CN107371175B - 一种使用协作预测的自组织网络故障检测方法 - Google Patents

一种使用协作预测的自组织网络故障检测方法 Download PDF

Info

Publication number
CN107371175B
CN107371175B CN201710705438.3A CN201710705438A CN107371175B CN 107371175 B CN107371175 B CN 107371175B CN 201710705438 A CN201710705438 A CN 201710705438A CN 107371175 B CN107371175 B CN 107371175B
Authority
CN
China
Prior art keywords
base station
user
abnormal
detection
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710705438.3A
Other languages
English (en)
Other versions
CN107371175A (zh
Inventor
刘楠
王玉婷
潘志文
尤肖虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
White Box Shanghai Microelectronics Technology Co ltd
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201710705438.3A priority Critical patent/CN107371175B/zh
Publication of CN107371175A publication Critical patent/CN107371175A/zh
Application granted granted Critical
Publication of CN107371175B publication Critical patent/CN107371175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Abstract

本发明公开了一种使用协作预测的自组织网络故障检测方法，首先给出了基于K近邻的协同过滤预测算法，该算法利用用户数据的空间相关性预测参考信号接收功率，触发异常检测过程；然后提出一种邻区协作的时间序列灰度预测算法，该算法考虑了基站高密度分布、稀少用户连接的特性，利用用户报告的时间相关性分布式地处理相关用户数据，最后得到异常基站检测结果。本发明能够解决不同程度的基站发射功率衰减故障的检测，同时在高密度基站、少用户连接的网络环境中表现出良好的性能，得到较高的检测率。

