[发明专利]一种通过AI算法定位5G网络虚拟化跨层问题的方法

说明书

本发明公开了一种通过AI算法定位5G网络虚拟化跨层问题的方法，该方法包括以下步骤：S1、对海量告警相关数据进行聚类，并结合预设的模型进行告警关联分析，实现对根告警的快速定位；S2、将根告警所属的告警分类、告警描述结合人为经验、机器学习构建的故障原因诊断能力输出导致故障告警发生的最终根因。有益效果：通过综合物理层、虚拟层、网元层、动环等告警数据，增加了数据覆盖的完整性，具有故障发现时延低、故障定位时延低及基于AI的故障定位准确率高的优点，此外，本发明还可以有效地减少无效派单，从而可以有效地提高故障派单的压缩率。

技术领域

本发明涉及计算机网络技术领域，具体来说，涉及一种通过AI算法定位5G网络虚拟化跨层问题的方法。

背景技术

5G核心网是应用了NFV（网络功能虚拟化）、云化、服务化、多网融合、网络切片等技术的新一代架构。在5G 3GPP架构划分后，5G软件部分基本上都划入到5GC中（少许部分在CU）—— 原有4G EPC核心已被拆解为若干5G微服务，并采用NFV架构方式运行在通用服务器上。

基于NFV技术的5G分层解耦网络，在如何发现故障，定位故障方面存在如下难题：1）分层解耦后设备多厂家，导致NFV运维复杂化， 跨层定界定位问题困难；2）网元软件化，故障点不明确，亚健康增多，定位困难；3）多网元共享硬件，需要能快速发现甚至预测故障，通过弹性自动扩缩容、故障自愈需要分钟级的快速反应。

为了解决能定位5G网络中的VNF（虚拟化网络功能）故障根源，需要借助于5G网络本身提供的大量可分析数据，以及AI大数据发掘技术。5G网络可利用的数据，包括传输层数据（信道、频谱、用户链路）和网络层数据 (各种信令、管理数据），此外，还有各种类型的应用层数据。运营商可以基于这些数据，引入人工智能技术来应对5G网络挑战。引入人工智能技术，实现大数据分析及自适应策略决策，能够进一步优化自动化方案，帮助不断理解和预测用户和网络的需求，实现更好的故障定位定界，更好的资源编排和调度，从而逐渐实现完全的智能自治网络。智能自治网络有助于降低网络建设和运营成本，响应用户和业务的需求，创新商业模式，为运营商带来巨大的新机遇。因此，本发明提出了一种通过AI算法定位5G网络虚拟化跨层问题的方法。

发明内容

针对相关技术中的问题，本发明提出一种通过AI算法定位5G网络虚拟化跨层问题的方法，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种通过AI算法定位5G网络虚拟化跨层问题的方法，该方法包括以下步骤：

S1、告警关联：对海量告警相关数据进行聚类，并结合预设的模型进行告警关联分析，实现对根告警的快速定位；

S2、根故障定位：将根告警所属的告警分类、告警描述结合人为经验、机器学习构建的故障原因诊断能力输出导致故障告警发生的最终根因。

进一步的，所述S1对海量告警相关数据进行聚类，并结合预设的模型进行告警关联分析，实现对根告警的快速定位包括以下步骤：

S11、告警数据收集：收集虚拟资源告警、物理资源告警、VNF业务告警、VNF生命周期相关告名词、业务告警、NS生命周期告警、NFVI重要告警、动环设备告警，并将告警数据进行格式归一化处理；

S12、告警数据清洗：对告警数据中的无用数据、异常数据、错误数据及残缺数据进行过滤处理；

S13、告警数据聚类：对网元层、虚拟层及硬件层的告警标签进行分类处理，并将告警数据按虚拟层告警、物理层告警及网元层告警划分类型，再分别根据告警时间、告警位置及节点的维度进行数据聚类；

S14、告警关联：利用预设的跨层告警关联模型、跨层资源关联模型、告警事件关联模型实现对告警的自动关联分析；

S15、模型训练：计算告警间的支持度、置信度及不同数据集合中告警间的关联度，并采用半监督的方式对根告警进行人工标注；