[发明专利]基于故障标志物的云化网络业务故障预测方法

权利要求书

1.一种基于故障标志物的云化网络业务故障预测方法，其特征在于，其包括以下步骤：

S1、云化网络业务备选参数分析：采集待分析云化网络底层监测数据，进行业务故障标志物备选参数分析，所述业务故障标志物备选参数分析包括参数的预先变化性分析和基于相关性的备选参数筛选；

S2、云化网络业务备选参数的显著性分析：针对云化网络业务故障标志物备选参数进行显著性分析，通过对备选参数进行双总体独立样本T检验筛选，确定具有显著变化性的参数，获取显著性表达参数组{m₁,m₂,m₃,...,m_f}，其中，f为显著性表达参数组的参数个数；

S3、云化网络业务显著性表达参数组的耦合性分析：进行显著性表达参数组的聚类分析，并基于综合指标值进行关键参数组分析；

S31、针对所述步骤2获取的显著性表达参数组{m₁,m₂,m₃,...,m_f}进行聚类分析：通过相关性系数计算显著性表达参数间的相关距离，并基于显著性表达参数的相关距离进行凝聚层次聚类AGNES分析，获得k个强相关参数组其中，g1和g2分别表示第1个和第k个强相关参数组的参数个数；

S32、针对所述步骤31获得的k个强相关参数组设计故障标志物的综合指标值CV，计算每个强相关参数组的CV值，并选取CV值最大的强相关参数组为耦合参数组{m₁,m₂,m₃,...,m_h}，其中h为耦合参数组的参数个数；所述故障标志物的综合指标值CV为：

其中，SD表示故障标志物中所有参数的标准差的均值；CS表示耦合关系出现的频次；PCC表示m_a与m_b的皮尔逊相关系数，m_a和m_b分别表示耦合参数组{m₁,m₂,m₃,...,m_h}的第a和第b个参数；w表示强相关参数组中的耦合关系数；c_j表示第j种耦合关系；Nc_j表示第j种耦合关系出现的样本量；Q表示总的样本量；

S4、基于关键参数提取和样本统计的标志物构建：

S41、基于业务故障树进行关键参数提取；

S42、基于故障样本统计进行关键参数取值及耦合关系分析；

S5、基于故障标志物的云化网络业务故障预测：

S51、预测时刻分析；

S511、明确实际故障发生的时刻t1：针对具体的业务通过对其业务故障判据的调研，阈值设定为nmin，第一次超过该阈值的时刻即为所述业务故障发生的时刻；

S512、明确故障标志物预测的时刻t2：对测试样本进行预测分析，基于测试样本监测获取标志物中各参数的实时状态值，以及耦合关系的存在情况；

S513、基于实际故障发生的时刻t1和故障标志物预测的时刻t2，利用两者的差来评价预测的效果；

S52、针对测试集样本的预测结果进行预警、虚警和预测在内的预测结果分析：

S521、所述预警为能提前预报故障的发生，需满足提前预报的要求即表示预警成功：在测试集样本中，对于会发生故障的样本，利用实际故障发生的时间点减去业务故障标志物预测的时间点，差值大于0，且小于一定的上限，即为预警成功；

S522、所述虚警为在预测中正常状态被检测成发生故障则判断为一次虚警，若虚警次数未超过设定值则认可预测结果；

S523、所述预测为在一定的提前时间的区间内，成功预报故障发生，对提前时间的区间的大小有要求：在测试集样本中，对于会发生故障的样本，限定一定长度的时间区间，若实际故障发生的时间点减去业务故障标志物预测的时间点的差值落在这一时间区间内，即认为这次预测准确。