Description

一种使用协作预测的自组织网络故障检测方法
技术领域
本发明涉及移动通信技术领域，尤其是一种使用协作预测的自组织网络故障检测方法。
背景技术
网络故障检测主要包括统计分析和数据挖掘两种类型，在异构网络中，由于小站分布密集、服务用户稀少的特性，使传统同构网络中的故障检测方法不再适用。一方面，超密集分布的小基站使集中式的故障检测方法有很大的通信开销；另一方面，单个小站中稀少的活动用户使统计分析和数据挖掘缺少足够的样本数据。一种方法是基于数据与控制分层，简化故障检测触发过程，但需要依赖特定的网络架构。本发明通过利用用户数据的空间相关性与时间相关性，提出一种使用协作预测的自组织网络故障检测方法。
发明内容
本发明所要解决的技术问题在于，提供一种使用协作预测的自组织网络故障检测方法，能够在超密集网络中有更高的准确率和较低的计算开销、虚警率，在不同程度的网络故障情况下都能够得到较高的检测率，显示了良好的性能。
为解决上述技术问题，本发明提供一种使用协作预测的自组织网络故障检测方法，包括如下步骤：
(1)首先考虑检测过程的触发；对于每个用户数据记录，由其服务小区执行基于K近邻的协同过滤预测算法，并将预测结果发送给目标邻区，由目标邻区判断继续执行触发或执行后续检测过程；
(2)由触发过程产生的待检测小区执行邻区协作的时间序列灰度预测算法；该算法考虑了基站高密度分布、稀少用户连接的特性，利用用户报告的时间相关性分布式地处理相关用户数据，最后得到异常基站检测结果；
(3)在测试检测前，需要在训练数据集上选取参考数据集、根据正常数据计算上述两个步骤中算法的正常预测误差阈值。
优选的，步骤(1)中具体的预测及检测算法包括如下步骤：
(11)检测基站接收来自连接用户u的一条RSRP(Reference Signal ReceivingPower，参考信号接收功率)统计记录ru，从基准数据集内选择能接收该基站信号的记录作为协作集C(u)，对ru接收到信号的所有目标基站f，按照共同检测基站数及用户数据皮尔逊相关系数选择K个最近邻记录，其中v为u的协作集C(u)中的用户，μu、μv、σu、σv分别为用户u和v的均值和方差；
(12)用最小二乘优化协同过滤，计算RSRP预测值并判断是否发送异常报告：若预测误差大于训练阈值t1，则发送异常报告，反之则发送正常报告；
(13)待测目标站接收邻监测基站的监测报告，并更新报告异常率，若异常率高于触发阈值μ1，则触发进一步检测，反之继续接收邻区报告并更新异常率。
优选的，步骤(2)中邻区协作的时间序列灰度预测算法，具体包括如下步骤：
(21)假设待检测基站f有m个协作邻区，其中第i个邻区fi有ni个用户，对其第j个用户ui,j，定义其长度为l的RSRP历史序列为ri,j＝[ri,j(1),ri,j(2),...,ri,j(l)]；
(22)累加生成式
Figure GDA0002259246790000022
根据最小二乘法求解灰度模型l+1时刻的预测值
Figure GDA0002259246790000023
(23)逆向累加生成计算预测的RSRP正常值c，计算与实际RSRP值的预测误差并判断是否发送异常报告：若预测误差大于训练阈值t2，则发送异常报告，反之则发送正常报告；
(24)待检测基站接收所有协作基站的检测报告并计算异常率，若异常率高于判定阈值μ2，则判定该基站为异常基站，否则判定为正常基站。
优选的，协同过滤算法中的最小二乘法包括如下步骤：
(1)假设网络中n+1个基站，用户u的服务基站在目标基站f下选取的参考用户数据集为m样本的C(u)，则基站f预测的正常RSRP为
Figure GDA0002259246790000024
(2)明确目标函数及推导权值wu,v，具体过程如下：
Figure GDA0002259246790000031
其中U为1*n用户RSRP矩阵，R为m*n参考数据集样本矩阵，则通过对w的偏导可得内交权重w*＝(RT·R)-1·RT·U，RSRP预测值可以写成
Figure GDA0002259246790000032
其中Rf为m*1参考数据集对基站f的RSRP测量统计矩阵。
本发明的有益效果为：本发明提出的基于K近邻的协同过滤预测算法能提高传统预测算法的预测精度，在超密集网络中有更高的准确率和较低的计算开销、虚警率；邻区协作的时间序列灰度预测算法进一步提高了稀少用户环境下的故障检测率；本发明在不同程度的网络故障情况下都能够得到较高的检测率，显示了良好的性能。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示，一种使用协作预测的自组织网络故障检测方法，包括如下步骤：
(1)首先考虑检测过程的触发；对于每个用户数据记录，由其服务小区执行基于K近邻的协同过滤预测算法，并将预测结果发送给目标邻区，由目标邻区判断继续执行触发或执行后续检测过程；
(2)由触发过程产生的待检测小区执行邻区协作的时间序列灰度预测算法；该算法考虑了基站高密度分布、稀少用户连接的特性，利用用户报告的时间相关性分布式地处理相关用户数据，最后得到异常基站检测结果；
(3)在测试检测前，需要在训练数据集上选取参考数据集、根据正常数据计算上述两个步骤中算法的正常预测误差阈值。
步骤(1)中具体的预测及检测算法包括如下步骤：
(11)检测基站接收来自连接用户u的一条RSRP(Reference Signal ReceivingPower，参考信号接收功率)统计记录ru，从基准数据集内选择能接收该基站信号的记录作为协作集C(u)，对ru接收到信号的所有目标基站f，按照共同检测基站数及用户数据皮尔逊相关系数
