CN103945442A - 移动通信系统中基于线性预测原理的系统异常检测方法 - Google Patents

Abstract

本发明提出一种移动通信系统中基于线性预测原理的系统异常检测方法。该方法利用异常检测器对系统的各种关键性能指标(Key Performance Indicator，KPI)进行监测，若KPI值出现剧烈变化则判定系统出现异常。所述异常检测器由线性预测器和判决器组成，所述线性预测器由最小均方误差算法实现，利用系统前N时刻的KPI采样值预测当前时刻的KPI值，计算并输出采样值和预测值之间的预测误差；所述判决器对预测误差进行标准化处理，如果标准化结果的绝对值大于10，则判定系统出现异常，反之，判断系统运行正常。本发明提出的系统异常检测方法能够对系统运行环境变化或者用户行为变化等非系统故障引起的系统性能变化作出自适应的调整，并准确检测到由系统故障引起的异常现象。

Description

移动通信系统中基于线性预测原理的系统异常检测方法

技术领域

本发明属于移动通信系统的网络技术领域，涉及移动通信系统的异常检测方法，更具体地说，本发明涉及一种移动通信系统中基于线性预测原理的系统异常检测的方法。

背景技术

在当今移动通信系统变得异常复杂的情况下，系统的运营与维护由于要耗费大量的时间与人力资源已渐渐成为各大移动通信网络运营商的主要成本支出。因此，实现移动通信系统的自治愈是运营商实现利益最大化的重要途径。系统自治愈要求移动通信系统能够自动检测到系统中出现的异常，并对引起异常的故障进行诊断，最后选择合理的操作对系统进行恢复。因为系统异常检测是实现自治愈技术的首要环节，已成为近些年移动通信领域中研究的热点。

系统异常检测可以通过计算系统当前时刻统计得到的各种关键性能指标(KeyPerformance Indicator，KPI)值与系统正常状态下各KPI值之间的偏差进行实现。当偏差大于判决门限的时候，则判定系统出现异常；反之，判定系统运行正常。因此，如何正确描述系统正常状态各KPI的值以及针对每个KPI选择合理的判决门限是决定异常检测准确性的关键因素。目前关于移动通信系统异常检测的方法需要先收集一定数量系统正常运行时KPI的值作为样本，通过样本估计出系统正常状态下KPI值的分布特征模型，利用该模型描述系统的正常状态。但是由于移动通信系统无线网络环境的复杂性和随机性，以及用户数量和用户行为都会引起KPI值的变化，很难利用单一模型描述系统所有运行环境下正常KPI值的分布，而针对系统不同的运行环境建立多个模型又提高了异常检测过程的复杂度，不便于实际实施。因此，本发明结合移动通信系统中KPI值连续平稳变化的特征给出了一种基于线性预测原理的系统异常检测方法，该方法能够自适应跟踪移动通信系统运行状态的正常变化并且准确检测系统出现的异常情况。

发明内容

本发明的目的在于提供一种检测移动通信系统异常的方法，尤其是一种移动通信系统中基于线性预测原理的系统异常检测方法，该方法能够自适应跟踪移动通信系统运行状态的正常变化，并且能够准确检测出系统出现的异常情况。

为实现上述目的，本发明采取的技术方案如下：

移动通信系统中基于线性预测原理的系统异常检测方法，该方法采用单变量检测法，即采用相同结构的异常检测器对移动通信系统中各种具有连续变化特征的KPI进行独立的检测，任何一个或者多个KPI值出现剧烈变化时都会触发异常并向系统相应模块发送异常报告。所述的异常检测器由线性预测器和判决器组成。

本发明所给出的移动通信系统异常检测方法，具体包括以下步骤：

步骤1：利用前N时刻的KPI采样值预测当前时刻KPI的采样值；

步骤2：计算当前时刻KPI的采样值与预测值之间的预测误差；

步骤3：对预测误差进行标准化处理，并根据标准化结果做出判决；如果标准化结果的绝对值大于10，说明KPI值出现了剧烈的变化，则判定系统出现异常，反之，判断系统运行正常，则异常检测器继续进行下一时刻的检测。

所述的线性预测器为N阶线性预测器，采用最小均方误差(Least mean square,LMS)算法实现。线性预测器通过计算得到每一时刻的预测误差以后，采用LMS算法更新各抽头系数，从而使其能够更准确的预测下一时刻的输入值。

所述预测误差的计算方法为：

根据下述公式(1)计算预测误差，具体为：

$e\left(n\right)=x\left(n\right)-\hat{x}\left(n\right)=x\left(n\right)-\underset{k=1}{\overset{N}{\mathrm{\Σ}}}x(n-k)w_k\left(n\right)---\left(3\right)$

