CN117082547A - 小区异常检测方法、装置、电子设备和可读存储介质 - Google Patents
小区异常检测方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN117082547A CN117082547A CN202311041486.9A CN202311041486A CN117082547A CN 117082547 A CN117082547 A CN 117082547A CN 202311041486 A CN202311041486 A CN 202311041486A CN 117082547 A CN117082547 A CN 117082547A
- Authority
- CN
- China
- Prior art keywords
- cell
- matrix
- inter
- data
- cells
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 102
- 230000005856 abnormality Effects 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 311
- 238000010586 diagram Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000010295 mobile communication Methods 0.000 description 15
- 230000003993 interaction Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供了一种小区异常检测方法、装置、电子设备和可读存储介质,涉及异常检测技术领域。该方法包括:根据待检测网络范围内各小区,构建待检测网络范围对应的图结构;根据各小区对应的小区相关数据,获取图结构的特征表示;其中,特征表示用于指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能;将特征表示输入目标图神经网络模型中,获取目标图神经网络模型的输出,根据输出获取目标异常小区;其中,目标图神经网络模型根据样本网络范围对应的图结构的样本特征表示无监督训练得到。能够更全面和准确地分析和判断待检测网络中小区的异常情况,有效提高小区异常检测的准确性。
Description
技术领域
本申请涉及异常检测技术领域,具体而言,本申请涉及一种小区异常检测方法、装置、电子设备和可读存储介质。
背景技术
移动通信网络已经进入稳定发展阶段,形成了庞大的网络规模,要保证全网数以万计的基站正常、高效地运行,对移动通信网络的运维提出了很高的要求。目前,运维的方法主要包括周期性巡检方法、故障派单方法和基于人工智能的异常检测方法三类。
其中,周期性巡检方法和故障派单方法为非预防性运维模式,仅能对已发生的故障进行维护,存在运维效率不高,无法提前察觉到潜在的异常情况的问题。而现有的基于人工智能的异常检测方法通常是根据移动通信网络的性能指标统计信息以及人为设置的门限阈值进行异常检测,该方法虽然能够进行异常检测,实现故障的预测,但门限阈值的设置依赖于专家经验且缺乏统一的标准,具有较强的主观性,根据门限阈值进行异常检测可能存在遗漏、误报的问题,导致异常检测的准确性较低。
在此情况下,亟需提供一种小区异常检测方案,提高小区异常检测的准确性。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,本申请实施例所提供的技术方案如下:
第一方面,本申请实施例提供了一种小区异常检测方法,包括:
根据待检测网络范围内各小区,构建待检测网络范围对应的图结构;
根据各小区对应的小区相关数据,获取图结构的特征表示;其中,特征表示用于指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能;
将特征表示输入目标图神经网络模型中,获取目标图神经网络模型的输出,根据输出获取目标异常小区;
其中,目标图神经网络模型根据样本网络范围对应的图结构的样本特征表示无监督训练得到。
在本申请的一种可选实施例中,特征表示包括小区间邻接矩阵和小区特征矩阵;其中,小区间邻接矩阵中各元素用于指示两小区之间的邻接关系;小区特征矩阵中各元素用于指示对应小区的小区业务性能;目标图神经网络模型包括:编码器、解码器和检测端;
将特征表示输入目标图神经网络模型中,获取目标图神经网络模型的输出,具体包括:
将小区间邻接矩阵和小区特征矩阵输入目标图神经网络模型中,通过编码器对小区间邻接矩阵和小区特征矩阵进行编码,输出嵌入特征向量;
通过解码器对嵌入特征向量进行重构,输出重构小区间邻接矩阵和重构小区特征矩阵;
通过检测端分析小区间邻接矩阵、小区特征矩阵、重构小区间邻接矩阵和重构小区特征矩阵,获取目标图神经网络模型的输出。
在本申请的一种可选实施例中,通过检测端分析小区间邻接矩阵、小区特征矩阵、重构小区间邻接矩阵和重构小区特征矩阵,获取目标图神经网络模型的输出,具体包括:
通过检测端从小区间邻接矩阵和重构小区间邻接矩阵中,分别提取出每一小区对应的邻接向量和重构邻接向量;其中,邻接向量中的每个元素表示当前小区与其他小区之间的邻接关系;
根据小区特征矩阵和重构小区特征矩阵,分别提取出每一小区对应的特征向量和重构特征向量;其中,特征向量根据当前小区在特征矩阵对应的元素获取;
根据每一小区对应的邻接向量、重构邻接向量、特征向量和重构特征向量,获取小区异常得分;其中,小区异常得分为目标图神经网络模型的输出。
在本申请的一种可选实施例中,根据每一小区对应的邻接向量、重构邻接向量、特征向量和重构特征向量,获取小区异常得分,具体包括:
将每一小区对应的邻接向量和重构邻接向量进行减法运算,得到第一差值向量,将特征向量和重构特征向量进行减法运算,得到第二差值向量;
加权求和第一差值向量的二范数和第二差值向量的二范数,得到小区异常得分。
在本申请的一种可选实施例中,根据各小区对应的小区相关数据,获取图结构的特征表示,具体包括:
获取待检测网络范围内各小区对应的工参数据、邻区关系数据、业务切换量数据和性能指标数据;
根据工参数据、邻区关系数据、业务切换量数据和性能指标数据,获取多个初始小区间邻接矩阵;
根据注意力机制融合多个初始小区间邻接矩阵,得到小区间邻接矩阵。
在本申请的一种可选实施例中,根据工参数据、邻区关系数据、业务切换量数据和性能指标数据,获取多个初始小区间邻接矩阵,具体包括:
根据工参数据,获取第一初始小区间邻接矩阵;其中,工参数据包括小区经纬度信息;第一初始小区间邻接矩阵中各元素用于指示两小区之间物理位置相关性;
根据邻区关系数据,获取第二初始小区间邻接矩阵;其中,第二初始小区间邻接矩阵中各元素用于指示两小区之间是否可进行切换;
根据业务切换量数据,获取第三初始小区间邻接矩阵;其中,第三初始小区间邻接矩阵中各元素用于指示两小区之间业务切换相关性;
根据性能指标数据,获取第四初始小区间邻接矩阵和第五初始小区间邻接矩阵;其中,第四初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据相关性;第五初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据的潜在关系。
在本申请的一种可选实施例中,根据性能指标数据,获取第四初始小区间邻接矩阵和第五初始小区间邻接矩阵,具体包括:
根据性能指标数据,获取待检测网络范围内每两个小区之间的相关系数,并采用数据驱动方法挖掘性能指标数据,获取待检测网络范围内每两个小区之间性能指标数据的潜在关系;
根据每两个小区之间的相关系数,获取第四初始小区间邻接矩阵,根据每两个小区之间性能指标数据的潜在关系,获取第五初始小区间邻接矩阵。
第二方面,本申请实施例提供了一种小区异常检测装置,包括:
图结构构建模块,用于根据待检测网络范围内各小区,构建待检测网络范围对应的图结构;
特征表示获取模块,用于根据各小区对应的小区相关数据,获取图结构的特征表示;其中,特征表示用于指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能;
小区异常检测模块,用于将特征表示输入目标图神经网络模型中,获取目标图神经网络模型的输出,根据输出获取目标异常小区;
其中,目标图神经网络模型根据样本网络范围对应的图结构的样本特征表示无监督训练得到。
在本申请的一种可选实施例中,特征表示包括小区间邻接矩阵和小区特征矩阵;其中,小区间邻接矩阵中各元素用于指示两小区之间的邻接关系;小区特征矩阵中各元素用于指示对应小区的小区业务性能;目标图神经网络模型包括:编码器、解码器和检测端;
小区异常检测模块,具体用于:
将小区间邻接矩阵和小区特征矩阵输入目标图神经网络模型中,通过编码器对小区间邻接矩阵和小区特征矩阵进行编码,输出嵌入特征向量;
通过解码器对嵌入特征向量进行重构,输出重构小区间邻接矩阵和重构小区特征矩阵;
通过检测端分析小区间邻接矩阵、小区特征矩阵、重构小区间邻接矩阵和重构小区特征矩阵,获取目标图神经网络模型的输出。
在本申请的一种可选实施例中,小区异常检测模块,具体用于:
通过检测端从小区间邻接矩阵和重构小区间邻接矩阵中,分别提取出每一小区对应的邻接向量和重构邻接向量;其中,邻接向量中的每个元素表示当前小区与其他小区之间的邻接关系;
