【技术实现步骤摘要】
本申请涉及无线通信和终端，具体而言，涉及一种异常基站的检测方法、装置、存储介质以及电子设备。
技术介绍
1、异常基站包括：无法正常提供服务的基站，存在木马等伤害性程序的基站、非法接入的窃取网络信息的基站、私自接入用于诈骗的伪基站等，对于这些类型的异常基站，需要在网络中进行甄别和隔离。相关技术中主要是基于传感器检测基站机房环境是否异常，以及基于网关管后台检测性能指标进行判定等方式来在进行异常基站检测。
2、然而，通过相关技术中的上述方式仅能检测出机房中未正常运行，无法提供服务的异常基站，而对于不在机房内，不能通过硬件检测机房环境发现异常，且不上报流量数据，不能通过网管后台监控到异常的基站，无法准确判断其状态。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种异常基站的检测方法、装置、存储介质以及电子设备，以至少解决相关技术在进行异常基站检测时机制不完善，仅能检测到部分异常基站的技术问题。
2、根据本申请实施例的一个方面，提供了一种异常基站的检测方法，包括：获取在基站维护的邻区表更新时检测到的相关数据，其中，相关数据包括以下至少之一：终端的测量数据、邻区表的更新数据和基站的网络状态和终端设备的行为数据；采用目标学习模型对相关数据进行分析，以确定邻区表中的异常基站，其中，目标学习模型是通过多组训练数据训练得到的，每组训练数据包括：样本数据和与样本数据对应的基站类型标签，样本数据为基站在进行邻区表更新时采集的历史
3、可选地，目标学习模型是通过以下方式训练得到的：获取在基站维护的邻区表更新时，检测到的初始样本数据，并对初始样本数据进行特征提取，得到特征数据；采用特征数据对应的基站类型标签对特征数据进行标注，得到训练数据，其中，基站类型包括：正常基站和异常基站，基站类型标签用于表征特征数据对应的基站是否为异常基站；采用训练数据对预设学习模型进行训练，得到目标学习模型。
4、可选的，采用特征数据对应的基站类型标签对特征数据进行标注，得到训练数据之前，方法还包括：对特征数据进行分类，并对每一类特征数据所对应的多维度指标进行转换，得到多维度特征数据，其中，多维度指标均用于量化评估每一类特征数据所属分类的属性；将多维度特征数据和特征数据共同作为样本数据。
5、可选的，采用训练数据对预设学习模型进行训练，得到目标学习模型包括：采用经过训练后的预设学习模型，依据训练数据中的样本数据进行预测，得到样本数据所对应的类型预测标签；采用损失函数，确定类型预测标签与训练数据中与样本数据所对应的基站类型标签之间的预测误差；在预测误差不满足预设误差阈值的情况下，依据预设误差对预设学习模型的模型参数进行调整，并重复上述训练的过程，直至预测误差满足预设误差阈值，得到目标学习模型。
6、可选的，方法还包括：确定邻区表在更新前的第一邻区集合，以及邻区表在更新后的第二邻区集合；采用目标学习模型从第一邻区集合和第二邻区集合分别对应的邻区中确定异常基站。
7、可选的，采用目标学习模型对相关数据进行分析，以确定邻区表中的异常基站之后，方法还包括：将目标学习模型的分析结果发送至网管设备，其中，分析结果包括：异常基站信息。
8、根据本申请实施例的另一方面，还提供了一种模型训练的方法，包括：获取在检测到基站维护的邻区表更新时的历史相关数据，其中，历史相关数据包括：终端的测量数据、邻区表的更新数据和基站的网络状态和终端设备的行为数据；按照历史相关数据对应的基站类型采用基站类型标签对历史相关数据进行标注，得到训练数据，其中，基站类型包括：正常基站和异常基站，基站类型标签用于表征基站是否为异常基站；采用训练数据对预设学习模型进行训练，得到目标学习模型，其中，目标学习模型用于依据邻区表更新时收集的数据识别异常基站。
9、根据本申请实施例的另一方面，还提供了一种异常基站的检测装置，包括：数据获取模块，用于获取在基站维护的邻区表更新时检测到的相关数据，其中，相关数据包括以下至少之一：终端的测量数据、邻区表的更新数据和基站的网络状态和终端设备的行为数据；数据分析模块，用于采用目标学习模型对相关数据进行分析，以确定邻区表中的异常基站，其中，目标学习模型是通过多组训练数据训练得到的，每组训练数据包括：样本数据和与样本数据对应的基站类型标签，样本数据为基站在进行邻区表更新时采集的历史相关数据。
