CN115022917B - 异常小区检测方法、装置、设备及介质 - Google Patents

Abstract

本公开提供了一种异常小区检测方法、装置、设备及介质，涉及通信技术领域。该方法包括：根据多个待检测小区的KPI对应的运行性能数据，构建小区性能矩阵；计算小区性能矩阵中的各个特征数据的曼哈顿距离；根据熵值法和各个特征数据的曼哈顿距离计算小区性能矩阵的权重；根据小区性能矩阵的权重和各个特征数据的曼哈顿距离得到多个待检测小区的评分值，输出评分值最高的待检测小区为异常小区。通过曼哈顿距离修正熵值权重法计算公式，获得不同KPI在分析异常小区时所用的权重，提高工作效率以及小区异常检测的准确性和客观性。

Description

异常小区检测方法、装置、设备及介质

技术领域

本公开涉及大数据技术领域，尤其涉及一种异常小区检测方法、装置、电子设备及计算机可读存储介质。

背景技术

移动通信网络运营商在进行网络运维中，通常定义在网络高负荷情况下需要统计的小区自忙时的多个高负荷相关的统计数据，人为划分出阈值，符合阈值条件的时段即判断为高负荷时段。例如，现网中一个小区一周有三天以上自忙时段处于高负荷，就会下发工单，交办给现网的网优工程师进行处理。这种基于阈值的小区负荷的判断处理较为粗略，需要网优工程师进行一段时间的持续观察，同时结合关键性能指标(KeyPerformanceIndicator，KPI)参数、邻近小区信息等多种参数进行人工判定，还可能会漏掉某些参数上已经满载，但未被判定为高负荷的小区。故亟待解决对5G基站故障判断和经验积累不足且缺乏统一标准的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供一种异常小区检测方法、装置、电子设备及计算机可读存储介质，至少在一定程度上克服现有的异常小区检测方法缺乏统一标准的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种异常小区检测方法，包括：

根据多个待检测小区的关键性能指标KPI对应的运行性能数据，构建小区性能矩阵；

计算所述小区性能矩阵中的各个特征数据的曼哈顿距离；

根据熵值法和所述各个特征数据的曼哈顿距离计算所述小区性能矩阵的权重；

根据所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离得到多个所述待检测小区的评分值，输出评分值最高的待检测小区为异常小区。

在本公开的一个实施例中，所述小区性能矩阵中的各个特征数据的曼哈顿距离采用以下公式表示：

Dis_j ^(i，t)＝|best(A_j)-X_j ^(i，t)|

其中，Dis_i ^(i，t)为所述小区性能矩阵中第j项KPI的第i个小区t时刻的曼哈顿距离，i∈(1，N)，t∈(1，T)，N为待检测小区的数量，T为待检测小区运行性能数据的检测周期，best(Aj)为第j项KPI的最优值，X_j ^(i，t)为所述小区性能矩阵中第j项KPI的第i个小区t时刻的特征数据。

在本公开的一个实施例中，所述根据熵值法和所述各个特征数据的曼哈顿距离计算所述小区性能矩阵的权重，包括：

根据所述各个特征数据的曼哈顿距离，计算各个特征数据标准化值；

根据所述各个特征数据标准化值，计算所述各个特征数据标准化值的比重；

根据所述各个特征数据标准化值的比重，计算所述小区性能矩阵的熵值；

根据所述小区性能矩阵的熵值，计算所述小区性能矩阵的权重。

在本公开的一个实施例中，所述小区性能矩阵的权重采用下式表示：

其中，e_j为所述小区性能矩阵的熵值，M为运行性能参数的数量。

在本公开的一个实施例中，所述根据所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离得到多个所述待检测小区的评分值，输出评分值最高的待检测小区为异常小区，包括：