根据小区特征矩阵和重构小区特征矩阵,分别提取出每一小区对应的特征向量和重构特征向量;其中,特征向量根据当前小区在特征矩阵对应的元素获取;
根据每一小区对应的邻接向量、重构邻接向量、特征向量和重构特征向量,获取小区异常得分;其中,小区异常得分为目标图神经网络模型的输出。
在本申请的一种可选实施例中,小区异常检测模块,具体用于:
将每一小区对应的邻接向量和重构邻接向量进行减法运算,得到第一差值向量,将特征向量和重构特征向量进行减法运算,得到第二差值向量;
加权求和第一差值向量的二范数和第二差值向量的二范数,得到小区异常得分。
在本申请的一种可选实施例中,特征表示获取模块,具体用于:
获取待检测网络范围内各小区对应的工参数据、邻区关系数据、业务切换量数据和性能指标数据;
根据工参数据、邻区关系数据、业务切换量数据和性能指标数据,获取多个初始小区间邻接矩阵;
根据注意力机制融合多个初始小区间邻接矩阵,得到小区间邻接矩阵。
在本申请的一种可选实施例中,特征表示获取模块,具体用于:
根据工参数据,获取第一初始小区间邻接矩阵;其中,工参数据包括小区经纬度信息;第一初始小区间邻接矩阵中各元素用于指示两小区之间物理位置相关性;
根据邻区关系数据,获取第二初始小区间邻接矩阵;其中,第二初始小区间邻接矩阵中各元素用于指示两小区之间是否可进行切换;
根据业务切换量数据,获取第三初始小区间邻接矩阵;其中,第三初始小区间邻接矩阵中各元素用于指示两小区之间业务切换相关性;
根据性能指标数据,获取第四初始小区间邻接矩阵和第五初始小区间邻接矩阵;其中,第四初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据相关性;第五初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据的潜在关系。
在本申请的一种可选实施例中,特征表示获取模块,具体用于:
根据性能指标数据,获取待检测网络范围内每两个小区之间的相关系数,并采用数据驱动方法挖掘性能指标数据,获取待检测网络范围内每两个小区之间性能指标数据的潜在关系;
根据每两个小区之间的相关系数,获取第四初始小区间邻接矩阵,根据每两个小区之间性能指标数据的潜在关系,获取第五初始小区间邻接矩阵。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括存储器、处理器及存储在存储器上的计算机程序,处理器执行计算机程序以实现上述任一实施例所提供的小区异常检测方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例所提供的小区异常检测方法。
本申请实施例提供的技术方案带来的有益效果是:
本方案通过构建待检测网络范围对应的图结构,以图结构的特征表示指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能。以特征表示作为无监督训练得到的目标图神经网络模型的输入,能够充分的考虑小区之间的连接和交互以及小区的特征信息,捕捉小区之间的相关性和依赖关系,更全面和准确地分析和判断待检测网络中小区的异常情况,有效提高小区异常检测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种小区异常检测方法的流程图;
图2为本申请实施例提供的一种待检测网络范围内小区分布示意图;
图3为本申请实施例提供的一种图结构示意图;
图4为本申请实施例提供的一种目标图神经网络模型小区异常检测流程示意图;
图5为本申请实施例提供的一种小区异常检测方法的流程示意图;
图6为本申请实施例提供的一种小区异常检测装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解,下面结合附图所阐述的实施方式,是用于解释本申请实施例的技术方案的示例性描述,对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件,但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解,当我们称一个元件被“连接”或“耦接”到另一元件时,该一个元件可以直接连接或耦接到另一元件,也可以指该一个元件和另一元件通过中间元件建立连接关系。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个,例如“A和/或B”可以实现为“A”,或者实现为“B”,或者实现为“A和B”。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面对本申请涉及的术语及相关技术进行说明:
移动通信网络:指将移动用户与固定点用户之间或移动用户之间的通信实现的通讯介质。移动通信网络包括具有覆盖区域(或小区)的基站、多个移动装置和回程网络。
移动通信网络的类型包括第五代移动通信网络(Fifth Generation)、第四代移动通信网络(Fourth Generation)和第三代移动通信网络(Third Generation)等。
蜂窝网络是一个典型的移动通信网络,蜂窝网络可以包括形成多个互连小区的基站,通过基站的布置,蜂窝网络可以在较大的地理区域上提供无线通信覆盖,并且使得无线通信装置能够与网络中任何地理位置的其他无线通信装置进行通信。
基站:即公用移动通信基站,是无线电台站的一种形式,是指在有限的无线电覆盖区中,通过移动通信交换中心,与移动电话终端之间进行信息传递的无线电收发信息电台。
小区(一个小区包含一个基站):也称蜂窝小区,是指在蜂窝移动通信系统中,其中的一个基站或基站的一部分(扇形天线)所覆盖的区域,在这个区域内移动台可以通过无线信道可靠地与基站进行通信。
小区指为用户提供无线通信业务的一片区域,是无线网络的基本组成单位,也是提供用户设备(User Equipment,UE)接入的最小单位。每个小区代表一个地理区域,小区覆盖的区域可以彼此不重叠,也可以部分重叠。
以三类现有技术为例,对现有技术的具体方案和存在的缺陷进行详细介绍如下:
现有技术1:基于性能指标统计信息及相应门限阈值进行异常检测来进行移动通信网络异常检测。基站在工作过程中,会周期性的收集并统计接入链路的性能指标信息,与预设的门限阈值进行比较,得到链路的状态信息,根据链路的状态信息对相关链路做出相应的处理。
基于所选取的性能指标,周期获取性能指标值,和人工预设的阈值进行对比,若超过阈值则认为发生异常的异常检测方法,需要领域内专家经验选取合适的性能指标,此指标能表征小区正常与否状态,同时还需要人工设定异常与否阈值,性能指标的选取和阈值的设定是否合理且正确,对判断异常有极大的影响。实际场景中阈值应随系统的动态变化而动态更新,因此,方法非常费时费力,且不能动态适应系统的变化,效果会衰退,衰退至不可用状态。此外此方法没有考虑移动网络内的多个小区/基站之间的潜在关联,异常检测的准确性不佳。
现有技术2:基于关联算法进行异常检测。通过收集不同区域范围内,设定时间范围内的告警信息和设备特征信息,然后将告警信息输入至少2个关联算法,根据至少两个关联算法的计算结果得出属于频繁序列或频繁项集和的不同基站的告警信息关联集合;将设备特征信息进行特征降维得到具有异常的设备特征信息的异常特征基站集合。基于告警信息关联集合和异常特征基站集合分析基站的工作状态。通过计算出属于频繁序列或频繁项集的不同基站的告警信息关联集合以及有异常的设备特征信息的异常特征基站集合,当异常基站发生某一告警信息时,维修人员根据告警信息关联集合中的其他的告警信息也可相应地检查与其他告警信息关联对应的基站硬件和软件设置,从而判断和评估基站的工作状态,为排查问题站点提供方向,达到异常检测目的。
通过收集大量告警信息以及设备特征信息,以关联算法挖掘频繁项,来获知与某一告警信息相关联的其它告警信息和设备特征信息。当某一告警出现时,维修人员根据告警信息关联集合中的其他的告警信息也可相应地检查与其他告警信息关联对应的基站硬件和软件设置,从而判断和评估基站的工作状态,为排查问题站点提供方向,达到异常检测目的。该方法是一种事后异常定位方法,非常依赖收集的告警信息和设备特征信息是否足够多(量多、种类多、且时间范围长等),这就对数据提出了很高的要求,实际应用非常难。
现有技术3:基于单指标和多指标预测结果进行异常检测,收集单性能指标的训练数据S1……Sk;接收多性能指标训练数据M;基于单指标训练数据生成单性能指标预测模型F1……Fk;基于多性能指标练数据生成多性能指标预测模型Fm;根据小区类型、人工生成的配置管理数据和经确认的故障管理数据,以及专家经验知识初始化一组权重值w1、w2、……、wk、wk+1,同时提供一组阈值th_perfs,此阈值可以确定数据是否为正常的判断门限。作为各个单性能指标和多性能指标组合的权重,基于k个单性能指标预测模型和1个多性能指标预测模型和初始化的权重输出一组预测值preds,将预测值和阈值th_perfs进行对比计算,若超出阈值则为异常。
选取多个单性能指标,每个指标可以表征某一方面状态,同时将多个单性能指标进行组合,期望可以组合考虑多方面状态。通过收集性能指标历史数据,进行训练生成相应的预测模型,再通过专家知识和相关配置数据和故障管理数据进行设定门限阈值,作为判断是否异常的依据。最后根据预测值和门限阈值的对比,输出是否异常结果。该方法需要专家经验和大量人工配置工作,主观因素对方案效果好坏造成巨大的影响,而且人工配置工作通常无法动态适应系统的动态变化,导致该方法易失效,实际应用困难。
