孫際勇

【摘要】 ? ?本文以海量物聯(lián)網(wǎng)數(shù)據(jù)為基礎(chǔ)，采用機(jī)器學(xué)習(xí)挖掘NB-IOT智能抄表業(yè)務(wù)邏輯，最終建立分析模型，創(chuàng)新使用“三元三階”分析方法定位問題原因。在網(wǎng)絡(luò)接入階段，通過網(wǎng)絡(luò)指標(biāo)分析問題;在業(yè)務(wù)執(zhí)行階段，通過智能抄表業(yè)務(wù)邏輯發(fā)現(xiàn)問題;在休眠階段，基于業(yè)務(wù)行為與數(shù)據(jù)規(guī)律定位問題。

【關(guān)鍵詞】 ? ?NB-IoT智能表 ? ?三元三階 ? ?業(yè)務(wù)邏輯

引言：

1.概述

智能抄表是物聯(lián)網(wǎng)技術(shù)革新的產(chǎn)物，改善了抄表行業(yè)的諸多問題。相對于傳統(tǒng)抄表而言，智能抄表具有計(jì)價(jià)靈活、實(shí)時(shí)監(jiān)控、遠(yuǎn)程報(bào)警切斷功能以及能實(shí)現(xiàn)大數(shù)據(jù)分析等優(yōu)勢。

物聯(lián)網(wǎng)抄表的發(fā)展經(jīng)歷多個(gè)階段，最早的物聯(lián)網(wǎng)表是以短信方式進(jìn)行通訊，因定位超前且費(fèi)用高被淘汰。第二階段是GPRS模組加SIM卡模式，采用傳統(tǒng)GPRS網(wǎng)絡(luò)與服務(wù)端通信。國家近年大力推廣物聯(lián)網(wǎng)技術(shù)，NB-IoT作為LPWAN物聯(lián)網(wǎng)領(lǐng)域的主流技術(shù)，正展現(xiàn)出強(qiáng)大的發(fā)展?jié)摿??；贜B-IoT技術(shù)的智能抄表因具備低功耗、可海量接入、節(jié)約人力成本等優(yōu)勢而受追捧，被廣泛應(yīng)用于城市智慧能源傳輸建設(shè)。

2.優(yōu)勢

NB-IoT網(wǎng)絡(luò)是基于蜂窩網(wǎng)絡(luò)的窄帶物聯(lián)網(wǎng)技術(shù)，聚焦低功耗廣域網(wǎng)，支持物聯(lián)網(wǎng)設(shè)備在廣域網(wǎng)的蜂窩數(shù)據(jù)連接，具備單獨(dú)部署、與現(xiàn)有網(wǎng)絡(luò)聯(lián)合部署多種方案，NB-IoT網(wǎng)絡(luò)可彌補(bǔ)GSM/CDMA技術(shù)在物聯(lián)網(wǎng)領(lǐng)域的不足。

智能抄表如采用NB-IoT網(wǎng)絡(luò)接入，可利用NB-IoT網(wǎng)絡(luò)的PSM節(jié)能模式，提高智能表電池使用壽命。利用該超強(qiáng)覆蓋能力，解決傳統(tǒng)網(wǎng)絡(luò)覆蓋死角信號差問題，提高接入成功率。

和傳統(tǒng)人工抄表相比，智能抄表還具備以下優(yōu)勢：

1）節(jié)約能源公司人力成本，提高抄表效率和準(zhǔn)確率。

2）以累積的能源使用量大數(shù)據(jù)為基礎(chǔ)，為階梯定價(jià)、能源傳輸管網(wǎng)規(guī)劃等城市建設(shè)提供支撐。

一、研究內(nèi)容

1.1 現(xiàn)階段面臨的主要問題

NB-IoT智能抄表屬于新興業(yè)務(wù)，目前處于摸索應(yīng)用期，還有部分環(huán)節(jié)需要完善。NB-IoT智能抄表業(yè)務(wù)過程中涵蓋終端、模組、無線網(wǎng)絡(luò)、核心網(wǎng)、IOT平臺、應(yīng)用服務(wù)器等多個(gè)環(huán)節(jié)，涉及能源公司、平臺集成廠商、電信運(yùn)營商，跨專業(yè)溝通成本大，出現(xiàn)故障時(shí)需要各專業(yè)的人員逐段排查。使用傳統(tǒng)的分析方法很難快速定位故障。

