一种异构网络环境下的基于深度学习的网络故障诊断方法技术

本发明专利技术公开了一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，首先通过分析异构网络故障场景，确定监测阶段和故障诊断阶段将要使用的特征；然后利用最小冗余最大相关性算法选取监测阶段最优特征子集，对故障特征进行匹配，若匹配度大于阈值时，触发故障诊断阶段，通过反向传播算法完成模型参数调整；最后根据得到的最优模型，对异构网络进行故障定位和诊断。本发明专利技术所达到的有益效果：本方法基于深度学习理论的视角，通过对异构网络环境下网络结构和故障参数剖析，综合考虑故障发生的概率统计特性，建立了一种异构网络环境下基于深度学习的网络故障诊断模型，应用于异构网络环境中的故障诊断。

A network fault diagnosis method based on deep learning in heterogeneous network environment

The invention discloses a network fault diagnosis method based on depth learning in heterogeneous network environment, which is characterized in that the features to be used in monitoring stage and fault diagnosis stage are determined by analyzing the fault scenario of heterogeneous network, and then the optimal features of monitoring stage are selected by using the minimum redundancy maximum correlation algorithm. Set, matching the fault features, if the matching degree is greater than the threshold, trigger the fault diagnosis stage, through the back propagation algorithm to complete the model parameters adjustment; finally, according to the obtained optimal model, fault location and diagnosis of heterogeneous networks. The method is based on the perspective of depth learning theory. By analyzing the network structure and fault parameters in heterogeneous network environment and considering the probability and statistics characteristics of fault occurrence, a network fault diagnosis model based on depth learning in heterogeneous network environment is established and applied to heterogeneous network. Fault diagnosis in the environment.

【技术实现步骤摘要】
一种异构网络环境下的基于深度学习的网络故障诊断方法
本专利技术涉及一种异构网络环境下的基于深度学习的网络故障诊断方法，属于异构网络环境中的故障诊断

技术介绍
分层异构网络(HeterogeneousNetwork，HetNet)概念的提出，改变了以往传统蜂窝网络的基站类型单一，结构僵化，集中管理的特点，新型的网络结构基站元素多样化，控制分布式化，管理智能化。HetNet由覆盖范围较大的宏小区(Macrocell)和在宏小区覆盖范围下重叠覆盖的小小区(SmallCell)组成。小小区具有部署灵活，成本较低的特点，弥补了宏基站的部署困难，成本高昂的不足，而且小小区的部署也增加了宏小区的网络容量，能够基于业务分布灵活、合理分配网络数据流量，降低宏蜂窝负载，帮助网络运营商降低了运营成本，同时提高了用户业务体验。因此，异构网络的出现是技术演进，用户业务变化和市场需求增长的必然结果，是未来5G网络发展的必然趋势。但是在异构网络环境下，基站部署密集，网络环境干扰复杂，网络拓扑复杂，网络需求多种多样，如果网络发生故障，不仅会造成端对端的服务性能的下降，也可能影响到间接相关的服务节点的性能，导致故障传播，如果不能够及时处理这种故障问题，很有可能使得网络瘫痪。此外，在庞大的网络架构下，如果仅仅通过人力去寻找故障位置和故障起因，这将耗费大量人力物力，造成运营成本升高。
技术实现思路
为解决现有技术的不足，本专利技术的目的在于提供一种异构网络环境下的基于深度学习的网络故障诊断方法，结合异构网络的部署密集和弱规划特性以及网络拓扑结构，建立了异构网络环境下基于深度学习的网络故障诊断模型，应用于异构网络环境中的故障诊断。为了实现上述目标，本专利技术采用如下的技术方案：一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，首先通过分析异构网络故障场景，确定监测阶段和故障诊断阶段将要使用的特征；然后利用最小冗余最大相关性算法选取监测阶段最优特征子集，对其进行权重预处理后与网络数据库中的故障特征进行匹配，若匹配度大于阈值时，触发故障诊断阶段，采集异构网络全部状态数据，经过数据预处理后，利用卷积神经网络对处理后的数据进行训练，同时引入交叉熵损失函数，通过反向传播算法完成模型参数调整；最后根据得到的最优模型，对异构网络进行故障定位和诊断。前述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，包括如下步骤：1)分析异构网络环境特征参数，利用mRMR算法选取最优特征集KPIs；2)采集最优KPIs网络数据，并进行权重预处理；3)定义数据分布相似度因子α，当线上KPIs参数分布和数据库中故障状态下参数分布的质心距离dis<α，则转到步骤4)，否则转到步骤2)；4)采集网络全部数据，并对样本完成数据预处理；5)建立卷积神经网络CNN模型，并随机初始化网络各层的参数；6)引入交叉熵损失函数，基于反向传播算法更新网络权重和偏置量；7)根据6)得到的CNN模型对网络故障进行诊断。前述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤1)中异构网络环境特征为无线网络信号干扰、小区基站负载不均衡和小区中断三类网络故障的特征。前述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤1)利用mRMR算法选取最优特征集KPIs具体内容为：利用mRMR算法遍历不同类型的网络节点，基于特征和分类变量相关度的最大化准则做优化，即选择和分类变量之间拥有最高相关度的前k个变量，从而得到最优网络参数子集。前述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤2)具体内容为：利用归一化权重公式计算最优特征参数基于时间窗口的分布权重向量，再利用EarthMover’sDistance的改进算法计算线上KPIs参数分布和数据库中故障状态下参数分布的质心距离dis，即相似度。前述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤4)具体内容为：对网络中的数据每隔一个预设的时间间隔采集一次，采集的数据包括网络组件的上报数据，收集到的网络组件的本地软件错误日志文件信息；在网络数据集合中对故障的部分采用过采样的方法，对正常数据部分采用欠采样的方法。前述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤5)中随机初始化具体采用服从高斯分布的随机初始化方法初始化CNN模型的权重和偏置量。前述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤6)具体内容为：根据输入的预处理后的参数向量矩阵和随机得到的初始权重，利用时间反向传播算法，最小化损失函数，更新神经网络权重值；在最后一层采用Softmax多分类器，输入故障标签进行有监督训练，实现对以上各个层的网络参数的微调更新，最终得到最优的网络故障诊断模型。前述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤7)具体内容为：根据步骤6)得到的最佳网络参数生成的网络模型，将新检测得到的网络数据作为输入向量输入到模型中，最终输出发生故障的网络组件。本专利技术所达到的有益效果：本方法基于深度学习理论的视角，通过对异构网络环境下网络结构和故障参数剖析，综合考虑故障发生的概率统计特性，建立了一种异构网络环境下基于深度学习的网络故障诊断模型，应用于异构网络环境中的故障诊断。附图说明图1是异构网络环境下网络故障诊断框图；图2是异构网络环境下网络故障诊断流程图；图3是卷积神经网络的卷积层结构图；图4是卷积操作示例；图5是基于卷积神经网络的故障诊断模型示意图。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。本专利技术基于深度学习理论的视角，通过对异构网络环境下网络结构和故障参数剖析，综合考虑故障发生的概率统计特性，建立了一种异构网络环境下基于深度学习的网络故障诊断模型，应用于异构网络环境中的故障诊断。本方案中所涉及的异构网络故障场景的特征参数如下表所示：表1网络参数参数选择阶段：图3所示是异构网络的场景图，其主要由多个宏基站和高密度部署的低功率基站组成。其中网络故障一般有如下体现：(1)无线网络环境信号干扰引起的服务性能下降异构网络中的干扰一般有同层网络干扰和跨层网络干扰。跨层网络干扰发生在功率较大的宏基站和低功率基站之间。低功率基站具有密集部署的特点，在一个宏蜂窝内，可能会有上百个家庭蜂窝的部署，而且由于部署的弱规划性，过多的低功率基站的部署可能会使得宏基站用户囊括在低功率基站的覆盖范围内。一方面处于宏基站服务中的用户的上行信号会影响低功率基站性能；另外一方面，低功率基站的下行信号也会干扰到宏基站中的用户体验。同层干扰主要体现在低功率基站之间，低功率基站的分布空间特征具有多样性，导致干扰环境更加复杂。由于部署的弱规划性，会产生重叠覆盖的情况，使得干扰无处不在，小区中心的用户也可能受到影响；而且，干扰可能会引起信令传输不稳定，分层异构网络将面临更加复杂的小区间协调，自组织以及同步的性能降低的情况。复杂的干扰环境是降低无线网络系统的性能的主要因素，不仅降低网络吞吐量，限制网络频谱利用率，也影响无线链路稳定性本文档来自技高网...

