CN115167329B - 故障诊断方法、装置、设备及介质 - Google Patents

Abstract

本申请实施例提供一种故障诊断方法、装置、设备及介质。该方法包括：获取目标机顶盒的第一业务数据；将所述第一业务数据转化为图片格式，得到所述目标机顶盒的特征故障图；将特征故障图输入到目标故障诊断模型中，输出目标机顶盒的故障诊断结果。根据本申请实施例，可以准确地智能化检测出机顶盒的故障。

Description

故障诊断方法、装置、设备及介质

技术领域

本申请属于网络电视领域，尤其涉及一种故障诊断方法、装置、设备及介质。

背景技术

网络电视(Internet Protocol TV，IPTV)以网络视频资源为主体，将电视机、个人电脑及手持设备作为主要显示终端设备，IPTV可以通过互联网协议来提供多种数字媒体服务，为用户带来一种全新的电视观看方法。然而，随着以IPTV为代表的媒体业务的迅猛发展，对网络运维也提出了更高标准的要求。

目前，可以通过检测机顶盒错误码来检测故障，或是通过利用客户端与服务器之间的交互式无线信号传输对状态参数进行实时监控故障，但是其存在着故障诊断不够智能化的问题。

因此，如何实现智能化检测机顶盒的故障是一个亟待解决的问题。

发明内容

本申请实施例提供一种故障诊断方法、装置、设备及介质，能够弥补现有技术中无法智能化检测机顶盒故障的缺陷。

第一方面，本申请实施例提供一种故障诊断方法，方法包括：获取目标机顶盒的第一业务数据；将第一业务数据转化为图片格式，得到目标机顶盒的特征故障图；将特征故障图输入到目标故障诊断模型中，输出目标机顶盒的故障诊断结果。

在第一方面的一些实施例中，基于模拟仿真目标机顶盒的行为，获取目标机顶盒的基本行为数据，其中，基本行为数据中包括目标机顶盒的机顶盒信息、流量数据和网管数据；根据基本行为数据确定第一业务数据。

在第一方面的一些实施例中，根据基本行为数据确定第一业务数据，包括：根据流量数据和网管数据得到目标机顶盒的二维向量数据，二维向量数据表征为预设时间范围获得的多条数据流信息与预设时间范围的关系的数据；根据机顶盒信息中的机顶盒标识，查询得到目标机顶盒的终端关联信息；根据终端关联信息查询得到目标机顶盒的网络接入信息；基于二维向量数据、终端关联信息、网络接入信息和机顶盒信息，确定第一业务数据。

在第一方面的一些实施例中，根据流量数据和网管数据得到目标机顶盒的二维向量数据，包括：根据网管数据监控流量数据的IP五元组和MAC地址，确定IP五元组和MAC地址异常的异常流量数据；对异常流量数据进行业务报文解析和业务会话还原，得到异常流量数据的数据流；将数据流处理为二维向量数据。

在第一方面的一些实施例中，将第一业务数据转化为图片格式，得到目标机顶盒的特征故障图，包括：对预设时间段内获取的多个第一业务数据进行归一化处理，得到目标机顶盒的第二业务数据；将第二业务数据转化为图片格式，得到目标机顶盒的特征故障图。

在第一方面的一些实施例中，在获取目标机顶盒的第一业务数据之前，方法还包括：获取多个训练样本，其中，训练样本包括机顶盒的特征故障图样本及其对应的故障诊断结果样本；根据训练样本训练第一故障诊断模型，得到目标故障诊断模型。

第二方面，本申请实施例提供了一种故障诊断装置，装置包括：第一获取模块，用于获取目标机顶盒的第一业务数据；转化模块，用于将第一业务数据转化为图片格式，得到目标机顶盒的特征故障图；输出模块，将特征故障图输入到经过目标故障诊断模型中，输出目标机顶盒的故障诊断结果。

