CN105325023B

CN105325023B - 用于小区异常检测的方法和网络设备

Info

Publication number: CN105325023B
Application number: CN201380076629.8A
Authority: CN
Inventors: H·桑内克; S·诺瓦茨基; G·乔卡利; U·林奎斯特
Original assignee: Nokia Siemens Networks Oy
Current assignee: Nokia Solutions and Networks Oy
Priority date: 2013-05-14
Filing date: 2013-05-14
Publication date: 2018-11-16
Anticipated expiration: 2033-05-14
Also published as: EP2997756B1; CN105325023A; WO2014183782A1; US20160088502A1; EP2997756A1

Abstract

提供了一种用于网络中的小区异常检测的方法，包括：接收第一源的第一训练数据；接收第二源的第二训练数据；基于所述第一训练数据生成简档；基于所述第二训练数据生成简档；在简档池中收集所述第一训练数据和所述第二训练数据的所生成的简档；将权重与所述简档池中的每个简档相关联；基于所述简档和它们相关联的权重提供一组预测；和基于至少一个预测生成用于根本原因诊断的数据。

Description

用于小区异常检测的方法和网络设备

技术领域

本发明涉及通信网络。本发明的实施例总体涉及移动通信，并且更具体地涉及通信网络中的网络设备和方法。具体地，本发明涉及用于小区异常检测的方法、网络设备、计算机程序产品和计算机可读介质。

背景技术

当前的蜂窝网络管理系统依赖于人类或自动化警报能力以评定网络域的状态(即，针对警报进行检查)。假定蜂窝基础设施的复杂性和连续增长，这个过程常常按比例调整得不是很好。

因此，可以存在对关于蜂窝网络的自动化过程的需要以便检测小区异常。

发明内容

根据本发明的示例性实施例，可以提供一种用于网络中的小区异常检测的方法，包括：接收第一源的第一训练数据；接收第二源的第二训练数据；基于所述第一训练数据生成简档；基于所述第二训练数据生成简档；在简档池中收集所述第一训练数据和所述第二训练数据的所生成的简档；将权重与所述简档池中的每个简档相关联；基于所述简档和它们相关联的权重提供一组预测；和基于至少一个预测生成用于根本原因诊断的数据。

在下文中，关于该方法描述了示例性实施例。应当理解，与该方法有关的所有特征可以被实现为关于一个或多个网络设备的硬件和/或软件。

根据本发明的示例性实施例，可以提供一种用于高效地管理移动网络中多媒体流送应用的增加的使用的机制。该方法可以从连续KPI数据(KPI＝关键性能指标)流中挖掘信息并可以以高准确度确定KPI/小区的偏离级别。

而且，根据本发明的示例性实施例，该方法可以进一步包括管理简档池。这可以包括添加简档和/或移除简档。还可以预见到的是，利用用于从简档池中移除表现最差的简档的老化方式。因此，可以执行将简档老化移出(aging out)。还可以预见到的是，提供人为输入以便移除简档。因此，自动机制以及人工机制可以被单独提供或者可以被组合。

自组织网络(SON)可以被视为下一代移动通信网络(诸如LTE或LTE-A)以及被称为异构网络(HetNet)的多无线电技术网络中的自动化网络管理的关键促成者。SON领域包括：自配置，其可以覆盖新网络元件(诸如基站)的自动连接性和初始配置；和自优化，其可以以网络的最优操作为目标，万一对服务、用户移动性或通常应用可使用性的需求显著变化，要求调整网络参数以及诸如能量节约或移动性鲁棒性优化之类的使用情况，就触发自动动作。这些功能通过自愈而补充，自愈旨在自动异常检测和故障诊断。相关领域可以是流量定向(TS)和能量节约管理(ESM)。

对于自愈，典型地，仅仅小区中断检测(COD)和小区中断补偿(COC)被提及为SON自愈使用情况。然而，对于本发明的示例性实施例，可以考虑小区异常检测和小区诊断：两者都涉及中断情况以及小区仍能够提供某一级别的服务但其性能也比期望级别低对订户来说清楚可见的量的情况。换句话说，小区中断是降级的特殊情况，这意味着小区不能够提供任何可接受的服务，通常意味着用户不能够连接到它并且在小区中根本不存在流量。此外，这个方式清楚地分离了检测(检测潜在地指向网络中的降级的相关症状)和诊断功能(识别事件的根本原因)。

