一种基于网络运维本体和知识推理的6G网络闭环运维管理方法
本技术涉及6g网络智能运维和通信网络管理,特别涉及一种基于网络运维本体和知识推理的6g网络闭环运维管理方法。
背景技术:
1、随着6g网络向空天地一体化、云网边端协同、网络切片、算网融合和智能自治方向发展,网络结构、业务类型和资源形态呈现高度动态和异构的特点。接入节点、核心网功能、传输链路、边缘计算节点、虚拟化网络功能和多类业务之间存在复杂的承载、依赖和影响关系,单一维度的告警或性能指标已经难以准确反映网络运行状态,无法对其进行科学表征。
2、在实际运维场景中,6g网络会持续产生网络拓扑数据、网元配置数据、性能指标数据、告警数据、日志数据、业务质量数据、历史故障工单数据和运维操作记录数据等多源数据。上述数据的来源、格式、语义表达均存在不同,容易形成信息孤岛,导致故障现象、故障对象、故障原因和处置动作之间缺少统一的语义关联。
3、现有的网络运维方法通常依赖固定阈值、人工经验规则或分散的告警关联逻辑实现。当有异常事件发生时,运维人员往往需要在多个系统之间交叉查询拓扑、告警、日志、工单和操作记录,故障根因定位效率低,且难以对业务影响范围进行准确评估。尤其是在6g网络的高动态环境下,传统的静态规则难以及时适配网络状态变化,容易出现误判、漏判或重复处置。
4、同时,现有的运维平台对历史故障经验的沉淀和复用不足。历史工单中包含大量故障现象、根因、处理动作和处理结果,但若缺少统一的本体约束和知识图谱组织方式,相关经验难以被结构化表达并用于自动推理。故障处置完成后,执行效果也难以及时反馈到知识库和推理规则中,运维过程无法形成持续优化的闭环。
5、通过上述分析,现有技术存在的问题及缺陷为:多源运维数据语义不一致,难以统一建模;告警、日志、性能指标、拓扑和工单之间缺少可推理的关联关系;故障根因定位主要依赖人工经验,定位效率和准确性不足;处置策略缺少基于历史成功率、风险等级和业务影响的排序机制;策略执行后的效果难以回写知识系统,闭环优化能力不足。
6、解决上述问题的难度在于:6g网络对象规模大、层级多、关系复杂,不同数据源之间存在命名不一致、字段含义不一致和时间状态不一致等问题;异常事件的原因可能跨越网络实体、资源实体、业务实体和性能指标多个层面;处置策略的选择还需要同时考虑业务优先级、执行风险、资源消耗和回退条件。
7、因此,本领域亟需一种能够统一语义表达、进行知识推理并支持闭环反馈更新的6g网络运维管理方法。
技术实现思路
1、有鉴于此,本技术的实施例提出了一种基于网络运维本体和知识推理的6g网络闭环运维管理方法,通过构建网络运维本体模型和6g网络运维知识图谱,将分散的运维数据转化为可理解、可关联、可推理的知识单元,通过根因置信度计算和影响范围识别,提升故障定位的自动化程度和处置策略的准确性,通过执行效果反馈持续沉淀运维经验,提升6g网络的自治运维能力。
2、为了实现上述技术目的,本技术的实施例提出了一种基于网络运维本体和知识推理的6g网络闭环运维管理方法,所述方法包括以下步骤:获取6g网络中的多源运维数据,多源运维数据包括网络拓扑数据、网元配置数据、性能指标数据、告警数据、日志数据、业务质量数据、历史故障工单数据和运维操作记录数据中的至少一种;构建网络运维本体模型,网络运维本体模型用于对6g网络的运维对象、运维状态、异常事件、故障原因和运维处置动作进行统一语义描述;基于网络运维本体模型,对多源运维数据依次进行实体抽取、关系抽取、属性映射、实体对齐和语义归一化处理,生成标准化运维知识单元;根据标准化运维知识单元构建并更新6g网络运维知识图谱;响应于网络异常事件,基于6g网络运维知识图谱和预设的知识推理规则,确定与网络异常事件相关联的候选故障原因集合;根据候选故障原因集合中的各候选故障原因与网络异常事件之间的图谱关联路径、告警匹配程度、性能指标异常程度、历史故障相似度和拓扑影响一致性,确定目标故障原因及其影响范围;根据目标故障原因及其影响范围,从6g网络运维知识图谱中匹配候选运维处置策略,并对候选运维处置策略进行排序,生成目标运维处置策略;执行或输出目标运维处置策略,并基于执行后的网络状态变化结果更新6g网络运维知识图谱和知识推理规则,以形成6g网络闭环运维管理。
