网络故障诊断方法
    1.
    发明授权

    公开(公告)号:CN110995461B

    公开(公告)日:2021-06-22

    申请号:CN201911031015.3

    申请日:2019-10-28

    IPC分类号: H04L12/24 H04L12/26

    摘要: 本发明公开了一种网络故障诊断方法及介质,其中该方法包括:获取KPI指标的实时序列流,并对KPI指标的实时序列流进行截窗处理以获取KPI指标的实时序列向量;将KPI指标的实时序列向量与预先训练好的KPI指标的正常属性向量进行K‑S分布检验,以判断KPI指标的实时序列向量是否分布正常;当所有KPI指标中任意一个KPI指标的实时序列向量分布出现异常时,将所有KPI指标在K‑S分布检验时的偏差值按顺序排列以构成偏差值向量;采用新型引力聚类模型,根据偏差值向量获取与偏差值向量相似度最高的网络故障类别,并将网络故障类别作为网络故障诊断结果;从而无需人工介入即可实现网络故障的诊断过程,大大提高了网络智能运维的高效性和便捷性。

    基于波束分配的干扰协调方法、介质、设备及装置

    公开(公告)号:CN110839292A

    公开(公告)日:2020-02-25

    申请号:CN201910966175.0

    申请日:2019-10-12

    IPC分类号: H04W72/04 H04W72/08 H04W16/14

    摘要: 本发明公开了一种基于波束分配的干扰协调方法、介质、设备及装置,其中方法包括:获取宏微异构网络中每个用户的波束信息;根据波束信息获取每个微小区中每个用户的工作波束与该微小区中其他用户的工作波束之间的正交关系,并根据正交关系判断每个用户的工作波束与其他用户的工作波束是否均正交;如果否,则根据波束信息判断该用户是否存在多个可用波束;如果是,则获取每个可用波束所对应的信号与干扰噪声比,并根据每个可用波束的信号与干扰噪声比和每个可用波束与其他用户的工作波束之间的正交关系对该用户的工作波束进行选择;能够有效减少宏微异构网络下波束之间的干扰,提高频谱利用率,同时,提升网络的传输效率。

    联合图信号与强化学习的超密集无线网络功率分配方法

    公开(公告)号:CN110972309A

    公开(公告)日:2020-04-07

    申请号:CN201911089450.1

    申请日:2019-11-08

    IPC分类号: H04W72/04 H04W72/08

    摘要: 本发明公开了一种联合图信号与强化学习的超密集无线网络功率分配方法,方法包括:S1,获取无向图,并根据无向图构建邻接矩阵和权值矩阵;S2,计算每个顶点的干扰参数,并计算网络平滑度,以及根据网络平滑度计算网络环境参数;S3,对超密集无线网络的功率进行再次分配,并计算再次分配后的网络环境参数,以及根据该网络环境参数计算回报函数值;S4,根据该回报函数值进行再次分配,并计算再次分配后的网络环境参数,以及根据该网络环境参数计算回报函数值;重复步骤S4,直至得到最大累积回报函数值,停止超密集无线网络功率分配;从而实现在超密集无线网络中进行自组织、自优化的功率分配,进而降低超密集无向网络的干扰程度,有效提高网络性能。

    一种收发信机装置、阵列天线装置及室内和室外覆盖系统

    公开(公告)号:CN103580708B

    公开(公告)日:2016-01-27

    申请号:CN201210266392.7

    申请日:2012-07-30

    摘要: 本发明公开了一种收发信机装置、阵列天线装置及室内和室外覆盖系统,该收发信机装置包括:多制式处理单元,用于在上行链路中,接收预定多种制式中任意一种制式的上行射频信号,并将所述上行射频信号转换成相应制式的上行基带信号后发送出去;在下行链路中,接收所述预定多种制式中任意一种制式的下行基带信号,并将所述下行基带信号转换成为相应制式的下行射频信号后发送出去。本发明具有支持多制式信号处理的功能,在覆盖各种制式信号的同时,简化了设备结构;阵列天线装置采用包含多个收发信机装置的方式,提高了信号处理能力和网络稳定性,系统部署方便,具有广泛的实用性。

    网络故障诊断方法
    10.
    发明公开

    公开(公告)号:CN110995461A

    公开(公告)日:2020-04-10

    申请号:CN201911031015.3

    申请日:2019-10-28

    IPC分类号: H04L12/24 H04L12/26

    摘要: 本发明公开了一种网络故障诊断方法及介质,其中该方法包括:获取KPI指标的实时序列流,并对KPI指标的实时序列流进行截窗处理以获取KPI指标的实时序列向量;将KPI指标的实时序列向量与预先训练好的KPI指标的正常属性向量进行K-S分布检验,以判断KPI指标的实时序列向量是否分布正常;当所有KPI指标中任意一个KPI指标的实时序列向量分布出现异常时,将所有KPI指标在K-S分布检验时的偏差值按顺序排列以构成偏差值向量;采用新型引力聚类模型,根据偏差值向量获取与偏差值向量相似度最高的网络故障类别,并将网络故障类别作为网络故障诊断结果;从而无需人工介入即可实现网络故障的诊断过程,大大提高了网络智能运维的高效性和便捷性。