针对移动通信系统的系统状态预测方法及装置与流程

1.本技术涉及移动通信技术领域，特别是涉及一种针对移动通信系统的系统状态预测方法及装置。


背景技术：

2.移动通信系统是通信系统的重要组成部分，利用综合业务数字网和互联网综合组网，使“移动通信网”与“运动通信网”有机融合、取长补短，并可通过升空平台通信系统和机动卫星通信系统扩展通信覆盖范围，从而构成一体化的通信系统。相较于民用信息通信系统，移动通信系统呈现设备种类多、终端种类多、运行环境复杂多变的特性。
3.目前针对通信系统的运维状态预测技术大多集中于民用通信系统上，民用通信系统一般设置于机房中，机房内部的环境较为稳定，且设备之间间隔较远，互相之间的影响可以忽略不计。
4.然而，移动通信系统的运行环境比民用通信系统复杂得多，而且在移动通信系统中各设备之间距离较近，设备运行时容易对临近的其他设备造成影响。若采用现有技术中针对民用通信系统进行运维状态预测的方式，则需要考虑到的影响因素极多，使得建模复杂，预测计算量高，移动通信系统可能无法承担系统状态预测所需的计算量。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种针对移动通信系统的系统状态预测方法及装置。
6.第一方面，本技术提供了一种针对移动通信系统的系统状态预测方法。所述方法包括：
7.获取通信系统中各子系统的系统参数，根据各所述子系统的系统参数分别构建各所述子系统对应的子向量，并根据各所述子向量构建所述通信系统的系统状态向量，其中，所述系统参数包括运行参数和/或检测到的环境参数；
8.分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，并根据各所述聚类距离，确定所述系统状态向量对应的目标系统状态聚类结果，其中，所述系统状态聚类结果中包括至少一个历史系统状态向量，所述历史系统状态向量为在历史系统状态预测中构建的系统状态向量；
9.将所述目标系统状态聚类结果对应的系统预测状态，作为目标系统预测状态。
10.在其中一个实施例中，所述获取通信系统中各子系统的系统参数之前，所述方法还包括：
11.获取各所述历史系统状态向量，及各所述历史系统状态向量对应的所述系统预测状态；
12.针对任一所述系统预测状态，对所述系统预测状态对应的各所述历史系统状态向量进行层次聚类处理，得到所述系统预测状态对应的多个所述系统状态聚类结果。
13.在其中一个实施例中，所述对所述系统预测状态对应的各所述历史系统状态向量进行层次聚类处理，得到所述系统预测状态对应的多个所述系统状态聚类结果，包括：
14.将各所述历史系统状态向量分别作为临时系统状态聚类结果，并分别确定各所述临时系统状态聚类结果对应的聚类向量；
15.确定所述聚类向量中每两个所述聚类向量之间的向量距离，并将各所述向量距离中最小的向量距离作为目标向量距离；
16.在所述目标向量距离大于向量距离阈值的情况下，将各所述临时系统状态聚类结果作为各所述系统状态聚类结果，或者；
17.在所述目标向量距离小于或者等于所述向量距离阈值的情况下，将所述目标向量距离对应的两个聚类向量所对应的所述临时系统状态聚类结果，合并为一个临时系统状态聚类结果，并跳转至分别确定各所述临时系统状态聚类结果对应的聚类向量的步骤。
18.在其中一个实施例中，所述分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，包括：
19.针对任一所述系统状态聚类结果对应的所述聚类向量，分别确定所述聚类向量的各子向量和所述系统状态向量的各所述子向量之间的子向量距离；
20.根据各所述子向量距离，确定所述聚类向量和所述系统状态向量之间的向量距离，并将所述向量距离作为所述系统状态向量和所述系统状态聚类结果之间的聚类距离。
21.在其中一个实施例中，所述获取通信系统中各子系统的系统参数之前，所述方法还包括：
22.在所述通信系统中存在目标子系统，和/或各所述历史系统状态向量中存在目标子向量的情况下，对各所述历史系统状态向量进行调整，以使得调整后的各所述历史系统状态向量的各所述子向量，和所述通信系统中的各所述子系统一一对应，其中，所述目标子系统为与任一所述子向量均不存在对应关系的子系统，所述目标子向量为与任一所述子系统均不存在对应关系的子向量；
23.对各所述历史系统状态向量重新进行聚类处理，得到多个所述系统状态聚类结果。
24.在其中一个实施例中，在所述通信系统中存在目标子系统，和/或各所述历史系统状态向量中存在目标子向量的情况下，对各所述历史系统状态向量进行调整，包括：
25.在存在目标子系统的情况下，在各所述历史系统状态向量中增加所述目标子系统对应的子向量；
26.在存在目标子向量的情况下，将所述目标子向量从各所述历史系统状态向量中删除。
27.在其中一个实施例中，所述方法还包括：
28.在接收到状态调整指令的情况下，将所述系统状态向量对应的所述系统预测状态调整为所述状态调整指令指示的系统预测状态；
29.将系统预测状态调整后的所述系统状态向量作为所述历史系统状态向量。
30.第二方面，本技术还提供了一种针对移动通信系统的系统状态预测装置。所述装置包括：
31.构建模块，用于获取通信系统中各子系统的系统参数，根据各所述子系统的系统
参数分别构建各所述子系统对应的子向量，并根据各所述子向量构建所述通信系统的系统状态向量，其中，所述系统参数包括运行参数和/或检测到的环境参数；
