CN107852771B - 基于自适应滤波的网络异常检测 - Google Patents
基于自适应滤波的网络异常检测 Download PDFInfo
- Publication number
- CN107852771B CN107852771B CN201680042347.XA CN201680042347A CN107852771B CN 107852771 B CN107852771 B CN 107852771B CN 201680042347 A CN201680042347 A CN 201680042347A CN 107852771 B CN107852771 B CN 107852771B
- Authority
- CN
- China
- Prior art keywords
- quality indicator
- network quality
- residual
- controller
- frequency band
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Abstract
一种方法,包括:控制器执行对网络质量指标的自适应滤波,以预测所述网络质量指标的未来值;所述控制器计算所述网络质量指标的所预测的未来值和测量值之间的残差;所述控制器分析至少一个所选择的频带上的所述残差,以确定对于所述至少一个所选择的频带是否已经超出了阈值;以及所述控制器使用所述网络质量指标的所述残差和所述测量值,在已经超出阈值的频带上检测所述网络的异常事件。
Description
本专利申请要求于2015年7月28日提交的、申请号为No.14/810,968、名称为“基于自适应滤波的网络异常检测(ADAPTIVE FILTERING BASED NETWORK ANOMALY DETECTION)”的美国申请的优先权,其全部内容通过引用结合在本申请中。
背景技术
无线蜂窝网络等网络的性能可以通过使用诸如关键质量指标(KQI)和关键性能指标(KPI)等数字指标的集合来测量。这些指标的值受到网络流量负载、网络当前用户数量以及环境无线射频(RF)传输条件等多个因素的影响。而这些因素通常是时变的,难以预测。所以需要的是对异常网络行为(例如,KQI或其它此类指标的异常值)的实时检测或预测,以有效管理无线网络。
发明内容
本申请提供了执行对无线和有线网络性能指标的自适应滤波的方法、装置和机器存储介质,旨在建模和/或在网络性能发生异常之前对其进行预测。一方面,一种方法包括:控制器执行对无线网络质量指标的自适应滤波,以预测所述无线网络质量指标的未来值。所述控制器计算所述无线网络质量指标的所预测的未来值和测量值之间的残差,分析至少一个所选择的频带上的所述残差,以确定对于所述至少一个所选择的频带是否已经超出了阈值(“异常事件”),以及使用所述无线网络质量指标的所述残差,或所述残差的时间序列和所述测量值,在已经超出阈值的频带上检测所述无线网络的异常事件。
另一方面,提供了一种用于无线网络通信的控制器,所述控制器包括:处理器以及耦连到所述处理器的存储设备,所述存储设备具有用于由所述处理器实行的代码,以执行包括以下步骤的方法:执行对无线网络质量指标的自适应滤波,以预测所述无线网络质量指标的未来值;计算所述无线网络质量指标的所预测的未来值和测量值之间的残差;分析至少一个所选择的频带上的所述残差,以确定对于所述至少一个所选择的频带是否已经超出了阈值;以及使用所述无线网络质量指标的所述残差和所述测量值,在已经超出阈值的频带上检测所述无线网络的异常事件。各种实施例包括在所述无线网络中的一个以上的控制器,并且包括通过分布式处理来执行所述方法。
提供了一种机器可读存储设备,所述机器可读存储设备包括用于由所述机器的处理器实行的指令,以由控制器执行对无线网络质量指标的自适应滤波,以预测所述无线网络质量指标的未来值。计算所述无线网络质量指标的所预测的未来值和测量值之间的残差,并且分析至少一个所选择的频带上的所述残差,以确定对于所述至少一个所选择的频带是否已经超出了阈值。使用所述无线网络质量指标的所述残差和所述测量值,可以在已经超出阈值的频带上检测所述无线网络的异常事件。
附图说明
图1示出了根据示例实施例的用于无线网络中的异常检测的方法的流程图。
图2示出了根据示例实施例的无线网络中的异常检测的系统的框图。
图3示出了根据示例实施例的无线网络中的异常检测的框图。
图4示出了根据示例实施例的用于无线网络中的异常检测的滤波的方法的方框流程图。
图5示出了根据示例实施例的用于无线网络中的异常检测的示例滤波器的框图。
图6-7示出了根据示例实施例的在无线网络中使用异常检测导出的数据的曲线图。
图8示出了根据示例实施例的用于实现执行方法的设备的电路的框图。
具体实施方式
在下面的描述中,参考了形成本文的一部分并且以说明的方式示出了可以实践的具体实施例的附图。这些实施例的描述足够详细,使得本领域技术人员能够实践本发明。此外,应当理解,在不脱离本发明范围内,可以利用其它实施例,并且可以做出结构的、逻辑的或电的改变。因此,下述示例实施例的描述并没有限制的意思,而是应当如所附示例所限定的那样,在本发明的范围内作宽泛解释。
在一实施例中,本文所描述的功能或算法可以在软件或软件和人实施过程的组合中实施。该软件可以是存储在计算机可读介质或诸如本地或联网的一个或多个非暂存存储器或其它类型的基于硬件的存储设备的计算机可读存储设备上的计算机可执行指令的形式。此外,这样的功能可对应于模块,这些模块可以是软件、硬件、固件或其任意组合。多个功能可以如所期望的在一个或多个模块中执行,且所描述的实施例仅仅是示例。软件可以在数字信号处理器、ASIC、微处理器或者在计算机系统(如个人计算机、服务器或者其它计算机系统)上操作的其它类型的处理器上运行。各种实施例包括在无线网络中的一个以上的控制器,并且包括通过分布式处理来执行本主题。
在各种实施例中,使用基于自适应滤波的异常检测和对一个或多个网络质量指标参数(如关键质量指标(KQI)和关键性能指标(KPI))的预测来增强无线和/或有线网络性能。在各种实施例中,使用冰山方法(iceberg method),其中“尖端(tip)”检测方法用于识别随后的轮廓修复(contour completion)和所得到的异常事件(“冰山”)检测的频率和时间周期。