针对相关技术中所存在的上述至少一个技术问题或需要改善的地方,本申请提出一种小区异常检测方法方案。
下面通过对几个示例性实施方式的描述,对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。需要指出的是,下述实施方式之间可以相互参考、借鉴或结合,对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等,不再重复描述。
图1为本申请实施例提供的一种小区异常检测方法的流程图,如图1所示,本申请实施例中提供了一种小区异常检测方法,本申请实施例提供的小区异常检测方法可依赖于计算机程序实现,可运行于终端或服务器。其中,终端(也可以称为用户终端或用户设备)可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备(例如智能音箱)、可穿戴电子设备(例如智能手表)、车载终端、智能家电(例如智能电视)、AR/VR设备等;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,还可以是提供云计算服务的云服务器,但并不局限于此。
本申请实施例中提供的小区异常检测方法包括:
步骤S101,根据待检测网络范围内各小区,构建待检测网络范围对应的图结构。
具体的,在进行小区异常检测前,需在对应的移动通信网络中确定待检测网络范围,可以理解的是,待检测网络范围的大小可根据实际需求确定。
在确定待检测网络范围后,将待检测网络范围内各小区构建为图结构数据,得到待检测网络范围对应的图结构。
举例来说,图2为本申请实施例提供的一种待检测网络范围内小区分布示意图,如图2所示,待检测网络范围内包括5个邻接小区,将小区作为图结构中的节点,根据小区之间的潜在关联关系(即邻接关系)作为边,构建待检测网络范围对应的图结构。图3为本申请实施例提供的一种图结构示意图,待检测网络范围对应的图结构如图3所示。
步骤S102,根据各小区对应的小区相关数据,获取图结构的特征表示;其中,特征表示用于指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能。
具体的,一个图结构由节点和边组成,节点表示图中的实体,边表示节点之间的邻接关系(关联关系或连接关系)。在图神经网络(Graph Neural Network,GNN)中,输入的是图数据(即图结构的特征表示),而不是传统意义上的图(由像素点组成的图)。
图结构的特征表示可以包括节点特征、边特征和全局特征等。其中,节点特征描述了每个节点的属性信息,边特征描述了节点之间的关系信息,全局图特征捕捉了整个图结构的统计信息或高层次属性。特征表示的数据类型包括但不限于数值型、向量型、矩阵型、符号型或图的密度全局图特征等。
在本实施例中,在确定图结构后,根据各小区对应的小区相关数据,获取图结构的特征表示。可以理解的是,待检测网络范围对应的图结构的特征表示指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能,对应的所需小区相关数据的类型和数量、特征表示的具体特征类型以及特征表示的数据类型,均可根据实际需求确定。
举例来说,针对待检测网络范围构建多小区、多指标的图结构,多小区指待检测网络范围中包括多个具有潜在关联关系的小区,多指标指每一个小区采用多个性能指标对应的数据指示小区业务性能。
可采用邻接矩阵(Adjacency Matrix)或邻接列表(Adjacency List)指示待检测网络范围内任意两小区之间的邻接关系。其中,邻接矩阵是一个二维矩阵,其中的元素表示两个节点之间的邻接关系。邻接列表是一种以节点为索引的列表数据结构,每个节点对应一个列表,存储与该节点直接相连的其他节点。
邻接矩阵和邻接列表中的元素不一定只是1或0,可以根据具体需求选择合适的方式来表示节点之间的邻接关系或属性信息。
如设置PDCPUL(Packet Data Convergence Protocol Uplink,上行数据包转换协议)、PDCPDL(Packet Data Convergence Protocol Downlink,下行数据包转换协议)、PUSCH(Physical Uplink Shared Channel,物理上行共享信道)、PDSCH(PhysicalDownlink Shared Channel,物理下行共享信道)、PUCCH(Physical Uplink ControlChannel,物理上行控制信道)、PDCCH(Physical Downlink Control Channel,物理下行控制信道)、RRC(Radio Resource Control,无线资源控制协议)等性能指标对应的数据指示小区业务性能,以小区业务性能为节点属性信息,采用包含了每个节点的属性信息的小区特征矩阵(Feature Matrix)作为特征表示。
步骤S103,将特征表示输入目标图神经网络模型中,获取目标图神经网络模型的输出,根据输出获取目标异常小区;
其中,目标图神经网络模型根据样本网络范围对应的图结构的样本特征表示无监督训练得到。
具体的,本实施例采用训练好的目标图神经网络模型实现待检测网络范围内目标异常小区的检测。在使用训练好的目标图神经网络模型前,需根据样本网络范围对应的图结构的样本特征表示无监督训练得到目标图神经网络模型。
可以理解的是,样本网络范围的大小可根据实际需求确定,样本网络范围对应的图结构的样本特征表示的获取方式与待检测网络范围对应的图结构的特征表示的获取方式一致。另外,目标图神经网络模型的结构和无监督训练方式可根据具体任务和需求来设计和调整。
将待检测网络范围对应的图结构的特征表示输入训练好的目标图神经网络模型中,即可获取目标图神经网络模型的输出,该输出用于指示图结构中节点(即小区)的异常程度,根据输出即可获取目标异常小区。
举例来说,目标图神经网络模型的输出可以是图结构中节点(即小区)的小区异常得分,小区异常得分表示了该节点或边与正常节点之间的差异程度,越高的小区异常得分意味着越有可能是异常节点或边,可将小区异常得分大于预设阈值的节点或小区异常得分从大到小排序的序列中前k个的节点作为异常节点,进一步确定对应的目标异常小区。
除此之外,目标图神经网络模型的输出还可以为其他形式,例如,直接为图结构中的异常节点(即目标异常小区),或是图结构中节点的异常程度排序列表等,输出的具体形式可根据实际需求确定。
本实施例提供的技术方案通过构建待检测网络范围对应的图结构,以图结构的特征表示指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能。以特征表示作为无监督训练得到的目标图神经网络模型的输入,能够充分的考虑小区之间的连接和交互以及小区的特征信息,捕捉小区之间的相关性和依赖关系,更全面和准确地分析和判断待检测网络中小区的异常情况,有效提高小区异常检测的准确性。
在本申请的一种可选实施例中,特征表示包括小区间邻接矩阵和小区特征矩阵;其中,小区间邻接矩阵中各元素用于指示两小区之间的邻接关系;小区特征矩阵中各元素用于指示对应小区的小区业务性能;目标图神经网络模型包括:编码器、解码器和检测端;
将特征表示输入目标图神经网络模型中,获取目标图神经网络模型的输出,具体包括:
将小区间邻接矩阵和小区特征矩阵输入目标图神经网络模型中,通过编码器对小区间邻接矩阵和小区特征矩阵进行编码,输出嵌入特征向量;
通过解码器对嵌入特征向量进行重构,输出重构小区间邻接矩阵和重构小区特征矩阵;
通过检测端分析小区间邻接矩阵、小区特征矩阵、重构小区间邻接矩阵和重构小区特征矩阵,获取目标图神经网络模型的输出。
具体的,邻接矩阵能够反映图结构中边的连接性能,以元素格式为的邻接矩阵A为例,邻接矩阵A中每一元素/>表示节点node-i和节点node-j间的邻接关系,存在邻接关系则取值为1,不存在邻接关系则取值为0。
可以理解的是,邻接矩阵中的类型除了上述元素取值为0-1的邻接矩阵(二进制邻接矩阵)外,还可以是,加权邻接矩阵和布尔型邻接矩阵等。
特征矩阵是用于表示节点特征的矩阵。举例来说,图结构中每一节点的节点属性信息包括多个特征,特征矩阵可以是一个二维矩阵,其中每行对应一个节点,每列对应节点的一个特征。
可以理解的是,特征矩阵中的元素可以是任意数据类型,比如实数、整数或二进制码,具体取决于节点特征的类型和表示方式。
本实施例采用小区间邻接矩阵和小区特征矩阵作为待检测网络范围对应的图结构的特征表示,以小区业务性能为节点属性信息。小区间邻接矩阵中各元素用于指示两小区之间的邻接关系;小区特征矩阵中各元素用于指示对应小区的小区业务性能。其中,小区间邻接矩阵和小区特征矩阵的类型和元素的表示方式可根据实际需求确定。
将获取的特征表示(即小区间邻接矩阵和小区特征矩阵)输入训练好的目标图神经网络模型中。目标图神经网络模型包括:编码器(Encoder)、解码器(Decoder)和检测端。
其中,编码器将图结构中节点映射到低维空间表示(即对特征表示进行编码获取嵌入特征向量),解码器将低维表示重构为原始图结构数据(即将嵌入特征向量进行特征重构,获取重构特征表示),检测端用于根据特征表示和重构特征表示获取目标图神经网络模型的输出,该输出用于指示图结构中节点(即小区)的异常程度。
