CN117880856A - 一种基于人工智能的电信基站安全预警方法及系统 - Google Patents
一种基于人工智能的电信基站安全预警方法及系统 Download PDFInfo
- Publication number
- CN117880856A CN117880856A CN202410268704.0A CN202410268704A CN117880856A CN 117880856 A CN117880856 A CN 117880856A CN 202410268704 A CN202410268704 A CN 202410268704A CN 117880856 A CN117880856 A CN 117880856A
- Authority
- CN
- China
- Prior art keywords
- base station
- telecommunication base
- network traffic
- telecommunication
- traffic segment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000013441 quality evaluation Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 22
- 230000008901 benefit Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及信号安全管理技术领域,尤其涉及一种基于人工智能的电信基站安全预警方法及系统。方法包括步骤:获取每个电信基站的网络流量序列、用户量序列以及每两个电信基站之间的用户流动量;根据网络流量序列和用户量序列得到每个电信基站的网络流量段和用户量段;计算每个电信基站的每个网络流量段的初始质量指标;根据用户流动量和用户量段得到每个电信基站的每个网络流量段的质量评估干扰系数;根据质量评估干扰系数和初始质量指标得到每个电信基站的每个网络流量段的最终质量指标;根据最终质量指标得到每个电信基站的每个网络流量段的优化学习率;根据优化学习率实现安全预警。从而通过自适应学习率来实现精准预警。
Description
技术领域
本发明涉及信号安全管理技术领域,尤其涉及一种基于人工智能的电信基站安全预警方法及系统。
背景技术
电信基站作为通信网络的关键组成部分,其安全性直接影响通信网络的运行状态。因而需对电信基站的安全性进行监控。
电信基站可能处于多样化的通信环境,包括不同地理位置、天气条件等。而在多样化的通信环境中,电信基站所处理的通信数据会受到一定程度的噪声干扰。而受噪声干扰的通信数据容易被误识为安全异常,从而导致预警错误。为了降低预警错误率,需对电信基站采集的通信数据进行去噪处理。
电信基站会处理多种类型的通信数据,包括语音通话、短信、互联网数据等。为了适应通信数据多样性特征,需保障选取的去噪技术能够具有较好的自适应特征。在去噪技术中权重参数设置的质量会影响去噪效果。自适应滤波方法(Least mean square),简称LMS算法,是一种自适应信号去噪的算法,该算法能够根据所处理通信数据的特征来自适应的获取权重参数。LMS算法中的学习率设置的好坏会影响权重参数质量。传统LMS算法中采用固定的学习率。固定的学习率无法适应通信数据的多样化的特征。
发明内容
为了实现根据电信基站中通信数据的变化特征自适应的调整学习率,进而实现准确的安全预警,本发明提供一种基于人工智能的电信基站安全预警方法及系统。
第一方面,本发明提供一种基于人工智能的电信基站安全预警方法,采用如下的技术方案:
一种基于人工智能的电信基站安全预警方法,包括步骤:
获取每个电信基站的网络流量序列、用户量序列以及每两个电信基站之间的用户流动量;
对每个电信基站的网络流量序列和用户量序列分别进行分割处理得到每个电信基站的网络流量段和用户量段;根据每个电信基站的每个网络流量段中数据波动变化以及数据分布离散情况得到每个电信基站的每个网络流量段的初始质量指标;
根据每两个电信基站之间的用户流动量构建网络拓扑图;根据每个电信基站在网络拓扑图中的中心性情况,每个电信基站的每个用户量段中两端数据的差异得到每个电信基站的每个网络流量段的质量评估干扰系数;利用质量评估干扰系数对初始质量指标进行修正得到每个电信基站的每个网络流量段的最终质量指标;
根据最终质量指标得到每个电信基站的每个网络流量段的优化学习率;根据优化学习率对每个电信基站的网络流量序列进行去噪和异常检测处理,实现安全预警。
优选的,所述对每个电信基站的网络流量序列和用户量序列分别进行分割处理得到每个电信基站的网络流量段和用户量段,包括步骤:
将每个电信基站的网络流量序列均匀分割成长度为L的网络流量段,L表示预设分段长度;
按照每个电信基站的网络流量段在用户量序列中的时间对应关系,对每个电信基站的用户量序列进行分段处理得到用户量段。