其中，e(n)表示对于KPI K在第n时刻的预测误差，x(n)表示KPI K在第n时刻的采样值，表示线性预测器输出的KPI K在第n时刻的预测值，x(n-1),x(n-2),…,x(n-N)表示KPI K在前N时刻的采样值，w₁(n),w₂(n),…,w_N(n)为线性预测器在第n时刻的抽头系数。

所述判决器的实现方法是：

所述判决器先对所述步骤2中求得的预测误差进行标准化处理，如果标准化结果的绝对值大于10，说明KPI值出现了剧烈的变化，则判断系统出现异常；反之，判断系统运行正常，所述判决器等待下一时刻KPI预测误差的输入。

所述的标准化处理方式如下：

所述线性预测器任意时刻的预测误差E近似服从均值为0，方差为σ²的高斯分布。

首先，利用线性预测器抽头系数收敛后k个连续时刻预测误差值(k≥50)由下述公式(2)估计出高斯分布的方差σ²：

${\widehat{\mathrm{\σ}}}^2=\frac{1}{k}\underset{n=1}{\overset{k}{\mathrm{\Σ}}}{e}^2\left(n\right)---\left(4\right)$

然后，利用下述公式(3)将预测误差E转化为标准正态分布Z，即对其进行标准化处理；

$Z=E/\widehat{\mathrm{\σ}}---\left(3\right)$

若第n时刻Z的取值的绝对值|z(n)|＞10，则判定系统出现异常；否则，判断系统运行正常。

由以上本发明的技术方案可知，本发明的有益效果在于：1)本方法能够自适应跟踪由于系统运行环境和用户行为变化引起的系统KPI正常变化，并且准确检测到由系统故障引起的KPI突变。2)本方法提出的异常检测器模型可以直接接入系统并自适应地进行异常检测，不需要收集能够准确反映各KPI分布特征的特殊样本进行训练，更易于实际实现。3)本方法提出的异常检测器模型适用于对各种具有连续变化特征的KPI的检测，具有较强的可移植性。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明的系统异常检测方法的总体框图。

图2为本发明所提出的异常检测器模型。

图3为本发明所提出的N阶线性预测器。

具体实施方式

下面对照附图，对本发明的具体实施方式作进一步详细的说明。

如图1所示，本发明所提出的方法采用单变量检测法，即采用相同结构的异常检测器对各种具有连续变化特征的KPI进行独立的检测，并且任何一个或多个KPI发生突变时都会触发异常并向系统相应模块发送异常报告，同时触发系统相应的故障诊断与恢复工作。

如图2所示，为本发明所提出的异常检测器模型，主要由线性预测器和判决器组成。图中x(n)表示KPI K在第n时刻的采样值，表示线性预测器输出的对于KPI K在第n时刻的预测值，e(n)表示对于KPI K在第n时刻的预测误差。异常检测器的具体实施步骤是：首先，线性预测器利用前N时刻的KPI采样值预测当前时刻KPI的采样值；其次，计算当前时刻KPI的采样值与预测值之间的预测误差；最后，判决器对预测误差进行标准化处理，根据标准化结果做出判决并给出相关的检测结果。

如图3所示，为本发明所提出的N阶线性预测器，由最小均方误差(Least mean square,LMS)算法构造而成。图中x(n)为线性预测器在第n时刻的输入，x(n-1),x(n-2),…,x(n-N)是线性预测器前N时刻的输入值，是线性预测器在第n时刻的输出，表示对x(n)的预测值，e(n)为线性预测器在第n时刻的预测误差，T为延时器，w₁(n),w₂(n),…,w_N(n)为线性预测器在第n时刻的抽头系数。在初始时刻，抽头系数可以全部设为零。

则预测值和预测误差e(n)分别为

$\hat{x}\left(n\right)\underset{k=1}{\overset{N}{\mathrm{\Σ}}}x(n-k)w_k\left(n\right)---\left(1\right)$

$e\left(n\right)=x\left(n\right)-\hat{x}\left(n\right)=x\left(n\right)-\underset{k=1}{\overset{N}{\mathrm{\Σ}}}x(n-k)w_k\left(n\right)---\left(2\right)$

线性预测器通过计算得到每一时刻的预测误差以后，采用LMS算法更新各抽头系数，从而使其能够更准确的预测下一时刻的输入采样值。LMS算法更新第n时刻抽头系数的具体方法如下式(3)所示：

W(n)＝W(n-1)+2μe(n-1)X(n-1)   (3)