图1示出了根据示例实施例的用于无线网络中的异常检测的方法的流程图。在各种实施例中,该方法可用于有线网络中的异常检测。在102处,该方法包括:控制器执行对无线网络质量指标的自适应滤波,以预测无线网络质量指标的未来值。在104处,该方法的各种实施例包括:控制器计算无线网络质量指标的所预测的未来值和测量值之间的残差。在106处,各种方法实施例包括:控制器分析至少一个所选择的频带上的残差(或在一实施例中,残差的时间序列),以确定对于至少一个所选择的频带是否已经超出了阈值。在各种实施例中,至少一个所选择的频带包括多个频带。根据各种实施例,在108处,该方法包括:控制器使用无线网络质量指标的残差和测量值,在已经超出阈值的频带上检测无线网络的异常事件。在各种实施例中,网络质量指标的示例包括KQI和KPI。在各种实施例中,KQI的示例包括初始视频下载时延和平均视频下载吞吐量。在各种实施例中,KPI的示例包括下行拥塞计数器(指示下行链路流量状况的计数器)和Ec/No(用于指示小区覆盖的载波信号的功率信噪比)。在不脱离本主题的范围内,可以使用其它网络质量指标,如其它KQI和KPI。
图2示出了根据示例实施例的无线网络中的异常检测的系统的框图。在各种实施例中,KQI计数器204用于从数据文件202中获得KQI值。自适应滤波(如卡尔曼滤波206)用于预测未来时隙中的KQI值,所得到的预测值用于冰山检测(iceberg detection)210。在各种实施例中,使用冰山检测识别的异常候选与使用由学习行为208生成的全局阈值关联212,以获得最终的KQI异常列表214。虽然所提供的示例使用KQI值进行异常检测,但是在不脱离本主题的范围内,可以使用其它参数(KPI等)。
图3示出了根据示例实施例的无线网络中的异常检测的框图。如上所述,这种异常检测也可以在有线网络中使用。根据各种实施例,使用来自KQI计数器304的KQI的测量值和使用自适应滤波生成的KQI预测302来执行残差计算306。在各种实施例中,使用残差计算的结果执行频域分析308(在各种实施例中,使用一个或多个无限脉冲响应(IIR)滤波器310或者有限脉冲响应(FIR)滤波器)。在各种实施例中,使用来自残差计算和频域分析的结果检测冰山的尖端312。根据本主题的各种实施例,在尖端被检测之后,执行冰山轮廓修复314,以获得异常候选316。
根据各种实施例,本主题提供了使用诸如无线网络控制器(RNC)或基站控制器等控制器在无线网络或蜂窝网络监控中的异常检测。在各种实施例中,蜂窝网络被建模为由许多隐马尔科夫状态(hidden Markov states)管理的动态系统。KQI值是对此类动态系统的测量,例如,小区或RNC在一小时内的平均视频下载吞吐量。在各种实施例中,系统是被时隙化的,例如,以一小时、一天、15分钟或半小时为每一个时隙。在不脱离本主题的范围内,可以使用其它时间划分。本主题的各种实施例提供了用于异常检测的冰山方法,以在RNC或小区级的无线网络中检测KQI异常。在各种实施例中,异常事件被定义为连续KQI异常的序列,并且可以被视为“冰山”。在本主题的冰山方法中,使用自适应卡尔曼(Kalman)滤波方法,基于对KQI过去的观察,以预测输入时隙中的网络状态(KQI值)。当下一个时隙中的KQI的测量可用时,实施例提供了KQI的残差的计算。通过将卡尔曼滤波器生成的预测与KQI测量进行比较,计算KQI。在一示例中,KQI残差和由一个或多个IIR滤波器生成的数据流被输入到用于异常检测的冰山尖端检测块中。在尖端检测阶段,在各种实施例中,使用残差聚类算法,以找出所预测的KQI值显著偏离所测量的KQI值的时隙。根据各种实施例,使用冰山轮廓修复算法,以从冰山的尖端检测冰山(异常事件)的全部。根据各种实施例,冰山检测阶段的输出是一组异常的候选对象,其使用全局KQI和从原始KQI计数器中导出的阈值来校正,以消除错误告警,并随后作为异常列表输出。在各种实施例中,也可以通过检测来自电阻线的“中断(breakout)”来实现异常事件的预测。
根据各种实施例,基于过去的历史,使用自适应滤波预测未来的KQI值。在各种实施例中,一旦测量可用,则计算预测和真实测量之间的残差。根据各种实施例,将所得到的残差或残差的时间序列输入到多个IIR滤波器中,以分析不同频带上的残差。在各种实施例中,如果任何IIR滤波器的输出超出了阈值,冰山的尖端便会被识别出。根据一示例,残差和原始KQI值被发送到异常事件检测器。该异常事件检测器可以通过使用形态滤波处理检查残差和原始KQI值并且修复冰山轮廓。
图4示出了根据示例实施例的用于无线网络中的异常检测的滤波的方法。自适应滤波(如卡尔曼滤波)用于使用参数的状态的先验知识402和参数的测量408,预测参数值的未来值。在各种实施例中,所描绘的自适应滤波实施例中的步骤包括:基于物理模型的预测步骤404,将预测和测量进行比较的更新步骤406。在一实施例中,卡尔曼滤波包括线性状态空间模型,使用以下计算:
xk+1=fxk+buk+nk
yk=hxk+vk
xk:在第k个时隙(可以是小时或天)的(隐)系统状态
f,b:系数
uk:在第k个时隙的输入
nk,vk:处理和测量的噪声
自适应滤波器:使用线性状态空间模型对物理处理过程建模
xk+1=xk+1-T+uk+nk
yk=xk
xk:在第k个时隙的KQI
uk:在第k个时隙的输入
xk+1|k=xk+1-T+u’k
yk+1|k=xk+1|k
ek+1|k=yk+1-yk+1|k
u’k是由低通滤波器估计和滤波的
xk|k:在第k个时隙估计的KQI
xk+1|k:在第k个时隙估计的KQI
图5示出了根据示例实施例的用于无线网络中的异常检测的示例滤波器。例如,所描绘的滤波器500,如IIR或FIR滤波器,用于如图3所述的频域分析中。在各种实施例中,滤波器500包括输入、求和步骤502和504、时延步骤506和输出。在各种实施例中,滤波器500包括单抽头IIR滤波器,该单抽头IIR滤波器用于通过将信号分解为不同频带上的多个信号,实现残差信号的高效计算的频域分析。在各种实施例中,也可以使用具有一个以上的抽头的IIR滤波器或FIR滤波器。
