CN111954232B - 无线网络指标分类方法和装置 - Google Patents

无线网络指标分类方法和装置 Download PDF

Info

Publication number
CN111954232B
CN111954232B CN201910409118.2A CN201910409118A CN111954232B CN 111954232 B CN111954232 B CN 111954232B CN 201910409118 A CN201910409118 A CN 201910409118A CN 111954232 B CN111954232 B CN 111954232B
Authority
CN
China
Prior art keywords
classification
rrc connection
connection establishment
data
kpi
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
CN201910409118.2A
Other languages
English (en)
Other versions
CN111954232A (zh
Inventor
赵晗
张培良
陈怡�
彭木根
孙耀华
闫实
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.)
Datang Mobile Communications Equipment Co Ltd
Original Assignee
Datang Mobile Communications Equipment Co Ltd
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 Datang Mobile Communications Equipment Co Ltd filed Critical Datang Mobile Communications Equipment Co Ltd
Priority to CN201910409118.2A priority Critical patent/CN111954232B/zh
Publication of CN111954232A publication Critical patent/CN111954232A/zh
Application granted granted Critical
Publication of CN111954232B publication Critical patent/CN111954232B/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
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种无线网络指标分类方法和装置。所述方法包括：计算在指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集；将KPI参数分类标签整合到计算后的数据集中，根据指定的比例划分出训练集与测试集；根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型；根据所述测试集检测所述分类模型的准确度，并对准确度达不到设定值的分类模型进行重新训练，直到所述分类模型的准确度达到设定值；根据准确度达到设定值的分类模型进行KPI参数分类。本发明实施例利用机器学习算法训练得到分类模型，可对低维数据与高维数据的KPI进行分类，分类准确率高。