在第二方面的一些实施例中，第二获取模块，用于基于模拟仿真目标机顶盒的行为，获取目标机顶盒的基本行为数据，其中，基本行为数据中包括目标机顶盒的机顶盒信息、流量数据和网管数据；确定模块，用于根据基本行为数据确定第一业务数据。

第三方面，提供一种故障诊断设备，包括：存储器，用于存储计算机程序指令；处理器，用于读取并运行存储器中存储的计算机程序指令，以执行第一方面或第一方面的任一可选的实施方式提供的故障诊断方法。

第四方面，提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或第一方面的任一可选的实施方式提供的故障诊断方法。

本申请的实施例提供的技术方案至少带来以下有益效果：

本申请实施例是通过将获取的目标机顶盒的第一业务数据转化为图片格式，得到目标机顶盒的特征故障图，在获取目标机顶盒的特征故障图之后，将目标机顶盒的特征故障图输入到经过预先训练的目标故障诊断模型中，从而可以得到目标机顶盒的故障诊断结果，进而实现了智能化检测机顶盒的故障。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种故障诊断方法的流程示意图；

图2是本申请实施例提供的另一种故障诊断方法的流程示意图；

图3是本申请实施例提供的一种故障诊断装置的结构示意图；

图4是本申请实施例提供的一种故障诊断设备的结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

目前针对机顶盒的故障诊断的现有技术中大多基于机顶盒的错误码进行分析，诊断机顶盒产生的故障，或者基于交互式无线信号的传输对机顶盒的故障进行诊断，其主要是用于为制造商和服务商对机顶盒的各方面性能进行优化，并不能方便用户及时准确地排除故障以及主动运维，使得问题得以解决，提高故障处理效率，但是现有技术中的诊断方法过于局限，不够智能化，并不能解决用户端的实际问题。

综上，为了解决现有技术中存在的无法智能化检测机顶盒的故障的问题，本申请实施例提供一种故障诊断方法、装置、设备及介质。

下面结合附图对本申请实施例提供技术方案进行描述。

图1是本申请实施例提供的一种故障诊断方法的流程示意图。

如图1所示，该方法的执行主体是管道侧网络管理系统，该故障诊断方法可以包括以下步骤

首先，步骤S110，获取目标机顶盒的第一业务数据；

其次，步骤S120，将第一业务数据转化为图片格式，得到目标机顶盒的特征故障图；

然后，步骤S130，将特征故障图输入到目标故障诊断模型中，输出目标机顶盒的故障诊断结果。

由此，通过将获取的目标机顶盒的第一业务数据转化为图片格式，得到目标机顶盒的特征故障图，在获取目标机顶盒的特征故障图之后，将目标机顶盒的特征故障图输入到经过预先训练的目标故障诊断模型中，从而可以得到目标机顶盒的故障诊断结果，进而实现了智能化检测机顶盒的故障。

下面对上述步骤进行详细说明，具体如下所示：

首先，涉及步骤S110，在本申请实施例中，目标机顶盒指的是需要进行故障诊断的机顶盒。第一业务数据包括机顶盒信息、二维向量数据、终端关联信息和网络接入信息。

其次，涉及步骤S120，图片格式包括但不限定于RGB格式，也可以是bmp格式、jpg格式等其他图片格式。特征故障图是基于目标机顶盒的第一业务数据得到的含有目标机顶盒故障信息的图片。示例性的，可以将目标机顶盒的第一业务数据转化为RGB图片格式，得到目标机顶盒的特征故障图。

然后，涉及步骤S130，目标故障诊断模型是经过预先训练得到的模型，示例性的，目标故障诊断模型可以是CNN-LSTM的流量分类模型，此处不作过多限定。故障诊断结果包含目标机顶盒出现故障的故障类型、故障原因以及网络质量评估结果，也可以包括解决方案。示例性的，当将特征故障图输入到经过预先训练的CNN-LSTM的流量分类模型中，经过该CNN-LSTM的流量分类模型对特征故障图的识别分析之后，显示该目标机顶盒的故障类型、故障原因、网络质量评估结构以及对应的解决方案。

