CN107370617A - 基于svm的蜂窝网络故障诊断系统 - Google Patents

Abstract

本发明公开了一种基于SVM的蜂窝网络故障诊断系统，本发明在蜂窝网络下，当网络出现故障时，根据已有的网络参数信息，快速地对出现的故障进行诊断，找到出错原因。本发明是在网络出现故障，并且已经被探测到的情况下进行诊断。本发明通过对已有历史故障参数数据集进行分析，使用SVM(Support Vector Machine)方法训练得到一个稳定的故障诊断系统，并以此系统为依据，将获取到的未知故障原因的故障用例作为该系统的输入，系统根据故障用例的相关参数对故障进行分类，分类的结果即是故障出现的病因，以此达到故障诊断的目的。

Description

基于SVM的蜂窝网络故障诊断系统

技术领域

本发明公开了一种在蜂窝网络下，当网络出现故障时，如何根据已有的网络参数信息，快速地对出现的故障进行诊断，找到出错原因的方法。用于在蜂窝网络出现故障时快速找到故障原因，为故障恢复提供参考。属于蜂窝网络故障诊断领域。

背景技术

近年来，一些对带宽要求较高的应用的激增，例如视频流和多媒体文件共享，对未来的无线蜂窝系统中的用户行为将会产生巨大影响，特别是随着无数智能手持设备的出现，用户对带宽的需求正在发生空前的增长。用户行为体现的这一趋势，给蜂窝系统的容量需求、服务质量和能源效率带来巨大压力。此外，随着各种无线接入技术的应用，例如GSM、UMTS、LTE等，多种网络结构的并存，例如宏蜂窝、毫微蜂窝以及微微蜂窝，未来的网络将会变得越来越复杂，呈现出明显的异构性。一方面，由于各种技术、服务数量、蜂窝类型的增长，网络的部署和运营变得越来越复杂；另一方面，用户不愿意为改善的网络服务付以相应比例的费用。所以，网路运营商必须面临提供高质量服务的同时减少CAPEX(capitalexpenditure，资本费用)和OPEX(operational expenditure，运营费用)的挑战。

SON(self-organization network)通过自动化网络各阶段的功能最终达到网络自我管理的目的，减少了人工对网络的干预，降低了网咯的资本费用和运营费用。最终能够在提高网络覆盖，网络容量和服务质量的同时降低投入。总的来说，自组织是未来无线蜂窝网络中唯一能够以高性价比的方式达到最佳性能的方法，因此LTE标准化组织不再把自组织仅仅作为未来无线网络的可选特征，而是作为必然条件。自组织网络按功能可以分为三大块：自配置、自优化以及自治愈。自配置是指在新建网络或新增网络设备后，能够实现设备从预运行状态通过自动配置进入正常运行状态，包括对网络设备的即插即用。自配置之后网络进行运行状态，自优化和自治愈功能开始执行，这两个功能都是以网络的测量信息数据的监测分析为基础的。自优化功能根据测量的数据，对网络从覆盖、容量、干扰、资源分配等角度进行优化。自治愈技术首先是能够快速准确的检测网络中的故障，然后能够自动迅速的对网络中的故障进行恢复，确保受网络故障影响的用户能够进行连续高质量的通信。故障主要是指网络中出现影响系统所提供服务、功能、及性能的情况。例如：掉线、访问失败、拥塞等。故障可能是由多种原因造成的，例如收发失序、干扰(恶意、非恶意)、错误参数设置、以及入侵等。

故障诊断作为自治愈的核心功能，其研究难点主要有三个：一是在成千上万的KPI值和告警中找出和故障识别相关的部分；二是故障的原因和KPI值没有直接必然的联系，对于同一故障原因不同蜂窝或者同一蜂窝不同时间的KPI值不尽相同。虽然很多现有技术应用于故障诊断，但是效果并不尽如人意。

