CN118283667A

CN118283667A - 一种基于多尺度时空对比的基站群异常检测方法及系统

Info

Publication number: CN118283667A
Application number: CN202410360153.0A
Authority: CN
Inventors: 骆超; 李英华; 邵锐
Original assignee: Shandong Normal University
Current assignee: Shandong Normal University
Priority date: 2024-03-27
Filing date: 2024-03-27
Publication date: 2024-07-02

Abstract

本发明提供了一种基于多尺度时空对比的基站群异常检测方法及系统，涉及基站异常检测技术领域，所述方法包括：获取待检测的基站群数据；将基站群数据输入多尺度时空对比异常检测模型中进行异常检测，得到异常检测结果；其中，多尺度时空对比异常检测模型包括依次连接的特征提取模块、图结构转换模块、多尺度模块和对比检测模块，通过提取基站群数据中的时间特征和空间特征，融合时间特征和空间特征得到融合结果，并根据融合结果识别异常。本发明能够从不同尺度捕获异常模式，实现对于5G‑MNC的精准异常检测。

Description

一种基于多尺度时空对比的基站群异常检测方法及系统

技术领域

本发明涉及基站异常检测技术领域，具体涉及一种基于多尺度时空对比的基站群异常检测方法及系统。

背景技术

伴随着高频频谱C波段(3.4GHz-4.9GHz)的应用，与3G/4G网络相比，5G无线基站的数量显著增加。因此，如何智能、及时地发现基站异常，对于5G网络的日常运营和维护至关重要。同时，高吞吐量、强可靠性和超低延迟的要求提出了紧密的组网。因此，5G移动网络集群(5G-MNC)作为具有较强内部相关性的区域基站群，取代了单一基站作为维护对象。然而，由于复杂的时空测量数据，单一尺度的检测方法无法充分捕捉到这些复杂的时空特征，现有技术难以精准实现对于5G-MNC的异常检测。

发明内容

为了解决现有技术的不足，本发明的目的是提供一种基于多尺度时空对比的基站群异常检测方法及系统，以从不同尺度捕获异常模式，实现对于5G-MNC的精准异常检测。

为了实现上述目的，根据一些实施例，本发明的第一方面，提供了一种基于多尺度时空对比的基站群异常检测方法，包括：

获取待检测的基站群数据；

将基站群数据输入多尺度时空对比异常检测模型中进行异常检测，得到异常检测结果；

其中，多尺度时空对比异常检测模型包括依次连接的特征提取模块、图结构转换模块、多尺度模块和对比检测模块，通过提取基站群数据中的时间特征和空间特征，融合时间特征和空间特征得到融合结果，并根据融合结果识别异常。

优选的，所述特征提取模块通过两个并行的一维卷积，从基站群数据中提取时间高级特征和空间高级特征。

优选的，所述图结构转换模块将特征提取模块提取到的高级特征转换为图结构，并生成若干时间子图和空间子图。

优选的，所述多尺度模块包括节点-子图对比网络子模块和子图-子图对比网络子模块；多尺度模块通过节点-子图对比网络子模块获取子图嵌入和目标节点嵌入的相似性，通过子图-子图对比网络子模块获取两个子图嵌入的相似性，并将两者拼接得到输出特征；多尺度模块分别根据输入的时间子图和空间子图，输出时间特征和空间特征。

优选的，所述对比检测模块融合多尺度模块得到的时间特征和空间特征，得到输入样本的融合结果，并通过聚类算法识别输入样本的融合结果是否异常。

优选的，还包括，对基站群数据进行数据增强，将来自同一时间段的数据作为正样本，将来自不同时间段的数据作为负样本。

本发明的第二方面，提供了一种基于多尺度时空对比的基站群异常检测系统，包括：

数据获取模块，被配置为获取待检测的基站群数据；

异常检测模块，被配置为将基站群数据输入多尺度时空对比异常检测模型中进行异常检测，得到异常检测结果；其中，多尺度时空对比异常检测模型包括依次连接的特征提取模块、图结构转换模块、多尺度模块和对比检测模块，通过提取基站群数据中的时间特征和空间特征，融合时间特征和空间特征得到融合结果，并根据融合结果识别异常。

