CN112492633A - 一种基于改进局部异常因子的无线节点故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于改进局部异常因子的无线节点故障诊断方法。本方法结合了局部异常因子算法进行故障定位，以准确度为目标，首先使用动态门限方法获得初步的故障点集，然后在通过改进的局部异常因子算法进行离群点分析，通过添加空间权重函数，消除了特定属性在时间上的突变性和空间上的相关性，通过对初始数据进行调整，避免了不同属性取值范围的差异导致的误差。为了进一步提高算法的准确度，本发明通过两两组合，多次分析的方法获得多组可能的故障点簇，最终通过分析多组数据来获得较为精确的结果。

Description

一种基于改进局部异常因子的无线节点故障诊断方法

技术领域

本发明涉及无线通信领域中一种基于改进局部异常因子的无线节点故障诊断方法，适用于容易发生多种故障的网络，并针对不易发现的故障实现准确的定位。

背景技术

随着无线通信技术的发展，以5G为代表的下一代无线通信技术以其高覆盖，低时延，安全可靠和良好的用户体验逐渐替代4G成为新的通信标准。在5G网络中，由于异构动态用户的海量数据流量需求以及高频的用户切入切出，导致用户的服务质量易受影响，而无线云接入网络C-RAN(Cloud Radio Access Networks)被认为是能够解决这一问题的有效架构。C-RAN将基带处理单元BBU(Building Baseband Unit)虚拟化到一个云端资源池中。BBU和远端射频单元RRH(Remote Radio Head)通过高速的前向回传链路连接，可以提供灵活的分布式系统容量，降低网络的总能耗。

5G C-RAN中包含了大量的异构RRH，而单个的RRH覆盖的范围较小，并且其中涉及了多种传输技术和架构方式，包括毫米波，D2D等，因此管理难度大，出现故障的概率也比4G及以前的网络要高，5G网络要求即便在故障发生的条件下，网络中依旧要保持高度的可用性和可靠性，因此，自组织网络SON(Self-Organized Networks)应运而生，SON通过大数据的方式来快速消除故障，其定义了三个领域，自配置，自优化和自治愈。在C-RAN网络架构中，如果一个RRH无法正常工作，会导致网络性能的下降，降低了用户的体验，从而导致运营商的损失。因此，网络的自治愈是当下迫切需要解决的问题。

当前，有关4G LTE网络中的中断诊断和补偿技术已经得到了充分的研究，在很多研究中，采用了诸如机器学习等算法来解决SON中的故障问题，在实例中也取得了一定的成效。但是大多数算法均针对单小区/基站进行操作，收集的数据量非常庞大，难以做到实时和高效。此外，多数的研究主要面向单一数据源采用集中式分析方法，这种策略在5G C-RAN中大量分布式基站的场合下显得效率低下。因此，如何基于分布式的多源数据，实现中断基站的高效快速诊断，是当前需要解决的重要问题之一。

发明内容

本发明所要解决的技术问题在于研究基于改进的局部异常因子算法LOF的网络故障诊断方法，通过收集用户侧和基站侧的设备状态数据，从而查找出可能存在故障的基站，避免了用户服务质量的下降和运营商的损失。

本发明采用的技术方案为：

本发明首先提出了网络的故障信息收集方法，然后在云端针对不同的参数采用异常点检测算法进行检测，将所得到的结果进行分析，从而在其中选择出最有可能出现故障的基站，最后对这些基站进行修复。针对5G C-RAN中基站涉及技术和参数复杂，以及分布式架构所带来的困难，本发明提出了采用改进的局部异常因子算法来提高检测的准确性和效率。

