无线网络中故障定位的方法

文档序号:7627816阅读:206来源:国知局
专利名称:无线网络中故障定位的方法
技术领域
本发明涉及无线通信技术领域,尤其涉及一种无线网络中故障定位的方法。
背景技术
无线通信网络(比如CDMA网络)接入侧设备运行环境复杂,变化多端,导致无线资源出现故障后表现形式多样,维护和定位十分困难。影响无线资源功能指标主要有以下几类原因

引发无线资源异常的原因很多,故障现象交错,现有的故障定位处理包括两个方面动态跟踪定位和静态数据分析。动态跟踪定位即在出现问题的设备环境进行针对性路测、重现问题并采集系统数据。静态分析数据是对采集到的系统数据进行半自动化分析,使用数据浏览工具、结合以往处理经验对关注的数据和流程进行定位分析。但是由于系统采集到的数据与厂商设备相关,属于私有数据没有业界规范可以参考,所以现有的故障定位流程没有成熟的模型,这就迫切需要能够自动化实现的故障定位方法和手段。
目前,在日常运维场景中,通常是通过定期观测无线网络设备的性能指标进行系统级的性能分析,通过对关键指标的考量得知设备的运行概况,如从话务量、接入成功率、掉话率等指标可以知道网络设备各个层次的性能情况。
这种方式仅能定位到出现故障的对象信息,无法定位出现故障的原因。如已知某个小区话务量下降,可以进一步定位到是这个小区内哪些载频引起的话务量下降,但仅从话统数据就无法得知故障载频具体的故障原因。还可以通过相关告警数据来找到故障载频在话务量下降的时间段内出现过哪些告警,看是否有传输故障、设备故障、软件故障等,通过分析告警数据可以将故障定位细化到已经上报的告警类型。
这种故障定位方式是根据某段时间内,单个对象和故障的相关性来定位故障问题的,但是实际情况往往是多个对象有多种故障现象并存,多数故障是相关的,其变化趋势类似。如果仅从单个故障单个对象入手定位问题,效率很低,结论也只是片面性的。或许可以依赖经验消除部分相关性故障,但是流程无法固化,分析效率无法根本提高。
另外,在用户投诉和开局测试场景中,根据投诉的主被叫号等入口参数,可以通过设备运行相关信息记录对软件流程进行回溯分析,定位出现问题的环节。如分析无线设备的运行日志打印,可以得到相应呼叫流程出现异常的原因、相关环境参数、性能参数等情况。
这种故障定位方式仅能分析特定用户在业务上的单次异常情况,在一段时间内同一个用户终端出现的异常往往是多样的,而且异常原因值也会有相关性。仅基于单次异常的日志信息定位问题的方法不能有效的发现主要的异常原因,对相关性的异常定位效率很低,基于经验分析可以提高效率,但是难于固化,很难实现自动分析。
因此,不难看出现有的故障定位方法存在以下几个问题1、故障定位分析流程无法固化;2、需要大量人为分析处理,工作量大,效率低;3、故障定位分析具有局限性,无法准确地定位出故障对象及故障原因。

发明内容
鉴于上述现有技术所存在的问题,本发明的目的是提供一种无线网络中故障定位的方法,能够采用固定的方式自动化进行故障定位处理,减少了工作量,提高了故障定位的效率。
本发明的目的是通过以下技术方案实现的本发明提供了一种无线网络中故障定位的方法,包括如下步骤A、当无线资源发生故障后,对与无线资源对象有关的各异常原因间的相对变异性进行量化;B、维护端根据量化结果及预定值确定主要异常原因并进行故障定位处理。
所述步骤A包括A1、量化与无线资源对象有关的各异常原因的变化程度;A2、量化与无线资源对象有关的各异常原因的变化范围;A3、根据所述各异常原因的变化程度和变化范围量化与无线资源对象有关的各异常原因间的相对变异性。
所述步骤A1具体包括A11、基于一个时间段统计与无线资源对象有关的各异常原因单位时间内出现的次数;A12、将所述基于一个时间段统计的各异常原因单位时间内出现的次数作为一组数值序列,分别计算各组数值序列的变异系数Rcv,所述计算Rcv的公式为RCV=StdevpAverage,]]>其中,平均值Average=∑i=0n-1min,]]>标准差Stdevp=∑i=0n-1(mi-Arerage)2n,]]>mi为与无线资源对象有关的异常原因单位时间内出现的次数。