1.2 基于運(yùn)營商管道數(shù)據(jù)的解決方案

區(qū)別于傳統(tǒng)各專業(yè)逐段排查的方法，本次通過運(yùn)營商海量管道數(shù)據(jù)為基礎(chǔ)，采用機(jī)器學(xué)習(xí)算法構(gòu)建業(yè)務(wù)識別模型，建立智能抄表業(yè)務(wù)信息庫，并梳理智能抄表業(yè)務(wù)邏輯，根據(jù)業(yè)務(wù)邏輯構(gòu)建故障分析模型。

分析模型創(chuàng)新使用“三元三階”方法，從網(wǎng)絡(luò)接入、業(yè)務(wù)執(zhí)行及休眠三階段開展分析，結(jié)合分析模型從終端側(cè)、網(wǎng)絡(luò)側(cè)及服務(wù)側(cè)三個(gè)維度實(shí)現(xiàn)故障原因快速定位。

二、三元三階分析方法

以NB-IoT智能抄表為樣例數(shù)據(jù)開展分析，共收集約20萬臺智能表終端信息，以及1個(gè)月的運(yùn)營商管道數(shù)據(jù)。

通過對20萬NB-IoT智能表數(shù)據(jù)挖掘分析發(fā)現(xiàn)智能表具備如下交互特征：

1.智能表與網(wǎng)絡(luò)及服務(wù)器交互有固定時(shí)間周期、且交互時(shí)間短;

2.智能表大多時(shí)間處于休眠階段，休眠時(shí)與網(wǎng)絡(luò)無數(shù)據(jù)交互。

根據(jù)特征，結(jié)合網(wǎng)絡(luò)數(shù)據(jù)攜帶的PSM定時(shí)器時(shí)長可確定智能表大部分時(shí)間屬于休眠狀態(tài)，具備明顯的網(wǎng)絡(luò)接入、業(yè)務(wù)交互、休眠三個(gè)階段的特性。再結(jié)合智能表數(shù)據(jù)交互的三個(gè)網(wǎng)元維度，開展三元三階故障分析。

三元：智能抄表端到端業(yè)務(wù)的流程主要涉及3個(gè)網(wǎng)元，分別是智能表終端側(cè)、運(yùn)營商管道側(cè)、智能表服務(wù)側(cè);

三階：智能表全業(yè)務(wù)流程往往包含網(wǎng)絡(luò)接入、業(yè)務(wù)執(zhí)行以及休眠三個(gè)階段;

三元三階：

網(wǎng)絡(luò)接入階段，通過失敗原因值分析法和失敗聚類分析法對接入流程開展分析定位;

業(yè)務(wù)執(zhí)行階段，結(jié)合設(shè)備業(yè)務(wù)邏輯排查業(yè)務(wù)流程問題點(diǎn)，定位具體故障網(wǎng)元;

休眠階段，結(jié)合應(yīng)用側(cè)和運(yùn)營商管道的設(shè)備歷史數(shù)據(jù)通過聚類分析法定位故障網(wǎng)元。

2.1 網(wǎng)絡(luò)接入階段分析

在NB-IoT設(shè)備網(wǎng)絡(luò)接入階段，對隨機(jī)接入、RRC連接建立及附著等接入成功率進(jìn)行分析，通過接入失敗原因值及接入失敗終端多維度聚類分析定位接入失敗原因，輸出故障網(wǎng)元。

