CN116405369A - 基于图卷积神经网络的5g承载网故障诊断方法及设备 - Google Patents
基于图卷积神经网络的5g承载网故障诊断方法及设备 Download PDFInfo
- Publication number
- CN116405369A CN116405369A CN202310334306.XA CN202310334306A CN116405369A CN 116405369 A CN116405369 A CN 116405369A CN 202310334306 A CN202310334306 A CN 202310334306A CN 116405369 A CN116405369 A CN 116405369A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- network
- sequence operation
- data
- fault
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图卷积神经网络的5G承载网故障诊断方法及设备,该方法包括:获取5G承载网中网络设备的历史时序运维数据和与之相对应的标签;构建基于5G承载网的网络结构图;得到降维后的历史和现有时序运维数据;基于网络结构图,通过图卷积神经网络算法构建5G承载网故障智能诊断模型;利用降维后的历史时序运维数据和标签以及降维后的现有时序运维数据训练该5G承载网故障智能诊断模型,并得到现有时序运维数据的故障类型,实现5G承载网故障的诊断。本发明构建基于图卷积神经网络的5G承载网故障智能诊断模型,对时序运维数据进行半监督分类,可以准确识别5G承载网的故障类型,实现5G承载网故障诊断的智能化。
Description
技术领域
本发明属于5G承载网故障诊断技术领域,具体涉及一种基于图卷积神经网络的5G承载网故障诊断方法及设备。
背景技术
随着5G的商用,在各项研究和应用的推动下,5G终端连接数量迅速增加,基于5G部署和应用的各类新业务,加速推进数字技术在生活中的发展,在消费领域向生产领域、虚拟经济向实体经济的转变中发挥了重大作用。
5G移动通信网络的基础网络包括接入网、承载网和核心网,5G承载网位于核心网和接入网之间,承载着5G移动的各类业务。随着5G的研究与应用,承载网的规模迅速扩大,网络中的故障问题也随之增多,需要更加智能的故障诊断技术。目前主流的5G承载网运维方式是通过半自动的工具辅助专家人工分析定位故障原因,在大规模的工程中进行故障诊断、定位和设备维修更换需要耗费较长的时间,为了及时更换设备,需要准备网络设备成品备件,这样的方式造成时间和经济效益极低。为缓解5G承载网故障诊断手段智能化程度不足的问题,可以考虑在运维过程中融合人工智能理论与方法,实现故障和安全风险的自动诊断。
发明内容
针对5G承载网故障诊断手段智能化程度不足的技术问题,本发明提供一种基于图卷积神经网络的5G承载网故障诊断方法及设备,充分利用图卷积神经网络理论和技术,提出5G承载网故障智能诊断方法,动态获取5G承载网中网络设备的现有时序运维数据,结合历史时序运维数据和历史故障数据,构建基于图卷积神经网络的5G承载网故障智能诊断模型,对时序运维数据进行半监督分类,准确识别5G承载网的故障类型,实现5G承载网故障诊断智能化。
为了实现上述目的,本发明所提供的技术方案为:
一种基于图卷积神经网络的5G承载网故障诊断方法,构建基于图卷积神经网络的5G承载网故障智能诊断模型,用于准确识别5G承载网的故障类型,该方法包括以下步骤:
(1)获取5G承载网中网络设备的历史时序运维数据和历史故障数据,并对历史故障数据进行量化编码;
(2)考虑历史时序运维数据中含有大量冗余数据,通过主成分分析法(PCA)对历史时序运维数据进行特征提取;
(3)动态获取5G承载网中网络设备的现有时序运维数据,并用PCA进行特征提取,结合处理好的历史时序运维数据和历史故障数据划分训练集、验证集、测试集和标签;
(4)通过图卷积神经网络算法构建5G承载网故障智能诊断模型,识别现有时序运维数据的故障类型,实现5G承载网故障的智能诊断。
