基于深度自编码神经网络的5G切片异常检测方法及装置制造方法及图纸

本发明专利技术实施例涉及通信技术领域，公开了一种基于深度自编码神经网络的5G切片异常检测方法及装置，该方法包括：从NSMF或NSSMF中获取当前时刻不同切片的KPI数据，并计算任一切片的所述KPI数据与其他切片的所述KPI数据的差值；将所述差值经预训练的切片网络异常检测模型中的横向异常检测模型或纵向异常检测模型获取对应的所述KPI数据的重建差值；将所述差值与所述重建差值作差计算重建误差；根据所述重建误差判断当前时刻所述切片是否存在异常。通过上述方式，本发明专利技术实施例能够提高切片异常检测的准确率。检测的准确率。检测的准确率。

【技术实现步骤摘要】
基于深度自编码神经网络的5G切片异常检测方法及装置


[0001]本专利技术实施例涉及通信
，具体涉及一种基于深度自编码神经网络的5G切片异常检测方法及装置。

技术介绍

[0002]目前5G切片端到端异常检测主要通过对各个关键绩效指标(Key Performance Indicators，KPI)数据分别设置不同的阈值来实现网元异常的发现，并且由于切片的业务种类多样性，还需要对不同切片建立不同异常检测模型。
[0003]现有技术中，通过对切片各个KPI数据分别设置不同阈值的方式，对于专家经验要求高，阈值若设高了则异常难以发现，阈值若设低了则容易产生误告警，因此误报率和漏报率较高；同时需要对不同切片建立不同异常检测模型，费时费力。

技术实现思路

[0004]鉴于上述问题，本专利技术实施例提供了一种基于深度自编码神经网络的5G切片异常检测方法及装置，克服了上述问题或者至少部分地解决了上述问题。
[0005]根据本专利技术实施例的一个方面，提供了一种基于深度自编码神经网络的5G切片异常检测方法，所述方法包括：从NS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度自编码神经网络的5G切片异常检测方法，其特征在于，所述方法包括：从NSMF或NSSMF中获取当前时刻不同切片的KPI数据，并计算任一切片的所述KPI数据与其他切片的所述KPI数据的差值；将所述差值经预训练的切片网络异常检测模型中的横向异常检测模型或纵向异常检测模型获取对应的所述KPI数据的重建差值；将所述差值与所述重建差值作差计算重建误差；根据所述重建误差判断当前时刻所述切片是否存在异常。2.根据权利要求1所述的方法，其特征在于，所述从NSMF或NSSMF中获取当前时刻不同切片的KPI数据，并计算任一切片的所述KPI数据与其他切片的所述KPI数据的差值，包括：从NSMF中获取当前时刻同类业务不同切片的端到端多维KPI数据，并将同类业务任一切片的端到端KPI数据与同类业务其他切片的KPI数据分别作差，得到当前时刻任一切片的横向差值；从NSSMF中获取当前时刻相邻无线小区多维KPI数据，并将任一无线小区的KPI数据与相邻无线小区的KPI数据分别作差，得到第一纵向差值；从NSSMF中获取当前时刻相邻传输管道多维KPI数据，并将任一传输管道的KPI数据与相邻传输管道的KPI数据作差，得到第二纵向差值；从NSSMF中获取当前时刻核心网网元多维KPI数据，并将任一核心网网元的KPI数据与切片网络中同类核心网网元的KPI数据作差，得到第三纵向差值。3.根据权利要求1所述的方法，其特征在于，所述将所述差值经预训练的切片网络异常检测模型中的横向异常检测模型或纵向异常检测模型获取对应的所述KPI数据的重建差值之前，包括：从NSMF或NSSMF中获取历史不同切片的KPI数据形成总数据集，并进行预处理；根据所述总数据集计算任一切片的所述KPI数据与其他切片的所述KPI数据的历史差值，所述历史差值包括历史横向差值和历史纵向差值；应用所述历史横向差值对切片网络异常检测模型中的横向异常检测模型进行训练，获取收敛的所述横向异常检测模型的第一权重参数；应用所述历史纵向差值对切片网络异常检测模型中的纵向异常检测模型进行训练，获取收敛的所述纵向异常检测模型的第二权重参数。4.根据权利要求3所述的方法，其特征在于，所述从NSMF或NSSMF中获取历史不同切片的KPI数据形成总数据集，并进行预处理，包括：从NSMF网络切片管理器中获取历史同类业务不同切片的端到端多维历史KPI数据、从接入网NSSMF中获取历史相邻无线小区多维历史KPI数据、从传输网NSSMF中获取历史相邻传输管道多维历史KPI数据、从核心网NSSMF中获取历史同类核心网网元多维历史KPI数据，形成所述总数据集；标记所述总数据集中每个颗粒度时间的网络切片运行健康状态，形成标签；对所述总数据集做标准化预处理，将历史KPI数据按属性减去其均值...

【专利技术属性】
技术研发人员：邢彪，张卷卷，陈维新，章淑敏，蔡晓俊，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：