举例来说,图4为本申请实施例提供的一种目标图神经网络模型小区异常检测流程示意图,如图4所示,目标图神经网络模型包括图卷积网络(Graph ConvolutionalNetwork,GCN)(即编码器)、结构和属性重构解码器(即解码器)和检测端。目标图神经网络模型整体思路可以表示为给定一个输入数据集X,通过编码器把数据映射到低维特征空间中,然后利用解码器根据特征空间的表示重构原始数据,获得重构数据。
即将小区间邻接矩阵和小区特征矩阵输入目标图神经网络模型中,GCN能够捕获小区间邻接矩阵和小区特征矩中的图结构和节点属性的综合信息,对所捕获的综合信息进行编码,将每一节点对应的综合信息表征为向量(即节点表征),输出嵌入向量(即嵌入特征向量)。
通过结构和属性重构解码器对嵌入向量进行重构,重构图结构和节点属性的综合信息,输出重构小区间邻接矩阵和重构小区特征矩阵。
本实施例以小区异常得分作为目标图神经网络模型的输出,通过检测端分析小区间邻接矩阵、小区特征矩阵、重构小区间邻接矩阵和重构小区特征矩阵,获取图结构中节点(即小区)的小区异常得分,小区异常得分用于反映原始数据和重构后数据的差异(即重构误差)。
目标图神经网络模型的设计思路可以为:
min E[dist(A,Decoder(Encoder(A)))]
式中,A为输入数据集,Encoder(A)为编码输入数据集,Decoder(Encoder(A))为重构输入数据集,dist()为求取输入数据集和重构输入数据集之间的距离(即获取重构误差),minE[]为通过最小化重构误差来优化模型的目标,以使重构输入数据集尽可能接近于原始的输入数据集。
可以理解的是,求取输入数据集和重构输入数据集之间的距离的具体方式,包括但不限于欧氏距离(Euclidean Distance)或者平均绝对误差(Mean Absolute Error,MAE)等方式。
重构误差可以在一定程度上反映数据集中的异常实例。具体来说,具有较大重构误差的数据实例更有可能被认为是异常,因为它们的模式明显偏离大多数情况,无法从观测数据准确地重构。
可以理解的是,小区异常得分表示了该节点或边与正常节点之间的差异程度,根据小区异常得分可确定目标异常小区。小区异常得分具体的获取方式,以及根据小区异常得分确定目标异常小区的具体方式可根据实际需求确定。
本实施例提供的技术方案通过构建待检测网络范围对应的图结构,获取图结构对应的特征表示,其中,小区邻接矩阵反映待检测网络范围内各小区之间的邻接关系,以小区特征矩阵反映小区业务性能。以小区间邻接矩阵和小区特征矩阵共同作为无监督训练得到的目标图神经网络模型的输入,能够将不同类型的信息融合在一起进行异常检测,能够更全面的表达小区之间的相互作用,有助于发现潜在的异常情况和规律,提高目标图神经网络模型的鲁棒性和泛化能力,并提高目标图神经网络模型进行异常检测的效果和性能,进而进一步提高小区异常检测的准确性和可靠性。
在本申请的一种可选实施例中,通过检测端分析小区间邻接矩阵、小区特征矩阵、重构小区间邻接矩阵和重构小区特征矩阵,获取目标图神经网络模型的输出,具体包括:
通过检测端从小区间邻接矩阵和重构小区间邻接矩阵中,分别提取出每一小区对应的邻接向量和重构邻接向量;其中,邻接向量中的每个元素表示当前小区与其他小区之间的邻接关系;
根据小区特征矩阵和重构小区特征矩阵,分别提取出每一小区对应的特征向量和重构特征向量;其中,特征向量根据当前小区在特征矩阵对应的元素获取;
根据每一小区对应的邻接向量、重构邻接向量、特征向量和重构特征向量,获取小区异常得分;其中,小区异常得分为目标图神经网络模型的输出。
具体的,本实施例以小区异常得分作为目标图神经网络模型的输出,从结构和属性两方面共同确定每一小区对应的小区异常得分。其中,结构指每一小区对应的节点在图结构中的结构信息(即当前小区与其他小区的邻接关系),属性指每一小区对应的节点的节点属性信息(即小区业务性能)。
在获取小区间邻接矩阵、小区特征矩阵、重构小区间邻接矩阵和重构小区特征矩阵后,通过检测端从小区间邻接矩阵和重构小区间邻接矩阵中,分别提取出每一小区对应的邻接向量和重构邻接向量,并从小区特征矩阵和重构小区特征矩阵,分别提取出每一小区对应的特征向量和重构特征向量。
举例来说,邻接矩阵是一个二维矩阵,其中的元素表示两个节点(即小区)之间是否有邻接关系。邻接矩阵中的一行(或一列)即为小区对应的邻接向量,邻接向量中的每个元素表示当前小区与其他小区之间的邻接关系。
特征矩阵可以是一个二维矩阵,其中每行对应一个节点(即小区),每列对应节点的一个特征。特征矩阵中的每一行即为小区对应的特征向量,特征向量中包括当前小区在特征矩阵对应的元素(即特征)。
根据每一小区对应的邻接向量和重构邻接向量,即可获取结构方面的重构误差,根据每一小区对应的特征向量和重构特征向量,即可获取属性方面的重构误差,根据结构和属性两方面的重构误差,即可确定每一小区对应的小区异常得分。可以理解的是,重构误差的确定方式以及小区异常得分的计算方式可根据实际需求确定。
本实施例提供的技术方案通过构建待检测网络范围对应的图结构,获取图结构对应的特征表示,其中,小区邻接矩阵反映待检测网络范围内各小区之间的邻接关系,以小区特征矩阵反映小区业务性能。以小区间邻接矩阵和小区特征矩阵共同作为无监督训练得到的目标图神经网络模型的输入,采用结构和属性两方面确定小区异常得分进而确定目标异常小区,能够将不同类型的信息融合在一起进行异常检测,能够更全面的表达小区之间的相互作用,有助于发现潜在的异常情况和规律,提高目标图神经网络模型的鲁棒性和泛化能力,并提高目标图神经网络模型进行异常检测的效果和性能,进而进一步提高小区异常检测的准确性和可靠性。
在本申请的一种可选实施例中,根据每一小区对应的邻接向量、重构邻接向量、特征向量和重构特征向量,获取小区异常得分,具体包括:
将每一小区对应的邻接向量和重构邻接向量进行减法运算,得到第一差值向量,将特征向量和重构特征向量进行减法运算,得到第二差值向量;
加权求和第一差值向量的二范数和第二差值向量的二范数,得到小区异常得分。
具体的,本实施例采用将结构和属性两方面的重构误差进行加权求和的方式确定每一小区对应的小区异常得分。
以任一小区对应的区异常得分获取方法为例,在确定每一小区对应的邻接向量、重构邻接向量、特征向量和重构特征向量后,将每一小区对应的邻接向量和重构邻接向量进行减法运算,得到第一差值向量,将特征向量和重构特征向量进行减法运算,得到第二差值向量。
将第一差值向量的二范数作为结构方面的重构误差,将第二差值向量的二范数作为属性方面的重构误差,并根据结构和属性两方面对应的预设权值,将第一差值向量的二范数和第二差值向量的二范数进行加权求和,得到小区异常得分。
可以理解的是,加权求和时,结构和属性两方面对应的预设权值,可根据实际需求确定。
举例来说,将对应的小区间邻接矩阵和小区特征矩阵输入训练好的目标图神经网络模型中,得到每一小区的小区异常得分。
任一小区i的小区异常得分score(i)对应的计算公式为:
score(i)=(1-α*)||Wi-W′i||2+α*||Xi-X′i||2
式中,下标i表示取矩阵W,W′,X,X′的第i行,(1-α*)和α*分别为结构和属性两方面对应的预设权值,Wi和Xi是小区i对应的邻接向量和特征向量,W’i和X’i是小区i对应的重构邻接向量和重构特征向量,||||2为向量的2范数。
可以理解的是,预设权值(1-α*)和α*,可根据目标图神经网络模型训练确定的模型超参数或根据实际需求设置。
本实施例提供的技术方案通过向量减法运算和范数运算分别确定结构和属性两方面的重构误差,并根据结构和属性两方面的权值,采用加权求和的方式确定小区异常得分。通过捕捉每一小区结构和属性两方面的变化情况,能够实现小区异常情况的全方面分析,并根据权值对结构和属性两方面对异常情况的贡献进行调整,使获取的小区异常得分更符合实际情况,提高目标图神经网络模型进行异常检测的效果和性能,进而进一步提高小区异常检测的准确性和可靠性。
在本申请的一种可选实施例中,根据各小区对应的小区相关数据,获取图结构的特征表示,具体包括:
获取待检测网络范围内各小区对应的工参数据、邻区关系数据、业务切换量数据和性能指标数据;
根据工参数据、邻区关系数据、业务切换量数据和性能指标数据,获取多个初始小区间邻接矩阵;
根据注意力机制融合多个初始小区间邻接矩阵,得到小区间邻接矩阵。
具体的,采用小区间邻接矩阵和小区特征矩阵作为待检测网络范围对应的图结构的特征表示,以小区业务性能为节点属性信息。小区间邻接矩阵中各元素用于指示两小区之间的邻接关系;小区特征矩阵中各元素用于指示对应小区的小区业务性能。
可以理解的是,根据不同的邻接关系定义规则,两小区之间可存在不同的邻接关系,例如物理距离邻接、信号强度邻接等。初始小区间邻接矩阵根据获取待检测网络范围内各小区对应的多项相关数据获取。相关数据至少包括:工参数据、邻区关系数据、业务切换量数据和性能指标数据。
其中,工参数据:指基站小区的各项物理参数和配置信息,包括:小区基本信息(小区名称、网元标识、小区标识、所属基站和厂家等)、小区地理位置(经纬度信息)、小区覆盖类型、小区覆盖场景、小区覆盖范围、载频资源、功率等级、天线高度、机械下倾角、电下倾角、扇区覆盖角度和频率规划等。
邻区关系数据:用于描述不同小区之间的邻接关系。每个小区都有一组邻区小区,表示与其相邻的其他小区。邻区关系数据可包括每个小区的邻区关系列表,邻区关系列表中记录的数据类型可包括:本地网元标识、本地网元小区标识、邻区网元标识和邻区网元小区标识等。
业务切换量数据:业务切换量数据反映了小区之间的实际业务切换发生量。记录了小区之间发生的切换事件数量、切换成功率、切换失败率等信息。
