基于生成对抗网络上采样的无线网络中断检测方法技术

本发明专利技术是一种基于生成对抗网络上采样的无线网络中断检测方法，该方法包括如下步骤：第一步：搜集网络关键性能指标KPI，获取数据集Tr；第二步：使用数据集Tr训练本方法所提出模型：本方法所提出模型由生成器G，判别器D，分类器C组成；第三步：使用第二步中获得的分类模型C，根据网络中用户实时上报的n维KPI信息x(x∈R

【技术实现步骤摘要】
基于生成对抗网络上采样的无线网络中断检测方法


[0001]本专利技术属于移动通信中的无线网络
，具体涉及一种基于生成对抗网络上采样的无线网络中断检测方法。

技术介绍

[0002]中断检测作为无线网络自治愈技术的关键技术之一，对于提高无线网络运维性能具有重要意义。然而，无线网络中断是小概率事件，所能收集到的中断数据数量远小于正常数据，造成了数据集的严重不平衡，进而导致中断检测性能的降低。因此，如何提高在存在数据不平衡下的无线网络中断检测性能，是重要问题。
[0003]数据上采样是不平衡分类问题的主要解决方法之一。上采样是针对不平衡数据集中的少数类数据，合成少数类样本，增加数据集中少数类样本数量，以平衡数据集中少数类、多数类样本数量的方法。在上采样中，采样程度高低，即合成少数类样本数量多少，会直接影响最终分类器分类能力。采样程度过低，即向原始数据集中添加的合成少数类样本数过少，不平衡问题不能解决；采样程度过高，即向原始数据集中添加合成少数类样本数过多，会引入类间重叠问题，会导致分类性能下降，因此，在实际应用中，往往需要通过网格搜索方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络上采样的无线网络中断检测方法，其特征在于该方法包括如下步骤：第一步：搜集网络关键性能指标KPI，获取数据集Tr；第二步：使用数据集Tr训练本方法所提出模型：本方法所提出模型由生成器G，判别器D，分类器C组成；生成器G用于根据输入的噪声样本和样本标签合成少数类样本，生成器所合成样本将和数据集Tr中样本一起，分别输入分类器、判别器开展进一步操作；分类器C用于预测输入样本的类别标签，分类器C的输入样本来自数据集Tr和生成器合成的样本；判别器D用于判别输入样本的真伪性，即输入样本是来自数据集Tr的真实样本还是来自生成器G所合成的样本；使用数据集Tr训练所提出模型中，生成器合成的少数类样本实现对少数类数据的上采样，分类器的分类结果和判别器的判别结果向生成器提供了反馈，指导生成器的训练方向，使生成器合成更高质量少数类数据；第三步：使用第二步中获得的分类模型C，根据网络中用户实时上报的n维KPI信息x(x∈R
n
)进行中断检测，本步骤包含如下步骤：步骤3.1，将x输入第二步所得C模型，根据θ
C_opt
计算输出层输出v，v∈R4；步骤3.2，计算最终预测标签pred＝argmax(v1,v2,v3,v4)，其中，argmax表示向量(v1,v2,v3,v4)中最大值所对应的下标索引，下标索引编号从0开始，若pred∈{1,2,3}，判断x为中断样本并确定具体中断类型，否则判断为正常样本。2.根据权利要求1所述的基于生成对抗网络上采样的无线网络中断检测方法，其特征在于获取数据集Tr包括如下流程：步骤1.1，获取无线网络中时间T内用户上报的KPI信息，转入步1.2，其中时间T由运营商根据用户数量和网络运行情况自行确定；步骤1.2，将用户上报的KPI信息保存为数据集的形式，其中N
Tr
为数据集Tr中元素总数，Tr中第e个元素(x
e
,y
e
)，e＝1,2
…
,N
Tr
，x
e
∈R
n
表示某时刻用户上报的n维KPI信息，R代表实数集，R
n
表示n维实数空间，具体包括服务小区和近邻小区的参考信号接收功率RSRP，信干噪比SINR，其中，n的取值由运营商根据用户数量和网络运行情况自行确定；y
e
是x
e
的标签，表示服务该用户的基站的状态；y
e
取值集合为W＝{0,1,2,3}；其中，y
e
＝0表示基站处于正常状态，具有最强通信能力；y
e
＝1表示基站处于轻度中断状态，通信能力有轻度下降；y
e
