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 ...
【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
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。