故障原因定位方法、装置、设备及存储介质与流程

1.本发明涉及网络技术领域，尤其涉及一种故障原因定位方法、装置、设备及存储介质。


背景技术：

2.相关技术中，网络故障发生后，网管系统会接收网络设备上报的一系列告警数据，网管系统基于告警数据和派单规则完成工单派发。运维人员接收工单后，结合故障当时的告警数据等多维度信息排查故障原因，定位原因并采取处理措施，故障解决后，通过工单形式回复故障原因和处理措施等相关描述。
3.由于需要运维人员人工确定故障原因，往往依赖运维人员的个性化的运维经验，该依赖运维经验和手工操作的传统故障排查方式效率低下，无法应对大规模、分布式、异构化等网络发展趋势的运维挑战，且影响故障处理效率，导致故障原因的定位效率低及智能性差。相关的基于ai(artificial intelligence，人工智能)技术的故障原因自动定位，往往难以达到定位精度的要求。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种故障原因定位方法、装置、设备及存储介质，旨在实现网络故障的故障原因的自动定位，提升定位精度及智能化程度。
5.本发明实施例的技术方案是这样实现的：
6.本发明实施例提供了一种故障原因定位方法，包括：
7.基于待故障原因定位的目标工单，获取所述目标工单的关联告警数据；
8.基于所述目标工单和所述关联告警数据，确定所述目标工单对应的故障特性的特征数据；
9.将所述特征数据输入训练好的故障原因定位模型，得到所述目标工单对应的目标故障原因；
10.其中，所述关联告警数据包括：基于工单的故障发生时刻确定的设定时长内的多个告警数据，所述特征数据包括：基于工单的属性信息确定的编码信息、基于所述关联告警数据确定的告警标题统计特征及基于所述关联告警数据确定的告警时序特征，所述故障原因定位模型基于历史工单的故障原因和历史工单的所述特征数据训练生成。
11.本发明实施例还提供了一种故障原因定位装置，包括：
12.数据关联模块，用于基于待故障原因定位的目标工单，获取所述目标工单的关联告警数据；
13.特征提取模块，用于基于所述目标工单和所述关联告警数据，确定所述目标工单对应的故障特性的特征数据；
14.分类模块，用于将所述特征数据输入训练好的故障原因定位模型，得到所述目标工单对应的目标故障原因；
15.其中，所述关联告警数据包括：基于工单的故障发生时刻确定的设定时长内的多个告警数据，所述特征数据包括：基于工单的属性信息确定的编码信息、基于所述关联告警数据确定的告警标题统计特征及基于所述关联告警数据确定的告警时序特征，所述故障原因定位模型基于历史工单的故障原因和历史工单的所述特征数据训练生成。
16.本发明实施例又提供了一种故障原因定位设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明实施例所述方法的步骤。
17.本发明实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明实施例所述方法的步骤。
18.本发明实施例提供的技术方案，基于待故障原因定位的目标工单，获取所述目标工单的关联告警数据；基于所述目标工单和所述关联告警数据，确定所述目标工单对应的故障特性的特征数据；将所述特征数据输入训练好的故障原因定位模型，得到所述目标工单对应的目标故障原因，由于目标工单基于所述特征数据与故障原因定位模型进行匹配，且所述故障原因定位模型基于历史工单的故障原因和所述特征数据训练生成，可以对各工单关联的告警数据进行自动拟合，利于提高故障的定位精度及智能化程度。
附图说明
19.图1为本发明实施例故障原因定位方法的流程示意图；
20.图2为本发明应用示例故障原因定位方法的流程示意图；
21.图3为本发明实施例故障原因定位装置的结构示意图；
22.图4为本发明实施例故障原因定位设备的结构示意图。
具体实施方式
23.下面结合附图及实施例对本发明再作进一步详细的描述。
24.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
25.由于历史工单积累了大量运维经验，相关技术中，可以基于ai(artificial intelligence，人工智能)技术自动完成网络故障的故障原因定位，包括以下三种方案：
