本发明涉及一种用于使得能够为通信网络的至少一部分生成行为模型的方法，该方法利用语义丰富的基于本体的网络模型(所述网络模型包括本体，本体的实例表示网络中可发生的不同事件/动作)以及指示所述事件/动作之间概率相关的概率信息。该方法包括以下步骤：在语义的基于本体的建模语言中创建具有至少三个属性的建模实体，其中：第一属性是对所述网络模型本体的第一实例的引用，该第一实例因此表示第一事件/动作；第二属性是对所述网络模型本体的第二实例的引用，该第二实例因此表示第二事件/动作；以及第三属性是基于所述概率信息并且表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值。
1.一种用于使得能够为通信网络(71)的至少一部分生成行为模型(61；61′)的方法，所述方法利用：-语义丰富的基于本体的网络模型(1；1′)，所述网络模型包括本体(7)，所述本体的实例表示所述网络中可发生的不同事件/动作；以及-概率信息，指示所述事件/动作之间的概率相关；
-在语义的基于本体的建模语言中创建(S93)具有至少三个属性的建模实体(41；
-第一属性(43A)是对所述网络模型本体的第一实例的引用，所述第一实例因此表示第一事件/动作；
-第二属性(43B)是对所述网络模型本体的第二实例的引用，所述第二实例因此表示第二事件/动作；以及-第三属性(45)是基于所述概率信息并表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值。
2.如权利要求1所述的方法，其中所述建模实体(41；41′)在与所述网络模型(1；
3.如权利要求2所述的方法，其中所述建模语言是Web本体语言OWL。
4.一种用于为通信网络(71)的至少一部分生成行为模型(61；61′)的方法，所述方法利用：-语义丰富的基于本体的网络模型(1；1′)，所述网络模型包括本体(7)，所述本体的实例表示所述网络中可发生的不同事件/动作；以及-概率信息，指示所述事件/动作之间的概率相关；
-通过创建建模实体(41；41′)的多个实例来生成(S94)所述行为模型(61；61′)，所述建模实体在语义的基于本体的建模语言中建模并具有至少三个属性，所述至少三个属性的：-第一属性(43A)是对所述网络模型本体的第一实例的引用，所述第一实例因此表示第一事件/动作；
-第二属性(43B)是对所述网络模型本体的第二实例的引用，所述第二实例因此表示第二事件/动作；以及-第三属性(45)是基于所述概率信息并表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值。
5.如权利要求4所述的方法，其中所述建模实体(41；41′)在与所述网络模型(1；
6.如权利要求5所述的方法，其中所述建模语言是OWL。
7.一种用于使得能够为通信网络(71)的至少一部分生成行为模型(61；61′)的建模实体(41；41′)，通信网络的所述部分在语义丰富的基于本体的网络模型(1；1′)中建模，所述网络模型(1；1′)包括本体(7)，所述本体的实例表示所述网络中能发生的事件/动作，特征在于所述建模实体(41；41′)在语义的基于本体的建模语言中创建并具有至少三个属性，所述至少三个属性的：-第一属性(43A)是对所述网络模型本体的第一实例的引用，所述第一实例因此表示第一事件/动作；
-第二属性(43B)引用所述网络模型本体的第二实例，所述第二实例因此表示第二事件/动作；以及-第三属性(45)是表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值。
8.如权利要求7所述的建模实体(41；41′)，所述建模实体在与所述网络模型(1；
9.如权利要求8所述的建模实体(41；41′)，所述建模语言是OWL。
10.一种用于使得能够为通信网络(71)的至少一部分生成行为模型(61；61′)的设备，所述设备利用：-语义丰富的基于本体的网络模型(1；1′)，所述网络模型包括本体(7)，所述本体的实例表示所述网络中可发生的不同事件/动作；以及-概率信息，指示所述事件/动作之间的概率相关；
-在语义的基于本体的建模语言中创建(S93)具有至少三个属性的建模实体(41；
-第一属性(43A)是对所述网络模型本体的第一实例的引用，所述第一实例因此表示第一事件/动作；
-第二属性(43B)是对所述网络模型本体的第二实例的引用，所述第二实例因此表示第二事件/动作；以及-第三属性(45)是基于所述概率信息并表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值。
11.如权利要求10所述的设备，其中所述建模实体(41；41′)在与所述网络模型(1；
12.如权利要求11所述的设备，其中所述建模语言是Web本体语言OWL。
13.一种用于使得能够捕捉、建模和使用与通信网络(71)的至少一部分的行为有关的信息的网络管理设备(83)，特征在于包括：-用于存储语义丰富的基于本体的网络模型(1′)的部件(85)，所述网络模型(1′)包括本体(7)，所述本体的实例表示所述网络中能发生的事件/动作；
-用于存储建模实体(41′)的部件(86)，所述建模实体在语义的基于本体的建模语言中创建并包括至少三个属性，所述至少三个属性的：-第一属性(43A)是对所述网络模型本体(7)的第一实例的引用，所述第一实例因此表示第一事件/动作；