图6-7示出了根据示例实施例的在无线网络中使用异常检测导出的数据的曲线图的描绘。图6示出了残差对(versus)时间,并且将残差与阈值602进行比较,以识别冰山的尖端604。图6中示出了两个这样的尖端604。在各种实施例中,残差尖端604是对应于异常事件的局部最大值。在各种实施例中,此类异常事件的检测可以通过告警(如听觉、视觉和/或触觉告警)指示。在一示例中,假定网络在正常状态下工作,通过训练处理,计算训练阈值608。在各种实施例中,使用控制器执行随后的冰山轮廓修复606,以识别无线网络的异常事件。图7描绘了预测误差率和误差指标对时间的曲线图,示出了使用本主题的方法所预测的、识别出的冰山尖端704。
本主题的各种实施例可提供在无线网络通信中,计算简单,完全自适应,可调谐,易于实现异常检测,并且进一步提供了在预测准确度、精度和异常检测的取消方面相较于传统算法更优越的性能。此外,本主题的系统利用相对较少的存储器、具有相对较低的复杂度、是可便携式的(可以扩展到其它参数和网络)、并且可用于实时操作,以提供对异常的早期警告。本主题可用于自动监测和检测无线蜂窝网络(如3G UMTS和4G LTE系统)及其它无线通信网络中的异常行为。因此,本主题优于先前的方案,先前的方案不是实时的,并且没有提供与服务中断相关的网络异常的高级警告,例如,掉话和差的蜂窝信号。如果远早于实际发生之前可以识别出网络退化,通过适当的网络管理实践(将流量转移到其它小区等),可以减少上述网络退化的许多方面,甚至最终消除。
图8是根据示例实施例的实现控制器和方法的计算机系统800的方框示意图。在各种实施例中,可以不必使用所有组件。计算机800形成的示例计算设备可以包括:处理单元802、存储器(memory)803、可移动存储装置(removable storage)810和不可移动存储装置(non-removable storage)812。虽然示例计算设备被示出和被描述为计算机800,但是在不同的实施例中,计算设备可以是不同的形式。例如,计算设备可以代替的是智能手机、平板电脑、智能手表或包括如图8所示出和描述的相同或相似的元件的其它计算设备。智能手机、平板电脑和智能手表等设备通常被统称为移动设备。此外,尽管各种数据存储元件作为计算机800的一部分被示出,但是存储装置还可以或者可选地包括可经由如因特网等网络接入的基于云的存储装置。各种实施例包括在无线网络中的一个以上的控制器,并且包括通过分布式处理来执行本主题的方法。例如,蜂窝网络中的每个基站都可以具有一个或多个控制器,该一个或多个控制器能够与其它控制器交换消息并以分布式方式控制网络。
存储器803可以包括易失性存储器814和非易失性存储器808。计算机800可以包括或有权接入包括多种计算机可读介质(例如,易失性存储器814和非易失性存储器808、可移动存储装置810和不可移动存储装置812)的计算环境。计算机储存装置包括随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)和电可擦除可编程只读存储器(EEPROM)、闪存存储器或其它储存器技术、光盘只读存储器(CD ROM)、数字多功能盘(DVD)或其它光盘存储装置、磁带盒、磁带、磁盘存储装置或其它磁性存储设备,或能够存储计算机可读指令的任何其它介质。
计算机800可以包括或有权接入包括输入806、输出804和通信连接816的计算环境。输出804可以包括也可以用作输入设备的显示设备,例如触摸屏。输入806可以包括触摸屏、触摸板、鼠标、键盘、相机中的一个或多个,一个或多个设备专用按钮,集成在计算机800中的、或通过有线或无线数据连接耦连到计算机800的一个或多个传感器,以及其它输入设备。计算机可以使用通信连接在联网环境中操作,以连接到一个或者多个远程计算机,例如数据库服务器。该远程计算机可以包括个人计算机(PC)、服务器、路由器、网络PC、对等设备(peer device)或者其它公共网络节点等。该通信连接可以包括局域网(LAN)、广域网(WAN)、蜂窝网(3G、4G、LTE、更高级的LTE、5G等)、WiFi、蓝牙和其它网络。
存储在计算机可读介质上的计算机可读指令由计算机800的处理单元802执行。硬盘驱动器、CD-ROM和RAM是包括如存储设备等非瞬态计算机可读介质的物品的一些示例。术语计算机可读介质和存储设备不包括载波。例如,计算机程序818可以包括在CD-ROM上并且从CD-ROM中加载到硬盘驱动器,该计算机程序818能够提供常规技术,以便为数据接入和/或在基于组件对象模型(COM)的系统的服务器之一上实施操作而执行接入控制检测。上述计算机可读指令允许计算机800在具有多个用户和服务器的基于COM的计算机网络系统中提供常规接入控制。
在一实施例中,公开了一种用于网络通信的控制器,该控制器包括:处理器装置以及耦连到处理器的存储设备装置,该存储设备具有用于由处理器实行的代码,以执行包括以下步骤的方法:执行对网络质量指标的自适应滤波,以预测网络质量指标的未来值;计算网络质量指标的所预测的未来值和测量值之间的残差;分析至少一个所选择的频带上的残差,以确定对于至少一个所选择的频带是否已经超出了阈值;以及使用网络质量指标的残差和测量值,在已经超出阈值的频带上检测网络的异常事件。
示例:
1、一种方法,包括:
控制器执行对无线网络质量指标的自适应滤波,以预测无线网络质量指标的未来值;
控制器计算无线网络质量指标的所预测的未来值和测量值之间的残差;
控制器分析至少一个所选择的频带上的残差,以确定对于至少一个所选择的频带是否已经超出了阈值;以及
控制器使用无线网络质量指标的残差和测量值,在已经超出阈值的频带上检测无线网络的异常事件。
2、根据示例1的方法,其中自适应滤波包括卡尔曼滤波。
3、根据示例1-2中任一项的方法,其中至少一个所选择的频带包括多个频带。
4、根据示例1-3中任一项的方法,其中无线网络质量指标包括关键质量指标(KQI)。
5、根据示例1-2中任一项的方法,其中无线网络质量指标包括关键性能指标(KPI)。