26.方案一，通过计算故障发生时刻相关告警与历史告警的相似度，并对发生的告警做重要度排序，给出历史故障根因，实现当前故障的根因(即根本原因)定位。但是，由于网络的历史故障根因数据来自于工单，工单回复的根因种类少且粒度粗，即使基于工单的根因定位准确，也无法支撑故障精细化运维。且网络故障发生后，会触发一系列告警，由于无线网络告警的冗余度很高，告警间的相似度不容易度量，导致很难给出告警的重要度排序，从而影响故障原因的准确定位。
27.方案二，基于网络拓扑等构建故障传播图，利用故障传播图定位故障根因。但是无线网络结构复杂，拓扑获取难度大，且拓扑并非固定不变，严格依赖拓扑的方法对网络变化的适应性差。且考虑不同省份的拓扑不同，往往会限制该方法的泛化能力。
28.方案三，基于指标或事件的关联性，通过相似性度量和时间先后等多维度信息，定
位根因。但是网络故障相关的告警是事件数据，无法准确完成相似性度量。通过频繁项挖掘的事件关联方法会引入大量噪声数据，效果不好，难以达到准确定位故障原因的需求。
29.基于此，在本发明的各种实施例中，基于待故障原因定位的目标工单，获取所述目标工单的关联告警数据；基于所述目标工单和所述关联告警数据，确定所述目标工单对应的故障特性的特征数据；将所述特征数据输入训练好的故障原因定位模型，得到所述目标工单对应的目标故障原因，由于目标工单基于所述特征数据与故障原因定位模型进行匹配，且所述故障原因定位模型基于历史工单的故障原因和所述特征数据训练生成，可以对各工单关联的告警数据进行自动拟合，利于提高故障的定位精度及智能化程度。
30.本发明实施例提供了一种故障原因定位方法，可以应用于故障原因定位设备，如图1所示，该方法包括：
31.步骤101，基于待故障原因定位的目标工单，获取所述目标工单的关联告警数据；
32.这里，目标工单可以是网管系统基于网络设备上报的一系列的告警数据生成的工单，该工单可以理解为指示运维人员进行网络维护的指示信息，以便运维人员接收到工单后，进行故障排查，从而及时恢复网络。
33.这里，所述关联告警数据包括：基于工单的故障发生时刻确定的设定时长内的多个告警数据。
34.示例性地，所述基于待故障原因定位的目标工单，获取所述目标工单的关联告警数据，包括：
35.基于待故障定位的目标工单的故障发生时刻，获取所述故障发生时刻之前的第一时长及所述故障发生时刻之后的第二设定时长内，所述目标工单的故障发生网络域对应的多个告警数据。
36.在一应用示例中，目标工单包括指示“故障发生时刻”的第一字段和指示“故障发生地市”的第二字段，关联告警数据可以包括：以目标工单的“故障发生时刻”为基准，向前推50分钟及向后推10分钟的时段内，“故障发生地市”发生的所有告警数据。如此，可以收集目标工单周边的关联的所有告警数据。
37.步骤102，基于所述目标工单和所述关联告警数据，确定所述目标工单对应的故障特性的特征数据；
38.这里，所述特征数据包括：基于工单的属性信息确定的编码信息、基于所述关联告警数据确定的告警标题统计特征及基于所述关联告警数据确定的告警时序特征。
39.示例性地，所述基于所述目标工单和所述关联告警数据，确定所述目标工单对应的故障特性的特征数据，包括：
40.提取所述目标工单的属性信息，对所述属性信息进行编码，得到所述编码信息；
41.对所述关联告警数据中的各告警数据基于告警标题进行统计，确定所述告警标题统计特征；
42.对所述关联告警数据中的各告警数据基于告警时序进行排序，确定所述告警时序特征。
43.示例性地，目标工单的属性信息可以包括：工单标题(又称为告警标题)、网元名称、网设备厂家，由于上述属性信息为枚举类型，枚举类型无顺序和大小关系，且无法输入到模型。本发明实施例中，可以对上述属性信息基于one-hot编码(独热编码)进行编码，将
one-hot编码后的向量拼接起来，作为该目标工单的编码信息。
44.示例性地，所述对所述关联告警数据中的各告警数据基于告警标题进行统计，确定所述告警标题统计特征，包括：
45.对所述关联告警数据中的各告警数据的告警标题，基于词频-逆文本频率指数(term frequency
–
inverse document frequency，tf-idf)进行统计，得到第一表征向量；
46.对所述第一表征向量基于非负矩阵分解(non-negative matrix factorization，nmf)进行向量降维，得到作为所述告警标题统计特征的第二表征向量。