32.确定模块，用于分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，并根据各所述聚类距离，确定所述系统状态向量对应的目标系统状态聚类结果，其中，所述系统状态聚类结果中包括至少一个历史系统状态向量，所述历史系统状态向量为在历史系统状态预测中构建的系统状态向量；
33.第一处理模块，用于将所述目标系统状态聚类结果对应的系统预测状态，作为目标系统预测状态。
34.在其中一个实施例中，所述装置还包括：
35.获取模块，用于获取各所述历史系统状态向量，及各所述历史系统状态向量对应的所述系统预测状态；
36.第一聚类模块，用于针对任一所述系统预测状态，对所述系统预测状态对应的各所述历史系统状态向量进行层次聚类处理，得到所述系统预测状态对应的多个所述系统状态聚类结果。
37.在其中一个实施例中，所述第一聚类模块，还用于：
38.将各所述历史系统状态向量分别作为临时系统状态聚类结果，并分别确定各所述临时系统状态聚类结果对应的聚类向量；
39.确定所述聚类向量中每两个所述聚类向量之间的向量距离，并将各所述向量距离中最小的向量距离作为目标向量距离；
40.在所述目标向量距离大于向量距离阈值的情况下，将各所述临时系统状态聚类结果作为各所述系统状态聚类结果，或者；
41.在所述目标向量距离小于或者等于所述向量距离阈值的情况下，将所述目标向量距离对应的两个聚类向量所对应的所述临时系统状态聚类结果，合并为一个临时系统状态聚类结果，并跳转至分别确定各所述临时系统状态聚类结果对应的聚类向量的步骤。
42.在其中一个实施例中，所述确定模块，还用于：
43.针对任一所述系统状态聚类结果对应的所述聚类向量，分别确定所述聚类向量的各子向量和所述系统状态向量的各所述子向量之间的子向量距离；
44.根据各所述子向量距离，确定所述聚类向量和所述系统状态向量之间的向量距离，并将所述向量距离作为所述系统状态向量和所述系统状态聚类结果之间的聚类距离。
45.在其中一个实施例中，所述装置还包括：
46.第一调整模块，用于在所述通信系统中存在目标子系统，和/或各所述历史系统状态向量中存在目标子向量的情况下，对各所述历史系统状态向量进行调整，以使得调整后的各所述历史系统状态向量的各所述子向量，和所述通信系统中的各所述子系统一一对应，其中，所述目标子系统为与任一所述子向量均不存在对应关系的子系统，所述目标子向量为与任一所述子系统均不存在对应关系的子向量；
47.第二聚类模块，用于对各所述历史系统状态向量重新进行聚类处理，得到多个所述系统状态聚类结果。
48.在其中一个实施例中，所述第一调整模块，还用于：
49.在存在目标子系统的情况下，在各所述历史系统状态向量中增加所述目标子系统
对应的子向量；
50.在存在目标子向量的情况下，将所述目标子向量从各所述历史系统状态向量中删除。
51.在其中一个实施例中，所述装置还包括：
52.第二调整模块，用于在接收到状态调整指令的情况下，将所述系统状态向量对应的所述系统预测状态调整为所述状态调整指令指示的系统预测状态；
53.第二处理模块，用于将系统预测状态调整后的所述系统状态向量作为所述历史系统状态向量。
54.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上任一项方法。
55.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上任一项方法。
56.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上任一项方法。
57.上述针对移动通信系统的系统状态预测方法及装置，根据通信系统中各子系统的系统参数(包括运行参数和环境参数)构建得到子向量，进而根据各子向量获得通信系统的系统状态向量，并通过聚类算法确定系统状态向量属于的系统状态聚类结果，进而得到系统状态向量对应的目标系统预测状态。本技术实施例将移动通信系统作为一个整体进行向量建模，且向量中考虑移动通信系统中的所有子系统和子系统的运行参数及检测到的环境参数，通过将通信系统作为一个向量进行处理，并使得环境参数也参与至系统状态之间距离的计算之中，能够在计算距离时考虑到环境的影响和各子系统之间互相的影响，在对通信系统进行简单建模降低计算量的基础上，仍保留系统状态预测的精度。
附图说明
58.图1为一个实施例中针对移动通信系统的系统状态预测方法的流程示意图；
59.图2为一个实施例中针对移动通信系统的系统状态预测方法的流程示意图；
60.图3为一个实施例中步骤204的流程示意图；
61.图4为一个实施例中步骤104的流程示意图；
62.图5为一个实施例中针对移动通信系统的系统状态预测方法的流程示意图；
63.图6为一个实施例中步骤502的流程示意图；
64.图7为一个实施例中针对移动通信系统的系统状态预测方法的流程示意图；
65.图8为一个实施例中虚警率和漏报率变化趋势的示意图；
66.图9为一个实施例中针对移动通信系统的系统状态预测装置的结构框图；
67.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
68.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不
用于限定本技术。
