[发明专利]故障根因分析方法和装置、计算机可读存储介质

说明书

本公开涉及一种故障根因分析方法和装置、计算机可读存储介质。该故障根因分析方法包括：基于采集的基站告警工单日志和故障诊断日志的多维特征，构造故障特征向量矩阵和故障诊断结果向量；根据故障特征向量矩阵和故障诊断结果向量，预训练多种基站故障诊断算法模型；根据多种基站故障诊断算法模型的预训练准确率，将多种基站故障诊断算法模型进行融合，生成基站故障诊断融合模型；利用基站故障诊断融合模型，确定线上基站故障工单根因结果。本公开可以实时处置各类告警工单，能有效保证基站故障定位的准确性和时效性。

技术领域

本公开涉及无线网络与人工智能领域，特别涉及一种故障根因分析方法和装置、计算机可读存储介质。

背景技术

在相关技术现网环境中，当网络发生故障时，运营商网络会接收到大量告警工单，运维人员需根据告警等级、告警类别选择性派发维护工单，维修人员依照工单现场排查故障。不同类型故障处理方法不同：电力故障一般选择延迟派单，等待电力恢复重启；软件故障则登陆管理系统排查服务；硬件故障、传输故障则需要实地维修。

发明内容

发明人通过研究发现：相关技术告警工单不仅数量庞大，而且还充斥大量误告警和无效告警。传统方式完全依靠工程师个人经验进行问题定位，审查效率低、误判率较高。当面对大规模网络告警时，运维人员很难及时定位故障类型与等级，做出科学合理的决策。

鉴于以上技术问题中的至少一项，本公开提供了一种故障根因分析方法和装置、计算机可读存储介质，可以有效保证基站故障定位的准确性和时效性。

根据本公开的一个方面，提供一种故障根因分析方法，包括：

基于采集的基站告警工单日志和故障诊断日志的多维特征，构造故障特征向量矩阵和故障诊断结果向量；

根据故障特征向量矩阵和故障诊断结果向量，预训练多种基站故障诊断算法模型；

根据多种基站故障诊断算法模型的预训练准确率，将多种基站故障诊断算法模型进行融合，生成基站故障诊断融合模型；

利用基站故障诊断融合模型，确定线上基站故障工单根因结果。

在本公开的一些实施例中，所述基于采集的基站告警工单日志和故障诊断日志的多维特征，构造故障特征向量矩阵和故障诊断结果向量包括：

采用数字编码表达各类故障特征，构造初始故障特征向量矩阵；

根据故障时序特征确定时序向量；

根据初始故障特征向量矩阵和时序向量确定故障特征向量矩阵。

在本公开的一些实施例中，所述各类故障特征包括告警类型和数量特征、基站地理位置特征和第一次告警时间特征中的至少一项。

在本公开的一些实施例中，所述根据故障时序特征确定时序向量包括：

根据单个基站本次告警类型的总个数、每类告警的出现顺序确定时序向量。

在本公开的一些实施例中，所述根据多种基站故障诊断算法模型的预训练准确率，将多种基站故障诊断算法模型进行融合，生成基站故障诊断融合模型包括：

根据多种基站故障诊断算法模型的训练结果，结合训练样本已有的故障诊断结果标签，得到各基站故障诊断算法模型的预训练准确率；

根据各基站故障诊断算法模型的预训练准确率确定每种基站故障诊断算法模型的初始权值；

根据每种基站故障诊断算法模型的初始权值，将多种基站故障诊断算法模型进行融合，生成基站故障诊断融合模型。在本公开的一些实施例中，所述根据多种基站故障诊断算法模型的预训练准确率，将多种基站故障诊断算法模型进行融合，生成基站故障诊断融合模型还包括：