通信网络故障预警方法及装置与流程

本发明属于通信
技术领域：
，尤其涉及一种通信网络故障预警方法及装置。
背景技术：
：目前，通信行业正在向高速移动通信系统迅猛发展，无线基站作为移动通信网的末端接入设备，其运行状态不仅影响了信息通信网络的服务能力，而且直接关系到了客户服务质量和客户满意度。无线基站退服故障作为影响网络服务质量的严重故障一直是网络监控关注点和网络运维技术难点，该故障将直接导致该基站所覆盖范围内通信信号严重变弱或者中断，进而严重影响用户的正常通信服务。技术实现要素：本发明的实施例提供了一种通信网络故障预警方法及装置，能够使得故障预警结果准确率、可靠性和实时性更高。一方面，提供了一种通信网络故障预警方法，包括：收集通信网络末端接入设备的网络性能指标数据和故障情况数据；通过主成分分析法对网络性能指标数据进行降维；通过朴素贝叶斯算法将降维后的网络性能指标数据与故障情况数据进行关联分析获得通信网络故障预警模型；以及接收通信网络末端接入设备的参数变化指示信号，根据参数变化指示信号判断是否需要重新收集通信网络末端接入设备的网络性能指标数据和故障情况数据对获得的通信网络故障预警模型进行迭代更新。另一方面，提供了一种通信网络故障预警装置，包括：数据收集模块、降维模块、关联分析模块和迭代更新模块。该数据收集模块被配置为收集通信网络末端接入设备的网络性能指标数据和故障情况数据。该降维模块被配置为通过主成分分析法对网络性能指标数据进行降维。该关联分析模块被配置为通过朴素贝叶斯算法将降维后的网络性能指标数据与故障情况数据进行关联分析获得通信网络故障预警模型。该迭代更新模块被配置为接收通信网络末端接入设备的参数变化指示信号，根据参数变化指示信号判断是否需要重新收集通信网络末端接入设备的网络性能指标数据和故障情况数据对获得的通信网络故障预警模型进行迭代更新。还一方面，提供了一种通信网络故障预警装置，包括：存储器、处理器、输入设备、输出设备、i/o接口和总线。该存储器用于存储计算机可执行指令；该处理器用于执行存储器存储的程序，该程序使得处理器执行上述通信网络故障预警方法；总线，用于在所述处理器、存储器、输入设备、输出设备和i/o接口之间传递信息。本发明实施例提供的一种通信网络故障预警方法及装置由于在关联故障数据和性能指标的方法上，采用了朴素贝叶斯和主成分分析法相结合的方式，具有对缺失数据的容忍度较高，更适于移动通信维护领域数据质量不高的应用场景的优点，同时由于根据参数变化指示信号判断是否需要重新收集数据进行迭代更新处理，可以在基站设备参数更新变化时自动触发预警系统重新分析，使得故障预警结果准确率、可靠性和实时性更高。附图说明通过参考附图会更加清楚地理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：图1示出根据一个实施例的一种通信网络故障预警方法的流程图；图2示出根据本发明的一个实施例的一种通信网络故障预警方法的应用场景示意图；图3示出根据本发明的一个实施例的一种通信网络故障预警方法进行试验的流程图；图4示出根据本发明的一个实施例的一种通信网络故障预警装置的结构框图；图5示出能够实现根据本发明实施例的通信网络故障预警装置和通信网络故障预警方法的至少一部分的计算设备的示例性硬件架构的结构图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本发明的全面理解。但是，对于本领域技术人员来说很明显的是，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法，而是在不脱离本发明的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中，没有示出公知的结构和技术，以便避免对本发明造成不必要的模糊。现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明更全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中，为了清晰，可能夸大了区域和层的厚度。在图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料等。在其它情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明的主要技术创意需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。