CN110839256B - 一种蜂窝网络数据异常检测方法 - Google Patents

Abstract

本发明公开了一种蜂窝网络数据异常检测方法，将网络分成多个区域，每个区域由边缘服务器监控，通过基站获取每个用户的CDR数据，并将获取的CDR数据传输至核心网络；核心网络将获取的CDR数据根据边缘服务器布置，核心网络将属于一个边缘服务器范围内的所有CDR数据进行整合形成一个边缘服务器的网络结构数据集后将形成的网络结构数据集传输至该边缘服务器，然后将网络结构数据集进行预处理形成网格图像，馈送到剩余网络CN模型，输出所识别异常小区的多标签向量，通过边缘服务器获取每个基站中每个用户的CDR数据，减轻了CN对网络中每个小区进行数据分析的巨大计算负担，从而解决了不断升级的小区中断和拥塞问题。

Description

一种蜂窝网络数据异常检测方法

技术领域

本发明涉及到无线通信领域，具体涉及一种蜂窝网络数据异常检测方法。

背景技术

随着移动数据流量、人均连接的移动设备数量和网络容量需求的不断增加，当前的通信网络(4G)变得越来越复杂。毫无疑问，新兴的无线网络(5G)将是人工智能(AI，Artificial Intelligence)辅助的，AI将在网络资源的管理和编排中发挥关键作用。AI算法的大数据类似于发动机的燃料，并且在蜂窝网络的核心网络(CN)、小区和用户层生成。

目前网络运营商正面临这样的挑战，即在降低运营支出(OPEX，OperationalExpenditures)的同时为用户保证足够的服务质量(QoS，Quality of Service)。运营支出提高和收入损失的主要原因之一是造成中断的网络故障升级。实际上，网络维护和运营成本约占总收入的四分之一，其中很大一部分专门用于小区中断，全部中断表示小区功能完全失调，部分中断表示小区服务管理恶化。由于小规模小区的实施、故障和中断可能在5G网络中放大；正如在当前的蜂窝网络中一样，严重依赖于人类专家来手动管理中断是非常困难的。除了中断之外，小区在任何时候都可能会出现异常高的流量需求，这可能会在延迟适当措施时导致拥塞。在流量和容量需求激增的拥挤事件中，由于人口分布、应用工作量和用户行为的急剧变化，网络性能通常会下降，拥塞检测的作用变得至关重要。因此，及时检测激增的流量和小区中断都会被视为异常情况。这对于避免拥塞、保持可接受的QoS和及时恢复小区至关重要。

过去的研究利用各种传统的机器学习技术进行小区中断检测(COD，Cell OutageDetection)；更先进的方案是利用CN处的前馈深度神经网络(DNN)检测单个小区中的异常；5G网络预计有40-50BSs/km²(BS，Base Stations)，对于如此高的BSs数量，如果使用此解决方案检测异常情况的话，CN会出现计算过载的情况，导致计算速度降低和计算结果不精确，容易造成计造成小区中断和拥塞问题不能及时发现反馈，无法有效实现每个小区的网络实时监测。

发明内容

本发明的目的在于提供一种蜂窝网络数据异常检测方法，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种蜂窝网络数据异常检测方法，包括以下步骤：

步骤1)、通过基站获取每个用户的CDR数据，并将获取的CDR数据传输至核心网络；

步骤2)、核心网络将获取的CDR数据根据边缘服务器布置，核心网络将属于一个边缘服务器范围内的所有CDR数据进行整合形成一个边缘服务器的网络结构数据集后将形成的网络结构数据集传输至该边缘服务器；

步骤3)、边缘服务器(ES)将接收到的网络结构数据集进行预处理形成网格图像；

步骤4)、边缘服务器基于剩余网络CN模型识别网格图像获取对应小区的蜂窝网络数据是否异常：基于欧几里得距离生成标签Y_total∈R^m×100，其中100表示输出级的总数，如果||μ-σ||₂＞||a||₂＞||μ+σ||₂，标记为1，否则标记为0，其中a∈R⁵表示小区CDR数据，其中μ∈R⁵为小区CDR数据的均质元素，σ∈R⁵为小区CDR数据的标准差元素，输出级1表示对应小区工作异常；输出级0表示对应小区工作正常。

进一步的，CDR数据包括呼叫传入次数、短信传入次数、呼叫传出次数、短信传出次数和互联网流量。

进一步的，CDR数据通过LTE-A移动网络架构的核心网络生成。

进一步的，边缘服务器根据自身辐射范围和外部小区连接便利性设置，一个边缘服务器覆盖多个小区基站，一个边缘服务器与其覆盖多的个小区基站构成一个服务群。

进一步的，核心网络将多个基站获取的CDR数据进行数据融合，根据边缘服务器的设置，核心网络将一个边缘服务器，形成整体网络结构数据集；多个基站实时采集每个用户的CDR数据，对核心网络的整体网络结构数据集进行实时更新。