计算所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离的乘积得到多个所述待检测小区的评分值；

对多个所述待检测小区的评分值进行聚类，选取评分值最高的待检测小区为异常小区。

在本公开的一个实施例中，所述方法还包括：

剔除所述小区性能矩阵中满足预设条件的待检测小区；或者，

填充所述小区性能矩阵中的数据缺失项。

在本公开的一个实施例中，所述KPI包括NG信令连接建立成功率，UE上下文掉线率、优良率、5G下切4G成功率、系统内切换成功率、RRC连接建立成功率。

根据本公开的另一个方面，提供一种异常小区检测装置，包括：

矩阵构建模块，用于根据多个待检测小区的关键性能指标KPI对应的运行性能数据，构建小区性能矩阵；

距离计算模块，用于计算小区性能矩阵中的各个特征数据的曼哈顿距离；

权重计算模块，用于根据熵值法和各个特征数据的曼哈顿距离计算小区性能矩阵的权重；

异常小区确定模块，用于根据小区性能矩阵的权重和各个特征数据的曼哈顿距离得到多个待检测小区的评分值，输出评分值最高的待检测小区为异常小区。

根据本公开的另一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的异常小区检测方法。

根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的异常小区检测方法。

本公开的实施例所提供的一种异常小区检测方法、装置、设备及介质，通过获取到的多个待检测小区的运行性能数据构建小区性能矩阵，计算小区性能矩阵中的各个特征数据的曼哈顿距离，根据熵值法和各个特征数据的曼哈顿距离对小区性能矩阵的权重进行修正，从而根据修正后的权重和各个特征数据的曼哈顿距离得到各个待检测小区的评分值，并将评分值最高的待检测小区确定为异常小区，统一故障审查标准，并为异常检测提供数据基础，减少人工支出，提高工作效率，提高小区异常检测的准确性和客观性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开实施例提供的系统架构图；

图2示出本公开实施例提供的一种异常小区检测方法的流程图；

图3示出本公开实施例提供的另一种异常小区检测方法的流程图；

图4示出采用本公开的熵值权重法和相关技术的对比结果；

图5示出本公开实施例提供的又一种异常小区检测方法的流程图；

图6示出本公开实施例提供的又一种异常小区检测方法的流程图；

图7示出本公开实施例提供的异常小区检测装置的示意图；

图8示出本公开实施例提供的电子设备的结构框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出了可以应用于本公开实施例提供的异常小区检测方法或异常小区检测装置的示例性系统架构的示意图。

如图1所示，系统架构100可以包括基站120和服务器130，在基站120的管辖范围内包括多个小区，每个小区内包括多个终端设备110，基站120用以在终端设备110和服务器130之间提供通信链路的介质，基站120可以是有线网络内的网络设备，也可以是无线网络内的网络设备。

可选地，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(InternetProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。

在图1中，基站120的管辖范围内包括5个小区，基站120为5个小区内的终端设备110提供网络服务。通常的，基站120也称作gNB等，终端设备110也称作终端、用户设备或UE等。

终端设备110可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等。

可选地，不同的终端设备110中安装的应用程序的客户端是相同的，或基于不同操作系统的同一类型应用程序的客户端。基于终端平台的不同，该应用程序的客户端的具体形态也可以不同，比如，该应用程序客户端可以是手机客户端、PC客户端等。

服务器130可以是提供各种服务的服务器，例如对用户利用终端设备110所进行操作的装置提供支持的后台管理服务器。后台管理服务器可以对接收到的请求等数据进行分析等处理，并将处理结果反馈给终端设备。

可选地，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端设备110以及服务器130可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

本领域技术人员可以知晓，图1中的终端设备、网络和服务器的数量仅仅是示意性的，根据实际需要，可以具有任意数目的终端设备、网络和服务器。本公开实施例对此不作限定。

本申请实施例提供的方案涉及通信技术，是应用于计算机中的软件程序，通过获取到的多个待检测小区的运行性能数据构建小区性能矩阵，计算小区性能矩阵中的各个特征数据的曼哈顿距离，根据熵值法和各个特征数据的曼哈顿距离对小区性能矩阵的权重进行修正，从而根据修正后的权重和各个特征数据的曼哈顿距离得到各个待检测小区的评分值，并将评分值最高的待检测小区确定为异常小区，统一故障审查标准，并为异常检测提供数据基础，减少人工支出，提高工作效率，提高小区异常检测的准确性和客观性。具体通过如下实施例进行说明：