Description

无线网络指标分类方法和装置
技术领域
本发明涉及通信技术领域，尤其涉及一种无线网络指标分类方法和装置。
背景技术
网络运营的主要目标是能够为尽量多的用户长期、稳定地提供高质量服务。在实际无线网络中，为了提升网络用户感知，要求对网络的接入性能、保持性能、移动性能、完整性能等各项关键网络性能进行定期监控和管理。关键性能指标(Key PerformanceIndicator，KPI)是对网络质量最直观反映，是无线网络优化的最主要工作依据。通过判断KPI的正常与否可以直接对无线网络的运行状态进行准确地分析。例如无线网络的RRC(Radio Resource Control)连接建立成功率是检验无线网络接入性能的主要指标，其直接影响了用户使用网络的业务体验感受。为了保证用户的业务体验感受，运营商根据工程经验确定一个的RRC连接建立成功率阈值，高于阈值的连接为满足用户体验，而低于阈值的连接则表明网络存在问题，需要对网络进行检查并优化。
针对低维度(一维或者二维)的无线网络指标分类方法，在现网中需要给出一个具体的分类判断阈值。以无线网络RRC连接建立成功率阈值的设定为例，现有的方案为在一个固定的场景里，收集场景内所有基站RRC连接建立成功率相关的指标数据，通过工程人员的经验分析，设定一个固定的RRC连接建立成功率阈值，可用于判断场景内所有基站全时段的RRC连接建立成功率是否达标。此阈值一旦设定则不会更改，直到运营商有新的RRC连接建立成功率需求。
然而，在对一维或者二维的数据进行分类时，需要参考工程经验和本场景的特点人为地制定一个阈值，此阈值存在一定的主观性。同时由于数据量不足以及人为规定具体的阈值，分类准确率存在一定问题。若要利用三维或者更多维数据对无线网络KPI进行分类，利用现有技术无法得出具体阈值，且难以操作。
发明内容
针对现有技术问题，本发明实施例提供一种无线网络指标分类方法和装置。
本发明实施例提供一种无线网络指标分类方法，包括：获取在指定时段内无线接入网络的KPI参数的来源数据；所述方法还包括：
根据获取的数据计算在所述指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集；
将KPI参数分类标签整合到计算后的数据集中，根据指定的比例划分出训练集与测试集，所述分类标签是根据历史已有的KPI参数预先确定的，并与所述历史已有的KPI参数一一对应；
根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型；
根据所述测试集检测所述分类模型的准确度，并对准确度达不到设定值的分类模型进行重新训练，直到所述分类模型的准确度达到设定值；
根据准确度达到设定值的分类模型进行KPI参数分类。
本发明实施例提供一种无线网络指标分类装置，包括：获取单元，用于获取在指定时段内无线接入网络的KPI参数的来源数据；所述装置还包括：
计算单元，用于根据获取的数据计算在所述指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集；
划分单元，用于将KPI参数分类标签整合到计算后的数据集中，根据指定的比例划分出训练集与测试集，所述分类标签是根据历史已有的KPI参数预先确定的，并与所述历史已有的KPI参数一一对应；
训练单元，用于根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型；
测试单元，用于根据所述测试集检测所述分类模型的准确度，并对准确度达不到设定值的分类模型进行重新训练，直到所述分类模型的准确度达到设定值；
分类单元，用于根据准确度达到设定值的分类模型进行KPI参数分类。
本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述无线网络指标分类方法。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述无线网络指标分类方法。
本发明实施例提供的无线网络指标分类方法和装置，通过统计无线接入网的KPI参数及其标签数据，分为训练集与测试集，然后利用机器学习算法训练，得到分类模型，可对低维数据与高维数据的KPI进行分类，对于低于三维的数据可以给出具体的判断阈值，对于不低于三维的数据可以通过模型训练直接给出KPI的分类结果，能够针对不同的应用要求选择不同的模式，操作灵活，分类准确率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的无线网络指标分类方法的流程示意图；
图2为本发明一实施例提供的无线网络指标分类装置的结构示意图；
图3为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明实施例提供的一种无线网络指标分类方法的流程示意图。
本发明实施例提供一种无线网络指标分类方法，获取在指定时段内无线接入网络的KPI参数的来源数据；如图1所示，所述方法具体还包括以下步骤：
S11、根据获取的数据计算在所述指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集；
具体地，基站收集无线接入网络的KPI参数的来源数据，所述KPI参数的来源数据为与KPI参数有关的、用于计算KPI参数的一些数据。例如收集与RRC连接建立成功率相关的计数器在一段时间内的数据。根据收集的数据计算一段时间内每个时刻的RRC连接建立成功率，得到这一段时间内的RRC连接建立成功率数据集。
