基于双模图特征融合的无线通信网络异常检测方法技术

本发明专利技术公开了一种基于双模图特征融合的无线通信网络异常检测方法，根据实际需要确定无线通信网络的运维变量并收集运维数据样本，构建得到对应运维变量矩阵，构建包括运维图构建模块，相关性特征提取模块，时序性特征提取模块，特征融合模块和

【技术实现步骤摘要】
基于双模图特征融合的无线通信网络异常检测方法


[0001]本专利技术属于无线通信网络
，更为具体地讲，涉及一种基于双模图特征融合的无线通信网络异常检测方法
。

技术介绍

[0002]无线通信网络运维数据异常检测，旨在发现无线通信网络运行过程中可能发生或已经发生的各类故障，辅助运维人员解决网络故障，为无线通信网络安全稳定运行提供保障
。
然而，无线通信网络运维数据具有时序性且运维变量间存在相关性的特点，只考虑其中一类特点会导致异常阈值的设置出现偏差，造成无线通信网络异常检测出现漏检或误检等问题
。
同时，在无线通信网络从流量平稳期过渡到流量高峰期等网络状态发生变化的场景下，网络运营商通过增加网络带宽等方式满足用户需求，使得运维数据中带宽利用率
、
峰值流量等指标发生变化，使用固定的异常阈值不能准确度量网络状态变化后相关指标的合理变化，进而加剧无线通信网络异常检测的误检问题
。
因此，针对具有时序性且变量间存在相关性的无线通信网络运维数据进行特征分析，确定适应不同网络状态的动态异常阈值，提升无线通信网络运维数据异常检测能力，已成为无线通信网络运维中亟待解决的问题
。
[0003]公知的异常检测方法中，基于神经网络的方法最具代表性，能很好地分析运维数据的时序特征
。
例如，陈绍炜等
(<
专利
(
一种基于生成模型的
LSTM
多变量时间序列异常检测方法
)202210887895.X>,2022)
采用零
‑
均值规范化方法对传感器数据进行标准化，然后使用基于生成对抗网络和长短期记忆网络对多变量时序数据进行特征提取
、
并预测下一时刻各运维变量的取值，将预测误差的最大值作为异常阈值，进而实现异常检测
。
刘发贵等
(<
专利
(
一种云环境多指标无监督异常检测和根因分析方法
)202210077012.9>,2022)
针对云服务器中的时序数据，采用堆叠自编码器和
K
‑
Means
聚类算法构建训练集
、
测试集和验证集，然后基于长短期记忆网络构建无监督异常检测模型
。
然而，上述方法未考虑变量间的相关性，导致异常检测精度低
。
[0004]图
(Graph)
作为一种可描述变量间相互影响关系的模型，能很好地表达无线通信网络运维变量间的相关性
。
因此，一些公知方法将图注意力网络
(Graph Attention Network,GAT)
模型应用于多变量时序数据异常检测
。
例如，郏梦思
(
基于图注意力网络的共演进时序数据异常检测研究
[D].
华中科技大学
,2022)
使用随机游走生成传感器节点的嵌入向量
、
并构建关系图，利用
GAT
模型提取关系图的相关性特征；然后预测下一时刻传感器的取值，结合实际取值计算异常分数，通过比较异常分数与异常阈值实现工业系统异常检测
。
林欣等
(<
专利
(
基于图神经网络的异常虚拟币钱包地址检测方法
)202211115412.0>,2022)
针对一批异常虚拟币钱包地址，为每个钱包地址添加特征，并使用
GAT
模型分析钱包地址间的相关性；然后构建虚拟币交易异常检测网络，从而实现钱包地址的异常检测
。
虽然基于
GAT
模型的异常检测方法能分析无线通信网络中运维变量间的相关性，但无法充分提取运维变量的时序性特征，进而影响预测结果的准确性
。
[0005]上述公知方法无法充分提取无线通信网络运维数据的时序性和相关性特征，导致
异常阈值的设置出现偏差，且固定的异常阈值无法适应变化的网络环境，进而造成无线通信网络异常检测出现漏检或误检
。

