CN104469833A - 一种基于用户感知的异构网络运维管理方法 - Google Patents

Abstract

本发明公开了一种基于用户感知的异构网络运维管理方法,其包括以下步骤：步骤S1，通过基站和网络监测节点收集异构网络运维数据；步骤S2，将获得的异构网络运维数据进行统一处理，构建统一的运维数据模型；步骤S3，根据构建的运维数据模型对异构网络运维数据和网络故障进行关联分析，实现网络故障定位；步骤S4，网络节点针对定位的故障自主的进行故障分析，调整相应的运维数据，实现故障自愈及网络优化。本发明对网络运维数据挖掘分析和定位网络故障之后，通过对网络参数进行优化，实现网络自愈，提升用户体验，实现网络智能运维。

Description

一种基于用户感知的异构网络运维管理方法

技术领域

本发明属于无线网络通信技术领域中的网络智能运维技术，尤其涉及一种基于用户感知的异构网络运维管理方法。

背景技术

未来网络是一个多种接入技术和多层次部署的异构融合网络，网络的拓扑和架构都随网络中节点的变化而变化，如peer-to-peer网络、ad hoc网络以及社交网络等无线网络，从而使网络具有重构性，并且多种技术体制并存所引起的互操作、家庭网元Home NodeB的大量应用，易发生产生大量网络告警信息及网络故障，使得未来网络管理和运维变得越来越复杂。巨量的规划、维护、优化参数使得传统的手工操作无法完成。越来越高的运维支出使得运营商强烈希望用新技术来降低运营成本、提高系统性能，确保网络运行高效、安全、稳定。

目前最普遍的做法是通过大量的人工分析网络的问题，然后进行探索性的故障定位及优化，然而，优化的结果非常粗糙，不能准确及时定位网络故障问题，无法满足用户日益增长的体验需求。

在此背景下，网络需要对网络运维信息进行挖掘分析，主动定位网络故障问题，从用户体验角度出发，优化网络以及在网络发生故障以后可以自适应的愈合，极大地提高网络的智能化水平，减少了网络运营和维护中的人工干预，降低了通信网络的运营和维护成本。

发明内容

为了解决现有技术中存在的上述问题，本发明的目的是提供基于用户感知的异构网络运维管理方法，其通过对网络运维数据挖掘分析，定位网络故障，之后通过对网络参数进行优化，实现网络自愈，提升用户体验，实现网络智能运维。

为了实现上述目的，本发明采用的技术方案为：一种基于用户感知的异构网络运维管理方法包括以下步骤：

步骤S1，通过基站和网络监测节点收集异构网络运维数据；

步骤S2，将获得的异构网络运维数据进行统一处理，构建统一的运维数据模型；

步骤S3，根据构建的运维数据模型对异构网络运维数据和网络故障进行关联分析，实现网络故障定位；

步骤S4，网络节点针对定位的故障自主的进行故障分析，调整相应的运维数据，实现故障自愈及网络优化。

优选的技术方案，所述步骤S1中的异构网络运维数据包括用户测量报告、网络计数器数据、路测数据、用户终端数据、异构网络的关键性技术指标、网络故障信息和异构网络无线参数。

进一步优选的技术方案，所述异构网络的关键性技术指标包括掉话率和阻塞率。

更进一步的优选技术方案，所述步骤S2中对异构网络运维数据进行统一处理包括数据选取、数据预处理和数据变换。

所述数据预处理包括对数据的噪声处理，所述数据的噪声处理包括删除网络故障信息数据中无法识别的数据和在关键告警信息上有缺失的数据。

所述在关键告警信息上有缺失的数据包括无告警网元标示的数据、无告警类型标示的数据和无告警时间标示的数据。

所述数据变换包括数据变换降维，所述数据变换降维为从数据初始特征中通过聚类分析提取出与故障紧密相关的特征，削减数据维数。

所述步骤S2中构建统一的运维数据模型过程如下：首先，选取参考告警信息参数向量，建立参考数列X₀，

X₀＝{X₀(k)|k＝1,2,…,n}＝(X₀(1),X₀(2),…,X₀(n))

其中k表示时刻，X₀表示告警信息，n表示告警信息参数向量特征维数；

其次，假设有m个比较故障告警信息数据，建立比较数列X_i

X_i＝{X_i(k)|k＝1,2,…,n}＝(X_i(1),X_i(2),…,X_i(n))i＝1,2,…,m

然后，建立比较数列X_i对参考数列X₀在k时刻的关联系数ζ_i(k)