首先，本公开实施例中提供了一种异常小区检测方法，该方法可以由任意具备计算处理能力的系统执行，该方法对应的流程可以由异常小区检测装置来执行，该装置可以位于基站内，也可以是基站；该装置还可以位于服务器内，也可以是服务器。

图2示出本公开实施例中一种异常小区检测方法流程图，如图2所示，本实施例提供的异常小区检测方法，包括如下步骤：

S202、根据多个待检测小区的KPI对应的运行性能数据，构建小区性能矩阵；

在本实施例中，以某地区多个地市SA/SA双模小区的小时级运行性能参数为分析对象。

本实施例的KPI包括但不限于NG信令连接建立成功率、UE上下文掉线率、优良率、5G下切4G成功率、系统内切换成功率、无线资源控制(Radio Resource Control，RRC)连接建立成功率等。需要说明的是，每个待检测小区的KPI对应一组运行性能参数。

其中，NG信令连接建立成功率反应基站gNB与5G核心网5GC之间的稳定性，连接包括UE相关NG接口信令连接建立尝试次数、UE相关NG接口信令连接建立成功次数。UE相关NG接口信令连接建立次数，即基站向AFM发送INITIAL UE MESSAGE及收到AMF发送的第一条NG接口消息的次数，Initial UE Message是基站向AFM发送的第一条NG接口消息，目的是传送UE相关的NAS层数据配置信息，AMF根据上述配置信息中的相关NAS信息为UE建立NG信令连接。AMF发送的第一条NG接口消息，可能为Initial Context Setup Request消息、DownlinkNAS Transport消息或UE Context Release Command消息，收到该消息表明NG接口信令连接建立成功。当基站向AMF发送Initial UE Message时，NG接口信令连接建立尝试次数加1；当基站收到AMF发送至UE的第一条NG接口消息时，NG接口信令连接建立成功次数加1。

UE上下文掉线率是用于衡量UE业务保持性和用户体验的重要指标；RRC连接建立成功率反应基站或者小区的UE接纳能力，RRC连接建立成功意味着UE与网络建立了信令连接。

本实施例的每个小区性能矩阵由在检测周期内的一组运行性能数据组成，一组运行性能数据包括在不同时刻下的多个特征数据，在检测周期内，每隔预设时长检测一次，得到在某个检测时刻的特征数据。每个小区性能矩阵中的每行特征数据对应某个待检测小区在检测周期内不同时刻对应的特征数据。

例如，以NG信令连接建立成功率为例进行说明，假定小区数量为N时，检测周期为T，在检测周期T内，间隔预设时长得到一个特征数据，共得到T个特征数据，预设时长可根据实际情况而定，如1小时、2小时等。小区性能矩阵以如下形式表示：

其中，A_j为第j项KPI构建的小区性能矩阵，小区性能矩阵A_j为N行、T列的矩阵，在矩阵A_j中，X_j ^(i,t)为小区性能矩阵中第j项KPI的第i个小区t时刻的特征数据。

为了验证不同数据量对熵值的影响，采用手动生成10000个符合正态分布的随机数集合a，并采用拼接方式分别生成数组A、B、C、D。数组A包含一个集合{a}，数组B由两个集合{a}拼接而成，即数组B表示为{a，a}，数组C由三个集合{a}拼接而成，即数组C表示为{a，a，a}，数组D四个集合{a}拼接而成，即数组D表示为{a，a，a，a}。数组ABCD拥有相同的数据分布，不同的样本量。表1为数组ABCD的熵值。

表1数组ABCD的熵值

数组	数组A	数组B	数组C	数组D
					熵值	0.9468	0.9538	0.9571	0.9591

由表1可以看出，数组中的数据量越大熵值越高，并对最终权重产生影响。故在选择合适的样本量尤为重要，在本公开中，检测周期T可为一周内的7×24小时，每隔1小时选取一个数据点，或者，检测周期T可以为两周内的14×24小时，每个2小时选取一个数据点。

需要说明的是，上述检测周期T的取值仅是为说明本公开实施例而提供的示例，不应将其视为对本公开保护范围的限制。根据具体的实现(例如不同的小区数量等)在另一些实现方式中，检测周期也可以具有不同的取值范围，需要综合考量计算的精确度和难度，一方面，为了提高熵值计算的精确度，需要较多的样本，另一方面，随着样本数量的增多，熵值计算的难度逐渐增大，故在选择检测周期T时需要综合考量。

