CN111586728A - 一种面向小样本特征的异构无线网络故障检测与诊断方法 - Google Patents

Abstract

本发明公开了一种面向小样本特征的异构无线网络的故障诊断与预测方法，包括采集带有标签的网络状态数据集、基于每个关键性能指标KPI的最大值进行归一化处理、将归一化处理后的网络状态数据集输入至生成对抗网络，获取表征不同网络状态的模拟数据集、汇总并选出影响衡量网络状态的关键性能指标、组成带有标签的数据集，并分为训练集和测试集，输入到极致梯度提升模型进行训练，获取诊断结果；本发明解决了在进行故障检测与诊断过程中，对历史数据集进行人工类别标注的成本太高以及历史数据集过少，将影响网络故障检测与诊断效果的问题。

Description

一种面向小样本特征的异构无线网络故障检测与诊断方法

技术领域

本发明涉及通信网络技术领域，主要涉及一种面向小样本特征的异构无线网络故障检测与诊断方法。

背景技术

未来移动网络的发展不再是某一技术或某一网络的单一存在，而是各种无线接入技术的共存、互补和共同发展，从而更好地满足用户的需求。在这种网络融合和异构化的发展趋势下，故障检测与诊断是一个关键的研究方向。故障检测与诊断是管理任何网络的主要任务之一。

目前常见做法是从已令人满意地解决且已知故障的已存储案例(即标记案例)中提取信息。该数据集将允许通过监督学习获得故障诊断策略。然而，由于专家不倾向于收集KPI的值和与它们解决的故障相关的标签，所以可用的历史记录很少。特别是，它们没有太多的故障，对于每个特定的故障，没有很多标记的案例。结果，从真实网络获得的历史数据不够丰富，利用监督技术来构建诊断系统所达到的效果并不理想。

近几年来，生成对抗网络作为实现人工智能的典型方法应用，在计算机视觉、图像识别和自然语言处理领域取得了广泛的成功，让人们领略到它在处理复杂问题方面的神奇能力。它是通过对抗过程来估计生成网络的新框架，这里同时训练了两个模型：一个生成模型G，用来捕捉数据分布，一个判别模型D，用来估计来自训练数据而不是模型G中的样本的可能性。模型G的训练方案是最大化模型D犯错的概率，这个框架与极大极小两方博弈有关。通过利用此框架对minist手写数据集进行识别，实验结果证明了此框架的潜力。目前生成对抗网络思想主要是应用在计算机视觉、图像识别领域，那么，对于无线通信系统而言，这种“神奇”的技术又可以做些什么？这是一个值得探讨的问题。

本发明提出将生成对抗网络思想应用到网络故障检测与诊断领域中，将生成对抗网络思想与典型的网络故障诊断方法结合。利用生成对抗网络思想，获得了大量可靠的带有标记的数据集用于网络故障诊断算法的训练，解决从真实网络获得的历史数据不够丰富，构建诊断系统效果并不理想的问题。这样做不仅大大节省了人工标注训练数据的时间而且提高了故障诊断模型的精度。

发明内容

发明目的：本发明提供了一种面向小样本特征的异构无线网络故障检测与诊断方法，解决从真实网络获得的历史数据不够丰富导致构建诊断系统效果并不理想的问题，不仅节省人工标注训练数据的时间而且提高了故障诊断模型的精度。

技术方案：本发明提供了一种面向小样本特征的异构无线网络故障检测与诊断方法，其特征在于，包括以下步骤：

步骤1、从异构无线网络环境中采集带有标签的网络状态数据集，所述网络状态数据集包括故障类别变量集和症状变量集；所述症状变量集包括关键性能指标KPI；

步骤2、将步骤1所述网络状态数据集基于每个关键性能指标KPI的最大值进行归一化处理；

步骤3、将步骤2中所述归一化处理后的网络状态数据集输入至生成对抗网络，获取表征不同网络状态的模拟数据集；

步骤4、将步骤3中获取的模拟数据集与步骤1中采集的带有标签的网络状态数据集汇总，通过极致梯度提升模型选出影响衡量网络状态的关键性能指标；

步骤5、将步骤4中选出的影响衡量网络状态的关键性能指标组成带有标签的数据集，并分为训练集和测试集，输入到极致梯度提升模型进行训练，获取诊断结果。

进一步地，所述步骤1中症状变量集表示方法如下：

S＝[KPI₁,KPI₂,KPI₃...KPI_m]