-第二属性(43B)引用所述网络模型本体(7)的第二实例，所述第二实例因此表示第二事件/动作；以及-第三属性(45)是表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值；
-用于存储行为模型(61′)的部件(89)，所述行为模型由所述建模实体(41′)的实例的集合组成；
-控制部件(91)，布置成接收来自网络接口(93)的信息并登记所述网络(71)中发生的事件/动作的序列，所述控制部件(91)包括基于所接收的事件/动作序列来确定各种事件/动作之间概率相关的逻辑(98)。
14.如权利要求13所述的网络管理设备(83)，其中所述控制部件(91)布置成通过基于所登记的事件/动作的序列中事件/动作之间所述确定的概率相关来更新用于现有实例的概率属性(45)的值和/或添加/删除所述建模实体(41′)的实例，从而更新所述行为模型(60；61′)。
15.如权利要求13或权利要求14所述的网络管理设备(83)，还包括允许网络操作员访问所述控制部件(91)和所确定的概率相关的操作员接口(82)。
16.如权利要求13或权利要求14所述的网络管理设备(83)，还包括推理引擎(99)，通过所述推理引擎，网络操作员能更新所述行为模型(60；61′)和/或对所述行为模型进行有关网络配置中更改的可能结果的查询，并因此在网络管理决定做出过程中得到支持。
17.一种通信网络(71)中的网络节点(79A-B)，特征在于所述节点(79A-B)包括存储建模实体(41；41′)的部件(86)，所述建模实体用于使得能够为通信网络(71)的至少一部分生成行为模型(61；61′)，通信网络的所述部分在语义丰富的基于本体的网络模型(1；1′)中建模，所述网络模型包括本体(7)，所述本体的实例表示所述网络中能发生的事件/动作，所述建模实体(41；41′)在语义的基于本体的建模语言中创建并具有至少三个属性，所述至少三个属性的：-第一属性(43A)是对所述网络模型本体的第一实例的引用，所述第一实例因此表示第一事件/动作；
-第二属性(43B)引用所述网络模型本体的第二实例，所述第二实例因此表示第二事件/动作；以及-第三属性(45)是表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值，和/或在于所述节点(79A-B)包括存储行为模型(61；61′)的部件(89)，所述行为模型包括所述建模实体(41；41′)的实例的集合。
18.如权利要求17所述的网络节点(79A-B)，还包括存储语义丰富的基于本体的网络模型(1；1′)的部件(85)，所述网络模型包括本体(7)，所述本体的实例表示所述网络中能发生的事件/动作。
19.如权利要求18所述的网络节点(79A-B)，还包括布置成接收来自网络接口(93)的信息并登记所述网络(71)中发生的事件/动作的序列的控制部件(91)，所述控制部件(91)包括基于所接收的事件/动作序列来确定各种事件/动作之间概率相关的逻辑(98)。
20.如权利要求19所述的网络节点(79A-B)，还包括布置成一方面经所述控制部件(91)与操作员接口(82)进行通信、另一方面与所述行为模型(61；61′)进行通信的推理引擎(99)，由此允许网络操作员更新所述行为模型和/或对所述行为模型进行有关网络配置中更改的可能结果的查询。
21.一种用于为通信网络(71)的至少一部分生成行为模型(61；61′)的设备，所述设备利用：-语义丰富的基于本体的网络模型(1；1′)，所述网络模型包括本体(7)，所述本体的实例表示所述网络中可发生的不同事件/动作；以及-概率信息，指示所述事件/动作之间的概率相关；
-通过创建建模实体(41；41′)的多个实例来生成(S94)所述行为模型(61；61′)的部件，所述建模实体在语义的基于本体的建模语言中建模并具有至少三个属性，所述至少三个属性的：-第一属性(43A)是对所述网络模型本体的第一实例的引用，所述第一实例因此表示第一事件/动作；
-第二属性(43B)是对所述网络模型本体的第二实例的引用，所述第二实例因此表示第二事件/动作；以及-第三属性(45)是基于所述概率信息并表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值。
22.如权利要求21所述的设备，其中所述建模实体(41；41′)在与所述网络模型(1；
23.如权利要求22所述的设备，其中所述建模语言是OWL。
用于通信网络的行为模型
技术领域
[0001] 本发明一般涉及通信网络管理，并且具体地说，涉及用于监视和管理通信网络中发生的事件和/或动作的行为模型的新类型。
背景技术
[0002] 今天的自动网络管理系统经常能够识别通信网络中不稳定行为的模式。执行此类识别以便允许影响要执行的管理活动的选择或识别网络事件的未知相关的可能性。此类基于事件的管理系统的架构在例如“Self-configuration for Radio Access Networks”(出自J.Baliosian、H.Oliver、A.Devitt、F.Sailhan、E.Salamanca、B.Danev、G.Parr，公布在第7届IEEE Workshop on Policies for Distributed Systems and Networks(Policy 2006)的会议记录中，2006年6月5-7日，London，加拿大)中描述。