3、为了实现上述目的,本技术的实施例还提出了一种基于网络运维本体和知识推理的6g网络闭环运维管理系统,用于实现如上述所述的一种基于网络运维本体和知识推理的6g网络闭环运维管理方法,所述系统包括:数据采集模块,用于获取6g网络中的多源运维数据;其中,多源运维数据包括网络拓扑数据、网元配置数据、性能指标数据、告警数据、日志数据、业务质量数据、历史故障工单数据和运维操作记录数据中的至少一种;本体管理模块,用于构建和维护网络运维本体模型;其中,网络运维本体模型用于对6g网络的运维对象、运维状态、异常事件、故障原因和运维处置动作进行统一语义描述;知识抽取与标准化处理模块,用于基于网络运维本体模型,对多源运维数据依次进行实体抽取、关系抽取、属性映射、实体对齐和语义归一化处理,生成标准化运维知识单元;知识图谱构建与更新模块,用于根据标准化运维知识单元构建并更新6g网络运维知识图谱;异常检测模块,用于检测网络异常事件;知识推理模块,用于响应于检测到的网络异常事件,基于6g网络运维知识图谱和预设的知识推理规则,确定与网络异常事件相关联的候选故障原因集合;根因定位模块,用于根据候选故障原因集合中的各候选故障原因与网络异常事件之间的图谱关联路径、告警匹配程度、性能指标异常程度、历史故障相似度和拓扑影响一致性,确定目标故障原因及其影响范围;目标运维处置策略生成模块,用于根据目标故障原因及其影响范围,从6g网络运维知识图谱中匹配候选运维处置策略,并对候选运维处置策略进行排序,生成目标运维处置策略;闭环反馈模块,用于执行或输出目标运维处置策略,并基于执行后的网络状态变化结果更新6g网络运维知识图谱和知识推理规则。
4、为了实现上述目的,本技术的实施例还提出了一种电子设备,包括:处理器和存储器,所述存储器中存储有所述处理器能够执行的指令,所述处理器被配置为执行所述指令时,使得所述电子设备能够实现如上述所述的一种基于网络运维本体和知识推理的6g网络闭环运维管理方法。
5、为了实现上述目的,本技术的实施例还提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,能够实现如上述所述的一种基于网络运维本体和知识推理的6g网络闭环运维管理方法。
6、在一些可选的实施例中,网络运维本体模型具体由概念层、属性层、关系层和规则层四层结构组成:
7、概念层由多个概念类组成,包括网络实体类、资源实体类、业务实体类、性能指标类、告警事件类、日志事件类、故障原因类、运维策略类和运维结果类;
8、网络实体类包括接入节点、核心网功能、传输链路、边缘计算节点、网络控制节点和虚拟化网络功能中的至少一种;资源实体类包括计算资源、存储资源、频谱资源、链路资源、缓存资源和实例资源中的至少一种;性能指标类包括时延、吞吐量、丢包率、抖动、连接成功率、会话建立成功率、资源利用率和业务体验质量指标中的至少一种;
9、属性层用于定义各概念类的属性字段;
10、关系层用于定义不同的概念类之间的关系,包括承载关系、依赖关系、影响关系、导致关系、发生关系、关联关系、适用关系、执行关系和反馈关系;
11、规则层用于定义异常识别规则、故障根因推理规则、影响范围识别规则、策略匹配规则和闭环反馈更新规则。
12、在一些可选的实施例中,对多源运维数据依次进行实体抽取、关系抽取、属性映射、实体对齐和语义归一化处理,生成标准化运维知识单元,包括:
13、对多源运维数据中的结构化运维数据进行字段映射,将原始字段映射为网络运维本体模型中的标准属性;
14、对多源运维数据中的半结构化日志数据进行模板解析,提取日志事件类型、事件时间、对象标识和异常参数;
15、对多源运维数据中的非结构化历史故障工单数据进行文本识别,提取故障对象、故障现象、故障原因、处理动作和处理结果;
16、根据实体标识、实体名称、拓扑位置、资源归属关系和属性相似度,对来自不同数据源的同一运维对象进行实体对齐;
17、将对齐后的实体、属性和关系转换为标准化运维知识单元。
18、在一些可选的实施例中,根据标准化运维知识单元构建并更新6g网络运维知识图谱,包括:
19、将标准化运维知识单元转换为由实体节点、属性信息和关系边组成的三元组数据或属性图数据;
20、为实体节点和关系边设置时间戳、数据来源、置信度和状态标识;
21、当接收到实时运维数据时,将实时运维数据转换为增量知识单元;
22、若增量知识单元对应的实体节点已存在,则更新对应实体节点的属性信息、关系边和置信度;
23、若增量知识单元对应的实体节点不存在,则新增实体节点及其关系边。