其中S是含有m个KPI的向量，表征不同故障类别时的输入向量，KPI_i代表第i个关键性能指标；

C＝{FC₁,FC₂,FC₃...FC_n}

其中C代表故障类别，；FC_i代表网络出现故障i；在T时间段出现网络故障FC_i，此时间段的网络状态

具体为：

指时间t时，第i个关键性能指标的数值。

进一步地，所述步骤2中归一化处理具体步骤如下：

为经归一化后的第i个关键性能指标；max(KPI_i)指第i个关键性能指标出现的最大值；经归一化后的网络状态

具体为：

进一步地，所述步骤3中生成对抗网络模型选用基于Wasserstein距离的带有梯度惩罚的生成对抗网络，优化目标包括：

其中D(s)表示数据s来自于真实数据分布，且不是p_g的概率，p_g表示为生成器生成数据的分布函数；

代表生成器产生的数据服从的分布；

代表不同网络状态下的数据服从的分布；

是通过对真实数据与生成数据组成的整个数据集做采样获得；利用在[0,1]之间服从均匀分布的∈，然后在

和

的连线上随机插值采样可得

为惩罚项，其中

为任意的

下，

的梯度的模，λ为惩罚参数。

进一步地，所述生成对抗网络生成数据的具体步骤包括：

步骤S1、利用两个全连接神经网络分别构成生成器和判别器；

步骤S2、训练生成器，使生成器对异构无线网络环境中采集少量带有标签的不同网络状态数据集分别进行模仿，生成模拟数据；

步骤S3、将从异构无线网络环境中采集少量带有标签的网络状态数据集与生成器产生的模拟数据分别输入到判别器，进行判别器的训练；

步骤S4、对生成器和判别器进行交替迭代训练，最终得到平衡，模型收敛；

步骤S5、生成带有标签的表征不同网络状态的模拟数据集。

进一步地，所述步骤5中极致梯度提升模型具体包括：

决策树构造阶段将正则化项加入到损失函数中，如下所示：

其中

为损失函数，用于度量预测的网络状态标签

和真实的网络状态标签y_i之间的差异；

代表现有的(m-1)树的最优解；f_m(x_i)为

基础上新加入的一个函数，代表第m棵树模型；Ω(f_m)为正则化项，定义为：

其中T指叶节点的数量，λ为正则化参数，γ为学习率，w_j表示第j个叶节点的预测值；

所述损失函数在

处的二阶泰勒展开式为：

其中，

I_j为样本的索引集，其值与叶节点j相关联；

每个叶节点上的预测值通过将损失函数的倒数归零可得如下：

对所述极致梯度提升模型，枚举所有划分，寻找最优分割点；最佳分割标准如下：

将预测值代入损失函数，得到损失函数的最小值：

增益为损失函数在分裂前后的差值，如下：

遍历所有特征的所有值，找到分割前后损失函数的差值最大时对应的分割模式，即为最佳分割模式。

有益效果：本系统具备以下优点：

本发明提出的基于生成对抗网络的异构无线网络故障检测与诊断方法，解决了从真实网络获得的历史数据不够丰富导致构建诊断系统效果不理想的问题。这样做不仅大大节省了人工标注训练数据的时间而且提高了故障诊断模型的精度。