通過移動網(wǎng)絡(luò)管道數(shù)據(jù)發(fā)現(xiàn)825個(gè)設(shè)備網(wǎng)絡(luò)接入階段中，附著成功率相對較差，占采樣設(shè)備的0.41%。智能表設(shè)備附著失敗導(dǎo)致在網(wǎng)絡(luò)接入階段失敗。結(jié)合信令數(shù)據(jù)附著失敗原因值分析，查看設(shè)備的Attach Reject消息攜帶原因值，有25%的設(shè)備失敗原因?yàn)椤癊PS services not Allowed”，根據(jù)返回的原因值可知，由于核心網(wǎng)簽約數(shù)據(jù)異常導(dǎo)致附著被拒，初步定界為網(wǎng)絡(luò)側(cè)原因;有53%的設(shè)備失敗原因?yàn)椤癗etwork failure”，根據(jù)返回的原因值分析主要原因?yàn)閁pdate Location Request中上報(bào)的IMEI與簽約IMEI不同導(dǎo)致附著失敗，初步定界為設(shè)備側(cè)原因;其他21%的設(shè)備通過多維度（設(shè)備型號、MME、小區(qū)以及服務(wù)器等）聚類分析發(fā)現(xiàn)，大部分集中在個(gè)別小區(qū)，初步定位小區(qū)問題導(dǎo)致附著失敗。

總結(jié)上述案例，智能表網(wǎng)絡(luò)接入階段故障排查借助網(wǎng)絡(luò)接入成功率指標(biāo)分析，網(wǎng)絡(luò)接入成功率通過附著成功率分析實(shí)現(xiàn)故障問題定界，分析步驟如下：

步驟1：通過移動管道數(shù)據(jù)分析智能表終端成功率指標(biāo);

步驟2：基于運(yùn)營商管道數(shù)據(jù)分析網(wǎng)絡(luò)接入失敗終端的失敗原因值及分布情況;

步驟3：通過失敗原因值分析，一方面直接定位出故障原因，另一方面通過運(yùn)營商管道數(shù)據(jù)多維度（包括終端型號、小區(qū)、核心網(wǎng)、時(shí)間等維度）聚類分析定位出故障網(wǎng)元。

2.2業(yè)務(wù)執(zhí)行階段分析

業(yè)務(wù)執(zhí)行階段，針對智能表遠(yuǎn)程抄表、實(shí)時(shí)計(jì)費(fèi)、報(bào)警提醒等業(yè)務(wù)流程開展分析，采集大量應(yīng)用側(cè)及運(yùn)營商管道數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，識別出各業(yè)務(wù)數(shù)據(jù)的業(yè)務(wù)邏輯，再基于設(shè)備業(yè)務(wù)邏輯排查問題點(diǎn)，定位具體故障網(wǎng)元。

通過智能抄表業(yè)務(wù)的運(yùn)營商管道數(shù)據(jù)建立信息庫，并進(jìn)行數(shù)據(jù)挖掘，發(fā)現(xiàn)抄表業(yè)務(wù)整體信令流程如下圖2。

基于上述信令流程開展分析，結(jié)合應(yīng)用側(cè)提供的智能抄表業(yè)務(wù)流程（包括建鏈、鑒權(quán)、數(shù)據(jù)上報(bào)、拆鏈等）進(jìn)行抄表業(yè)務(wù)邏輯識別工作。采用機(jī)器學(xué)習(xí)建模分析智能抄表業(yè)務(wù)信令數(shù)據(jù)特征（地址、協(xié)議、信息長度、數(shù)據(jù)包信息等），將各項(xiàng)信令數(shù)據(jù)特征進(jìn)行關(guān)聯(lián)組合，并根據(jù)智能抄表過程中的建鏈流程、鑒權(quán)流程、數(shù)據(jù)上報(bào)流程以及拆鏈流程劃分關(guān)聯(lián)數(shù)據(jù)流，最后通過業(yè)務(wù)識別算法基于數(shù)據(jù)流特征完成抄表業(yè)務(wù)邏輯識別，識別結(jié)果如下：