${\mathrm{\ζ}}_i\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|X_0\left(k\right)-X_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|X_0\left(k\right)-X_i\left(k\right)|}{|X_0\left(k\right)-X_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|X_0\left(k\right)-X_i\left(k\right)|}$

其中，w₁为各个参数相应的权重，X₀(k)其表示参考告警信息向量，X_i(k)其表示比较告警信息向量，根据用户的网络属性进行调整和决定；其中ρ为分辨系数，ρ∈[0,+∞)；ρ越大，分辩率越大；ρ越小，分辩率越小；

最后，计算出比较数列X_i对参考数列X₀的关联度

所述步骤S3包括通过关联分析对故障告警信息、KPI指标及网络之间故障建立映射关系，构建故障定位模型，通过BP神经网络进行网络故障定位；所述网络故障定位具体包括如下过程：

首先，获取m维告警向量Q_n＝(s₁,s₂,s₃…s_m)和n维故障向量O_n＝(p₁，p₂，p₃…p_m)，并将其通过多个网络节点同时输入，使系统具有并行结构和并行处理能力，对输入进行实时的动态处理；

其次，BP(back-propagating，后向传播)网络，为每个连接的权值赋予指定范围内的值，同时为每个神经元节点指定阈值；

再次，组输入告警样本机器目标结果提供给网络，并计算神经网络节点的连接权值，阈值及各个隐含层单元的输入和输出值；

然后，正各层误差：利用目标向量和网络实际输出值计算输出层单元的误差，并结合隐含层的各单元的输出来修正连接权值和阈值，进行反向误差传播修正；

最后，训练样本向量和对异构网络系统进行训练，直到训练完全部样本后将络运维故障告警信息，输入训练好的BP网络进行网络故障定位。

所述步骤S3还包括通过无线网络参数映射到异构网络中以获取定位的网络故障，在该过程中每一个网络节点均作为一个智能体参与网络故障定位过程中，其具体过程如下：

选择Q学习方法来建立一个参数系统,建立和维护一个二维的Q值表,第一维用来表示所有可能的状态,第二维表示网络节点智能体所可能采取的行动；每一个Q值表的单元q(s,a)都对应着智能体在状态S下采取行动a的Q值；用户选择行动的一般准则为:网络节点智能体基于在给定状态下的每个动作的Q值表，按照一定的概率进行动作选择，一个动作的Q值越大,则被选择的概率就越大。

当发生网络故障时，首先，网络节点智能体根据运维数据中的网络告警信息的相关性分析和逻辑回归分析确定将要优化的异构网络无线参数，构建一个新状态S，在构建完状态S后，要计算对应S的各个Q值；

然后，网络节点智能体根据Q值以一定的概率P

$p\left(a\right|s)=\frac{e^{Q(s,a)/T_S}}{\underset{a=A}{\mathrm{\Σ}}{e}^{Q(s,a)/T_S}}$

选择优化策略，即动作a；

最后，系统终端根据网络节点智能体回报值和已有的Q值，更新Q值表中状态S和所选动作的值，其中，

$Q_K(x,\mathrm{\α})=R(x,\mathrm{\α})+\mathrm{\γ}\underset{Y}{\mathrm{\Σ}}{p}_{\mathrm{XY}}\left[\mathrm{\π}\left(x\right)\right]V^{*}\left(\text{y}\right)$

$V^{*}=\underset{b\∈A}{\max }{Q}^{*}(y,b),V_{k-1}\left(y_k\right)=\underset{b\∈A}{\max }\left\{Q_{k-1}(y,b)\right\}$

上述R(x,α)＝E{r|s,a}， $V^{*}=\underset{b\∈A}{\max }{Q}^{*}(y,b),V_{k-1}\left(y_k\right)=\underset{b\∈A}{\max }\left\{Q_{k-1}(y,b)\right\},$ π为所选的策略，α是学习因子。

