理精度低。


技术实现要素：

4.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的网络异常原因确定方法、装置、计算设备及存储介质。
5.根据本发明的一个方面，提供了一种网络异常原因确定方法，包括：
6.根据小区流量数据识别网络异常事件；
7.提取网络异常事件的发生时间及发生位置，并基于所述网络异常事件的发生时间及发生位置生成网络异常事件的时空特征；
8.基于网络异常事件的时空特征，对网络异常事件进行聚类处理，以获得至少一个类簇；
9.针对于任一类簇，根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因。
10.在一种可选的实施方式中，在所述根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因之前，所述方法还包括：
11.识别网络异常事件的异常类型；其中，所述异常类型包括：流量突增类型和/或流量突降类型。
12.在一种可选的实施方式中，在所述根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因之前，所述方法还包括：
13.根据小区上行流量数据，识别流量类型为上行的网络异常事件；和/或
14.根据小区下行流量数据，识别流量类型为下行的网络异常事件。
15.在一种可选的实施方式中，所述根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因进一步包括：
16.获取该类簇对应区域关联的至少一种辅助信息；
17.根据所述辅助信息以及该类簇中网络异常事件的异常类型和/或事件流量类型，确定该类簇对应区域的网络异常原因。
18.在一种可选的实施方式中，所述辅助信息包括以下信息中的至少一种：
19.基站故障报告、干扰指标数据、以及活动公告数据。
20.在一种可选的实施方式中，所述根据小区流量数据识别网络异常事件进一步包括：
21.针对于任一服务小区，根据该服务小区在预设时间窗口内的流量数据生成该服务小区的流量时间序列；
22.对流量时间序列进行时序分解，以提取出流量时间序列中的随机波动项；
23.基于流量时间序列中的随机波动项识别网络异常事件。
24.在一种可选的实施方式中，所述方法还包括：基于所述随机波动项，识别网络异常事件的异常类型。
25.根据本发明的另一方面，提供了一种网络异常原因确定装置，包括：
26.识别模块，用于根据小区流量数据识别网络异常事件；
27.特征生成模块，用于提取网络异常事件的发生时间及发生位置，并基于所述网络异常事件的发生时间及发生位置生成网络异常事件的时空特征；
28.聚类模块，用于基于网络异常事件的时空特征，对网络异常事件进行聚类处理，以获得至少一个类簇；
29.异常定位模块，用于针对于任一类簇，根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因。
30.在一种可选的实施方式中，所述识别模块进一步用于：识别网络异常事件的异常类型；其中，所述异常类型包括：流量突增类型和/或流量突降类型。
31.在一种可选的实施方式中，所述识别模块进一步用于：根据小区上行流量数据，识别流量类型为上行的网络异常事件；以及
32.根据小区下行流量数据，识别流量类型为下行的网络异常事件。
33.在一种可选的实施方式中，所述异常定位模块进一步用于：获取该类簇对应区域关联的至少一种辅助信息；
34.根据所述辅助信息以及该类簇中网络异常事件的异常类型和/或事件流量类型，确定该类簇对应区域的网络异常原因。
35.在一种可选的实施方式中，所述辅助信息包括以下信息中的至少一种：
36.基站故障报告、干扰指标数据、以及活动公告数据。
37.在一种可选的实施方式中，所述识别模块进一步用于：
38.针对于任一服务小区，根据该服务小区在预设时间窗口内的流量数据生成该服务小区的流量时间序列；
39.对流量时间序列进行时序分解，以提取出流量时间序列中的随机波动项；
40.基于流量时间序列中的随机波动项识别网络异常事件。
41.在一种可选的实施方式中，所述识别模块进一步用于：基于所述随机波动项，识别网络异常事件的异常类型。
42.根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
43.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述
网络异常原因确定方法对应的操作。
44.根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述网络异常原因确定方法对应的操作。