小区异常检测可以基于性能监测和/或警报报告。性能数据包括：失效计数器，诸如掉话、不成功RACH接入等等；以及更复杂的关键性能指标(KPI)，诸如流量负载，其需要被监测和简档处理以描述用户的“通常”行为并检测是否模式正在朝着指示网络中的问题的方向而改变。存在用于小区异常检测的两种不同方式：单变量方式，其中每个个体KPI被独立地考虑；和多变量方式，其中KPI之间的相关性被考虑。单变量和多变量检测方式二者过去均已经被分析。它们共享下述特性：在相应训练阶段中对(一组)某个(某些)“正常”状态进行学习(称作“简档处理”)。在实际检测阶段中，识别从这些状态的偏离。优点是过程的高度自动性质(操作者仅仅需要验证训练阶段为无故障的并因此不需要增加每KPI的阈值等等)。为了分析可疑故障的根本原因，通常必须使不同KPI与彼此相关以辨别不同故障的特性印记。图1示出了这样的过程且将稍后加以描述。

由于需要被监测的KPI的类型中的宽范围和需要被检测的网络事件的宽范围，没有单个传统单变量或多变量检测方法(“分类器”)将能够提供期望的检测性能。检测性能涉及正确地识别相关事件(真肯定)和不相关事件(真否定)，同时避免遗漏相关事件(假否定)和不正确地将事件识别为相关(假肯定)。示例性的整体方法，如图2中所示且稍后描述，可以组合不同分类器并通过取得它们的预测的加权投票来分类新数据点，从而有效地创建新的复合检测方法，该复合检测方法利用通过对所监测的数据进行简档处理而学习的经优化的加权参数值，提供了与任何其他单个方法相比改进的方法。而且，该整体方法还可以实现提高的自动化级别。

存在常规的小区中断检测和恢复方法，尤其是对于LTE技术。然而，典型地可用的商业特征可以不包含任何“简档处理”，而宁可包含简单的每KPI的阈值处理和规则组。用于小区异常/降级检测的单变量和多变量方式二者早期均已经被提出，但没有根据本发明的考虑到从网络自身可用的上下文信息的整体方法。

用于当被应用到小区异常检测问题时实现经优化的检测性能的整体方法方式可以被训练以确定和动态地调整作为整体方法一部分的每个个体检测方法的权重参数值。

本发明可以提供确定和维持权重值以使得可以针对被监测以检测小区异常的数据而连续优化复合整体方法的性能。而且，这个方式还可以提出用于训练新的各个检测简档的触发机制和用于消除不太高效的检测简档的老化机制。

所提出的框架可以将各个单变量和多变量方法应用于训练KPI数据，得到对不同预测器的池的构造。使用预测器池，在“处于测试中的”(即，经受检测的)KPI数据上获得的预测连同被分配给每个预测器的权重一起得到“KPI级别”的计算(即，KPI从其“正常”状态的偏离)。所提出的方法依赖于从人为生成的配置管理(CM)或经确认的故障管理(FM)输入数据中提取的上下文信息(对蜂窝网络来说可用)以采取知情决定。

附图说明

以下参考附图描述了本发明的实施例，附图不必按比例绘制，其中：

图1图示了示例性的小区异常/降级检测和诊断；

图2图示了用于异常检测的示例性的一般整体方法方式；

图3图示了被应用于蜂窝网络中的单个小区的所提出的整体方法的示例性总体方式；和

图4图示了使用上下文信息的用于简档池的示例性老化机制。

具体实施方式

图1图示了小区降级管理方法的框图，其可以包括四个不同框，表示任务：

1)执行数据测量或测量收集；

2)降级检测；

3)根本原因诊断；和

4)解决方案部署。

降级检测可以具有发现具有低假肯定率的问题小区的任务。根本原因诊断可以具有推断所检测的降级的根本原因的任务。解决方案部署可以由降级检测或根本原因诊断组件来触发。

图2图示了根据本发明的用于异常检测的一般整体方法方式的示例性实施例。整体方法学习其权重参数值并将简档池中的不同简档的加权投票作为KPI级别的最终结果。

图3图示了详细整体方法方式的示例性实施例。可以提供测量收集，其目的在于如图1中所示的根本原因诊断。整体方法或图3中的方法可以基于经确认的FM数据、人类知识和/或用于确定具有同构CM的小区异常值的CM数据来学习其权重参数值。整体方法使用CM改变来触发对新简档的构造并基于它们的性能来老化简档。框D1-D6表示数据，而框M1-M6表示方法的步骤。其余元素指示不同上下文信息。虚线指示在新的证据/数据存在时触发事件。

图3呈现了根据本发明的整体方法的示例的细节，其中在数据、方法、上下文信息和人类专业知识之间进行区分。蜂窝网络的每个小区可以由作为数据流而生成的一组KPI测量来表征。所提供的整体方法可以被应用于每个小区。