进一步的，步骤3)具体为：将网络结构数据集转换为一个3维矩阵

其中i是网格图像索引，

和

分别为网格图像的高度、宽度和通道数量；其中高度和宽度组成网格条目，代表从Trentino网格底部选择的小区数量，通道数量表示每个小区的CDR数据。

进一步的，剩余网络CN模型包括卷积层、汇集层和全连接层。

进一步的，卷积层用于接受输入集

其中l代表当前层的编号；滤波器

其中f^[l]是滤波器大小，

是单个滤波器的维度，

是滤波器的总数；卷积层在输入集和每个滤波器之间执行并行卷积运算，添加偏差，应用整流线性单元函数，最后，叠加每个结果以形成输出

高度

计算为：

其中，p^[l]是填充数，s^[l]是步幅。

进一步的，max函数用于汇集层中，汇集层根据过滤器大小f从输入集的区域汇集最大数量，以生成输出集；如果输入集的维度是n_H×n_W×n_C，输出集的维度可以用公式

得出，其中p＝0为

进一步的，全连接层采用前馈神经网络的隐藏层，其中每个隐藏单元连接到前一层的所有隐藏单元。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种蜂窝网络数据异常检测方法，将网络分成多个区域，每个区域由边缘服务器监控，通过基站获取每个用户的CDR数据，并将获取的CDR数据传输至核心网络；核心网络将获取的CDR数据根据边缘服务器布置，核心网络将属于一个边缘服务器范围内的所有CDR数据进行整合形成一个边缘服务器的网络结构数据集后将形成的网络结构数据集传输至该边缘服务器，然后将网络结构数据集进行预处理形成网格图像，馈送到剩余网络CN模型，输出所识别异常小区的多标签向量，通过边缘服务器获取每个基站中每个用户的CDR数据，减轻了CN对网络中每个小区进行数据分析的巨大计算负担，从而解决了不断升级的小区中断和拥塞问题。并且，所提解决方案能够以高达96％的准确度检测异常，具有可扩展性，适用于工业物联网环境。

进一步的，通过填充以防止高度和宽度收缩的技术，因为输出维度会由于卷积操作而减小。

进一步的，CDR数据包括呼叫传入次数、短信传入次数、呼叫传出次数、短信传出次数和互联网流量，考虑了空间和时间维度，以致可以检测长期中断而不是瞬时中断。

进一步的，利用剩余网络通过将剩余模块相互叠加来有效地处理这些问题。

附图说明

图1为本发明流程图。

图2是数据集的空间描述。

图3是卷积神经网络模型，图3(a)为的卷积层结构，图3(b)为包含50层的剩余网络，图3(c)表示残余模块。

图4是卷积神经网络模型和剩余网络的性能分布。

具体实施方式

下面结合附图对本发明做进一步详细描述：

如图1、图2所示，一种蜂窝网络数据异常检测方法，包括以下步骤：

步骤1)、通过基站获取每个用户的CDR数据，并将获取的CDR数据传输至核心网络(CN)；

其中，CDR数据包括呼叫传入次数、短信传入次数、呼叫传出次数、短信传出次数和互联网流量；

CDR数据通过LTE-A(Long Term Evolution-Advanced)移动网络架构的核心网络(CN)生成。

步骤2)、核心网络将获取的CDR数据根据边缘服务器(ES)布置，核心网络将属于一个边缘服务器范围内的所有CDR数据进行整合形成一个边缘服务器的网络结构数据集后将形成的网络结构数据集传输至该边缘服务器(ES)；

边缘服务器根据自身辐射范围和外部小区连接便利性设置，一个边缘服务器覆盖多个小区基站，一个边缘服务器与其覆盖多的个小区基站构成一个服务群；具体的，本申请采用100小区基站与一个边缘服务器构成一个服务群进行测试；

核心网络将多个基站获取的CDR数据进行数据融合，根据边缘服务器的设置，核心网络将一个边缘服务器内的所有CDR数据进行整合形成网络结构数据；多个基站实时采集每个用户的CDR数据，对核心网络的整体网络结构数据集进行实时更新；