采用以上技术方案，本发明的基于用户感知的异构网络运维管理方法通过对网络运维数据挖掘分析，定位网络故障，之后通过对网络参数进行优化，实现网络自愈，提升用户体验，实现网络智能运维。本发明采用数据挖掘中的BP神经网络方法对网络运维数据和告警信息进行挖掘，结合用户感知信息，对网络的故障进行智能定位，准确判断网络故障，采用Q学习方法进行网络的自愈及网络的自优化，更加细粒度的优化网络性能，提升网络质量，本发明降低了运营成本、提高系统性能，确保网络运行高效、安全、稳定。

附图说明

图1为本发明的异构网络场景故障定位流程图；

图2为本发明的异构网络故障告警信息处理框图；

图3为本发明的BP神经网络故障定位流程图；

图4为本发明的异构网络节点自愈及优化流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实例并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

实施例一：

参照图1，本发明的详细流程为：

步骤1，通过异构网络的基站及网络监测节点收集运维数据，包括：用户测量报告(user measurement report)、网络计数器(networkcounters)数据、路测数据(drive tests)及网络的关键性技术指标(keyperformance indicators)；

步骤2，参照图2，异构网络的运维数据KPI指标及故障告警信息的统一处理，包括：数据选取、数据预处理和数据变换。所述的用户测量报告(user measurement report)、网络计数器(network counters)数据、路测数据(drive tests)及网络的关键性技术指标(keyperformance indicators)进行统一数据处理，构建统一的数据模型。获取获取经过统一处理的运维数据信息、KPI指标及网络故障信息及异构网络无线参数；

2a)选取参考告警信息参数向量数列

X₀＝{X₀(k)|k＝1,2,…,n}＝(X₀(1),X₀(2),…,X₀(n))

其中k表示时刻：假设有m个比较故障告警信息数列

X_i＝{X_i(k)|k＝1,2,…,n}＝(X_i(1),X_i(2),…,X_i(n))i＝1,2,…,m

2b)根据比较数列X_i对参考数列X₀在k时刻的关联系数

${\mathrm{\ζ}}_i\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|X_0\left(k\right)-X_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|X_0\left(k\right)-X_i\left(k\right)|}{|X_0\left(k\right)-X_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|X_0\left(k\right)-X_i\left(k\right)|}$

其中，w₁为各个参数相应的权重，可以根据用户的偏好及网络属性进行调整X₀(k)表示参考告警信息向量，X_i(k)表示比较告警信息向量，。

2c)其中ρ∈[0,+∞)为分辨系数。一般来讲，分辨系数ρ∈[0,1]，由所述上式容易看出，ρ越大，分辩率越大；ρ越小，分辩率越小。定义的关联系数是描述比较数列与参考数列在某时刻关联程度的一种指标，由于各个时刻都有一个关联系数，因此信息显得过于分散，不便于比较，为此我们给出

$r_i=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ζ}}_i\left(k\right)$

为比较数列X_i对参考数列X₀的关联度。

步骤3，参照图3，故障告警信息、KPI指标与网络故障的关联分析，所述的关联分析即通过关联分析对故障告警信息、KPI指标及网络之间故障建立映射关系，构建故障定位模型，通过BP神经网络进行网络故障定位，实现网络故障定位。

3a)获取运维告警信息，m维告警向量Q_n＝(s₁，s₂，s₃…s_m)，将n维故障向量O_n＝(p₁，p₂，p₃…p_m)。它通过多个网络节点同时输入，使得系统具有高度的并行结构和并行处理能力，对输入进行实时的动态处理来完成大规模告警处理。

3b)初始化BP网络，为每个连接的权值赋予指定范围内的值，同时为每个神经元节点指定阈值。

3c)选取一组输入告警样本机器目标结果提供给网络，并计算神经网络节点的连接权值，阈值及各个隐含层单元的输入和输出值。

3d)逐步修正各层误差：利用目标向量和网络实际输出值计算输出层单元的误差，并结合隐含层的各单元的输出来修正连接权值和阈值，进行反向误差传播修正。

3e)依次对训练样本向量对网络进行训练，直到训练完全部样本；

3f)把网络运维故障告警信息，输入训练好的BP网络进行网络故障定位。

步骤4，参照图4，基于映射模型的故障自愈及优化，根据上述故障信息的监测分析进行网络故障定位，网络节点针对定位的故障自主的进行故障分析，调整相应的网络参数，实现故障自愈及网络优化。在上述获取定位的网络故障，通过无线网络参数映射当网络中，我们把异构网络中的每一个网络节点看作为一个智能体；

