使用人工生命预报关键性能指示符的方法和设备技术

一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法。该方法包括保持（102）多个机器学习过程，其中，个体机器学习过程基于组成所述个体机器学习过程的预测逻辑的数据模型和决策规则来操作。多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。该方法还包括接收（104）从通信网络的网络单元得到的关键性能指示符KPI的值的流，并且预测（106）所述第一KPI的多个将来值，其中，所述第一KPI的这些将来值涉及相同时间点。此外，该方法包括将各个预测组合（108）成第一KPI的单个预测值，并且如果第一KPI的单个预测值等于或超过第一阈值（110），则触发（112）网络管理操作。

Method and Equipment for Using Key Performance Indicators of Artificial Life Prediction

【技术实现步骤摘要】
【国外来华专利技术】使用人工生命预报关键性能指示符的方法和设备
本专利技术一般涉及通信网络的关键性能指示符KPI，而且特别涉及使用人工生命物种通过数据挖掘来预测KPI值。
技术介绍
通信网络运营商和网络运营中心连续收集和监测网络单元（NE）的性能数据和关键性能指示符（KPI），以便测量所管理网络的性能和可靠性。KPI给予运营商可量化度量，这些度量帮助运营商优化网络服务质量（QoS）并且满足服务等级协定（SLA）。运营商定义突破具体KPI的预定阈值时被触发的告警。当告警被触发时，运营商采取适当动作来处理引起了故障情况的问题。但是，配置告警尚成问题。如果告警过于灵敏，则它能够响应自纠正的情况而触发，使它不太有用。如果告警不够灵敏，则潜在的情况可能在通知运营商之前正在进行中，引起纠正该问题的延迟。大多数现有的方案专注于检测告警情况。备选地，定量预报方法可用于这种情形中，因为以往的KPI值是可用的。用于定量预报的常用算法和方式包括：-移动平均（常常是时间加权的）；-卡尔曼滤波（线性二次估计）；-指数平滑；-自回归移动平均（ARMA）；-自回归积分移动平均（ARIMA）；-外推；-线性（或曲线）拟合；-上述算法的变体和扩展；-机器学习。大多数定量预报方法就权衡较旧数据与较新数据而论是不灵活的。一些方法同等地对待全部数据而不管新旧。另一些方法对最近的数据给予更大的权重，但是加权是固定的。这类方法不能很好地应对不经常发生的模式。例如，考虑两个时变值A和B，在这里我们关注于预测A。假定A的值在大部分时间相对恒定，但是当B超越某个阈值（这不经常发生）时，A的值飙升。大多数方法在检测这个模式并且作出准确预测这方面做得不好。必须配置大多数定量预报方法和机器学习系统（例如通过选择权重或学习功能参数）。什么是最佳配置并不总是显而易见。此外，如果系统的模式特性随时间而变化，则可能需要修改配置。
技术实现思路
本专利技术的目的是消除上述缺点中的至少一些，并且提供用于预测通信网络中的关键性能指示符的值的改进方法和设备。具有能够在故障情况发生之前对其预测的设备将会是方便的。这将会允许运营商采集解决问题所需要的资源，有可能在问题发生之前阻止问题，或者至少减少问题的持续时间。因此，本专利技术设法最好是单独地或者以任何组合来减轻、缓解或消除上面提到的缺点中的一个或多个。按照本专利技术的第一方面，提供一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法。该方法包括保持多个机器学习过程（MLP），其中，个体机器学习过程（MLP）基于数据模型和决策规则来操作。多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。该方法还包括接收从通信网络的网络单元得到的关键性能指示符KPI的值的流，以及由多个机器学习过程基于先前接收的KPI的值并且使用数据模型和决策规则来预测所述第一KPI的多个将来值，其中，所述第一KPI的将来值涉及相同时间点。该方法还包括将各个预测组合成第一KPI的单个预测值，并且如果第一KPI的单个预测值等于或超过第一阈值，则触发网络管理操作。