[0003] 在此上下文中事件可以是通知有关网络中发生的事情的消息的发布，如警报的发生或性能参数增大事件或者一个节点对本身或另一节点进行的服务/动作请求。通过使用行为模型，在系统的一部分中捕捉系统行为的模式。行为模型设计成持续监视网络中发生的实际事件并且概括这些各个事件以识别行为的模式。此外，给定不期望状态的规范，则行为模型将识别导致不期望状态的行为的模式。行为模型还由管理系统或网络操作员用于决定将来的动作。
[0004] 因此，监视网络行为一般涉及两个基本部分：构建要监视的网络实体(例如服务)及其特征(例如，与该服务有关的事件/动作)的描述性模型和构建观察所述网络实体的BM。
[0005] 今天，有时使用本体工程(ontological engineering)进行网络实体及其特征的描述。本体工程集中在如何捕捉给定域中的概念上，目的是共享此域的共同理解并由此能够实现互操作性和知识再使用。本体是给定域中概念及其属性的分类以及域假设的形式化表示。此上下文中的形式化表示基于诸如描述逻辑(DL)或框架逻辑(FL)的充分理解的逻辑范式，它在语义上是丰富的。形式化本体因此基于明确的语义，能够实现机器可读性和通过支持的各种推理(推论)能力对信息进行推论。基于DL且有时用于使用本体来描述网络实体及其特征的一种程序语言是OWL(Web本体语言)。OWL是一种语义建模语言，旨在当文档中包含的信息需要由应用处理时使用，而不同于内容只需要向人呈现的情况，并且相比XML、RDF和RDFS具有更多的用于表达意思和语义的工具，因此其在Web上表示机器可理解内容的能力方面超过了这些语言。
[0006] 也就是说，OWL或其它基于本体的建模语言能用于构建网络描述模型，以下称为网络模型，其中，网络中可能发生的不同的事件和动作请求被建模为单独的本体类。本体类另外包括与本体类建模的特定事件或动作请求相关联的属性。术语“本体类”能归入更一般的术语“本体”之下，并且因此在本文档各处，有关“本体类”可使用“本体”。
[0007] 在涉及构建观察和监视网络实体及其特征的模型(即构建网络行为模型)时，有时使用概率图形模型。概率图形模型提供了通过指定系统的不同方面之间保持的相关性(和独立性)来监视行为的方式。贝叶斯网络是概率图形模型的一种特殊类型，以前已在故障管理的域中应用于警告相关和故障排除辅助。贝叶斯网络包括图形结构，其中节点表示来自应用域的统计变量，例如，通信网络事件，弧表示它们之间的影响关系。贝叶斯网络还包括将这些统计变量上的条件概率分布编码的数值部分，数值部分在节点中或在与节点相关联的单独存储装置中显示。条件概率分布编码给定贝叶斯网络中其它变量的值时变量假设其不同值的概率。例如，在给定某些准则存在或不存在时，如果准则与事件/警报之间的概率相关性假设为已知，则贝叶斯网络能用于计算事件或警报的概率。BN能处理不完整的数据集，了解偶然关系，并且连同统计方法，用于收集域知识和数据。
[0008] 如何使用本体来推动贝叶斯网络的构建(特别是生物域中)是已知的。一般情况下，如“Building Bayesian Networks through Ontologies”(出自D.Cleary和B.Danev，2002)中所公开的，本体只用作表示促进贝叶斯网络结构的手动创建的知识的方式。
[0009] PCT/EP2006/069436与从本体来创建通信网络行为模型有关，并且描述用于从本体集合使贝叶斯网络的创建高度自动化的方法。这借助于一种算法来实现，该算法采用描述网络有关事件/动作的本体模型，并且将所述事件/动作转换到贝叶斯网络中的节点。
[0010] 然而，使用贝叶斯网络来捕捉网络事件与动作之间的关系和概率相关，而这些网络事件和动作使用例如OWL的语义建模语言被建模为本体，这存在相关联的问题。
[0011] 基于本体的网络模型是语义的而网络行为模型(贝叶斯网络)是非语义的该事实使得这两种模型不兼容。因此，行为模型不能解释网络模型。网络中发生更改时，例如，当新通信标准将新事件/动作引入网络时，或者当新网络装置在网络中安装时，网络模型应优选更新为说明这些更改。更改/更新基于本体的网络模型是相当直接和简单的。
[0012] 然而，还需要随后更改/更新贝叶斯网络。贝叶斯网络的此类更新更加麻烦和耗时，特别是在手动进行更新时。无论是手动还是自动创建贝叶斯网络，在网络描述模型中发生最轻微的更改时，它都必须重新生成。
[0013] 此外，网络模型与行为模型(贝叶斯网络)之间的不兼容性要求为相同信息建模两次。一次是以构建网络模型的建模语言，一次是以构建贝叶斯网络的编程语言。这导致了在基于本体的网络模型与贝叶斯网络之间复制信息的需要。贝叶斯网络的节点与网络模型的本体(即本体类)包括相同的信息。
[0014] 因此，需要一种改进的网络行为模型，其允许以简单但仍高效的方式来捕捉通信网络的系统行为并为其建模。
发明内容
[0015] 本发明涉及生成网络行为模型的问题。
[0016] 此问题由本发明通过一种用于使得能够为通信网络的至少一部分生成行为模型的方法而得以解决。该方法利用语义丰富的基于本体的网络模型，所述网络模型包括本体，本体的实例表示网络中可发生的不同事件/动作。它还利用指示所述事件/动作之间概率相关的概率信息。该方法包括以下步骤：在语义的基于本体的建模语言中创建具有至少三个属性的建模实体，其中：第一属性是对所述网络模型本体的第一实例的引用(reference)，该第一实例因此表示第一事件/动作；第二属性是对所述网络模型本体的第二实例的引用，该第二属性因此表示第二事件/动作；以及第三属性是基于所述概率信息并且表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值。