45.本发明中，根据小区流量数据识别网络异常事件；继而基于网络异常事件的发生时间及发生位置生成网络异常事件的时空特征，并基于网络异常事件的时空特征，对网络异常事件进行聚类处理，从而将时空关联的离散网络异常事件进行聚合，以便于后续基于聚合生成的类簇的整体特性确定网络异常原因；以及根据类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因，提升网络异常原因的确定效率及确定精度。
46.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
47.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
48.图1示出了本发明实施例一提供的一种网络异常原因确定方法的流程示意图；
49.图2示出了本发明实施例一提供的一种网络异常事件识别方法的流程示意图；
50.图3示出了本发明实施例一提供的一种小区流量变化示意图；
51.图4示出了本发明实施例一提供的一种随机波动项的提取方法的流程示意图；
52.图5a示出了本发明实施例一提供的一种流量时间序列示意图；
53.图5b示出了本发明实施例一提供的一种趋势项示意图；
54.图5c示出了本发明实施例一提供的一种周期项示意图；
55.图5d示出了本发明实施例一提供的一种随机波动项示意图；
56.图6示出了本发明实施例二提供的一种网络异常原因确定装置的结构示意图；
57.图7示出了本发明实施例四提供的一种计算设备的结构示意图。
具体实施方式
58.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
59.实施例一
60.图1示出了本发明实施例一提供的一种网络异常原因确定方法的流程示意图。其中，本发明实施例所提供的网络异常原因确定方法可以应用于服务小区流量异常的原因确定。
61.如图1所示，该方法包括如下步骤：
62.步骤s110，根据小区流量数据识别网络异常事件。
63.服务小区中流量的突增或突降通常标志着当前存在网络异常，则本步骤基于任一服务小区对应的上行流量数据和/或下行流量数据来识别该服务小区对应的网络异常事件。其中，具体是根据小区上行流量数据，识别流量类型为上行的网络异常事件；和/或，根据小区下行流量数据，识别流量类型为下行的网络异常事件。
64.现有技术通常采用的网络异常事件识别方式为固定阈值识别方式，即当小区流量大于或小于预设阈值时，确定存在网络异常事件。然而采用该种方式无法准确地对网络异常事件进行识别。基于此，本发明实施例还提供了一种基于流量数据的时序特征进行网络异常事件的识别方法，以此来提升网络异常事件的识别精度。
65.如图2所示，网络异常事件识别方法包括如下步骤s111-步骤s113。
66.步骤s111，针对于任一服务小区，根据该服务小区在预设时间窗口内的流量数据生成该服务小区的流量时间序列。
67.具体地，针对于任一服务小区，获取该服务小区在预设时间窗口内的上行流量数据，并基于该上行流量数据生成该服务小区的上行流量时间序列；相应地，获取该服务小区在预设时间窗口内的下行流量数据，并基于该上行流量数据生成该服务小区的下行流量时间序列。其中，该预设时间窗口具体为最近一段历史时间段，如最近3天，最近一周等等。流量数据具体为该预设时间窗口内各个采样时间点对应的流量值，相邻两个采样时间点的间隔可以为一小时，或两小时等等，本发明实施例对此不作限定。
68.在生成该服务小区的流量时间序列过程中，具体是按照采样时间点的先后顺序进行排列。如表1所示，流量时间序列x为服务小区a的上行流量时间序列，流量时间序列y为服务小区a的下行流量时间序列。在流量时间序列x中包含了服务小区a多个采样时间点对应的上行流量值，流量时间序列y中包含了服务小区a多个采样时间点对应的下行流量值，并且流量时间序列x及y中按照采样时间点的先后顺序依次排列。
69.表1
70.[0071][0072]
此外，由于一些因素影响，小区流量数据在采集过程中会出现异常，例如缺失某采样时间点对应的数据等等。在此情况下，为了提升流量时间序列的准确度，本发明实施例对缺失的采样时间点的数据进行填充处理。具体地，确定缺失数据对应的采样时间点(后续简称目标采样时间点)，获取历史多个采样周期内与目标采样时间点处于同一时段的历史采样时间点的小区流量数据，并按照历史采样时间点的先后顺序排列，获得与目标采样时间点对应的历史流量时间序列。例如，目标采样时间点为2021-1-5-15：00，采样周期为一天，则历史多个采样周期内与目标采样时间点处于同一时段的历史采样时间点具体为：2021-1-4-15：00，2021-1-3-15：00，2021-1-2-15：00，2021-1-1-15：00