Figure GDA0002259246790000041
选择K个最近邻记录，其中v为u的协作集C(u)中的用户，μu、μv、σu、σv分别为用户u和v的均值和方差；
(12)用最小二乘优化协同过滤，计算RSRP预测值并判断是否发送异常报告：若预测误差大于训练阈值t1，则发送异常报告，反之则发送正常报告；
(13)待测目标站接收邻监测基站的监测报告，并更新报告异常率，若异常率高于触发阈值μ1，则触发进一步检测，反之继续接收邻区报告并更新异常率。
优选的，步骤(2)中邻区协作的时间序列灰度预测算法，具体包括如下步骤：
(21)假设待检测基站f有m个协作邻区，其中第i个邻区fi有ni个用户，对其第j个用户ui,j，定义其长度为l的RSRP历史序列为ri,j＝[ri,j(1),ri,j(2),...,ri,j(l)]；
(22)累加生成式
Figure GDA0002259246790000042
根据最小二乘法求解灰度模型l+1时刻的预测值
Figure GDA0002259246790000043
(23)逆向累加生成计算预测的RSRP正常值c，计算与实际RSRP值的预测误差并判断是否发送异常报告：若预测误差大于训练阈值t2，则发送异常报告，反之则发送正常报告；
(24)待检测基站接收所有协作基站的检测报告并计算异常率，若异常率高于判定阈值μ2，则判定该基站为异常基站，否则判定为正常基站。
优选的，协同过滤算法中的最小二乘法包括如下步骤：
(1)假设网络中n+1个基站，用户u的服务基站在目标基站f下选取的参考用户数据集为m样本的C(u)，则基站f预测的正常RSRP为
Figure GDA0002259246790000044
(2)明确目标函数及推导权值wu,v，具体过程如下：
Figure GDA0002259246790000045
其中U为1*n用户RSRP矩阵，R为m*n参考数据集样本矩阵，则通过对w的偏导可得内交权重w*＝(RT·R)-1·RT·U，RSRP预测值可以写成
Figure GDA0002259246790000051
其中Rf为m*1参考数据集对基站f的RSRP测量统计矩阵。
实施例：
(1)首先考虑检测过程的触发。对于每个用户数据记录，由其服务小区执行基于K近邻的协同过滤预测算法，并将预测结果发送给目标邻区，由目标邻区判断继续执行触发或执行后续检测过程；
(2)由触发过程产生的待检测小区执行邻区协作的时间序列灰度预测算法。该算法考虑了基站高密度分布、稀少用户连接的特性，利用用户报告的时间相关性分布式地处理相关用户数据，最后得到异常基站检测结果。
(3)在测试检测前，需要在训练数据集上选取参考数据集、根据正常数据计算上述两个步骤中算法的正常预测误差阈值。
(4)考虑基站发射功率衰减作为故障情景，基站的通信和计算功能不受影响。我们分别考虑发射功率为10dBm和20dBm的正常发射功率，并以5dBm为间隔，分别测试发射功率衰减10dBm～40dBm情况下本方法的检测性能。
其中基于K近邻的协同过滤预测算法，具体的预测及检测算法步骤包括：
第一步，检测基站接收来自连接用户u的一条RSRP统计记录ru，从基准数据集内选择能接收该基站信号的记录作为协作集C(u)，对ru接收到信号的所有目标基站f，按照共同检测基站数及用户数据皮尔逊相关系数
Figure GDA0002259246790000052
选择K个最近邻记录；
第二步，用最小二乘优化协同过滤，计算RSRP预测值并判断是否发送异常报告：若预测误差大于训练阈值t1，则发送异常报告，反之则发送正常报告；
第三步，待测目标站接收邻监测基站的监测报告，并更新报告异常率，若异常率高于触发阈值μ1，则触发进一步检测，反之继续接收邻区报告并更新异常率。
邻区协作的时间序列灰度预测算法，其具体方法如下：
第一步，假设待检测基站f有m个协作邻区，其中第i个邻区fi有ni个用户，对其第j个用户ui,j，定义其非负的RSRP历史序列为ri,j＝[Ri,j(1),Ri,j(2),...,Ri,j(l)]；
第二步，累加生成式
Figure GDA0002259246790000061
根据最小二乘法求解ri,j(l+1)；
第三步，逆向累加生成计算预测的RSRP正常值
Figure GDA0002259246790000062
计算与实际RSRP值的预测误差并判断是否发送异常报告：若预测误差大于训练阈值t2，则发送异常报告，反之则发送正常报告；
第四步，待检测基站接收所有协作基站的检测报告并计算异常率，若异常率高于判定阈值μ2，则判定该基站为异常基站，否则判定为正常基站。
以上两种算法中用到同样的最小二乘法，其中协同过滤算法中的最小二乘法计算过程如下：
第一步，假设网络中n+1个基站，用户u的服务基站在目标基站f下选取的参考用户数据集为m样本的C(u)，则基站f预测的正常RSRP为
Figure GDA0002259246790000063
第二步，明确目标函数及推导权值wu,v。具体过程如下：
其中U为1*n用户RSRP矩阵，R为m*n参考数据集样本矩阵。则通过对w的偏导可得内交权重w*＝(RT·R)-1·RT·U，RSRP预测值可以写成
Figure GDA0002259246790000065
其中Rf为m*1参考数据集对基站f的RSRP测量统计矩阵。
尽管本发明就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。