本发明的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以完成上述一种基于多尺度时空对比的基站群异常检测方法的步骤。

本发明的第四方面，提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述一种基于多尺度时空对比的基站群异常检测方法的步骤。

本发明的第五方面，提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述一种基于多尺度时空对比的基站群异常检测方法的步骤。

与现有技术相比，本发明的有益效果是：

本发明提供了一种基于多尺度时空对比的基站群异常检测方法及系统，采用多尺度时空对比异常检测模型实现对于5G移动网络集群(5G-MNC)的异常检测，相较于针对单一基站的异常检测，多尺度时空对比异常检测模型能够实现对具有较强内部相关性的区域基站群的异常检测，从不同尺度捕获异常模式，从5G-MNC数据中学习可区分的时空表示，以实现现对于5G-MNC的精准异常检测。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明方法的流程图；

图2(a)为多尺度时空对比异常检测模型的第一部分框架示意图；

图2(b)为多尺度时空对比异常检测模型的第二部分框架示意图；

图3为数据增强方法的框架示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

实施例一

本发明的实施例一，提供了一种基于多尺度时空对比的基站群异常检测方法，如图1所示，包括：

获取待检测的基站群数据；

为实现对于5G移动网络集群(5G-MNC)的异常检测，本实施例提出了一种全新的异常检测模型：多尺度时空对比异常检测(MSTCAD)。与传统的基于重建或预测的异常检测方法不同，MSTCAD不关心内隐层编码表示的一致性以及异常值内隐层的可分辨性。MSTCAD利用对比学习实现更具区分性的表示，并通过测量样本的TSE和其相应原型之间的距离，在潜在空间明确执行异常检测。

本实施例将5G-MNC的异常检测问题转化为一个针对具有多变量时间序列的时空数据的异常检测任务，并通过将时空特征转换成图结构来捕获相邻节点的异常行为。每个单变量序列代表一个特定的KPI(Key Performance Indicator，关键性能指标)序列，该序列是5G-MNC中一个基站生成的。移动网络KPI数据通常在每个维度序列内具有时间相关性(即，从某个基站生成的序列的周期性)，以及不同维度序列之间的空间相关性(即特定覆盖区域中的基站之间的协作关系)。使用Ω表示一个数据集，其中包含5G-MNC的观察结果，表示一批Ω，B表示批次大小。其中，X_t,i∈R^N×T表示从N个基站收集的多变量时间序列，其中包含长度为T的时间切片期间的时空信息。该方法的目标是设计一个框架来从不同尺度的行为信息进行对比，来学习能够区分正常和异常的表示，从而实现5G-MNC的异常检测。构建的MSTCAD框架如图2(a)、图2(b)所示。为使图中各部分结构清楚，将整体框架拆分为两图，其中，图2(b)的输入即为图2(a)的输出。

一般来说，对比学习框架试图最大化正对的相似性，即样本及其增强，因此，在对比学习中应用适当的数据增强非常重要。考虑到5G-MNC生成的KPI时间序列通常具有周期性模式，这是定期发生的。因此，首先对基站群数据进行增强，旨在将来自同一时间段的数据作为正样本，将来自不同时间段的信息作为负样本。其动机是，从9:00到10:00的时间段模式与23:00到24:00的时间段不同，但与前一天的9:00至10:00类似，因为人们的行为在一个周期的不同时间段上可能有所不同。设计的数据增强方法的抽象框架图如图3所示。