优选的,所述根据每个电信基站的每个网络流量段中数据波动变化以及数据分布离散情况得到每个电信基站的每个网络流量段的初始质量指标,包括步骤:
对于每个电信基站,将每个网络流量段中每个数据与前一个数据的差值绝对值作为每个网络流量段中每个数据的一阶差分;
根据一阶差分和网络流量段得到每个电信基站的每个网络流量段的初始质量指标的计算公式为:
其中,表示第j个电信基站的第f个网络流量段中第i个数据的一阶差分,表示第j个电信基站的第f个网络流量段中第i+1个数据的一阶差分,L表示每个电信基站的每个网络流量段中包含数据的数量,/>表示第j个电信基站的第f个网络流量段中第i个数据,/>表示第j个电信基站的第f个网络流量段中所有数据的均值,exp[ ]表示以自然常数为底的指数函数,/>表示第j个电信基站的第f个网络流量段的初始质量指标。
优选的,所述根据每两个电信基站之间的用户流动量构建网络拓扑图,包括步骤:
以每个电信基站作为节点,将每两个电信基站连接得到每两个电信基站的连接边,以每两个电信基站之间的用户流动量作为每两个电信基站的连接边的边权值,构建出图结构记为网络拓扑图。
优选的,所述根据每个电信基站在网络拓扑图中的中心性情况,每个电信基站的每个用户量段中两端数据的差异得到每个电信基站的每个网络流量段的质量评估干扰系数,包括步骤:
获取每个电信基站的每个网络流量段的中心性;
获取每个电信基站的每个网络流量段的用户偏差;
将每个电信基站的每个网络流量段的中心性与用户偏差的乘积作为每个电信基站的每个网络流量段的质量评估干扰系数。
优选的,所述获取每个电信基站的每个网络流量段的中心性,包括步骤:
利用介数中心性方法来获取网络拓扑图的每个电信基站的中心性。
优选的,所述获取每个电信基站的每个网络流量段的用户偏差,包括步骤:
将与每个电信基站的每个网络流量段处于相同时段的用户量段称为每个电信基站的每个网络流量段的对应用户量段;将每个电信基站的每个用户量段的第一个数据与最后一个数据的差值绝对值作为每个电信基站的每个用户量段的用户偏差;将每个电信基站的每个网络流量段的对应用户量段的用户偏差作为每个电信基站的每个网络流量段的用户偏差。
优选的,所述利用质量评估干扰系数对初始质量指标进行修正得到每个电信基站的每个网络流量段的最终质量指标,计算公式为:
其中,表示预设调整参数,/>表示第j个电信基站的第f个网络流量段的质量评估干扰系数,/>表示第j个电信基站的第f个网络流量段的初始质量指标,/>表示第j个电信基站的第f个网络流量段的最终质量指标,exp( )表示以自然常数为底的指数函数。
优选的,所述根据最终质量指标得到每个电信基站的每个网络流量段的优化学习率;根据优化学习率对每个电信基站的网络流量序列进行去噪和异常检测处理,实现安全预警,包括步骤:
利用最大值最小值归一化方法对每个电信基站的每个网络流量段的最终质量指标进行归一化处理得到每个电信基站的每个网络流量段归一化后的最终质量指标,将每个电信基站的每个网络流量段归一化后的最终质量指标作为每个电信基站的每个网络流量段的优化学习率;
将每个电信基站的每个网络流量段的优化学习率作为每个电信基站的每个网络流量段的学习率,基于每个电信基站的网络流量序列中每个网络流量段处的学习率,利用LMS算法对每个电信基站的网络流量序列进行去噪处理得到每个电信基站的去噪后网络流量序列;
利用LOF算法,对每个电信基站的去噪后网络流量序列中数据进行异常检测得到每个电信基站的去噪后网络流量序列中的异常数据;当每个电信基站的去噪后网络流量序列中存在的异常数据数量大于个时,判定电信基站存在异常,对电信基站发出预警警报;当每个电信基站的去噪后网络流量序列中存在的异常数据数量小于等于/>个时,判定电信基站不存在异常,对电信基站不发出预警警报;/>表示预设比例,N1表示每个电信基站的去噪后网络流量序列中包含的数据数量。
第二方面,本发明提供一种基于人工智能的电信基站安全预警系统,采用如下的技术方案:
一种基于人工智能的电信基站安全预警系统,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现上述一种基于人工智能的电信基站安全预警方法。
通过采用上述技术方案,将上述的一种基于人工智能的电信基站安全预警方法生成计算机程序,并存储于存储器中,以被处理器加载并执行,从而根据存储器及处理器制作终端设备,方便使用。
本发明具有以下技术效果:
获取每个电信基站的网络流量序列和用户量序列;对每个电信基站的网络流量序列和用户量序列分别进行分割处理得到每个电信基站的网络流量段和用户量段。通过分割处理可以更方便的了解网络流量序列中各处数据的变动情况。根据每个电信基站的每个网络流量段中数据的波动和分布离散情况得到每个电信基站的每个网络流量段的初始质量指标,通过初始质量指标能够初步的反映每个电信基站的每个网络流量段中噪声含量情况。通过分析每个用户量段的数据变动对每个电信基站的每个网络流量段的质量评估的影响得到每个电信基站的每个网络流量段的质量评估干扰系数,通过质量评估干扰系数能够反映每个电信基站的每个网络流量段的初始质量指标的分析误差。利用质量评估干扰系数对初始质量指标进行修正得到每个电信基站的每个网络流量段的最终质量指标,最终质量指标能够反映每个电信基站的每个网络流量段中真实的噪声含量;根据最终质量指标调整每个电信基站的每个网络流量段的学习率得到每个电信基站的每个网络流量段的优化学习率。根据优化学习率对每个电信基站的网络流量序列进行去噪和异常检测处理,实现安全预警。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分。
图1是本发明实施例一种基于人工智能的电信基站安全预警方法中方法流程图。
具体实施方式
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,本领域技术人员在没有做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。
应当理解,当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明实施例公开一种基于人工智能的电信基站安全预警方法,参照图1,包括步骤S1-步骤S4:
S1:获取每个电信基站的网络流量序列、用户量序列以及每两个电信基站之间的用户流动量。
步骤S1包括步骤S10-步骤S12,具体如下:
S10:采集每个电信基站的每种通信数据和用户量数据。
具体的,对于每个电信基站,每间隔n秒采集一次每种通信数据和一次用户量数据,采集N次。通信数据的种类包含但不限于以下几个方面:无线通信数据、网络流量数据、网络状态数据、故障数据和性能指标数据。n表示预设采集间隔,N表示预设采集次数,本实施例以n取5,N取36000为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
S11:根据每个电信基站的通信数据中的网络流量数据和用户量数据得到每个电信基站的网络流量序列和用户量序列。
需要说明的是,为了便于描述,本实施例以通信数据中的网络流量数据为例来分析电信基站安全预警过程,其他类型的通信数据均可以参考网络流量数据的分析方法进行分析。
具体的,将每个电信基站的网络流量数据按时序排列得到每个电信基站的网络流量序列,将每个电信基站的用户量数据按时序排列得到每个电信基站的用户量序列。
S12:获取每两个电信基站之间的用户流动量。
获取每两个电信基站之间的用户流动量。
需要说明的是,本实施例以API调用的方式采集每种通信数据、用户量数据以及每两个电信基站之间的用户流动量。
S2:根据每个电信基站的网络流量序列得到每个电信基站的网络流量段,计算每个电信基站的每个网络流量段的初级质量指标。
需要说明的是,为了更准确实现电信基站的安全预警。需对网络流量序列进行滤波去噪处理。其中在滤波去噪过程中,权重参数设置好坏会影响去噪准确性。LMS算法通过学习网络流量序列中各处数据变化特征来实现自适应的获取最佳权重参数。而在网络流量序列中各处数据中包含的噪声量不同,其中有些数据中包含的噪声量较少,该处数据的变化特征更能够反映真实数据的变化特征,有些数据中包含的噪声量较多,该处数据的变化特征会被噪声数据干扰,从而导致该处数据的变化特征不能够反映真实数据的变化特征。因而为了获取更准确的权重参数,需在噪声量较少的位置学习更多的信息,在噪声量较多的位置学习更少的信息。LMS算法中的学习率用于控制对网络流量序列中各处数据的学习程度,因而可以根据网络流量序列的各处数据中包含噪声的情况来调整网络流量序列中各处数据的学习率。
步骤S2包括步骤S20-步骤S21,具体如下:
S20:根据每个电信基站的网络流量序列得到每个电信基站的网络流量段。
需要说明的是,为了分析每个电信基站的网络流量序列中各处数据的噪声含量情况,需将每个电信基站的网络流量序列分割成若干段。
作为一个示例,每个电信基站的网络流量段的获取方法,包括:将每个电信基站的网络流量序列均匀分割成长度为L的网络流量段。L表示预设分段长度,本实施例以L取360为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
S21:计算每个电信基站的每个网络流量段的初始质量指标。
需要说明的是,为了确定LMS算法在每个电信基站的每个网络流量段的学习率,需分析每个电信基站的每个网络流量段处的噪声含量情况。本实施例以初始质量指标来初步的反映每个电信基站的每个网络流量段处的噪声含量情况。
首先获取每个电信基站的每个网络流量段中每个数据的一阶差分。
一阶差分的获取方法,包括:对于每个电信基站,将每个网络流量段中每个数据与前一个数据的差值绝对值作为每个网络流量段中每个数据的一阶差分。
特殊的,对于每个电信基站的每个网络流量段中第一个数据无需计算一阶差分。