步骤3)、边缘服务器(ES)将接收到的网络结构数据集进行预处理形成网格图像，通过边缘服务器识别网格图像获取对应小区的蜂窝网络数据；

具体的，将网络结构数据集转换为一个3维矩阵

其中i是网格图像索引，

和

分别为网格图像的高度、宽度和通道数量；其中高度和宽度组成网格条目，代表从Trentino网格底部选择的小区数量，通道数量表示每个小区的CDR数据。

具体的，高度和宽度组成100个条目，代表从Trentino网格底部选择的小区，通道代表每个小区的CDR数据。为了在数据集中挖掘有意义的模式，需要大量的示例，每个实例代表过去的实例。我们结合持续3小时的时间戳，生成1116个网格图像(每小时6个时间戳×3小时×62天)。可表示为一个4维矩阵

其中m是网格图像的总数。

步骤4)、边缘服务器基于剩余网络CN模型识别网格图像获取对应小区的蜂窝网络数据是否异常：基于欧几里得距离生成标签Y_total∈R^m×100，其中100表示输出级的总数。显示1的输出级表示异常，对应小区有故障；0表示对应小区工作正常。如果||μ-σ||₂＞||a||₂＞||μ+σ||₂，标记为1，否则标记为0，其中a∈R⁵表示小区CDR数据，其中μ∈R⁵为小区CDR数据的均质元素，σ∈R⁵为小区CDR数据的标准差元素。

剩余网络CN模型包括卷积层、汇集层和全连接层；

卷积层：用于接受输入集(或前一层的激活)

其中l代表当前层的编号；滤波器

其中f^[l]是滤波器大小，

是单个滤波器的维度，

是滤波器的总数。卷积层在输入集和每个滤波器之间执行并行卷积运算，添加偏差，应用整流线性单元(ReLU)[21，Sec.6.3]函数，最后，叠加每个结果以形成输出

高度

可以计算为：

其中，p^[l]是填充数，s^[l]是步幅。填充是一种在输入图像的边界周围添加零，以防止高度和宽度收缩的技术，因为输出维度会由于卷积操作而减小。步幅是指在输入集上连续使用的滤波器之间的距离。宽度

的公式可以用式1中的

替换为

表示。

汇集层：提高了计算效率，减少了存储参数的要求，并增加了一些检测到的特性的鲁棒性。max函数用于汇集层中，汇集层根据过滤器大小f从输入集(独立地从每个通道)的区域汇集最大数量，以生成输出集。如果输入集的维度是n_H×n_W×n_C，输出集的维度可以用公式

得出，其中p＝0为

全连接层：采用前馈神经网络的隐藏层，其中每个隐藏单元连接到前一层的所有隐藏单元。

参数共享和稀疏交互是剩余网络CN普及的主要原因，与前馈神经网络相比，计算效率显著提高；因为这些导致计算和存储的参数更少。例如，考虑图3(a)中的卷积层Conv1，其输入集维度为14×14×5、滤波器大小f＝2共8个滤波器。利用p＝0的式

和上述值，我们可以计算出输出集的维度：13×13×8。此(单卷积层)操作中使用的参数总数为每个过滤器是40：2*2(一个过滤器)+1(偏差)＝5个参数，8个过滤器共40个参数。然而，如果这是一个前馈神经网络，输入将是980个单元(输入集的扁平化版本：14*14*5)，输出将是1352个单元(13*13*8)，所需参数的总数将是132万(980*1352)。因此，剩余网络CN速度更快，所需资源(计算和存储)更少。

图3(b)所示为包含50层(ResNet-50)的剩余网络CN。在零填充之后，信息流经不同的阶段。阶段1包括卷积层，然后是批量归一化(BN)和ReLU激活功能，以及(最大)汇集层。阶段2-阶段5以线性方式堆叠两个残余模块。在对最后阶段的输出进行平滑之后，我们实现完全连接的层，最后实现输出层。

图3(c)表示残余模块，卷积(Conv)和标识(ID)与跳跃连接和信息流的主要路径一起显示，每个模块由三个隐藏层组成。

表1为剩余网络CN模型中使用的参数，其中列出了每个模块的层[F1，F2和F3]中使用的滤波器数量。

表1剩余网络CN模型中的参数

图4是前馈深度神经网络CNN和剩余网络CN的性能分布。前馈深度神经网络CNN和剩余网络CN的准确度和误报率(FPR，False Positive Rate)分布显示在图中。最佳和最差性能值标记。通过实施剩余网络CN模型而不是前馈深度神经网络CNN，图中显示了对每个小区获得的改进。图中的注释表示最大的改进和退化。