一些现有的采用移动平均法建立的通信网络故障预警模型的预警方法，根据时间序列逐项推移，依次计算包含一定项数平均值，从而反映长期预警趋势，但是这样的预警方法较为单一，无法排除特殊情况对于预警的影响，并且，由于该方法是根据时间序列进行依次计算包含一定项数平均值，并不能分别准确预警工作日与非工作日的信息，导致准确度降低。还有一些采用线性回归分类方法作为数据分析方法，但是这种方法对缺失数据的容忍度较低，并不适用于移动通信维护领域数据质量相对不高的故障预警中，同样会导致准确度降低的问题。考虑到上述情况，本发明实施例提出了一种新颖的通信网络故障预警方法及装置。下面结合附图，详细描述根据本发明实施例的通信网络故障预警方法及装置。图1示出根据一个实施例的一种通信网络故障预警方法的流程图，该通信网络故障预警方法，包括：s110，收集通信网络末端接入设备的网络性能指标数据和故障情况数据；s120，通过主成分分析法对网络性能指标数据进行降维；s130，通过朴素贝叶斯算法将降维后的网络性能指标数据与故障情况数据进行关联分析获得通信网络故障预警模型；以及s140，接收通信网络末端接入设备的参数变化指示信号，根据参数变化指示信号判断是否需要重新收集通信网络末端接入设备的网络性能指标数据和故障情况数据对获得的通信网络故障预警模型进行迭代更新。在s110～s140的任意步骤中所述的通信网络末端接入设备可以是基站，应理解，基站设备为在一定的无线电覆盖区中，通过移动通信交换中心，与移动电话终端之间进行信息传递的无线电收发信电台。网络性能指标数据可以是寻呼记录接收个数、小区下行分组丢失数、enb间s1切换出取消次数等表征基站性能的数据，其中的故障情况数据可以理解为与上述网络性能指标数据对应时刻的故障情况数据，在通过朴素贝叶斯算法将降维后的网络性能指标数据与故障情况数据进行关联分析获得通信网络故障预警模型时作为与相对应的性能指标数据关联的数据基础；这里的主成分分析法(英文：principalcomponentanalysis，简称：pca)，是一种统计方法，该方法可以通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。该通信网络故障预警方法由于在关联故障数据和性能指标的方法上，采用了朴素贝叶斯和主成分分析法相结合的方式，具有对缺失数据的容忍度较高，更适于移动通信维护领域数据质量不高的应用场景同时由于根据阐述变化情况判断是否需要重新收集数据进行迭代更新处理，可以用于基站设备参数更新变化时自动触发预警系统重新分析，使得故障预警结果准确率、可靠性和实时性更高。在一个示例中，s120可以包括：s121，对网络末端接入设备的网络性能指标数据构建指标向量，形成全量样本矩阵；s122，对样本阵元进行标准化变换获得标准化矩阵，计算相关系数矩阵；s123，求解样本相关矩阵的特征方程得到特征根，确定主成分表达式；s124，将标准化后的网络末端接入设备的网络性能指标数据变量转换为主成分表达式。在一个示例中，还可以对主成分表达式进行加权求和获得最终网络末端接入设备的网络性能指标数据的价值组合为s130的通过朴素贝叶斯算法将降维后的网络性能指标数据与故障情况数据进行关联分析提供数据基础。图2示出根据本发明的一个实施例的一种通信网络故障预警方法的应用场景示意图。其中的操作维护中心(英文：operationandmaintenancecenter，缩写omc)可以理解为无线子系统的操作维护中心，设备厂家或者维护人员用于对基站设备进行管理、配置等操作的软件操作系统。其中的网优性能管理系统可以理解为是基站设备性能指标统一实时采集管理系统。集中故障管理系统可以理解为是通过omc接收基站设备所产生的状态数据信息(例如：设备性能数据、设备告警消息等)，该系统还具备告警管理、故障工单派发等功能。其中的工程预约系统可以理解为，当工程割接例如为设备软硬件升级、故障处理等操作时，将产生大量的设备告警消息，这些告警消息将通过omc、集中故障管理系统形成大量的故障工单派发至维护人员，而这些告警消息是由于设备维护导致，因此实际不需要派发工单，工程预约系统就是在告警向工单转化的过程中所存在的限制环节，即：如果基站设备已经在工程预约系统进行了预约操作，则不派发故障工单，直至工程割接预约时间结束。其中的通信网络故障预警装置被配置为采用图1中的通信故障预警方法进行通信故障预警。在一个实施例中，该通信网络故障预警方法中的s140，接收通信网络末端接入设备的参数变化指示信号，根据参数变化指示信号判断是否需要重新收集通信网络末端接入设备的网络性能指标数据和故障情况数据对获得的通信网络故障预警模型进行迭代更新。