69.在一个实施例中，如图1所示，提供了一种针对移动通信系统的系统状态预测方法，本实施例以该方法应用于移动通信系统中的移动通信车进行说明，包括以下步骤：
70.步骤102，获取通信系统中各子系统的系统参数，根据各子系统的系统参数分别构建各子系统对应的子向量，并根据各子向量构建通信系统的系统状态向量，其中，系统参数包括运行参数和/或检测到的环境参数。
71.本技术实施例中，通信系统为移动通信车上搭载的通信系统，通信系统中可能包括多个子系统，如用于对外通信的子通信系统、用于对信息进行加密的保密系统、用于检测移动通信车周围温度、湿度等环境参数的动环系统等。系统参数指各子系统在运行中产生的运行参数(如电压、功率、数据传输速率等)，以及在检测外部环境时检测得到的环境参数(如温度、湿度、大气压等)。
72.针对任一子系统，可以根据该子系统的系统参数，构建得到该子系统对应的子向量。可以根据子系统的全部系统参数构建子向量，或者从全部系统参数中选择部分参数(例如，和系统状态较为相关的参数)构建子向量，本技术实施例对此不作具体限定。以子系统具有i1、i2、i3……im
个系统参数为例，子系统对应的子向量可以写为：
73.对各子向量进行级联，可以得到通信系统对应的系统状态向量。若通信系统共有子系统则通信系统对应的系统状态向量可以写为由于某些子系统可能对于通信系统的运行状态影响更大，因而可以在子向量中增加用于表征子系统权重的部分，例如，若子系统的权重为则构建子向量时可以将每个系统参数都和权重进行相乘，也即子系统对应的子向量可以为权重大小可以由本领域技术人员根据实际需求进行设定，例如在子系统更重要时，将子系统对应的权重设置的较大，在子系统的重要性相对较弱时，将子系统对应的权重设置的较小。
74.同时，通信系统中可能存在不止一个同类型的子系统，例如一套通信系统中可能有多个子通信系统，用于同时对外进行通信。在此情况下，可以为各同类型的子系统分别构建子向量，也可以通过一个子向量来表征多个同类型的子系统。在通过一个子向量表征多个同类型的子系统时，可以先分别构建各子系统对应的向量，再将各向量进行级联得到子向量。例如，若存在子系统和根据的系统参数构建出的向量为根据的系统参数构建出的向量为则可以将对应的向量和对应的向量进行级联，形成子向量
75.该过程在数学上等同于将通信系统中的各系统参数从一个一维的车载设备空间x映射至一个高维全局特征空间f，其中f为一个欧几里得空间(euclidean spaces)。设该映射函数为φ:x
→
f，则通信系统xi在f中的映射为在f中的映射为
76.步骤104，分别确定系统状态向量和多个系统状态聚类结果之间的聚类距离，并根据各聚类距离，确定系统状态向量对应的目标系统状态聚类结果，其中，系统状态聚类结果中包括至少一个历史系统状态向量，历史系统状态向量为在历史系统状态预测中构建的系
统状态向量。
77.本技术实施例中，系统状态聚类结果是根据多个历史系统状态向量聚类得到的，历史系统状态向量指在历史系统状态预测中构建的系统状态向量。针对任一系统状态聚类结果，可以根据系统状态向量和该系统状态聚类结果中的各历史系统状态向量之间的距离，获得系统状态向量和系统状态聚类结果之间的聚类距离。本技术实施例对计算系统状态向量和历史系统状态向量之间距离的方法不作具体限定，任一可以计算两个向量间距离的方式均适用于本技术实施例中，例如：欧式距离、巴氏距离等。
78.在获得系统状态向量和各历史系统状态向量之间的向量距离后，可以根据各向量距离确定系统状态向量和各系统状态聚类结果之间的聚类距离。本技术实施例对根据向量距离得到聚类距离的方式不作具体限定，例如，可以将各向量距离的和作为聚类距离，或者将各向量距离的平均值作为聚类距离等，本技术实施例对此不作具体限定。
79.在确定系统状态向量和各系统状态聚类结果之间的聚类距离后，可以将对应聚类距离最小的系统状态聚类结果作为目标系统状态聚类结果。
80.步骤106，将目标系统状态聚类结果对应的系统预测状态，作为目标系统预测状态。
81.本技术实施例中，每一个系统状态聚类结果均具有对应的系统预测状态，例如状态正常、状态异常等。或者也可以进行更细粒度的划分，如状态良好、状态临界、状态异常等，本技术实施例对此不作具体限定。
82.可以根据系统状态聚类结果中的各历史系统状态向量对应的系统预测状态，确定系统状态聚类结果对应的系统预测状态。历史系统状态向量对应的系统预测状态是在历史系统状态预测中得到的。例如，若一个系统状态聚类结果中包括多个系统预测状态对应的历史系统状态向量，则可以选取各系统预测状态中，对应的历史系统状态向量数量最大的系统预测状态作为系统状态聚类结果对应的系统预测状态，或者也可以采取其他方式确定系统状态聚类结果对应的系统预测状态，本技术实施例对此不作具体限定。
83.由于目标系统状态聚类结果是距离系统状态向量最近的聚类结果，因此系统状态向量对应的系统预测状态大概率和目标系统状态聚类结果对应的系统预测状态相同。故而可以将目标系统状态聚类结果对应的系统预测状态作为系统状态向量对应的系统预测状态。在得到系统状态向量对应的系统预测状态后，可以将系统预测状态在通信系统的显示设备上进行显示，在系统预测状态表明通信系统异常时，还可以以声、光等形式发出报警，本技术实施例对此不作具体限定。