S12、将KPI参数分类标签整合到计算后的数据集中，根据指定的比例划分出训练集与测试集，所述分类标签是根据历史已有的KPI参数预先确定的，并与所述历史已有的KPI参数一一对应；
具体地，在计算出相关的KPI参数后，将历史已有的数据分类标签整合到计算后的数据集中，根据一定的比例划分出训练集与测试集。所述分类标签为历史已有样本KPI参数的阈值结果或分类结果，与历史已有的样本KPI参数一一对应。
S13、根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型；
具体地，不同模式的分类需求包括利用低维度数据进行KPI分类和利用高维度数据进行KPI分类，低维度数据指一维或二维数据，高维度数据指三维或者更多维数据。
具体地，对于低维度数据进行KPI分类需要输出具体的判断阈值，如利用与RRC连接建立成功率有关的数据对RRC连接建立成功率设定判断阈值，根据阈值来判断数据是否正常。
对于利用高维度数据进行KPI分类，如利用与RRC连接建立成功率，LTE(Long TermEvolution，长期演进)切换成功率，LTE掉话率等有关的数据判断KPI性能，在进行分类时无法输出具体的判断阈值，需要利用算法模型直接输出分类的结果，即直接告知数据是否正常。
本发明实施例对不同模式的分类利用相应的支持向量机进行分类训练，给出无线网络KPI的分类标准，保证高效且准确性的同时兼顾了低维数据与高维数据的KPI分类，对无线网络的维护与优化有重要的意义。
S14、根据所述测试集检测所述分类模型的准确度，并对准确度达不到设定值的分类模型进行重新训练，直到所述分类模型的准确度达到设定值；
具体地，针对输出的分类模型，使用相应的测试集数据验证模型准确度，若准确度高于某一设定值时表示分类模型正确，若低于设定值则重新训练，直到训练模型准确度达到设定值。
S15、根据准确度达到设定值的分类模型进行KPI参数分类。
具体地，采用分类正确的训练模型对KPI参数进行分类。
本发明实施例提供的无线网络指标分类方法，通过统计无线接入网的KPI参数及其标签数据，分为训练集与测试集，然后利用机器学习算法训练，得到分类模型，可对低维数据与高维数据的KPI进行分类，对于低于三维的数据可以给出具体的判断阈值，对于不低于三维的数据可以通过模型训练直接给出KPI的分类结果，能够针对不同的应用要求选择不同的模式，操作灵活，分类准确率高。
在上述实施例的基础上，S13具体包括：
在利用低维度数据进行无线网络指标分类时，以低维度KPI参数作为输入，选择线性核函数对输入数据进行训练，输出线性分类边界；
在利用高维度数据进行无线网络指标分类时，以多维度KPI参数作为输入，选择高斯核函数对输入数据进行训练，直接输出分类结果。
具体地，对于利用低维度数据进行分类需要输出具体的判断阈值，如利用与RRC连接建立成功率有关的数据对RRC连接建立成功率设定判断阈值，根据阈值来判断数据是否正常。
对于利用高维度数据进行KPI分类，如利用与RRC连接建立成功率，LTE切换成功率，LTE掉话率等有关的数据判断KPI性能，在进行分类时无法输出具体的判断阈值，需要利用算法模型直接输出分类的结果，即直接告知数据是否正常。
本发明实施例对不同模式的分类利用相应的支持向量机进行分类训练，给出无线网络KPI的分类标准，保证高效且准确性的同时兼顾了低维数据与高维数据的KPI分类，对无线网络的维护与优化有重要的意义。
在上述实施例的基础上，所述KPI参数包括RRC连接建立成功率和RRC连接建立失败次数；
相应地，所述S11包括：
根据获取的与RRC连接建立成功率相关的计数器在所述指定时段内的数据计算所述指定时段内每一时刻的RRC连接建立成功率和RRC连接建立失败次数，得到RRC连接建立成功率数据集S＝(s1，s2，…，sm，…，sN)和RRC连接建立失败次数数据集F＝(f1，f2，…，fm，…，fN)。
具体地，S11具体包括以下步骤：
步骤111，收集基站中与RRC连接建立成功率相关的计数器在一段时间内的数据，包括不同类型的RRC连接建立请求次数和不同类型的的RRC连接建立成功次数：RRC连接建立请求次数-紧急呼叫、RRC连接建立成功次数-紧急呼叫，RRC连接建立请求次数-高优先级，RRC连接建立成功次数-高优先级，RRC连接建立请求次数-被叫，RRC连接建立成功次数-被叫，RRC连接建立请求次数-主叫信令，RRC连接建立成功次数-主叫信令，RRC连接建立请求次数-主叫数据，RRC连接建立成功次数-主叫数据，其中某一时刻所收集的所有相关计数器数据为一条数据，在一段时间内总共收集N条数据。
步骤112，基站根据相关计数器所收集到的数据计算RRC连接建立成功率，根据公式(RRC连接建立成功次数-紧急呼叫+RRC连接建立成功次数-高优先级+RRC连接建立成功次数-被叫+RRC连接建立成功次数-主叫信令+RRC连接建立成功次数-主叫数据)/(RRC连接建立请求次数-紧急呼叫+RRC连接建立请求次数-高优先级+RRC连接建立请求次数-被叫+RRC连接建立请求次数-主叫信令+RRC连接建立请求次数-主叫数据)，表示为S＝(s1，s2，…，sm，…，sN)。
步骤113，基站根据相关计数器所收集到的数据计算RRC连接建立失败次数，根据公式(RRC连接建立请求次数-紧急呼叫+RRC连接建立请求次数-高优先级+RRC连接建立请求次数-被叫+RRC连接建立请求次数-主叫信令+RRC连接建立请求次数-主叫数据-RRC连接建立成功次数-紧急呼叫+RRC连接建立成功次数-高优先级+RRC连接建立成功次数-被叫+RRC连接建立成功次数-主叫信令+RRC连接建立成功次数-主叫数据)，表示为F＝(f1，f2，…，fm，…，fN)。