发明内容

本发明主要解决蜂窝网络中，通过网络参数对网络故障进行诊断的问题，主要包括以下内容：

1)信息预处理。信息预处理的主要功能是收集并预处理相关性能信息，以便用于后续的自治愈阶段，这些信息主要包括：配置参数、告警信息、性能指标，驱动检测信息等，所有的这些信息被整合可以得到KPI(key performance indicators，关键性能指标)，KPI被广泛的用于故障探测及其他阶段。Emil J.Khatib等人提出了利用KBS(Knowledge-BasedSystem，知识工程)的算法来抽取所需的关键信息，将输入的大量基于时间的网络性能数据变为简单的一维向量。此外，为了应对网络中迅速增长的控制数据和测量信息，他们还提出了将大数据的方法用在信息收集的过程中，以便能够在有限的时间内达到自治愈的目的。

2)训练分类模型。故障诊断的实质故障分类，因此，为了取得较为精确的故障诊断结果，首先要训练一个较好的分类模型。在机器学习领域，支持向量机SVM(Support VectorMachine)是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。因为SVM最初用来解决二分类问题，而故障诊断的病因存在多种，所以，设计训练得到的分类模型一定是一个多分类模型。因此，本发明将SVM扩展到多分类后用于蜂窝网络的故障诊断

3)对未知故障进行诊断。系统设计的最终目的就是用来进行故障诊断，在分类模型训练完成后，就可以将未知病因的故障KPI向量作为分类模型的输入，而分类模型的输出便作为故障诊断的结果，以此达到故障诊断的目的。

附图说明

图1为本发明提出的系统结构流程图；

图2为SVM(支持向量机)模型训练流程图；

图3位SVM划分超平面示意图

具体实施方式

以下结合附图和具体实例对本发明做具体的介绍。

本发明通过对已有历史故障参数数据集进行分析，使用SVM(支持向量机)方法训练得到一个稳定的故障诊断系统，并以此系统为依据，将获取到的未知故障原因的故障用例作为该系统的输入，系统根据故障用例的相关参数对故障进行分类，分类的结果即是故障出现的病因，以此达到故障诊断的目的。良好的分类效果使得故障诊断的结果更加精确。最后，本发明的设计保证了整个机制的真实性。具体实施过程如下：

步骤1：KPI值预处理

步骤1.1：KPI向量离差标准化。标准差能反映一个数据集的离散程度，平均数相同的，标准差未必相同。离差标准化是对原始数据的线性变换，使结果值映射到[0-1]之间。转换函数如下：

其中，x代表KPI向量中的某一元素，min代表KPI向量中所有元素的最小值，max代表KPI向量中所有元素的最大值。

步骤1.2：KPI向量Z-score标准化。这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

步骤2：分类模型训练

SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题.简单地说，就是升维和线性化。升维就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津.但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分，如图3所示。在样本空间中，划分超平面可以通过如下线性方程来描述：

ω^Tx+b＝0

其中ω＝(w₁；w₂；w₃；....w_n)为法向量，决定了超平面的方向，b为位移项，决定了超平面与原点之间的距离，显然超平面的划分可被法向量ω和位移b决定，记为(ω，b)，样本空间中任一点x到超平面(ω，b)的距离可以写为

假设超平面(ω，b)能将训练样本正确分类，即对于(x_i，y_i)∈D，若y_i＝+1，则有ω^Tx_i+b＞0，若y_i＝-1，则有ω^Tx_i+b＜0，令

距离超平面最近的几个训练样本点使上式的等号成立，它们被称为支持向量，两个异类支持向量到超平面的距离之和称之为间隔

具有最大间隔的超平面就是用来进行分类的最好模型，欲使间隔最大，就是找到ω和b使得γ最大，也就是最小化||ω||²，所以求解该式就能得到划分超平面所对应的模型

f(x)＝ω^Tx+b

最小化的问题可以用拉格朗日乘子法解决，该问题的拉格朗日函数可以写为

其中，α＝(α₁；α₂；...；α_m)，令L(ω，b，α)对ω和b求偏导为零并带入拉格朗日函数可得最小化问题的对偶问题

解出α后，求出ω和b即可得到模型

步骤3：整合模型对未知故障进行诊断

步骤3.1：经上述步骤训练出来的分类模型只具有二分类功能，由于故障诊断的实质是多分类，所以要将二分类扩展到多分类。对于训练集中已知的分类数设为n，从已知分类中挑出两类来产生分类器，所以n个分类数能够产生n*(n-1)/2个二分类分类器，如图2所示。