[0017] 问题还通过一种用于使得能够为通信网络的至少一部分生成行为模型的建模实体而得以解决，通信网络的该部分在语义丰富的基于本体的网络模型中建模，所述网络模型包括本体，本体的实例表示网络中能够发生的事件/动作。建模实体在语义的基于本体的建模语言中创建，并且包括至少三个属性，其中：第一属性是对所述网络模型本体的第一实例的引用，该第一实例因此表示第一事件/动作；第二属性是对所述网络模型本体的第二实例的引用，该第二属性因此表示第二事件/动作；以及第三属性是表示给定所述第一事件/动作时所述第二事件/动作发生的概率的数值。
[0018] 由于创新的建模实体引用网络模型中的本体类的第一和第二实例，这些实例表示第一和第二相互联系的事件/动作，并且由于建模实体包括有关给定第一事件/动作时第二事件/动作发生的概率的信息，因此，根据本发明的建模实体能够被视为“智能弧”，不同于将贝叶斯网络的两个节点链接在一起的弧，它知道在它在哪些节点(即，事件/动作)之间运行和此类节点之间的概率相关。
[0019] 因此，能使用多个此类智能弧来捕捉使用本体类建模的网络实体(例如，网络服务)的行为，而本体类的实例表示与该网络实体有关的事件/动作。也就是说，此类弧的集合构成由基于本体的网络模型描述的网络或部分网络的行为模型。
[0020] 上面已与“智能弧”比较的发明性实体不一定应被视为图形弧(虽然它们可以图形方式来表示，如具体实施方式中更详细描述的)。相反，它们应被视为包括以前在贝叶斯网络中发现的概率数据、关系和行为的语义建模实体。根据本发明的建模实体因此将在下文称为语义弧。
[0021] 通过使得能够在语义弧内为贝叶斯网络中发现的概率数据、关系和行为建模，能够引用网络模型中的本体类实例(表示事件/动作)。此类引用消除了在网络的本体类内添加/改变任何信息的需要和复制信息的需要。
[0022] 此外，由于引用而不是复制网络模型的所述实例，因此，根据本发明的行为模型允许独立开发、扩展和使用语义弧和网络模型。
[0023] 另外，此方案的一个显著益处是它还将概率知识从网络模型的本体移离到语义弧中。这能视为更佳的设计，因为网络模型的实例通常将不要求附加的内部参数来表示概率。
[0024] 可能根据行为模型的要求来添加和删除语义弧以便反映网络模型实例(即，事件/动作)的序列中的任何更改。此外，语义弧的使用使得能够从网络模型自动构建行为模型。
[0025] 根据本发明的一方面，建模实体在语义的基于本体的建模语言中实现为本体类(语义弧)。在本发明的一个实施例中，表示网络(即，网络模型)中事件/动作的本体和语义弧建模实体在OWL(Web本体语言)中创建，由此确保网络模型与行为模型之间的兼容性。语义弧(即，本体类语义弧的实例)一起形成语义行为模型，能够在系统存储器中存储，存储为OWL文档，或者转换为数据库可存储的信息。
[0026] 根据本发明的另一方面，例如Jena(一种用于Java的开源语义Web框架)的推理引擎或推论机能用于在行为模型上进行推论。一旦行为模型已生成，推理引擎便能够遍历和查询它，并且操作能使用链接的事件/动作和内在的概率数据来执行。此外，推理引擎能用于从语义弧实例生成概率图形模型，由此提供类似于贝叶斯网络的图形行为模型。
[0027] 由语义弧的集合组成的提议语义行为模型因此将使得电信公司能够使用基于本体的类似于贝叶斯网络的行为模型来捕捉其网络中存在的概率信息。这将使得能够在电信网络内为例如警报的事件和动作的行为建模，而这将允许统计方法计算给定起始引用点时某一事件/动作的结果。这能够用于指示可能在网络中出现的潜在问题和难题，并因此能够用于避免此类可能的网络问题。
[0028] 本发明还涉及一种用于生成行为模型的方法、一种行为模型、一种网络管理设备、一种网络节点、一种数据存储媒体、一种网络节点控制部件及一种计算机程序产品。
附图说明
[0029] 从本文中下面提供的详细描述和附图中，将更全面理解本发明，附图不一定按比例绘制，并且仅作为图示来给出。另外，使用诸如顶部、底部、上方、下方等空间术语是为了便于解释，并且不应解释为结构或方向限制。在不同的图形中，相同的引用数字对应于相同的要素。
[0030] 图1以图形方式示出OWL(Web本体语言)中建模的网络模型的一部分。
[0031] 图2示出描述网络事件/动作的给定集合后能够发生的路径的行为模式。
[0032] 图3A到3C以图形方式示出其行为在图2中示出的网络实体中能够发生的事件/动作的一个可能序列。
[0033] 图4以图形方式示出根据本发明的新语义建模实体“语义弧”的属性。
[0034] 图5示出实际程序代码，其示出在语义的、基于本体的建模语言中实现根据本发明的建模实体的一种示范方式。
[0035] 图6示出根据本发明的行为模型的图形表示。
[0036] 图7示出根据本发明的通信网络的示范实施例。
[0037] 图8示出根据本发明的网络管理设备的示范实施例。
[0038] 图9是示出根据本发明的用于为通信网络生成行为模型的方法的流程图。
具体实施方式
[0039] 如上所述，行为模型是应用于监视和操控已建模系统的原因和效果的域的表示。本发明涉及通信网络行为模型，该模型一般用于监视和操控网络中发生的各种事件和/或动作之间的概率相关。
