[发明专利]确定黑盒系统输入输出关联度的方法、装置以及系统

说明书

技术领域

本发明涉及通信领域，具体而言，涉及一种确定黑盒系统输入输出关联度的方法、装置以及系统。

背景技术

当服务网络(包括通信系统)中某项业务质量指标KQI(Key Quality Indicators，也叫关键质量指标)恶化，希望找出导致KQI恶化的主要关键性能指标KPI(Key Performance Indicators)，以进行参数调整或网络优化。而KQI与KPI之间是一个黑盒系统，图1是根据本发明相关技术的KQI与KPI之间为黑盒系统的示意图，如图1所示。传统解决方法主要依靠人工经验，面对众多系统或局部KPI、上报参数、告警信息、辅助消息等(通常多达数百条)，及时准确地排查问题非常困难。因此，破解KQI与KPI间的黑盒关联关系一直是业界关心的热点。

相关技术的理论基础均为经典统计，认为KQI与KPI间的关联度存在固定函数。试图使用参数估计、回归分析等方式对关联度进行函数拟合(即KQI＝f(KPI))，但这种方法不能获得正确的结论，也无法解决“KPI好KQI却差”的现状。图2是根据本发明相关技术中以散点图示意“KPI好KQI却差”的现象示意图，而现有方法进行拟合/回归并不能正确反映KQI与KPI之间的关联关系。如图2所示。

受限于理论基础，现有方法只能根据经验人为选出少量“应该相关”的KPI项、人工指定关联模型并给定KPI间的权重，再进行关联程度计算。导致以下问题：

1)、不全面。现有方法没有能力同时计算所有待评估KPI与KQI间的关联度，也无法应对KPI列表可变的情形。典型体现为遗漏强相关的KPI项。2)、不准确。现有方法无法准确地量化计算所有待评估KPI与当前KQI的关联度。典型体现为错误的关联度结论。3)、基于1)和2)，现有方法无法找出KQI的完备正交KPI集合，进而无法准确指导参数优化或业务增值挖掘。4)、相关技术中的方法进行KPI聚类时分为两种：一种是人工划分，另一种是仅基于欧式距离的简单聚类算法(例如K-Means)，均需要人工指定聚类个数，且未同时结合业务特征与工程意义。5)、基于1)到4)，相关技术的方法无法定量使用多个KPI的门限联合判决KQI是否超限或给出KQI超限的置信度。进而无法在暂缺KQI数据的情况下，根据多维KPI门限对网络参数进行优化或预优化。

针对相关技术中存在的上述问题，目前尚未发现有效的解决方案。

发明内容

本发明实施例提供了一种确定黑盒系统输入输出关联度的方法、装置以及系统，以至少解决相关技术中在确定黑盒系统输入输出关联度时精确度过低且找不全关联项的问题。

根据本发明的一个实施例，提供了一种确定黑盒系统输入输出关联度的方法，包括：将黑盒系统中的业务质量指标KQI数据与关键性能指标KPI数据匹配构成数据向量空间；根据所述KQI数据的业务类型对所述KPI数据进行聚类，其中，聚类结果用于选择正交的强相关KPI项，及辅助判决指标数据健康度；对所述数据向量空间进行分解，以分离出所述KPI数据对所述KQI数据的关联特征，并计算所述KPI数据对所述KQI数据的归一化关联度；根据所述归一化关联度分别确定出与每个所述KQI数据相关联的KPI数据，并计算出所述相关联的KPI数据对所述KQI数据的关联权重；将所述相关联的KPI数据和所述关联权重确定为所述黑盒系统的输入输出关联度。

可选地，根据所述KQI数据的业务类型对所述KPI数据进行聚类包括：将所述KQI数据和所述KPI数据分成KQI数据层和KPI数据层；在所述KQI数据层和所述KPI数据层之间加入与所述KQI数据对应的业务类型相关的抽象层参数，其中，抽象层对KPI数据进行规整或映射变换，以适合相应的挖掘算法；使用所述抽象层参数对KPI数据进行聚类。

可选地，对所述数据向量空间进行分解包括：对所述数据向量空间通过以下方式至少之一进行分解，分离出所述KPI数据对所述KQI数据的关联特征：在空间维度降维、在空间维度直接分割、在空间维度升维。

可选地，将业务质量指标KQI数据与关键性能指标KPI数据匹配构成数据向量空间以分离出所述KPI数据对所述KQI数据的关联度包括：将KQI数据与KPI数据匹配构成数据向量空间以分离出所述KPI数据对所述KQI数据的关联度。