84.本技术实施例提供的针对移动通信系统的系统状态预测方法，根据通信系统中各子系统的系统参数(包括运行参数和环境参数)构建得到子向量，进而根据各子向量获得通信系统的系统状态向量，并通过聚类算法确定系统状态向量属于的系统状态聚类结果，进而得到系统状态向量对应的目标系统预测状态。本技术实施例将移动通信系统作为一个整体进行向量建模，且向量中考虑移动通信系统中的所有子系统和子系统的运行参数及检测到的环境参数，通过将通信系统作为一个向量进行处理，并使得环境参数也参与至系统状态之间距离的计算之中，能够在计算距离时考虑到环境的影响和各子系统之间互相的影响，在对通信系统进行简单建模降低计算量的基础上，仍保留系统状态预测的精度。
85.在一个实施例中，如图2所示，步骤102中，获取通信系统中各子系统的系统参数之
前，上述方法还包括：
86.步骤202，获取各历史系统状态向量，及各历史系统状态向量对应的所述系统预测状态。
87.步骤204，针对任一系统预测状态，对系统预测状态对应的各历史系统状态向量进行层次聚类处理，得到系统预测状态对应的多个系统状态聚类结果。
88.本技术实施例中，在每一次系统状态预测结束后，可以将本次系统状态预测中构建的系统状态向量、及根据系统状态向量预测出的系统预测状态进行存储。在进行下一次系统状态预测时，可以将之前储存的全部系统状态向量作为历史系统状态向量并进行一次聚类，也即在每次系统状态预测开始前都将之前的预测结果作为样本，重新进行一次聚类；或者，也可以在系统状态向量存储到一定数量时，再将储存的各系统状态向量作为历史系统状态向量，和原先的历史系统状态向量一起进行一次聚类，也即在固定次数的系统状态预测后重新进行一次聚类。本技术实施例对此不作具体限定。
89.在历史系统状态向量数量较少，不足以支撑进行自动系统状态预测时，可以通过获取存储的系统状态数据，构建历史系统状态向量。系统状态数据是通信系统在历史运行过程中存储的某一时刻的各系统参数，但由于不是全部的系统状态数据都会被用于进行系统状态预测，故而这部分系统状态数据还未被构建为历史系统状态向量，也没有对应的系统预测状态。可以将系统状态数据按照前述实施例中的方法构建为历史系统状态向量，进而获取在存储系统状态数据时，通信系统的系统运行状态，并将系统运行状态作为历史系统状态向量对应的系统预测状态。在数学上，该过程等同于将某一系统预测状态对应的历史系统状态向量定义为其中满足满足以为例，满足满足(定义为在该系统预测状态下产生的系统参数)。
90.由于本技术实施例仅使用单个移动通信车上的历史系统状态向量进行聚类，样本数量较少，故而适宜采用层次聚类的方式对各历史系统状态向量进行聚类处理。层次聚类即每次聚类时将距离最近的两个历史系统状态向量进行合并，直至聚类数量达到预设数量，或者任意两个历史状态向量之间的距离均大于距离阈值时为止。可以对各系统预测状态对应的历史系统状态向量分别进行聚类，也即，若存在系统预测状态a、b、c，则可以分别对对应状态a的历史系统状态向量进行聚类，对对应状态b的历史系统状态向量进行聚类和对应状态c的历史系统状态向量进行聚类，分别得到针对系统预测状态a、b、c的多个系统状态聚类结果，这样每个系统状态聚类结果就可以表征一个系统预测状态下的一种情形。例如若针对“正常”这一系统预测状态，系统预测状态下有10个系统状态聚类结果，则各系统状态聚类结果就分别表征10类可以被解读为系统状态正常的系统参数数值。
91.在确定系统状态向量和系统状态聚类结果之间的聚类距离时，也可以分别针对各系统预测状态下的系统状态聚类结果，确定系统状态向量和各系统状态聚类结果之间的聚类距离。
92.本技术实施例提供的针对移动通信系统的系统状态预测方法，将历史系统状态预测中得到的历史系统状态向量作为样本，按照不同系统预测状态对各历史系统状态向量分
别进行层次聚类以得到系统状态聚类结果。本技术实施例采用移动通信车的历史系统状态向量作为样本，可以使得移动通信车无需和其他设备进行通信，采用自己的历史数据进行训练即可得到系统状态聚类结果，减少通信资源消耗；同时通过层次聚类这种低资源的聚类方法对历史系统状态向量进行聚类，还可以减少移动通信车在聚类时的资源消耗，并在样本数量较少的情况下取得较好的聚类效果。
93.在一个实施例中，如图3所示，步骤204中，对系统预测状态对应的各历史系统状态向量进行层次聚类处理，得到系统预测状态对应的多个系统状态聚类结果，包括：
94.步骤302，将各历史系统状态向量分别作为临时系统状态聚类结果，并分别确定各临时系统状态聚类结果对应的聚类向量。
95.步骤304，确定聚类向量中每两个聚类向量之间的向量距离，并将各向量距离中最小的向量距离作为目标向量距离。
96.步骤306，在所述目标向量距离大于向量距离阈值的情况下，将各临时系统状态聚类结果作为各系统状态聚类结果，或者；
97.步骤308，在目标向量距离小于或者等于所述向量距离阈值的情况下，将目标向量距离对应的两个聚类向量所对应的临时系统状态聚类结果，合并为一个临时系统状态聚类结果，并跳转至分别确定各临时系统状态聚类结果对应的聚类向量的步骤。
98.本技术实施例中，对各历史系统状态向量进行层次聚类时，可以首先将各历史系统状态向量分别作为临时系统状态聚类结果，也即在聚类开始时各临时系统状态聚类结果中分别有1个历史系统状态向量。此时针对任一临时系统状态聚类结果，临时系统状态聚类结果对应的聚类向量即为该临时系统状态聚类结果中的历史系统状态向量。
99.针对每一个系统预测状态下的各临时系统状态聚类结果，可以确定该系统预测状态下任意两个聚类向量之间的向量距离。本技术实施例对计算两个聚类向量之间距离的方法不作具体限定，任一可以计算两个向量间距离的方式均适用于本技术实施例中，例如：欧式距离、巴氏距离等。