我们使用测试集演示了图4中前馈深度神经网络CNN和剩余网络CN的性能。该图显示了10×10个热图。性能最差的小区2976(第1行，第7列)的准确度，从使用简单模型的68.4％显著提高到使用ResNet-50模型的75.5％。3915小区(9，10)使用简单的CNN产生的最大准确度是94.3％，使用ResNet-50模型会稍微进一步提高到95.5％。此外，对于小区3680(7,9)和4032(10,10)，使用简单模型的最大和最小FPR分别为24.7％和1.8％；当使用ResNet-50模型时，它们分别进一步降低至17.7％和1.1％。ResNet-50的分布中，最小FPR对于小区2970(1,1)是1％，当使用简单模型时从3.2％减少3倍。

本发明的仿真验证结果表示为表2。表2表明了采用剩余网络CN模型可以改善或降低单个小区的性能。同时，剩余网络CN模型的训练时间比前馈深度神经网络CNN高7倍左右。剩余网络CN的整体性能优于前馈深度神经网络CNN模型，在训练时间和性能之间实现了折衷。

表2两种异常检测模型的总体测试性能和训练时间的比较

Claims (9)

1.一种蜂窝网络数据异常检测方法，其特征在于，包括以下步骤：

步骤1)、通过基站获取每个用户的CDR数据，并将获取的CDR数据传输至核心网络；

步骤2)、核心网络将获取的CDR数据根据边缘服务器布置，核心网络将属于一个边缘服务器范围内的所有CDR数据进行整合形成一个边缘服务器的网络结构数据集后将形成的网络结构数据集传输至该边缘服务器；

步骤3)、边缘服务器(ES)将接收到的网络结构数据集进行预处理形成网格图像,具体地：将网络结构数据集转换为一个3维矩阵

其中i是网格图像索引，

和

分别为网格图像的高度、宽度和通道数量；其中高度和宽度组成网格条目，代表从Trentino网格底部选择的小区数量，通道数量表示每个小区的CDR数据；

步骤4)、边缘服务器基于剩余网络CN模型识别网格图像获取对应小区的蜂窝网络数据是否异常：基于欧几里得距离生成标签Y_total∈R^m×100，其中100表示输出级的总数，如果||μ-σ||₂＞||a||₂＞||μ+σ||₂，标记为1，否则标记为0，其中a∈R⁵表示小区CDR数据，其中μ∈R⁵为小区CDR数据的均值元素，σ∈R⁵为小区CDR数据的标准差元素，输出级1表示对应小区工作异常；输出级0表示对应小区工作正常。

2.根据权利要求1所述的一种蜂窝网络数据异常检测方法，其特征在于，CDR数据包括呼叫传入次数、短信传入次数、呼叫传出次数、短信传出次数和互联网流量。

3.根据权利要求1所述的一种蜂窝网络数据异常检测方法，其特征在于，CDR数据通过LTE-A移动网络架构的核心网络生成。

4.根据权利要求1所述的一种蜂窝网络数据异常检测方法，其特征在于，边缘服务器根据自身辐射范围和外部小区连接便利性设置，一个边缘服务器覆盖多个小区基站，一个边缘服务器与其覆盖多的个小区基站构成一个服务群。

5.根据权利要求1所述的一种蜂窝网络数据异常检测方法，其特征在于，核心网络将多个基站获取的CDR数据进行数据融合，根据边缘服务器的设置，核心网络将一个边缘服务器，形成整体网络结构数据集；多个基站实时采集每个用户的CDR数据，对核心网络的整体网络结构数据集进行实时更新。

6.根据权利要求1所述的一种蜂窝网络数据异常检测方法，其特征在于，剩余网络CN模型包括卷积层、汇集层和全连接层。

7.根据权利要求6所述的一种蜂窝网络数据异常检测方法，其特征在于，卷积层用于接受输入集

其中l代表当前层的编号；滤波器

其中f^[l]是滤波器大小，

是单个滤波器的维度，

是滤波器的总数；卷积层在输入集和每个滤波器之间执行并行卷积运算，添加偏差，应用整流线性单元函数，最后，叠加每个结果以形成输出

高度

计算为：

其中，p^[l]是填充数，s^[l]是步幅。

8.根据权利要求6所述的一种蜂窝网络数据异常检测方法，其特征在于，max函数用于汇集层中，汇集层根据滤波器大小f从输入集的区域汇集最大数量，以生成输出集；如果输入集的维度是n_H×n_W×n_C，输出集的维度可以用公式

得出，其中p＝0为

9.根据权利要求6所述的一种蜂窝网络数据异常检测方法，其特征在于，全连接层采用前馈神经网络的隐藏层，其中每个隐藏单元连接到前一层的所有隐藏单元。

Images