在上述实施例的基础上，所述在利用低维度数据进行无线网络指标分类时，以低维度KPI参数作为输入，选择线性核函数对输入数据进行训练，输出线性分类边界包括：
对RRC连接建立失败次数进行归一化处理，归一化公式为：
Figure BDA0002062246440000071
其中，fm为RRC连接建立失败次数数据集中的元素，fmin表示RRC连接建立失败次数的最小值，fmax表示RRC连接建立失败次数的最大值，NormF表示归一化后的RRC连接建立失败次数；
具体地，fm为RRC连接建立失败次数数据集中大于1的元素，NormF为fm归一化后的结果。
以归一化后的RRC连接建立失败次数和RRC连接建立成功率为输入，选择线性核函数对输入数据进行训练，所述线性核函数公式为：
K<s，NormF>＝s*NormF
其中，s表示RRC连接建立成功率，NormF表示归一化后的RRC连接连接建立失败次数，K<s，NormF>表示线性核函数；
需要说明的是，RRC连接建立失败次数数据集中如果有不大于1的数据，则不需要进行归一化处理，直接输入线性核函数进行训练，即：
K<s，NormF>＝s*fm
其中，fm为RRC连接建立失败次数数据集中不大于1的元素。
输出线性分类边界C，线性分类边界C的公式为：
C＝a*s+NormF
其中，当C大于0表示分类结果为正常，当C不大于0表示分类结果为异常，a表示调整系数，通过调整a的大小来确定分类的边界是否合适。
具体地，若高层选择低维度数据进行分类判断，利用具有线性核函数的支持向量机给出一个分类边界，利用此边界可以给出KPI的具体的阈值，在现网中可以直接进行设置，方便进行判断。
现有技术中利用有限的标签数据以及工程经验进行人工划分阈值，例如在计算的RRC连接建立成功率以及RRC连接建立失败次数后，根据工程经验，在一个固定场景中且保证业务量的情况下，设定一个阈值保证绝大多数用户的业务体验正常。例如在某一场景下，设置RRC连接建立成功率阈值为RRC连接失败次数大于300次且RRC连接建立成功率小于95％。
本发明实施例利用支持向量机算法，通过算法给出一个最优的分类边界，利用此边界可以给出具体的阈值，解决了现有技术中利用有限的标签数据以及工程经验进行人工划分阈值时带来的低准确度以及高运营成本的问题，有效提高了分类准确率。
在上述实施例的基础上，所述在利用高维度数据进行无线网络指标分类时，以多维度KPI参数作为输入，选择高斯核函数对输入数据进行训练，直接输出分类结果包括：
对多维度KPI参数进行归一化处理，所述多维度KPI参数包括RRC连接建立成功率，LTE切换成功率和LTE掉话率；
具体地，若高层选择高维度数据进行分类判断，对各维度KPI参数进行归一化处理，或者根据具体情况对大于1的KPI参数进行归一化处理。
以所述多维度KPI参数为输入，选择高斯核函数对输入数据进行分类，所述高斯核函数公式为：
Figure BDA0002062246440000081
其中，x和y表示多维向量，r表示超参数，||x-y||表示向量的范数，或者表示向量的模；
具体地，输入数据可以全部是归一化后的数据，也可以是根据具体情况部分归一化后的数据，各维输入数据以时间排序成向量形式，x和y表示多维向量中的任意两维向量。r表示超参数，即高斯核函数唯一的超参数。
当输出分类结果为1表示正常，为0表示异常。
具体地，若选择高维度数据进行分类判断，本发明实施例利用具有高斯核函数的支持向量机能够直接输出分类的结果，即直接告知数据是否正常。
图2示出了本发明实施例提供的一种无线网络指标分类装置的结构示意图。
本发明实施例提供的无线网络指标分类装置包括获取单元，用于获取在指定时段内无线接入网络的KPI参数的来源数据；如图2所示，所述装置还包括：计算单元11、划分单元12、训练单元13、测试单元14和分类单元15，其中：
所述计算单元11，用于根据获取的数据计算在所述指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集；
具体地，基站收集无线接入网络的KPI参数的来源数据，所述KPI参数的来源数据为与KPI参数有关的、用于计算KPI参数的一些数据。例如收集与RRC连接建立成功率相关的计数器在一段时间内的数据。根据收集的数据计算一段时间内每个时刻的RRC连接建立成功率，得到这一段时间内的RRC连接建立成功率数据集。
所述划分单元12，用于将KPI参数分类标签整合到计算后的数据集中，根据指定的比例划分出训练集与测试集，所述分类标签是根据历史已有的KPI参数预先确定的，并与所述历史已有的KPI参数一一对应；
具体地，在计算出相关的KPI参数后，将历史已有的数据分类标签整合到计算后的数据集中，根据一定的比例划分出训练集与测试集。所述分类标签为历史已有样本KPI参数的阈值结果或分类结果，与历史已有的样本KPI参数一一对应。
所述训练单元13，用于根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型；
具体地，不同模式的分类需求包括利用低维度数据进行KPI分类和利用高维度数据进行KPI分类，低维度数据指一维或二维数据，高维度数据指三维或者更多维数据。
对于利用低维度数据进行分类需要输出具体的判断阈值，如利用与RRC连接建立成功率有关的数据对RRC连接建立成功率设定判断阈值，根据阈值来判断数据是否正常。