6、根据示例1-5中任一项的方法,其中分析至少一个所选择的频带上的残差包括:对于至少一个所选择的频带使用无限脉冲响应(IIR)滤波器。
7、根据示例6的方法,包括:使用残差和由IIR滤波器生成的数据流执行残差聚类算法,以确定所预测的未来值偏离测量值的时隙。
8、根据示例7的方法,包括执行轮廓修复算法,以检测所确定的时隙的异常事件。
9、根据示例1-8中任一项的方法,其中检测异常事件包括使用形态滤波处理来修复轮廓。
10、根据示例1-9中任一项的方法,其中自适应滤波包括使用线性状态空间模型。
11、根据示例1-10中任一项的方法,还包括:如果已经检测到异常事件,提供告警。
12、一种用于网络通信的控制器,该控制器包括:
处理器;以及
耦连到处理器的存储设备,该存储设备具有用于由处理器实行的代码,以执行包括以下步骤的方法:
执行对网络质量指标的自适应滤波,以预测网络质量指标的未来值;
计算网络质量指标的所预测的未来值和测量值之间的残差;
分析至少一个所选择的频带上的残差,以确定对于至少一个所选择的频带是否已经超出了阈值;以及
使用网络质量指标的残差和测量值,在已经超出阈值的频带上检测网络的异常事件。
13、根据示例12的控制器,其中由处理器执行的方法包括:
使用残差和由IIR滤波器生成的数据流执行残差聚类算法,以确定所预测的未来值偏离测量值的时隙。
14、根据示例13的控制器,其中由处理器执行的方法包括:
执行轮廓修复算法,以检测所确定的时隙的异常事件。
15、根据示例12-14中任一项的控制器,其中自适应滤波包括卡尔曼滤波。
16、根据示例12-15中任一项的控制器,其中至少一个所选择的频带包括多个频带。
17、根据示例12-16中任一项的控制器,其中由处理器执行的方法包括:
如果已经检测到异常事件,提供告警。
18、一种包括指令的机器可读存储设备,当机器处理器实行该指令时,使得处理器执行以下步骤:
执行对网络质量指标的自适应滤波,以预测网络质量指标的未来值;
确定网络质量指标的所预测的未来值和测量值之间的残差;
分析至少一个所选择的频带上的残差,以确定对于至少一个所选择的频带是否已经超出了阈值;以及
在网络中检测异常事件。
19、根据示例18的机器可读存储设备,其中网络质量指标包括关键质量指标(KQI)。
20、根据示例18的机器可读存储设备,其中网络质量指标包括关键性能指标(KPI)。
21、一种存储在非易失性计算机可读介质上的计算机程序,该程序包括指令,当机器处理器实行该指令时,使得处理器执行以下步骤:
执行对网络质量指标的自适应滤波,以预测网络质量指标的未来值;
确定网络质量指标的所预测的未来值和测量值之间的残差;
分析至少一个所选择的频带上的残差,以确定对于至少一个所选择的频带是否已经超出了阈值;以及
在网络中检测异常事件。
22、根据示例21的计算机程序,其中检测异常事件包括使用形态滤波处理来修复轮廓。
23、根据示例21-22中任一项的计算机程序,其中自适应滤波包括使用线性状态空间模型。
24、根据示例21-23中任一项的计算机程序,还包括指令,当处理器实行该指令时,如果已经检测到异常事件,使得处理器提供告警。
25、根据示例21-24中任一项的计算机程序,其中至少一个所选择的频带包括多个频带。
26、一种方法,包括:
控制器执行对网络质量指标的自适应滤波,以预测网络质量指标的未来值;
控制器计算网络质量指标的所预测的未来值和测量值之间的残差;
控制器分析至少一个所选择的频带上的残差,以确定对于至少一个所选择的频带是否已经超出了阈值;以及
控制器使用网络质量指标的残差和测量值,在已经超出阈值的频带上检测网络的异常事件。
27、根据示例26的方法,其中自适应滤波包括卡尔曼滤波。
28、根据示例26-27中任一项的方法,其中分析至少一个所选择的频带上的残差包括:对于至少一个所选择的频带使用无限脉冲响应(IIR)滤波器或者有限脉冲响应(FIR)滤波器。
29、根据示例28的方法,包括:使用残差和由IIR滤波器生成的数据流执行残差聚类算法,以确定所预测的未来值偏离测量值的时隙。
30、根据示例29的方法,包括执行轮廓修复算法,以检测所确定的时隙的异常事件。
虽然在上面已经详细描述了一些实施例,但其它变型是可能的。例如,在图中描绘的逻辑流不需要所示的特定顺序或连续的顺序来实现所期望的结果。可提供其它步骤,或可从所描述的流程中消除多个步骤,且可将其它组件添加到所描述的系统中,或从所描述的系统中移除其它组件。其它实施例可以在所附权利要求的范围内。
Claims (21)
1.一种方法,包括:
控制器执行对无线网络质量指标的自适应滤波,以预测所述无线网络质量指标的未来值;
所述控制器计算所述无线网络质量指标的所预测的未来值和测量值之间的残差;
所述控制器使用无限脉冲响应(IIR)滤波器或者有限脉冲响应(FIR)滤波器分析至少一个所选择的频带上的所述残差,以确定对于所述至少一个所选择的频带是否已经超出了阈值,包括使用所述残差和由所述IIR滤波器或FIR滤波器生成的数据流执行残差聚类算法,以确定所预测的未来值偏离测量值的时隙;以及
所述控制器使用所述无线网络质量指标的所述残差和所述测量值,在已经超出阈值的频带上检测所述无线网络的异常事件。
2.根据权利要求1所述的方法,其中所述自适应滤波包括卡尔曼滤波。
3.根据权利要求1所述的方法,其中所述至少一个所选择的频带包括多个频带。
4.根据权利要求1所述的方法,其中所述无线网络质量指标包括关键质量指标(KQI)。
5.根据权利要求1所述的方法,其中所述无线网络质量指标包括关键性能指标(KPI)。
6.根据权利要求1所述的方法,包括执行轮廓修复算法,以检测所确定的时隙的所述异常事件。
7.根据权利要求1所述的方法,其中检测所述异常事件包括使用形态滤波处理来修复轮廓。
8.根据权利要求1所述的方法,其中所述自适应滤波包括使用线性状态空间模型。
9.根据权利要求1-8中任一项所述的方法,还包括:如果已经检测到异常事件,提供告警。
10.一种用于网络通信的控制器,所述控制器包括:
处理器;以及
耦连到所述处理器的存储设备,所述存储设备具有用于由所述处理器实行的代码,以执行包括以下步骤的方法:
执行对网络质量指标的自适应滤波,以预测所述网络质量指标的未来值;
计算所述网络质量指标的所预测的未来值和测量值之间的残差;
使用无限脉冲响应(IIR)滤波器或者有限脉冲响应(FIR)滤波器分析至少一个所选择的频带上的所述残差,以确定对于所述至少一个所选择的频带是否已经超出了阈值,包括使用所述残差和由所述IIR滤波器或FIR滤波器生成的数据流执行残差聚类算法,以确定所预测的未来值偏离测量值的时隙;以及
使用所述网络质量指标的所述残差和所述测量值,在已经超出阈值的频带上检测所述网络的异常事件。
11.根据权利要求10所述的控制器,其中由所述处理器执行的所述方法包括:
使用所述残差和由IIR滤波器生成的数据流执行残差聚类算法,以确定所预测的未来值偏离测量值的时隙。
12.根据权利要求10所述的控制器,其中由所述处理器执行的所述方法包括:
执行轮廓修复算法,以检测所确定的时隙的所述异常事件。
13.根据权利要求10所述的控制器,其中所述自适应滤波包括卡尔曼滤波。
14.根据权利要求10所述的控制器,其中所述至少一个所选择的频带包括多个频带。
15.根据权利要求10-14中任一项所述的控制器,其中由所述处理器执行的所述方法包括:
如果已经检测到异常事件,提供告警。
16.一种包括指令的机器可读存储设备,当机器处理器实行所述指令时,使得所述处理器执行以下步骤:
执行对网络质量指标的自适应滤波,以预测所述网络质量指标的未来值;
确定所述网络质量指标的所预测的未来值和测量值之间的残差;
使用无限脉冲响应(IIR)滤波器或者有限脉冲响应(FIR)滤波器分析至少一个所选择的频带上的所述残差,以确定对于所述至少一个所选择的频带是否已经超出了阈值,包括使用所述残差和由所述IIR滤波器或FIR滤波器生成的数据流执行残差聚类算法,以确定所预测的未来值偏离测量值的时隙;以及
在所述网络中检测异常事件。
17.根据权利要求16所述的机器可读存储设备,其中所述网络质量指标包括关键质量指标(KQI)。
18.根据权利要求16所述的机器可读存储设备,其中所述网络质量指标包括关键性能指标(KPI)。
19.一种方法,包括:
控制器执行对网络质量指标的自适应滤波,以预测所述网络质量指标的未来值;
所述控制器计算所述网络质量指标的所预测的未来值和测量值之间的残差;
所述控制器使用无限脉冲响应(IIR)滤波器或者有限脉冲响应(FIR)滤波器分析至少一个所选择的频带上的所述残差,以确定对于所述至少一个所选择的频带是否已经超出了阈值,包括使用所述残差和由所述IIR滤波器或FIR滤波器生成的数据流执行残差聚类算法,以确定所预测的未来值偏离测量值的时隙;以及
所述控制器使用所述网络质量指标的所述残差和所述测量值,在已经超出阈值的频带上检测所述网络的异常事件。
20.根据权利要求19所述的方法,其中所述自适应滤波包括卡尔曼滤波。
21.根据权利要求19所述的方法,包括执行轮廓修复算法,以检测所确定的时隙的所述异常事件。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/810,968 | 2015-07-28 | ||
US14/810,968 US9872188B2 (en) | 2015-07-28 | 2015-07-28 | Adaptive filtering based network anomaly detection |
PCT/CN2016/091928 WO2017016492A1 (en) | 2015-07-28 | 2016-07-27 | Adaptive filtering based network anomaly detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107852771A CN107852771A (zh) | 2018-03-27 |
CN107852771B true CN107852771B (zh) | 2020-06-02 |
Family
ID=57883598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680042347.XA Expired - Fee Related CN107852771B (zh) | 2015-07-28 | 2016-07-27 | 基于自适应滤波的网络异常检测 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9872188B2 (zh) |
EP (1) | EP3314762B1 (zh) |
CN (1) | CN107852771B (zh) |
WO (1) | WO2017016492A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9872188B2 (en) * | 2015-07-28 | 2018-01-16 | Futurewei Technologies, Inc. | Adaptive filtering based network anomaly detection |
US10332056B2 (en) | 2016-03-14 | 2019-06-25 | Futurewei Technologies, Inc. | Features selection and pattern mining for KQI prediction and cause analysis |
US10701092B2 (en) * | 2016-11-30 | 2020-06-30 | Cisco Technology, Inc. | Estimating feature confidence for online anomaly detection |
US10482158B2 (en) | 2017-03-31 | 2019-11-19 | Futurewei Technologies, Inc. | User-level KQI anomaly detection using markov chain model |
