【CN109922493A】一种网络劣化诊断方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号(43)申请公布日(21)申请号201910155400.2(22)申请日2019.03.01(71)申请人致讯科技（天津）有限公司地址300467天津市滨海新区中新生态城中天大道1620号生态科技园启发大厦10层102(72)发明人秦良山　宋奇蔚　刘帅　蔺金山　(51)Int.Cl.H04W24/04(2009.01)H04W24/08(2009.01)(54)发明名称一种网络劣化诊断方法(57)摘要本发明提供了一种网络劣化诊断方法，包括流量劣化计算方法，所述流量劣化计算方法方法包括：获取不同影响因子下的网络流量指标数据，对各个小区的网络流量指标数据进行归一化处理；所述网络流量指标数据为流量业务模型数据量和当前流量数据量；计算各个小区的流量业务模型数据量和所述当前流量数据量的比值，即流量数据比，根据各个小区的流量数据比由大到小排序，流量数据比越大的小区，网络劣化程度越大，是一种能够有效地对网络的隐形故障进行检测和判别的方法。权利要求书1页说明书4页附图1页CN109922493A2019.06.21CN109922493A1.一种网络劣化诊断方法，其特征在于，包括流量劣化计算方法，所述流量劣化计算方法方法包括：获取不同影响因子下的网络流量指标数据，对各个小区的网络流量指标数据进行归一化处理；所述网络流量指标数据为流量业务模型数据量和当前流量数据量；计算各个小区的流量业务模型数据量和所述当前流量数据量的比值，即流量数据比，根据各个小区的流量数据比由大到小排序，流量数据比越大的小区，网络劣化程度越大。2.如权利要求1所述的一种网络劣化诊断方法，其特征在于：所述网络劣化诊断方法还包括RRC劣化计算方法，包括：统计各个小区的当前RRC连接业务量和先前RRC连接业务量，计算各个小区先前RRC连接业务量与当前RRC连接业务量的比值，即连接数据比，将所述连接数据比从大到小依次排序，连接数据比越大的小区，网络劣化程度越大。3.如权利要求1所述的一种网络劣化诊断方法，其特征在于：所述的流量业务数据量计算公式为：流量业务数据量＝m*前8周特定时段总流量/总小时数+k*上一周相同时段的总流量/总小时数。4.如权利要求3所述的一种网络劣化诊断方法，其特征在于：所述前8周特定时段总流量和上一周相同时段的总流量均为小时级总流量。5.如权利要求3所述的一种网络劣化诊断方法，其特征在于：所述m＝0.7，k＝0.3。6.如权利要求2所述的一种网络劣化诊断方法，其特征在于：所述RRC连接业务模型＝p*前8周特定时段RRC连接总次数/总小时数+q*上一周相同时段RRC连接总次数/总小时数。7.如权利要求6所述的一种网络劣化诊断方法，其特征在于：所述前8周特定时段RRC连接总次数与所述上一周相同时段RRC连接总次数均为小时级连接数。8.如权利要求6所述的一种网络劣化诊断方法，其特征在于：所述p＝0.7，q＝0.3。9.如权利要求1所述的一种网络劣化诊断方法，其特征在于：所述流量数据比大于或等于1时，为正常小区。10.如权利要求2所述的一种网络劣化诊断方法，其特征在于：所述连接数据比大于或等于1时，为正常小区。权　利　要　求　书1/1页2CN109922493A2一种网络劣化诊断方法技术领域[0001]本发明涉及网络技术领域，尤其涉及一种网络劣化诊断方法。背景技术[0002]针对无线网络流量出现的异常情况加以检测，主要指针对主要业务时段发生的网络流量异常情况完成检测。分析其异常情况则主要是，通过建立于异常检测基础之上，通过对数据流所发生的网络异常情况加以明确，对存在的主要流量异常类型加以诊断。实现对存在的主要流量异常情况完成检测分析，将其作为保证无线网络流量正常的关键，更有助于网络管理工作者维护网络正常运行，排除其中存在的异常情况确保网络可以安全运行。