[0040] 本发明建议新型建模实体能够如何用于使用网络描述模型提供的推理或推论能力来提供此类通信网络行为模型，网络描述模型采用例如依赖描述逻辑(DL)和/或框架逻辑(FL)的本体。
[0041] 根据本发明，基于形式化本体，在网络模型中在语义上表示有关网络域的专业知识。本发明概念不是将此语义网络模型中包含的信息复制到非语义行为模型(这是根据现有技术的标准过程)，而是依赖于语义建模实体，其通过引用网络模型的相互联系的本体并且知道它们之间的概率相关而成为网络的语义行为模型。
[0042] 图1以图形方式示出以OWL(Web本体语言)建模的网络模型1的一部分，OWL是基于支持形式化本体的DL的建模语言。
[0043] 该部分网络模型1的示图示出两个本体/本体类事件3和动作5是本体类消息7的子类，而消息7又是管理对象9的子类。
[0044] 它还示出事件的两个子类，即，ENeighbourhood 11和ENewOverlap13，及动作的一个子类，即ASetNeighbour 15。对于子类ENeighbourhood 11、ENewOverlap 13和ASetNeighbour15，相应的类属性在每个类名称(或类ID)下。本领域技术人员因此理解，例如本体类ENeighbourhoodConfirm 11的实例具有两个属性，一个称为remote_rbs_id，一个称为local_rbs_id，并且这些属性的值具有数据类型字符串。
[0045] 图1因此示出通信网络的一部分的基于本体的模型1的图形表示。应理解的是，本发明适用于以任何基于本体的建模语言来建模的网络模型，并且除OWL外，此类建模语言的一个示例是基于FL的WSML(Web服务建模语言)。还应理解的是，本发明将适用于将来的建模语言，这些建模语言提供如今天的语义建模语言中最低比特中存在的语义的丰富集合。
[0046] 系统的行为模型必须能够捕捉系统的行为模式。图2示出行为模式21，其用于描述在例如类似于图1所示模型的基于本体的网络模型等提议的网络模型中发现的事件或动作的给定集合后能够发生的路径。此处所示的管理任务是以某种方式配置不同无线电基站(RBS)节点的扇区之间的新近邻(在网络扇区C已出现故障后)，该方式将在网络中必须执行切换时改善呼叫掉线。事件/活动之间的链接表示给定前面事件发生时存在网络中发生第二事件的一定概率。
[0047] 如果图2中的行为模式21是基于本体的网络模型，带有类似于图1中以图形方式示出的结构，则删除重叠将是本体类动作5的子类，而新近邻、高掉线和低掉线将是本体类事件3的子类。
[0048] 删除重叠(A，C)此处表示扇区A删除与扇区C的重叠，这能导致新近邻(A，B)，这表示扇区A和扇区B变成新近邻。扇区A和B变成新近邻例如能导致扇区A与B之间必须执行切换时的高呼叫掉线(高掉线(A，B))，这又能导致例如扇区A中的高掉线(高掉线(A))。
[0049] 图3A-C中也示出在电信网络中发生“删除重叠”和“新近邻”的情形。图3A示出电信网络的所有三个扇区A、B和C均正常操作的开始。图3B示出网络中发生的删除重叠(A，C)动作，并且最后图3C示出发生新近邻(A，B)事件。
[0050] 对于动作/事件之间的路径，存在相关联概率。例如，可能有90％概率新近邻(A，B)将在删除重叠(A，C)后，这意味着新近邻(A，D)将有10％概率出现。如果图2所示的行为模式要使用典型贝叶斯网络(BN)表示来捕捉，则链接事件/动作的集合的弧将没有任何概率信息。概率信息将位于事件/动作消息(图2中图形的节点)中或者在BN外部的单独存储器中(一般情况下与每个节点相关联并靠近每个节点显示的概率的表)。实质上，这些方案不允许概率信息在弧内建模。因此，基于本体的网络模型中的事件/动作本体类变得难以保持与总体行为模型的独立性，或者总体行为模型变得难以保持一个模型内的所有相关信息。
[0051] 使用情况示例
[0052] 图4以图形方式示出根据本发明的新语义建模实体41“语义弧”的属性。
[0053] 可以看到，语义弧41的实例由三个属性组成。有链接到本体中消息的两个实例43A和43B的两个对象属性。在此上下文中，消息应解释为通信网络中可发生的事件或动作请求。在此示范发明使用情况下，采用新建模实体41的行为模型是电信网络的行为模型，该模型借助于包括与如图1所示网络模型相同的本体结构的基于本体的网络模型来建模。
因此，在此情况下，语义弧41的对象属性链接到网络消息类7的两个不同实例，并因此具有类类型“消息”。
[0054] 应理解的是，语义弧41的对象属性的类类型取决于行为模型观察其行为的网络模型的命名惯例。也就是说，例如，如果为网络中发生的事件或动作的通知建模的网络模型本体命名为“通知”而不是“消息”，则语义弧的对象属性将具有类类型“通知”。
[0055] “hasInMessage”用于指明语义弧41具有表示进入消息(“inMessage”)43A的网络消息7的特定实例，并且“hasOutMessage”因此用于指明语义弧41具有表示外出消息(“outMessage”)43B的网络消息7的特定实例。
[0056] 语义弧41的最基本属性是浮点(float)数据类型对象45，“浮点”，该对象用于描述给定某个inMessage 43A时特定outMessage 43B的概率。也就是说，建模实体语义弧41的实例具有至少三个属性：引用为网络中可发生的事件/动作建模的网络模型本体类的两个不同实例的两个对象属性和表示给定第一事件/动作时第二事件/动作发生的概率的一个数据类型属性，一般是浮点。