在一个具体示例中，可以将特征故障图与预设的故障代码表作为目标故障诊断模型的输入，以此得到故障诊断结果。除此之外，还可以有与特征故障图一一对应的检测记录表和检测状态图，得知与该特征故障图相对应的检测记录以及检测状态。

在另一个具体示例中，首先需要获取多个训练样本。其中，训练样本包括机顶盒的特征故障图样本及其对应的故障诊断结果样本。通过在历史数据中得到的多个训练样本，利用每个训练样本中的特征故障图样本和与其对应的故障诊断结果样本输入到第一故障诊断模型中进行训练，得到目标故障诊断模型。其中，第一故障诊断模型是待训练的故障模型。示例性的，假设第一故障诊断模型是待训练的CNN-LSTM的流量分类模型时，将获取的多个特征故障图样本和与其对应的故障诊断结果样本输入到待训练的CNN-LSTM的流量分类模型中进行训练，得到目标CNN-LSTM的流量分类模型，在得到目标CNN-LSTM的流量分类模型之后，将得到的特征故障图输入至目标CNN-LSTM的流量分类模型中，得到目标机顶盒的故障诊断结果。

另外，在训练基于CNN-LSTM的流量分类模型时，通过CNN网络然后再通过LSTM结构联合训练。首先利用卷积层-池化层提取数据流的流量特征，紧接着用LSTM结构生成描述，用全连接层对提取的特征进行非线性组合以得到输出，最后再使用分类器得到诊断结果，得到目标故障诊断模型。其中，该网络结构具有两层卷积层C1、C2，两层池化层P1、P2，以及两层全连接层FC1、FC2。输入层是经过数据预处理后大小为16*16的数据集，C1层采用了32个大小为3*3的卷积核，输出大小不变的特征故障图至P1层，P1层采用2*2窗口最大池化，P1层输出至C2层，C2与C1采用了相同的参数，P2与P1也采用了相同的参数，经过两层卷积-池化操作后输出4*4的图片至全连接层FC1和FC2，FC1共有1024个神经元，FC2有128个神经元，经过softmax层后输出1*12的标签向量，最终得到经过训练的目标CNN-LSTM的流量分类模型。

由此，可以通过利用机器学习的方法对已经采集并规范的特征故障图进行模式识别，实现实时解析、还原数据并得到相应的特征，即可以准确地得到故障诊断结果。

基于此，除了上述步骤之外，在一个可能的实施例中，如图2所示，在步骤S110之前，上述涉及的故障诊断方法还可以包括：步骤S1001、步骤S1002，具体如下所示：

步骤S1001，基于模拟仿真目标机顶盒的行为，获取目标机顶盒的基本行为数据。

这里，基本行为数据可以包括机顶盒信息、流量数据和网管数据。其中，机顶盒信息是由机顶盒经过嗅探式被动采集得到的信息，可以包括机顶盒编号、机顶盒IP地址、宽带类型、机顶盒型号、机顶盒厂家、默认网关、电子节目指南以及模拟目标机顶盒的行为产生的数据流等信息。流量数据是指端侧光网络单元(Optical Network Unit，ONU)接入目标机顶盒后基于目标机顶盒的行为采集的流量数据，由此，可以拥有自动化数据采集流程以及全流量数据线速采集，支持和电视(Television，TV)业务信令和数据流量的线速采集，以及网络中其他业务数据的实时采集。网管数据是由管道侧网络管理系统自动化采集的网管数据，可以实现和TV业务承载网关键网元设备的网管数据的自动化采集。在采集完机顶盒信息、流量数据和网管数据之后需要将基本行为数据进行压缩打包发送至管道侧网络管理系统。示例性的，可以通过目标机顶盒主动巡检进行用户行为仿真、模拟用户的常规操作得到基本行为数据，例如，目标机顶盒可以进行节目点播、快进等操作，自动化遍历机顶盒的操作。此外，目标机顶盒也支持可定制应用行为流程的自动化测试，该自动化测试可以是基于大数据和算法得出的最优检测目标机顶盒故障的自动化测试，基于此用户可自定义相关行为操作进行模拟目标机顶盒发包，检测网络和IPTV后台等系统故障。