……
，从而将历史采样时间点2021-1-4-15：00，2021-1-3-15：00，2021-1-2-15：00，2021-1-1-15：00
……
对应的流量值依次排列，形成历史流量时间序列。最终采用线性回归插值算法对目标采样时间点对应的流量数据进行补充。
[0073]
步骤s112，对流量时间序列进行时序分解，以提取出流量时间序列中的随机波动项。
[0074]
步骤s111获得的各个流量时间序列为一元离散非平稳时间序列，由不同采样时间点的小区流量值构成的有序序列，序列中相邻元素对应的采样时间点的间隔相同。然而，随着4g/5g业务持续发展和用户数量不断增多，无线小区对应的流量均值和标准差也会随着时间而发生变化。如图3所示，小区流量呈现周期性变化，便呈现长期增长趋势。
[0075]
基于上述特征，本步骤可以采用stl(seasonal-trend decomposition procedure based on loess)算法对任一流量时间序列进行时序分解。其中，任一采样时间点的流量值可以分解为三部分。如公式1所示，任一采样时间点的小区流量值可以分解为流量周期部分、流量趋势部分以及流量余项部分。该流量余项部分具体为原流量时间序列中周期和趋势不能解释的异常波动部分，又可以称为随机波动部分。
[0076]y(t)
＝s
(t)
+t
(t)
+r
(t)
t＝1,......,n(公式1)
[0077]
公式1中，y(t)是采样时间点t的流量值，s(t)是采样时间点t的流量周期部分，t(t)是采样时间点t的流量趋势部分，r(t)是采样时间点t的流量余项部分。
[0078]
从而针对于任一流量时间序列t，该流量时间序列可以分解为周期项s、趋势项t以及随机波动项r。其中，针对于任一流量时间序列，其随机波动项的提取过程如图4中步骤s1121-步骤s1129：
[0079]
步骤s1121，将流量时间序列划分为各个标准采样时间点对应的子序列。
[0080]
流量时间序列中的采样时间点具有周期性，例如流量时间序列记录的是每天每小时的流量值，则其周期即为24小时，则标准采样时间点具体为每个周期(如每天)内的采样时间点，例如标准采样时间点为1：00，2：00
……
24：00等等，流量时间序列中每个采样时间点均对应于一个标准采样时间点，如2021-1-1-13：00对应的标准采样时间点为13：00，而一个标准采样时间点可以对应于多个采样时间点，例如标准采样时间点13：00对应采样时间点2021-1-1-13：00、2021-1-2-13：00、2021-1-3-13：00等等。
[0081]
进一步针对于任一标准采样时间点，根据该标准采样时间点对应的采样时间点的流量值构建该标准采样时间点对应的子序列。例如，标准采样时间点为13：00，流量时间序列中与13：00对应的采样时间点为2021-1-1-13：00、2021-1-2-13：00、2021-1-3-13：00，则将2021-1-1-13：00、2021-1-2-13：00、2021-1-3-13：00对应的数据按照采样时间点的先后顺序构成相应的子序列。
[0082]
步骤s1122，针对于任一子序列，剔除该子序列中的趋势项。
[0083]
在初始状态下，趋势项初始值为0；在非初始状态下，该趋势项具体为上一次循环计算获得的趋势值。
[0084]
步骤s1123，对子序列进行平滑处理，获得平滑结果。
[0085]
具体是针对于剔除趋势项后的子序列进行回归处理，其中局部加权回归loess(d＝1)，并将子序列分别向前及向后延展一个周期，最终得到平滑结果，该平滑结果即为c
(sub)
。
[0086]
步骤s1124，对子序列进行低通量过滤。
[0087]
具体针对于平滑结果c
(sub)
依次进行长度为n、n、3的滑动平均。并将滑动平均结果进行loess(d＝1)的回归处理，继而得到过滤结果l
(sub)
。
[0088]
步骤s1125，获取周期项。
[0089]
具体采用公式2获得周期项：
[0090]s(sub)
＝c
(sub)-l
(sub)
(公式2)
[0091]
公式2中，s
(sub)
为周期项，c
(sub)
为平滑结果，l
(sub)
为过滤结果。
[0092]
步骤s1126，子序列去除周期项。
[0093]
利用子序列y
(sub)
去除步骤s1125得到的s
(sub)
，即y
(sub)-s
(sub)
。
[0094]
步骤s1127，对去除周期项后的序列进行趋势平滑，以获得新的趋势项。