一种基于改进局部异常因子的无线节点故障诊断方法，包括如下步骤：

(1)云端网络管理中心定期收集基站信息和用户设备状态信息并检查网络状况；

(2)当基站发生中断时，基站主动发送故障信息至云端网络管理中心，执行步骤(6)；否则，执行步骤(3)；

(3)云端网络管理中心根据收集的基站信息，通过门限识别故障的基站，初步得到异常基站簇；

(4)云端网络管理中心结合收集的用户设备状态信息，采用局部异常因子算法对初步得到的异常基站簇进行异常聚类，进一步得到多组异常的基站簇；

(5)结合步骤(4)所获得的多组异常基站簇，对异常基站按照出现次数从高到低排列，选择被诊断次数最多的基站作为最终的故障站点集，结束本流程；其中，故障站点集的数量依据云端网络管理中心设定的故障基站处理数量阈值而定；

(6)云端网络管理中心为出现故障的基站制定解决方案并执行。

其中，在步骤(1)中基站信息包括：业务数量、用户切入次数和功率；用户设备状态信息包括：信号接收功率、信号噪声比和信号接收质量。

其中，步骤(3)具体包括以下步骤：

(301)云端网络管理中心根据基站的业务数量、用户切入次数和功率，基于过去的正常数据和当前获取的数据，分别计算每个基站所有指标的偏差，如果存在设定数量指标的偏差值超过指定门限，则初步判断基站存在异常，否则继续监测；

(302)将异常基站的偏差分类为正向和反向；

(303)基于地理位置信息，判断异常基站的空间分布一致性，如果一致，则将偏差为反向的异常基站设定为潜在的异常基站，初步得到异常基站簇，当在指定范围内存在指定数量及以上偏差为正向的异常基站时，遍历每一个偏差为正向的异常基站的邻区列表，分别形成站点簇，将所有站点簇做交集初步得到异常基站簇；其中，邻区列表指的是在每一个基站中存储的与其相邻的基站的列表。

其中，步骤(4)具体为：

对获取的用户设备状态信息，进行如下操作：

data＝(data_old-val)/std

其中，data为处理之后的数据，data_old为原始数据，val为原始数据的均值，std为原始数据的标准差；

将处理后的用户设备状态信息两两组成一组作为一个数据点，每一个数据点作为用户设备的坐标点，每一种组合都采用以下方式进行计算：

对于任意两个不同的用户设备V_i和O，设两者的属性值分别为(x_i,y_i)和(x_j,y_j)，则两者的距离为：

引入空间权重函数，计算近邻节点测量值的权重：

则任意两个不同的用户设备V_i和O的实际距离为：

其中，d(V_i,O)表示对象V_i和O之间的距离，δ为该函数事先给定的宽度参数，通过调节δ可调节d(V_i,O)随着实际距离变化的程度，对象V_i表示任一用户设备，对象O为除去对象V_i后的所有用户设备；

定义对象V_i和对象O之间的k可达距离rd_k(V_i,O)为d_k(V_i)以及对象V_i和对象O之间实际距离的最大值，其计算公式为：

rd_k(V_i,O)＝max{d_k(V_i),d(V_i,O)}

其中，对象V_i的k可达距离d_k(V_i)表示与对象V_i第k临近的邻居用户设备的距离，k为设定值；

计算对象V_i的局部可达密度lrd_k(V_i)：

其中，N_k(V_i)表示由所有和V_i距离小于d_k(V_i)的对象组成的集合，lrd_k(V_i)反映出对象V_i与周围的点之间的疏密关系；

计算对象V_i的局部离群因子LOF_k(V_i)：

lrd_k(P)表示对象P的局部可达密度，LOF_k(V_i)表示对象V_i的邻域点集合N_k(V_i)中的点局部可达密度和对象V_i的局部可达密度的比值的平均值；如果比值的平均值为1，则对象V_i和其邻域中的点属于同一簇，如果比值的平均值小于1，则对象V_i的密度高于其邻域中的点的密度，如果比值的平均值大于1，则V_i的密度小于其邻域中的点密度，对象V_i设定为异常用户设备；