步骤3.2：用投票法将n*(n-1)/2个分类器进行整合，得票最多的类为输入向量所属的类，从而将该向量对应的用例诊断为该类病因。

Claims (5)

1.基于SVM的蜂窝网络故障诊断系统，其特征在于：

1)本系统是SVM在蜂窝网络故障诊断领域的首次应用；

2)对KPI数据进行有效的归一化处理；

3)组合分类训练样本，构造二分类模型；

4)整合二分类模型，以投票机制进行诊断。

2.如权利要求1所述的基于SVM的蜂窝网络故障诊断系统，其特征在于本系统是SVM在蜂窝网络故障诊断领域的首次应用，近几年提出了许多蜂窝网络的故障诊断方法，包括贝叶斯网络、模糊算法、遗传算法等，但是利用SVM进行故障诊断还是首次提出，本系统通过对已有历史故障参数数据集进行分析，使用SVM(支持向量机)方法训练得到一个稳定的故障诊断系统，并以此系统为依据，将获取到的未知故障原因的故障用例作为该系统的输入，系统根据故障用例的相关参数对故障进行分类，分类的结果即是故障出现的病因，以此达到故障诊断的目的。

3.如权利要求1所述的基于SVM的蜂窝网络故障诊断系统，其特征在于对KPI数据进行有效的归一化处理：

步骤1：KPI向量离差标准化，标准差能反映一个数据集的离散程度，平均数相同的，标准差未必相同。离差标准化是对原始数据的线性变换，使结果值映射到[0-1]之间。转换函数如下：

其中，x代表KPI向量中的某一元素，min代表KPI向量中所有元素的最小值，max代表KPI向量中所有元素的最大值。

步骤2：KPI向量Z-score标准化，这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

4.如权利要求1所述的基于SVM的蜂窝网络故障诊断系统，其特征在于组合分类训练样本，构造二分类模型，由于故障诊断的实质是多分类，所以要将二分类扩展到多分类，对于训练集中已知的分类数设为n，从已知分类中挑出两类来产生分类器，所以n个分类数能够产生n*(n-1)/2个二分类分类器，SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题.简单地说，就是升维和线性化。升维就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津.但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分，在样本空间中，划分超平面可以通过如下线性方程来描述：

ω^Tx+b＝0

其中ω＝(w₁；w₂；w₃；....w_n)为法向量，决定了超平面的方向，b为位移项，决定了超平面与原点之间的距离，显然超平面的划分可被法向量ω和位移b决定，记为(ω，b)，样本空间中任一点x到超平面(ω，b)的距离可以写为

假设超平面(ω，b)能将训练样本正确分类，即对于(x_i，y_i)∈D，若y_i＝+1，则有ω^Tx_i+b＞0，若y_i＝-1，则有ω^Tx_i+b＜0，令

距离超平面最近的几个训练样本点使上式的等号成立，它们被称为支持向量，两个异类支持向量到超平面的距离之和称之为间隔

具有最大间隔的超平面就是用来进行分类的最好模型，欲使间隔最大，就是找到ω和b使得γ最大，也就是最小化||ω||²，所以求解该式就能得到划分超平面所对应的模型

f(x)＝ω^Tx+b

最小化的问题可以用拉格朗日乘子法解决，该问题的拉格朗日函数可以写为

其中，α＝(α₁；α₂；...；α_m)，令L(ω，b，α)对ω和b求偏导为零并带入拉格朗日函数可得最小化问题的对偶问题

解出α后，求出ω和b即可得到模型。

。

5.如权利要求1所述的基于SVM的蜂窝网络故障诊断系统，其特征在于对训练得到的二分类系统以投票的方式进行整合，达到多分类的目的，用投票法将n*(n-1)/2个分类器进行整合，得票最多的类为输入向量所属的类，从而将该向量对应的用例诊断为该类病因。