进一步的,在步骤(1)中,通过以下方法获取5G承载网中网络设备的历史时序运维数据和历史故障数据,并对历史故障数据进行量化编码:
①获取历史时序运维数据和历史故障数据:获取5G承载网中网络设备状态数据、网络设备环境数据、网络设备运行数据以及与之对应的故障类型,整理得到N个特征维度为k的历史时序运维数据和与之对应的n种故障类型。
②历史故障数据量化编码:将n种故障类型映射到n个独热码向量中,分别为[1,0,…,0,0]、[0,1,…,0,0]、…、[0,0,…,1,0]、[0,0,…,0,1],再将n个独热码向量转化为自然数,即用0表示[1,0,…,0,0]、用1表示[0,1,…,0,0]、…、用n-2表示[0,0,…,1,0]、用n-1表示[0,0,…,0,1],同时建立以自然数为键、故障类型为值的字典,方便后续模型进行故障类型预测,代表故障类型的自然数作为标签,与历史时序运维数据相对应。
③构建基于5G承载网的网络结构图:对5G承载网中的网络节点以及网络节点的连接关系进行建模,得到一个具有非欧式空间结构的网络结构图。网络节点构成网络结构图中的节点,网络节点之间的连接关系构成网络结构图中的边,从而得到一个完整的连通的无向图。每个网络节点拥有唯一的数字id表征身份,N个特征维度为k的历史时序运维数据包含所有网络节点的故障数据,将N个历史时序运维数据进行随机生成。
进一步的,步骤(2)中,考虑历史时序运维数据中含有大量冗余数据,通过PCA对历史时序运维数据进行特征提取,将N个特征维度为k的历史时序运维数据A=(a1,a2,…,k)降维到l维:
①对历史时序运维数据进行中心化,中心化可以通过如下式子计算:
③对协方差矩阵ATA进行特征值分解:用雅可比(Jacobi)法求出协方差矩阵ATA的特征值,并对协方差矩阵ATA的特征值按其大小排序,即λ1≥λ2≥…≥λk≥0,再分别求出特征值λi对应的单位特征向量ei(i=1,2,…,k)。
④计算历史时序运维数据前l个主成分值:取出前l个特征值λj所对应的单位特征向量ej,j=1,2,…,l,前l个主成分值可以通过如下式子计算:
P=(Ae1,Ae2,…,Ael)=(p1,p2,…,pl)
式中,P为降维后的历史时序运维数据,P∈RN*l。
进一步的,步骤(3)中,动态获取5G承载网中网络设备的现有时序运维数据,并用PCA进行特征提取,结合处理好的历史时序运维数据和历史故障数据划分训练集、验证集、测试集和标签:
①动态获取5G承载网中网络设备的现有时序运维数据:获取5G承载网中现有网络设备状态数据、网络设备环境数据、网络设备运行数据,整理得到M个特征维度为k的现有时序运维数据,将M个现有时序运维数据进行随机生成。
②用PCA除去现有时序运维数据中的冗余数据:参考步骤(2)中PCA降维方法,将M个特征维度为k的现有时序运维数据B=(b1,b2,…,k)降维到l维,降维后的现有时序运维数据Q∈RM*l。
进一步的,步骤(4)中,通过图卷积神经网络算法构建5G承载网故障智能诊断模型,识别现有时序运维数据的故障类型,实现5G承载网故障的智能诊断:
①构建时序运维数据的邻接矩阵A并做归一化处理:降维后的历史时序运维数据P和现有时序运维数据Q构成矩阵取P中随机打乱后的最后一组包含所有网络节点的数字id,记录数字id位置,依托由数字id表征的网络节点之间的连接关系,构建时序运维数据的邻接矩阵A∈R(M+N)*(M+N),邻接矩阵A为稀疏实对称方阵。邻接矩阵A加上自环IN防止在图卷积神经网络中反复调用该算子导致数值不稳定、梯度爆炸和梯度消失,即 其中IN∈R(M+N)*(M+N)为单位矩阵。邻接矩阵/>的度矩阵/>为/>邻接矩阵A的归一化通过如下式子计算,其中/>为归一化后的邻接矩阵。
②利用图卷积神经网络算法构建5G承载网故障智能诊断模型:根据图卷积神经网络理论和技术,构建两层图卷积神经网络模型,两层图卷积神经网络模型的前向传播公式如下所示:
其中,为归一化后的邻接矩阵,X∈R(+N)*为(M+N)个特征维度为l的时序运维数据,W(0)∈Rl*t为输入层到隐藏层的权重矩阵,经过隐藏层时序数据由l维变为t维,W(1)∈Rt*n为隐藏层到输出层的权重矩阵,经过输出层时序数据由t维变为n维,Z∈R(+N)*为输出矩阵,ReLU函数为激活函数,softmax函数为归一化指数函数,作用在输出矩阵Z的每一行上。