查询异常用户设备连接的基站为存在异常的基站，遍历所有的异常用户设备得到存在异常的基站簇；

对于每一种用户设备状态信息的组合对应获取一个异常基站簇，得到多组异常基站簇。

本发明相比现有技术的优点为：

本发明提出了采用改进的局部异常因子算法来提高检测的准确性和效率。通过引入空间权重函数，消除了由于时间上的突变性和空间上的相关性导致的数值变化，减轻了对异常检测所造成的影响。对属性进行随机两两分组，通过多次记性异常点检测，从而获得多组结果，通过对比分析这些结果，可以有效提高异常检测的准确性。

附图说明

图1本发明5G C-RAN中故障产生与诊断的方式示意图。

具体实施方式

下面，结合图1对本发明作进一步说明。

图1描述了5G C-RAN中故障产生与诊断的方式示意图，其中Core network(核心网络)由P-GW(分组数据网关)和S-GW(服务网关)组成，用户侧设备通过RRH(远程无线电头)与互联网实现数据互通，RRH和BBU pools(基带处理单元池)相连，用户数据通过RRH，BBU传送到Core network，通过网关传送到互联网。

当某些中断不易于识别，或者RRH仅部分功能出现故障，不主动上报的时候，将用户侧数据以一定的方式收集(例如滑动窗口)上传至云端网管中心，网管中心通过相关程序(离群点检测算法)进行分析，故障定位。

如图1所示，(3)号RRH传输链路中出现故障，部分设备无法连接，但是基站并没有出现需要主动汇报的中断，此时在(3)范围内无法获取连接的设备会连入其他基站。用户侧数据会定时通过传输链路送至云端的网管中心，网管中心通过分析发现异常，进行处理。

与现有技术相比较，本发明的创新之处在于：

1.符合5G C-RAN网络架构需求。

本发明基于改进局部异常因子算法进行网络故障的诊断，通过主动收集来自基站和用户两方的数据，来判断出现故障的基站，为了确保准确性，首先使用动态门限判定基站侧的数据来得到粗略的故障站点簇，然后使用改进离群点检测算法来进行聚类分析，为了提高结果的可信度，将所有属性随机两两分组，分别进行数据分析，然后结合每一次分析所得的结果，综合得到最终的故障站点。

2.基于改进的局部异常因子算法进行故障站点的定位

针对故障基站的定位问题，本发明采用局部异常因子算法的改进算法，该算法通过比较每个点和其邻域点的密度来判断该点是否为异常点，如果点的密度越低，越有可能为异常点，而密度则通过计算点之间的距离得到，距离越远，密度越低，距离越近，密度越高。此外，为了能够消除不同属性在时间和空间上的差异性，本发明针对距离计算添加了空间权重函数，为了消除不同属性取值范围的差异导致的误差，本发明对数据进行了处理，使得距离公式能够更为真实的反映数据点之间的距离。

具体处理过程如下：

(1)云端网络管理中心定期收集基站信息和用户设备状态信息并检查网络状况；基站信息包括：业务数量、用户切入次数和功率；用户设备状态信息包括：信号接收功率、信号噪声比和信号接收质量。

(2)当基站发生中断时，基站主动发送故障信息至云端网络管理中心，执行步骤(6)；否则，执行步骤(3)；

(3)云端网络管理中心根据收集的基站信息，通过门限识别故障的基站，初步得到异常基站簇；具体包括以下步骤：

(301)云端网络管理中心根据基站的业务数量、用户切入次数和功率，基于过去的正常数据和当前获取的数据，分别计算每个基站所有指标的偏差，如果存在设定数量指标的偏差值超过指定门限，则初步判断基站存在异常，否则继续监测；

(302)将异常基站的偏差分类为正向和反向；

(303)基于地理位置信息，判断异常基站的空间分布一致性，如果一致，则将偏差为反向的异常基站设定为潜在的异常基站，初步得到异常基站簇，当在指定范围内存在指定数量及以上偏差为正向的异常基站时，遍历每一个偏差为正向的异常基站的邻区列表，分别形成站点簇，将所有站点簇做交集初步得到异常基站簇；其中，邻区列表指的是在每一个基站中存储的与其相邻的基站的列表。