附图说明

图1是现有异构无线网络结构示意图；

图2是本发明提供的异构无线网络故障检测与诊断方法流程图；

图3是本发明提供的生成对抗网络结构示意图；

图4是本发明提供的OPNET网络仿真参数设置图；

图5是本发明提供的关键性能指标选取示意图。

具体实施方式

为了使本发明的的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解这些实例仅用于说明本发明而不用于限制本发明的范围。在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明以图1所示的宏小区、微小区和毫微微小区交叉重叠覆盖的异构无线网络场景为例，在这种场景下，由于网络的多样性，系统变得更加复杂，网络管理也会变得更加困难。本发明考虑此场景下的网络故障检测与诊断，首先分析衡量网络性能的关键性能指标以及常见的网络故障，并对其进行简单的关联，这部分是构建网络故障诊断模型的前期必须要做的工作。然后从异构无线网络历史数据库获取历史数据，包括故障类别变量集以及症状变量集，症状变量集考虑关键性能指标KPI。

基于图1所示异构无线网络场景，本发明提出了一种面向小样本特征的异构无线网络的故障诊断与预测方法，如图2所示，包括以下步骤：

步骤1、从异构无线网络环境中采集带有标签的网络状态数据集，所述网络状态数据集包括故障类别变量集和症状变量集；所述症状变量集包括关键性能指标KPI。

症状变量集表示方法如下：

S＝[KPI₁,KPI₂,KPI₃...KPI_m]

其中S是含有m个KPI的向量，表征不同故障类别时的输入向量，KPI_i代表第i个关键性能指标；

C＝{FC₁,FC₂,FC₃...FC_n}

其中C代表故障类别，；FC_i代表网络出现故障i；在T时间段出现网络故障FC_i，此时间段的网络状态

具体为：

指时间t时，第i个关键性能指标的数值。

步骤2、将步骤1所述网络状态数据集基于每个关键性能指标KPI的最大值进行归一化处理。归一化处理具体步骤如下：

为经归一化后的第i个关键性能指标；max(KPI_i)指第i个关键性能指标出现的最大值；经归一化后的网络状态

具体为：

步骤3、将步骤2中所述归一化处理后的网络状态数据集输入至生成对抗网络，获取表征不同网络状态的模拟数据集。

生成对抗网络框架如图3所示，它同时训练了两个模型，一个是生成模型G，作用是学习真实数据分布，一个是判别模型D，作用是用来判断样本是来自真实数据还是生成模型G产生的数据。模型G的训练方案是最大化模型D犯错的概率，这个框架与极大极小两方博弈有关。通过双方博弈，最终G能学习到真实数据的分布，D无法辨认样本是来自真实数据还是生成模型G产生的。