[0003]网络故障分为显性故障、隐性故障，触发相关告警或指示灯，直观反映设备运行状态为显性故障，部分设备故障会影响网络正常运行，但却不会直接触发告警，称之为隐性故障。隐性故障目前存在难发现、难挖掘、难定位问题,严重制约网络性能提升和客户感知。[0004]隐性故障往往只是对部分用户影响较为严重，而且不显示在告警平台，运营商目前通过：投诉处理、被动等待基站故障发生、硬件巡查等手段进行隐性故障排查，缺少快速、准确的故障定位方法。现网网络中存在基站长时间带病工作，影响实际性能。[0005]本发明采用统计检测法，借助数据完成统计分析，从而正确判断无线网络流量的正常情况。通常情况下以基于时间关联统计、基于小区业务模型分析两种方法为主。网络流量异常检测方式主要具备如下优点：能够对已知特征及未知特征存在的流量异常情况加以察觉。[0006]有鉴于此，通过流量劣化模型算法，监控网络小区健康程度，快速准确的识别隐性故障，保障网络正常运行。发明内容[0007]本发明的目的是提供一种网络劣化诊断方法，包括流量劣化计算方法，所述流量劣化计算方法方法包括：获取不同影响因子下的网络流量指标数据，对各个小区的网络流量指标数据进行归一化处理；所述网络流量指标数据为流量业务模型数据量和当前流量数据量；计算各个小区的流量业务模型数据量和所述当前流量数据量的比值，即流量数据比，根据各个小区的流量数据比由大到小排序，流量数据比越大的小区，网络劣化程度越大；[0008]作为优选地，所述网络劣化诊断方法还包括RRC劣化计算方法，包括：统计各个小区的当前RRC连接业务量和先前RRC连接业务量，计算各个小区先前RRC连接业务量与当前RRC连接业务量的比值，即连接数据比，将所述连接数据比从大到小依次排序，连接数据比越大的小区，网络劣化程度越大；[0009]作为优选地，所述的流量业务数据量计算公式为：流量业务模型数据量(O)＝m*前8周特定时段(小时级)总流量/总小时数+k*上一周相同时段(小时级)的总流量/总小时数；[0010]作为优选地，所述m＝0.7，k＝0.3；[0011]作为优选地，所述RRC连接业务模型(O1)＝p*前8周特定时段(小时级)RRC连接总说　明　书1/4页3CN109922493A3次数/总小时数+q*上一周相同时段(小时级)RRC连接总次数/总小时数；[0012]作为优选地，所述p＝0.7，q＝0.3；[0013]作为优选地，所述流量数据比大于或等于1时，为正常小区。[0014]作为优选地，所述连接数据比大于或等于1时，为正常小区。[0015]本发明以网络小区最近8周运行数据作为基数，通过模型计算出关键指标小时级预测值，再与当前小时级指标对比，得出小区是否健康，再根据小区重要程度进行VIP等级排序，输出需要处理的小区列表，4G隐性故障排查仍处于摸索阶段,本模型算法通过流量预测、RRC劣化进行小区健康检测，为运营商快速定位隐性故障站点。[0016]与现有技术相比，本发明提供的网络劣化诊断方法和装置，获取不同影响因子下的网络指标数据，对所述网络指标数据进行归一化处理；针对归一化处理后的网络指标数据，运用Kmeans算法确定所述网络指标数据的聚类结果，根据所述聚类结果查找符合业务分析需求的网络指标作为劣化网络指标；确定所述劣化网络指标对应的影响因子，判断所述影响因子是否符合设定条件，符合所述设定条件则确定所述影响因子与所述终端网络性能劣化相关。本发明实施例提供的方法和装置，根据小区、TAC、MME、SGW、业务类型等多个影响因子下的多个网络指标的数据进行分析，无需太多人工辅助分析的情况下，可以确定小区业务模型、劣化指标的影响因子、确定网络指标劣化的问题小区，提高了问题定位的效率。附图说明[0017]图1为本发明实施例流量劣化计算方法流程示意图；[0018]图2为本发明实施例RRC劣化计算方法流程示意图。具体实施方式[0019]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仅用以解释本发明，并不用于限定本发明。