[0095]
具体对y
(sub)-s
(sub)
进行loess(d＝1)回归，即可得到新的趋势项t
(sub)
。
[0096]
步骤s1128，判断当前趋势项与周期项是否收敛；若否，则执行步骤s1122；若是，则循环结束。
[0097]
步骤s1129，计算子序列的随机波动项。
[0098]
利用上述步骤s1128收敛后的趋势项以及周期项可以计算子序列的随机波动项。具体是通过公式3获得子序列的随机波动项：
[0099]r(sub)
＝y
(sub)-t
(sub)-s
(sub)
(公式3)
[0100]
公式3中，y
(sub)
是子序列，t
(sub)
是收敛后的趋势项，s
(sub)
是收敛后的周期项，y
(sub)
是子序列中的随机波动项。
[0101]
最终根据子序列的随机波动项汇合成为流量时间序列中的随机波动项。
[0102]
例如，图5a所示的流量时间序列可以分解为图5b所示的趋势项、图5c所示的周期
项、以及图5d所示的随机波动项。
[0103]
步骤s113，基于流量时间序列中的随机波动项识别网络异常事件。
[0104]
流量时间序列中的随机波动项能够体现流量的波动特性，基于此可从随机波动项中识别出波动异常点，并将波动异常点识别为网络异常事件。
[0105]
进一步可选的，可以采用孤立森林算法来识别网络异常事件，其具体实施过程如下：首先从随机波动项中提取出n条数据，并采用均匀抽样获得m个样本，并将m个样本作为孤立森林子树的训练样本；进一步从m个样本中随机选取一个特征，并将该特征在所有值范围内(最小值与最大值之间)随机选一个值，对样本进行二叉划分，并将样本中小于该值的划分到节点的左边，大于等于该值的划分到节点的右边，从而获得左侧数据集及右侧数据集；对获得的数据集重复进行二叉划分，直至达到终止条件。其中，该终止条件为数据集中仅包含一个样本，或者树高达到预设值log2(m)。
[0106]
在满足二叉划分的终止条件之后，针对于任一样本，遍历该样本所在的孤儿树，并记录该样本在该孤儿树中的路径长度h(x)，并基于该路径长度计算每个样本的异常分值，例如可通过如下公式4计算异常分值：
[0107][0108]
公式4中，score为某个样本的异常分值，e(h(x))为该样本在所有孤儿树的路径长度的平均值，c
(m)
为给定样本数m时路径长度的平均值。其中，score越接近1，则其为异常点的概率越高，若score小于0.5，则表明其为正常点。
[0109]
步骤s120，提取网络异常事件的发生时间及发生位置，并基于网络异常事件的发生时间及发生位置生成网络异常事件的时空特征。
[0110]
每个网络异常事件对应于相应的发生时间及发生位置，则针对于任一网络异常时间，将该网络异常时间的发生时间及发生位置进行拼接，从而形成该网络异常时间的时空特征。例如，网络异常事件p的时空特征为(t，l)，t为发生事件，l为发生位置。
[0111]
步骤s130，基于网络异常事件的时空特征，对网络异常事件进行聚类处理，以获得至少一个类簇。
[0112]
本发明实施例对具体的聚类算法不作限定，例如可以采用dbscan算法进行聚类。具体地，配置参数(e,minpts)，e为邻域距离阈值，minpts为半径为e的邻域中网络异常事件的最小个数，网络异常事件集合为d＝(x1,x2,x3,......xm)，xi为第i个网络异常事件。进一步计算每个网络异常事件的邻域集合，网络异常事件x的邻域集合中的网络异常事件与该x的距离小于e，若该邻域集合中的网络异常事件的个数大于minpts，则确定x为一个核心对象，并且该邻域集合中的网络异常事件与该x密度直达。将同一邻域的核心对象进行聚合，即如果任意一个核心对象的e邻域内，存在另外一个核心对象，则将这两个核心对象及其邻域内的网络异常事件进行合并，直到所有核心对象都遍历处理完毕，形成类簇cluster1、cluster2......。
[0113]
步骤s140，针对于任一类簇，根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因。
[0114]
具体地，预先识别网络异常事件的异常类型；其中，异常类型包括：流量突增类型和/或流量突降类型。可选的，可以基于异常事件对应的随机波动项，识别网络异常事件的
异常类型。例如，由于随机波动项通常符合或近似正态分布，则本发明实施例可以采用n-sigma算法准确识别异常事件的异常类型。其中，可以选取n-sigma算法中n为3，并计算随机波动项的平均值u及标准差δ。若随机波动项中某网络异常事件(某个异常点)的概率密度r大于u+3δ，则确定该网络异常事件的异常类型为流量突增类型；若r小于u-3δ，则确定该网络异常事件的异常类型为流量突降类型。