这里的参数变化指示信号可以包括设备的运行状态变化指示信号、设备的告警指示信号和设备的配置参数调整指示信号中的至少一种。这里的设备运行状态变化，可以理解为“正常运行状态-工程割接状态-正常运行状态”的变化过程，当基站设备维护人员在工程预约系统中设置某个正常运行的基站设备状态为工程割接状态，同时配置工程割接时间为a至b，则当时间超过b则基站设备状态自动由工程割接状态转换为正常运行状态(即：基站设备状态实现了“正常运行状态-工程割接状态一正常运行状态”的过程)，则工程预约系统产生设备的运行状态变化指示信号发送至通信网络故障预警装置，通信网络故障预警装置可以重新采集正常运行状态后的性能指标数据用于基站故障长期预警。这里的设备的告警情况具体可以理解“退服告警发生-退服告警消除”的过程，当基站设备在运行过程中由于故障产生退服告警(该消息通过omc传送至集中故障管理系统)，则表明该设备处于宕机状态，当基站设备恢复正常后，退服告警将自动消除(即：设备告警“退服告警发生-退服告警消除”)，当上述过程发生并结束后，集中故障管理系统将设备的告警指示信号发送至通信网络故障预警装置，通信网络故障预警装置可以重新采集正常运行状态后的性能指标数据用于基站退服长期预警。这里的设备的配置参数调整情况包括设备配置参数被人工和/或系统调整变化的情况，当基站设备维护人员通过omc对设备进行操作时，设备状态将由正常运行状态转换为工程测试状态，当omc操作日志记录中发现设备的运行状态转变或者设备参数调整的情况下，omc将设备配置参数变动消息发送至集中故障管理系统，集中故障管理系统将设备的配置参数调整指示信号发送至通信网络故障预警装置，通信网络故障预警装置可以重新采集正常运行状态后的性能指标数据用于基站退服长期预警。通过采集到上述情况下设备的参数变化或直接接收上述情况发生时设备或人工给出的指示，对该设备的网络性能指标数据和故障情况数据进行重新采集，但是该设备的历史网络性能指标数据和故障情况数据仍作为参考数据源，对获得的通信网络故障预警模型进行迭代更新，以保证退服故障预警分析中各环节数据的可靠性和实时性。在一个实施例中，该通信网络故障预警方法在s120的通过主成分分析法对网络性能指标数据进行降维之前还可以包括对上述网络性能指标数据进行清洗和/或均值化处理。这里的进行数据清洗可以是剔除异常数据，例如数值为零或者数值为空的数据；这里的均值化处理可以理解为例如对相同基站相同维度指标按照工作日和非工作日进行均值计算，可以分别准确预警工作日与非工作日的信息，提高预警结果的准确度。在一个示例中，在通过主成分分析法对网络性能指标数据进行降维之前还可以包括对网络性能指标数据进行聚类分析，从而对通信网络末端接入设备进行网元分类，进而获得网络性能指标数据的聚类分组。这里的聚类分析是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。在相似的基础上收集数据来分类，簇内网元性能指标的“距离”较小，而簇间网元性能指标的“距离”较大。在此网元分类的过程中，通过基于设备性能指标自身特征的网络设备分类，避免了由于通信网络末端接入设备业务划分与通信网络末端接入设备实际运行性能指标之间所存在的差异所带来的分析干扰，实现了基于网元性能指标特征的差异化分类。在一个示例中，在通过主成分分析法对网络性能指标数据进行降维之前还可以包括对网络性能指标数据进行归一化处理，通将每个通信网络末端接入设备的性能指标数据进行归一化处理，各指标数据处于同一数量级，使得不同名称类型的网络设备性能指标数据指标之间具有可比性。上述在通过主成分分析法对所述网络性能指标数据进行降维之前还包括的数据处理方法可以单独或结合使用，在此不一一列举。在一个实施例中，该通信网络故障预警方法通过朴素贝叶斯算法将降维后的网络性能指标数据与故障情况数据进行关联分析获得通信网络故障预警模型的步骤s130还可以包括：根据关联分析获得表征设备发生故障的关键性能指标种类及阈值。图3示出根据本发明的一个实施例的一种通信网络故障预警方法进行试验的流程图。在本实验中的s310中，对采集的数据进行网元分类。在s320中，对分类后的数据进行降维。在s330中，对降维后选取的网优性能指标与设备故障次数进行关联分析。在步骤s340中，选取关键性能指标并对这些性能指标进行阈值分析。具体的，采用的通信网络末端接入设备的网络性能指标数据和故障情况数据为某地市5个月内在5119个4g基站按照560个设备性能指标数据维度采集的设备性能指标数据资源共76万条。