[发明专利]网络故障分析方法及装置

权利要求书

1.一种网络故障分析方法，其特征在于，所述方法包括：

获取当前故障分析周期内业务终端对应的时序数据集合，所述时序数据集合包括至少一种类型的时序数据，所述时序数据集合包括的时序数据用于确定所述业务终端的网络状态；

计算所述时序数据集合中每种所述类型的时序数据对应的同比特征值；

计算所述时序数据集合中每种所述类型的时序数据对应的环比特征值；

根据每种所述类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值；

确定所述业务终端对应的全局分类空间资源集合中每个全局分类空间资源在所述当前故障分析周期内的状态统计量；

根据每种所述类型的时序数据对应的时序特征值和每个所述全局分类空间资源对应的状态统计量生成入模数据；

将所述入模数据输入至预先确定出的网络故障判别模型进行分析以得到所述业务终端的网络判别结果，所述网络判别结果用于表示所述业务终端的网络状态为正常状态或者所述业务终端的网络状态为故障状态。

2.根据权利要求1所述的网络故障分析方法，其特征在于，所述将所述入模数据输入至预先确定出的网络故障判别模型进行分析以得到所述业务终端的网络判别结果之后，所述方法还包括：

当所述网络判别结果用于表示所述业务终端的网络状态为故障状态时，将所述入模数据输入至预先确定出的网络故障分析模型进行分析以得到网络故障原因，所述网络故障原因包括传输网网络质量、5G核心网网络质量、运营商基站故障、运营商物联网卡异常和业务终端设备自身故障的至少一种。

3.根据权利要求1或2所述的网络故障分析方法，其特征在于，所述时序数据集合中每种所述类型的时序数据包括该种类型的当前时序数据和该种类型的同比时序数据；

以及，所述计算所述时序数据集合中每种所述类型的时序数据对应的同比特征值，包括：

根据所述时序数据集合中每种所述类型的时序数据中的当前时序数据构建该种类型的时序数据对应的当前时序数据向量，并根据所述时序数据集合中每种所述类型的时序数据中的同比时序数据构建该种类型的时序数据对应的同比时序数据向量；

判断所述时序数据集合中每种所述类型的时序数据是否是数值型数据，当判断出该类型的时序数据是所述数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的欧式距离值以作为该种类型的时序数据对应的同比特征值，当判断出该种类型的时序数据不是所述数值型数据时，判断该种类型的时序数据是否是分类型数据，当判断出该种类型的时序数据是所述分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和同比时序数据向量的汉明距离值以作为该种类型的时序数据对应的同比特征值。

4.根据权利要求3所述的网络故障分析方法，其特征在于，所述时序数据集合中每种所述类型的时序数据还包括该种类型的环比时序数据；

以及，所述计算所述时序数据集合中每种所述类型的时序数据对应的环比特征值，包括：

根据所述时序数据集合中每种所述类型的时序数据中的环比时序数据构建该种类型的时序数据对应的环比时序数据向量；

判断所述时序数据集合中每种所述类型的时序数据是否是数值型数据；

当判断出该种类型的时序数据是所述数值型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的欧式距离值以作为该种类型的时序数据对应的环比特征值；

当判断出该种类型的时序数据不是所述数值型数据时，判断该种类型的时序数据是否是分类型数据；

当判断出该种类型的时序数据是所述分类型数据时，计算该种类型的时序数据对应的当前时序数据向量和环比时序数据向量的汉明距离值以作为该种类型的时序数据对应的环比特征值。

5.根据权利要求4所述的网络故障分析方法，其特征在于，所述根据每种所述类型的时序数据对应的同比特征值以及环比特征值计算该种类型的时序数据对应的时序特征值，包括：

计算每种所述类型的时序数据对应的同比特征值和环比特征值的加权和，以作为该种类型的时序数据对应的时序特征值，其中，每种所述类型的时序数据对应的同比特征值和环比特征值各自对应的权重均是根据该种类型的时序数据的周期性变化情况和业务规律预先确定出的。