所述步骤A2具体包括将所述基于一个时间段统计的各异常原因单位时间内出现的次数作为一组数值序列,分别计算各组数值序列的全距Rg。
所述步骤A3具体包括A31、将所述计算出的Rcv作为一组数值序列计算其偏离系数;A32、将所述计算出的Rg作为一组数值序列计算其偏离系数;所述计算Rcv和Rg的偏离系数PR的公式为PR=mi-Min(mi)Rg]]>其中,Rg=Max(mi)-Min(mi),当计算Rcv的偏离系数时,mi为Rcv对应的一组数值序列;当计算Rg的偏离系数时,mi为Rg对应的一组数值序列。
所述步骤B具体包括B1、设定Rcv的偏离系数和Rg的偏离系数的阀值;B2、维护端将所述各异常原因的Rcv的偏离系数以及Rg的偏离系数分别与设定的阀值进行比较,当某个变异原因的Rcv的偏离系数以及Rg的偏离系数均大于预定阀值时,则将该异常原因确定为主要异常原因,将所述无线资源对象作为主要异常对象。
所述Rcv的偏离系数以及Rg的偏离系数的阀值可以相同。
当所述步骤A为对与上下两层无线资源对象有关的各异常原因间的相对变异性分别进行量化时,所述步骤B包括维护端将所述上下两层无线资源对象共同的主要异常原因确定为故障原因,将相应的下层无线资源对象确定为故障对象。
所述的无线资源对象按从上到下分层,包括小区级、扇区级和载频级的无线资源对象。
所述相关联的上下两层无线资源对象的各异常原因的Rcv的偏离系数以及Rg的偏离系数的阀值相同。
当根据设定的阀值无法确定所述主要异常原因或故障原因时,调整所述设定的阀值。
由上述本发明提供的技术方案可以看出,本发明具有如下优点1、能够自动化进行故障定位处理,使故障定位分析流程固化;2、减少人为参与,降低了工作量,提高了故障定位处理的效率;3、能够准确地定位出故障对象及故障原因。


图1为本发明实施例所述方法的流程图。
具体实施例方式
经过对无线网络接入侧设备的无线资源对象异常的分析,一个无线网络稳定运行一段时间中,如果话务量等性能指标没有突变的话,那么相关联的异常原因单位时间内出现的次数也不应该产生突变,如果产生突变,肯定是系统发生异常。这就需要一个指标去定量的衡量同一个异常原因在这段时间内的变化,变化程度用变异系数来表示,可以通过标准差和平均值来计算,突变越大则相应的变异系数越大。
变异系数虽然表明了数值序列的变异程度,但是如果不关联数值序列的变化范围,仍然不能够发现有效的异常点。因为有些异常原因虽然变化频繁,但是仅在一个很小的数值范围内变化,是没有分析意义的。因此还需要关联异常原因变化范围,可以用全距来表示,全距越大表示变化范围越大。
为了确定具体的故障原因,还需要量化同一个无线资源对象所有异常原因间相对的变异性,可以采用偏离系数来表示。当某个异常原因的变异系数和全距的偏离系数都大于设定阀值时,则认为该变异原因为主要异常原因。
本发明中所说的无线资源对象是指将无线网络中的无线资源通信系统从逻辑上按层次进行化分,按照从上层到下层的顺序依次包括小区级的无线资源对象,扇区级的无线资源对象和载频级的无线资源对象。
为了对本发明有进一步的了解,下面将结合附图对本发明进行详细的说明。
本发明的具体实施方式
如图1所示,包括如下步骤步骤11当确认无线资源发生故障后,基于一个时间段统计与无线资源对象有关的各个异常原因单位时间内出现的次数。
可以通过网络的性能指标、告警信息和日志记录等统计异常原因出现的次数。
无线资源对象可以是小区级的、扇区级的以及载频级的无线资源对象。
(试验内容)为了从上述的基板表面除去由有机物构成的异物,实施了预清洗工序。在该预清洗工序中,使用异丙醇作为清洗液,进行了基板的有机清洗。清洗时间为10分钟,清洗液的温度为35℃。另外,异丙醇使用电子工业用等级的异丙醇。
接着,浸渍到所准备的PH值为5的清洗液中10分钟。之后,将基板从清洗液中取出,进行吹氮。然后,使用粒子计数器对各基板进行基板表面的微粒数测定。其结果记载于后述表4的清洗液投入后一栏中。