首先采取高斯模糊的方法，对数据进行模糊化处理。这个过程可以将原始数据转换为新的数据模式。具体而言，通过对原始数据进行映射和变换，生成一组经过模糊化处理的数据模式。这些数据模式在某种程度上保留了原始数据的特征，但同时也引入了一定的模糊性。具体来说，给定一批数据[X_t,1,X_t,2,...,X_t,B]，而这批数据只涵盖一个周期，可以是一个小时、一天或一周。此处以批次涵盖一天为例。将其传入模糊编码器，经过一系列映射和变换操作，以生成模糊处理后的输出数据为[Y_t,1,Y_t,2,...,Y_t,B]。

对于每个批次，其之前相邻的M批次被视为其候选批次。值得注意的是，不同周期的相同时间段之间也存在一些细微的差异，因为人们的行为在周末和工作日可能会有所不同。例如，人们周一早上的行为可能与周日早上的行为不同。为了缓解这种现象，应用多元动态时间扭曲(MDTW)距离从M候选中选择与当前批次最相似的前K个扩增批次。具体来说，为选择增强集如下所示：

dis_t,j＝MDTW(χ_t,χ_j),j＝1,2,…,N

其中，dis_t,j表示批次的MDTW距离，其他M候选批次，以及表示的增强集，增加K批。当前批次及其扩增批次中相同指标的样本被视为正样本，而不同指标的样本则被视为负样本。具体来说，对于当前批次中的X_t,i，其第k个扩增批次中的正样本为X_k,i，X_k,j(j≠i)是它的负样本。

为了更准确地计算当前批次的MDTW距离，采用一种计算模糊数据的方法。具体来说，首先输入现有的时间序列数据，然后选择合适的聚类数目c。接着，对每个样本进行高斯模糊处理，将其模糊化，并求出其到c个聚类中心的隶属度，即该样本属于每个聚类的概率。通过这种方式，将每个样本点划分到不同的聚类中，从而方便计算MDTW距离。隶属度公式如下：

其中，μ表示的均值，σ表示标准差，ξ是为了防止分母出现0而设置的一个很小的小数，此处设置为1e-6。

由于对于这种隶属度的结果存在不确定性，引入犹豫度来描述当前样本隶属于某一个聚类的不确定程度。这可以让我们更全面、准确地分析数据，并有助于后续的模型优化和应用。这样，每个样本点就被视为包含隶属度和犹豫度的模糊集合。犹豫度公式如下：

犹豫度的值越大，说明该样本点所属聚类的不确定度越高。其中，∈为干扰值，此处设置为0.25。

为了度量两个模糊集合之间的关系密切程度，采用计算它们之间距离和相似度的方法。具体而言，使用标准欧氏距离来度量直觉犹豫模糊集之间的距离，并将其作为MDTW距离的度量标准。标准欧氏距离可以直接计算两个模糊集合之间的欧氏距离，从而快速、准确地得到它们之间的距离值。计算方法如下：

其中，A,B是模糊集合中的两个模糊集，A,B之间的距离为D(A,B)。且满足性质：

(1)0<D(A,B)<1，

(2)D(A,B)＝D(B,A)，

(3)D(A,B)＝0,当A＝B时。

在一些实施方式中，还可以使用标准汉明距离公式或余弦相似性函数，来计算两个模糊集合之间的距离来度量它们之间的关系密切程度。由于标准欧氏距离可以直接计算两个模糊集合之间的欧氏距离，从而快速、准确地得到它们之间的距离值，故在本实施例中，采用欧氏距离来作为计算两个模糊集合之间的距离，效果更好。

将增强后的数据输入到多尺度时空对比异常检测模型中进行异常检测。首先，应用两个并行的一维卷积操作从时间和空间角度提取高级特征。给定输入样本X_i∈R^N×T，其中，N表示批次大小，T表示序列长度。时间编码器E_temp的输入为空间编码器E_spat的输入是X_i，经一维卷积运算后输出高级特征。