(4)云端网络管理中心结合收集的用户设备状态信息，采用局部异常因子算法对初步得到的异常基站簇进行异常聚类，进一步得到多组异常的基站簇；具体为：

对获取的用户设备状态信息，进行如下操作：

data＝(data_old-val)/std

其中，data为处理之后的数据，data_old为原始数据，val为原始数据的均值，std为原始数据的标准差；

将处理后的用户设备状态信息两两组成一组作为一个数据点，每一个数据点作为用户设备的坐标点，每一种组合都采用以下方式进行计算：

对于任意两个不同的用户设备V_i和O，设两者的属性值分别为(x_i,y_i)和(x_j,y_j)，则两者的距离为：

引入空间权重函数，计算近邻节点测量值的权重：

则任意两个不同的用户设备V_i和O的实际距离为：

其中，d(V_i,O)表示对象V_i和O之间的距离，δ为该函数事先给定的宽度参数，通过调节δ可调节d(V_i,O)随着实际距离变化的程度，对象V_i表示任一用户设备，对象O为除去对象V_i后的所有用户设备；

定义对象V_i和对象O之间的k可达距离rd_k(V_i,O)为d_k(V_i)以及对象V_i和对象O之间实际距离的最大值，其计算公式为：

rd_k(V_i,O)＝max{d_k(V_i),d(V_i,O)}

其中，对象V_i的k可达距离d_k(V_i)表示与对象V_i第k临近的邻居用户设备的距离，k为设定值；

计算对象V_i的局部可达密度lrd_k(V_i)：

其中，N_k(V_i)表示由所有和V_i距离小于d_k(V_i)的对象组成的集合，lrd_k(V_i)反映出对象V_i与周围的点之间的疏密关系；

计算对象V_i的局部离群因子LOF_k(V_i)：

lrd_k(P)表示对象P的局部可达密度，就是把上述的局部可达密度公式换成P，意思是对Vi的所有近邻节点P都使用上面的局部可达密度的公式计算；LOF_k(V_i)表示对象V_i的邻域点集合N_k(V_i)中的点局部可达密度和对象V_i的局部可达密度的比值的平均值；如果比值的平均值为1，则对象V_i和其邻域中的点属于同一簇，如果比值的平均值小于1，则对象V_i的密度高于其邻域中的点的密度，如果比值的平均值大于1，则V_i的密度小于其邻域中的点密度，对象V_i设定为异常用户设备；

查询异常用户设备连接的基站为存在异常的基站，遍历所有的异常用户设备得到存在异常的基站簇；

对于每一种用户设备状态信息的组合对应获取一个异常基站簇，得到多组异常基站簇。

(5)结合步骤(4)所获得的多组异常基站簇，对异常基站按照出现次数从高到低排列，选择被诊断次数最多的基站作为最终的故障站点集，结束本流程；其中，故障站点集的数量依据云端网络管理中心设定的故障基站处理数量阈值而定；

(6)云端网络管理中心为出现故障的基站制定解决方案并执行。

完成基于改进局部异常因子的无线节点故障诊断。

Claims (4)

1.一种基于改进局部异常因子的无线节点故障诊断方法，其特征在于，包括如下步骤：

(1)云端网络管理中心定期收集基站信息和用户设备状态信息并检查网络状况；

(2)当基站发生中断时，基站主动发送故障信息至云端网络管理中心，执行步骤(6)；否则，执行步骤(3)；

(3)云端网络管理中心根据收集的基站信息，通过门限识别故障的基站，初步得到异常基站簇；

(4)云端网络管理中心结合收集的用户设备状态信息，采用局部异常因子算法对初步得到的异常基站簇进行异常聚类，进一步得到多组异常的基站簇；

(5)结合步骤(4)所获得的多组异常基站簇，对异常基站按照出现次数从高到低排列，选择被诊断次数最多的基站作为最终的故障站点集，结束本流程；其中，故障站点集的数量依据云端网络管理中心设定的故障基站处理数量阈值而定；