4a)选择Q学习方法来建立一个参数系统，首先建立和维护一个二维的Q值表，第一维用来表示所有可能的状态，第二维表示网络节点智能体所可能采取的行动。而每一个Q值表的单元q(s,a)都对应着智能体在状态S下采取行动a的Q值。用户选择行动的一般准则为：智能体基于在给定状态下的每个动作的Q值表，按照一定的概率进行动作选择，一个动作的Q值越大，则被选择的概率就越大。

4b)当发生网络故障时，智能体首先根据运维告警信息相关性分析和逻辑回归分析确定将要优化的无线参数，构建一个新状态S，在构建完状态S后，要计算对应S的各个Q值。

4c)网络节点智能体根据Q值以一定的概率

$p\left(a\right|s)=\frac{e^{Q(s,a)/T_S}}{\underset{a=A}{\mathrm{\Σ}}{e}^{Q(s,a)/T_S}}$

选择优化策略，即动作a。

4d)根据网络节点智能体的回报值(即网络效用)和已有的Q值，终端更新Q值表中状态S和所选动作对应的值：

$Q_K(x,\mathrm{\α})=R(x,\mathrm{\α})+\mathrm{\γ}\underset{Y}{\mathrm{\Σ}}{p}_{\mathrm{XY}}\left[\mathrm{\π}\left(x\right)\right]V^{*}\left(\text{y}\right)$

$V^{*}=\underset{b\∈A}{\max }{Q}^{*}(y,b),V_{k-1}\left(y_k\right)=\underset{b\∈A}{\max }\left\{Q_{k-1}(y,b)\right\}$

其中R(x,α)＝E{r|s,a}， $V^{*}=\underset{b\∈A}{\max }{Q}^{*}(y,b),V_{k-1}\left(y_k\right)=\underset{b\∈A}{\max }\left\{Q_{k-1}(y,b)\right\},$ π为所选的策略，α是学习因子。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的思想和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改。

Claims (10)

1.一种基于用户感知的异构网络运维管理方法,其特征在于，其包括以下步骤：

步骤S1，通过基站和网络监测节点收集异构网络运维数据；

步骤S2，将获得的异构网络运维数据进行统一处理，构建统一的运维数据模型；

步骤S3，根据构建的运维数据模型对异构网络运维数据和网络故障进行关联分析，实现网络故障定位；

步骤S4，网络节点针对定位的故障自主的进行故障分析，调整相应的运维数据，实现故障自愈及网络优化。

2.根据权利要求1所述的一种基于用户感知的异构网络运维管理方法，其特征在于，所述步骤S1中的异构网络运维数据包括用户测量报告、网络计数器数据、路测数据、用户终端数据、异构网络的关键性技术指标、网络故障信息和异构网络无线参数。

3.根据权利要求2所述的一种基于用户感知的异构网络运维管理方法，其特征在于，所述异构网络的关键性技术指标包括掉话率和阻塞率。

4.根据权利要求3所述的一种基于用户感知的异构网络运维管理方法，其特征在于，所述步骤S2中对异构网络运维数据进行统一处理包括数据选取、数据预处理和数据变换。

5.根据权利要求4所述的一种基于用户感知的异构网络运维管理方法，其特征在于，所述数据预处理包括对数据的噪声处理，所述数据的噪声处理包括删除网络故障信息数据中无法识别的数据和在关键告警信息上有缺失的数据。

6.根据权利要求5所述的一种基于用户感知的异构网络运维管理方法，其特征在于：所述在关键告警信息上有缺失的数据包括无告警网元标示的数据、无告警类型标示的数据和无告警时间标示的数据。

7.根据权利要求5所述的一种基于用户感知的异构网络运维管理方法，其特征在于，所述数据变换包括数据变换降维，所述数据变换降维为从数据初始特征中通过聚类分析提取出与故障紧密相关的特征，削减数据维数。

8.根据权利要求2所述的一种基于用户感知的异构网络运维管理方法，其特征在于，所述步骤S2中构建统一的运维数据模型过程如下：

首先，选取参考告警信息参数向量，建立参考数列X₀，

X₀＝{X₀(k)|k＝1,2,…,n}＝(X₀(1),X₀(2),…,X₀(n))