步骤S1002，根据基本行为数据确定第一业务数据。

具体地，通过基本行为数据中的机顶盒信息、流量数据和网管数据得到第一业务数据中的二维向量数据、终端关联信息、网络接入信息，再结合基本行为数据中的机顶盒信息得到高维的第一业务数据。

其中，可以通过基本行为数据中的流量数据和网管数据得到目标机顶盒的二维向量数据，具体的，通过基本行为数据中网管数据监控流量数据的IP五元组和媒体访问控制地址(Media Access Control、MAC)，以得到流量数据中的IP五元组和MAC地址异常的异常流量数据，将通过对得到的异常流量数据进行业务报文解析和业务会话还原之后数据流处理二维向量数据。其中，IP五元组指的是源IP地址，源端口，目的IP地址，目的端口，和传输层协议。基于异常流量数据得到的数据流是包括异常流量数据的IP五元组、MAC地址以及数据包大小的数据流。该二维向量数据表示为预设时间范围内的基于异常流量处理得到的数据流与预设时间范围的关系的数据，示例性的，在一个坐标轴中，纵轴可以是时间数据，横轴可以是当前时得到的数据流。

另外，目标机顶盒的终端关联信息是指由机顶盒信息中的机顶盒的唯一的机顶盒标识查询得到的终端关联信息，其中，该终端关联信息可以包括宽带业务、IPTV业务使用情况等信息。网络接入信息是基于得到的目标机顶盒的终端关联信息将机顶盒到接入网等各相关链路查询得到的网络接入信息，示例性的，该网络接入信息可以是传输层协议、应用层协议、VLAN信息、端口号等。最后，基于得到的二维向量数据、终端关联信息、网络接入信息以及基本行为数据中的机顶盒信息得到高维的第一业务数据。

这样，通过对采集到的基本行为数据进行实时的规范处理得到第一业务数据，在一定程度上避免了人工介入影响得到的第一业务数据的准确性。

继续如图2所示，相应的，上述涉及的步骤S120，具体可以包括：步骤S1201和步骤S1202，具体如下所示：

步骤S1201，对预设时间段内获取的多个第一业务数据进行归一化处理，得到目标机顶盒的第二业务数据。

其中，第二业务数据是基于对与其对应的第一业务数据进行归一化处理得到的业务数据。

示例性的，将一定时间(H小时)内所获取的第一业务数据进行预处理，即将第一业务数据进行抽样与分割，均衡数据，并使用公式 在区间[0,255]内将各个维度的数据归一化，其中max(x)为某个特征x在整个第一业务数据里的最大值，min(x)为某个特征x在整个第一业务数据里的最小值，每一个第一业务数据都有T个特征，将所有特征的值域都进行归一化。也就是说在预设时间段内获取的多个第一业务数据，将每一个第一业务数据中的每一维数据进行归一化，即将其中的二维向量数据、终端关联信息和网络接入信息进行归一化，更具体地说，是将二维向量数据、终端关联信息和网络接入信息各个维度的数据中的多个特征进行归一化。

在一个具体示例中，预设时间段内获取了三个第一业务数据A、B、C，将该三个第一业务数据数据中的二维向量数据进行归一化，三个第一业务数据中分别含有二维向量数据A1、A2、A3；B1、B2、B3；C1、C2、C3。首先将三个第一业务数据中的对应的二维向量数据的特征进行归一化，即将A1、B1、C1带入公式进行归一化处理。

步骤S1202，将第二业务数据转化为图片格式，得到目标机顶盒的特征故障图。

具体的，通过将第二业务数据中的各个特征(即数据)转化为图片格式，并使用数据增强的方法对图片进行处理，例如随机剪切，在原始数据中增添一些数据与噪声，提高模型的泛化能力，对图片进行随机反转、锐化操作，有利于神经网络的特征提取，得到特征故障图