·最初，对于给定的时间段，选择给定小区的KPI测量作为用于整体方法的简档池的训练数据集(D1)。

·将多种多样组的单变量和多变量算法(M1)应用于训练数据集(D1)。单变量方法在个体KPI级别处操作，而多变量方法跨所有KPI而操作。

·(M1)的结果是被用作整体方法的简档池(D2)的一组简档。简档池中的每个简档具有与其相关联的权重。对于初始的简档池，所有简档具有相关联的相同权重值。

·给定简档池(D2)，则以连续方式使用KPI的流作为针对预测器池的测试数据集(D5)。

○任何CM改变(C1)触发测试数据集也变成训练KPI数据集，此后执行用于生成新的简档组的方法(M1)。基于CM数据的状态来自动确定CM改变。

○如果简档池达到简档的最大数量，则CM改变还触发老化机制(M4)，其基于它们的年龄和性能二者从池中移除简档。

·使用与单变量和多变量方法(M2)相对应的测试技术来针对简档池中的简档而对测试数据集(D5)进行测试。

·(M2)的结果是由简档池中的每个个体简档提供的一组KPI级别预测(D3)。预测中的一些是二进制的(0用于正常KPI级别且1用于异常KPI级别)，并且一些具有处于[0，1]范围中的连续值。

○真值信息更新(人类专业知识(C2)、经确认的FM数据(C3)和基于CM信息的小区分类(D6))触发更新权重方法(M5)，其基于预测器池中的简档关于真值的预测来处罚预测器池中的简档。人类专业知识假设人工过程，而经确认的FM数据使用和被应用于CM同构小区的异常值检测是自动化过程。

■基于CM数据(C1)，将异常值检测算法(M6)应用于具有相同配置的小区。假设是：CM同构小区(即，具有相同/非常类似的配置的小区)应当跨所有KPI展现相同行为。这个组件考虑到跨多个小区的行为。

■(M6)的结果指示处于测试中的小区是否被认为是相对于具有同构配置的小区异常值(D6)。

○(M5)的结果是具有经调整的权重的经更新的简档池(D2)，其继续在测试模式中使用。

·(D3)中的所有预测连同与对应简档相关联的权重一起被用在经修改的加权多数方式(M3)中以生成KPI级别。

·(M3)的结果是与每个小区的每个KPI测量相关联的KPI级别(D4)。KPI级别然后被中继给根本原因诊断组件。

总的来说，本发明的示例性特征的特性为：

○使用人类专业知识(C2)(允许视觉检查和直接输入作为真值)以自动地评定每个个体简档的分类质量并更新权重。

○利用诸如CM、FM和特殊事件信息之类的上下文信息，以便：

■将数据标记为异常并适当地更新整体方法权重，这对应于真实小区降级现象。这假设了FM信息已经由人为调查确认。

■基于CM信息自动地触发新简档以添加到整体方法的简档池。随着系统中的改变，需要基于年龄和/或性能(权重)将较老的模型老化移出。例如，指数衰减方式可以被用于老化较不准确的简档。

■通过利用同构CM信息，确定小区是否达到了相对于类似配置的小区异常的状态。通过池中的相应简档，使与被视为正常的异常值小区相对应的整体方法权重降级。

图3的示例性方法可以被归类为“被监督的学习”，即，它将接口暴露给人类操作者，其中与不同检测方法相关联的权重和对应的性能是可见的，并且它使他能够有能力提供与处于测试中的小区的实际状态有关的真值信息。因此，相应的MMI(GUI)是本发明的特性。

加权多数算法(WMA)是用于从预测方法或预测算法的池构造复合算法的元学习算法(被监督)，其被所提出的基于整体的框架利用。WMA假设问题是二元判定问题(样本是正常的或者是异常的)。来自池的每个预测方法或预测算法具有与其相关联的权重。最初，所有权重被设置为1。总体预测是通过从所有预测器收集投票来给出的。如果池中的多数简档出错误，则它们的权重以某一比率0＜β＜1减小。

所提出的整体方法可以实现WMA的经修改的版本，其可以返回处于范围[0，1]中的KPI级别并可以将上下文信息用于更新权重并创造新模型。最初，算法可以以使用不同单变量和多变量算法而构建的一组简档开始，且然后可以以连续方式执行。以下给出这种实现的一个示例。

当在系统中做出CM改变时，新的简档组被创建。如果达到模型数量的预定义限制，则使用指数衰减方式(根据其中α∈[0，1]且age_i是自模型被创建起的小时数)将表现最差的简档从池中移除。