EP3803694B1 (en) * | 2018-06-08 | 2023-06-28 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, apparatus and computer-readable mediums relating to detection of cell conditions in a wireless cellular network |
CN109327844B (zh) * | 2018-11-27 | 2021-09-14 | 中国联合网络通信集团有限公司 | 一种小区扩容方法及装置 |
CN112188534B (zh) | 2019-07-05 | 2023-11-03 | 中兴通讯股份有限公司 | 一种异常检测方法和装置 |
US11271797B2 (en) * | 2020-07-09 | 2022-03-08 | Telefonaktiebolaget Lm Ericsson (Publ) | Cell accessibility prediction and actuation |
US11265205B2 (en) * | 2020-07-31 | 2022-03-01 | Verizon Patent And Licensing Inc. | System and method for anomaly detection with root cause identification |
CN112187555B (zh) * | 2020-12-01 | 2021-03-19 | 北京蒙帕信创科技有限公司 | 一种基于机器学习的实时kpi数据异常检测方法及装置 |
CN113543188B (zh) * | 2021-07-22 | 2023-10-27 | 中移(杭州)信息技术有限公司 | 无线网络信号质量检测方法、终端设备及存储介质 |
CN114488224B (zh) * | 2021-12-24 | 2023-04-07 | 西南交通大学 | 一种用于卫星集中式自主导航的自适应滤波方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006119148A (ja) * | 2005-12-05 | 2006-05-11 | Furuno Electric Co Ltd | 信号処理方法、信号処理装置 |
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
CN102904773A (zh) * | 2012-09-27 | 2013-01-30 | 北京邮电大学 | 一种网络业务质量的测量方法和装置 |
CN103139310A (zh) * | 2013-03-06 | 2013-06-05 | 杭州电子科技大学 | 一种基于混合协同过滤的Web服务QoS预测方法 |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG165981A1 (en) * | 2000-10-27 | 2010-11-29 | Chiron Srl | Nucleic acids and proteins from streptococcus groups a & b |
EP1521489A1 (en) | 2003-09-30 | 2005-04-06 | Siemens Mobile Communications S.p.A. | Interference based call admission control for GSM mobile networks |
US7092707B2 (en) * | 2004-02-13 | 2006-08-15 | Telcordia Technologies, Inc. | Service impact analysis and alert handling in telecommunications systems |
US7689455B2 (en) * | 2005-04-07 | 2010-03-30 | Olista Ltd. | Analyzing and detecting anomalies in data records using artificial intelligence |
US7639630B2 (en) * | 2005-11-07 | 2009-12-29 | Accenture Global Services Gmbh | Network performance management |
CN101030798B (zh) | 2007-04-16 | 2010-07-14 | 中兴通讯股份有限公司 | 高速下行共享信道的hs-sich闭环功率控制的方法 |
AU2007202006A1 (en) * | 2007-04-30 | 2008-11-20 | Ubowireless Pty Limited | Wireless Broadband Network Management |
WO2009002249A2 (en) * | 2007-06-28 | 2008-12-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Dynamic reconfiguration of user equipment based on cqi |
JP2009188902A (ja) | 2008-02-08 | 2009-08-20 | Nec Corp | 無線スケジューリング装置、無線通信システム、および無線スケジューリング方法 |
US20100135172A1 (en) * | 2008-09-08 | 2010-06-03 | Qualcomm Incorporated | Method and apparatus for predicting channel quality indicator in a high speed downlink packet access system |