[0057] 图5示出实际程序代码51，显示能够如何以语义、基于本体的建模语言来实现语义弧41。在此示例中，使用OWL及RDF/XML语法，将语义弧41实现为本体类语义弧41。图5中的左手列指示行号，并且不是实际程序代码的一部分。
[0058] 此处假设存在包括本体类消息的基于本体的网络模型(未示出)，本体类消息为表示网络事件或动作的网络消息建模，例如图1所示网络模型的图形表示中的类消息7。
[0059] 在图5中能够看到，语义弧41的每个实例根据图4所示语义弧41的图形表示具有“inMessage”43A、“OutMessage”43B和“概率”45。inMessage 43A和outMessage 43B是类类型“消息”的实例。表达它的另一更受RDF影响的方式将是说与inMessage 43A和outMessage 43B均相关联的范围是类型“消息”的资源。如从程序代码51、第7和12行明显看到的，网络模型本体类消息7此处被假设为定义在网页http://.../ontologies/network#Message。概率45是具有数据类型浮点的语义弧的数据类型属性。浮点是内置原语数据类型，如从第15行明显看到的，它在此示例中被假设为定义在网页http://www.w3.org/2001/XMLSchema#float。还如从程序代码51、第8、11和16行明显看到的，语义弧41的三个要素的每个要素(即，inMessage、outMessage和概率)是域“语义弧”的部分。
[0060] 应理解的是，RDF/XML语法为本领域技术人员所公知，无需在本文中进一步描述。有关RDF/XML语法的更多详细信息，请参阅例如万维网联盟(W3C)在线提供的当前在以下网址可用的与其相关的材料：http://www.w3.org/RDF、http://www.w3.org/TR/rdf-schema、http://www.w3.org/XML及http://www.w3.org/XML/Schema(2008-04-02)。
[0061] 现在同时参照图1、4和5，inMessage 43A例如可表示网络中的“ASetNeighbour动作”，而outMessage 43B可指示例如“ENewOverlap事件”。概率45在此情况下将表示ENewOverlap将在ASetNeighbour之后的概率。
[0062] 网络实体(例如，网络服务)的行为通过使用表示与该网络实体有关的事件/动作的本体来建模，因此能够由表示各种事件/动作与其概率相关之间关系的多个语义弧41来捕捉。也就是说，建议的建模实体语义弧41的实例集合构成基于本体的网络模型描述的网络或部分网络的行为模型。
[0063] 推理引擎或推论机随后能用于在行为模型上推论。行为模型能够由推理引擎来遍历和查询，并且操作能使用链接的事件/动作和内在的概率数据来执行。此外，推理引擎能用于从语义弧实例生成概率图形模型，由此提供类似于贝叶斯网络的图形行为模型。此类推理引擎的示例是Jena，它是用于构建语义web应用的开源Java框架。Jena为RDF、RDFS和OWL、SPARQL提供编程环境，并且包括基于规则的推理引擎。
[0064] 如背景技术部分中所述，用于捕捉通信网络及其中的概率数据、关系和行为现有技术是在基于本体的网络模型基础上生成贝叶斯网络。此技术要求网络模型中发现的信息，即，本体本身及其概率相关被复制到行为模型中，因为语义网络模型和非语义贝叶斯网络是不兼容的。通过使得以前在此类贝叶斯网络中发现的概率数据、关系和行为能够在语义弧41内建模，表示网络模型中事件/动作的本体能由行为模型引用而不是复制到其中。
[0065] 此外，由于以前要作为网络模型中本体的内部参数包括的概率数据现在包括在语义弧41中，所以本发明允许复杂度更低的网络模型，因为本体能无需内部参数而形成。
[0066] 此外，由于根据本发明的语义行为模型与语义网络模型说相同的语言，因此，网络模型的本体实例能够由行为模型引用而不是复制到其中，这允许行为模型和网络模型的独立开发、扩展和使用。
[0067] 根据本发明的行为模型也比现有技术行为模型更灵活，因为语义弧41(即，建模实体语义弧41的实例)能够根据行为模型的要求来添加和删除以便反映网络模型实例(即，事件/动作)序列的任何更改。
[0068] 此外，语义弧41的使用有利于在网络或网络域上生成概率图形模型。这是因为适当的推理引擎(例如Jena)能用于自动生成行为模型的图形表示(因为根据本发明的行为模型只是本体类的实例集合，即图5所示的本体类语义弧Arc 41)。Jena和若干其它本体推理引擎/推论机包括用于图形显示本体的工具。
[0069] 图6示出根据本发明的行为模型61的此类图形表示。行为模型61包括语义弧41A-C的集合，所有语义弧具有上面参照图4和5所述的属性。
[0070] 通过使用所有这些属性，例如可能指示消息M2将具有在消息M1后90％的发生概率。也可能捕捉消息M2与M3之间的概率(90％)或消息M2与消息M4之间的概率(10％)。根据以上所述，消息M1到M4是对基于本体的网络模型中本体消息的不同实例的引用，每个实例表示网络中可发生的事件或动作。以此方式，捕捉网络中可发生的事件/动作的序列并因此捕捉网络的总体行为变得可能。