基于相同的发明构思，本申请实施例还提供了一种故障诊断装置装置。具体结合图3进行说明

图3是本申请实施例提供的一种故障诊断装置的结构示意图。

如图3所示，该故障诊断装置可以包括：第一获取单元310、转化单元320和输出模块330。

第一获取模块310，用于获取目标机顶盒的第一业务数据；

转化模块320，用于将第一业务数据转化为图片格式，得到目标机顶盒的特征故障图；

输出模块330，将特征故障图输入到经过目标故障诊断模型中，输出目标机顶盒的故障诊断结果。

在一些实施例中，该装置还包括：

第二获取模块，用于基于模拟仿真目标机顶盒的行为，获取目标机顶盒的基本行为数据，其中，基本行为数据中包括目标机顶盒的机顶盒信息、流量数据和网管数据；

确定模块，用于根据基本行为数据确定第一业务数据

在一些实施例中，确定模块具体包括：

第一获取单元，用于根据流量数据和网管数据得到目标机顶盒的二维向量数据，二维向量数据表征为预设时间范围获得的多条数据流信息与预设时间范围的关系的数据；

第二获取单元，用于根据机顶盒信息中的机顶盒标识，查询得到目标机顶盒的终端关联信息；

第三获取单元，用于根据终端关联信息查询得到目标机顶盒的网络接入信息；

第四获取单元，用于基于二维向量数据、终端关联信息、网络接入信息和机顶盒信息，确定第一业务数据。

在一些实施例中，第一获取单元具体包括：

第一确定子单元，用于根据网管数据监控流量数据的IP五元组和MAC地址，确定IP五元组和MAC地址异常的异常流量数据

第一获取子单元，用于对异常流量数据进行业务报文解析和业务会话还原，得到异常流量数据的数据流；

第一处理子单元，用于将数据流处理为二维向量数据。

在一些实施例中，转化模块320具体可以包括：

归一处理单元，用于对预设时间段内获取的多个第一业务数据进行归一化处理，得到目标机顶盒的第二业务数据；

第一转化单元，用于将第二业务数据转化为图片格式，得到目标机顶盒的特征故障图。

在一些实施例中，装置还包括：

第一训练模块，用于获取多个训练样本，其中，训练样本包括机顶盒的特征故障图样本及其对应的故障诊断结果样本；

第二训练模块，用于根据训练样本训练第一故障诊断模型，得到目标故障诊断模型。

本申请实施例是通过将获取的目标机顶盒的第一业务数据转化为图片格式，得到目标机顶盒的特征故障图，在获取目标机顶盒的特征故障图之后，将目标机顶盒的特征故障图输入到经过预先训练的目标故障诊断模型中，从而可以得到目标机顶盒的故障诊断结果，进而实现了智能化检测机顶盒的故障。

图4是本申请实施例提供的一种故障诊断设备的结构示意图。

如图4所示，本实施例中的故障诊断设备400包括输入设备401、输入接口402、中央处理器403、存储器404、输出接口405、以及输出设备406。其中，输入接口402、中央处理器403、存储器404、以及输出接口405通过总线410相互连接，输入设备401和输出设备406分别通过输入接口402和输出接口405与总线410连接，进而与信息获取设备400的其他组件连接。

具体地，输入设备401接收来自外部的输入信息，并通过输入接口402将输入信息传送到中央处理器403；中央处理器403基于存储器404中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器404中，然后通过输出接口405将输出信息传送到输出设备406；输出设备406将输出信息输出到信息获取设备400的外部供用户使用。

在一个实施例中，图4所示的故障诊断设备400包括：存储器404，用于存储程序；处理器403，用于运行存储器中存储的程序，以执行本申请实施例提供的图1或图2所示实施例的方法。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本申请实施例提供的图1或图2所示实施例的方法。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和展示出了若干具体地步骤作为示例。但是，本申请的方法过程并不限于所描述和展示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ApplicationSpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (8)