然后根据每个电信基站的每个网络流量段中每个数据的一阶差分得到每个电信基站的每个网络流量段的初始质量指标。
作为一个示例,初始质量指标的计算公式为:
其中,表示第j个电信基站的第f个网络流量段中第i个数据的一阶差分,表示第j个电信基站的第f个网络流量段中第i+1个数据的一阶差分,L表示每个电信基站的每个网络流量段中包含数据的数量,/>反映了第j个电信基站的第f个网络流量段中数据的波动性,该值越大说明第j个电信基站的第f个网络流量段的波动性越大。由于噪声数据与正常数据的变动规律差异较大,因而当存在噪声数据时,数据的波动性越大。因而当第j个电信基站的第f个网络流量段的波动性越大时,说明第j个电信基站的第f个网络流量段中包含噪声数据的可能性越大,同时也说明第j个电信基站的第f个网络流量段的质量越差。/>表示第j个电信基站的第f个网络流量段中第i个数据,/>表示第j个电信基站的第f个网络流量段中所有数据的均值,/>反映了第j个电信基站的第f个网络流量段中数据的离心性,该值越大说明第j个电信基站的第f个网络流量段的离心性越大。由于噪声数据与正常数据的差异较大,因而当存在噪声数据时,数据中会存在较多的离心数据。因而当第j个电信基站的第f个网络流量段的离心性越大时,说明第j个电信基站的第f个网络流量段中包含噪声数据的可能性越大,同时也说明第j个电信基站的第f个网络流量段的质量越差。exp[ ]表示以自然常数为底的指数函数。/>表示第j个电信基站的第f个网络流量段的初始质量指标。该值越大说明第j个电信基站的第f个网络流量段包含噪声越少。
S3:根据每两个电信基站之间的用户流动量和每个电信基站的每个网络流量段的初始质量指标得到每个电信基站的每个网络流量段的最终质量指标。
需要说明的是,在网络运行过程中,运营商会根据网络负载、用户需求等因素对每个电信基站进行日常性的调整。而每个电信基站的调整会导致每个电信基站所负荷的用户量数据发生变化,进而引起每个电信基站的网络流量数据发生变动。而这种变动不是由于噪声导致,因而这种变动会导致噪声含量误判,即计算出的初始质量不够准确。因而为了更准确的评估噪声含量,需根据每个电信基站的用户量数据的变动情况来对初始质量指标进行修正。
步骤S3包括步骤S30-步骤S32,具体如下:
S30:根据每两个电信基站之间的用户流动量构建网络拓扑图。
需要说明的是,为了更准确的反映电信基站之间的用户量变化情况,需根据每两个电信基站之间的用户流动量构建网络拓扑图。
作为一种示例,网络拓扑图的构建方法,包括:以每个电信基站作为节点,将每两个电信基站连接得到每两个电信基站的连接边,以每两个电信基站之间的用户流动量作为每两个电信基站连接边的边权值,构建出图结构记为网络拓扑图。
S31:根据网络拓扑图以及每个电信基站的用户量序列得到每个电信基站的每个网络流量段的质量评估干扰系数。
作为一种示例,质量评估干扰系数的获取方法,包括:
首先利用介数中心性方法来获取网络拓扑图的每个电信基站的中心性。介数中心性方法为图论中现有技术,本实施例不再进行赘述。
需要说明的是,中心性越大说明电信基站与其他电信基站之间存在较多的用户流动关系,因而该电信基站受用户流动导致的噪声含量误判的可能性较大,即计算出的初始质量指标存在偏差的可能性越大。
然后按照每个电信基站的网络流量段在用户量序列中的时间对应关系,对每个电信基站的用户量序列进行分段处理得到用户量段,将与每个电信基站的每个网络流量段处于相同时段的用户量段称为每个电信基站的每个网络流量段的对应用户量段;将每个电信基站的每个用户量段的第一个数据与最后一个数据的差值绝对值作为每个电信基站的每个用户量段的用户偏差。将每个电信基站的每个网络流量段的对应用户量段的用户偏差作为每个电信基站的每个网络流量段的用户偏差。
需要说明的是,每个电信基站的每个网络流量段的用户偏差反映了每个电信基站在每个网络流量段所处的时间段内的用户量的变动情况,该值越大说明每个电信基站在每个网络流量段所处的时间段内的用户量变动越大,进而反映了每个电信基站在每个网络流量段所处的时间段内的网络流量变动,是由用户量变动引起,而不是噪声导致。因而每个电信基站在每个网络流量段所处的时间段内存在噪声量评估误判的可能性较大,即计算出的初始质量指标的偏差可能较大。
最后将每个电信基站的中心性与每个电信基站的每个网络流量段的用户偏差的乘积作为每个电信基站的每个网络流量段的质量评估干扰系数。
S32:根据每个电信基站的每个网络流量段的质量评估干扰系数以及每个电信基站的每个网络流量段的初始质量指标得到每个电信基站的每个网络流量段的最终质量指标。
作为一个示例,最终质量指标的计算公式为:
其中,表示预设调整参数,本实施例以/>取0.5为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。/>表示第j个电信基站的第f个网络流量段的质量评估干扰系数,该值越大说明第j个电信基站的第f个网络流量段的变动是受用户量变动导致,而不是噪声导致,即计算出的初始质量指标存在偏差的可能性较大。因而为了准确的评估噪声含量需排除用户量变动的干扰。因而本实施例利用/>对初始质量指标进行修正。/>表示第j个电信基站的第f个网络流量段的初始质量指标,/>表示第j个电信基站的第f个网络流量段的最终质量指标,exp( )表示以自然常数为底的指数函数。
S4:根据每个电信基站的每个网络流量段的最终质量指标得到每个电信基站的每个网络流量段的优化学习率,根据每个电信基站的每个网络流量段的优化学习率对每个电信基站的网络流量序列进行去噪和异常检测处理得到安全预警结果。
步骤S4包括步骤S40-步骤S42,具体如下:
S40:根据每个电信基站的每个网络流量段的最终质量指标得到每个电信基站的每个网络流量段的优化学习率。
作为一个示例,优化学习率的获取方法,包括:利用最大值最小值归一化方法对每个电信基站的每个网络流量段的最终质量指标进行归一化处理得到每个电信基站的每个网络流量段归一化后的最终质量指标。将每个电信基站的每个网络流量段归一化后的最终质量指标作为每个电信基站的每个网络流量段的优化学习率。
S41:根据每个电信基站的每个网络流量段的优化学习率对每个电信基站的网络流量序列进行去噪处理得到每个电信基站的去噪后网络流量序列。
去噪后网络流量序列获取方法,包括:将每个电信基站的每个网络流量段的优化学习率作为每个电信基站的每个网络流量段的学习率,基于每个电信基站的网络流量序列中每个网络流量段处的学习率,利用LMS算法对每个电信基站的网络流量序列进行去噪处理得到每个电信基站的去噪后网络流量序列。
S42:根据每个电信基站的去噪后网络流量序列得到每个电信基站的预警结果。
预警结果获取方法,包括:利用局部离群因子算法(Local Outlier Factor),简称LOF算法,对每个电信基站的去噪后网络流量序列中数据进行异常检测得到每个电信基站的去噪后网络流量序列中的异常数据。当每个电信基站的去噪后网络流量序列中存在的异常数据数量大于个时,判定电信基站存在异常,对电信基站发出预警警报。当每个电信基站的去噪后网络流量序列中存在的异常数据数量小于等于/>个时,判定电信基站不存在异常,对电信基站不发出预警警报。/>表示预设比例,本实施例以/>取0.1为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。N1表示每个电信基站的去噪后网络流量序列中包含的数据数量。
本发明实施例还公开一种基于人工智能的电信基站安全预警系统,包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本发明的一种基于人工智能的电信基站安全预警方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器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。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器、动态随机存取存储器、静态随机存取存储器、增强动态随机存取存储器、高带宽内存、混合存储立方等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的电信基站安全预警方法,其特征在于,包括步骤:
获取每个电信基站的网络流量序列、用户量序列以及每两个电信基站之间的用户流动量;
对每个电信基站的网络流量序列和用户量序列分别进行分割处理得到每个电信基站的网络流量段和用户量段;根据每个电信基站的每个网络流量段中数据波动变化以及数据分布离散情况得到每个电信基站的每个网络流量段的初始质量指标;
根据每两个电信基站之间的用户流动量构建网络拓扑图;根据每个电信基站在网络拓扑图中的中心性情况,每个电信基站的每个用户量段中两端数据的差异得到每个电信基站的每个网络流量段的质量评估干扰系数;利用质量评估干扰系数对初始质量指标进行修正得到每个电信基站的每个网络流量段的最终质量指标;
根据最终质量指标得到每个电信基站的每个网络流量段的优化学习率;根据优化学习率对每个电信基站的网络流量序列进行去噪和异常检测处理,实现安全预警。
2.根据权利要求1所述的一种基于人工智能的电信基站安全预警方法,其特征在于,所述对每个电信基站的网络流量序列和用户量序列分别进行分割处理得到每个电信基站的网络流量段和用户量段,包括步骤:
将每个电信基站的网络流量序列均匀分割成长度为L的网络流量段,L表示预设分段长度;
按照每个电信基站的网络流量段在用户量序列中的时间对应关系,对每个电信基站的用户量序列进行分段处理得到用户量段。
3.根据权利要求1所述的一种基于人工智能的电信基站安全预警方法,其特征在于,所述根据每个电信基站的每个网络流量段中数据波动变化以及数据分布离散情况得到每个电信基站的每个网络流量段的初始质量指标,包括步骤:
对于每个电信基站,将每个网络流量段中每个数据与前一个数据的差值绝对值作为每个网络流量段中每个数据的一阶差分;
根据一阶差分和网络流量段得到每个电信基站的每个网络流量段的初始质量指标的计算公式为:
其中,表示第j个电信基站的第f个网络流量段中第i个数据的一阶差分,/>表示第j个电信基站的第f个网络流量段中第i+1个数据的一阶差分,L表示每个电信基站的每个网络流量段中包含数据的数量,/>表示第j个电信基站的第f个网络流量段中第i个数据,/>表示第j个电信基站的第f个网络流量段中所有数据的均值,exp[ ]表示以自然常数为底的指数函数,/>表示第j个电信基站的第f个网络流量段的初始质量指标。
4.根据权利要求1所述的一种基于人工智能的电信基站安全预警方法,其特征在于,所述根据每两个电信基站之间的用户流动量构建网络拓扑图,包括步骤:
以每个电信基站作为节点,将每两个电信基站连接得到每两个电信基站的连接边,以每两个电信基站之间的用户流动量作为每两个电信基站的连接边的边权值,构建出图结构记为网络拓扑图。
5.根据权利要求1所述的一种基于人工智能的电信基站安全预警方法,其特征在于,所述根据每个电信基站在网络拓扑图中的中心性情况,每个电信基站的每个用户量段中两端数据的差异得到每个电信基站的每个网络流量段的质量评估干扰系数,包括步骤:
获取每个电信基站的每个网络流量段的中心性;
获取每个电信基站的每个网络流量段的用户偏差;
将每个电信基站的每个网络流量段的中心性与用户偏差的乘积作为每个电信基站的每个网络流量段的质量评估干扰系数。
6.根据权利要求5所述的一种基于人工智能的电信基站安全预警方法,其特征在于,所述获取每个电信基站的每个网络流量段的中心性,包括步骤:
利用介数中心性方法来获取网络拓扑图的每个电信基站的中心性。
7.根据权利要求5所述的一种基于人工智能的电信基站安全预警方法,其特征在于,所述获取每个电信基站的每个网络流量段的用户偏差,包括步骤:
将与每个电信基站的每个网络流量段处于相同时段的用户量段称为每个电信基站的每个网络流量段的对应用户量段;将每个电信基站的每个用户量段的第一个数据与最后一个数据的差值绝对值作为每个电信基站的每个用户量段的用户偏差;将每个电信基站的每个网络流量段的对应用户量段的用户偏差作为每个电信基站的每个网络流量段的用户偏差。
8.根据权利要求1所述的一种基于人工智能的电信基站安全预警方法,其特征在于,所述利用质量评估干扰系数对初始质量指标进行修正得到每个电信基站的每个网络流量段的最终质量指标,计算公式为:
其中,表示预设调整参数,/>表示第j个电信基站的第f个网络流量段的质量评估干扰系数,/>表示第j个电信基站的第f个网络流量段的初始质量指标,/>表示第j个电信基站的第f个网络流量段的最终质量指标,exp( )表示以自然常数为底的指数函数。
9.根据权利要求1所述的一种基于人工智能的电信基站安全预警方法,其特征在于,所述根据最终质量指标得到每个电信基站的每个网络流量段的优化学习率;根据优化学习率对每个电信基站的网络流量序列进行去噪和异常检测处理,实现安全预警,包括步骤:
利用最大值最小值归一化方法对每个电信基站的每个网络流量段的最终质量指标进行归一化处理得到每个电信基站的每个网络流量段归一化后的最终质量指标,将每个电信基站的每个网络流量段归一化后的最终质量指标作为每个电信基站的每个网络流量段的优化学习率;
将每个电信基站的每个网络流量段的优化学习率作为每个电信基站的每个网络流量段的学习率,基于每个电信基站的网络流量序列中每个网络流量段处的学习率,利用LMS算法对每个电信基站的网络流量序列进行去噪处理得到每个电信基站的去噪后网络流量序列;
利用LOF算法,对每个电信基站的去噪后网络流量序列中数据进行异常检测得到每个电信基站的去噪后网络流量序列中的异常数据;当每个电信基站的去噪后网络流量序列中存在的异常数据数量大于个时,判定电信基站存在异常,对电信基站发出预警警报;当每个电信基站的去噪后网络流量序列中存在的异常数据数量小于等于/>个时,判定电信基站不存在异常,对电信基站不发出预警警报;/>表示预设比例,N1表示每个电信基站的去噪后网络流量序列中包含的数据数量。
10.一种基于人工智能的电信基站安全预警系统,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-9任一项所述的一种基于人工智能的电信基站安全预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410268704.0A CN117880856B (zh) | 2024-03-11 | 一种基于人工智能的电信基站安全预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410268704.0A CN117880856B (zh) | 2024-03-11 | 一种基于人工智能的电信基站安全预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117880856A true CN117880856A (zh) | 2024-04-12 |