其中和分别表示原始数据的时间和空间视图的高级特征，其中F表示特征维度。

接下来，将提取到的特征矩阵(高级特征)转换成相应的图结构，基站映射为图中的节点，而节点之间的连接表示它们在时间或空间上的邻近关系。然后随机生成若干个子图，包括时间子图和空间子图。其中空间子图是从整个图结构中选择一部分节点及其之间的边得到的一个子集。而对于时间子图的生成，采用随机滑动窗口的方式，从时间序列数据中选择一段连续的时间片段，然后将该时间片段内的数据点作为节点构建图结构。这样可以更全面地捕捉时间序列数据中的不同特征和模式，提供更多样化的数据表示，以便于在不同的时间点或空间区域上对数据进行局部建模，从而更好地捕捉到局部的特征和模式。

为了捕获相邻基站之间的异常行为，在时间和空间编码器中使用多尺度策略。多尺度模块包括两个子模块：节点-子图对比网络，子图-子图对比网络。

具体来说，在节点-子图对比网络中，将生成的子图作为输入，并使用图卷积网络(GCN)进行学习。GCN是一种基于图结构的深度学习模型，它能够在图上进行节点特征的传播和聚合。GCN的计算过程可以表示为：

其中，H^(l)∈R^n×d是第l层的节点特征矩阵，n表示节点个数，d是嵌入维度。是对称归一化后的邻接矩阵。是度矩阵。W^(l)是权重矩阵，σ(·)是激活函数，这里使用了ReLu激活函数。

通过多个GCN层的堆叠，逐步进行特征传播和聚合，最后一层的节点特征矩阵H^(l)经过嵌入函数f(·)映射到嵌入空间，得到嵌入表示为：

Z＝f(H^(l))

其中，Z∈R^n×d是子图嵌入表示。

然后通过Readout函数计算子图的最终表示，这里使用平均函数实现：

其中，得到的嵌入表示Z′∈R^n×d。

通过使用GCN进行多尺度学习，充分利用了子图中节点之间的连接关系，获取节点特征的上下文信息，并将其映射到低维嵌入空间中，从而定义更具表达能力和可解释性的嵌入表示。

对于目标节点的嵌入，使用多层感知机(MLP)将其映射到与子图相同的嵌入空间。MLP是一种前馈神经网络，可以通过多个全连接层来实现非线性映射。目标节点v_i的特征表示为X_target∈R^1×d，MLP的计算过程如下：

z_target＝MLP(W^(l)X_target)＝σ(W^(l)X_target)

其中，z_target∈R^1×d，W⁽ⁱ⁾是权重矩阵，与GCN共享，σ(·)是激活函数。

为了学习子图嵌入Z和目标节点嵌入z_target之间的一致性，建立了一个对比学习模块。具体来说，使用双线性函数来计算它们之间的相似性：

其中，W_Biliner∈R^d×d是双线性函数的权重矩阵，表示z_target的转置。

子图-子图级别的对比网络与节点-子图级别结构类似，旨在学习两个子图嵌入的一致性。用GCN来计算子图嵌入表示：

其中，是不同子图对比中使用的权重矩阵。

然后通过AvgReadout函数计算子图的嵌入表示：

接下来，同样使用双线性函数来计算其相似性：

W′_Biliner表示子图中双线性函数的权重矩阵。

最后，使用拼接操作将节点-子图级对比网络和子图-子图级对比网络的结果拼接起来，作为后续对比检测模块的输入。这样可以综合利用两种网络的特征表示，提供更丰富的信息。多尺度模块中时间和空间的输入输出结构是相似的，分别输入多尺度模块之后，得到的时间和空间特征向量分别为：

X^temp＝concat(S^temp，S′^temp)

X^spat＝concat(S^spat，S′^spat)

其中，X^temp表示输出的时间特征向量，X^spat表示输出的空间特征向量，S^temp为节点-子图对比网络输出的时间相似度结果，S′^temp为子图-子图对比网络输出的时间相似度结果，S^spat为节点-子图对比网络输出的空间相似度结果，S′^spat为子图-子图对比网络输出的空间相似度结果。

