[发明专利]一种性能指标值正常波动范围的动态确定方法及其装置

说明书

技术领域

本发明涉及网络管理领域，尤其涉及一种网络性能的实时监控方法，具体涉及到网络性能指标的波动范围预测。 

背景技术

随着通信市场竞争的日趋激烈，各大电信运营商先后提出了战略转型。传统上，作为电信运营商的支撑部门所运作的运维管理，一直属于业务流程的后台部分，直接面向网络和设备的管理，与市场和客户没有直接的关系。而随着市场竞争的日益激烈，提升客户对网络服务的满意度逐渐成为电信运营商提升市场竞争能力的重要方面，因此运营商将直接面向网络的管理转为面向服务的管理迫在眉睫。未来的运维工作将逐渐走向前台，运维工作与客户感知之间的联系将越来越密切。由于用户在使用网络的过程中，不仅感知终端设备，还体验了各种业务和网络的服务能力，因此，为了改善客户体验，在网络监控上针对以前的被动、事后解决问题方式，目前提出一种新的主动、事前的网络监控技术，即以和用户感知相关的网络性能指标为监控对象，例如监控话务量、来话占用次数、来话应答次数、来话接通率等性能指标，分析该性能指标在某时的实际值是否落在“正常范围”内，如果溢出正常范围，则表示出现业务质量降低和网络性能下降，可能存在网络故障或网络配置数据存在问题等，此时应发出实时性能告警警报，通知运维人员介入相关处理，加快问题的解决或避免问题出现，从而提高业务服务质量，改善用户感知，减少用户投诉。而“正常范围”的设置一般来源于网络运维经验、网络管理要求或者设备能力限制，设置的精确度决定了发出实时性能告警的准确性。如果设置范围过窄，如上限取值过小、下限取值过大，可能导致误报告警；范围设置过宽，如上限取值过大、下限取值过小，又可能导致漏报告警，加大运维人员的工作量、影响运维人员的积极性，最终都会降低该网络监控机制的作用。因此，在网络性能指标的实时监控过程中，网络性能指标的波动 正常范围的预测是一个关键问题，即要解决如何才能有效地、准确地预测出性能监控指标的正常值的基准线的问题。 

目前在性能监控指标的基准线的确定上，应用的方法一般包括排序法、数理统计的方法等。排序法是指：1)首先对有效数据进行排序，假定共有N*个，分别记为X1～XN*；2)假定有效数据的Y％(如95％)为可以接受而不用产生告警的指标值，取中间的数字为正常波动区间；3)以其最大值作为基线上限BaseHigh，以其最小值作为基线的下限BaseLow。而数理统计的方法与排序算法类似，区别在于：其95％的正常数据不是取正中间的，而是取方差最小的95％的连续数据。这两种方法的优点是简单易算，但对于具有周期性和趋势性特点较强的动态性能指标来说，例如话务量、来话占用次数、来话应答次数、来话接通率等指标，其指标会随着时间的变化发生周期性、趋势性特点，节假日的峰值特点使得在平日的话务量正常值范围和节假日的话务量正常值范围有很大的不同，这样应用以上两种方法确定性能指标预警基线就不够精确，这一方面会导致性能告警的误报，另一方面又存在该报的告警没有报出来的情况，从而降低了主动性能监控技术的可用性。 

现有技术中，考虑了使用基于向量机的时间序列的预测方法引入网络管理领域来动态确定性能指标的正常波动范围，参见专利CN101267362，这种方法适用于非线性非平稳时间序列的数据建模，但建模速度较慢一些。 

现实应用中，存在着大量的线性非平稳特性或季节非平稳特性的序列数据，为了提高建模速度及预测过程，本发明提出另一种针对线性非平稳特性或季节非平稳特性的序列数据，基于季节ARIMA模型的性能指标波动范围的确定方法。 

以下简单介绍本发明一种基于季节ARIMA及t分布的性能指标波动范围的确定方法及其装置所用到的基本技术理论-季节ARIMA模型(参见George E.P.Box，Gwilym M Jenkins，Gregory C.Reinsel Time series analysis：Forecasting and control Beijing：Posts & Telecom Press 2005)。 季节ARIMA(AutoRegressive Integrated Moving Average)介绍 

季节ARIMA是在ARMA(AutoRegressive Moving Average)模型的基础上演变而来，故下面先介绍ARMA模型及预测技术。