③计算训练集故障类型的准确率:由输出矩阵Z得到训练集的输出结果H,取H每一行向量中最大值位置的索引,构成/>的矩阵,与/>个时序数据的对应标签进行比较,若值相同记为1,若值不同记为0,将/>个比较结果相加,再除以/>即可得到训练集故障类型的准确率。
④训练两层图卷积神经网络模型:对权重矩阵W(0)和W(1)随机初始化赋值然后根据最大似然损失函数通过反向传播梯度下降进行迭代优化,设置学习率和训练次数,引入L2正则化和Dropout防止两层图卷积神经网络模型过拟合。
⑤对现有时序运维数据的故障类型进行预测:现有时序运维数据故障类型的预测结果为n维向量,取n维向量中最大值位置的索引,调用步骤(1)中建立的以自然数为键、故障类型为值的字典,识别时序数据测试集的故障类型。
一种诊断设备,该诊断设备采用上述中任意一项所述的基于图卷积神经网络的5G承载网故障诊断方法。
本发明与现有技术相比,具有以下优点及有益效果:
(1)考虑时序运维数据中含有大量冗余数据,利用PCA具有将高维数据映射到低维数据的特点,实现5G承载网的时序运维数据的特征提取;
(2)动态获取5G承载网中网络设备的现有时序运维数据,结合历史时序运维数据和历史故障数据,实现5G承载网故障类型的实时预测;
(3)构建基于图卷积神经网络的5G承载网故障智能诊断模型,实现5G承载网故障的准确识别,提升5G承载网故障诊断方法的智能程度。
附图说明
图1为基于图卷积神经网络的5G承载网故障诊断方法的流程示意图;
图2为湖北省主要地级市相互连通的网络结构图;
图3为PCA对历史时序运维数据进行特征提取的流程图;
图4为构建基于图卷积神经网络的5G承载网故障智能诊断模型的流程图;
图5为图卷积神经网络算法训练过程中,训练集损失和验证集准确率随epoch变化的曲线图;
图6为图卷积神经网络算法训练过程中,训练集损失和测试集准确率随epoch变化的曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,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,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图卷积神经网络是一种利用边的信息对节点信息进行聚合从而生成新的节点表示的技术,利用图卷积神经网络在节点和边建立的关系拓扑图上提取空间特征来进行机器学习。通过图卷积神经网络提取拓扑图的空间特征的方式,本发明提出一种基于图卷积神经网络的5G承载网故障智能诊断方法,可适用于5G承载网运维中的故障类型判断识别过程:根据5G承载网的故障特点,结合网络设备状态、环境和运行数据,分析5G承载网常见故障类型并进行量化编码,利用主成分分析法清除历史时序运维数据中的冗余数据;将历史时序运维数据和历史故障数据分别作为图卷积神经网络算法的训练集、验证集和标签,动态获取5G承载网中网络设备的现有时序运维数据作为图卷积神经网络算法的测试集,构建5G承载网故障智能诊断模型,准确识别现有时序运维数据的故障类型,实现5G承载网故障诊断智能化。
如图1所示,本发明实施例的5G承载网故障智能诊断方法主要包括以下步骤:
(1)获取5G承载网中网络设备的历史时序运维数据和历史故障数据,并对历史故障数据进行量化编码;
(2)考虑历史时序运维数据中含有大量冗余数据,通过主成分分析法(PCA)对历史时序运维数据进行特征提取;
(3)动态获取5G承载网中网络设备的现有时序运维数据,并用PCA进行特征提取,结合处理好的历史时序运维数据和历史故障数据划分训练集、验证集、测试集和标签;
(4)通过图卷积神经网络算法构建5G承载网故障智能诊断模型,识别现有时序运维数据的故障类型,实现5G承载网故障的智能诊断。
以上步骤为本发明实施例从数据获取到5G承载网故障智能诊断的步骤。
其中,步骤(1)中,如图2所示,结合地理位置关系,构建湖北省主要地级市相互连通的网络结构图,获取湖北省5G承载网中网络设备的历史时序运维数据和历史故障数据,对历史故障数据进行量化编码,具体步骤如下所示:
①获取历史时序运维数据和历史故障数据:仿照5G承载网中网络设备状态数据、网络设备环境数据、网络设备运行数据以及与之对应的故障类型,构建2088个特征维度为60的历史时序运维数据和与之对应的6种故障类型;
②历史故障数据量化编码:将6种故障类型映射到6个独热码向量中,分别为[1,0,0,0,0,0]、[0,1,0,0,0,0]、[0,0,1,0,0,0]、[0,0,0,1,0,0]、[0,0,0,0,1,0]、[0,0,0,0,0,1],再将6个独热码向量转化为自然数,即用0表示[1,0,0,0,0,0]、用1表示[0,1,0,0,0,0]、用2表示[0,0,1,0,0,0]、用3表示[0,0,0,1,0,0]、用4表示[0,0,0,0,1,0]、用5表示[0,0,0,0,0,1],同时建立以自然数为键、故障类型为值的字典,方便后续模型进行故障类型预测,代表故障类型的自然数作为标签,与历史时序运维数据相对应;
③实施例网络结构图介绍:针对5G承载网故障诊断手段智能化程度不足的问题,因此,需要对湖北省诸多市县的地理位置关系进行建模,得到一个具有非欧式空间结构的网络结构图。湖北省主要地级市以及下辖的市、县构成网络结构图的116个节点,主要地级市连接关系如图2所示,主要地级市下辖的市、县分别于与所属地级市直接相连,构成一个拥有115条边的网络结构图,该图是无向图。116个市县拥有唯一的数字id和中文id,如武汉市的数字id为31、中文id为武汉市,用数字id表征115条边的连接关系,116个市县各有3组包含6种故障类型的60维历史时序运维数据以及相应的故障类型标签,将2088=116*3*6个历史时序运维数据进行随机生成。
步骤(2)中,如图3所示,考虑历史时序运维数据中含有大量冗余数据,通过PCA对历史时序运维数据进行特征提取,将2088个特征维度为60的历史时序运维数据A=(a1,a2,…,60)降维到40维,具体步骤如下所示:
①对历史时序运维数据进行中心化:中心化可以通过如下式子计算;
③对协方差矩阵ATA进行特征值分解:用雅可比(Jacobi)法求出协方差矩阵ATA的特征值,并对协方差矩阵ATA的特征值按其大小排序,即λ1≥λ2≥…≥λ60≥0,再分别求出特征值λi对应的单位特征向量ei(i=1,2,…,60);
④计算历史时序运维数据前40个主成分值:取出前40个特征值λj所对应的单位特征向量ej(j=1,2,…,40),前40个主成分值可以通过如下式子计算,P为降维后的历史时序运维数据,P∈R2088*。
P=(Ae1,Ae2,…,Ae40)=(p1,p2,…,p40)
步骤(3)中,动态获取5G承载网中网络设备的现有时序运维数据,并用PCA进行特征提取,结合处理好的历史时序运维数据和历史故障数据划分训练集、验证集、测试集和标签,具体步骤如下所示:
①动态获取5G承载网中网络设备的现有时序运维数据:仿照5G承载网中网络设备状态数据、网络设备环境数据、网络设备运行数据以及与之对应的故障类型,构建2088个特征维度为60的现有时序运维数据,将2088个现有时序运维数据进行随机生成,为后续验证现有时序运维数据的准确率,构建与现有时序运维数据相对应的6种故障类型,参考步骤(1)对故障类型进行量化编码;
②用PCA除去现有时序运维数据中的冗余数据:参考步骤(2)中PCA降维方法,将2088个特征维度为60的现有时序运维数据B=(b1,b2,…,60)降维到40维,降维后的现有时序运维数据Q∈R2088*;
③划分图卷积神经网络算法的训练集、验证集、测试集和标签:训练集包含1392个历史时序运维数据,验证集包含696个历史时序运维数据,测试集包含2088个现有时序运维数据,标签由量化编码后的故障数据组成。
步骤(4)中,如图4所示,通过图卷积神经网络算法构建5G承载网故障智能诊断模型,识别现有时序运维数据的故障类型,实现5G承载网故障的智能诊断,具体步骤如下所示:
①构建时序运维数据的邻接矩阵A并做归一化处理:降维后的历史时序运维数据P和现有时序运维数据Q构成矩阵取P中随机打乱后的最后一组116个市县的数字id,记录数字id位置,依托由数字id表示的116个市县的网络结构图,构建时序运维数据的邻接矩阵A∈R4176*4176,邻接矩阵A为稀疏实对称方阵。本实施例中,P中共有2088个数字id,即:116个县市,但每个县市重复出现3*6次,仅取最后出现的116个市县的数字id,记录数字id位置,根据116个市县的网络结构图构建邻接矩阵。取邻接矩阵A加上自环IN防止在图卷积神经网络中反复调用该算子导致数值不稳定、梯度爆炸和梯度消失,即其中IN∈R4176*4176为单位矩阵。邻接矩阵/>的度矩阵/>为/>邻接矩阵A的归一化通过如下式子计算,其中/>为归一化后的邻接矩阵;
②利用图卷积神经网络算法构建湖北省5G承载网故障智能诊断模型:根据图卷积神经网络理论和技术,构建两层图卷积神经网络模型,两层图卷积神经网络模型的前向传播公式如下所示:
其中为归一化后的邻接矩阵,X∈R4176*40为4176个特征维度为40的时序运维数据,W(0)∈R40*t为输入层到隐藏层的权重矩阵,经过隐藏层时序数据由40维变为t维,W(1)∈Rt*6为隐藏层到输出层的权重矩阵,经过输出层时序数据由t维变为6维,Z∈R4176 *6为输出矩阵,ReLU函数为激活函数,softmax函数为归一化指数函数,作用在输出矩阵Z的每一行上;
③计算训练集故障类型的准确率:由输出矩阵Z得到训练集的输出结果H,H∈R1392 *6,取H每一行向量中最大值位置的索引,构成1392*1的矩阵,与1392个时序数据的对应标签进行比较,若值相同记为1,若值不同记为0,将1392个比较结果相加,再除以1392即可得到故障类型的准确率;
此处预先设置好准确率的计算方法,在完成训练后即可根据该方法获取准确率;
④训练两层图卷积神经网络模型:对权重矩阵W(0)和W(1)随机初始化赋值然后根据最大似然损失函数通过反向传播梯度下降进行迭代优化,训练次数为100个epoch,设置学习率,引入L2正则化和Dropout防止两层图卷积神经网络模型过拟合;
⑤计算现有时序运维数据故障类型的准确率并对故障类型进行预测:参考计算训练集故障类型准确率的方法,得出现有时序运维数据故障类型的准确率,现有时序运维数据故障类型的预测结果为6维向量,取6维向量中最大值位置的索引,调用步骤(1)中建立的以自然数为键、故障类型为值的字典,识别时序数据测试集的故障类型。
本发明仿照5G承载网中的实际故障类型,构造包含6种故障类型的2088个特征维度为60的历史时序运维数据,具体情况如表1所示,对本发明所提的方法进行测试与验证。
表1时序运维数据以及相应的故障类型表
同理,可以根据表1随机生成现有时序运维数据。
基于Pycharm集成开发环境,对历史时序运维数据和故障数据进行预处理,结合动态获取的现有时序运维数据,搭建两层图卷积神经网络框架,并对两层图卷积神经网络模型进行半监督学习,从而识别现有时序运维数据的故障类型,实现5G承载网故障的智能诊断。表2为不同超参数下图卷积神经网络模型的训练结果。图5和图6是图卷积神经网络算法训练过程中,训练集损失和验证集准确率随epoch变化的曲线图以及训练集损失和测试集准确率随epoch变化的曲线图。
表2不同超参数下图卷积神经网络模型的训练结果表
本发明实现的软件平台和环境配置信息为:Pycharm(2021.3.3),torch(1.12.1),cuda(12.0),matplotlib(3.5.1)和scipy(1.9.3)。
假定现有时序运维数据与历史时序运维数据拥有一样的故障类型,构造包含6种故障类型的2088个特征维度为60的现有时序运维数据,并为现有时序运维数据提供故障标签,利用训练好的图卷积神经网络模型对现有时序运维数据进行故障类型的半监督分类,对现有时序运维数据的故障类型进行预测,结果如表3所示。
表3比较分析结果表
从上述表格可以看到,测试集即现有时序运维数据的准确率高达93.63%,图卷积神经网络模型能够根据历史时序运维数据的故障类型,对5G承载网的故障进行智能诊断,该方法提高了5G承载网故障诊断效率,解决了5G承载网故障诊断手段智能化程度不足的问题。
