【技术实现步骤摘要】
201610262009
【技术保护点】
一种基于网络体验质量的移动通信网异常检测和定位方法,从网络参数出发,判断网络异常与否,其特征在于:采用基于网络体验质量的异常检测子系统和基于网络体验质量的异常根因定位子系统,利用阈值划分和特征聚类进行网络整体的异常分类,同时对网络其余关键性能指标进行聚类分析;具体操作为:所述基于网络体验质量的异常检测子系统,首先输入来自通信网无线资源控制器采集的网络关键性能指标,然后从接入性、完整性、保持性三个方面选择对应的网络关键性能指标作为网络整体体验质量,用来反应网络中所有用户的平均用户感知;再采用阈值划分的方式,根据事先设定的上述三类关键性能指标的判决阈值,划分出明显异常、轻微异常以及明显正常三类点;采用自组织神经映射和K中心点算法两种聚类算法对轻微异常点和明显异常点再进行细粒度分析:自组织神经映射是一种无监督的学习算法,包含输入层和输出层:输入层对应一个高维的输入向量,输出层由一系列组织在二维网格上的M×N个有序节点构成,输入节点与输出节点通过权重向量连接;学习过程中,找到与之距离最短的输出层单元即获胜单元对其更新;同时,将邻近区域的权值更新,使输出节点保持输入向量的拓扑特征,最终形成M×N ...
【技术特征摘要】
1.一种基于网络体验质量的移动通信网异常检测和定位方法,从网络参数出发,判断网络异常与否,其特征在于:采用基于网络体验质量的异常检测子系统和基于网络体验质量的异常根因定位子系统,利用阈值划分和特征聚类进行网络整体的异常分类,同时对网络其余关键性能指标进行聚类分析;具体操作为:所述基于网络体验质量的异常检测子系统,首先输入来自通信网无线资源控制器采集的网络关键性能指标,然后从接入性、完整性、保持性三个方面选择对应的网络关键性能指标作为网络整体体验质量,用来反应网络中所有用户的平均用户感知;再采用阈值划分的方式,根据事先设定的上述三类关键性能指标的判决阈值,划分出明显异常、轻微异常以及明显正常三类点;采用自组织神经映射和K中心点算法两种聚类算法对轻微异常点和明显异常点再进行细粒度分析:自组织神经映射是一种无监督的学习算法,包含输入层和输出层:输入层对应一个高维的输入向量,输出层由一系列组织在二维网格上的M×N个有序节点构成,输入节点与输出节点通过权重向量连接;学习过程中,找到与之距离最短的输出层单元即获胜单元对其更新;...
【专利技术属性】
技术研发人员:缪丹丹,杨渡佳,秦晓卫,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。