＝2表示基站处于中度中断状态，通信能力下降较为严重，会导致通信失败现象发生；y
e
＝3表示基站处于重度中断状态，此时基站完全失去通信能力，会触发大量链路连接失败事件RLF和用户切换事件；获得Tr后，转入流程步骤1.3；步骤1.3，根据式(1)对Tr中数据进行归一化，使最终数据分布在
‑
1到1之间；其中，代表第e数据样本x
e
在第d维特征上的取值，d＝1,2,
…
,n，代表归一化后样本，获取归一化数据集Tr。3.根据权利要求1所述的基于生成对抗网络上采样的无线网络中断检测方法，其特征在于使用数据集Tr训练本方法所提出模型包括如下流程：
步骤2.1，根据数据集中元素(x
e
,y
e
)的标签y
e
值的不同，将Tr划分为四个子集：Tr0,Tr1,Tr2,Tr3；其中，子集Tr0中元素是标签为0的样本，代表正常数据；子集Tr1,Tr2,Tr3中元素是标签分别为1,2,3的样本，分别代表一种中断类型数据；统计子集Tr0,Tr1,Tr2,Tr3中样本数，分别记为N0,N1,N2,N3，提取子集，提取子集中的KPI数据信息，获得对应的数据集合X1,X2,X3，其中，转入步骤2.2；步骤2.2，设置模型训练所需参数，具体包括：学习率α、批量大小m、用于设置每轮训练中采样的样本数、模型最大迭代次数iteration、模型迭代次数iter，其中iter<iteration，其中参数α,m,iteration均由运营商自行确定，设置完成后，转入步骤2.3；步骤2.3，随机初始化C,D,G网络权重参数，分别记为θ
C
,θ
D
,θ
G
，初始化模型迭代次数iter＝0，初始化完成后，转入步骤2.4；步骤2.4，从数据集Tr中采样m个样本{(x1,y1),(x2,y2),
…
,(x
m
,y
m
)}，记数据集合B
d
＝{x1,x2,
…
,x
m
}，标签集合Y
d
＝{y1,y2,
…
,y
m
}，采样完成后，转入步骤2.5；步骤2.5，将B
d
,Y
d
输入分类器C，使用随机梯度下降算法最小化式(2)，更新分类器C网络权重参数；其中，x
i
是n维KPI样本，x
i
∈B
d
,i＝1,2,
…
,m，y
i
是样本x
i
对应标签，y
i
∈Y
d
,N
Tr
为数据集Tr中元素总数，N
yi
为数据集Tr中标签值等于y
i
的子集的样本总数；j表示类别标签，j∈W\{y
i
} 表示j在标签集合W去除了标签y
i
后剩余的标签中取值；C
yi
(x
i
)是向分类器C输入x
i
时，分类器输出层第y
i
个神经元输出；C
j
(x
i
)是向分类器C输入元素x
i
时，分类器输出层第j个神经元输出；输出层神经元总数等于样本类别总数，每个神经元表征一个类别，输出层每个神经元输出即代表输入样本被判别为该神经元对应类别的概率值，更新完成后，转入步骤2.6；步骤2.6，将B
d
,Y
d
输入判别器D，使用随机梯度下降算法最小化式(3)，更新判别器D网络权重参数，其中，x
i
∈B
d
,y
i
是样本x
i
对应标签，y
i
∈Y
d
,D(x
i
,y
i
)是向判别器D输入样本(x
i
,y
i
)时，D输出层输出，更新完成后转入步骤2.7，步骤2.7，从服从l维标准正态分布的随机噪声z中采样m个噪声样本，构成噪声样本集合B
n
＝{z1,z2,
…
,z
m
}，采样完成后，生成对应标签集合Y
n
＝{y
′1,y
′2,
…
,y
′
m
}；其中，标签y
′
i
在集合{1,2,3}中取值，即仅生成表征中断类的标签，在生成标签集合Y
n
中，标签值为k的样本数量占集合Y
n
样本总数的比例为y
′
i
＝k,k＝1,2,3，其中，N
k
表示数据集Tr标签为k的子集的样本总数，N0,N1,N2,N3分别代表数据集Tr中标签等于0,1,2,3的子集的样本总数，获取噪声集合和标签集合后，转入步骤2.8；
步骤2.8，将噪声集合B
n
与标签集合Y
n
结合，即对每一个噪声样本z
i
添...

【专利技术属性】
技术研发人员：潘志文，葛旭，刘楠，尤肖虎，
申请(专利权)人：网络通信与安全紫金山实验室，
类型：发明
国别省市：