[0115]
以及，预先识别网络异常事件的流量类型，该流量类型包括上行及下行。其中，根据小区上行流量数据，识别出的网络异常事件的流量类型为上行；以及根据小区下行流量数据，识别出的网络异常事件的流量类型为下行。
[0116]
进一步地，根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因。
[0117]
确定方式一，确定该类簇中网络异常事件的主导异常类型，其中，若类簇中某异常类型对应的网络异常事件占比接近100％，则确定该异常类型为该类型的主导异常类型。若该类簇的主导异常类型为流量突降类型，以及该类簇中流量类型为上行或下行的网络异常事件的比例接近或等于50％(即表明该类簇对应区域上行及下行流量均发生异常，且比例接近)，则确定该类簇对应区域的网络异常原因为基站故障或外部干扰。
[0118]
确定方式二，若该类簇中网络异常事件的主导异常类型为流量突降类型，以及该类簇中流量类型为上行或下行的网络异常事件的比例接近或等于100％(即表明该类型对应区域主要为上行流量或下行流量发生异常)，则确定该类簇对应区域的网络异常原因为基站故障、外部干扰或用户业务行为变化。
[0119]
确定方式三，若该类簇中网络异常事件的主导异常类型为流量突增类型，以及该类簇中流量类型为上行或下行的网络异常事件的比例接近或等于50％，则确定该类簇对应区域的网络异常原因为外部活动。
[0120]
确定方式四，若该类簇中网络异常事件的主导异常类型为流量突增类型，以及该类簇中流量类型为上行或下行的网络异常事件的比例接近或等于100％，则确定该类簇对应区域的网络异常原因为外部活动或用户业务行为变化。
[0121]
在一种可选的实施方式中，为了提升网络异常原因的确定精度，可以获取该类簇对应区域关联的至少一种辅助信息；继而根据辅助信息以及该类簇中网络异常事件的异常类型和/或事件流量类型，确定该类簇对应区域的网络异常原因。其中，辅助信息包括以下信息中的至少一种：基站故障报告、干扰指标数据、以及活动公告数据。该基站故障报告包括基站退服报告等，干扰指标数据包括监测到的干扰指标值，活动公告具体为音乐节、美食节等活动的时间、地点等公告信息。具体的确定方式如下：
[0122]
确定方式五，若该类类簇的主导异常类型为流量突降类型，该类簇中流量类型为上行或下行的网络异常事件的比例接近或等于50％，判断是否接收到该类簇对应区域的基站的故障报告，若是，则确定该类簇对应区域的网络异常原因为基站故障；若否，则判断是否接收到该类簇对应区域的干扰指标数据，若接收到干扰指标数据，则确定该类簇对应区域的网络异常原因为外部干扰；若未接收到干扰指标数据，则确定该类簇对应区域的网络异常原因为用户业务行为变化。
[0123]
确定方式六，若该类簇中网络异常事件的主导异常类型为流量突降类型，且该类簇中流量类型为上行或下行的网络异常事件的比例接近或等于50％，以及接收到与该类簇
同时段同区域的活动公告信息(即某活动公告中活动时间与该类簇对应的网络异常事件的时段存在交集，以及该类簇对应区域与该活动公告中活动地址存在交集)，则确定该类簇对应区域的网络异常原因为外部活动。
[0124]
确定方式七，若该类簇中网络异常事件的主导异常类型为流量突降类型，且该类簇中流量类型为上行或下行的网络异常事件的比例接近或等于100％，以及未接收到与该类簇同时段同区域的活动公告信息，则确定该类簇对应区域的网络异常原因为用户业务行为变化。
[0125]
此外，作为一种可选的确定方式，还可以结合类簇对应区域关联的基站数目确定该类簇对应区域的网络异常原因。具体地，若该类簇中网络异常事件的主导异常类型为流量突降类型，并且该类簇中流量类型为上行或下行的网络异常事件的比例接近或等于50％，以及类簇对应区域关联的基站数目为单个，则确定该类簇对应区域的网络异常原因为基站故障；若该类簇中网络异常事件的主导异常类型为流量突降类型，并且该类簇中流量类型为上行或下行的网络异常事件的比例接近或等于50％，以及类簇对应区域关联的基站数目为多个，则确定该类簇对应区域的网络异常原因为外部干扰。
[0126]
由此可见，本发明实施例根据小区流量数据识别网络异常事件；继而基于网络异常事件的发生时间及发生位置生成网络异常事件的时空特征，并基于网络异常事件的时空特征，对网络异常事件进行聚类处理，从而将时空关联的离散网络异常事件进行聚合，以便于后续基于聚合生成的类簇的整体特性确定网络异常原因；以及根据类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因，提升网络异常原因的确定效率及确定精度。