US20100299287A1 (en) * | 2009-05-22 | 2010-11-25 | Alcatel-Lucent Usa Inc. | Monitoring time-varying network streams using state-space models |
CN101702824B (zh) | 2009-11-25 | 2012-07-04 | 北京天碁科技有限公司 | 增强上行绝对接入允许信道的功率控制方法及用户终端 |
US8768339B2 (en) * | 2010-12-15 | 2014-07-01 | At&T Intellectual Property I, L.P. | Method and apparatus for providing long term evolution service outage and degradation management |
ES2553202T3 (es) * | 2011-09-28 | 2015-12-07 | Telefónica S.A. | Un método para medir la calidad de experiencia de un servicio de vídeo |
US9300548B2 (en) * | 2011-10-14 | 2016-03-29 | Alcatel Lucent | Providing dynamic reliability and security in communications environments |
TW201334585A (zh) * | 2011-11-04 | 2013-08-16 | Interdigital Patent Holdings | 以qos驗証為基礎驅動測試最小化(mdt)方法、裝置及系統 |
CN103138963B (zh) * | 2011-11-25 | 2016-08-03 | 华为技术有限公司 | 一种基于用户感知的网络问题定位方法及装置 |
CN103297179B (zh) | 2012-02-29 | 2016-06-22 | 展讯通信(上海)有限公司 | 一种生成信道质量指示的方法和装置 |
US20130262656A1 (en) * | 2012-03-30 | 2013-10-03 | Jin Cao | System and method for root cause analysis of mobile network performance problems |
GB2504739B (en) * | 2012-08-08 | 2015-01-07 | Vodafone Ip Licensing Ltd | CQI adjustment |
US9026851B2 (en) * | 2012-09-05 | 2015-05-05 | Wipro Limited | System and method for intelligent troubleshooting of in-service customer experience issues in communication networks |
IL239503B (en) * | 2014-06-19 | 2018-08-30 | Cellwize Wireless Tech Ltd | A method and system for analyzing data collected in a cellular network |
US20160165472A1 (en) * | 2014-12-09 | 2016-06-09 | Futurewei Technologies, Inc. | Analytics assisted self-organizing-network (SON) for coverage capacity optimization (CCO) |
US10327159B2 (en) * | 2014-12-09 | 2019-06-18 | Futurewei Technologies, Inc. | Autonomous, closed-loop and adaptive simulated annealing based machine learning approach for intelligent analytics-assisted self-organizing-networks (SONs) |
US9578530B2 (en) * | 2014-12-09 | 2017-02-21 | Futurewei Technologies, Inc. | Method and apparatus for determining cell states to adjust antenna configuration parameters |
US10382979B2 (en) * | 2014-12-09 | 2019-08-13 | Futurewei Technologies, Inc. | Self-learning, adaptive approach for intelligent analytics-assisted self-organizing-networks (SONs) |
US9872188B2 (en) * | 2015-07-28 | 2018-01-16 | Futurewei Technologies, Inc. | Adaptive filtering based network anomaly detection |
US9961571B2 (en) * | 2015-09-24 | 2018-05-01 | Futurewei Technologies, Inc. | System and method for a multi view learning approach to anomaly detection and root cause analysis |