按照本专利技术的第二方面，提供一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的设备。该设备包括处理器和存储器，存储器包含处理器可执行的指令，使得该设备可操作以保持多个机器学习过程。个体机器学习过程基于数据模型和决策规则来操作，其中，多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。该设备可操作以接收从通信网络的网络单元得到的关键性能指示符KPI的值的流，以及由多个机器学习过程来预测所述第一KPI的多个将来值，其中，所述第一KPI的将来值涉及相同时间点。预测基于先前接收的KPI的值，并且使用数据模型和决策规则。此外，该设备可操作以将各个预测组合成第一KPI的单个预测值，并且如果第一KPI的单个预测值等于或超过第一阈值，则触发网络管理操作。按照本专利技术的第三方面，提供一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的设备。该设备包括：接收器，用于接收从通信网络的网络单元得到的关键性能指示符KPI的值的流；以及多个机器学习过程，用于预测所述第一KPI的多个将来值，这些值涉及相同时间点。个体机器学习过程基于数据模型和决策规则来操作，其中，多个机器学习过程适合基于多个不同的数据模型和多个不同的决策规则来操作，以及基于先前接收的KPI的值并且使用数据模型和决策规则来作出预测。该设备还包括：组合器，用于将各个预测组合成第一KPI的单个预测值；以及触发器，用于在第一KPI的单个预测值等于或超过第一阈值的条件下触发网络管理操作。本专利技术的其它特征如在从属权利要求中所要求保护的那样。附图说明通过以下结合附图进行的详细描述，会更全面地了解和理解本专利技术，在附图中：图1是示出用于基于预测KPI值来控制通信网络的操作的方法的实施例的流程图；图2是示出用于基于预测KPI值来控制通信网络的操作的方法的备选实施例的流程图；图3是示出用于基于预测KPI值来控制通信网络的操作的设备的实施例的简图；图4是示出图3的设备在图1或图2所示方法的执行中的操作的简图；图5是用于基于预测KPI值来控制通信网络的操作的方法的实施例的一个备选图示；图6示出由个体机器学习过程在图5所示实施例中执行的动作；图7是示出用于基于预测KPI值来控制通信网络的操作的设备的备选实施例的简图。具体实施方式在以下描述中，为了说明而不是限定，提出一些具体细节，诸如特定的架构、接口、技术等，以便提供对本专利技术的透彻理解。但是，本领域技术人员会清楚，本专利技术可在脱离这些具体细节的其它实施例中实施。在其它情况下，省略对众所周知的装置、电路和方法的详细描述，以免不必要的细节使得本专利技术的描述不明显。本说明书通篇中对“一个实施例”或“实施例”的提及意味着：结合某一实施例所描述的特定特征、结构或特性包含在本专利技术的至少一个实施例中。因此，短语“在一个实施例中”或“在实施例中”在本说明书通篇中各个位置的出现不一定都指的是同一实施例。此外，可按照任何适当方式将特定特征、结构或特性组合在一个或多个实施例中。有可能创建机器学习过程以及将多个这类机器学习过程用于数据挖掘的设备。这些机器学习过程能够被描述为人工生命物种的示例；其作用是数据挖掘。随着这些机器学习过程接收数据，它们构建它的模型，基于该模型对新数据分类，并且从预定动作的集合中选择响应。机器学习过程持续失去能量（“代谢”成本）。为了存活，它们必须通过选择适当的响应来挣得能量。“适当的”响应的定义取决于机器学习过程被指配到的具体数据挖掘任务。能量是表征个体机器学习过程的参数。当机器学习过程在某个点失去比它所挣得的能量要多的能量时，它不复存在，或者与生物生命类似，它死亡。DeBuitléir等人[1]证明了：称作wain的机器学习过程的群体的确能够发现模式，基于那些模式作出判定，并且适应数据的模式特性的变化。各个wain在其生存期中学习了作出更好的判定，而且经过几代，进化优化了它们用于数据挖掘任务的学习和决策规则的操作参数。参照图1，现在要描述一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法的实施例。在电信中，关键性能指示符（KPI）是指示网络的性能的度量。例如，这些性能指示符之一可本文档来自技高网...