CN117880856B CN117880856B (zh) | 2024-05-31 |
Family
ID=
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150018028A1 (en) * | 2013-07-09 | 2015-01-15 | Ubiquisys Limited | Power setting |
WO2016188498A1 (zh) * | 2015-10-21 | 2016-12-01 | 中兴通讯股份有限公司 | 一种无线网络吞吐量的评估方法及装置 |
US20160359685A1 (en) * | 2015-06-04 | 2016-12-08 | Cisco Technology, Inc. | Method and apparatus for computing cell density based rareness for use in anomaly detection |
US10084825B1 (en) * | 2017-05-08 | 2018-09-25 | Fortinet, Inc. | Reducing redundant operations performed by members of a cooperative security fabric |
CN112990730A (zh) * | 2021-03-26 | 2021-06-18 | 国网上海市电力公司 | 一种利用人为采集失败增强电量相关性特征的方法 |
CN113784292A (zh) * | 2021-08-24 | 2021-12-10 | 同济大学 | 一种基于手机信令数据的城市疫情风险评估方法 |
US20220095388A1 (en) * | 2019-02-15 | 2022-03-24 | Apple Inc. | 2-step rach initiated by pdcch order |
CN114884749A (zh) * | 2022-07-06 | 2022-08-09 | 智联信通科技股份有限公司 | 一种基于人工智能的网络安全态势感知方法 |
CN115150248A (zh) * | 2021-03-16 | 2022-10-04 | 中国移动通信集团江苏有限公司 | 网络流量异常检测方法、装置、电子设备和存储介质 |
CN115186974A (zh) * | 2022-05-27 | 2022-10-14 | 国网上海能源互联网研究院有限公司 | 一种基于业务中台的配电网供电质量综合评价方法及系统 |
CN117076862A (zh) * | 2023-08-21 | 2023-11-17 | 国网甘肃省电力公司信息通信公司 | 一种基于属性图的电力物联网网络异常检测方法及系统 |
CN117156484A (zh) * | 2023-10-30 | 2023-12-01 | 江西科技学院 | 一种基于5g技术的通信基站能耗分析系统和方法 |
CN117155806A (zh) * | 2023-09-11 | 2023-12-01 | 西京学院 | 一种通信基站流量预测方法与装置 |
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150018028A1 (en) * | 2013-07-09 | 2015-01-15 | Ubiquisys Limited | Power setting |
US20160359685A1 (en) * | 2015-06-04 | 2016-12-08 | Cisco Technology, Inc. | Method and apparatus for computing cell density based rareness for use in anomaly detection |
WO2016188498A1 (zh) * | 2015-10-21 | 2016-12-01 | 中兴通讯股份有限公司 | 一种无线网络吞吐量的评估方法及装置 |
US10084825B1 (en) * | 2017-05-08 | 2018-09-25 | Fortinet, Inc. | Reducing redundant operations performed by members of a cooperative security fabric |