对于利用高维度数据进行KPI分类，如利用与RRC连接建立成功率，LTE切换成功率，LTE掉话率等有关的数据判断KPI性能，在进行分类时无法输出具体的判断阈值，需要利用算法模型直接输出分类的结果，即直接告知数据是否正常。
本发明实施例对不同模式的分类利用相应的支持向量机进行分类训练，给出无线网络KPI的分类标准，保证高效且准确性的同时兼顾了低维数据与高维数据的KPI分类，对无线网络的维护与优化有重要的意义。
所述测试单元14，用于根据所述测试集检测所述分类模型的准确度，并对准确度达不到设定值的分类模型进行重新训练，直到所述分类模型的准确度达到设定值；
具体地，针对输出的分类模型，使用相应的测试集数据验证模型准确度，若准确度高于某一设定值时表示分类模型正确，若低于设定值则重新训练，直到训练模型准确度达到设定值。
所述分类单元15，用于根据准确度达到设定值的分类模型进行KPI参数分类。
具体地，采用分类正确的训练模型对KPI参数进行分类。
本发明实施例提供的无线网络指标分类装置，通过统计无线接入网的KPI参数及其标签数据，分为训练集与测试集，然后利用机器学习算法训练，得到分类模型，可对低维数据与高维数据的KPI进行分类，对于低于三维的数据可以给出具体的判断阈值，对于不低于三维的数据可以通过模型训练直接给出KPI的分类结果，能够针对不同的应用要求选择不同的模式，操作灵活，分类准确率高。
在上述实施例的基础上，所述训练单元13包括：
第一训练模块，用于在利用低维度数据进行无线网络指标分类时，以低维度KPI参数作为输入，选择线性核函数对输入数据进行训练，输出线性分类边界；
第二训练模块，用于在利用高维度数据进行无线网络指标分类时，以多维度KPI参数作为输入，选择高斯核函数对输入数据进行训练，直接输出分类结果。
具体地，对于利用低维度数据进行分类需要输出具体的判断阈值，如利用与RRC连接建立成功率有关的数据对RRC连接建立成功率设定判断阈值，根据阈值来判断数据是否正常。
对于利用高维度数据进行KPl分类，如利用与RRC连接建立成功率，LTE切换成功率，LTE掉话率等有关的数据判断KPI性能，在进行分类时无法输出具体的判断阈值，需要利用算法模型直接输出分类的结果，即直接告知数据是否正常。
本发明实施例对不同模式的分类利用相应的支持向量机进行分类训练，给出无线网络KPI的分类标准，保证高效且准确性的同时兼顾了低维数据与高维数据的KPI分类，对无线网络的维护与优化有重要的意义。
在上述实施例的基础上，所述KPI参数包括RRC连接建立成功率和RRC连接建立失败次数；
相应地，所述计算单元11，用于根据获取的与RRC连接建立成功率相关的计数器在所述指定时段内的数据计算所述指定时段内每一时刻的RRC连接建立成功率和RRC连接建立失败次数，得到RRC连接建立成功率数据集S＝(s1，s2，…，sm，…，sN)和RRC连接建立失败次数数据集F＝(f1，f2，…，fm，…，fN)。
具体地，所述计算单元11具体包括以下模块：
收集模块，用于收集基站中与RRC连接建立成功率相关的计数器在一段时间内的数据，包括不同类型的RRC连接建立请求次数和不同类型的的RRC连接建立成功次数：RRC连接建立请求次数-紧急呼叫、RRC连接建立成功次数-紧急呼叫，RRC连接建立请求次数-高优先级，RRC连接建立成功次数-高优先级，RRC连接建立请求次数-被叫，RRC连接建立成功次数-被叫，RRC连接建立请求次数-主叫信令，RRC连接建立成功次数-主叫信令，RRC连接建立请求次数-主叫数据，RRC连接建立成功次数-主叫数据，其中某一时刻所收集的所有相关计数器数据为一条数据，在一段时间内总共收集N条数据。
第一计算模块，用于基站根据相关计数器所收集到的数据计算RRC连接建立成功率，根据公式(RRC连接建立成功次数-紧急呼叫+RRC连接建立成功次数-高优先级+RRC连接建立成功次数-被叫+RRC连接建立成功次数-主叫信令+RRC连接建立成功次数-主叫数据)/(RRC连接建立请求次数-紧急呼叫+RRC连接建立请求次数-高优先级+RRC连接建立请求次数-被叫+RRC连接建立请求次数-主叫信令+RRC连接建立请求次数-主叫数据)，表示为S＝(s1，s2，…，sm，…，sN)。
第二计算模块，用于基站根据相关计数器所收集到的数据计算RRC连接建立失败次数，根据公式(RRC连接建立请求次数-紧急呼叫+RRC连接建立请求次数-高优先级+RRC连接建立请求次数-被叫+RRC连接建立请求次数-主叫信令+RRC连接建立请求次数-主叫数据-RRC连接建立成功次数-紧急呼叫+RRC连接建立成功次数-高优先级+RRC连接建立成功次数-被叫+RRC连接建立成功次数-主叫信令+RRC连接建立成功次数-主叫数据)，表示为F＝(f1，f2，…，fm，…，fN)。
在上述实施例的基础上，所述第一训练模块具体用于：
对RRC连接建立失败次数进行归一化处理，归一化公式为：
Figure BDA0002062246440000121
其中，fm为RRC连接建立失败次数数据集中的元素，fmin表示RRC连接建立失败次数的最小值，fmax表示RRC连接建立失败次数的最大值，NormF表示归一化后的RRC连接建立失败次数；
具体地，fm为RRC连接建立失败次数数据集中大于1的元素，NormF为fm归一化后的结果。
以归一化后的RRC连接建立失败次数和RRC连接建立成功率为输入，选择线性核函数对输入数据进行训练，所述线性核函数公式为：
K<s，NormF>＝s*NormF
其中，s表示RRC连接建立成功率，NormF表示归一化后的RRC连接连接建立失败次数，K<s，NormF>表示线性核函数；