接着,将上述基板浸渍到PH值为6.8的纯水中。然后,仅对各材料2张基板中的一张,在将基板浸渍到纯水中的期间,分别对纯水施加超声波。超声波的频率为950kHz。然后,对各材料2张基板中的另一张,不对纯水施加超声波。然后,在将各基板浸渍到纯水中10分钟后,从纯水中取出基板,进行吹氮。之后,通过粒子计数器来测定基板表面的微粒数。其结果如表4所示。另外,测定了直径为0.3μm以上的微粒个数作为微粒数。
表4

由表4也可知,在施加了超声波的情况下,比没有施加超声波时微粒数减少了。
接着,由于存在与上述实施例重复的部分,所以,罗列地举例说明本次数的统计数据。
步骤12量化各异常原因的变异程度。
量化异常原因的变异性的方法是将基于一个时间段统计的各个异常原因单位时间出现的次数作为一组数值序列,分别计算各组数值序列的变异系数。
计算变异系数的过程是首先计算平均值,计算公式为平均值Average=∑i=0n-1min]]>公式1;然后,计算标准差,计算公式为标准差Stdevp=∑i=0n-1(mi-Arerage)2n]]>公式2;最后计算变异系数,计算公式为变异系数RCV=StdevpAverage]]>公式3;其中,mi(i=0,1,2,...n-1)为异常原因出现次数的统计值,n代表时间段。
对于步骤11中表1所统计的3天内的KA1至KA11十一个异常原因每天出现次数的统计值序列(其中,n为3),根据上述公式可以分别计算出这十一个异常原因的变异系数,如表1中变异系数Rcv对应的一列数字。
步骤13量化各异常原因的变化范围。
量化异常原因的变化范围的具体方法是将基于一段时间统计的异常原因单位时间出现的次数作为一组数值序列mi(i=0,1,2,...n-1),计算该组数值序列的全距。计算公式如下全距Rg=Max(mi)-Min(mi) 公式4;根据上述公式可以计算出表1中的KA1至KA11十一个异常原因的(其中,n为3)全距,如表1中全距Rg对应的一列数字。
步骤14量化各异常原因间的相对变异性。
量化各异常原因间的相对变异性的具体方法是将步骤12和步骤13中计算出的异常原因的变异系数和全距分别作为一组数值序列,分别计算变异系数和全距的偏离系数。计算公式如下偏离系数PR=mi-Min(mi)Rg]]>公式5;其中,Rg的定义参考公式4。
当计算变异系数的偏离系数时,mi(i=0,1,2,...n-1)为步骤12中计算出的异常原因的变异系数组成的数值序列;当计算全距的偏离系数时,mi(i=0,1,2,...n-1)为步骤13中计算出的异常原因的全距组成的数值序列。
根据上述公式,可以计算出上述KA1至KA11十一个异常原因的变异系数的偏离系数和全距的偏离系数,如表1所示。
步骤15维护端将各个异常原因的变异系数的偏离系数以及全距的偏离系数分别与设定的阀值进行比较,当某个异常原因的变异系数的偏离系数以及全距的偏离系数均大于设定的阀值时,则将该异常原因确定为主要的异常原因。
设定的变异系数的偏离系数的阀值以及全距的偏离系数的阀值可以相同,也可以不同。较佳的实现方案是将二者的阀值设置为相同,如0.5;而且在实际应用中,可以根据需要对阀值的大小进行调整。
假如我们将变异系数的阀值和全距的阀值均设置为0.5,分析表1中的数据可以知道KA5的变异系数的偏离系数为0.71,其全距的偏离系数为1,均大于预定阀值0.5,所以可以确定小区级对象A为故障对象,KA5所代表的异常原因(如分配资源异常)为主要异常原因。
如果通过上述步骤,无法确定主要异常原因时,即没有一个异常原因的变异系数的偏离系数以及全距的偏离系数均大于预定的阀值,此时,需要调低阀值,直到确定出一个主要异常原因。
由于某个无线资源对象可以进一步细分为下层更小的对象组合,上层对象的异常原因的变异性分析结果不一定与其下层更离散的对象的分析结果一致。为了更加准确地确定故障对象及相应的故障原因,需要继续对下层各个无线资源对象的异常原因进行变异性分析,确定相应的主要变异原因,然后采用交叉分析法最终确定故障对象及相应的故障原因。