【技术保护点】
1.一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法，所述方法包括：‑ 保持（102）多个机器学习过程，其中，个体机器学习过程基于数据模型和决策规则来操作，其中，所述多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作；‑ 接收（104）从所述通信网络的网络单元得到的关键性能指示符KPI的值的流；‑ 由所述多个机器学习过程基于先前接收的KPI的值并且使用所述数据模型和决策规则来预测（106）所述第一KPI的多个将来值，其中，所述第一KPI的所述将来值涉及相同时间点；‑ 将各个预测组合（108）成所述第一KPI的单个预测值；‑ 如果所述第一KPI的单个预测值等于或超过第一阈值（110），则触发（112）网络管理操作。

【技术特征摘要】
【国外来华专利技术】2017.03.01 EP PCT/EP2017/0548271.一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法，所述方法包括：-保持（102）多个机器学习过程，其中，个体机器学习过程基于数据模型和决策规则来操作，其中，所述多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作；-接收（104）从所述通信网络的网络单元得到的关键性能指示符KPI的值的流；-由所述多个机器学习过程基于先前接收的KPI的值并且使用所述数据模型和决策规则来预测（106）所述第一KPI的多个将来值，其中，所述第一KPI的所述将来值涉及相同时间点；-将各个预测组合（108）成所述第一KPI的单个预测值；-如果所述第一KPI的单个预测值等于或超过第一阈值（110），则触发（112）网络管理操作。2.如权利要求1所述的方法，其中，作为加权平均值来计算所述第一KPI的所述单个预测值（204），其中，个体预测的权重至少取决于所述个体预测的置信水平（202）。3.如权利要求1或权利要求2所述的方法，还包括：确定所述第一KPI的所述单个预测值的置信水平（206）。4.如权利要求3所述的方法，其中，所述第一KPI的所述单个预测值的所述置信水平（206）是落入了所述KPI的所述单个预测值附近的预定义范围之内的所述各个预测的置信水平的平均值。5.如权利要求3或权利要求4所述的方法，其中，如果所述第一KPI的所述单个预测值的所述置信水平等于或超过第二阈值（208），则触发（112）所述网络管理操作。6.如以上权利要求中的任一项所述的方法，其中，各个机器学习过程中的每个具有指示所述个体机器学习过程的生存能力的参数，以及其中，周期性地执行预测以及将所述各个预测组合成所述第一KPI的所述单个预测值的操作，并且在每个周期中，所述方法包括：-取决于这些各个机器学习过程在前一周期中预测的准确度，增大指示这些各个机器学习过程的生存能力的所述参数的值；-对于每个个体机器学习过程，与在当前周期中执行预测操作所需要的能量成本对应地减小指示生存能力的所述参数的值。7.如权利要求6所述的方法，其中，对于作出了最准确预测的所定义数量的各个机器学习过程，增大指示个体机器学习过程的生存能力的所述参数的值。8.如权利要求6所述的方法，其中，对于预测了落入所述第一KPI的实际值附近的一定范围之内的所述第一KPI的值的各个机器学习过程，增大指示个体机器学习过程的生存能力的所述参数的值。9.如以上权利要求中的任一项所述的方法，其中，在预测（106）步骤中，在处理器上为所述多个机器学习过程中的每个分配时隙（508）以用于执行所述数据模型和决策规则，并且预测所述第一KPI的将来值。10.如以上权利要求中的任一项所述的方法，其中，在预测（106）步骤中，多个机器学习过程在处理器上并行地执行其数据模型和决策规则，并且预测所述第一KPI的所述多个将来值。11.一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的设备（300），所述设备（300）包括处理器（302）和存储器（304），所述存储器（304）包含所述处理器（302）可执行的指令，使...

【专利技术属性】
技术研发人员：A德比特利尔，
申请(专利权)人：瑞典爱立信有限公司，
类型：发明
国别省市：瑞典,SE