Claims (2)

1.一种使用协作预测的自组织网络故障检测方法，其特征在于，包括如下步骤：
(1)首先考虑检测过程的触发；对于每个用户数据记录，由其服务小区执行基于K近邻的协同过滤预测算法，并将预测结果发送给目标邻区，由目标邻区判断继续执行触发或执行后续检测过程；具体的预测及检测算法包括如下步骤：
(11)检测基站接收来自连接用户u的一条RSRP统计记录ru，从基准数据集内选择能接收该基站信号的记录作为协作集C(u)，对ru接收到信号的所有目标基站f，按照共同检测基站数及用户数据皮尔逊相关系数选择K个最近邻记录，其中v为u的协作集C(u)中的用户，μu、μv、σu、σv分别为用户u和v的均值和方差；
(12)用最小二乘优化协同过滤，计算RSRP预测值并判断是否发送异常报告：若预测误差大于训练阈值t1，则发送异常报告，反之则发送正常报告；
(13)待测目标站接收邻监测基站的监测报告，并更新报告异常率，若异常率高于触发阈值μ1，则触发进一步检测，反之继续接收邻区报告并更新异常率；
(2)由触发过程产生的待检测小区执行邻区协作的时间序列灰度预测算法；该算法考虑了基站高密度分布、稀少用户连接的特性，利用用户报告的时间相关性分布式地处理相关用户数据，最后得到异常基站检测结果；邻区协作的时间序列灰度预测算法，具体包括如下步骤：
(21)假设待检测基站f有m个协作邻区，其中第i个邻区fi有ni个用户，对其第j个用户ui,j，定义其长度为l的RSRP历史序列为ri,j＝[ri,j(1),ri,j(2),...,ri,j(l)]；
(22)累加生成式
Figure FDA0002259246780000012
根据最小二乘法求解灰度模型l+1时刻的预测值
(23)逆向累加生成计算预测的RSRP正常值c，计算与实际RSRP值的预测误差并判断是否发送异常报告：若预测误差大于训练阈值t2，则发送异常报告，反之则发送正常报告；
(24)待检测基站接收所有协作基站的检测报告并计算异常率，若异常率高于判定阈值μ2，则判定该基站为异常基站，否则判定为正常基站；
(3)在测试检测前，需要在训练数据集上选取参考数据集、根据正常数据计算上述两个步骤中算法的正常预测误差阈值。
2.如权利要求1所述的使用协作预测的自组织网络故障检测方法，其特征在于，协同过滤算法中的最小二乘法包括如下步骤：
(1)假设网络中n+1个基站，用户u的服务基站在目标基站f下选取的参考用户数据集为m样本的C(u)，则基站f预测的正常RSRP为
Figure FDA0002259246780000021
(2)明确目标函数及推导权值wu,v，具体过程如下：
Figure FDA0002259246780000022
其中U为1*n用户RSRP矩阵，R为m*n参考数据集样本矩阵，则通过对w的偏导可得内交权重w*＝(RT·R)-1·RT·U，RSRP预测值可以写成其中Rf为m*1参考数据集对基站f的RSRP测量统计矩阵。
CN201710705438.3A 2017-08-17 2017-08-17 一种使用协作预测的自组织网络故障检测方法 Active CN107371175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710705438.3A CN107371175B (zh) 2017-08-17 2017-08-17 一种使用协作预测的自组织网络故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710705438.3A CN107371175B (zh) 2017-08-17 2017-08-17 一种使用协作预测的自组织网络故障检测方法

Publications (2)

Publication Number Publication Date
CN107371175A CN107371175A (zh) 2017-11-21
CN107371175B true CN107371175B (zh) 2020-02-18

Family

ID=60310689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710705438.3A Active CN107371175B (zh) 2017-08-17 2017-08-17 一种使用协作预测的自组织网络故障检测方法

Country Status (1)