交叉分析法就是对上层无线资源对象的主要异常原因和下层各个无线资源对象的主要异常原因取交集,将交集部分(即上层无线资源对象和下层无线资源对象共同的主要异常原因)确定为故障原因,将相应的下层无线资源对象确定为故障对象。
如分析某个扇区无线资源对象A的各异常原因的相对变异性,将Rcv和Rg的偏离系数与设定的阀值比较后,找到相对异变性较大的两个主要异常原因KA和KB后,还要对该扇区资源对象A下层的载频无线资源对象分析各异常原因间的相对变异性。如果某个载频无线资源对象M的主要异常原因是KA,那么故障对象就进一步细化到扇区A的载频M,相应的故障原因进一步确定为异常原因KA。
在下层对象分析中异常原因KB没有体现出变异性可能是阀值定义较大,也可能是异常原因KB在多个下层对象中分布比较均匀所致,前一种原因可以通过调低阀值来修正,后一种原因可以通过在无线资源记录信息中进一步分解细化异常原因KB来修正。
根据实际应用情况来看,仅交叉分析相关联的二层无线资源对象,就能够准确地自动确定故障对象和故障原因。
因此,本发明具体实施方式
如图1所示,还包括如下步骤
步骤16维护端对下层各个无线资源对象的变异原因进行变异性分析,确定主要变异原因。
对于表1中所示的小区级无线资源对象A的各个异常原因统计值,在其下层某个子对象A1(即某个扇区级资源对象)的相应异常原因统计值如表2所示

表2为某3天时间内某个扇区级无线资源对象A1相关的各异常原因单位时加出现次数的统计数据。
根据表2可知,小区级无线资源对象A下层的某个扇区级无线资源对象A1的相关异常原因有三个KA1、KA4和KA5。
3天内KA1出现的次数分别为8、15、4;KA4出现的次数分别为1、0、0;KA5出现的次数分别为79、493、2600。
分别将3天内这三个异常原因每天出现次数的统计值作为三组数值序列,根据公式1、2和3得到相应的变异系数0.51、1.41、1.04;根据公式4得到相应的全距11、1、2521。
将变异系数作为一组数值序列,根据公式5计算出变异系数的偏离系数;将全距作为一组数值序列,根据公式5计算出全距的偏离系数。
将两组偏离系数与设定的阀值0.5进行比较,只有KA5的两个偏离系数均大于阀值0.5,因此可以判断出子对象A1的主要异常原因是KA5所代表的异常原因(即分配资源异常)。
相关联的上下两层无线资源对象的各异常原因的Rcv的偏离系数以及Rg的偏离系数的阀值相同。
步骤17维护端进一步确定故障对象及相应的故障原因。
也就是说将上层无线资源对象和下层各无线资源对象共同的主要异常原因确定为故障原因,将相应的下层无线资源对象确定为故障对象。
比如,将步骤15确定的小区级无线资源对象A的主要变异原因与步骤16确定的某扇区级无线资源对象A1的主要异常原因取交集作为具体故障原因(即KA5所代表的异常原因),将相应的某扇区级无线资源对象A1确定为具体故障对象。
如果针对上层无线资源对象确定出了相应的主要异常原因,而针对其下层无线资源对象没有确定出相应的主要异常原因,则需要调低设定的阀值,重新确定主要异常原因,直到确定出故障原因;如果调整阀值后,仍无法确定出故障原因,则可能是上层无线资源对象的异变原因在其下层的各个无线资源对象上平均分布造成的,此时将上层无线资源对象作为故障对象,将相应的主要异常原因作为故障原因,当然实际情况中这种现象较少。
因此,采用本发明的技术方案,可以通过对关联分析无线网络的性能、告警和异常呼叫日志等数据,自动定位发生故障的无线资源对象和故障原因;能够使故障定位流程固定化,提高工作效率;并能定量给出各类异常原因的变异性,便于比较和其他自动化处理。而且随着无线网络的性能、告警和异常呼叫日志等记录信息的完善,能够自动定位更精确的对象和相应的故障原因。
以上所述,仅为本发明较佳的具体实施方式