47.这里，tf-idf是一种用于信息检索与数据挖掘的加权技术，可以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。如此，基于tf-idf对关联告警数据中的各告警数据的告警标题进行统计，利于刻画各告警主题的故障特征，通过有效降低各种故障中均存在的高频告警标题的权重，利于增强模型的学习能力。此外，基于nmf进行向量降维，可以对原始矩阵进行降维，得到数据特征的降维矩阵，从而减少存储空间，又能够有效地保留原始告警数据的重要信息。比如，若某条工单关联几百条告警数据，对应的第一表征向量可能有几百维，且向量稀疏性较强，基于向量降维后的第二表征向量，则可以在降维的同时，很好地保留原始告警数据的重要信息。
48.示例性地，所述对所述关联告警数据中的各告警数据基于告警时序进行排序，确定所述告警时序特征，包括：
49.基于词向量模型，对所述关联告警数据中各告警数据基于告警时序排序后的数据进行向量转换，得到作为所述告警时序特征的第三表征向量。
50.这里，无线网络发生故障后，会引发周边设备上报告警数据，而后，故障影响范围逐级外扩，后续时间内上报更多告警数据，因此，工单关联的告警数据是存在时间顺序的。本发明实施例中，可以将关联告警数据中的各告警数据的告警标题按照时序排序，基于word2vec模型转换为第三向量，得到所述关联告警数据的告警时序特征。
51.步骤103，将所述特征数据输入训练好的故障原因定位模型，得到所述目标工单对应的目标故障原因；
52.这里，所述故障原因定位模型基于历史工单的故障原因和历史工单的所述特征数据训练生成。
53.示例性地，可以将上述目标工单对应的编码信息、第二表征向量及第三表征向量拼接后，作为故障原因定位模型的输入，由故障原因定位模型输出所述目标工单的目标故障原因。
54.本发明实施例中，由于目标工单基于所述特征数据与故障原因定位模型进行匹配，且所述故障原因定位模型基于历史工单的故障原因和所述特征数据训练生成，可以对各工单关联的告警数据进行自动拟合，利于提高故障的定位精度及智能化程度。
55.由于需要预先训练好故障原因定位模型，在一实施例中，所述基于待故障原因定位的目标工单，获取所述目标工单的关联告警数据之前，所述方法还包括：
56.获取多个历史工单的所述特征数据；
57.提取各所述历史工单的故障原因；
58.基于各所述历史工单的所述特征数据和提取的所述故障原因，对初始的故障原因
定位模型进行训练，得到训练好的所述故障原因定位模型。
59.这里，各历史工单的所述特征数据可以参照目标工单的特征数据的确定过程，在此不再赘述。
60.本发明实施例中，历史工单的故障原因可以从历史工单反馈的处理措施中提取，由于工单处理措施的描述文本具有极强的专业性和个性化，且缺少大规模标注，文本挖掘难度很大。基于此，在一实施例中，所述提取各所述历史工单的故障原因，包括：
61.将各所述历史工单的处理措施输入故障主题提取模型，得到各所述历史工单的故障主题的分类结果；
62.基于聚类算法，确定所述分类结果属于已有的目标故障主题，将所述目标故障主题作为相应历史工单的所述故障原因；或者，确定所述分类结果为新的故障主题，则新增故障主题并将所述新增故障主题作为相应历史工单的所述故障原因；
63.其中，故障主题提取模型基于注意力机制训练生成。
64.可以理解的是，故障主题提取模型用于挖掘网络故障的故障主题，而非具体的故障原因，从而可以将相似故障原因归类为同一故障主题，进而提升提取信息的通用性，解决文本个性化强的问题。
65.针对文本专业性强的特点，故障主题提取模型引入注意力机制，可以在训练过程中区别处理措施中每个词对生成的故障主题的贡献度。
66.针对样本缺少标注的问题，本发明实施例故障主题提取模型可以采用具有预训练的深度学习模型bert(bidirectional encoder representations from transformers)作为基础模型，在预训练基础模型上精调参数实现故障主题提取，减少对数据大规模标注的依赖。
67.示例性地，故障主题提取模型利用注意力机制提取故障主题向量themevec，其中，属于同一故障主题的themevec近似度较高，属于不同故障主题的themevec近似度较低，基于聚类算法计算每种故障主题的中心向量和最大间隔，并通过文本相似度计算的方式将新类别统一放到“其他”类别中，完成网络故障的新故障主题的自更新。若某一历史工单对应的故障原因为新的故障主题，可以由运维人员增添该新的故障主题的标签值，并作为故障原因。
68.在一实施例中，故障原因定位方法还包括：
69.基于各所述历史工单的工单标题和提取的所述故障原因，确定所述工单标题对应的所述故障原因的统计数据；
70.所述基于各所述历史工单的所述特征数据和提取的所述故障原因，对初始的故障原因定位模型进行训练，得到训练好的所述故障原因定位模型，包括：