NB-IoT智能抄表業(yè)務(wù)邏輯主要包括四個(gè)建鏈過程、兩個(gè)鑒權(quán)過程、兩個(gè)數(shù)據(jù)上報(bào)過程以及一個(gè)拆鏈過程。

對智能抄表數(shù)據(jù)進(jìn)行分析，抄表失敗主要是抄表業(yè)務(wù)流程失敗導(dǎo)致，占比74%，占總設(shè)備數(shù)3.5%。結(jié)合智能表業(yè)務(wù)邏輯對智能抄表故障問題進(jìn)行排查發(fā)現(xiàn)抄表業(yè)務(wù)失敗原因主要集中在鑒權(quán)確認(rèn)過程，智能表服務(wù)器下發(fā)鑒權(quán)確認(rèn)消息后，物聯(lián)網(wǎng)平臺轉(zhuǎn)發(fā)該命令到表端，在25秒內(nèi)下發(fā)三次表端均沒有響應(yīng)，命令超時(shí)，導(dǎo)致抄表失敗。情況如下：

結(jié)合上述分析可知，智能抄表業(yè)務(wù)失敗是由于終端側(cè)故障導(dǎo)致。

總結(jié)上述案例，智能表業(yè)務(wù)執(zhí)行階段故障排查，通過運(yùn)營商管道數(shù)據(jù)挖掘，結(jié)合機(jī)器學(xué)習(xí)識別智能表業(yè)務(wù)邏輯?；跇I(yè)務(wù)邏輯開展業(yè)務(wù)流程故障排查分析，分析步驟如下：

步驟1：通過運(yùn)營商管道數(shù)據(jù)分析智能表終端業(yè)務(wù)成功率指標(biāo);

步驟2：基于運(yùn)營商管道數(shù)據(jù)挖掘智能抄表業(yè)務(wù)流程;

步驟3：基于智能表業(yè)務(wù)邏輯對具體業(yè)務(wù)流程進(jìn)行故障排查，輸出故障業(yè)務(wù)流程;

步驟4：通過運(yùn)營商管道數(shù)據(jù)對故障流程進(jìn)行分析，定位具體故障點(diǎn)。

2.3休眠階段分析

NB-IoT智能表在休眠階段處于PSM工作模式下，此狀態(tài)智能表注冊在網(wǎng)，保持在線狀態(tài)，但信令不可達(dá)。在此階段智能表終端側(cè)與智能表服務(wù)側(cè)無數(shù)據(jù)交互，需要結(jié)合智能表終端歷史狀態(tài)對終端進(jìn)行監(jiān)控。此階段智能表終端設(shè)備存在的主要問題是設(shè)備失聯(lián)故障問題，結(jié)合應(yīng)用側(cè)和運(yùn)營商管道設(shè)備歷史數(shù)據(jù)通過聚類分析法定位故障網(wǎng)元。

使用部分智能表故障終端信息，結(jié)合運(yùn)營商管道數(shù)據(jù)挖掘分析發(fā)現(xiàn)，約0.99%的故障終端智能表在數(shù)據(jù)交互周期內(nèi)無數(shù)據(jù)上報(bào)，結(jié)合智能表歷史數(shù)據(jù)，初步判斷這部分終端設(shè)備疑似存在失聯(lián)故障問題。

2.3.1型號集中性分析

分析發(fā)現(xiàn)智能表終端共涉及4個(gè)型號，分別是型號A1、B1、C1和D1，針對疑似失聯(lián)設(shè)備開展型號集中性分析發(fā)現(xiàn)，失聯(lián)故障問題并無明顯集中在個(gè)別型號上，如下：