24、在一些可选的实施例中,响应于网络异常事件,基于6g网络运维知识图谱和预设的知识推理规则,确定与网络异常事件相关联的候选故障原因集合,包括:
25、确定网络异常事件对应的异常对象、异常指标、异常时间窗口和异常等级;
26、将异常对象和异常指标作为起始节点,在6g网络运维知识图谱中沿着承载关系、依赖关系、影响关系、发生关系和导致关系进行关联路径搜索;
27、获取与关联路径相关的告警事件、日志事件、性能指标异常、历史故障案例和故障原因节点;
28、将满足预设关联条件的故障原因节点确定为候选故障原因集合。
29、在一些可选的实施例中,目标故障原因通过以下步骤确定:
30、对于候选故障原因集合中的各候选故障原因,依次计算候选故障原因与网络异常事件之间的图谱路径关联度、候选故障原因对应的预设告警模式与当前告警集合之间的告警匹配度、候选故障原因的关联性能指标与当前性能指标异常状态之间的指标异常匹配度、候选故障原因对应的历史故障案例与当前异常状态之间的历史故障相似度、候选故障原因在当前网络拓扑中的影响传播方向与实际异常分布之间的拓扑影响一致性;
31、根据图谱路径关联度、告警匹配度、指标异常匹配度、历史故障相似度和拓扑影响一致性,计算候选故障原因的根因置信度;
32、将根因置信度满足预设条件的候选故障原因确定为目标故障原因;
33、根因置信度的计算公式为:
34、;
35、其中,表示候选故障原因的根因置信度,表示候选故障原因的图谱路径关联度,表示候选故障原因的告警匹配度,表示候选故障原因的指标异常匹配度,表示候选故障原因的历史故障相似度,表示候选故障原因的拓扑影响一致性,、、、、为预设的权重系数。
36、在一些可选的实施例中,目标故障原因的影响范围通过以下步骤确定:
37、将目标故障原因作为起始节点,在6g网络运维知识图谱中沿着影响关系、依赖关系、承载关系和资源占用关系进行搜索;
38、获取与目标故障原因相关联的网络实体、资源实体、业务实体和性能指标;
39、根据网络实体、资源实体和业务实体之间的拓扑层级关系和业务承载关系,生成受影响对象集合;
40、根据受影响对象的业务优先级、异常程度和依赖层级,确定目标故障原因的影响等级和影响范围。
41、在一些可选的实施例中,根据目标故障原因及其影响范围,从6g网络运维知识图谱中匹配候选运维处置策略,并对候选运维处置策略进行排序,生成目标运维处置策略,包括:
42、查询与目标故障原因存在适用关系的运维策略节点;
43、根据目标故障原因的影响范围筛选满足适用条件的候选运维处置策略;
44、获取各候选运维处置策略的历史成功率、执行风险等级、预计执行时长、资源消耗量、业务影响程度和回退条件;
45、根据历史成功率、执行风险等级、预计执行时长、资源消耗量、业务影响程度和回退条件,对候选运维处置策略进行排序;
46、将排序结果满足预设条件的候选运维处置策略确定为目标运维处置策略。
47、在一些可选的实施例中,基于执行后的网络状态变化结果更新6g网络运维知识图谱和知识推理规则,以形成6g网络闭环运维管理,包括:
48、采集执行目标运维处置策略后的网络状态数据;
49、将执行目标运维处置策略后的网络状态数据与执行目标运维处置策略前的网络状态数据进行比较,得到策略执行效果;
50、根据策略执行效果生成运维结果知识单元,将运维结果知识单元写入6g网络运维知识图谱,并根据策略执行效果调整目标运维处置策略对应的历史成功率、置信度或适用条件;
51、当策略执行效果未满足预设恢复条件时,基于更新后的网络状态数据重新触发知识推理,重新确定候选故障原因集合或重新匹配候选运维处置策略。
52、本技术的实施例提出的一种基于网络运维本体和知识推理的6g网络闭环运维管理方法,面对6g网络的运维难题,通过网络运维本体模型统一描述6g网络的运维对象、状态、异常事件、故障原因和处置动作,提升了多源异构数据的语义一致性;通过构建6g网络运维知识图谱,将拓扑、告警、日志、性能、工单和运维操作记录转化为可理解、可关联、可推理的知识单元;通过多维度根因置信度计算和影响范围识别,提高了故障根因定位的准确性;通过基于历史成功率、风险等级和业务影响的策略排序,提高了处置策略生成的合理性;通过执行效果回写知识图谱和推理规则,持续沉淀运维经验,形成持续优化的闭环运维管理,有效提升了6g网络的自治运维能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com