[0071] 重要的是强调以下事实：图6中实现为概率图形模型的行为模型61只包括图5中本体类语义弧41的三个实例41A-C。根据以上所述，语义弧41A包括两个对象属性：“inMessage”43A和“OutMessage”43B，在此情况下，它们分别是对消息类7实例“M1”和“M2”的引用；以及一个数据类型属性，“概率”45，在此情况下，它具有指示存在事件/动作M1将造成事件/动作M2的90％概率的值。同样地，语义弧41B和41C分别包括对事件/动作M2与M3和M2与M4的引用及那些事件/动作之间的概率相关。
[0072] 重要的是注意语义弧41A-C的概率能随时更新。一般情况下，这基于网络中各种事件/动作序列的检测到的发生而持续进行。此特征将在下面参照图8进一步描述。
[0073] 图7示出通信网络的示意图。在此示范实施例中，通信网络是长期演进/系统架构演进(LTE/SAE)电信网络71。
[0074] LTE/SAE网络示为包括操作支持系统(OSS)73、核心网络(CN)75和无线电接入网络(RAN)77。
[0075] OSS 73是LTE/SAE网络71中支持一个或几个管理功能的域管理系统，如故障、性能、安全和配置功能。OSS 73能视为网络操作员到网络的入口，通过它操作员能监视和更改网络配置。OSS 73也能够分成多个OSS系统，每个系统管理网络系统71的不同部分。因此，例如可以有一个核心网络OSS和一个接入网络OSS，分别用于管理核心网络和接入网络。
[0076] 核心网络75包括多个核心网络节点，根据SAE架构，这些节点例如可以是SAE网关、移动性管理实体(MME)节点、用户平面实体(UPE)节点等(未示出)。RAN 77一般情况下又包括多个增强NodeB(eNB)，图7中示出了其中两个节点并分别由引用数字79A和79B来表示。网络71还示为包括用户终端(UT)81，它可以是移动电话、PDA或配备成连接到RAN77的eNB 79A-B的任何其它装置，以便与网络71中的节点和/或其它UT、或与LTE/SAE网络71连接到的其它网络通信。OSS 73、核心网络75和接入网络77的各种节点及UT 81以本领域中公知的且无需在本文中进一步描述的方式相互在通信上连接。
[0077] 网络71还包括一种网络管理设备，该设备将在下面参照图8更详细地描述。该网络管理设备包括可以分布或不分布在网络中的各种节点和/或UT之间的功能性。在此实施例中，网络管理设备示为驻留在网络71的不同部分中的多个分布式功能模块83A-83D。
[0078] 现在将参照图8描述功能模块83-83D，图8示出根据本发明的网络(NW)管理设备83的一个示范实施例。网络管理设备83将在图7所示LTE/SAE网络71的上下文中描述。
[0079] 该示范网络管理设备83包括驻留在OSS 73中的第一模块83D和驻留在要管理的eNB 79A-B中的第二模块83B。第一模块83D包括网络操作员接口82，该接口一般包括操作员输入装置96和显示器97以用于允许操作员与网络管理设备83交互。操作员接口82例如可以是常规计算机。输入装置96允许操作员将基于形式化本体的网络模型1′输入网络模型存储装置85中，将语义弧41′的形式化模型输入语义弧(SA)建模实体存储装置86中。基于形式化本体的网络模型1′例如可以是图1以图形方式示出的语义网络模型1，并且语义弧41′的形式化模型例如可以是图5所示的语义弧模型41。可选的是，与各种网络动作/事件之间概率相关有关的初始概率信息也能通过输入装置96输入以设置各种语义弧实例的概率的起始值/默认值。网络操作员能因此手动创建初始语义弧实例，每个实例引用两个相互联系的网络事件/动作，并且指派与两个事件/动作之间概率相关有关的数值到每个所述实例。然而，如下面将更详细描述的，概率信息和语义弧实例通常自动生成。
[0080] 在此实施例中，网络模型1′和语义弧建模实体41′存储在要管理的节点79A-B中的共同本体存储装置87中。然而，应理解的是，网络模型1′和语义弧模型41′能存储在网络71中的不同位置。网络模型1′例如可存储在OSS 73中，而语义弧模型41′存储在其行为要被监视和管理的节点中。形成网络71或部分网络的实际行为模型61′的语义弧实例61′存储在语义弧实例存储装置89中，该存储装置一般但不一定位于共同本体存储装置87中。在本发明的另一个实施例中，形式化网络模型1′和形式化语义弧模型41′的存储装置集中到OSS 73中驻留的第一模块83D，而只有语义弧实例存储装置89位于要管理的eNB79A-B的第二模块83B中。网络模型1′、语义弧建模实体41′和/或语义弧实例61′例如可作为数据库表/索引存储在各个数据存储装置85、86、87、89中，并因此形成一个或几个本体数据库。数据存储装置85、86、87、89可以是可存储计算机数据的任何已知数据存储媒体，如存储器或硬盘。还应理解，替代于经操作员输入装置将形成网络模型1′、语义弧建模实体41′和/或任何初始语义弧实例61′的数据手动输入要管理的eNB 79A-B中的数据存储装置85、86、87、89，此数据可完全或部分从驻留在OSS 73中的数据存储装置(未示出)上载。网络模型1′、语义弧建模实体41′和/或任何初始语义弧实例61′也可存储在便携式数据存储媒体上，如CD-ROM或诸如此类，并且借助于现场安装过程而传输到eNB 79A-B的数据存储装置85、86、87、89中。