生成对抗网络模型选用基于Wasserstein距离的带有梯度惩罚的生成对抗网络，优化目标包括：

其中D(s)表示数据s来自于真实数据分布，且不是p_g的概率，p_g表示为生成器生成数据的分布函数；

代表生成器产生的数据服从的分布；

代表不同网络状态下的数据服从的分布；

是通过对真实数据与生成数据组成的整个数据集做采样获得；利用在[0,1]之间服从均匀分布的∈，然后在

和

的连线上随机插值采样可得

为惩罚项，其中

为任意的

下，

的梯度的模，λ为惩罚参数。

生成对抗网络生成数据的具体步骤包括：

步骤S1、利用两个全连接神经网络分别构成生成器和判别器；

步骤S2、训练生成器，使生成器对异构无线网络环境中采集少量带有标签的不同网络状态数据集分别进行模仿，生成模拟数据；

步骤S3、将从异构无线网络环境中采集少量带有标签的网络状态数据集与生成器产生的模拟数据分别输入到判别器，进行判别器的训练；

步骤S4、对生成器和判别器进行交替迭代训练，最终得到平衡，模型收敛；

步骤S5、生成带有标签的表征不同网络状态的模拟数据集。

步骤4、将步骤3中获取的模拟数据集与步骤1中采集的带有标签的网络状态数据集汇总，通过极致梯度提升模型选出影响衡量网络状态的关键性能指标；

步骤5、将步骤4中选出的影响衡量网络状态的关键性能指标组成带有标签的数据集，并分为训练集和测试集，输入到极致梯度提升模型进行训练，获取诊断结果。

其中，极致梯度提升模型具体包括：

决策树构造阶段将正则化项加入到损失函数中，如下所示：

其中

为损失函数，用于度量预测的网络状态标签

和真实的网络状态标签y_i之间的差异；

代表现有的(m-1)树的最优解；f_m(x_i)为

基础上新加入的一个函数，代表第m棵树模型；Ω(f_m)为正则化项，定义为：

其中T指叶节点的数量，λ为正则化参数，γ为学习率，w_j表示第j个叶节点的预测值；

所述损失函数在

处的二阶泰勒展开式为：

其中，

I_j为样本的索引集，其值与叶节点j相关联；

每个叶节点上的预测值通过将损失函数的倒数归零可得如下：

对所述极致梯度提升模型，枚举所有特征的所有可能划分，寻找最优分割点。最佳分割标准如下：

将预测值代入损失函数，得到损失函数的最小值：

增益为损失函数在分裂前后的差值，如下：

遍历所有特征的所有值，找到分割前后损失函数的差值最大时对应的分割模式，即为最佳分割模式。

本发明使用XGBoost框架来训练数据，然后使用训练后的模型来预测某时间段的网络状态，即为收集到的其他未知数据打上标签。此外，使用XGBoost的另一个好处是，在创建了提升树之后，可以为每个属性获得一个重要性评分。一般情况下，重要性评分衡量在模型中某属性的价值，以增强决策树的构建。属性在模型中用于构建决策树的次数越多，它就越重要。所以，此发明也利用XGBoost框架的特征重要性排序功能进行数据的预处理，选出影响衡量网络状态的最相关的性能指标。利用此算法可以对测试集的准确性和模型复杂度做一个权衡，从而实现高效而可靠的网络故障的检测。

为了说明本发明所提方法的有效性，本发明给出了实例。示例数据的收集由在OPNET中实现的动态异构无线网络环境生成，图4描述了模拟器的主要参数。仿真中主要设置了11种故障类别，具体为主要设置了正常、干扰、覆盖、硬件和传输五大类故障，其中正常为{FC₁}干扰分为上下行干扰两种{FC₂,FC₃}，覆盖故障{FC₄}，硬件分为4个不同基站故障{FC₅,FC₆,FC₇,FC₈}，传输分为3个不同链路故障{FC₉,FC₁₀,FC₁₁}，即C＝{FC₁,FC₂,FC₃...FC₁₁}。另外考虑16种关键性能指标，如图5所示。然后预先设置好这些故障的发生时间以便人工产生数据标签，。保证每个数据集中各种故障比例一致。每次仿真设置的时间为3个小时，每种故障发生的时间为30分钟。实施例利用OPNET收集的数据进行基于生成对抗网络的异构无线网络故障检测与诊断。

如图5所示，本实施例最终从所有特征里选取RSRP，RSRQ,PD_UL,PD_DL,SNR_UL,SNR_DL,RRC,DCR,HO,HO_d,Throughput_UL,LER，Throughput_DL进行故障诊断与预测。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种面向小样本特征的异构无线网络故障检测与诊断方法，其特征在于，包括以下步骤：