(6)云端网络管理中心为出现故障的基站制定解决方案并执行。

2.根据权利要求1所述的一种基于改进局部异常因子的无线节点故障诊断方法，其特征在于，在步骤(1)中基站信息包括：业务数量、用户切入次数和功率；用户设备状态信息包括：信号接收功率、信号噪声比和信号接收质量。

3.根据权利要求2所述的一种基于改进局部异常因子的无线节点故障诊断方法，步骤(3)具体包括以下步骤：

(301)云端网络管理中心根据基站的业务数量、用户切入次数和功率，基于过去的正常数据和当前获取的数据，分别计算每个基站所有指标的偏差，如果存在设定数量指标的偏差值超过指定门限，则初步判断基站存在异常，否则继续监测；

(302)将异常基站的偏差分类为正向和反向；

(303)基于地理位置信息，判断异常基站的空间分布一致性，如果一致，则将偏差为反向的异常基站设定为潜在的异常基站，初步得到异常基站簇，当在指定范围内存在指定数量及以上偏差为正向的异常基站时，遍历每一个偏差为正向的异常基站的邻区列表，分别形成站点簇，将所有站点簇做交集初步得到异常基站簇；其中，邻区列表指的是在每一个基站中存储的与其相邻的基站的列表。

4.根据权利要求1所述的一种基于改进局部异常因子的无线节点故障诊断方法，其特征在于，步骤(4)具体为：

对获取的用户设备状态信息，进行如下操作：

data＝(data_old-val)/std

其中，data为处理之后的数据，data_old为原始数据，val为原始数据的均值，std为原始数据的标准差；

将处理后的用户设备状态信息两两组成一组作为一个数据点，每一个数据点作为用户设备的坐标点，每一种组合都采用以下方式进行计算：

对于任意两个不同的用户设备V_i和O，设两者的属性值分别为(x_i,y_i)和(x_j,y_j)，则两者的距离为：

引入空间权重函数，计算近邻节点测量值的权重：

则任意两个不同的用户设备V_i和O的实际距离为：

其中，d(V_i,O)表示对象V_i和O之间的距离，δ为该函数事先给定的宽度参数，通过调节δ可调节d(V_i,O)随着实际距离变化的程度，对象V_i表示任一用户设备，对象O为除去对象V_i后的所有用户设备；

定义对象V_i和对象O之间的k可达距离rd_k(V_i,O)为d_k(V_i)以及对象V_i和对象O之间实际距离的最大值，其计算公式为：

rd_k(V_i,O)＝max{d_k(V_i),d(V_i,O)}

其中，对象V_i的k可达距离d_k(V_i)表示与对象V_i第k临近的邻居用户设备的距离，k为设定值；

计算对象V_i的局部可达密度lrd_k(V_i)：

其中，N_k(V_i)表示由所有和V_i距离小于d_k(V_i)的对象组成的集合，lrd_k(V_i)反映出对象V_i与周围的点之间的疏密关系；

计算对象V_i的局部离群因子LOF_k(V_i)：

lrd_k(P)表示对象P的局部可达密度，LOF_k(V_i)表示对象V_i的邻域点集合N_k(V_i)中的点局部可达密度和对象V_i的局部可达密度的比值的平均值；如果比值的平均值为1，则对象V_i和其邻域中的点属于同一簇，如果比值的平均值小于1，则对象V_i的密度高于其邻域中的点的密度，如果比值的平均值大于1，则V_i的密度小于其邻域中的点密度，对象V_i设定为异常用户设备；

查询异常用户设备连接的基站为存在异常的基站，遍历所有的异常用户设备得到存在异常的基站簇；

对于每一种用户设备状态信息的组合对应获取一个异常基站簇，得到多组异常基站簇。

Images