[0081] 当在操作中时，网络管理设备83的控制部件91与eNB 79A-B的网络接口93进行通信。网络接口93持续侦听网络71，并接收指示在网络71中已发生某些事件/动作95的信号。在网络接口93检测到事件/动作95时，网络接口将该信息传递到控制部件91，该部件随后登记在网络中发生的事件/动作95的所有序列。控制部件91还包括一般以Java程序形式来实现的逻辑98，该逻辑能够布置成自动分析事件/动作95的登记序列。控制部件91的逻辑98执行的分析包括确定某些网络事件/动作造成其它事件/动作的概率，即，确定登记的网络事件/动作之间的概率相关。网络操作员随后能通过输入装置96定期对控制部件91进行查询，并且让得出的概率相关在显示器97向他显示。操作员随后能够使用控制部件91和用作到网络模型存储装置85、语义弧模型存储装置86及语义弧实例存储装置
89的接口的推理引擎99，更新语义弧实例存储装置99中语义弧实例61′的概率。如果控制部件91已登记以前未知的相互联系的事件/动作95，则网络管理设备83还允许操作员将新语义弧实例添加到行为模型61′。控制部件91还可布置成通过以下操作来自动更新语义弧实例存储装置89中的行为模型61′：调整相应实例的概率值、在必需之处删除不需要的实例、并且还创建新实例(如果它已发现以前未知是相关的并且因此未作为语义弧实例存在的两个网络事件/动作之间的概率相关)。因此，应理解的是，语义弧实例的手动生成是可选的，并且行为模型61′能借助于控制部件91和推理引擎99完全自动生成。网络节点79A-B一般情况下包括例如处理器的处理部件(未示出)和计算机程序代码部件，计算机程序代码部件在由处理部件执行时，促使控制部件91将信息写入存储网络模型1′、语义弧建模实体41′和/或语义弧实例61′的数据存储媒体87、85、86、89和/或从其检索信息。
[0082] 以此方式，根据本发明的行为模型61′能始终是最新的，并且与使用例如贝叶斯网络的现有技术行为模型时相比，每次在观察的网络或网络实体中发生更改时，行为模型无需重新生成。此外，由于概率信息保持在语义弧61′(即语义弧实例)内，因此，形式化网络模型1′不必更改或更新以获得实际上对应于观察的网络的行为的行为模型。
[0083] 网络操作员能经操作员输入装置96和控制部件91，随时使用推理引擎99在行为模型61′上进行推论。操作员例如能够对行为模型进行有关网络配置中更改的可能结果的查询，并因此在网络管理决定做出过程中得到支持。如上所述，网络管理设备83还允许操作员要求推理引擎99以图形方式示出行为模型，以例如图6所示模型的概率图形模型的形式向操作员显示它。
[0084] 本发明因此提供了自管理的分布式网络管理设备83，其使得能够通过以高度自动和灵活的方式生成网络行为模型来观察网络行为。管理设备83允许网络操作员检测和预测非期望的网络行为，这允许网络的最佳管理。
[0085] 应理解的是，根据本发明的行为模型能用于捕捉任何类型的网络的行为，并且本发明用于监视LTE/SAE网络系统71的行为的上述实施例只是示范性的。网络管理设备83也可仅用于监视例如GSM网络及例如无线电基站(RBS)和基站控制器(BSC)的其中各种节点的行为。
[0086] 在图9中，示出流程图，其示出根据本发明的用于为通信网络71生成行为模型的方法。
[0087] 在第一步骤S91中，创建语义丰富的基于本体的网络模型1，包括本体7，其实例表示网络71中可发生的不同事件/动作。此步骤在本领域中是已知的，并且不是本发明的一部分，这就是为什么步骤S91以虚线示出。方法随后继续到步骤S92。
[0088] 在第二步骤S92中，收集指示所述本体实例之间的概率相关(即网络71中能够发生的不同事件/动作之间概率相关)的信息。此信息可基于对网络71的人为观察手动收集，但也可通过例如图8中网络接口89的布置成持续侦听网络71中发生的事件/动作的网络接口来自动收集。此步骤在其通常形式中也在本领域中是已知的，并且不是本发明的一部分，这就是为什么步骤S92也以虚线示出。方法随后继续到步骤S93。
[0089] 在第三步骤S93中，以语义的基于本体的建模语言来创建根据本发明的建模实体41。如上所述，创建的建模实体41具有至少三个属性，其中，第一属性43A是对所述网络模型本体7的第一实例的引用，该第一实例因此表示第一事件/动作；第二属性43B是对所述网络模型本体7的第二实例的引用，该第二属性因此表示第二事件/动作；以及第三属性
45是基于步骤S92中收集的概率信息的数值，该值表示给定所述第一事件/动作时所述第二事件/动作发生的概率。方法随后继续到步骤S94。
[0090] 在第四步骤S94中，通过创建步骤S93中创建的建模实体41的多个实例41A-C，生成网络71的行为模型61。创建建模实体41的步骤S93因此根据本发明使得能够生成行为模型61。
[0091] 一旦在步骤S94中已生成语义行为模型，便能遍历、查询它，并且能如上所述使用链接和内在概率数据来执行操作以便网络操作员捕捉在其网络中存在的概率信息。此信息又能用于指示网络中可能出现的潜在问题和难题，并因此能够用于优化网络管理。
[0092] 虽然本发明已参照特定实施例来描述，但这些描述无意于在限制性意义中来解释。本领域的技术人员在参照本发明的描述后，将变得明白公开实施例的各种修改及本发明的备选实施例。本领域的技术人员应理解，公开的概念和特定实施例可易于用作修改或设计其它结构以用于实现本发明的相同目的的基础。本领域的技术人员还应认识到，此类等效构造未脱离如随附权利要求中所陈述的本发明的范围。
[0093] 因此，设想权利要求将覆盖落在本发明的真正范围内的任何此类修改或实施例。