如果算法可使用同构CM数据访问经确认的FM数据或异常值信息，则它使用这个信息来训练与不同单变量和多变量方法(M5)相对应的权重：

对于训练数据中的所有KPI级别{

(正常)

(异常)

}

其中，th_perf是确定数据是被视为正常还是异常的阈值。

KPI级别(D4)根据所学习的权重(M3)而被计算如下：

对于测试数据中的所有KPI级别{

(正常)

(异常)

}

这里描述的方案已经被用实验方法实现且针对真实网络数据而评估，并已经示出具有预期较好的检测性能。

图4图示了用于包括简档P₁-P_N的简档池的老化机制，简档P₁-P_N包括它们各自的加权因子ω₁-ω_N。如果上下文信息(诸如CM信息)改变，则当前简档(这里为简档P₁)由于其与其他简档P₂-P_N相比的年龄而被删除。这意味着最老的简档P₁和它的加权因子ω₁在简档池中被删除。总的来说，图4图示了上下文信息可以被如何利用以用于创建并老化移出简档(例如，基于CM数据)。

缩写词列表

CM 配置管理

COC 小区中断补偿

COD 小区中断检测

ESM 能量节约管理

FM 故障管理

GUI 图形用户接口

KPI 关键性能指标

MDT 驱动测试最小化

MMI 人机接口

NE 网络元件

NM 网络管理

OAM 操作、维护和管理

PM 性能管理

RACH 随机接入信道

RAT 无线电接入技术

SON 自组织网络

TS 流量定向

WMA 加权多数算法

Claims

1.用于网络中的小区异常检测的方法，包括：

- 接收基于单变量方式的异常检测方法的第一训练数据（D1）；

- 接收基于多变量方式的异常检测方法的第二训练数据（D1）；

- 基于所述第一训练数据生成简档（M1）；

- 基于所述第二训练数据生成简档（M1）；

- 在简档池中收集所述第一训练数据和所述第二训练数据的所生成的简档（D2）；

- 将权重与所述简档池中的每个简档相关联（M5）；

- 基于所述简档和它们相关联的权重提供一组预测（M3）；和

- 基于至少一个预测生成用于根本原因诊断的数据（D4）。

2.根据权利要求1所述的方法，所述方法进一步包括

通过使用上下文信息（C1）来在所述简档池中生成进一步的简档，其中所述上下文信息是配置管理信息。

3.根据权利要求1或权利要求2所述的方法，所述方法进一步包括

检测上下文信息的改变；和

触发至少一个权重的更新。

4.根据权利要求1或权利要求2所述的方法，所述方法进一步包括

基于小区分类（D6）提供至少一个权重。

5.根据权利要求1或权利要求2所述的方法，所述方法进一步包括

基于人类专业知识（C2）提供至少一个权重。

6.根据权利要求1或权利要求2所述的方法，所述方法进一步包括

基于经确认的故障管理数据（C3）提供至少一个权重。

7.根据权利要求1或权利要求2所述的方法，所述方法进一步包括

将关键性能指标测量用于所述第一训练数据和/或所述第二训练数据（D1）。

8.根据权利要求1或权利要求2所述的方法，所述方法进一步包括

生成用于根本原因诊断组件的关键性能指标级别（D4）。

9.根据权利要求1或权利要求2所述的方法，所述方法进一步包括

针对所述简档池中的一个或多个简档而对测试数据集进行测试（D5，M2）；和

从该测试生成由所述简档池中的每个所测试的简档提供的一组预测（D3）。

10.根据权利要求9所述的方法，所述方法进一步包括

利用该组预测来更新所述权重（D3）。

11.根据权利要求1或权利要求2所述的方法，所述方法进一步包括

管理所述简档池。

12.根据权利要求1或权利要求2所述的方法，其中所述方法被应用于网络中的小区，其中所述方法进一步包括

在异常值小区和同构小区之间进行区分（M6）。

13.安装在网络中的网络设备，包括

接收单元，用于接收基于单变量方式的异常检测方法的第一训练数据且用于接收基于多变量方式的异常检测方法的第二训练数据；

计算单元，用于基于所述第一训练数据生成简档且用于基于所述第二训练数据生成简档；

存储器，用于在简档池中收集所述第一训练数据和所述第二训练数据的所生成的简档；和

其中所述计算单元被用于将权重与所述简档池中的每个简档相关联；用于基于所述简档和它们相关联的权重提供一组预测；和用于基于至少一个预测生成用于根本原因诊断的数据。

14.体现计算机程序产品的计算机可读介质，所述计算机程序产品包括用于使在其上执行计算机程序的网络设备实施根据权利要求1至12中任一项所述的方法的代码部分。