[0020]根据本发明的总体构思，提供一种网络劣化诊断方法，包括流量劣化计算方法，所述流量劣化计算方法方法包括：获取不同影响因子下的网络流量指标数据，对各个小区的网络流量指标数据进行归一化处理；所述网络流量指标数据为流量业务数据量和当前流量数据量；计算各个小区的流量业务数据量和所述当前流量数据量的比值，即流量数据比，根据各个小区的流量数据比由大到小排序，流量数据比越小的小区，网络劣化程度越大；[0021]作为优选地，所述网络劣化诊断方法还包括RRC劣化计算方法，包括：统计各个小区的当前RRC连接业务量和先前RRC连接业务量，计算各个小区先前RRC连接业务量与当前RRC连接业务量的比值，即连接数据比，将所述连接数据比从大到小依次排序，连接数据比越小的小区，网络劣化程度越大；[0022]作为优选地，所述的流量业务数据量计算公式为：流量业务数据量(O)＝m*前8周特定时段(小时级)总流量/总小时数+k*上一周相同时段(小时级)的总流量/总小时数；[0023]作为优选地，所述m＝0.7，k＝0.3；[0024]作为优选地，所述RRC连接业务模型(O1)＝p*前8周特定时段(小时级)RRC连接总说　明　书2/4页4CN109922493A4次数/总小时数+q*上一周相同时段(小时级)RRC连接总次数/总小时数；[0025]作为优选地，所述p＝0.7，q＝0.3；[0026]作为优选地，所述流量数据比小于或等于1.5时，为正常小区。[0027]作为优选地，所述连接数据比小于或等于1.5时，为正常小区。[0028]本发明以网络小区最近8周运行数据作为基数，通过模型计算出关键指标小时级预测值，再与当前小时级指标对比，得出小区是否健康，再根据小区重要程度进行VIP等级排序，输出需要处理的小区列表，4G隐性故障排查仍处于摸索阶段,本模型算法通过流量预测、RRC劣化进行小区健康检测，为运营商快速定位隐性故障站点。[0029]图1-图2，对本发明的实施例作进一步描述，[0030]本发明所获取的网络指标数据主要是流量业务模型数据量和当前流量数据量，对所述网络指标数据进行归一化处理；[0031]当然，也可以针对小区、场景针对性地获取相应的网络指标数据，并记录该数据，根据所述数据记录计算获得不同影响因子下的网络指标数据，对所述网络指标数据进行归一化处理。[0032]本发明还可以对其它网络指标数据进行监测，如可以对移动网络、承载网络中数据流量的关键信息记录，即流量日志，以用户会话为单位，一个会话形成一条XDR记录，XDR包含了时间、用户的通信号码、终端的品牌型号、业务时间、小区、跟踪区编码(TAC，Tracking Area Code)、移动管理实体(MME，Mobility Management Entity)、服务网关(SGW，Serving GateWay)、业务类型、会话过程。[0033]所述网络指标数据由一定时间范围例如1个小时内的XDR计算得到。例如，会话成功的XDR数量除以所有XDR数量，同时每个网络指标数据保留小区、TAC、MME、SGW、业务类型等维度信息。[0034]网络业务类型可以是即时通信、微博、导航、视频、音乐、应用商店、游戏、支付、动漫、邮箱等，针对每个业务类型可以分别统计网络指标，例如：附着建立、承载建立、超文本传输协议(HTTP，HyperText Transfer Protocol)连接建立、传输控制协议(TCP，Transmission Control Protocol)连接建立和域名系统(DNS，Domain Name System)响应的成功率及时延，以及下载速率等指标。[0035]连接时间包括开始时间和结束时间，可以根据所述业务时间确定业务时长。根据所述时间可以获取一定时间范围例如15分钟内的数据记录，针对此数据记录计算获得不同影响因子下的网络指标数据。所述影响因子，可以包括小区、TAC、MME、SGW、业务类型等。终端的品牌型号可以作为标识，针对某一品牌型号的