【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 ...
【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:
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。