性能指标数据:用于衡量无线网络的性能水平。性能指标包括但不限于信号强度、信噪比、上行和下行速率、覆盖范围、干扰水平、呼叫成功率和数据丢包率等。
本实施例采用多个不同的邻接关系定义规则,根据上述多项相关数据,获取多个初始小区间邻接矩阵,并采用注意力机制将多个初始小区间邻接矩阵进行融合,将多个初始小区间邻接矩阵融合为一个小区间邻接矩阵,将获取的小区间邻接矩阵作为目标图神经网络模型的输入。
可以理解的是,每一邻接关系定义规则中获取两小区间邻接关系使用的数据类型、计算方式,以及获取的小区邻接矩阵的具体类型,均可根据实际需求确定。
另外,将多个初始小区间邻接矩阵融合为一个小区间邻接矩阵的注意力机制,包括但不限于均匀注意力(Uniform Attention)、加权平均注意力(Weighted AverageAttention)、自注意力机制(Self-Attention)和多头注意力机制(Multi-headAttention),具体选择哪种注意力机制可根据实际问题和数据集的特点来确定。
本实施例提供的技术方案采用多个邻接关系定义规则可以捕捉到不同类型的邻接关系,通过注意力机制融合多个邻接关系得到小区间邻接矩阵,可以充分利用各个邻接关系的信息,更全面的考虑小区之间的邻接关系,提高邻接关系的表达能力。注意力机制融合可以学习到不同初始小区邻接矩阵适应性的权重,能够加强对不同邻接关系的关注程度,使得那些对异常检测更有贡献的邻接关系得到更多的关注,更好地捕捉小区异常行为的模式和特征,提高小区异常检测的准确性和鲁棒性。
在本申请的一种可选实施例中,根据工参数据、邻区关系数据、业务切换量数据和性能指标数据,获取多个初始小区间邻接矩阵,具体包括:
根据工参数据,获取第一初始小区间邻接矩阵;其中,工参数据包括小区经纬度信息;第一初始小区间邻接矩阵中各元素用于指示两小区之间物理位置相关性;
根据邻区关系数据,获取第二初始小区间邻接矩阵;其中,第二初始小区间邻接矩阵中各元素用于指示两小区之间是否可进行切换;
根据业务切换量数据,获取第三初始小区间邻接矩阵;其中,第三初始小区间邻接矩阵中各元素用于指示两小区之间业务切换相关性;
根据性能指标数据,获取第四初始小区间邻接矩阵和第五初始小区间邻接矩阵;其中,第四初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据相关性;第五初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据的潜在关系。
具体的,本实施例采用五个不同的邻接关系定义规则,根据工参数据、邻区关系数据、业务切换量数据和性能指标数据,获取五个初始小区间邻接矩阵。
五个初始小区间邻接矩阵大致可以分为2种,其中,第一至第四初始小区间邻接矩阵主要基于各小区对应的多项相关数据和业务知识来构建多小区潜在的图结构节点边属性(即邻接关系),第五初始小区间邻接矩阵通过挖掘表征小区业务特征的性能指标数据内的潜在关系来构建多小区的图结构节点边属性。
第一邻接关系定义规则用于定义小区间物理位置相关性,根据工参数据中的小区经纬度信息,确定两小区之间的物理位置关系(如物理距离或物理距离是否超过预设距离阈值等),根据待检测网络范围内每两小区之间的物理位置关系,获取第一初始小区间邻接矩阵。第一初始小区间邻接矩阵中各元素用于指示两小区之间物理位置相关性。在小区异常检测中,可以利用第一初始小区间邻接矩阵帮助确定小区之间的空间关系,例如检测是否存在离群小区或者异常密集的聚类现象。
举例来说,依据小区的工程参数,获取每一小区的小区经纬度信息(小区工程参数数据,根据每一小区的小区经纬度信息计算两小区之间的欧氏距离,以欧氏距离作为小区间物理位置相关性(即物理距离邻接关系),构建加权的第一初始小区间邻接矩阵。
根据任意两小区之间的欧氏距离d1ij,获取小区间距离矩阵D1。
加权的第一初始小区间邻接矩阵W1中任一元素w1ij的计算公式如下:
式中,σ1为小区间距离矩阵D1的标准差或人为设置,∈1为人为设置的阈值,通过∈1和σ1可以控制第一初始小区间邻接矩阵W1的分布和稀疏性。
可以理解的是,除上述欧氏距离外还可采用曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)和地球表面距离等距离数据作为小区间物理位置相关性获取加权的第一初始小区间邻接矩阵,此外,还可根据获取的距离数据和预设距离阈值构建二进制邻接矩阵作为第一初始小区间邻接矩阵。
为了实现在整个区域内各个小区之间的无缝覆盖,即用户在区域内所有地方的通信质量不受影响,各个基站之间用移动交换中心进行控制和联络,移动交换中心不仅必须确切的知道每个用户在区域中的位置,当用户从一个小区移动到另外一个小区后,移动交换中心还要实施位置切换,将用户的信息从一个小区切换到另外一个小区。
本实施例构建第二邻接关系定义规则用于定义两小区之间是否可进行切换,根据运营商在部署基站时配置的邻区关系数据,即可确定各小区间是否能够进行切换,并进一步获取第二初始小区间邻接矩阵。其中,第二初始小区间邻接矩阵中各元素用于指示两小区之间是否可进行切换。在小区异常检测中,可以根据第二初始小区间邻接矩阵判断是否存在切换失败的情况,或者是否存在无效的邻区干扰问题。
举例来说,以小区工程参数为索引,根据邻区关系数据,检索所有小区的邻区小区,获取任一当前小区Celli的邻区小区集合Adj(Celli),其中,邻区小区指与当前小区覆盖有重叠并设置有切换关系的小区。
以任一当前小区为源节点,以检索结果中任一邻区小区为目的节点,构建一条有向边,进而构建第二初始小区间邻接矩阵。
第二初始小区间邻接矩阵W2中任一元素w2ij的计算公式如下:
进一步,考虑到存在切换关系的小区之间还存在业务切换量的差异,构建第三邻接关系定义规则用于定义两小区之间业务切换相关性(即小区间进行业务切换的频繁程度),根据业务切换量数据,获取第三初始小区间邻接矩阵;其中,第三初始小区间邻接矩阵中各元素用于指示两小区之间业务切换相关性。
举例来说,基于运营商的基站运营/运维数据,获取两小区之间的业务切换量数据,由于业务切换量数据反映小区间实际业务切换发生量,进而可以用于衡量两小区间的关联关系。在小区异常检测中,可以利用第三初始小区间邻接矩阵来评估业务切换的有效性和稳定性,进而发现可能存在的切换质量问题。
根据任意两小区之间的业务切换量数据d3ij,获取业务切换交互矩阵D3。
加权的第三初始小区间邻接矩阵W3中任一元素w3ij的计算公式如下:
式中,σ3为业务切换交互矩阵D3的标准差或人为设置,∈3为人为设置的阈值,通过∈3和σ3可以控制第三初始小区间邻接矩阵W3的分布和稀疏性。
根据性能指标数据,构建第四邻接关系定义规则和第五邻接关系定义规则分别用于定义性能指标数据的相关性以及潜在关系,分别获取第四初始小区间邻接矩阵和第五初始小区间邻接矩阵。在小区异常检测中,可以利用第四初始小区间邻接矩阵来比较小区之间的性能指标,发现是否存在异常偏差或者特殊模式的性能变化。利用第五初始小区间邻接矩阵来寻找性能指标之间的复杂关联,从而发现可能存在的隐藏问题或者异常规律。
可以理解的是,相关性是指两个或多个变量之间的统计关系程度。在小区间性能指标数据中,相关性衡量了不同小区之间性能指标数据的线性或非线性关系。相关系数可以用于描述已经观察到的变量之间的关系,通过计算两小区性能指标数据的相关系数,可以评估性能指标之间的相关性强弱。
第四初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据相关性,每一元素可以根据两小区性能指标数据的相关系数获取。相关系数包括但不限于皮尔逊(Pearson)相关系数、距离(distance)相关系数、Spearman秩相关系数、Kendall秩相关系数和判定系数(Coefficientof determination)等。
潜在关系则涉及到更深层次的隐含的、未观察到的变量之间的联系和关联。潜在关系不容易通过简单的线性关系来捕捉和描述,可以通过使用降维技术(如主成分分析、因子分析等)或者机器学习算法(如聚类、神经网络等)等方式获取。
第五初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据的潜在关系,邻接矩阵中每一元素的获取方式可根据实际需求设置。
本实施例提供的技术方案通过构建并融合第一至第五初始小区间邻接矩阵,综合考虑物理位置相关性、切换关系、业务切换相关性以及性能指标数据相关性和潜在关系,相比于构建单一小区间邻接矩阵的方案,五个初始小区间邻接矩阵多维度发掘多个小区间的潜在关联关系,在小区异常检测中起到了辅助分析、关联性评估和异常模式挖掘的作用,帮助发现和诊断不同类型的小区异常情况,并通过注意力机制的融合,能够更全面地描述不同小区之间的关联性,平衡不同初始小区间邻接矩阵的优缺点,提高了异常检测的准确性和全面性。
在本申请的一种可选实施例中,根据性能指标数据,获取第四初始小区间邻接矩阵和第五初始小区间邻接矩阵,具体包括:
根据性能指标数据,获取待检测网络范围内每两个小区之间的相关系数,并采用数据驱动方法挖掘性能指标数据,获取待检测网络范围内每两个小区之间性能指标数据的潜在关系;
根据每两个小区之间的相关系数,获取第四初始小区间邻接矩阵,根据每两个小区之间性能指标数据的潜在关系,获取第五初始小区间邻接矩阵。
具体的,通过计算待检测网络范围内每两个小区之间性能指标数据的相关系数,根据各相关系数获取第四初始小区间邻接矩阵。并采用数据驱动方法挖掘性能指标数据,获取待检测网络范围内每两个小区之间性能指标数据的潜在关系,根据各潜在关系获取第五初始小区间邻接矩阵。