-
2015
- 2015-07-28 US US14/810,968 patent/US9872188B2/en not_active Expired - Fee Related
-
2016
- 2016-07-27 EP EP16829857.8A patent/EP3314762B1/en active Active
- 2016-07-27 WO PCT/CN2016/091928 patent/WO2017016492A1/en active Application Filing
- 2016-07-27 CN CN201680042347.XA patent/CN107852771B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006119148A (ja) * | 2005-12-05 | 2006-05-11 | Furuno Electric Co Ltd | 信号処理方法、信号処理装置 |
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
CN102904773A (zh) * | 2012-09-27 | 2013-01-30 | 北京邮电大学 | 一种网络业务质量的测量方法和装置 |
CN103139310A (zh) * | 2013-03-06 | 2013-06-05 | 杭州电子科技大学 | 一种基于混合协同过滤的Web服务QoS预测方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3314762A4 (en) | 2018-05-02 |
US20170034721A1 (en) | 2017-02-02 |
US9872188B2 (en) | 2018-01-16 |
CN107852771A (zh) | 2018-03-27 |
WO2017016492A1 (en) | 2017-02-02 |
EP3314762A1 (en) | 2018-05-02 |
EP3314762B1 (en) | 2020-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107852771B (zh) | 基于自适应滤波的网络异常检测 | |
CN107871190B (zh) | 一种业务指标监控方法及装置 | |
CN111126824B (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
CN106685750B (zh) | 系统异常检测方法和装置 | |
US9369364B2 (en) | System for analysing network traffic and a method thereof | |
CN112101662A (zh) | 设备健康状况和生命周期检测方法、存储介质及电子设备 | |
US10184974B2 (en) | Systems and methods for determining whether a circuit is operating properly | |
WO2014208002A1 (ja) | システム分析装置、システム分析方法、及びシステム分析プログラム | |
KR101748122B1 (ko) | 경보의 오류율 계산 방법 | |
CN107977301A (zh) | 设备异常的检测方法、装置、存储介质及电子设备 | |
US10616040B2 (en) | Managing network alarms | |
CN104778111A (zh) | 一种进行报警的方法和装置 | |
CN112149860A (zh) | 一种自动异常检测方法和系统 | |
CN111143102A (zh) | 异常数据检测方法、装置、存储介质及电子设备 | |
US11620539B2 (en) | Method and device for monitoring a process of generating metric data for predicting anomalies | |
CN107135230B (zh) | 一种基于infigarch模型的网络流量异常检测方法及设备 | |
CN114095965A (zh) | 指标检测模型获取及故障定位方法、装置、设备及存储介质 | |
US8793106B2 (en) | Continuous prediction of expected chip performance throughout the production lifecycle | |
CN112152833B (zh) | 一种网络异常报警方法、装置及电子设备 | |
CN108362957B (zh) | 设备故障诊断方法、装置、储存介质和电子设备 | |
CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN115238779B (zh) | 一种云盘的异常检测方法、装置、设备及介质 | |
CN114938339A (zh) | 一种数据处理方法和相关装置 | |
CN111200780A (zh) | 定位数据的异常检测方法、装置和计算机可读存储介质 | |
US20180091649A1 (en) | System and method for anomaly detection for non-homogenous arrival rate |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200602 Termination date: 20210727 |
|
CF01 | Termination of patent right due to non-payment of annual fee |