需要说明的是，RRC连接建立失败次数数据集中如果有不大于1的数据，则不需要进行归一化处理，直接输入线性核函数进行训练，即：
K<s，NormF>＝s*fm
其中，fm为RRC连接建立失败次数数据集中不大于1的元素。
输出线性分类边界C，线性分类边界C的公式为：
C＝a*s+NormF
其中，当C大于0表示分类结果为正常，当C不大于0表示分类结果为异常，a表示调整系数，通过调整a的大小来确定分类的边界是否合适。
具体地，若高层选择低维度数据进行分类判断，利用具有线性核函数的支持向量机给出一个分类边界，利用此边界可以给出KPI的具体的阈值，在现网中可以直接进行设置，方便进行判断。
现有技术中利用有限的标签数据以及工程经验进行人工划分阈值，例如在计算的RRC连接建立成功率以及RRC连接建立失败次数后，根据工程经验，在一个固定场景中且保证业务量的情况下，设定一个阈值保证绝大多数用户的业务体验正常。例如在某一场景下，设置RRC连接建立成功率阈值为RRC连接失败次数大于300次且RRC连接建立成功率小于95％。
本发明实施例利用支持向量机算法，通过算法给出一个最优的分类边界，利用此边界可以给出具体的阈值，解决了现有技术中利用有限的标签数据以及工程经验进行人工划分阈值时带来的低准确度以及高运营成本的问题，有效提高了分类准确率。
在上述实施例的基础上，所述第二训练模块具体用于：
对多维度KPI参数进行归一化处理，所述多维度KPI参数包括RRC连接建立成功率，LTE切换成功率和LTE掉话率；
具体地，若高层选择高维度数据进行分类判断，对各维度KPI参数进行归一化处理，或者根据具体情况对大于1的KPI参数进行归一化处理。
以所述多维度KPI参数为输入，选择高斯核函数对输入数据进行分类，所述高斯核函数公式为：
Figure BDA0002062246440000131
其中，x和y表示多维向量，r表示超参数，||x-y||表示向量的范数，或者表示向量的模；
具体地，输入数据可以全部是归一化后的数据，也可以是根据具体情况部分归一化后的数据，各维输入数据以时间排序成向量形式，x和y表示多维向量中的任意两维向量。r表示超参数，即高斯核函数唯一的超参数。
当输出分类结果为1表示正常，为0表示异常。
具体地，若选择高维度数据进行分类判断，本发明实施例利用具有高斯核函数的支持向量机能够直接输出分类的结果，即直接告知数据是否正常。
图3示例了一种服务器的实体结构示意图，如图3所示，该服务器可以包括：处理器(processor)21、通信接口(Communications Interface)22、存储器(memory)23和通信总线24，其中，处理器21，通信接口22，存储器23通过通信总线24完成相互间的通信。处理器21可以调用存储器23中的逻辑指令，以执行如下方法：
获取在指定时段内无线接入网络的KPI参数的来源数据；
根据获取的数据计算在所述指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集；
将KPI参数分类标签整合到计算后的数据集中，根据指定的比例划分出训练集与测试集，所述分类标签是根据历史已有的KPI参数预先确定的，并与所述历史已有的KPI参数一一对应；
根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型；
根据所述测试集检测所述分类模型的准确度，并对准确度达不到设定值的分类模型进行重新训练，直到所述分类模型的准确度达到设定值；
根据准确度达到设定值的分类模型进行KPI参数分类。
此外，上述的存储器23中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：
获取在指定时段内无线接入网络的KPI参数的来源数据；
根据获取的数据计算在所述指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集；
将KPI参数分类标签整合到计算后的数据集中，根据指定的比例划分出训练集与测试集，所述分类标签是根据历史已有的KPI参数预先确定的，并与所述历史已有的KPI参数一一对应；
根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型；
根据所述测试集检测所述分类模型的准确度，并对准确度达不到设定值的分类模型进行重新训练，直到所述分类模型的准确度达到设定值；
根据准确度达到设定值的分类模型进行KPI参数分类。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种无线网络指标分类方法，包括：获取在指定时段内无线接入网络的KPI参数的来源数据；其特征在于，所述方法还包括：
根据获取的数据计算在所述指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集；
将KPI参数分类标签整合到计算后的数据集中，根据指定的比例划分出训练集与测试集，所述分类标签是根据历史已有的KPI参数预先确定的，并与所述历史已有的KPI参数一一对应；
根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型；
根据所述测试集检测所述分类模型的准确度，并对准确度达不到设定值的分类模型进行重新训练，直到所述分类模型的准确度达到设定值；
根据准确度达到设定值的分类模型进行KPI参数分类；
所述根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型包括：