可以理解的是,性能指标数据的具体类型和数量、相关系数的计算方式以及潜在关系的获取方式均可根据实际需求设置。
举例来说,根据任意两小区之间的性能指标数据,计算相关系数d4ij,获取相关系数矩阵D4。
加权的第四初始小区间邻接矩阵W4中任一元素w4ij的计算公式如下:
式中,σ4为相关系数矩阵D4的标准差或人为设置,∈4为人为设置的阈值,通过∈4和σ4可以控制第四初始小区间邻接矩阵W4的分布和稀疏性。
基于数据驱动方法(data-driven method),利用小区性能指标数据作为表征小区的小区嵌入特征,通过构建神经网络来挖掘任意两个小区之间性能指标数据的潜在关系w5ij,具体步骤如下:
分别对任意两个小区进行特征抽取,获取特征M1和M2:
M1=tanh(α′E1θ1)
M2=tanh(α′E2θ2)
挖掘两个小区特征间潜在关系w5ij:
获取第五初始小区间邻接矩阵W5:
for i=1,2,...,N
idx=argtopk(W5[i,:])
W5[i,-idx]=0
其中,E1和E2表示小区嵌入特征向量,θ1和θ2表示学习参数,α′表示控制激活函数(ReLU)饱和速率(saturation rate)的超参数,argtopk指保留前k个值,其他值置为0,能够保证第五初始小区间邻接矩阵W5的稀疏性。
可以理解的是,数据驱动方法是指通过对大量数据的分析和挖掘,从中提取模式、关联和规律,以推动决策、优化和改进的方法,数据驱动方法包括但不限于数据挖掘技术(如聚类分析、关联规则挖掘等)、机器学习、深度学习和数据分析(如推断统计、时间序列分析等)等。
本实施例提供的技术方案通过小区间性能指标的相关性和潜在关系分别获取第四初始小区间邻接矩阵和第五初始小区间邻接矩,第四初始小区间邻接矩阵和第五初始小区间邻接矩基于不同的性能指标关联性,提供了不同角度和深度的观察视角,从不同的分析维度对小区间关系进行全面评估,有助于全面了解小区间的异常情况和潜在问题,进一步提高小区异常检测的效果和准确性。
下面再通过一个具体示例对本申请实施例方案的具体应用进行详细说明:
图5为本申请实施例提供的一种小区异常检测方法的流程示意图,如图5所示,本实施例提供的一种小区异常检测方法主要由图数据构建、模型构建、模型训练和模型预测四个部分组成。
其中,图数据构建指根据网络范围(包括样本网络范围和待检测网络范围)内各小区构建对应的图结构。可以理解的是,本实施例中图数据的字母参数仅作为对图神经网络模型处理图数据的步骤的说明,不作为对样本网络范围和待检测网络范围对应的图数据的限制。
获取每一小区的工参数据、邻区关系数据、业务切换量数据和性能指标数据,根据多个预设邻接关系定义规则,得到图结构对应的第一至第五初始小区邻接矩阵(即W1-W5),采用注意力机制将第一至第五初始小区邻接矩阵进行融合,得到小区间邻接矩阵W。
本实施例预设性能指标指示小区业务性能,获取每一小区预设性能指标对应的数据,以小区业务性能为节点属性信息,构建包含了每个节点的属性信息的小区特征矩阵X。
根据小区间邻接矩阵W和小区特征矩阵X,即可获取图结构的特征表示(W,X)。
模型构建指采用自编码(auto-encoder)的方式构建图神经网络模型,图神经网络模型包括编码器(Encoder)、解码器(Decoder)和检测端。以输入图神经网络模型的图数据为(V,W,X),式中,V为存储节点索引,|V|表示节点数量,d是小区特征矩阵中节点属性信息的维度为例,对图神经网络模型处理图数据的步骤进行举例说明。
其中,编码器以图卷积网络GCN为基础单位,编码器对图数据进行编码后,获取的嵌入特征向量记为Z。
式中,fn指图卷积网络GCN模块,指模块的级联。
式中, 是对角线矩阵,对角线元素为/>Θn是第n层图卷积的可学习参数,/>d′为嵌入空间的维度。
解码器由作用于嵌入特征向量Z的GCN构建,输出重构后的重构小区邻接矩阵W′和重构小区特征矩阵X′。
在图神经网络模型中解码器分为结构重构解码器和属性重构解码器。其中,结构重构解码器设计思路:2个节点之间是否存在连接,可以根据其嵌入特征向量内积的相似程度来判断,重构小区邻接矩阵W′的获取公式如下:
属性重构解码器设计思路:通过构建另一个图卷积网络,利用嵌入特征向量Z来预测原始的节点属性,公式如下:
式中,下标i表示取矩阵的第i行,下标j表示取矩阵的第j列,p()指表示嵌入特征向量内积的相似程度的概率,sigmoid和relu指激活函数,frelu指激活函数为relu的图卷积网络,是解码器的可学习参数。
模型训练指构建图神经网络模型后,对于任一图数据(V,W,X),图神经网络模型的输出为(V,W′,X′),在训练模型时,采用如下损失函数:
其中,||·||F是矩阵范数,α是可学习参数。模型训练过程求解最优参数组合使得上述损失函数值最小。
采用上述图数据构建步骤,获取样本网络范围对应的图数据(即样本特征表示),并将该样本网络范围对应的图数据输入构建的图神经网络模型中进行模型训练,获取训练后的目标图神经网络模型,并确定最优参数组合
模型预测指在获取目标图神经网络模型后,采用上述图数据构建步骤,获取待检测网络范围对应的图数据,并将该待检测网络范围对应的图数据输入训练后的目标图神经网络模型中进行预测。
即将待检测网络范围内各小区构建对应的图结构对应的图数据(即待检测特征表示)输入目标图神经网络模型,即可获取目标图神经网络模型的输出,基于评分函数,对所有节点的结构和属性是否异常进行打分,获取每一小区的小区异常得分,并选取小区异常得分又大到小顺序排列时,排名前k个小区判定为目标异常小区。
以输入目标图神经网络模型的数据为(V,W,X),目标图神经网络模型的输出的数据为(V,W′,X′)为例,对任一小区i的小区异常得分score(i)的获取方法进行详细说明如下:
scori(i)=score(W,W′,X,X′;i)=(1-α)||Wi-W′i||2+α||Xi-X′i||2
式中,下标i表示取矩阵W,W′,X,X′的第i行,Z*为目标图神经网络模型中编码器输出的嵌入特征向量,W′和X′分别为目标图神经网络模型中解码器输出的重构小区邻接矩阵和重构小区特征矩阵。
图6为本申请实施例提供的一种小区异常检测装置的结构示意图,如图6所示,该装置60可以包括:图结构构建模块601、特征表示获取模块602和小区异常检测模块603;
图结构构建模块601,用于根据待检测网络范围内各小区,构建待检测网络范围对应的图结构;
特征表示获取模块602,用于根据各小区对应的小区相关数据,获取图结构的特征表示;其中,特征表示用于指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能;
小区异常检测模块603,用于将特征表示输入目标图神经网络模型中,获取目标图神经网络模型的输出,根据输出获取目标异常小区;
其中,目标图神经网络模型根据样本网络范围对应的图结构的样本特征表示无监督训练得到。
本实施例提供的技术方案通过构建待检测网络范围对应的图结构,以图结构的特征表示指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能。以特征表示作为无监督训练得到的目标图神经网络模型的输入,能够充分的考虑小区之间的连接和交互以及小区的特征信息,捕捉小区之间的相关性和依赖关系,更全面和准确地分析和判断待检测网络中小区的异常情况,有效提高小区异常检测的准确性。
本申请实施例的装置可执行本申请实施例所提供的方法,其实现原理相类似,本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的,对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述,此处不再赘述。
在本申请的一种可选实施例中,特征表示包括小区间邻接矩阵和小区特征矩阵;其中,小区间邻接矩阵中各元素用于指示两小区之间的邻接关系;小区特征矩阵中各元素用于指示对应小区的小区业务性能;目标图神经网络模型包括:编码器、解码器和检测端;
小区异常检测模块,具体用于:
将小区间邻接矩阵和小区特征矩阵输入目标图神经网络模型中,通过编码器对小区间邻接矩阵和小区特征矩阵进行编码,输出嵌入特征向量;
通过解码器对嵌入特征向量进行重构,输出重构小区间邻接矩阵和重构小区特征矩阵;
通过检测端分析小区间邻接矩阵、小区特征矩阵、重构小区间邻接矩阵和重构小区特征矩阵,获取目标图神经网络模型的输出。
在本申请的一种可选实施例中,小区异常检测模块,具体用于:
通过检测端从小区间邻接矩阵和重构小区间邻接矩阵中,分别提取出每一小区对应的邻接向量和重构邻接向量;其中,邻接向量中的每个元素表示当前小区与其他小区之间的邻接关系;
根据小区特征矩阵和重构小区特征矩阵,分别提取出每一小区对应的特征向量和重构特征向量;其中,特征向量根据当前小区在特征矩阵对应的元素获取;
根据每一小区对应的邻接向量、重构邻接向量、特征向量和重构特征向量,获取小区异常得分;其中,小区异常得分为目标图神经网络模型的输出。
在本申请的一种可选实施例中,小区异常检测模块,具体用于:
将每一小区对应的邻接向量和重构邻接向量进行减法运算,得到第一差值向量,将特征向量和重构特征向量进行减法运算,得到第二差值向量;
加权求和第一差值向量的二范数和第二差值向量的二范数,得到小区异常得分。
在本申请的一种可选实施例中,特征表示获取模块,具体用于:
获取待检测网络范围内各小区对应的工参数据、邻区关系数据、业务切换量数据和性能指标数据;