对比检测模块融合多尺度模块得到的时间特征X^temp和空间特征X^spat，得到输入样本的融合结果，并通过聚类算法识别输入样本的融合结果是否异常。

为了充分利用图网络的空间结构信息来检测异常行为，使用基于图注意力的特征提取器。该特征提取器通过学习一个邻接矩阵a来聚合节点的选定k个邻居的信息。具体而言，首先计算每个节点和其k个最近邻节点之间的相关性得分，这些得分是由注意力机制生成的。然后，这些得分被用来加权求和邻居节点的特征向量，从而得到每个节点的备选特征。直接使用这些备选特征可能会有噪声，为此使用一个全局特征表示和这些备选特征进行拼接。在得到更加丰富的节点特征之后，将它们送入后续的模型中进行异常行为检测。

不同视图的特征可以以图形的形式建模。其中，时间图中的每个节点表示不同时间步的特征，而空间图中的各个节点表示不同维度的特征。考虑到GAT具有关系建模的能力，使用两个具有多头部注意的并行GAT层。对于具有n个节点的一般图，即{h₁，h₂，...，h_n}，其中h_v是每个节点的特征向量，GAT层的输出如下：

其中u_v是节点v的更新节点特征，它是L个分支多头部注意的串联结果，L是头部数。多头架构可以确保输出的多样性，并稳定训练。W_l是可训练权重矩阵，是第l分支中节点m到节点v的注意力系数。ξ(v)表示从邻接矩阵获得的节点v的邻域集。表示第l分支中节点m与节点v之间的注意力得分，来衡量节点m对节点v的重要性。表示第l分支中节点集中的节点g与节点v之间的注意力得分。α是可学习的参数向量，LeakyReLU是一个激活函数。需要注意的是，在时间GAT层中，下三角矩阵被用作邻接矩阵。这样，当前时间戳的特征向量只能聚合当前时间戳之前的信息。当前嵌入永远无法访问后续信息。而在空间GAT层，相应5G-MNC中的基站拓扑用于构建邻接矩阵。具体来说，5G-MNC的邻接矩阵是基于移动网络集群中基站之间的距离计算的。邻接矩阵可以形成为：

其中，表示边的权重，由η_ij确定。η_ij表示基站i和j之间的距离。σ²和o是控制邻接矩阵的分布和稀疏性的阈值，此处它们分别设置为1e-5和0.3。

将多尺度模块的输出X^temp和X^spat经过空间和时间特征提取器更新后的结果分别表示为和然后，利用全局最大池化操作获得图层特征。

接着，利用全连接层获得时间和空间输出嵌入表示和

使用项目层f_proj来获得融合表示：

其中，z_i∈R^D是融合表示，D是维度。此处表示将空间和时间特征进行融合。得到的融合结果称为时间切片嵌入(TSEs)，因为它代表了某个时间切片中的嵌入潜在表示。

为了确保来自不同时间切片的TSEs在潜在空间中是可区分的，设计了一个定制的对比度损失。从当前批次及其扩增批次中获得的相同指数的TSEs被视为正样本，而不同指数的TSEs被视为负样本。令χ_t表示当前批次，χ_k表示其第k个扩充批次。然后，X_t,i∈χ_t和X_k,i∈χ_k构成正输入样本对，z_t,i和z′_k,i是相应的已学习TSEs。当前批次与其第k个增加批次的对比度损失可表示为：

其中，sim表示两个不同样本之间的余弦相似性标准化TSEs。I_{[i≠j]∈{0,1}}是指示函数，当i≠j时为1，否则为0。τ为温度参数。

总损失是当前批次与其相应的K个增加批次的加权和，如下所示：

其中β_k是当前批次与其第k个增加批次之间的系数，计算公式为：

式中dis_t,k表示当前批次与其第k增强批次的MDTW距离，dis_t,u表示当前批次与第u(u＝1,...k)增强批次的MDTW距离。

算法1总结了本实施例中模型的训练过程。

根据融合结果即TSEs进行异常检测。为了实现潜在空间中的异常检测，对每组TSEs应用聚类方法，其中聚类中心被视为相应的原型。为此，本实施例使用FCM聚类方法。给定一组Z_i＝{z_1,i,z_2,i,…,z_P,i}，其中，z_P,i表示从第i组学习的第p个TSEs，p表示一组TSEs的总数。可以通过最小化以下问题来计算群集中心：