在利用低维度数据进行无线网络指标分类时，以低维度KPI参数作为输入，选择线性核函数对输入数据进行训练，输出线性分类边界；
在利用高维度数据进行无线网络指标分类时，以多维度KPI参数作为输入，选择高斯核函数对输入数据进行训练，直接输出分类结果。
2.根据权利要求1所述的无线网络指标分类方法，其特征在于，所述KPI参数包括RRC连接建立成功率和RRC连接建立失败次数；
所述根据获取的数据计算在所述指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集包括：
根据获取的与RRC连接建立成功率相关的计数器在所述指定时段内的数据计算所述指定时段内每一时刻的RRC连接建立成功率和RRC连接建立失败次数，得到RRC连接建立成功率数据集S＝(s1，s2，…，sm，…，sN)和RRC连接建立失败次数数据集F＝(f1，f2，…，fm，…，fN)。
3.根据权利要求2所述的无线网络指标分类方法，所述在利用低维度数据进行无线网络指标分类时，以低维度KPI参数作为输入，选择线性核函数对输入数据进行训练，输出线性分类边界包括：
对RRC连接建立失败次数进行归一化处理，归一化公式为：
Figure FDA0003297681320000021
其中，fm为RRC连接建立失败次数数据集中的元素，fmin表示RRC连接建立失败次数的最小值，fmax表示RRC连接建立失败次数的最大值，NormF表示归一化后的RRC连接建立失败次数；
以归一化后的RRC连接建立失败次数和RRC连接建立成功率为输入，选择线性核函数对输入数据进行训练，所述线性核函数公式为：
K<s,NormF>＝s*NormF
其中，s表示RRC连接建立成功率，NormF表示归一化后的RRC连接连接建立失败次数，K<s,NormF>表示线性核函数；
输出线性分类边界C，线性分类边界C的公式为：
C＝a*s+NormF
其中，当C大于0表示分类结果为正常，当C不大于0表示分类结果为异常，a表示调整系数，通过调整a的大小来确定分类的边界是否合适。
4.根据权利要求2所述的无线网络指标分类方法，所述在利用高维度数据进行无线网络指标分类时，以多维度KPI参数作为输入，选择高斯核函数对输入数据进行训练，直接输出分类结果包括：
对多维度KPI参数进行归一化处理，所述多维度KPI参数包括RRC连接建立成功率，LTE切换成功率和LTE掉话率；
以所述多维度KPI参数为输入，选择高斯核函数对输入数据进行分类，所述高斯核函数公式为：
Figure FDA0003297681320000022
其中，x和y表示多维向量，r表示超参数，‖x-y‖表示向量的范数，或者表示向量的模；
当输出分类结果为1表示正常，为0表示异常。
5.一种无线网络指标分类装置，包括：获取单元，用于获取在指定时段内无线接入网络的KPI参数的来源数据；其特征在于，所述装置还包括：
计算单元，用于根据获取的数据计算在所述指定时段内每一时刻的无线接入网络的KPI参数，得到KPI参数的数据集；
划分单元，用于将KPI参数分类标签整合到计算后的数据集中，根据指定的比例划分出训练集与测试集，所述分类标签是根据历史已有的KPI参数预先确定的，并与所述历史已有的KPI参数一一对应；
训练单元，用于根据不同模式下的分类需求选择相应的支持向量机算法对所述训练集进行分类训练，得到不同模式下的分类模型；
测试单元，用于根据所述测试集检测所述分类模型的准确度，并对准确度达不到设定值的分类模型进行重新训练，直到所述分类模型的准确度达到设定值；
分类单元，用于根据准确度达到设定值的分类模型进行KPI参数分类；
所述训练单元包括：
第一训练模块，用于在利用低维度数据进行无线网络指标分类时，以低维度KPI参数作为输入，选择线性核函数对输入数据进行训练，输出线性分类边界；
第二训练模块，用于在利用高维度数据进行无线网络指标分类时，以多维度KPI参数作为输入，选择高斯核函数对输入数据进行训练，直接输出分类结果。
6.根据权利要求5所述的无线网络指标分类装置，其特征在于，所述KPI参数包括RRC连接建立成功率和RRC连接建立失败次数；
所述计算单元，用于根据获取的与RRC连接建立成功率相关的计数器在所述指定时段内的数据计算所述指定时段内每一时刻的RRC连接建立成功率和RRC连接建立失败次数，得到RRC连接建立成功率数据集S＝(s1，s2，…，sm，…，sN)和RRC连接建立失败次数数据集F＝(f1，f2，…，fm，…，fN)。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述无线网络指标分类方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述无线网络指标分类方法的步骤。
CN201910409118.2A 2019-05-16 2019-05-16 无线网络指标分类方法和装置 Active CN111954232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910409118.2A CN111954232B (zh) 2019-05-16 2019-05-16 无线网络指标分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910409118.2A CN111954232B (zh) 2019-05-16 2019-05-16 无线网络指标分类方法和装置