2.3.2區(qū)域集中性分析

統(tǒng)計(jì)疑似失聯(lián)設(shè)備的區(qū)域分布情況發(fā)現(xiàn)大部分故障設(shè)備無明顯集中情況，存在152個(gè)設(shè)備集中分布在2個(gè)小區(qū)覆蓋范圍內(nèi)，需要進(jìn)一步排查這兩個(gè)小區(qū)所覆蓋區(qū)域是否存在網(wǎng)絡(luò)問題導(dǎo)致NB-IoT智能表終端失聯(lián)。

2.3.3失聯(lián)故障率分析

針對疑似失聯(lián)終端設(shè)備的失聯(lián)周期開展分析，挖掘失聯(lián)故障率高的設(shè)備需要進(jìn)一步分析其終端設(shè)備是否存在故障。

總結(jié)上述案例，分析步驟如下：

步驟1：通過智能抄表業(yè)務(wù)規(guī)則以及運(yùn)營商管道數(shù)據(jù)分析，總結(jié)智能抄表業(yè)務(wù)上報(bào)時(shí)間規(guī)律;

步驟2：基于智能表數(shù)據(jù)交互周期判斷其數(shù)據(jù)交互周期內(nèi)終端側(cè)與服務(wù)側(cè)有無數(shù)據(jù)交互，反推終端設(shè)備是否存在失聯(lián)故障問題;

步驟3：通過疑似失聯(lián)設(shè)備型號集中性分析定位失聯(lián)故障原因，輸出故障終端型號;

步驟4：通過疑似失聯(lián)設(shè)備區(qū)域分布分析定位失聯(lián)設(shè)備集中區(qū)域，輸出覆蓋異常區(qū)域;

步驟5：通過疑似失聯(lián)設(shè)備故障率分析定位異常失聯(lián)設(shè)備，輸出故障終端設(shè)備。

2.4 智能表分析結(jié)果

經(jīng)過 “三元三階”分析法確定，NB-IoT智能抄表失敗在網(wǎng)絡(luò)接入、業(yè)務(wù)執(zhí)行以及休眠三個(gè)階段業(yè)務(wù)失敗分布如下：

通過“三元三階”分析方法實(shí)現(xiàn)83%以上的抄表失敗設(shè)備問題定界，其中設(shè)備側(cè)問題占比78.81%，網(wǎng)絡(luò)側(cè)問題占比4.64%。

三、業(yè)務(wù)流程故障排查模型

上章提到，業(yè)務(wù)執(zhí)行階段的分析采用機(jī)器學(xué)習(xí)建模及業(yè)務(wù)識別算法進(jìn)行業(yè)務(wù)邏輯識別工作，并基于業(yè)務(wù)邏輯分析完成該階段的故障定位。本章將具體介紹機(jī)器學(xué)習(xí)建模的過程以及業(yè)務(wù)識別算法內(nèi)容。

3.1 業(yè)務(wù)邏輯的識別

3.1.1業(yè)務(wù)的識別流程

對于機(jī)器業(yè)務(wù)識別方法來說，機(jī)器學(xué)習(xí)識別算法是提高識別能力的重要因素，可應(yīng)用的系統(tǒng)平臺需多方面考慮，諸如計(jì)算復(fù)雜程度及識別速率等。

機(jī)器學(xué)習(xí)業(yè)務(wù)識別算法分兩步：識別模型的建立與業(yè)務(wù)分類。

首先需要利用樣本數(shù)據(jù)進(jìn)行訓(xùn)練來建立識別模型，然后將模型輸入到分類器進(jìn)行業(yè)務(wù)分類。訓(xùn)練的輸入樣本數(shù)據(jù)可來自采集的業(yè)務(wù)流量數(shù)據(jù)或者直接抓取業(yè)務(wù)數(shù)據(jù)。最后基于五元組信息（源地址、目的地址、傳輸層協(xié)議類型、包長度以及數(shù)據(jù)包信息）拆分成不同的數(shù)據(jù)流來統(tǒng)計(jì)流的特征。數(shù)據(jù)流的特征和算法識別參數(shù)集用來建立流識別模型，機(jī)器算法的參數(shù)依靠具體的機(jī)器學(xué)習(xí)算法從簡單到復(fù)雜演進(jìn)，部分算法可能不依賴參數(shù)。業(yè)務(wù)分類器完成業(yè)務(wù)識別訓(xùn)練，即可對流進(jìn)行識別分類，分類器可以實(shí)現(xiàn)業(yè)務(wù)識別。