S204、计算小区性能矩阵中的各个特征数据的曼哈顿距离；

在本实施例中，小区性能矩阵中的各个特征数据的曼哈顿距离采用以下公式表示：

Dis_j ^(i，t)＝|best(A_j)-x_j ^(i，t)| 公式一

其中，Dis_j ^(i，t)为小区性能矩阵中第j项KPI的第i个小区t时刻的曼哈顿距离，i∈(1，N)，t∈(1，T)，N为待检测小区的数量，T为待检测小区运行性能数据的检测周期，best(A_j)为第j项KPI的最优值，X_j ^(i，t)为小区性能矩阵中第j项KPI的第i个小区t时刻的特征数据。

需要说明的是，第j项KPI的最优值预先存储于小区异常检测装置内，第j项KPI的最优值可以根据技术人员的先验知识进行设定，不同的运行性能数据可以具有不同的取值。

示例性的，第j项KPI的最优值也可根据多个待检测小区的平均值设定，本申请不做具体限定。

通常的，曼哈顿距离的数值越大，表明小区性能矩阵中运行性能数据的特征数据越偏离最优值，例如，某项运行性能数据的第一特征数据为60％，第二个特征数据为70％，若该项运行性能数据的最优值为80％，则第一个特征数据的曼哈顿距离大于第二个特征数据的曼哈顿距离，即第一个特征数据比第二个特征数据更偏离最优值；同理，曼哈顿距离的数值越小，表明小区性能矩阵中运行性能数据对应的特征数据越靠近最优值。

S206、根据熵值法和各个特征数据的曼哈顿距离计算小区性能矩阵的权重。

熵值法用来判断某个指标的离散程度，通常的，某个指标的离散程度越大，该指标对综合评价的影响越大。

在本实施例中，步骤S206通过熵值法和各个特征数据的曼哈顿距离对传统熵值法公式进行修改，根据修改后的熵值法公式计算小区性能矩阵的权重，从而对熵值标准化过程拥有统一标准。

S208、根据小区性能矩阵的权重和各个特征数据的曼哈顿距离得到多个待检测小区的评分值，输出评分值最高的待检测小区为异常小区。

本实施例的某个待检测小区的评分值为小区性能矩阵的权重和各个特征数据的曼哈顿距离的乘积得到，通过排序或者聚类方法得到评分值最高的待检测小区，评分值最高的待检测小区确定为异常小区，并上报。

示例性的，计算小区性能矩阵的权重和各个特征数据的曼哈顿距离的乘积后，得到待验证矩阵，且待验证矩阵的每行代表一个待验证小区在不同时刻对应的评分值，对每行的评分值以从大到小的方式排序，并筛选排序后首列的评分值，即为不同待验证小区的最大值，依次比较，即可得到评分值最大的待验证小区。

示例性的，计算得到待验证矩阵后，可通过K-Means聚类对待验证矩阵聚类，得到待验证矩阵的评分值的最大值，进而得到与评分值最大值对应的待验证小区。

本公开实施例提供的异常小区检测方法，通过获取到的多个待检测小区的运行性能数据构建小区性能矩阵，计算小区性能矩阵中的各个特征数据的曼哈顿距离，根据熵值法和各个特征数据的曼哈顿距离对小区性能矩阵的权重进行修正，从而根据修正后的权重和各个特征数据的曼哈顿距离得到各个待检测小区的评分值，并将评分值最高的待检测小区确定为异常小区，统一故障审查标准，并为异常检测提供数据基础，减少人工支出，提高工作效率，提高小区异常检测的准确性和客观性。