10、根据本申请实施例的又一方面，还提供了一种电子设备，包括存储器，用于存储程序指令；处理器，与存储器连接，用于执行实现以下功能的程序指令：获取在基站维护的邻区表更新时检测到的相关数据，其中，相关数据包括以下至少之一：终端的测量数据、邻区表的更新数据和基站的网络状态和终端设备的行为数据；采用目标学习模型对相关数据进行分析，以确定邻区表中的异常基站，其中，目标学习模型是通过多组训练数据训练得到的，每组训练数据包括：样本数据和与样本数据对应的基站类型标签，样本数据为基站在进行邻区表更新时采集的历史相关数据。
11、根据本申请实施例的再一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的计算机程序，其中，非易失性存储介质所在设备通过运行计算机程序执行上述异常基站的检测方法或者模型训练方法。
12、在本申请实施例中，通过获取在基站维护的邻区表更新时检测到的相关数据，其中，相关数据包括以下至少之一：终端的测量数据、邻区表的更新数据和基站的网络状态和终端设备的行为数据；采用目标学习模型对相关数据进行分析，以确定邻区表中的异常基站，其中，目标学习模型是通过多组训练数据训练得到的，每组训练数据包括：样本数据和与样本数据对应的基站类型标签，样本数据为基站在进行邻区表更新时采集的历史相关数据的方式，达到了在邻区表更新中检测异常基站的目的，从而实现了检测机房基站及陌生基站状态的技术效果，进而解决了相关技术在进行异常基站检测时机制不完善，仅能检测到部分异常基站技术问题。
本文档来自技高网...【技术保护点】
1.一种异常基站的检测方法，其特征在于，包括：
2.根据权利要求1所述的异常基站的检测方法，其特征在于，所述目标学习模型是通过以下方式训练得到的：
3.根据权利要求2所述的异常基站的检测方法，其特征在于，采用所述特征数据对应的基站类型标签对所述特征数据进行标注，得到所述训练数据之前，所述方法还包括：
4.根据权利要求3所述的异常基站的检测方法，其特征在于，采用所述训练数据对预设学习模型进行训练，得到所述目标学习模型包括：
5.根据权利要求1所述的异常基站的检测方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的异常基站的检测方法，其特征在于，采用目标学习模型对所述相关数据进行分析，以确定所述邻区表中的异常基站之后，所述方法还包括：
7.一种模型训练方法，其特征在于，包括：
8.一种异常基站的检测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器用于运行存储在所述存储器中的程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的异常基站的
10.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的计算机程序，其中，所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1至6中任意一项所述异常基站的检测方法或者权利要求7中所述的模型训练方法。
...【技术特征摘要】
1.一种异常基站的检测方法，其特征在于，包括：
2.根据权利要求1所述的异常基站的检测方法，其特征在于，所述目标学习模型是通过以下方式训练得到的：
3.根据权利要求2所述的异常基站的检测方法，其特征在于，采用所述特征数据对应的基站类型标签对所述特征数据进行标注，得到所述训练数据之前，所述方法还包括：
4.根据权利要求3所述的异常基站的检测方法，其特征在于，采用所述训练数据对预设学习模型进行训练，得到所述目标学习模型包括：
5.根据权利要求1所述的异常基站的检测方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的异常基站的检测方法，其特征在于，采用目标学习模型对所述...
【专利技术属性】
技术研发人员：周静，杨新章，李慧云，邢俐，严丽云，
申请(专利权)人：中国电信股份有限公司技术创新中心，
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。