71.基于各所述历史工单的所述特征数据、提取的所述故障原因及所述工单标题对应的所述故障原因的统计数据，对初始的故障原因定位模型进行训练，得到训练好的所述故障原因定位模型。
72.这里，所述工单标题对应的所述故障原因的统计数据可以理解为专家经验，如此，可以在训练故障原因定位模型中引入历史的专家经验，进一步提升故障原因定位的准确性。比如，基于统计确定特定的工单标题对应的故障原因具有不同的分布，则可以提高概率高的故障原因的权重，进而提高故障原因定位的准确性。
73.下面结合应用示例对本发明实施例再作进一步详细的描述。
74.图2示出了本应用示例无线网络故障原因定位方法的原理示意图，如图2所示，该应用示例方法包括：
75.步骤1，数据关联；
76.这里，无线网络出现故障后，会触发一系列告警。关键告警触发工单派发，其他告警被丢弃。若只用派发工单的告警，并不能完全反应故障时刻的故障特性，极容易造成模型的过拟合。本应用示例中，收集工单周边的所有告警，提升模型的学习能力。具体方法如下：使用故障工单的“故障发生时间”和“故障发生地市”两个字段，以“故障发生时间”为基准，向前推50分钟，向后推10分钟，关联在此段时间内“故障发生地市”发生的所有告警。
77.步骤2，特征提取；
78.这里，基于特征提取，完成故障根因定位方法的输入数据处理，更好的刻画无线网络故障时刻的故障特性。输入数据包括工单数据和工单关联的告警数据。特征提取后的特征数据包括：
79.1)、one-hot特征：工单中告警标题、网元名称、网元设备厂家3个字段为枚举类型，枚举类型无顺序和大小关系，且无法输入到模型。本方法对3个字段完成one-hot编码，将one-hot编码后的3个向量拼接起来，作为该条工单的one-hot特征。
80.2)、告警标题统计特征：无线网络发生故障时，每种故障引起的高频告警是不同的，本应用示例利用故障发生时刻周边的告警标题分布，更好的刻画不同故障特征，增强模型的学习能力。且为防止某些高频告警在每种故障中都存在，统计这种告警对刻画不同故障的特征无意义，本方法提出利用tf-idf方法完成告警标题统计。但是每条工单会关联几百条告警，对应的tf-idf表征向量就有几百维，且向量稀疏性较强，本应用示例，进一步基于nmf来对向量降维，降维的同时很好的保留了原始告警的重要信息。
81.3)、告警时序特征。无线网络发生故障时，故障第一时间引发周边设备上报告警，而后故障影响范围逐级外扩，后续时间内上报更多告警，所以故障工单关联的告警数据是存在时间顺序的，本应用示例提出了利用word2vec方案刻画告警的时序特性，更好的完善工单特征。
82.步骤3，故障主题提取；
83.这里，历史的故障工单的详细故障原因可以从工单反馈的处理措施中提取，提取后的详细故障原因归类为不同的故障主题，作为本根因定位方法的输出。但是，工单处理措施描述文本具有极强的专业性和个性化，且缺少大规模标注，文本挖掘难度很大。
84.本应用示例中，提出基于注意力机制的故障主题提取模型。通过挖掘无线网络的故障主题，而不是具体故障原因，可以把相似故障原因归类为同一故障主题，进而提升提取信息的通用性，解决文本个性化强的问题。
85.本应用示例中，故障主题提取模型可以采用具有预训练的深度学习模型bert作为基础模型，在预训练基础模型上精调参数实现故障主题提取，减少对数据大规模标注的依赖。
86.如图2所示，故障主题提取模型包括：embedding、encoder、decoder和linear。在encoder和decoder引入注意力机制，强调故障处理措施中每个词对生成的故障主题贡献度不同。示例性地，故障主题提取模型的输入为工单反馈的处理措施的文本数据，例如“传输
2m线损坏，导致误码告警，更换传输2m线后，故障恢复”，embedding将文本数据转换为第一向量。通过encoder将向量转换为高维度的第二向量，该第二向量包括了文字自身的信息和周边文字的信息。通过decoder在对高维度的第二向量映射到输出的故障主题，假定decoder的输出是128维，故障主题是64维度。通过linear完成decoder的向量到故障主题的映射，即将128维映射为64维。
87.故障主题提取模型利用注意力机制提取故障主题向量themevec，其中，属于同一故障主题的themevec近似度较高，属于不同故障主题的themevec近似度较低，基于聚类算法计算每种故障主题的中心向量和最大间隔，并通过文本相似度计算的方式将新类别统一放到“其他”类别中，完成无线网络故障的故障主题的类别区分。
88.步骤4，基于专家经验共享的根因定位；