技术实现思路

[0006]本专利技术的目的在于克服现有技术的不足，提供一种基于双模图特征融合网络模型的无线通信网络异常检测方法，通过构建运维图，提取相关性特征和时序性特征并融合得到运维特征矩阵，进而实现异常检测，有效提高无线通信网络运维数据异常检测的准确性，为无线通信网络运维人员及时准确发现
、
排查故障提供科学依据
。
[0007]为了实现上述专利技术目的，本专利技术于双模图特征融合网络模型的无线通信网络异常检测方法包括以下步骤：
[0008]S1
：根据实际需要确定无线通信网络的运维变量，记运维变量的数量为
K
，获取若干个无线通信网络的运维数据样本，每个运维数据样本包含
D
个连续时刻
K
个运维变量的数值；对每个运维数据样本中每个运维变量的数值分别进行归一化，然后构建运维变量矩阵
x
i
＝
[x
i,1
,x
i,2
,
…
,x
i,D
]表示第
i
个运维变量
v
i
的时间向量，
x
i,d
表示第
i
个运维变量在时间
d
的归一化取值，
i
＝
1,2,
…
,K
，
d
＝
1,2,
…
,D
；
[0009]S2
：构建运维变量预测模型，包括运维图构建模块，相关性特征提取模块，时序性特征提取模块，特征融合模块和
GRU
模块，其中：
[0010]运维图构建模块用于根据每个运维数据样本构建对应的运维图
G
和邻接矩阵然后分别发送给相关性特征提取模块和时序性特征提取模块；运维图构建的具体方法为：
[0011]将运维变量作为节点构建运维图
G(V,E)
，其中，节点集合
V
表示
K
个运维变量
v
i
构成的集合，节点
v
i
的特征向量为向量
x
i
，
E
表示运维变量之间的边的集合，运维变量之间的边采用如下方法确定：
[0012]对于任意两个运维变量
v
i
、v
j
，
j
＝
1,2,
…
,K
且
j≠i
，根据特征向量计算运维变量
v
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于双模特征融合的无线通信网络异常检测方法，其特征在于，包括以下步骤：
S1
：根据实际需要确定无线通信网络的运维变量，记运维变量的数量为
K
，获取若干个无线通信网络的运维数据样本，每个运维数据样本包含
D
个连续时刻
K
个运维变量的数值；对每个运维数据样本中每个运维变量的数值分别进行归一化，然后构建运维变量矩阵
x
i
＝
[x
i,1
,x
i,2
,
…
,x
i,D
]
表示第
i
个运维变量
v
i
的时间向量，
x
i,d
表示第
i
个运维变量在时间
d
的归一化取值，
i
＝
1,2,
…
,K
，
d
＝
1,2,
…
,D
；
S2
：构建运维变量预测模型，包括运维图构建模块，相关性特征提取模块，时序性特征提取模块，特征融合模块和
GRU
模块，其中：运维图构建模块用于根据每个运维数据样本构建对应的运维图
G
和邻接矩阵然后分别发送给相关性特征提取模块和时序性特征提取模块；运维图构建的具体方法为：将运维变量作为节点构建运维图
G(V,E)
，其中，节点集合
V
表示
K
个运维变量
v
i
构成的集合，节点
v
i
的特征向量为向量
x
i
，
E
表示运维变量之间的边的集合，运维变量之间的边采用如下方法确定：对于任意两个运维变量
v
i
、v
j
，
j
＝
1,2,
…
,K
且
j≠i
，根据特征向量计算运维变量
v
i
、v
j
之间的互信息
I(v
i
,v
j
)
，当互信息
I(v
i
,v
j
)
＝0，则运维变量
v
j
到
v
i
不存在边，当互信息
I(v
i
,v
j
)≠0
，则运维变量
v
j
到
v
i
存在边；相关性特征提取模块用于从运维图
G
中提取得到每个运维变量
v
i
与其他运维变量的相关性特征构建相关性特征矩阵并发送给特征融合模块；运维图时序性特征提取模块用于从运维图
G
中提取各个运维变量
v
i
的时序性特征构建时序性特征矩阵并发送给特征融合模块；特征融合模块用于对相关性特征矩阵
S
和时序性特征矩阵
T
进行融合，得到运维变量特征矩阵并发送给
GRU
模块；
GRU
模块用于根据运维变量特征矩阵
F
预测得到运维变量预测矩阵表示第
i
个运维变量
v
i
的预测时间向量，表示第
i
个运维变量在时间
d
的预测值；运维变量预测矩阵预测的具体方法如下：
(1)
从运维变量特征矩阵
F
中提取每个时刻的列向量作为该时刻的运维变量向量
z
d
＝
[x
1,d
,x
2,d
,
…
,x
K,d
]
T
；
(2)
设置
K
维全零向量
z0＝
[0,0,
…
,0]
T
；
(3)
令
d
＝1；
(4)
将运维变量向量
z
d
‑1输入
GRU
模块，通过门控单元将运维变量特征更新到隐藏状态
h
d
‑1中，得到时刻
d
时的运维变量预测向量和隐藏状态
h
d
；
(5)
判断是否
d
＜
D
，如果是，进入步骤
(6)
，否则进入步骤
(7)
；
(6)
令
d
＝
d+1
，返回步骤
(4)
；
(7)
将
D
个运维变量预测向量构成运维变量预测矩阵
S3
：将步骤
S1
中每个运维数据样本对应的运维变量矩阵
X
作为运维变量预测模型的输入和期望输出，对运维变量预测模型进行训练；
S4
：当需要对无线通信网络进行异常检测时，从无线通信网络中获取最近
D
个时刻每个运维变量的数值并进行归一化，构建运维变量矩阵将其输入训练好的运维变量预测模型，得到运维变量预测矩阵然后基于运维变量矩阵和运维变量预测矩阵之间的差距进行异常检测，具体步骤包括：
S4.1
：将运维变量预测矩阵中各个时刻的所有运维变量预测值相加，得到该时刻的运维变量总和从而得到运维变量总和序列采用长度为
L
的滑动窗口在运维变量总和序列中提取以各个时刻
d
为中心的子序列，然后从该子序列中搜索得到运维变量总和的中位数，作为该时刻的初始异常阈值
S4.2
：基于运维变量矩阵和运维变量预测矩阵使用如下公式计算各个时刻运维变量的预测误差
as
d
：其中，分别表示运维变量矩阵和运维变量预测矩阵中第
i
个运维变量在时间
d
的归一化值和预测取值；将
D
个时刻运维变量的预测误差构建预测误差向量
AS
＝
{as1,as2,
…
,as
D
}
，采用如下方法计算波动值：初始化方差初始值预测误差初始均值然后使用如下公式迭代计算各个时刻
d
的方差的方差的方差将时刻
D
的方差作为运维变量波动值；
S4.3
：基于初始异常阈值和运维变量波动值分别使用如下公式计算动态异常阈值上限和下限和下限和下限
S4.4
：将运维变量预测矩阵中各个时刻的运维变量预测值相加，得到该时刻的运维
变量总和
sum
d
，从而得到运维变量总和序列
SUM
＝
{sum1,sum2,
…
,sum
D
}
；采用长度为
L
的滑动窗口在运维变量总和序列
SUM
中...

【专利技术属性】
技术研发人员：寇福禄，吴鑫然，岳昆，陈祥，李忠斌，段亮，
申请(专利权)人：云南大学，
类型：发明
国别省市：