这里选择了4g基站作为上述通信网络末端接入设备。可以对采集所得的数据进行数据处理动作，例如对560个设备性能数据维度的76万条基站设备的网络性能指标数据和故障情况数据资源进行清洗，剔除异常数据。还可以对相同基站相同维度指标按照工作日和非工作日进行均值计算。均值计算是对560个基站设备性能数据集进行相关矩阵计算，选取相关系数大于0.5的性能指标共77个，再进一步剔除数值波动微弱的指标，基站设备性能指标集降至39个，这39个设备性能指标集为网优指标。其中的相关矩阵也叫相关系数矩阵，是由矩阵各列间的相关系数构成的。这里的相关系数的筛选界限处理本实验中的0.5，根据要求的不同也可以是0.3到0.7之间的数值。还可以对4g基站设备的39个性能指标集进行聚类分析，例如采用k-means聚类算法，具体为，将每个4g基站设备的经过数据处理后的39维性能指标分配到距它最近的簇中心获得k个簇；分别计算获得的簇的均值，把它们作为各簇新的簇中心。以寻呼记录接收个数、小区下行分组丢失数和enb间s1切换出取消次数三组性能指标为例，4g基站设备性能指标分簇中心点分布在表1中给出：表1，4g基站设备性能指标分簇中心点分布可以通过欧式距离计算各簇的簇内、簇间距离，可以通过“簇平方误差和之比”来优选聚类参数，其计算方法为：式(1)中，m为聚类分簇的个数，n为聚类各簇之间存在距离关系的个数。簇平方误差和之比的数值越小则表明簇内网元性能指标的“距离”较小，而簇间网元性能指标的“距离”较大，这样也表示聚类效果较好，反之则聚类效果较差。这里还可以通过“簇平方误差和之比”聚类计算将4g基站设备聚类为5簇，具体各簇4g基站设备数量及占比分布在表2中给出：表2，各簇4g基站设备数量及占比分布分簇序号第0簇第1簇第2簇第3簇第4簇网元(设备)数量185815764851031097占比分布36％31％9％2％21％在此网元分类的过程中，通过基于设备性能指标自身特征的网络设备分类，避免了由于4g基站设备业务划分与4g基站设备实际运行性能指标之间所存在的差异所带来的分析干扰，实现了基于网元性能指标特征的差异化分类。还可以对统计历史基站设备性能指标数据，选取该指标数据的最大值xmax和最小值xmin，然后进行数据归一化处理，去除量纲使得各指标数据处于同一数量级，使得不同名称类型的网络设备性能指标数据指标之间具有可比性，计算方法如下试：xi＝(xi-xmin)/(xmax-xmin)在一个实施例的根据该通信故障预警方法进行的实验中，可以采用主成分分析法对聚类后的网元进行分组降维，可以构建设备性能指标数据560维的指标向量x＝(x1，x2，x3，...x560)t，则5119个4g基站将形成全量样本矩阵，即：xi＝(xi1，xi2，xi3，...xi560)t，i＝1，2，3，...，5119，对样本阵元进行标准化变换获得标准化矩阵z：在式(2)中，通过标准化矩阵z计算相关系数矩阵，相关系数矩阵计算如下：其中，i，j＝1，2，3，...，560。求解样本相关矩阵r的特征方程|r-λip|＝0得到p个特征根，进而确定主成分，这里的ip为单位主对角线矩阵。可以按照确定m值，即信息累计贡献率达到85％，对于每个λj，j＝1，2，3，...，m，求解方程细rb＝λjb获得单位向量将标准化后的4g基站设备性能指标变量转换为主成分j＝1，2，3，...，m，其中，u1为第一主成分，u2为第二主成分，依次类推，up为第p主成分。对m个主成分进行加权求和获得最终指标价值组合。经过主成分分析对性能指标数据进行降维分析发现：89个主成分表达式的累计贡献率为100％，为了便于计算可以选择按照累计信息利用率达到85％选定45个主成分表达式，以第8主成分u8，第21主成分u21，第22主成分u22为例，第8主成分u8、第21主成分u21以及第22主成分u22的主要性能指标及其权重表3至表5中给出：表3，第8主成分u8的主要性能指标及其权重权重性能指标权重性能指标-0.171csfb初始上下文建立成功次数0.137enb间切换入准备失败次数-0.171csfb初始上下文建立请求次数0.137下行prb平均利用率-0.163csfb触发的rrc连接释放次数0.136下行用户平均速率0.143下行业务信息prb占用率0.135下行最大激活e-rab数表4，第21主成分u21的主要性能指标及其权重表5，第22主成分u22的主要性能指标及其权重可以利用朴素贝叶斯算法将获得的主成分表达式与基站故障次数进行关联分析，选定参考性能指标，具体方法为：将指标降维后的45个主成分表达式和基站故障次数通过计算相关系数实现关联分析，这里可以采用基站退服次数作为故障标准进行关联分析。