89.针对无线网络缺乏知识共享机制，导致大量运维经验无法发挥价值的问题，基于故障原因提取模型提取故障主题后，本应用示例中，还对每条故障工单中工单标题对应的历史故障主题分布完成统计，作为历史专家运维经验，同步输入到本应用示例的定位方法中。通过盘活这些运维经验，实现专家经验共享，提升根因定位准确性。
90.本应用示例中，采用故障原因定位模型实现无线网络的故障根因定位，代替依赖拓扑结构的故障传播图方案。具体地，可以采用基于树模型的分类器。比如，在大样本和高维度数据中，可以采用更加高效的模型lightgbm作为故障原因定位模型。lightgbm模型的输入是第2步的特征提取结果，模型输出是第3步提取的故障主题。当然，在进行故障原因定位之前，需要基于历史工单对故障原因定位模型进行训练，得到训练好的故障原因定位模型。可以理解的是，训练好的故障原因定位模型还可以基于新增的历史工单的数据进行更新。
91.步骤5，新原因发现。
92.无线网络的运维人员完成故障运维后，若推荐的故障根因是“其他”，运维人员回单时在“处理措施”字段描述新发现的故障原因主题，即由运维人员增添该新的故障主题的标签值，并作为故障原因，以完成故障主题的自更新。
93.本应用示例故障原因定位方法，基于深度学习方法，从工单反馈的处理措施中提取故障主题，可以扩充工单对应的故障原因，很好的支撑了无线网络的故障精细化运维；此外，基于聚类算法识别的无线网络的新故障主题，可以自动发现5g领域等新的故障原因类别，并基于人工标注自动更新原因标签，实现故障原因的自更新；再次，提出了集成专家经验的机器学习，集成专家经验后，定位准确率可以提升18％左右，同时保证了本方法的通用性。除无线网络领域外，在核心网领域测试方法效果，依然可以保持很高的准确率。
94.为了实现本发明实施例的方法，本发明实施例还提供一种故障原因定位装置，该故障原因定位装置与上述故障原因定位方法对应，上述故障原因定位方法实施例中的各步骤也完全适用于本故障原因定位装置实施例。
95.如图3所示，该故障原因定位装置包括：数据关联模块301、特征提取模块302及分类模块303，其中，数据关联模块301用于基于待故障原因定位的目标工单，获取所述目标工单的关联告警数据；特征提取模块302用于基于所述目标工单和所述关联告警数据，确定所述目标工单对应的故障特性的特征数据；分类模块303用于将所述特征数据输入训练好的故障原因定位模型，得到所述目标工单对应的目标故障原因；所述关联告警数据包括：基于
工单的故障发生时刻确定的设定时长内的多个告警数据，所述特征数据包括：基于工单的属性信息确定的编码信息、基于所述关联告警数据确定的告警标题统计特征及基于所述关联告警数据确定的告警时序特征，所述故障原因定位模型基于历史工单的故障原因和历史工单的所述特征数据训练生成。
96.在一些实施例中，数据关联模块301具体用于：
97.基于待故障定位的目标工单的故障发生时刻，获取所述故障发生时刻之前的第一时长及所述故障发生时刻之后的第二设定时长内，所述目标工单的故障发生网络域对应的多个告警数据。
98.在一些实施例中，特征提取模块302具体用于：
99.提取所述目标工单的属性信息，对所述属性信息进行编码，得到所述编码信息；
100.对所述关联告警数据中的各告警数据基于告警标题进行统计，确定所述告警标题统计特征；
101.对所述关联告警数据中的各告警数据基于告警时序进行排序，确定所述告警时序特征。
102.在一些实施例中，特征提取模块302具体用于：
103.对所述关联告警数据中的各告警数据的告警标题，基于词频-逆文本频率指数进行统计，得到第一表征向量；
104.对所述第一表征向量基于非负矩阵分解进行向量降维，得到作为所述告警标题统计特征的第二表征向量。
105.在一些实施例中，特征提取模块302具体用于：
106.基于词向量模型，对所述关联告警数据中各告警数据基于告警时序排序后的数据进行向量转换，得到作为所述告警时序特征的第三表征向量。
107.在一些实施例中，故障原因定位装置还包括：训练模块304，用于：
108.获取多个历史工单的所述特征数据；
109.提取各所述历史工单的故障原因；
110.基于各所述历史工单的所述特征数据和提取的所述故障原因，对初始的故障原因定位模型进行训练，得到训练好的所述故障原因定位模型。
111.训练模块304提取各所述历史工单的故障原因，包括：
112.将各所述历史工单的处理措施输入故障主题提取模型，得到各所述历史工单的故障主题的分类结果；