100.在得到任意两个聚类向量之间的向量距离后，将各向量距离中最小的向量距离作为目标向量距离，并将目标向量距离对应的两个聚类向量对应的临时系统状态聚类结果合并为一个临时系统状态聚类结果，并重复确定任意两个临时系统状态聚类结果的聚类向量之间距离的步骤，直至目标向量距离大于向量距离阈值为止。向量距离阈值可以由本领域技术人员根据实际需求进行确定。
101.在一个临时系统状态聚类结果中的历史系统状态向量多于1个时，可以取各历史系统状态向量的平均值作为临时系统状态聚类结果对应的聚类向量，或者也可以分别计算各历史系统状态向量和其他历史系统状态向量之间的距离之和，并将距离之和最小的历史系统状态向量作为聚类向量，本技术实施例对此不作具体限定。
102.本技术实施例提供的针对移动通信系统的系统状态预测方法，通过层次聚类方法对各历史系统状态向量分别进行层次聚类以得到系统状态聚类结果，通过层次聚类这种低资源的聚类方法对历史系统状态向量进行聚类，还可以减少移动通信车在聚类时的资源消耗，并在样本数量较少的情况下取得较好的聚类效果。
103.在一个实施例中，如图4所示，步骤104中，分别确定系统状态向量和多个系统状态聚类结果之间的聚类距离，包括：
104.步骤402，针对任一系统状态聚类结果对应的聚类向量，分别确定聚类向量的各子向量和系统状态向量的各子向量之间的子向量距离。
105.步骤404，根据各子向量距离，确定聚类向量和系统状态向量之间的向量距离，并将向量距离作为系统状态向量和系统状态聚类结果之间的聚类距离。
106.本技术实施例中，可以将系统状态向量和系统状态聚类结果对应的聚类向量之间的向量距离，作为系统状态向量和系统状态聚类结果之间的聚类距离。针对聚类向量中的任一子向量，可以从系统状态向量中确定与该子向量对应的子向量(在两个子向量对应同一个子系统时，两个子向量互相对应)，并计算两个子向量之间的子向量距离；进而根据各子向量之间的子向量距离，确定聚类向量和系统状态向量之间的向量距离。
107.示例性的，针对任意两个子向量，可以通过子向量中各系统参数之间的差值，确定子向量之间的子向量距离。在根据系统参数之间的差值确定子向量距离时，还可以根据全部历史系统状态向量中，最大的该系统参数和最小的该系统参数，确定针对该系统参数的归一化因子。也即，针对系统参数a，可以在各历史系统状态向量中的系统参数a中，确定数值最大的系统参数a
max
和数值最小的系统参数a
min
。计算系统参数a1和a2之间的差值时，可以将a
max
和a
min
之间的差值作为归一化因子。
108.可以采用巴氏距离计算任意两个子向量之间的子向量距离(参见公式(一))：
[0109][0110]
其中，为任意两个互相对应的子向量，m为和中系统参数的总数量，指中的第j个系统参数，指中的第j个系统参数，指在全部历史系统状态向量子向量的第j个系统参数oj中，数值最大的oj；指在全部历史系统状态向量子向量的第j个系统参数oj中，数值最小的oj。
[0111]
若一个子向量表征多个同类型的子系统，也即的形式为则可以首先确定子向量中的各向量之间的距离，进而根据各向量之间的距离确定子向量距离(参见公式(二))：
[0112][0113]
其中，指中的第k个向量，指中的第k个向量，指中的第j个系统参数，指中的第j个系统参数。
[0114]
聚类向量和系统状态向量之间的向量距离可以根据各子向量距离确定，例如，可以对各子向量距离求和、加权求和或取平均值等，得到聚类向量和系统状态向量之间的向量距离，本技术实施例对此不作具体限定。
[0115]
本技术实施例提供的针对移动通信系统的系统状态预测方法，根据两个向量中互相对应的子向量之间的子向量距离，确定两个向量之间的距离。本技术实施例确定两个向量中表征同一个子系统的子向量之间的差异，并根据各子向量之间的差异确定两个向量之
间的差异，在对通信系统进行简单建模降低计算量的基础上，仍保留系统状态预测的精度。
[0116]
在一个实施例中，如图5所示，步骤102中，获取通信系统中各子系统的系统参数之前，上述方法还包括：
[0117]
步骤502，在通信系统中存在目标子系统，和/或各历史系统状态向量中存在目标子向量的情况下，对各历史系统状态向量进行调整，以使得调整后的各历史系统状态向量的各子向量，和通信系统中的各子系统一一对应，其中，目标子系统为与任一子向量均不存在对应关系的子系统，目标子向量为与任一子系统均不存在对应关系的子向量。
[0118]
步骤504，对各历史系统状态向量重新进行聚类处理，得到多个系统状态聚类结果。
[0119]
本技术实施例中，可以在通信系统中负责对系统状态进行预测的子系统(控制系统)中，记录各子系统和子向量的对应关系。在每次获取通信系统中各子系统的系统参数之前，控制系统可以根据通信系统中当前存在的各子系统，以及历史系统状态向量中的子向量(任一历史系统状态向量均可，因为在本技术实施例中，各历史系统状态向量中的子向量数量和子向量分别对应的子系统应当相同)，确定与历史系统状态向量中的任一子向量都不存在对应关系的子系统(也即在历史系统状态向量最后一次更新后，在通信系统中新增的子系统(目标子系统))，以及与任一子系统都不存在对应关系的子向量(也即在历史系统状态向量最后一次更新后，在通信系统中去除的子系统，该子系统在历史系统状态向量中对应的子向量为目标子向量)。