综上所述,本发明提供了一种基于图卷积神经网络的5G承载网故障智能诊断方法及设备,用于准确识别5G承载网的故障类型,该方法主要包括:获取5G承载网中网络设备的历史时序运维数据和历史故障数据,并对历史故障数据进行量化编码;考虑历史时序运维数据中含有大量冗余数据,通过主成分分析法(PCA)对历史时序运维数据进行特征提取;动态获取5G承载网中网络设备的现有时序运维数据,并用PCA进行特征提取,结合处理好的历史时序运维数据和历史故障数据划分训练集、验证集、测试集和标签;通过图卷积神经网络算法构建5G承载网故障智能诊断模型,识别现有时序运维数据的故障类型,提升5G承载网故障诊断方法的智能程度。与现有技术相比,本发明针对5G承载网故障诊断手段智能化程度不足的问题,充分利用图卷积神经网络理论和技术,提出5G承载网故障智能诊断方法,动态获取5G承载网中网络设备的现有时序运维数据,结合历史时序运维数据和历史故障数据,构建基于图卷积神经网络的5G承载网故障智能诊断模型,对时序运维数据进行半监督分类,准确识别5G承载网的故障类型,实现5G承载网故障诊断智能化。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图卷积神经网络的5G承载网故障诊断方法,其特征在于,该方法用于识别5G承载网的故障类型,包括以下步骤:
(1)获取5G承载网中网络设备的历史时序运维数据和与之相对应的历史故障数据,并对历史故障数据进行量化编码,得到代表故障类型的自然数作为标签,标签和历史时序运维数据相对应;
构建基于5G承载网的网络结构图:对5G承载网中的网络节点以及网络节点的连接关系进行建模,网络节点构成网络结构图中的节点,网络节点之间的连接关系构成网络结构图中的边;
(2)通过主成分分析法PCA对历史时序运维数据进行特征提取,得到降维后的历史时序运维数据;
(3)动态获取5G承载网中网络设备的现有时序运维数据,并用主成分分析法PCA进行特征提取,得到降维后的现有时序运维数据;
(4)基于所构建的网络结构图,通过图卷积神经网络算法构建5G承载网故障智能诊断模型;利用降维后的历史时序运维数据和标签以及降维后的现有时序运维数据训练该5G承载网故障智能诊断模型,并得到现有时序运维数据的故障类型,实现5G承载网故障的诊断。
2.根据权利要求1所述的基于图卷积神经网络的5G承载网故障诊断方法,其特征在于,步骤(1)具体包括:
①获取历史时序运维数据和历史故障数据:获取5G承载网中网络设备状态数据、网络设备环境数据、网络设备运行数据以及与之对应的故障类型,整理得到N个特征维度为k的历史时序运维数据和与之对应的n种故障类型;
②历史故障数据量化编码:将n种故障类型映射到n个独热码向量中,分别为[1,0,…,0,0]、[0,1,…,0,0]、…、[0,0,…,1,0]、[0,0,…,0,1],再将n个独热码向量转化为自然数,即用0表示[1,0,…,0,0]、用1表示[0,1,…,0,0]、…、用n-2表示[0,0,…,1,0]、用n-1表示[0,0,…,0,1],同时建立以自然数为键、故障类型为值的字典,使自然数与故障类型一一对应,将代表故障类型的自然数作为标签,与历史时序运维数据相对应;
③构建基于5G承载网的网络结构图:对5G承载网中的网络节点以及网络节点的连接关系进行建模,得到一个具有非欧式空间结构的网络结构图,其中网络节点构成网络结构图中的节点,网络节点之间的连接关系构成网络结构图中的边,从而得到一个完整的连通的无向图;每个网络节点拥有唯一的数字id表征身份,N个特征维度为k的历史时序运维数据包含所有网络节点的故障数据。
3.根据权利要求2所述的基于图卷积神经网络的5G承载网故障诊断方法,其特征在于,随机生成N个历史时序运维数据。
4.根据权利要求1所述的基于图卷积神经网络的5G承载网故障诊断方法,其特征在于,步骤(2)将N个特征维度为k的历史时序运维数据A=(a1,a2,…,k)降维到l维,具体包括:
①对历史时序运维数据进行中心化,中心化通过如下式子计算:
③对协方差矩阵ATA进行特征值分解:用雅可比法求出协方差矩阵ATA的特征值,并对协方差矩阵ATA的特征值按其大小排序,即λ1≥λ2≥…λi…≥λk≥0,再分别求出特征值λi对应的单位特征向量ei;
④计算历史时序运维数据前l个主成分值:取出前l个特征值λj所对应的单位特征向量ej(j=1,2,…,l),前l个主成分值通过如下式子计算:
P=(Ae1,Ae2,…,Ael)=(p1,p2,…,pl)
式中,P为降维后的历史时序运维数据,P∈RN*l。
5.根据权利要求4所述的基于图卷积神经网络的5G承载网故障诊断方法,其特征在于,步骤(3)具体包括:
①动态获取5G承载网中网络设备的现有时序运维数据:获取5G承载网中现有网络设备状态数据、网络设备环境数据以及网络设备运行数据,整理得到M个特征维度为k的现有时序运维数据;
②用PCA除去现有时序运维数据中的冗余数据:参考历史时序运维数据的PCA降维方法,将M个特征维度为k的现有时序运维数据B=(b1,b2,…,k)降维到l维,降维后的现有时序运维数据为Q∈RM*l。
6.根据权利要求5所述的基于图卷积神经网络的5G承载网故障诊断方法,其特征在于,随机生成M个历史时序运维数据。
7.根据权利要求1所述的基于图卷积神经网络的5G承载网故障诊断方法,其特征在于,步骤(4)具体包括:
①构建时序运维数据的邻接矩阵A并做归一化处理:
降维后的历史时序运维数据为P∈RN*l,降维后的现有时序运维数据为Q∈RM*l;其中,N为降维后的历史时序运维数据的个数,M为降维后的现有时序运维数据的个数,l为维数;降维后的历史时序运维数据P和降维后的现有时序运维数据Q构成矩阵
每个网络节点拥有唯一的数字id,取降维后的历史时序运维数据P中随机打乱后的最后一组包含所有网络节点的数字id,记录这些数字id的位置,依托由数字id表征的网络节点之间的连接关系,构建时序运维数据的邻接矩阵A∈R(M+N)*(M+N);计算归一化后的邻接矩阵,计算公式如下:
②通过图卷积神经网络算法构建5G承载网故障智能诊断模型:
构建两层图卷积神经网络模型,两层图卷积神经网络模型的前向传播公式如下所示:
式中,为归一化后的邻接矩阵,X∈R(M+N)*l为(M+N)个特征维度为l的时序运维数据,W(0)∈Rl*t为输入层到隐藏层的权重矩阵,经过隐藏层时序数据由l维变为t维,W(1)∈Rt*n为隐藏层到输出层的权重矩阵,经过输出层时序数据由t维变为n维,n为故障类型总数,Z∈R(M+N)*n为输出矩阵,ReLU函数为激活函数,softmax函数为归一化指数函数,作用在输出矩阵Z的每一行上;
④训练两层图卷积神经网络模型;
⑤对现有时序运维数据的故障类型进行预测,识别现有时序运维数据的故障类型。
8.根据权利要求7所述的基于图卷积神经网络的5G承载网故障诊断方法,其特征在于,步骤(4)具体还包括:
③计算历史时序运维数据故障类型的准确率:
将n种故障类型映射到n个独热码向量中,分别为[1,0,…,0,0]、[0,1,…,0,0]、…、[0,0,…,1,0]、[0,0,…,0,1],再将n个独热码向量转化为自然数,即用0表示[1,0,…,0,0]、用1表示[0,1,…,0,0]、…、用n-2表示[0,0,…,1,0]、用n-1表示[0,0,…,0,1],同时建立以自然数为键、故障类型为值的字典,使自然数与故障类型一一对应,将代表故障类型的自然数作为标签,与历史时序运维数据相对应;
由输出矩阵Z得到历史时序运维数据的输出结果H∈Rx*n,x为所选历史时序运维数据的个数,x≤N;取H每一行向量中最大值位置的索引,构成x*1的矩阵,与x*1个历史时序数据的对应标签进行比较,若值相同记为1,若值不同记为0,将x个比较结果相加,再除以x即可得到所选历史时序运维数据故障类型的准确率;
⑤对现有时序运维数据的故障类型进行预测,识别现有时序运维数据的故障类型具体为:现有时序运维数据故障类型的预测结果为n维向量,取n维向量中最大值位置的索引,调用建立的以自然数为键、故障类型为值的字典,识别现有时序运维数据的故障类型。
9.根据权利要求7所述的基于图卷积神经网络的5G承载网故障诊断方法,其特征在于,训练两层图卷积神经网络模型具体包括:
对权重矩阵W(0)和W(1)随机初始化赋值,然后根据最大似然损失函数通过反向传播梯度下降进行迭代优化,设置学习率和训练次数,引入L2正则化和Dropout防止两层图卷积神经网络模型过拟合。