根据工参数据、邻区关系数据、业务切换量数据和性能指标数据,获取多个初始小区间邻接矩阵;
根据注意力机制融合多个初始小区间邻接矩阵,得到小区间邻接矩阵。
在本申请的一种可选实施例中,特征表示获取模块,具体用于:
根据工参数据,获取第一初始小区间邻接矩阵;其中,工参数据包括小区经纬度信息;第一初始小区间邻接矩阵中各元素用于指示两小区之间物理位置相关性;
根据邻区关系数据,获取第二初始小区间邻接矩阵;其中,第二初始小区间邻接矩阵中各元素用于指示两小区之间是否可进行切换;
根据业务切换量数据,获取第三初始小区间邻接矩阵;其中,第三初始小区间邻接矩阵中各元素用于指示两小区之间业务切换相关性;
根据性能指标数据,获取第四初始小区间邻接矩阵和第五初始小区间邻接矩阵;其中,第四初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据相关性;第五初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据的潜在关系。
在本申请的一种可选实施例中,特征表示获取模块,具体用于:
根据性能指标数据,获取待检测网络范围内每两个小区之间的相关系数,并采用数据驱动方法挖掘性能指标数据,获取待检测网络范围内每两个小区之间性能指标数据的潜在关系;
根据每两个小区之间的相关系数,获取第四初始小区间邻接矩阵,根据每两个小区之间性能指标数据的潜在关系,获取第五初始小区间邻接矩阵。
本申请实施例中提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,该处理器执行上述计算机程序以实现上述小区异常检测方法的步骤,与相关技术相比可实现:通过构建待检测网络范围对应的图结构,以图结构的特征表示指示待检测网络范围内任意两小区之间的邻接关系及小区业务性能。以特征表示作为无监督训练得到的目标图神经网络模型的输入,能够充分的考虑小区之间的连接和交互以及小区的特征信息,捕捉小区之间的相关性和依赖关系,更全面和准确地分析和判断待检测网络中小区的异常情况,有效提高小区异常检测的准确性。
在一个可选实施例中提供了一种电子设备,图7为本申请实施例提供的一种电子设备的结构示意图,如图7所示,电子设备70包括:处理器701和存储器703。其中,处理器701和存储器703相连,如通过总线702相连。可选地,电子设备70还可以包括收发器704,收发器704可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器704不限于一个,该电子设备70的结构并不构成对本申请实施例的限定。
处理器701可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器701也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线702可包括一通路,在上述组件之间传送信息。总线702可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线702可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器703可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质,在此不做限定。
存储器703用于存储执行本申请实施例的计算机程序,并由处理器701来控制执行。处理器701用于执行存储器703中存储的计算机程序,以实现前述方法实施例所示的步骤。
本申请实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴设备等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
需要说明的是,本申请上述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请中,计算机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。而在本申请中,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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机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:电线、光缆、RF(射频)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或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是,虽然本申请实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本申请实施例的一些实施场景中,各流程图中的实施步骤可以按照需求以其他的顺序执行。此外,各流程图中的部分或全部步骤基于实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以根据需求灵活配置,本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其他类似实施手段,同样属于本申请实施例的保护范畴。
Claims (10)
1.一种小区异常检测方法,其特征在于,包括:
根据待检测网络范围内各小区,构建所述待检测网络范围对应的图结构;
根据所述各小区对应的小区相关数据,获取所述图结构的特征表示;其中,所述特征表示用于指示所述待检测网络范围内任意两小区之间的邻接关系及小区业务性能;
将所述特征表示输入目标图神经网络模型中,获取所述目标图神经网络模型的输出,根据所述输出获取目标异常小区;
其中,所述目标图神经网络模型根据样本网络范围对应的图结构的样本特征表示无监督训练得到。
2.根据权利要求1所述的小区异常检测方法,其特征在于,所述特征表示包括小区间邻接矩阵和小区特征矩阵;其中,所述小区间邻接矩阵中各元素用于指示两小区之间的邻接关系;所述小区特征矩阵中各元素用于指示对应小区的小区业务性能;所述目标图神经网络模型包括:编码器、解码器和检测端;
所述将所述特征表示输入目标图神经网络模型中,获取所述目标图神经网络模型的输出,具体包括:
将所述小区间邻接矩阵和所述小区特征矩阵输入所述目标图神经网络模型中,通过所述编码器对所述小区间邻接矩阵和所述小区特征矩阵进行编码,输出嵌入特征向量;
通过所述解码器对所述嵌入特征向量进行重构,输出重构小区间邻接矩阵和重构小区特征矩阵;
通过所述检测端分析所述小区间邻接矩阵、所述小区特征矩阵、所述重构小区间邻接矩阵和所述重构小区特征矩阵,获取所述目标图神经网络模型的输出。
3.根据权利要求2所述的小区异常检测方法,其特征在于,所述通过所述检测端分析所述小区间邻接矩阵、所述小区特征矩阵、所述重构小区间邻接矩阵和所述重构小区特征矩阵,获取所述目标图神经网络模型的输出,具体包括:
通过所述检测端从所述小区间邻接矩阵和所述重构小区间邻接矩阵中,分别提取出每一小区对应的邻接向量和重构邻接向量;其中,所述邻接向量中的每个元素表示当前小区与其他小区之间的邻接关系;
根据所述小区特征矩阵和所述重构小区特征矩阵,分别提取出每一小区对应的特征向量和重构特征向量;其中,所述特征向量根据当前小区在所述特征矩阵对应的元素获取;
根据每一小区对应的所述邻接向量、所述重构邻接向量、所述特征向量和所述重构特征向量,获取小区异常得分;其中,所述小区异常得分为所述目标图神经网络模型的输出。
4.根据权利要求3所述的小区异常检测方法,其特征在于,所述根据每一小区对应的所述邻接向量、所述重构邻接向量、所述特征向量和所述重构特征向量,获取小区异常得分,具体包括:
将每一小区对应的所述邻接向量和所述重构邻接向量进行减法运算,得到第一差值向量,将所述特征向量和所述重构特征向量进行减法运算,得到第二差值向量;
加权求和所述第一差值向量的二范数和所述第二差值向量的二范数,得到所述小区异常得分。
5.根据权利要求2-4任一项所述的小区异常检测方法,其特征在于,所述根据所述各小区对应的小区相关数据,获取所述图结构的特征表示,具体包括:
获取所述待检测网络范围内各小区对应的工参数据、邻区关系数据、业务切换量数据和性能指标数据;
根据所述工参数据、邻区关系数据、业务切换量数据和性能指标数据,获取多个初始小区间邻接矩阵;
根据注意力机制融合所述多个初始小区间邻接矩阵,得到所述小区间邻接矩阵。
6.根据权利要求5所述的小区异常检测方法,其特征在于,所述根据所述工参数据、邻区关系数据、业务切换量数据和性能指标数据,获取多个初始小区间邻接矩阵,具体包括:
根据所述工参数据,获取第一初始小区间邻接矩阵;其中,所述工参数据包括小区经纬度信息;所述第一初始小区间邻接矩阵中各元素用于指示两小区之间物理位置相关性;
根据所述邻区关系数据,获取第二初始小区间邻接矩阵;其中,所述第二初始小区间邻接矩阵中各元素用于指示两小区之间是否可进行切换;
根据所述业务切换量数据,获取第三初始小区间邻接矩阵;其中,所述第三初始小区间邻接矩阵中各元素用于指示两小区之间业务切换相关性;
根据所述性能指标数据,获取第四初始小区间邻接矩阵和第五初始小区间邻接矩阵;其中,所述第四初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据相关性;所述第五初始小区间邻接矩阵中各元素用于指示两小区之间性能指标数据的潜在关系。