US20220095388A1 (en) * | 2019-02-15 | 2022-03-24 | Apple Inc. | 2-step rach initiated by pdcch order |
CN115150248A (zh) * | 2021-03-16 | 2022-10-04 | 中国移动通信集团江苏有限公司 | 网络流量异常检测方法、装置、电子设备和存储介质 |
CN112990730A (zh) * | 2021-03-26 | 2021-06-18 | 国网上海市电力公司 | 一种利用人为采集失败增强电量相关性特征的方法 |
CN113784292A (zh) * | 2021-08-24 | 2021-12-10 | 同济大学 | 一种基于手机信令数据的城市疫情风险评估方法 |
CN115186974A (zh) * | 2022-05-27 | 2022-10-14 | 国网上海能源互联网研究院有限公司 | 一种基于业务中台的配电网供电质量综合评价方法及系统 |
CN114884749A (zh) * | 2022-07-06 | 2022-08-09 | 智联信通科技股份有限公司 | 一种基于人工智能的网络安全态势感知方法 |
CN117076862A (zh) * | 2023-08-21 | 2023-11-17 | 国网甘肃省电力公司信息通信公司 | 一种基于属性图的电力物联网网络异常检测方法及系统 |
CN117155806A (zh) * | 2023-09-11 | 2023-12-01 | 西京学院 | 一种通信基站流量预测方法与装置 |
CN117156484A (zh) * | 2023-10-30 | 2023-12-01 | 江西科技学院 | 一种基于5g技术的通信基站能耗分析系统和方法 |
Non-Patent Citations (1)
Title |
---|
陈文庆;: "一种基于多标记学习的网络流量预测算法", 科技通报, no. 04, 30 April 2016 (2016-04-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126824B (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
CN108667856B (zh) | 一种网络异常检测方法、装置、设备及存储介质 | |
CN111260893B (zh) | 一种海洋平台推进器故障预警方法和装置 | |
CN110083507B (zh) | 关键性能指标分类方法及装置 | |
US6687336B1 (en) | Line qualification with neural networks | |
CN117880856B (zh) | 一种基于人工智能的电信基站安全预警方法及系统 | |
CN111901134A (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
CN117880856A (zh) | 一种基于人工智能的电信基站安全预警方法及系统 | |
CN115705282A (zh) | 小区网络异常检测方法、装置及计算机可读存储介质 | |
CN111241158B (zh) | 一种飞行器遥测数据的异常检测方法和装置 | |
CN108521435B (zh) | 一种用户网络行为画像的方法及系统 | |
CN116702006A (zh) | 异常判定方法、装置、计算机设备及存储介质 | |
CN117376084A (zh) | 故障检测方法、电子设备及其介质 | |
CN112785000A (zh) | 面向大规模机器学习系统的机器学习模型训练方法及系统 | |
CN114328078A (zh) | 一种阈值动态计算方法、装置及计算机可读存储介质 | |
CN113784411A (zh) | 链路质量评估方法、链路切换方法、设备和存储介质 | |
CN114398964A (zh) | 故障诊断方法、装置、电子设备和存储介质 | |
CN110098983B (zh) | 一种异常流量的检测方法及装置 | |
CN109710552B (zh) | 总线传输质量评估方法、系统和计算机存储介质 | |
CN114021302A (zh) | 输电线路的寿命评估方法、装置、系统及存储介质 | |
CN117998448B (zh) | 无线网络质量数据采集方法及系统 | |
CN112153685B (zh) | Rrc故障检测方法和装置 | |
CN107678905B (zh) | 一种监控方法和装置 | |
CN115292191A (zh) | 应用的性能指标评估方法及装置 | |
CN115407264A (zh) | 一种rssi测距方法、装置和电子设备 |
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 |