【技术保护点】
1.一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，首先通过分析异构网络故障场景，确定监测阶段和故障诊断阶段将要使用的特征；然后利用最小冗余最大相关性算法选取监测阶段最优特征子集，对其进行权重预处理后与网络数据库中的故障特征进行匹配，若匹配度大于阈值时，触发故障诊断阶段，采集异构网络全部状态数据，经过数据预处理后，利用卷积神经网络对处理后的数据进行训练，同时引入交叉熵损失函数，通过反向传播算法完成模型参数调整；最后根据得到的最优模型，对异构网络进行故障定位和诊断。

【技术特征摘要】
1.一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，首先通过分析异构网络故障场景，确定监测阶段和故障诊断阶段将要使用的特征；然后利用最小冗余最大相关性算法选取监测阶段最优特征子集，对其进行权重预处理后与网络数据库中的故障特征进行匹配，若匹配度大于阈值时，触发故障诊断阶段，采集异构网络全部状态数据，经过数据预处理后，利用卷积神经网络对处理后的数据进行训练，同时引入交叉熵损失函数，通过反向传播算法完成模型参数调整；最后根据得到的最优模型，对异构网络进行故障定位和诊断。2.根据权利要求1所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，包括如下步骤：1)分析异构网络环境特征参数，利用mRMR算法选取最优特征集KPIs；2)采集最优KPIs网络数据，并进行权重预处理；3)定义数据分布相似度因子α，当线上KPIs参数分布和数据库中故障状态下参数分布的质心距离dis<α，则转到步骤4),否则转到步骤2)；4)采集网络全部数据，并对样本完成数据预处理；5)建立卷积神经网络CNN模型，并随机初始化网络各层的参数；6)引入交叉熵损失函数，基于反向传播算法更新网络权重和偏置量；7)根据6)得到的CNN模型对网络故障进行诊断。3.根据权利要求2所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤1)中异构网络环境特征为无线网络信号干扰、小区基站负载不均衡和小区中断三类网络故障的特征。4.根据权利要求2所述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，所述步骤1)利用mRMR算法选取最优特征集KPIs具体内容为：利用mRMR算法遍历不同类型的网络节点，基于特征和分类变量相关度的最大化准...

【专利技术属性】
技术研发人员：朱晓荣，张雷，池德胜，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32