7.根据权利要求6所述的小区异常检测方法,其特征在于,所述根据所述性能指标数据,获取第四初始小区间邻接矩阵和第五初始小区间邻接矩阵,具体包括:
根据所述性能指标数据,获取所述待检测网络范围内每两个小区之间的相关系数,并采用数据驱动方法挖掘所述性能指标数据,获取所述待检测网络范围内每两个小区之间性能指标数据的潜在关系;
根据所述每两个小区之间的相关系数,获取第四初始小区间邻接矩阵,根据所述每两个小区之间性能指标数据的潜在关系,获取第五初始小区间邻接矩阵。
8.一种小区异常检测装置,其特征在于,包括:
图结构构建模块,用于根据待检测网络范围内各小区,构建所述待检测网络范围对应的图结构;
特征表示获取模块,用于根据所述各小区对应的小区相关数据,获取所述图结构的特征表示;其中,所述特征表示用于指示所述待检测网络范围内任意两小区之间的邻接关系及小区业务性能;
小区异常检测模块,用于将所述特征表示输入目标图神经网络模型中,获取所述目标图神经网络模型的输出,根据所述输出获取目标异常小区;
其中,所述目标图神经网络模型根据样本网络范围对应的图结构的样本特征表示无监督训练得到。
9.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7任一项所述方法的步骤。
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权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041486.9A CN117082547A (zh) | 2023-08-17 | 2023-08-17 | 小区异常检测方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311041486.9A CN117082547A (zh) | 2023-08-17 | 2023-08-17 | 小区异常检测方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117082547A true CN117082547A (zh) | 2023-11-17 |
Family
ID=88714667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311041486.9A Pending CN117082547A (zh) | 2023-08-17 | 2023-08-17 | 小区异常检测方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117082547A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312350A (zh) * | 2023-11-28 | 2023-12-29 | 本溪钢铁(集团)信息自动化有限责任公司 | 钢铁行业碳排放数据管理方法及装置 |
CN117560706A (zh) * | 2024-01-12 | 2024-02-13 | 亚信科技(中国)有限公司 | 根因分析方法、装置、电子设备及存储介质 |
-
2023
- 2023-08-17 CN CN202311041486.9A patent/CN117082547A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312350A (zh) * | 2023-11-28 | 2023-12-29 | 本溪钢铁(集团)信息自动化有限责任公司 | 钢铁行业碳排放数据管理方法及装置 |
CN117312350B (zh) * | 2023-11-28 | 2024-02-27 | 本溪钢铁(集团)信息自动化有限责任公司 | 钢铁行业碳排放数据管理方法及装置 |
CN117560706A (zh) * | 2024-01-12 | 2024-02-13 | 亚信科技(中国)有限公司 | 根因分析方法、装置、电子设备及存储介质 |
CN117560706B (zh) * | 2024-01-12 | 2024-03-22 | 亚信科技(中国)有限公司 | 根因分析方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10931700B2 (en) | Method and system for anomaly detection and network deployment based on quantitative assessment | |
CN117082547A (zh) | 小区异常检测方法、装置、电子设备和可读存储介质 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN111405585B (zh) | 一种基于卷积神经网络的邻区关系预测方法 | |
CN106464526A (zh) | 检测异常的系统与方法 | |
Redondi | Radio map interpolation using graph signal processing | |
Qureshi et al. | Enhanced MDT-based performance estimation for AI driven optimization in future cellular networks | |
Fernandes et al. | Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks | |
Braham et al. | Coverage mapping using spatial interpolation with field measurements | |
CN114828026A (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
Qureshi et al. | Toward Addressing Training Data Scarcity Challenge in Emerging Radio Access Networks: A Survey and Framework | |
Shodamola et al. | Towards addressing the spatial sparsity of MDT reports to enable zero touch network automation | |
Riaz et al. | A hybrid deep learning-based (HYDRA) framework for multifault diagnosis using sparse MDT reports | |
Ghasemi et al. | Deep learning based localization of LTE eNodeBs from large crowdsourced smartphone datasets | |
CN112995893B (zh) | 一种指纹定位方法、系统、服务器和存储介质 | |
CN112020072A (zh) | 一种基站选址方法与装置 | |
CN113973336B (zh) | 一种网络中干扰小区的确定方法、装置、设备和存储介质 | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
Sun et al. | Generative ai for advanced uav networking | |
Yaseen et al. | Graph signal processing-based network health estimation for next generation wireless systems | |
Saleh et al. | Probabilistic path loss predictors for mmWave networks | |
Zhu et al. | Fault diagnosis of 5G networks based on digital twin model | |
Hasan et al. | Root Cause Analysis of Anomalies in 5G RAN Using Graph Neural Network and Transformer | |
Afape et al. | Improving millimetre-wave path loss estimation using automated hyperparameter-tuned stacking ensemble regression machine learning | |
Mukherjee et al. | A supervised‐learning‐based spatial performance prediction framework for heterogeneous communication networks |
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 |