[发明专利]使用人工生命预报关键性能指示符的方法和设备

说明书

一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法。该方法包括保持（102）多个机器学习过程，其中，个体机器学习过程基于组成所述个体机器学习过程的预测逻辑的数据模型和决策规则来操作。多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。该方法还包括接收（104）从通信网络的网络单元得到的关键性能指示符KPI的值的流，并且预测（106）所述第一KPI的多个将来值，其中，所述第一KPI的这些将来值涉及相同时间点。此外，该方法包括将各个预测组合（108）成第一KPI的单个预测值，并且如果第一KPI的单个预测值等于或超过第一阈值（110），则触发（112）网络管理操作。

技术领域

本发明一般涉及通信网络的关键性能指示符KPI，而且特别涉及使用人工生命物种通过数据挖掘来预测KPI值。

背景技术

通信网络运营商和网络运营中心连续收集和监测网络单元（NE）的性能数据和关键性能指示符（KPI），以便测量所管理网络的性能和可靠性。KPI给予运营商可量化度量，这些度量帮助运营商优化网络服务质量（QoS）并且满足服务等级协定（SLA）。运营商定义突破具体KPI的预定阈值时被触发的告警。当告警被触发时，运营商采取适当动作来处理引起了故障情况的问题。但是，配置告警尚成问题。如果告警过于灵敏，则它能够响应自纠正的情况而触发，使它不太有用。如果告警不够灵敏，则潜在的情况可能在通知运营商之前正在进行中，引起纠正该问题的延迟。

大多数现有的方案专注于检测告警情况。备选地，定量预报方法可用于这种情形中，因为以往的KPI值是可用的。用于定量预报的常用算法和方式包括：

- 移动平均（常常是时间加权的）；

- 卡尔曼滤波（线性二次估计）；

- 指数平滑；

- 自回归移动平均（ARMA）；

- 自回归积分移动平均（ARIMA）；

- 外推；

- 线性（或曲线）拟合；

- 上述算法的变体和扩展；

- 机器学习。

大多数定量预报方法就权衡较旧数据与较新数据而论是不灵活的。一些方法同等地对待全部数据而不管新旧。另一些方法对最近的数据给予更大的权重，但是加权是固定的。这类方法不能很好地应对不经常发生的模式。例如，考虑两个时变值A和B，在这里我们关注于预测A。假定A的值在大部分时间相对恒定，但是当B超越某个阈值（这不经常发生）时，A的值飙升。大多数方法在检测这个模式并且作出准确预测这方面做得不好。

必须配置大多数定量预报方法和机器学习系统（例如通过选择权重或学习功能参数）。什么是最佳配置并不总是显而易见。此外，如果系统的模式特性随时间而变化，则可能需要修改配置。

发明内容

本发明的目的是消除上述缺点中的至少一些，并且提供用于预测通信网络中的关键性能指示符的值的改进方法和设备。

具有能够在故障情况发生之前对其预测的设备将会是方便的。这将会允许运营商采集解决问题所需要的资源，有可能在问题发生之前阻止问题，或者至少减少问题的持续时间。

因此，本发明设法最好是单独地或者以任何组合来减轻、缓解或消除上面提到的缺点中的一个或多个。