其中k表示时刻，X₀表示告警信息，n表示告警信息参数向量特征维数；

其次，假设有m个比较故障告警信息数据，建立比较数列X_i

X_i＝{X_i(k)|k＝1,2,…,n}＝(X_i(1),X_i(2),…,X_i(n))i＝1,2,…,m

然后，建立比较数列X_i对参考数列X₀在k时刻的关联系数ζ_i(k)

${\mathrm{\ζ}}_i\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|X_0\left(k\right)-X_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|X_0\left(k\right)-X_i\left(k\right)|}{|X_0\left(k\right)-X_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|X_0\left(k\right)-X_i\left(k\right)|}$

其中，w₁为各个参数相应的权重，其根据用户的网络属性进行调整和决定；其中ρ为分辨系数，ρ∈[0,+∞)；ρ越大，分辩率越大；ρ越小，分辩率越小；

最后，计算出比较数列X_i对参考数列X₀的关联度

9.根据权利要求8所述的一种基于用户感知的异构网络运维管理方法，其特征在于，所述步骤S3包括通过关联分析对故障告警信息、KPI指标及网络之间故障建立映射关系，构建故障定位模型，通过BP(back-propagation，后向传播)神经网络进行网络故障定位；所述网络故障定位具体包括如下过程：

首先，获取m维告警向量Q_n＝(s₁,s₂,s₃…s_m)和n维故障向量O_n＝(p₁,p₂,p₃…p_m)，并将其通过多个网络节点同时输入，使系统具有并行结构和并行处理能力，对输入进行实时的动态处理；

其次，BP网络，为每个连接的权值赋予指定范围内的值，同时为每个神经元节点指定阈值；

再次，组输入告警样本机器目标结果提供给网络，并计算神经网络节点的连接权值，阈值及各个隐含层单元的输入和输出值；

然后，正各层误差：利用目标向量和网络实际输出值计算输出层单元的误差，并结合隐含层的各单元的输出来修正连接权值和阈值，进行反向误差传播修正；

最后，训练样本向量和对异构网络系统进行训练，直到训练完全部样本后将络运维故障告警信息，输入训练好的BP网络进行网络故障定位。

10.权利要求9述的一种基于用户感知的异构网络运维管理方法，其特征在于，所述步骤S3还包括通过无线网络参数映射到异构网络中以获取定位的网络故障，在该过程中每一个网络节点均作为一个智能体参与网络故障定位过程中，其具体过程如下：

选择Q学习方法来建立一个参数系统，建立和维护一个二维的Q值表，第一维用来表示所有可能的状态，第二维表示网络节点智能体所可能采取的行动；每一个Q值表的单元q(s,a)都对应着智能体在状态S下采取行动a的Q值；用户选择行动的一般准则为：网络节点智能体基于在给定状态下的每个动作的Q值表，按照一定的概率进行动作选择，一个动作的Q值越大，则被选择的概率就越大；当发生网络故障时，首先，网络节点智能体根据运维数据中的网络告警信息的相关性分析和逻辑回归分析确定将要优化的异构网络无线参数，构建一个新状态S，在构建完状态S后，要计算对应S的各个Q值；

然后，网络节点智能体根据Q值以一定的概率P

$p\left(a\right|s)=\frac{e^{Q(s,a)/T_S}}{\underset{a=A}{\mathrm{\Σ}}{e}^{Q(s,a)/T_S}}$

选择优化策略，即动作a；

最后，系统终端根据网络节点智能体回报值和已有的Q值，更新Q值表中状态S和所选动作的值，其中，

$Q_K(x,\mathrm{\α})=R(x,\mathrm{\α})+\mathrm{\γ}\underset{Y}{\mathrm{\Σ}}{p}_{\mathrm{XY}}\left[\mathrm{\π}\left(x\right)\right]V^{*}\left(y\right)$

$V^{*}=\underset{b\∈A}{\max }{Q}^{*}(y,b),V_{k-1}\left(y_k\right)=\underset{b\∈A}{\max }\left\{Q_{k-1}(y,b)\right\}$

上述R(x,α)＝E{r|s,a}， $V^{*}=\underset{b\∈A}{\max }{Q}^{*}(y,b),V_{k-1}\left(y_k\right)=\underset{b\∈A}{\max }\left\{Q_{k-1}(y,b)\right\},$ π为所选的策略，α是学习因子。