[0120]
由于在存在目标子系统或者目标子向量时，系统状态向量和系统状态聚类结果之间的聚类距离便不能正确表征系统状态向量和系统状态聚类结果之间的关系，故而需要对历史系统状态向量进行调整并对各历史系统状态向量重新进行聚类。本技术实施例对调整历史系统状态向量的方式不作具体限定，例如，在存在目标子向量时可以去除目标子向量，在存在目标子系统时可以在历史系统状态向量中增加一个表征目标子系统的子向量，或者不对历史系统状态向量进行调整，而是在构建系统状态向量时不构建目标子系统对应的子向量等。
[0121]
本技术实施例提供的针对移动通信系统的系统状态预测方法，可以在存在目标子系统或者目标子向量时，对历史系统状态向量进行调整，并对各历史系统状态向量重新进行聚类处理。因而在通信系统中增加或减少设备(也即子系统)时，还可以利用原先设备不同时采集到的历史数据，无需重新构建聚类所需要的样本库，提高系统状态预测的可用性。
[0122]
在一个实施例中，如图6所示，步骤502中，在通信系统中存在目标子系统，和/或各历史系统状态向量中存在目标子向量的情况下，对各历史系统状态向量进行调整，包括：
[0123]
步骤602，在存在目标子系统的情况下，在各历史系统状态向量中增加目标子系统对应的子向量。
[0124]
步骤604，在存在目标子向量的情况下，将目标子向量从各历史系统状态向量中删除。
[0125]
本技术实施例中，若存在目标子向量，则将目标子向量从各历史系统状态向量中删除即可。若存在目标子系统，则可以在各历史系统状态向量中增加一个对应目标子系统的子向量，以使得各历史系统状态向量的子向量能够和通信系统当前的各子系统一一对应。
[0126]
在增加对应目标子系统的子向量时，可以采集目标子系统的系统参数，根据目标子系统的系统参数构建子向量，并将构建出的子向量添加至全部历史系统状态向量中。或者，也可以通过其他方式获取目标子系统对应的子向量中的各系统参数，例如将目标子系统的标准运行参数及标准环境参数作为子向量中的系统参数等，本技术实施例对此不作具体限定。
[0127]
本技术实施例提供的针对移动通信系统的系统状态预测方法，可以在存在目标子系统时在各历史系统状态向量中增加目标子系统对应的子向量，或者在存在目标子向量时将目标子向量从各历史系统状态向量中删除。因而在通信系统中增加或减少设备(也即子系统)时，还可以利用原先设备不同时采集到的历史数据，无需重新构建聚类所需要的样本库，提高系统状态预测的可用性。
[0128]
在一个实施例中，如图7所示，上述方法还包括：
[0129]
步骤702，在接收到状态调整指令的情况下，将系统状态向量对应的系统预测状态调整为状态调整指令指示的系统预测状态。
[0130]
步骤704，将系统预测状态调整后的所述系统状态向量作为历史系统状态向量。
[0131]
本技术实施例中，在运维人员发现系统预测状态错误时，可以对系统预测状态进行手动调整。例如在出现误报警情况时，运维人员可以将导致误报警的该次系统状态预测的最终系统预测状态调整为正常，也即该次系统状态预测中，构建出的系统状态向量对应的系统预测状态也将相应变为正常。类似的，在出现漏报警情况时，运维人员也可以将系统预测状态调整为异常。在出现其他异常情况时，运维人员也可以相应调整系统预测状态，本技术实施例对此不作具体限定。
[0132]
在系统预测状态调整后，系统状态向量即可正常作为历史系统状态向量，并按照前述实施例中描述的方式定期进行聚类，本技术实施例在此不再赘述。通过这种半监督的学习方式，在数次对错误的系统预测状态进行调整后即可大幅降低虚警率和漏报率，其效果可参见图8所示。
[0133]
本技术实施例提供的针对移动通信系统的系统状态预测方法，可以允许运维人员手动调整系统预测状态，以避免错误的样本进入聚类导致聚类出现错误，故而能够提高系统状态的预测精度。
[0134]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0135]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的针对移动通信系统的系统状态预测方法的针对移动通信系统的系统状态预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个针对移动通信系统的系统状态预测装置实施例中的具体限定可以参见上文中对于针对移动通信系统的系统状态预测方法的限定，在此不再赘述。
[0136]
在一个实施例中，如图9所示，提供了一种针对移动通信系统的系统状态预测装置900，包括：构建模块902、确定模块904、第一处理模块906，其中：
[0137]
构建模块902，用于获取通信系统中各子系统的系统参数，根据各所述子系统的系统参数分别构建各所述子系统对应的子向量，并根据各所述子向量构建所述通信系统的系统状态向量，其中，所述系统参数包括运行参数和/或检测到的环境参数；
[0138]
确定模块904，用于分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，并根据各所述聚类距离，确定所述系统状态向量对应的目标系统状态聚类结果，其中，所述系统状态聚类结果中包括至少一个历史系统状态向量，所述历史系统状态向量为在历史系统状态预测中构建的系统状态向量；
[0139]