图3示出本公开实施例中的又一种异常小区检测方法的流程图。本实施例的异常小区检测方法对图2中的步骤S206进一步细化为S302～S308，如图3所示，该方法包括：

S302、根据各个特征数据的曼哈顿距离，计算各个特征数据标准化值；

S304、根据各个特征数据标准化值，计算各个特征数据标准化值的比重；

S306、根据各个特征数据标准化值的比重，计算小区性能矩阵的熵值；

S308、根据小区性能矩阵的熵值，计算小区性能矩阵的权重。

在本公开中，以各个特征数据的曼哈顿距离计算各个特征数据的标准化值X′_j ^(i,t)，如下：

其中，i∈[1,N]，t∈[1,T]，min和max分别为最小值函数和最大值函数。

根据各个特征数据的标准化值，计算各个特征数据的标准化值如下：

根据各个特征数据的标准化值，计算小区性能矩阵的熵值e_j，如下：

其中，M为KPI的总数。

根据小区性能矩阵的熵值，即可计算得到小区性能矩阵的权重，采用下式表示：

其中，e_j为小区性能矩阵的熵值，M为KPI的总数。

图4示出了本公开采用曼哈顿距离修正熵值权重法与相关技术中的熵值权重法的结果，在图4中，以某省2021年10月17日所在周次的性能运行参数作为研究对象，待检测小区的KPI包括norS.2.9_NG信令连接建立成功率、norS.3.3_UE上下文掉线率、norS.8.6_5GCQI优良率、norS.4.22_5G下切4G成功率、norS.4.11_系统内切换成功率、norS.2.3_RRC连接建立成功率。如图4所示，在上述六种KPI中，本公开采用曼哈顿距离修正熵值权重法的结果均优于相关技术中的熵值权重法的结果。

图5示出本公开实施例中的另一种异常小区检测方法的流程图。在图2的基础上，进一步的步骤S208细化为步骤S502和S504。如图5所示，本公开实施例的异常小区检测方法包括步骤S202～S206、步骤S502和S504，具体的，该方法包括：

S502、计算小区性能矩阵的权重和各个特征数据的曼哈顿距离的乘积得到多个待检测小区的评分值；

S504、对多个待检测小区的评分值进行聚类，选取评分值最高的待检测小区为异常小区。

在本实施例中，以小区性能矩阵的权重和各个特征数据的曼哈顿距离的乘积，作为多个待检测小区的评分值，通过TOPSIS算法根据有限个评价对象与理想化目标的接近程度进行排序，用于对现有的对象中进行相对优劣评估。通常的，评分值贴近度取值在0～1之间，该值越接近1，表示该评估值越接近最优水平，相反地，该值越接近0，表示该评估值越原理最优水平。

根据K-Means类聚算法，对评分值类聚，选取评分值最高的待检测小区，将该待检测小区确定为异常小区。

图6示出本公开实施例中的另一种异常小区检测方法的流程图。在图2实施例的基础上，在步骤S202和步骤S204之间还包括步骤S203。如图6所示，该方法包括：

S203、剔除小区性能矩阵中满足预设条件的待检测小区；或者，填充小区性能矩阵中的数据缺失项。

在一个实施例中，若待检测小区在检测周期内的性能运行数据缺失严重，已使KPI分布发生改变，则需要将该待检测小区对应的特征数据剔除。预设条件可设定为在检测周期中连续缺失特征数据达到缺失时长阈值或者在检测周期中总计缺失超过总缺失时长阈值。例如，当检测周期为7×24小时时，连续缺失超过5小时或者总计缺失超过18小时时，判定KPI分布发生改变，将满足上述条件的待检测小区从小区性能矩阵中剔除。

在一些实施例中，待检测小区可能存在数据缺失项，在检测周期内，若在小区性能矩阵中存在不满足预设条件的待检测小区，则可以采用马尔可夫链蒙特卡洛方法填补滑动窗口的缺失项，具体为在每一步迭代的过程中，通过已知部分推测缺失部分的值，并用推测出来的值替换掉缺失部分的现有值，即采用滑窗法填充小区性能矩阵中的数据缺失项。示例性的，当检测周期内，当连续缺失不足4小时、或者总计缺失少于18小时时，填充缺失数据，以保证数据的完整性，尽量提高小区性能矩阵的样本量，提升检测精度。需要说明的是，对于数据缺失项的填充，还可采用其他类似方法，本申请不再赘述。