[0127]
实施例二
[0128]
图6示出了本发明实施例二提供的一种网络异常原因确定装置的结构示意图。如图6所示，该装置600包括：识别模块610、特征生成模块620、聚类模块630以及异常定位模块640。
[0129]
识别模块610，用于根据小区流量数据识别网络异常事件；
[0130]
特征生成模块620，用于提取网络异常事件的发生时间及发生位置，并基于所述网络异常事件的发生时间及发生位置生成网络异常事件的时空特征；
[0131]
聚类模块630，用于基于网络异常事件的时空特征，对网络异常事件进行聚类处理，以获得至少一个类簇；
[0132]
异常定位模块640，用于针对于任一类簇，根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因。
[0133]
在一种可选的实施方式中，所述识别模块进一步用于：识别网络异常事件的异常类型；其中，所述异常类型包括：流量突增类型和/或流量突降类型。
[0134]
在一种可选的实施方式中，所述识别模块进一步用于：根据小区上行流量数据，识别流量类型为上行的网络异常事件；和/或，
[0135]
根据小区下行流量数据，识别流量类型为下行的网络异常事件。
[0136]
在一种可选的实施方式中，所述异常定位模块进一步用于：获取该类簇对应区域关联的至少一种辅助信息；
[0137]
根据所述辅助信息以及该类簇中网络异常事件的异常类型和/或事件流量类型，
确定该类簇对应区域的网络异常原因。
[0138]
在一种可选的实施方式中，所述辅助信息包括以下信息中的至少一种：
[0139]
基站故障报告、干扰指标数据、以及活动公告数据。
[0140]
在一种可选的实施方式中，所述识别模块进一步用于：
[0141]
针对于任一服务小区，根据该服务小区在预设时间窗口内的流量数据生成该服务小区的流量时间序列；
[0142]
对流量时间序列进行时序分解，以提取出流量时间序列中的随机波动项；
[0143]
基于流量时间序列中的随机波动项识别网络异常事件。
[0144]
在一种可选的实施方式中，所述识别模块进一步用于：基于所述随机波动项，识别网络异常事件的异常类型。
[0145]
由此可见，本发明实施例根据小区流量数据识别网络异常事件；继而基于网络异常事件的发生时间及发生位置生成网络异常事件的时空特征，并基于网络异常事件的时空特征，对网络异常事件进行聚类处理，从而将时空关联的离散网络异常事件进行聚合，以便于后续基于聚合生成的类簇的整体特性确定网络异常原因；以及根据类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因，提升网络异常原因的确定效率及确定精度。
[0146]
实施例三
[0147]
本发明实施例三提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的网络异常原因确定方法。
[0148]
实施例四
[0149]
图7示出了本发明实施例四提供的一种计算设备的结构示意图。本发明具体实施例并不对计算设备的具体实现做限定。
[0150]
如图7所示，该计算设备可以包括：处理器(processor)702、通信接口(communications interface)704、存储器(memory)706、以及通信总线708。
[0151]
其中：处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。处理器702，用于执行程序710，具体可以执行上述方法实施例中的相关步骤。
[0152]
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
[0153]
处理器702可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0154]
存储器706，用于存放程序710。存储器706可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。程序710具体可以用于使得处理器702执行上述方法实施例中的方法。
[0155]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利