113.基于聚类算法，确定所述分类结果属于已有的目标故障主题，将所述目标故障主题作为相应历史工单的所述故障原因；或者，确定所述分类结果为新的故障主题，则新增故障主题并将所述新增故障主题作为相应历史工单的所述故障原因；
114.其中，故障主题提取模型基于注意力机制训练生成。
115.在一些实施例中，训练模块304还用于：
116.基于各所述历史工单的工单标题和提取的所述故障原因，确定所述工单标题对应的所述故障原因的统计数据；
117.相应地，所述基于各所述历史工单的所述特征数据和提取的所述故障原因，对初始的故障原因定位模型进行训练，得到训练好的所述故障原因定位模型，包括：
118.基于各所述历史工单的所述特征数据、提取的所述故障原因及所述工单标题对应的所述故障原因的统计数据，对初始的故障原因定位模型进行训练，得到训练好的所述故障原因定位模型。
119.实际应用时，数据关联模块301、特征提取模块302、分类模块303及训练模块304，可以由故障原因定位装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。
120.需要说明的是：上述实施例提供的故障原因定位装置在进行故障原因定位时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的故障原因定位装置与故障原因定位方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
121.基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种故障原因定位设备。图4仅仅示出了该故障原因定位设备的示例性结构而非全部结构，根据需要可以实施图4示出的部分结构或全部结构。
122.如图4所示，本发明实施例提供的故障原因定位设备400包括：至少一个处理器401、存储器402、用户接口403和至少一个网络接口404。故障原因定位设备400中的各个组件通过总线系统405耦合在一起。可以理解，总线系统405用于实现这些组件之间的连接通信。总线系统405除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统405。
123.其中，用户接口403可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
124.本发明实施例中的存储器402用于存储各种类型的数据以支持故障原因定位设备的操作。这些数据的示例包括：用于在故障原因定位设备上操作的任何计算机程序。
125.本发明实施例揭示的故障原因定位方法可以应用于处理器401中，或者由处理器401实现。处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，故障原因定位方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器401可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成本发明实施例提供的故障原因定位方法的步骤。
126.在示例性实施例中，故障原因定位设备可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、fpga、通用处理器、控制器、微控制器(mcu，micro controller unit)、微处理器(microprocessor)、或者其他电子元件实现，用于执行前述方法。
127.可以理解，存储器402可以是易失性存储器或非易失性存储器，也可包括易失性和
非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
128.在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器402，上述计算机程序可由故障原因定位设备的处理器401执行，以完成本发明实施例方法所述的步骤。计算机可读存储介质可以是rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘、或cd-rom等存储器。
129.需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
130.另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
131.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。