第一处理模块906，用于将所述目标系统状态聚类结果对应的系统预测状态，作为目标系统预测状态。
[0140]
在其中一个实施例中，所述装置还包括：
[0141]
获取模块，用于获取各所述历史系统状态向量，及各所述历史系统状态向量对应的所述系统预测状态；
[0142]
第一聚类模块，用于针对任一所述系统预测状态，对所述系统预测状态对应的各所述历史系统状态向量进行层次聚类处理，得到所述系统预测状态对应的多个所述系统状态聚类结果。
[0143]
本技术实施例提供的针对移动通信系统的系统状态预测装置，根据通信系统中各子系统的系统参数(包括运行参数和环境参数)构建得到子向量，进而根据各子向量获得通信系统的系统状态向量，并通过聚类算法确定系统状态向量属于的系统状态聚类结果，进而得到系统状态向量对应的目标系统预测状态。本技术实施例将移动通信系统作为一个整体进行向量建模，且向量中考虑移动通信系统中的所有子系统和子系统的运行参数及检测到的环境参数，通过将通信系统作为一个向量进行处理，并使得环境参数也参与至系统状态之间距离的计算之中，能够在计算距离时考虑到环境的影响和各子系统之间互相的影响，在对通信系统进行简单建模降低计算量的基础上，仍保留系统状态预测的精度。
[0144]
在其中一个实施例中，所述第一聚类模块，还用于：
[0145]
将各所述历史系统状态向量分别作为临时系统状态聚类结果，并分别确定各所述临时系统状态聚类结果对应的聚类向量；
[0146]
确定所述聚类向量中每两个所述聚类向量之间的向量距离，并将各所述向量距离中最小的向量距离作为目标向量距离；
[0147]
在所述目标向量距离大于向量距离阈值的情况下，将各所述临时系统状态聚类结果作为各所述系统状态聚类结果，或者；
[0148]
在所述目标向量距离小于或者等于所述向量距离阈值的情况下，将所述目标向量距离对应的两个聚类向量所对应的所述临时系统状态聚类结果，合并为一个临时系统状态聚类结果，并跳转至分别确定各所述临时系统状态聚类结果对应的聚类向量的步骤。
[0149]
在其中一个实施例中，所述确定模块904，还用于：
[0150]
针对任一所述系统状态聚类结果对应的所述聚类向量，分别确定所述聚类向量的各子向量和所述系统状态向量的各所述子向量之间的子向量距离；
[0151]
根据各所述子向量距离，确定所述聚类向量和所述系统状态向量之间的向量距
离，并将所述向量距离作为所述系统状态向量和所述系统状态聚类结果之间的聚类距离。
[0152]
在其中一个实施例中，所述装置还包括：
[0153]
第一调整模块，用于在所述通信系统中存在目标子系统，和/或各所述历史系统状态向量中存在目标子向量的情况下，对各所述历史系统状态向量进行调整，以使得调整后的各所述历史系统状态向量的各所述子向量，和所述通信系统中的各所述子系统一一对应，其中，所述目标子系统为与任一所述子向量均不存在对应关系的子系统，所述目标子向量为与任一所述子系统均不存在对应关系的子向量；
[0154]
第二聚类模块，用于对各所述历史系统状态向量重新进行聚类处理，得到多个所述系统状态聚类结果。
[0155]
在其中一个实施例中，所述第一调整模块，还用于：
[0156]
在存在目标子系统的情况下，在各所述历史系统状态向量中增加所述目标子系统对应的子向量；
[0157]
在存在目标子向量的情况下，将所述目标子向量从各所述历史系统状态向量中删除。
[0158]
在其中一个实施例中，所述装置还包括：
[0159]
第二调整模块，用于在接收到状态调整指令的情况下，将所述系统状态向量对应的所述系统预测状态调整为所述状态调整指令指示的系统预测状态；
[0160]
第二处理模块，用于将系统预测状态调整后的所述系统状态向量作为所述历史系统状态向量。
[0161]
上述针对移动通信系统的系统状态预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0162]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种针对移动通信系统的系统状态预测方法。
[0163]
本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0164]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0165]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0166]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0167]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0168]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0169]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0170]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种针对移动通信系统的系统状态预测方法，其特征在于，所述方法包括：获取通信系统中各子系统的系统参数，根据各所述子系统的系统参数分别构建各所述子系统对应的子向量，并根据各所述子向量构建所述通信系统的系统状态向量，其中，所述系统参数包括运行参数和/或检测到的环境参数；分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，并根据各所述聚类距离，确定所述系统状态向量对应的目标系统状态聚类结果，其中，所述系统状态聚类结果中包括至少一个历史系统状态向量，所述历史系统状态向量为在历史系统状态预测中构建的系统状态向量；将所述目标系统状态聚类结果对应的系统预测状态，作为目标系统预测状态。