Country Link
CN (1) CN107371175B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110392376B (zh) * 2018-04-20 2022-10-14 中国联合网络通信集团有限公司 基站工程参数核查方法及装置
CN108366386B (zh) * 2018-05-11 2021-01-05 东南大学 一种使用神经网络实现无线网络故障检测的方法
CN109918365A (zh) * 2019-03-01 2019-06-21 河海大学常州校区 一种适用于太阳能光伏数据的数据清洗方法
CN114630356B (zh) * 2020-12-11 2024-02-27 中移(成都)信息通信科技有限公司 一种基站确定方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008228046A (ja) * 2007-03-14 2008-09-25 Mitsubishi Electric Corp 無線ネットワークの故障診断システムおよび故障診断方法
CN103002487A (zh) * 2012-09-29 2013-03-27 深圳市友讯达科技发展有限公司 一种应用于自组织网络的故障修复方法及网络节点
CN103002483A (zh) * 2011-09-08 2013-03-27 中国移动通信集团公司 一种基站故障检测方法、装置及系统
CN104935600A (zh) * 2015-06-19 2015-09-23 中国电子科技集团公司第五十四研究所 一种基于深度学习的移动自组织网络入侵检测方法与设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008228046A (ja) * 2007-03-14 2008-09-25 Mitsubishi Electric Corp 無線ネットワークの故障診断システムおよび故障診断方法
CN103002483A (zh) * 2011-09-08 2013-03-27 中国移动通信集团公司 一种基站故障检测方法、装置及系统
CN103002487A (zh) * 2012-09-29 2013-03-27 深圳市友讯达科技发展有限公司 一种应用于自组织网络的故障修复方法及网络节点
CN104935600A (zh) * 2015-06-19 2015-09-23 中国电子科技集团公司第五十四研究所 一种基于深度学习的移动自组织网络入侵检测方法与设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Correlation-Based Time-Series Analysis for Cell Degradation Detection in SON;Raquel Barco等;《IEEE COMMUNICATIONS LETTERS》;20160229;第20卷(第2期);全文 *
SON conflict diagnosis in heterogeneous networks;Ovidiu Iacoboaiea等;《2015 IEEE 26th Annual International Symposium on Personal, Indoor, and Mobile Radio Communications (PIMRC)》;20151203;全文 *

Also Published As

Publication number Publication date
CN107371175A (zh) 2017-11-21

Similar Documents

Publication Publication Date Title
CN107371175B (zh) 一种使用协作预测的自组织网络故障检测方法
CN101035358B (zh) 在无线通信系统中实现信道切换的方法及系统
CN108540330A (zh) 一种异构网络环境下的基于深度学习的网络故障诊断方法
CN108366386B (zh) 一种使用神经网络实现无线网络故障检测的方法
CN105227253A (zh) 一种新型的基于能量检测的双门限协作频谱感知算法
CN110213724B (zh) 一种伪基站运动轨迹的识别方法
US20150304981A1 (en) Method for Detecting Cell Disconnection and Locating Disconnected Cell in Son of Cellular Mobile Communication System
CN113473514B (zh) 电力无线专网故障诊断模型训练方法、诊断方法及装置
CN101640570A (zh) 频谱感知方法、能量检测方法及装置
CN111242225A (zh) 一种基于卷积神经网络的故障检测与诊断方法
CN103686832A (zh) 用于在多个无线电技术的情况下进行干扰和拥塞检测的方法
CN112182961B (zh) 一种换流站无线网络信道大尺度衰落建模预测方法
Zoha et al. A SON solution for sleeping cell detection using low-dimensional embedding of MDT measurements
CN115865628B (zh) 基于多基站协作的无线通信传输系统及方法
CN108981807B (zh) 一种土木工程建筑智能监测系统
Yu et al. A self detection technique in fault management in WSN
CN110062410A (zh) 一种基于自适应谐振理论的小区中断检测定位方法
CN114363946B (zh) 室分小区网络质量监测方法、装置、设备及存储介质
CN114205245A (zh) 异常链路检测方法、装置及存储介质
CN109525455B (zh) 一种水文实时监测网络状态综合评估方法
Cao et al. An association rules based conflict-graph construction approach for ultra-dense networks
Asghar et al. Correlation-based cell degradation detection for operational fault detection in cellular wireless base-stations
CN105208582B (zh) Lte网络中基于栅格干扰的信号优化的方法及系统
Chernov et al. Location accuracy impact on cell outage detection in LTE-A networks
CN102857305A (zh) 一种多节点联合的频谱感知方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210330

Address after: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, Pudong New Area, Shanghai

Patentee after: Shanghai Hanxin Industrial Development Partnership (L.P.)

Address before: 210096, No. four archway, Xuanwu District, Jiangsu, Nanjing 2

Patentee before: SOUTHEAST University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230925

Address after: 201615 room 301-6, building 6, no.1158, Jiuting Central Road, Jiuting Town, Songjiang District, Shanghai

Patentee after: White box (Shanghai) Microelectronics Technology Co.,Ltd.

Address before: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New Area, Pudong New Area, Shanghai

Patentee before: Shanghai Hanxin Industrial Development Partnership (L.P.)