1.一种故障诊断方法，其特征在于，包括：

获取目标机顶盒的第一业务数据，所述第一业务数据包括机顶盒信息、二维向量数据、终端关联信息和网络接入信息；

将所述第一业务数据转化为图片格式，得到所述目标机顶盒的特征故障图；

将所述特征故障图输入到目标故障诊断模型中，输出所述目标机顶盒的故障诊断结果；

所述将所述第一业务数据转化为图片格式，得到所述目标机顶盒的特征故障图，包括：

对预设时间段内获取的多个第一业务数据进行归一化处理，得到所述目标机顶盒的第二业务数据；

将所述第二业务数据转化为图片格式，得到所述目标机顶盒的特征故障图；

所述获取目标机顶盒的第一业务数据之前，所述方法还包括：

获取多个训练样本，其中，所述训练样本包括机顶盒的特征故障图样本及其对应的故障诊断结果样本；

根据所述训练样本训练第一故障诊断模型，得到目标故障诊断模型。

2.根据权利要求1所述的方法，其特征在于，在所述获取目标机顶盒的第一业务数据之前，包括：

基于模拟仿真目标机顶盒的行为，获取所述目标机顶盒的基本行为数据，其中，所述基本行为数据中包括所述目标机顶盒的机顶盒信息、流量数据和网管数据；

根据所述基本行为数据确定所述第一业务数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述基本行为数据确定所述第一业务数据，包括：

根据所述流量数据和所述网管数据得到所述目标机顶盒的二维向量数据，所述二维向量数据表征为预设时间范围获得的多条数据流信息与所述预设时间范围的关系的数据；

根据所述机顶盒信息中的机顶盒标识，查询得到所述目标机顶盒的终端关联信息；

根据所述终端关联信息查询得到所述目标机顶盒的网络接入信息；

基于所述二维向量数据、所述终端关联信息、所述网络接入信息和所述机顶盒信息，确定所述第一业务数据。

4.根据权利要求3所述的方法，其特征在于，所述根据所述流量数据和所述网管数据得到所述目标机顶盒的二维向量数据，包括：

根据所述网管数据监控所述流量数据的IP五元组和MAC地址，确定所述IP五元组和所述MAC地址异常的异常流量数据；

对所述异常流量数据进行业务报文解析和业务会话还原，得到所述异常流量数据的数据流；

将所述数据流处理为所述二维向量数据。

5.一种故障诊断装置，其特征在于，所述装置包括：

第一获取模块，用于获取目标机顶盒的第一业务数据，所述第一业务数据包括机顶盒信息、二维向量数据、终端关联信息和网络接入信息；

转化模块，用于将所述第一业务数据转化为图片格式，得到所述目标机顶盒的特征故障图；

输出模块，将所述特征故障图输入到经过目标故障诊断模型中，输出所述目标机顶盒的故障诊断结果；

所述转化模块，包括：

归一化处理单元，用于对预设时间段内获取的多个第一业务数据进行归一化处理，得到所述目标机顶盒的第二业务数据；

第一转化单元，用于将所述第二业务数据转化为图片格式，得到所述目标机顶盒的特征故障图；

所述装置还包括：

第一训练模块，用于获取多个训练样本，其中，所述训练样本包括机顶盒的特征故障图样本及其对应的故障诊断结果样本；

第二训练模块，用于根据所述训练样本训练第一故障诊断模型，得到目标故障诊断模型。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

第二获取模块，用于基于模拟仿真目标机顶盒的行为，获取所述目标机顶盒的基本行为数据，其中，所述基本行为数据中包括所述目标机顶盒的机顶盒信息、流量数据和网管数据；

确定模块，用于根据所述基本行为数据确定所述第一业务数据。

7.一种故障诊断设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；

所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-4任意一项所述的故障诊断方法。

8.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的故障诊断方法。