其中C是一个组的中心数，c_r,i是第i个TSEs组的第r个中心，是属于第r个中心的样本p的隶属度，是加权指数。具体来说，在每组TSEs中，聚类数C根据经验设置为2，因为每个时间段通常有两个条件，即工作日和周末。TSEs与其相应原型之间的l₂距离用于测量推理得分：

s_p＝min{||z_p,i-c_1,i||₂,||z_p,i-c_2,i||₂,…,||z_p,i-c_C,i||₂}

其中，s_p是第p个TSEs的推断分数，其计算TSEs与其相应原型之间的l₂距离的最小值，用于识别异常。如果输入样本的TSEs距离所有相应的原型都很远，则认为输入样本异常。具体来说，如果推理得分大于阈值，会识别异常，其中，采用漂移峰值超过阈值(DPOT)动态选择阈值。

本实施例提供了基于多尺度时空对比的基站群异常检测方法，通过构建的MSTCAD模型，对5G-MNC进行异常检测。与传统的基于重建或预测的异常检测方法不同，MSTCAD通过多尺度策略来捕获不同尺度的异常模式，学习可区分的时空表示，并通过测量离群值和内隐值之间的表示距离，在潜在空间中执行异常检测。经真实5G-MNC数据集验证，与最先进的方法相比，MSTCAD具有良好的性能。

实施例二

本实施例提供了一种基于多尺度时空对比的基站群异常检测系统，包括：

数据获取模块，被配置为获取待检测的基站群数据；

此处需要说明的是，本实施例中的各个模块与实施例一中方法的步骤一一对应，其具体实施过程相同，此处不再累述。

实施例三

本实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以完成实施例一中方法的步骤。

实施例四

本实施例提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中方法的步骤。

实施例五

本实施例提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现实施例一中方法的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于多尺度时空对比的基站群异常检测方法，其特征在于，包括：

获取待检测的基站群数据；

2.如权利要求1所述的一种基于多尺度时空对比的基站群异常检测方法，其特征在于，所述特征提取模块通过两个并行的一维卷积，从基站群数据中提取时间高级特征和空间高级特征。

3.如权利要求2所述的一种基于多尺度时空对比的基站群异常检测方法，其特征在于，所述图结构转换模块将特征提取模块提取到的高级特征转换为图结构，并生成若干时间子图和空间子图。

4.如权利要求3所述的一种基于多尺度时空对比的基站群异常检测方法，其特征在于，所述多尺度模块包括节点-子图对比网络子模块和子图-子图对比网络子模块；多尺度模块通过节点-子图对比网络子模块获取子图嵌入和目标节点嵌入的相似性，通过子图-子图对比网络子模块获取两个子图嵌入的相似性，并将两者拼接得到输出特征；多尺度模块分别根据输入的时间子图和空间子图，输出时间特征和空间特征。

5.如权利要求4所述的一种基于多尺度时空对比的基站群异常检测方法，其特征在于，所述对比检测模块融合多尺度模块得到的时间特征和空间特征，得到输入样本的融合结果，并通过聚类算法识别输入样本的融合结果是否异常。

6.如权利要求1所述的一种基于多尺度时空对比的基站群异常检测方法，其特征在于，还包括，对基站群数据进行数据增强，将来自同一时间段的数据作为正样本，将来自不同时间段的数据作为负样本。

7.一种基于多尺度时空对比的基站群异常检测系统，其特征在于，包括：

数据获取模块，被配置为获取待检测的基站群数据；

8.一种电子设备，其特征在于，包括存储器、处理器以及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以完成权利要求1-6任一项所述方法的步骤。

9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述方法的步骤。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-6任一项所述方法的步骤。