,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
权利要求
1.一种无线网络中故障定位的方法,其特征在于,包括如下步骤A、当无线资源发生故障后,对与无线资源对象有关的各异常原因间的相对变异性进行量化;B、维护端根据量化结果及预定值确定主要异常原因并进行故障定位处理。
2.根据权利要求1所述的方法,其特征在于,所述步骤A包括A1、量化与无线资源对象有关的各异常原因的变化程度;A2、量化与无线资源对象有关的各异常原因的变化范围;A3、根据所述各异常原因的变化程度和变化范围量化与无线资源对象有关的各异常原因间的相对变异性。
3.根据权利要求2所述的方法,其特征在于,所述步骤A1具体包括A11、基于一个时间段统计与无线资源对象有关的各异常原因单位时间内出现的次数;A12、将所述基于一个时间段统计的各异常原因单位时间内出现的次数作为一组数值序列,分别计算各组数值序列的变异系数Rcv,所述计算Rcv的公式为RCV=StdevpAverage]]>其中,平均值Average=Σi=0n-1min,]]>标准差Stdevp=Σi=0n-1(mi-Average)2n,]]>mi为与无线资源对象有关的异常原因单位时间内出现的次数。
4.根据权利要求3所述的方法,其特征在于,所述步骤A2具体包括将所述基于一个时间段统计的各异常原因单位时间内出现的次数作为一组数值序列,分别计算各组数值序列的全距Rg。
5.根据权利要求4所述的方法,其特征在于,所述步骤A3具体包括A31、将所述计算出的Rcv作为一组数值序列计算其偏离系数;A32、将所述计算出的Rg作为一组数值序列计算其偏离系数;所述计算Rcv和Rg的偏离系数PR的公式为PR=mi-Min(mi)Rg]]>其中,Rg=Max(mi)-Min(mi),当计算Rcv的偏离系数时,mi为Rcv对应的一组数值序列;当计算Rg的偏离系数时,mi为Rg对应的一组数值序列。
6.根据权利要求5所述的方法,其特征在于,所述步骤B具体包括B1、设定Rcv的偏离系数和Rg的偏离系数的阀值;B2、维护端将所述各异常原因的Rcv的偏离系数以及Rg的偏离系数分别与设定的阀值进行比较,当某个变异原因的Rcv的偏离系数以及Rg的偏离系数均大于预定阀值时,则将该异常原因确定为主要异常原因,将所述无线资源对象作为主要异常对象。
7.根据权利要求6所述的方法,其特征在于,所述Rcv的偏离系数以及Rg的偏离系数的阀值可以相同。
8.根据权利要求1至7任一项所述的方法,其特征在于,当所述步骤A为对与上下两层无线资源对象有关的各异常原因间的相对变异性分别进行量化时,所述步骤B包括维护端将所述上下两层无线资源对象共同的主要异常原因确定为故障原因,将相应的下层无线资源对象确定为故障对象。
9.根据权利要求8所述的方法,其特征在于,所述的无线资源对象按从上到下分层,包括小区级、扇区级和载频级的无线资源对象。
10.根据权利要求9所述的方法,其特征在于所述相关联的上下两层无线资源对象的各异常原因的Rcv的偏离系数以及Rg的偏离系数的阀值相同。
11.根据权利要求9所述的方法,其特征在于当根据设定的阀值无法确定所述主要异常原因或故障原因时,调整所述设定的阀值。
全文摘要
本发明公开了一种无线网络中故障定位的方法,该方法的核心为当无线资源发生故障后,采用统计分析方法对与无线资源对象有关的异常原因的相对变异性进行量化,维护端根据量化结果及预定值确定主要异常原因并进行故障定位处理。采用本发明所述的方法,实现了采用固定方式自动化进行故障定位处理的目的,提高了故障定位的效率及准确性。
文档编号H04L12/24GK1866865SQ20051012408
公开日2006年11月22日 申请日期2005年11月28日 优先权日2005年11月28日
发明者姜青松, 宋友厉 申请人:华为技术有限公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1