其中，W(n)＝{w₁(n),w₂(n),…,w_N(n)},X(n)＝{x(n-1),x(n-2),…,x(n-N)}，μ为步长因子，可以控制线性预测器初始阶段的收敛速度，即μ值越大，线性预测器在初始阶段可以更快地跟踪系统输入。但是，μ值越大将造成线性预测器收敛后会产生更大的预测误差。因此，在实现过程中需要根据实际情况，综合考虑收敛速度与预测误差的要求，选择合理的μ值。μ值的选择必须要满足如下要求：

$\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}^2(n-i)}\≥\mathrm{\μ}>0---\left(4\right)$

本发明中所提出的判决器的实现方法是：先对线性预测器中所得到的预测误差进行标准化处理，再根据标准化结果做出判决。如果标准化结果的绝对值大于10，说明KPI值出现了剧烈变化，则判定系统出现异常，并触发系统相应的故障诊断与恢复工作；反之，判断系统运行正常，异常检测器继续进行下一时刻的检测。

其中，标准化处理的具体方法如下：

一般地，线性预测器任意时刻的预测误差E可近似为服从均值为0，方差为σ²的高斯分布。

首先，利用异常检测器收敛后k个时刻的预测误差值(k≥50)由下述公式(5)可以对高斯分布的方差σ²进行估计：

${\widehat{\mathrm{\σ}}}^2=\frac{1}{k}\underset{n=1}{\overset{k}{\mathrm{\Σ}}}{e}^2\left(n\right)---\left(5\right)$

然后，采用下述公式(6)对线性预测器的预测误差进行标准化处理，即将预测误差E转化为标准正态分布：

$Z=E/\widehat{\mathrm{\σ}}---\left(6\right)$

在本发明中，若第n时刻Z的取值的绝对值|z(n)|＞10，则判定系统出现异常。判决门限设为10主要考虑了过程误差对线性预测器预测结果的影响。过程误差是由于KPI不属于平稳随机过程即其分布特征会发生变化所造成的。因为估计区间k的选择只能是有限时间，难以反映KPI的全部变化情况，使得利用区间k估计出的往往小于实际值。如果选择的门限值较小，将会造成异常检测器对KPI的变化过于灵敏，抗干扰能力差。实验表明，选择10作为判决门限可以在不影响检测准确度的同时，提高异常检测器的鲁棒性。

为了使本技术领域的人员更好地理解本发明方案，下面结合优选实施例对本发明中的技术方案做出进一步清楚、完整的描述。

以LTE系统为例，并选择系统所监测众多KPI中的小区平均信道质量指示(Channel-Quality Indicator,CQI)、下行链路传输速率以及单位时间重传率3个KPI进行描述。具体实施步骤如下：

A、初始化阶段：

1)3个异常检测器均采用10阶线性预测器，抽头系数的初始值设置为0，即N＝10,W(n)＝{w₁(n),w₂(n),…,w_N(n)}＝{0,0.0,..,0}，步长因子μ均设置为0.0002。

2)将3个异常检测器接入待检测小区的eNodeB中。设置eNodeB每隔10ms向相应异常检测器传递小区平均CQI的采样值；每隔100ms计算小区下行链路数据传输速率并将结果输入相应异常检测器；每隔100ms计算小区重传率并将结果输入相应异常检测器。

3)每个异常检测器中的线性预测器利用x(n-1),x(n-2),…,x(n-N)预测(n)，具体公式为：

$\hat{x}\left(n\right)\underset{k=1}{\overset{N}{\mathrm{\Σ}}}x(n-k)w_k\left(n\right)---\left(7\right)$

4)每个异常检测器利用所述步骤3)中的与新接收的相应KPI的采样值x(n)计算预测误差e(n)，具体公式为：

$e\left(n\right)=x\left(n\right)-\hat{x}\left(n\right)---\left(8\right)$

5)每个异常检测器利用所述步骤4)中的预测误差e(n)更新线性预测器的抽头系数W(n)。具体的更新公式为：

W(n)＝W(n-1)+2μe(n-1)X(n-1)   (9)

其中，W(n)＝{w₁(n),w₂(n),…,w_N(n)},X(n)＝{x(n-1),x(n-2),…,x(n-N)}，μ为所述步骤1)中的步长因子。

6)判断每个异常检测器已处理的输入采样个数n是否达到了预设的初始化个数T_n(T_n可根据实际情况选择充分长的个数值，本实施例中T_n＝4000)。若n<T_n，则没有完成线性预测器抽头系数的初始化过程，异常检测器将无法准确跟踪相应KPI的变化，返回所述步骤3)继续对线性预测器抽头系数进行初始化，直到n≥T_n。当n≥T_n时，线性预测器抽头系数完成初始化过程，异常检测器可以准确跟踪相应KPI的变化，进入下一步骤。