本公开实施例提供的异常小区检测方法，通过对运行性能数据进行剔除和填充缺失项的处理后，一方面可以将数据缺失严重的小区剔除，减少数据缺失对结果的影响，另一方面通过填充缺失项后，能够尽量保留足够多的数据量，提高异常小区检测的精确度和检测效率。

在相关技术中，熵值权重法只能处理越高越好或者越低越好的KPI，对于上述两种情况以外的KPI无法做标准化处理。在熵值权重法中，需要根据KPI计算标准化正向KPI和负向KPI，其中，

正向第j项KPI标准化：

负向第j项KPI标准化：

其中，i∈[1,N]，t∈[1,T]，min和max分别为最小值函数和最大值函数。

此时，熵值权重公式采用如下公式表示：

其中，M为KPI的总数，e_j为熵值。

开展无监督学习方法、相关技术传统熵值权重法配合TOPSIS算法的检测方法、以及本公开的采用曼哈顿距离修正熵值权重法再配合TOPSIS算法的检测方法的对比试验，当异常总量为100时，得到三种方法的准确率分别为36％、77％和81％，可见，采用本公开的检测方法可以适用于更多的KPI，能够更全面分析故障。

基于同一发明构思，本公开实施例中还提供了一种异常小区检测装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参看上述方法实施例的实施，重复指出不再赘述。

图7示出本公开实施例中一种异常小区检测装置图，如图7所示，本实施例的异常小区检测装置，包括矩阵构建模块701、距离计算模块702、权重计算模块703和异常小区确定模块704，其中，

矩阵构建模块701，用于根据多个待检测小区的关键性能指标KPI对应的运行性能数据，构建小区性能矩阵；

距离计算模块702，用于计算小区性能矩阵中的各个特征数据的曼哈顿距离；

权重计算模块703，用于根据熵值法和各个特征数据的曼哈顿距离计算小区性能矩阵的权重；

异常小区确定模块704，用于根据小区性能矩阵的权重和各个特征数据的曼哈顿距离得到多个待检测小区的评分值，输出评分值最高的待检测小区为异常小区。

在本公开的一个实施例中，小区性能矩阵中的各个特征数据的曼哈顿距离采用以下公式表示：

Dis_j ^(i，t)＝|best(A_j)-x_j ^(i，t)|

其中，Dis_j ^(i，t)为小区性能矩阵中第j项KPI的第i个小区t时刻的曼哈顿距离，i∈(1，N)，t∈(1，T)，N为待检测小区的数量，T为待检测小区运行性能数据的检测周期，best(A_j)为第j项KPI的最优值，X_j ^(i，t)为小区性能矩阵中第j项KPI的第i个小区t时刻的特征数据。

在一个实施例中，权重计算模块，具体用于根据各个特征数据的曼哈顿距离，计算各个特征数据标准化值；

根据各个特征数据标准化值，计算各个特征数据标准化值的比重；

根据各个特征数据标准化值的比重，计算小区性能矩阵的熵值；

根据小区性能矩阵的熵值，计算小区性能矩阵的权重。

需要说明的是，小区性能矩阵的权重采用下式表示：

其中，e_j为小区性能矩阵的熵值，M为运行性能参数的数量。

在本公开的一个实施例中，异常小区确定模块704，具体用于计算小区性能矩阵的权重和各个特征数据的曼哈顿距离的乘积得到多个待检测小区的评分值；

对多个待检测小区的评分值进行聚类，选取评分值最高的待检测小区为异常小区。

本实施例提供的异常小区检测装置还包括未显示在附图中的数据预处理模块，用于剔除小区性能矩阵中满足预设条件的待检测小区；或者，

填充小区性能矩阵中的数据缺失项。

本实施例的KPI包括但不限于NG信令连接建立成功率，UE上下文掉线率、优良率、5G下切4G成功率、系统内切换成功率、RRC连接建立成功率。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

本实施例提供的一种异常小区检测装置，通过获取到的多个待检测小区的运行性能数据构建小区性能矩阵，计算小区性能矩阵中的各个特征数据的曼哈顿距离，根据熵值法和各个特征数据的曼哈顿距离对小区性能矩阵的权重进行修正，从而根据修正后的权重和各个特征数据的曼哈顿距离得到各个待检测小区的评分值，并将评分值最高的待检测小区确定为异常小区，统一故障审查标准，并为异常检测提供数据基础，减少人工支出，提高工作效率，提高小区异常检测的准确性和客观性。