Publications (2)

Publication Number Publication Date
CN111954232A CN111954232A (zh) 2020-11-17
CN111954232B true CN111954232B (zh) 2022-01-28

Family

ID=73336735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910409118.2A Active CN111954232B (zh) 2019-05-16 2019-05-16 无线网络指标分类方法和装置

Country Status (1)

Country Link
CN (1) CN111954232B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4013138A1 (en) * 2020-12-10 2022-06-15 Nokia Solutions and Networks Oy Determining open loop power control parameters

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107370617A (zh) * 2017-03-10 2017-11-21 南京航空航天大学 基于svm的蜂窝网络故障诊断系统
CN108205520A (zh) * 2016-12-20 2018-06-26 华为技术服务有限公司 KPI与QoE回归模型建立方法以及装置
CN108229401A (zh) * 2018-01-05 2018-06-29 杭州电子科技大学 一种基于afsa-svm的多模态信号分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160239000A1 (en) * 2015-02-12 2016-08-18 Nec Laboratories America, Inc. TS-DIST: Learning Adaptive Distance Metric in Time Series Sets

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205520A (zh) * 2016-12-20 2018-06-26 华为技术服务有限公司 KPI与QoE回归模型建立方法以及装置
CN107370617A (zh) * 2017-03-10 2017-11-21 南京航空航天大学 基于svm的蜂窝网络故障诊断系统
CN108229401A (zh) * 2018-01-05 2018-06-29 杭州电子科技大学 一种基于afsa-svm的多模态信号分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多维关联的移动网络状态分析研究;缪丹丹;《中国优秀博士论文信息科技辑》;20171231;全文 *

Also Published As

Publication number Publication date
CN111954232A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
WO2017016472A1 (en) Predicting network performance
US20230385034A1 (en) Automated decision making using staged machine learning
EP4020315A1 (en) Method, apparatus and system for determining label
EP3550768A1 (en) Network quality detection method and system
CN112243249B (zh) 5g nsa组网下lte新入网锚点小区参数配置方法和装置
EP3803694B1 (en) Methods, apparatus and computer-readable mediums relating to detection of cell conditions in a wireless cellular network
CN111294819A (zh) 一种网络优化方法及装置
TWI684139B (zh) 基於自動學習的基地台異常之預測的系統與方法
CN111753875A (zh) 一种电力信息系统运行趋势分析方法、装置及存储介质
CN111274084A (zh) 故障诊断方法、装置、设备及计算机可读存储介质
CN110275878A (zh) 业务数据检测方法、装置、计算机设备及存储介质
CN111954232B (zh) 无线网络指标分类方法和装置
CN115705413A (zh) 异常日志的确定方法及装置
EP3849231A1 (en) Configuration of a communication network
CN114936614B (zh) 一种基于神经网络的作业风险识别方法及系统
CN110855474A (zh) Kqi数据的网络特征提取方法、装置、设备及存储介质
CN112565275B (zh) 一种网络安全场景的异常检测方法、装置、设备及介质
CN111368858A (zh) 用户满意度评估方法及装置
Rozaki Network fault diagnosis using data mining classifiers
CN110868731A (zh) VoLTE网络故障检测方法及系统
CN112398706B (zh) 数据评估标准确定方法、装置及存储介质、电子设备
Rozaki Design and implementation for automated network troubleshooting using data mining
CN114040494A (zh) 一种mr数据用户的定位方法及系统
CN113656452A (zh) 调用链指标异常的检测方法、装置、电子设备及存储介质
CN115941433A (zh) 网络切片的性能优化保障方法及系统、存储介质、电子设备

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