7)在所述步骤6)中的线性预测器抽头系数完成初始化的第n个采样时刻后，利用k＝1000个连续时刻的线性预测器的预测误差值估计预测误差所近似服从的高斯分布的方差。具体公式为：

${\widehat{\mathrm{\&sigma;}}}^2=\frac{1}{k}\underset{n=1}{\overset{k}{\mathrm{\&Sigma;}}}{e}^2\left(n\right)---\left(10\right)$

8)完成初始化阶段，进入检测阶段。

B、检测阶段：

1)每个异常检测器中的线性预测器利用x(n-1),x(n-2),…,x(n-N)预测具体公式为：

$\hat{x}\left(n\right)\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}x(n-k)w_k\left(n\right)---\left(11\right)$

2)每个异常检测器利用所述步骤1)中的与新接收的相应KPI的采样值x(n)计算预测误差e(n)，具体公式为：

$e\left(n\right)=x\left(n\right)-\hat{x}\left(n\right)---\left(12\right)$

3)每个异常检测器利用所述步骤A.7)中的标准差估计值对所述步骤2)中预测误差进行标准化，具体公式如下：

$z\left(n\right)=e\left(n\right)/\widehat{\mathrm{\&sigma;}}---\left(13\right)$

若每个异常检测器对相应KPI预测误差的标准化结果的绝对值均小于等于10，则该小区系统运行正常，返回所述步骤1)继续进行下一时刻的检测。否则，判定该小区系统出现异常，触发系统相应的故障诊断与恢复工作。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (4)

1.移动通信系统中基于线性预测原理的系统异常检测方法，其特征在于，通过动态检测移动通信系统运行过程中收集到的各种KPI的采样值，并根据各KPI的变化情况判定系统是否出现异常，该方法具体包括以下步骤：

步骤1：利用前N时刻的KPI采样值预测当前时刻KPI的采样值；

步骤2：计算当前时刻KPI的采样值与预测值之间的预测误差；

步骤3：对预测误差进行标准化处理，并根据标准化结果做出判决，即如果标准化结果的绝对值大于10，说明KPI值出现了剧烈的变化，则判定系统出现异常，反之，判断系统运行正常，则继续进行下一时刻的检测。

2.根据权利要求1所述的移动通信系统中基于线性预测原理的系统异常检测方法，其特征在于，所述的系统异常检测方法利用异常检测器进行动态检测，所述异常检测器的模型由线性预测器和判决器组成；所述线性预测器采用最小均方误差算法实现，所述判决器对预测误差进行标准化处理，并根据标准化结果做出判决。

3.根据权利要求1所述的移动通信系统中基于线性预测原理的系统异常检测方法，其特征在于，所述的预测误差的计算方法为：

根据下述公式(1)计算预测误差，具体为：

$e\left(n\right)=x\left(n\right)-\hat{x}\left(n\right)=x\left(n\right)-\underset{k=1}{\overset{N}{\mathrm{\&Sigma;}}}x(n-k)w_k\left(n\right)---\left(1\right)$

其中，e(n)表示对于KPIK在第n时刻的预测误差，x(n)表示KPIK在第n时刻的采样值，表示线性预测器输出的KPI K在第n时刻的预测值，x(n-1),x(n-2),…,x(n-N)表示KPI K在前N时刻的采样值，w₁(n),w₂(n),…,w_N(n)为线性预测器在第n时刻的抽头系数。

4.根据权利要求1或2所述的移动通信系统中基于线性预测原理的系统异常检测方法，其特征在于，所述的标准化处理方式如下：

所述线性预测器任意时刻的预测误差E近似服从均值为0，方差为σ²的高斯分布；

首先，利用线性预测器抽头系数收敛后k个连续时刻预测误差值由下述公式(2)估计出高斯分布的方差σ²：

${\widehat{\mathrm{\&sigma;}}}^2=\frac{1}{k}\underset{n=1}{\overset{k}{\mathrm{\&Sigma;}}}{e}^2\left(n\right)---\left(2\right)$

其中，k≥50；

然后，利用下述公式(3)将预测误差E转化为标准正态分布Z，即对其进行标准化处理；

$Z=E/\widehat{\mathrm{\&sigma;}}---\left(3\right)$

若第n时刻Z的取值的绝对值|z(n)|＞10，则判定系统出现异常；否则，判断系统运行正常。