3.1.2業(yè)務(wù)識別算法

將提取的數(shù)據(jù)包按五元組分類， 每一類就是一個(gè)數(shù)據(jù)流。通過各類數(shù)據(jù)流的關(guān)聯(lián)，并捕捉關(guān)聯(lián)流的特征定義特征包。通過數(shù)據(jù)包五元組信息與已識別出特征的數(shù)據(jù)包的五元組相匹配， 選擇出有分類代表性的最優(yōu)特征子集，最后將采樣數(shù)據(jù)樣本和最優(yōu)特征集訓(xùn)練XGBoost模型進(jìn)行業(yè)務(wù)識別，如下圖：

3.1.3 XGBoost算法介紹

極限梯度提升（eXtreme Gradient Boosting）是GBDT的一種提升算法，它繼承了GBDT并進(jìn)行改進(jìn)，假設(shè)訓(xùn)練集D={xi， yi} （|D|=n，xi∈Rm， yi∈R）包含n個(gè)樣本和m個(gè)特征，在第t次迭代中構(gòu)造了一個(gè)回歸樹ft，其目標(biāo)函數(shù)的形式包含兩部分：損失函數(shù)和正則化項(xiàng)，如下所示：

式中，——第t次迭代的預(yù)測值

——第i個(gè)樣本目標(biāo)值與預(yù)測值之間的損失函數(shù)

Ω——加入的正則化項(xiàng)，表示決策樹的復(fù)雜度

Ω用于抑制過擬合現(xiàn)象，控制模型的復(fù)雜度，保證在模型簡單的基礎(chǔ)上最小化訓(xùn)練誤差。采用泰勒展開式近似定義目標(biāo)函數(shù)Obj（t），即

其中，是損失函數(shù)的一階梯度和二階梯度。由于與ft無關(guān)，所以最小化目標(biāo)函數(shù)的過程中可以忽略。在XDBoost中，數(shù)的復(fù)雜度定義為

式中，wj——第j個(gè)葉子節(jié)點(diǎn)所分配的權(quán)重

T——回歸樹中的節(jié)點(diǎn)數(shù)

γ——葉子節(jié)點(diǎn)的系數(shù)

使XGBoost在最小化目標(biāo)函數(shù)的同時(shí)相當(dāng)于對回歸樹做了預(yù)剪枝處理，防止訓(xùn)練模型過擬合。綜合誤差項(xiàng)和正則化項(xiàng)，目標(biāo)函數(shù)可以寫成

由上式可以得出一個(gè)關(guān)于wj的一元二次方程，為此可以得出每棵回歸樹的最優(yōu)權(quán)重和最優(yōu)目標(biāo)函數(shù)。

最終目標(biāo)函數(shù)與回歸樹的樹形結(jié)構(gòu)有關(guān)，數(shù)的剪枝生成問題轉(zhuǎn)化為尋找最優(yōu)樹結(jié)構(gòu)。目標(biāo)函數(shù)越小，表示樹的結(jié)構(gòu)最優(yōu)，在進(jìn)行節(jié)點(diǎn)分裂時(shí)，XGBoost采用目標(biāo)函數(shù)計(jì)算加入分割點(diǎn)后與之前目標(biāo)函數(shù)的大小比較，比較后再決定是否添加節(jié)點(diǎn)。XGBoost采用貪心算法獲得最優(yōu)樹結(jié)構(gòu)。利用XGBoost的貪心策略進(jìn)行回歸樹的分割，構(gòu)造最優(yōu)樹結(jié)構(gòu)，隨著模型的迭代，根據(jù)殘差不斷進(jìn)行優(yōu)化。