2.根据权利要求1所述的方法，其特征在于，所述获取通信系统中各子系统的系统参数之前，所述方法还包括：获取各所述历史系统状态向量，及各所述历史系统状态向量对应的所述系统预测状态；针对任一所述系统预测状态，对所述系统预测状态对应的各所述历史系统状态向量进行层次聚类处理，得到所述系统预测状态对应的多个所述系统状态聚类结果。3.根据权利要求2所述的方法，其特征在于，所述对所述系统预测状态对应的各所述历史系统状态向量进行层次聚类处理，得到所述系统预测状态对应的多个所述系统状态聚类结果，包括：将各所述历史系统状态向量分别作为临时系统状态聚类结果，并分别确定各所述临时系统状态聚类结果对应的聚类向量；确定所述聚类向量中每两个所述聚类向量之间的向量距离，并将各所述向量距离中最小的向量距离作为目标向量距离；在所述目标向量距离大于向量距离阈值的情况下，将各所述临时系统状态聚类结果作为各所述系统状态聚类结果，或者；在所述目标向量距离小于或者等于所述向量距离阈值的情况下，将所述目标向量距离对应的两个聚类向量所对应的所述临时系统状态聚类结果，合并为一个临时系统状态聚类结果，并跳转至分别确定各所述临时系统状态聚类结果对应的聚类向量的步骤。4.根据权利要求3所述的方法，其特征在于，所述分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，包括：针对任一所述系统状态聚类结果对应的所述聚类向量，分别确定所述聚类向量的各子向量和所述系统状态向量的各所述子向量之间的子向量距离；根据各所述子向量距离，确定所述聚类向量和所述系统状态向量之间的向量距离，并将所述向量距离作为所述系统状态向量和所述系统状态聚类结果之间的聚类距离。5.根据权利要求1所述的方法，其特征在于，所述获取通信系统中各子系统的系统参数之前，所述方法还包括：在所述通信系统中存在目标子系统，和/或各所述历史系统状态向量中存在目标子向量的情况下，对各所述历史系统状态向量进行调整，以使得调整后的各所述历史系统状态向量的各所述子向量，和所述通信系统中的各所述子系统一一对应，其中，所述目标子系统为与任一所述子向量均不存在对应关系的子系统，所述目标子向量为与任一所述子系统均
不存在对应关系的子向量；对各所述历史系统状态向量重新进行聚类处理，得到多个所述系统状态聚类结果。6.根据权利要求5所述的方法，其特征在于，在所述通信系统中存在目标子系统，和/或各所述历史系统状态向量中存在目标子向量的情况下，对各所述历史系统状态向量进行调整，包括：在存在目标子系统的情况下，在各所述历史系统状态向量中增加所述目标子系统对应的子向量；在存在目标子向量的情况下，将所述目标子向量从各所述历史系统状态向量中删除。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：在接收到状态调整指令的情况下，将所述系统状态向量对应的所述系统预测状态调整为所述状态调整指令指示的系统预测状态；将系统预测状态调整后的所述系统状态向量作为所述历史系统状态向量。8.一种针对移动通信系统的系统状态预测装置，其特征在于，所述装置包括：构建模块，用于获取通信系统中各子系统的系统参数，根据各所述子系统的系统参数分别构建各所述子系统对应的子向量，并根据各所述子向量构建所述通信系统的系统状态向量，其中，所述系统参数包括运行参数和/或检测到的环境参数；确定模块，用于分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，并根据各所述聚类距离，确定所述系统状态向量对应的目标系统状态聚类结果，其中，所述系统状态聚类结果中包括至少一个历史系统状态向量，所述历史系统状态向量为在历史系统状态预测中构建的系统状态向量；第一处理模块，用于将所述目标系统状态聚类结果对应的系统预测状态，作为目标系统预测状态。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种针对移动通信系统的系统状态预测方法，所述方法包括：获取通信系统中各子系统的系统参数，根据各子系统的系统参数分别构建各子系统对应的子向量，并根据各子向量构建通信系统的系统状态向量；分别确定系统状态向量和多个系统状态聚类结果之间的聚类距离，并根据各聚类距离，确定系统状态向量对应的目标系统状态聚类结果；将目标系统状态聚类结果对应的系统预测状态，作为目标系统预测状态。采用本方法能够降低系统状态预测的计算量，同时保留系统状态预测的精度。同时保留系统状态预测的精度。同时保留系统状态预测的精度。


技术研发人员：刘巍巍 唐玉建 唐艺 董晗 石丽雅 杨悌 周磊 窦嵩玉 马利萌 王欣 刘蔚 赵晓波 侯聪 常恩彪 李子京 赵聆聆 华珂 张希波 尹瑛 孙建涛 柏华英 黄玉彬
受保护的技术使用者：中国人民解放军61623部队
技术研发日：2023.04.06
技术公布日：2023/7/7