步骤1、从异构无线网络环境中采集带有标签的网络状态数据集，所述网络状态数据集包括故障类别变量集和症状变量集；所述症状变量集包括关键性能指标KPI；

步骤2、将步骤1所述网络状态数据集基于每个关键性能指标KPI的最大值进行归一化处理；

步骤3、将步骤2中所述归一化处理后的网络状态数据集输入至生成对抗网络，获取表征不同网络状态的模拟数据集；

步骤4、将步骤3中获取的模拟数据集与步骤1中采集的带有标签的网络状态数据集汇总，通过极致梯度提升模型选出影响衡量网络状态的关键性能指标；

步骤5、将步骤4中选出的影响衡量网络状态的关键性能指标组成带有标签的数据集，并分为训练集和测试集，输入到极致梯度提升模型进行训练，获取诊断结果。

2.根据权利要求1所述的一种面向小样本特征的异构无线网络故障检测与诊断方法，其特征在于，所述步骤1中症状变量集表示方法如下：

S＝[KPI₁，KPI₂，KPI₃...KPI_m]

其中S是含有m个KPI的向量，表征不同故障类别时的输入向量，KPI_i代表第i个关键性能指标；

C＝{FC₁，FC₂，FC₃...FC_n}

其中C代表故障类别，；FC_i代表网络出现故障i；在T时间段出现网络故障FC_i，此时间段的网络状态

具体为：

指时间t时，第i个关键性能指标的数值。

3.根据权利要求1所述的一种面向小样本特征的异构无线网络故障检测与诊断方法，其特征在于，所述步骤2中归一化处理具体步骤如下：

为经归一化后的第i个关键性能指标；max(KPI_i)指第i个关键性能指标出现的最大值；经归一化后的网络状态

具体为：

4.根据权利要求1所述的一种面向小样本特征的异构无线网络故障检测与诊断方法，其特征在于，所述步骤3中生成对抗网络模型选用基于Wasserstein距离的带有梯度惩罚的生成对抗网络，优化目标包括：

其中D(s)表示数据s来自于真实数据分布，且不是p_g的概率，p_g表示为生成器生成数据的分布函数；

代表生成器产生的数据服从的分布；

代表不同网络状态下的数据服从的分布；

是通过对真实数据与生成数据组成的整个数据集做采样获得；利用在[0，1]之间服从均匀分布的∈，然后在

和

的连线上随机插值采样可得

为惩罚项，其中

为任意的

下，

的梯度的模，λ为惩罚参数。

5.根据权利要求4所述的一种面向小样本特征的异构无线网络故障检测与诊断方法，其特征在于，所述生成对抗网络生成数据的具体步骤包括：

步骤S1、利用两个全连接神经网络分别构成生成器和判别器；

步骤S2、训练生成器，使生成器对异构无线网络环境中采集少量带有标签的不同网络状态数据集分别进行模仿，生成模拟数据；

步骤S3、将从异构无线网络环境中采集少量带有标签的网络状态数据集与生成器产生的模拟数据分别输入到判别器，进行判别器的训练；

步骤S4、对生成器和判别器进行交替迭代训练，最终得到平衡，模型收敛；

步骤S5、生成带有标签的表征不同网络状态的模拟数据集。

6.根据权利要求1所述的一种面向小样本特征的异构无线网络故障检测与诊断方法，其特征在于，所述步骤5中极致梯度提升模型具体包括：

决策树构造阶段将正则化项加入到损失函数中，最终得到目标函数如下所示：

其中

为损失函数，用于度量预测的网络状态标签

和真实的网络状态标签y_i之间的差异；

代表现有的(m-1)树的最优解；f_m(x_i)为

基础上新加入的一个函数，代表第m棵树模型；Ω(f_m)为正则化项，定义为：

其中T指叶节点的数量，λ为正则化参数，γ为学习率，w_j表示第j个叶节点的预测值；

所述目标函数在

处的二阶泰勒展开式为：

其中，

I_j为样本的索引集，其值与叶节点j相关联；

每个叶节点上的预测值通过将目标函数的倒数归零可得如下：

对所述极致梯度提升模型，枚举所有划分，寻找最优分割点；最佳分割标准如下：

将预测值代入目标函数，得到目标函数的最小值：

增益为损失函数在分裂前后的差值，如下：

遍历所有特征的所有值，找到分割前后损失函数的差值最大时对应的分割模式，即为最佳分割模式。

Images