10.一种诊断设备,其特征在于,该诊断设备采用权利要求1至9中任意一项所述的基于图卷积神经网络的5G承载网故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334306.XA CN116405369A (zh) | 2023-03-30 | 2023-03-30 | 基于图卷积神经网络的5g承载网故障诊断方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334306.XA CN116405369A (zh) | 2023-03-30 | 2023-03-30 | 基于图卷积神经网络的5g承载网故障诊断方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116405369A true CN116405369A (zh) | 2023-07-07 |
Family
ID=87017243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310334306.XA Pending CN116405369A (zh) | 2023-03-30 | 2023-03-30 | 基于图卷积神经网络的5g承载网故障诊断方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116405369A (zh) |
-
2023
- 2023-03-30 CN CN202310334306.XA patent/CN116405369A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111537945B (zh) | 基于联邦学习的智能电表故障诊断方法及设备 | |
CN113283027B (zh) | 一种基于知识图谱和图神经网络的机械故障诊断方法 | |
CN111401433A (zh) | 用户信息获取方法、装置、电子设备及存储介质 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN108153982B (zh) | 基于堆叠自编码深度学习网络的航空发动机修后性能预测方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN113094822A (zh) | 一种机械设备剩余寿命预测方法和系统 | |
CN114757432A (zh) | 基于流程日志和多任务学习的未来执行活动及时间预测方法及系统 | |
CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
CN116402352A (zh) | 一种企业风险预测方法、装置、电子设备及介质 | |
CN116579447A (zh) | 一种基于分解机制和注意力机制的时间序列预测方法 | |
CN115859777A (zh) | 一种多故障模式下产品系统寿命预测的方法 | |
CN115564194A (zh) | 智能电网的计量异常诊断信息生成模型构建方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
CN111090747A (zh) | 一种基于神经网络分类的电力通信故障应急处置方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN117435992A (zh) | 一种用于盾构机液压推进系统的故障预测方法及系统 | |
CN117150409A (zh) | 一种用电异常检测方法 | |
CN117557127A (zh) | 电网调度系统支撑平台可靠性评估方法、系统及存储介质 | |
CN116992360A (zh) | 一种通信网与电网耦合故障界定诊断方法及系统 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN116662307A (zh) | 一种基于多源数据融合的智能预警方法、系统及设备 |
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 |