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
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。
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
(2)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*=(R
T·R)
-1·R
T·U,RSRP预测值可以写成
其中R
f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r
u,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r
u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,μ
u、μ
v、σ
u、σ
v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
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。
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
(2)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*=(R
T·R)
-1·R
T·U,RSRP预测值可以写成
其中R
f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r
u,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r
u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;
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
根据最小二乘法求解r
i,j(l+1);
第三步,逆向累加生成计算预测的RSRP正常值
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t
2,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
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*=(R
T·R)
-1·R
T·U,RSRP预测值可以写成
其中R
f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。