3.2 抄表業(yè)務(wù)流程模型構(gòu)建

通過上述機(jī)器學(xué)習(xí)算法識別NB-IoT智能抄表業(yè)務(wù)邏輯，流程如下：

1.通過數(shù)據(jù)挖掘提取數(shù)據(jù)流特征，包括數(shù)據(jù)流源地址、目標(biāo)地址、流量大小、協(xié)議類型、數(shù)據(jù)流特定信息等;

2.通過各類數(shù)據(jù)流關(guān)聯(lián)，并捕捉關(guān)聯(lián)流特征定義特征包;

3.基于數(shù)據(jù)流特征及算法特征建立識別模型;

4.通過機(jī)器學(xué)習(xí)進(jìn)行業(yè)務(wù)識別，并輸出業(yè)務(wù)邏輯。

結(jié)合上述流程完成智能抄表業(yè)務(wù)邏輯識別，智能抄表業(yè)務(wù)邏輯包含4個(gè)建鏈流程、2個(gè)鑒權(quán)流程、2個(gè)數(shù)據(jù)上報(bào)流程和1個(gè)拆鏈流程，結(jié)合NB-IoT智能抄表業(yè)務(wù)邏輯和“三元三階”分析法構(gòu)建NB-IoT智能抄表業(yè)務(wù)故障智能排查模型。

四、結(jié)束語

本方案運(yùn)用了海量物聯(lián)網(wǎng)大數(shù)據(jù)資源，通過機(jī)器學(xué)習(xí)挖掘NB-IoT智能抄表業(yè)務(wù)邏輯，并建立分析模型 ，結(jié)合“三元三階”分析方法，實(shí)現(xiàn)對智能表故障問題智能排查。

以智能表為例，創(chuàng)新使用“三元三階”分析方法，在網(wǎng)絡(luò)接入階段，通過附著失敗原因值和附著失敗設(shè)備多維度聚類分析定位設(shè)備測、網(wǎng)絡(luò)側(cè)以及服務(wù)側(cè)問題;在業(yè)務(wù)執(zhí)行階段，通過智能抄表業(yè)務(wù)邏輯故障排查定位設(shè)備側(cè)、網(wǎng)絡(luò)側(cè)以及服務(wù)側(cè)問題;在休眠階段，利用智能表信息數(shù)據(jù)和運(yùn)營商歷史管道數(shù)據(jù)進(jìn)行設(shè)備失聯(lián)問題排查定位設(shè)備側(cè)、網(wǎng)絡(luò)側(cè)問題。其中，在業(yè)務(wù)執(zhí)行階段采用智能表運(yùn)營商管道數(shù)據(jù)，建立智能表業(yè)務(wù)信息庫，挖掘智能表業(yè)務(wù)數(shù)據(jù)流特征，通過數(shù)據(jù)流特征關(guān)聯(lián)劃分樣本業(yè)務(wù)，繼而進(jìn)行機(jī)器學(xué)習(xí)識別智能抄表業(yè)務(wù)，進(jìn)一步識別智能抄表業(yè)務(wù)邏輯，通過業(yè)務(wù)邏輯分析定位業(yè)務(wù)執(zhí)行階段故障問題。

基于運(yùn)營商管道數(shù)據(jù)，挖掘智能抄表業(yè)務(wù)特征，通過機(jī)器學(xué)習(xí)識別智能抄表業(yè)務(wù)，識別業(yè)務(wù)邏輯，建立抄表業(yè)務(wù)分析模型。在此基礎(chǔ)上，實(shí)現(xiàn)NB-IoT智能抄表業(yè)務(wù)故障問題智能排查。

參 ?考 ?文 ?獻(xiàn)

[1] 吳騰.面向數(shù)據(jù)挖掘的網(wǎng)絡(luò)流量預(yù)測及業(yè)務(wù)識別算法研究[D].重慶： 重慶郵電大學(xué)， 2019：53-57.