下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2中所示的根据多个待检测小区的KPI对应的运行性能数据，构建小区性能矩阵；计算小区性能矩阵中的各个特征数据的曼哈顿距离；根据熵值法和各个特征数据的曼哈顿距离计算小区性能矩阵的权重；根据小区性能矩阵的权重和各个特征数据的曼哈顿距离得到多个待检测小区的评分值，输出评分值最高的待检测小区为异常小区。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备840(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该系统交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，系统800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

描述了根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种异常小区检测方法，其特征在于，包括：

根据多个待检测小区的关键性能指标KPI对应的运行性能数据，构建小区性能矩阵；

计算所述小区性能矩阵中的各个特征数据的曼哈顿距离；

根据熵值法和所述各个特征数据的曼哈顿距离计算所述小区性能矩阵的权重；

根据所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离得到多个所述待检测小区的评分值，输出评分值最高的待检测小区为异常小区。

2.根据权利要求1所述的异常小区检测方法，其特征在于，所述小区性能矩阵中的各个特征数据的曼哈顿距离采用以下公式表示：

Dis_j ^(i，t)＝|best(A_j)-X_j ^(i,t)|

其中，Dis_j ^(i，t)为所述小区性能矩阵中第j项KPI的第i个小区t时刻的曼哈顿距离，i∈(1，N)，t∈(1，T)，N为待检测小区的数量，T为待检测小区运行性能数据的检测周期，best(A_j)为第j项KPI的最优值，X_j ^(i,t)为所述小区性能矩阵中第j项KPI的第i个小区t时刻的特征数据。

3.根据权利要求2所述的异常小区检测方法，其特征在于，所述根据熵值法和所述各个特征数据的曼哈顿距离计算所述小区性能矩阵的权重，包括：

根据所述各个特征数据的曼哈顿距离，计算各个特征数据标准化值；

根据所述各个特征数据标准化值，计算所述各个特征数据标准化值的比重；

根据所述各个特征数据标准化值的比重，计算所述小区性能矩阵的熵值；

根据所述小区性能矩阵的熵值，计算所述小区性能矩阵的权重。

4.根据权利要求3所述的异常小区检测方法，其特征在于，所述小区性能矩阵的权重采用下式表示：

其中，e_j为所述小区性能矩阵的熵值，M为运行性能参数的数量。

5.根据权利要求1所述的异常小区检测方法，其特征在于，所述根据所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离得到多个所述待检测小区的评分值，输出评分值最高的待检测小区为异常小区，包括：

计算所述小区性能矩阵的权重和所述各个特征数据的曼哈顿距离的乘积得到多个所述待检测小区的评分值；

对多个所述待检测小区的评分值进行聚类，选取评分值最高的待检测小区为异常小区。

6.根据权利要求1所述的异常小区检测方法，其特征在于，所述方法还包括：

剔除所述小区性能矩阵中满足预设条件的特征数据；或者，

填充所述小区性能矩阵中的数据缺失项。

7.根据权利要求1所述的异常小区检测方法，其特征在于，所述KPI包括NG信令连接建立成功率，UE上下文掉线率、优良率、5G下切4G成功率、系统内切换成功率、RRC连接建立成功率。

8.一种异常小区检测装置，其特征在于，包括：

矩阵构建模块，用于根据多个待检测小区的关键性能指标KPI对应的运行性能数据，构建小区性能矩阵；

距离计算模块，用于计算小区性能矩阵中的各个特征数据的曼哈顿距离；

权重计算模块，用于根据熵值法和各个特征数据的曼哈顿距离计算小区性能矩阵的权重；

异常小区确定模块，用于根据小区性能矩阵的权重和各个特征数据的曼哈顿距离得到多个待检测小区的评分值，输出评分值最高的待检测小区为异常小区。

9.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行如权利要求1-7任一项所述的异常小区检测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的异常小区检测方法。