例如可以选取相关系数的绝对值大于0.1的主成分表达式作为关键主成分表达式包括：主成分表达式8、主成分表达式16、主成分表达式21和主成分表达式22，这里以上关键主成分表达式与基站设备退服次数相关系数在表6中给出：表6，关键主成分表达式与基站设备退服次数相关系数表6可以说明主成分表达式和基站退服次数存在一定的关联，可以对45个主成分表达式和基站设备退服次数进行朴素贝叶斯树方法进行分类。可以对各个主成分表达式值进行分箱操作，第k个主成分形成(fk1、fk2、...fkn)特征集合，这里的分箱操作是指通过考察周围的值来平滑存储数据的值的方法。还可以对基站退服次数进行分箱，形成基站退服类别集合：(c1、c2、...cn)。根据朴素贝叶斯树方法，求p(ck|fk1fk2...fkn)在第k个主成分上的最大值，即为分类结果。只需求p(fk1fk2...fkn|ck)p(ck)的最大值即可，主成分分析法可以保证各个特征取值彼此独立，则p(fk1fk2...fkn|ck)p(ck)＝p(fk1|ck)p(fk2|ck)...p(fkn|ck)p(ck)(4)p(fkn|ck)可以通过在训练集上统计对于各种基站退服告警次数类别集合各个分箱值对应的各个特征取值的分布得到。得到朴素贝叶斯分类模型，并构建分类树。采用此分类模型可以在给定一套主成分特征值情况下判断基站退服告警次数类别，并可评估主成分指标的重要程度。在确定判断基站设备故障情况的基站性能指标阈值范围时，在上述实施例中可以对第8主成分u8、第21主成分u21、第22主成分u22所包含的22个主要性能指标进行相关性分析，将大于预设值，例如0.75的性能指标归为一组。由于具有相关性的同组网优指标具有相同或者类似的分布特征及变化规律，因此，通过分析各组中一个典型的网优指标与退服故障次数的关系即可表征该组指标数据的特征规律。以第2簇为例，首先对第8主成分u8、第21主成分u21、第22主成分u22所包含的22个主要性能指标依次编号为1～19，通过相关性分析将22个主要性能指标划分为9组，由于一般表示强相关的相关系数的绝对值需要满足在0.5至1.0之间，这里可以选择的性能指标的相关系数大于0.75，对9组主要性能指标数值与4g基站设备退服次数变化进行分析得出4类波动特征如下：(1)中轴波动型性能指标(性能指标编号为1、2、3、4)当4g基站设备退服次数较少时，该性能指标值相对平稳；当4g基站设备退服次数位于5次至10次时，该性能指标值出现小幅度波动上升；当4g基站设备退服次数大于10次时，该性能指标值逐步出现大幅度的中轴性波动。因此，此类指标属于中轴波动型性能指标，可根据工程实践的容忍度建立双边阈值分级预警。(2)降低型性能指标(性能指标编号为5～16)当4g基站设备退服次数较少时，该性能指标值相对平稳；当4g基站设备退服次数逐步增大时，该性能指标值出现整体下降趋势且无明显反比线性关系。因此，此类指标属于降低型性能指标，可根据工程实践容忍度建立上限型阈值分级预警。(3)升高型性能指标(性能指标编号为17)当4g基站设备退服次数较少时，该性能指标值相对恒定；当4g基站设备退服次数逐步增大时，该性能指标值出现整体上升趋势且无明显正比线性关系。因此，此类指标属于升高型性能指标，可根据工程实践容忍度建立下限型阈值分级预警。(4)中轴恒定型性能指标(性能指标编号为18、19)随着4g基站设备退服次数增加，该性能指标值围绕中轴波动，但未呈现出明显变化特征，因此不纳入4g基站设备退服故障预警模型参考指标体系。通过4g基站设备退服故障次数和性能指标的变化规律分析，最终选定第1类(第1组，共计6个性能指标)、第2类(第2～7组，共计12个性能指标)和第3类(第8组，共计1个性能指标)形成由19个参考性能指标构成的4g基站设备通信网络故障预警模型，4g基站设备通信网络故障预警模型参考指标选取及阈值在表7中给出：表7，4g基站设备通信网络故障预警模型参考指标选取及阈值在一个实施例中，在建立了上述通信网络故障预警模型后，通过采集到基站设备的参数变化或直接接收上述情况发生时设备或人工给出的指示，对该设备的网络性能指标数据和故障情况数据进行重新采集，但是该设备的历史网络性能指标数据和故障情况数据仍作为参考数据源，对获得的通信网络故障预警模型进行迭代更新，以保证退服故障预警分析中各环节数据的可靠性和实时性。