用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0156]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0157]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0158]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0159]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0160]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0161]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

技术特征：
1.一种网络异常原因确定方法，其特征在于，包括：根据小区流量数据识别网络异常事件；提取网络异常事件的发生时间及发生位置，并基于所述网络异常事件的发生时间及发生位置生成网络异常事件的时空特征；基于网络异常事件的时空特征，对网络异常事件进行聚类处理，以获得至少一个类簇；针对于任一类簇，根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因。2.根据权利要求1所述的方法，其特征在于，在所述根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因之前，所述方法还包括：识别网络异常事件的异常类型；其中，所述异常类型包括流量突增类型和/或流量突降类型。3.根据权利要求1所述的方法，其特征在于，在所述根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因之前，所述方法还包括：根据小区上行流量数据，识别流量类型为上行的网络异常事件；和/或根据小区下行流量数据，识别流量类型为下行的网络异常事件。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因进一步包括：获取该类簇对应区域关联的至少一种辅助信息；根据所述辅助信息以及该类簇中网络异常事件的异常类型和/或事件流量类型，确定该类簇对应区域的网络异常原因。5.根据权利要求4所述的方法，其特征在于，所述辅助信息包括以下信息中的至少一种：基站故障报告、干扰指标数据、以及活动公告数据。6.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据小区流量数据识别网络异常事件进一步包括：针对于任一服务小区，根据该服务小区在预设时间窗口内的流量数据生成该服务小区的流量时间序列；对流量时间序列进行时序分解，以提取出流量时间序列中的随机波动项；基于流量时间序列中的随机波动项识别网络异常事件。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：基于所述随机波动项，识别网络异常事件的异常类型。8.一种网络异常原因确定装置，其特征在于，包括：识别模块，用于根据小区流量数据识别网络异常事件；特征生成模块，用于提取网络异常事件的发生时间及发生位置，并基于所述网络异常事件的发生时间及发生位置生成网络异常事件的时空特征；聚类模块，用于基于网络异常事件的时空特征，对网络异常事件进行聚类处理，以获得至少一个类簇；异常定位模块，用于针对于任一类簇，根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因。
9.一种计算设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的网络异常原因确定方法对应的操作。10.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的网络异常原因确定方法对应的操作。

技术总结
本发明公开了一种网络异常原因确定方法、装置、计算设备及存储介质。方法包括：根据小区流量数据识别网络异常事件；提取网络异常事件的发生时间及发生位置，并基于网络异常事件的发生时间及发生位置生成网络异常事件的时空特征；基于网络异常事件的时空特征，对网络异常事件进行聚类处理，以获得至少一个类簇；针对于任一类簇，根据该类簇中网络异常事件的异常类型和/或流量类型，确定该类簇对应区域的网络异常原因。采用本方案，能够提升网络异常原因的确定效率及确定精度。原因的确定效率及确定精度。原因的确定效率及确定精度。


技术研发人员：张文圳 马方明 王磊 王西点 石铎 程楠 徐晶 贾子寒 聂臻霖 王亚楠 刘少聪 吴宝栋 刘大洋 蓝万顺 文秋梅
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.03.28
技术公布日：2023/10/11