根据上述实施例的通信网络故障预警方法，采用某地市5个月的4g基站设备性能指标数据(日粒度)，可以通过上月对次月的4g基站设备退服故障进行预警分析，经测试可准确27.8％(均值)的基站设备退服故障事件。图4示出根据本发明的一个实施例的一种通信网络故障预警装置的结构框图。该通信网络故障预警装置，包括：数据收集模块401、降维模块402、关联分析模块403和迭代更新模块404。该数据收集模块401被配置为收集通信网络末端接入设备的网络性能指标数据和故障情况数据。该降维模块402被配置为通过主成分分析法对网络性能指标数据进行降维。该关联分析模块403被配置为通过朴素贝叶斯算法将降维后的网络性能指标数据与故障情况数据进行关联分析获得通信网络故障预警模型。该迭代更新模块404被配置为接收通信网络末端接入设备的参数变化指示信号，根据参数变化指示信号判断是否需要重新收集通信网络末端接入设备的网络性能指标数据和故障情况数据对获得的通信网络故障预警模型进行迭代更新。在一个示例中，该参数的变化指示信号包括设备的运行状态变化指示信号、设备的告警指示信号和设备的配置参数调整指示信号中的至少一种。在一个示例中，该装置还包括第一数据预处理模块，被配置为对网络性能指标数据进行清洗和/或均值化处理。在一个示例中，该装置还包括第二数据预处理模块，被配置为对网络性能指标数据进行聚类分析，从而对通信网络末端接入设备进行网元分类，进而获得网络性能指标数据的聚类分组。在一个示例中，该装置还包括第三数据预处理模块，被配置为对网络性能指标数据进行归一化处理。应理解，上述示例中的各数据需处理模块可以单独使用也可以相互配合使用。在一个示例中，该装置的关联分析模块403还被配置为根据关联分析获得表征设备发生故障的关键性能指标种类及阈值。需要说明的是，该装置与该方法相对应，二者具有类似的功能，可以解决类似的技术问题，因此，二者相同或者相似的地方不再赘述。结合图1和图4描述的通信网络故障预警装置和通信网络故障预警方法的至少一部分可以由计算设备实现。图5是示出能够实现根据本发明实施例的通信网络故障预警装置和通信网络故障预警方法的至少一部分的计算设备的示例性硬件架构的结构图。如图5所示，计算设备500包括输入设备501、输入端口502、处理器503、存储器504、输出端口505、以及输出设备506。其中，输入端口502、处理器503、存储器504、以及输出端口505通过总线510相互连接，输入设备501和输出设备506分别通过输入端口502和输出端口505与总线510连接，进而与计算设备500的其他组件连接。需要说明的是，这里的输出接口和输入接口也可以用i/o接口表示。具体地，输入设备501接收来自外部的输入信息，并通过输入端口502将输入信息传送到处理器503；处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出端口505将输出信息传送到输出设备506；输出设备506将输出信息输出到计算设备500的外部。当通过图5所示的计算设备500实现结合图1和图4描述的通信网络故障预警装置时，输入设备501收集通信网络末端接入设备的网络性能指标数据和故障情况数据、接收通信网络末端接入设备的参数变化指示信号以及根据该参数变化指示信号判断是否需要重新收集通信网络末端接入设备的网络性能指标数据和故障情况数据；处理器503基于存储器504中存储的计算机可执行指令，对收集到的通信网络末端接入设备的网络性能指标数据和故障情况数据进行处理。随后在需要经由输出端口505和输出设备506直接输出通信网络故障预警结果。也就是说，根据本发明实施例的股权数据处理装置也可以被实现为包括存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时，可以实现结合图1和图4描述的通信网络故障预警装置和通信网络故障预警方法。需要明确，本发明并不局限于上文所描述并在图中示出的特定配置和处理。并且，为了简明起见，这里省略对已知方法技术的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后作出各种改变、修改和添加，或者改变步骤之间的顺序。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些端口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上所述，仅为本发明的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。当前第1页12