System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及通信,特别是涉及一种基于动态知识图谱的无线通信网络异常检测方法及装置。
技术介绍
1、随着无线通信技术的广泛应用,保障网络的稳定、安全和高效运行变得至关重要。无线通信网络异常检测作为保障网络正常运行的关键环节,对于提高网络服务质量、降低运营成本、增强安全防护以及促进故障排除等方面具有不可忽视的重要性,一直是一个研究热点。无线通信网络是一个复杂且动态变化的系统,各种异常情况如网络拥堵、信号干扰和设备故障等时有发生。通过无线通信网络异常检测,能够实时监测和发现网络中的异常行为或事件,进而迅速采取相应的措施进行修复和调整,有效保障网络的稳定运行。这种稳定性的保障对于确保通信服务的连续性和可靠性至关重要。但传统的检测方法主要依赖人工设定的阈值和规则,面临网络环境复杂多变的挑战,准确度有待提高。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于动态知识图谱的无线通信网络异常检测方法及装置。近年来,知识图谱技术为网络拓扑建模和表示学习提供了新的思路,它通过实体节点和关系边来描绘网络内在的关联。另一方面,图神经网络可以直接在图结构上进行表征学习,通过消息传递聚合邻居节点信息。本专利技术首次将动态知识图谱和图神经网络技术引入无线通信网络的异常检测,利用节点动态采集的数据,作为特征嵌入,设计了图注意力卷积网络,实现对网络异常情况的检测,提高异常检测的准确度。
2、本专利技术的目的可以通过以下技术方案来实现:
3、第一方面,本专利
4、获取无线通信网络的知识图谱,采集知识图谱中各节点的时域数据,作为节点的初始嵌入向量;
5、通过各节点嵌入向量的余弦相似度迭代计算得到动态无线通信知识图谱,并获得更新后的嵌入向量;
6、基于所述动态无线通信知识图谱和最终的嵌入向量进行图特征提取,得到表示向量;
7、对所述时域数进行时域特征提取,获得时域特征向量;
8、对所述表示向量与时域特征向量进行拼接得到编码结果;
9、基于所述编码结果获得异常检测结果。
10、在优选的实施方式中,对所述时域数据进行归一化处理后获得所述初始嵌入向量。
11、在优选的实施方式中,采用线性变化的滑动窗口对所述时域数据进行采样截取,获得所述初始嵌入向量。
12、在优选的实施方式中,所述动态无线通信知识图谱的获取步骤包括:
13、在每次迭代中,基于当前的嵌入向量计算各节点嵌入向量的余弦相似度,生成邻接矩阵,生成所述邻接矩阵时,若余弦相似度大于预设阈值,则对应位置设为1,否则设为0;
14、将所述邻接矩阵输入到图卷积网络中,更新节点的嵌入向量,从而动态更新邻接矩阵,生成动态无线通信知识图谱。
15、在优选的实施方式中,在获得最终的邻接矩阵后,通过图卷积运算,获得所述最终的嵌入向量。
16、通过基于图注意力的图特征提取器,将各节点与邻居节点进行聚合,实现所述图特征提取。
17、在优选的实施方式中,采用门控循环神经网络和卷积神经网络对所述时域数进行时域特征提取。
18、在优选的实施方式中,将所述编码结果输入异常检测网络获得异常检测结果,所述异常检测网络包括多层感知机和softmax分类网络。
19、在优选的实施方式中,该方法还包括:
20、基于所述编码结果进行各节点下一时刻时域值的预测。
21、在优选的实施方式中,训练时考虑的损失包括动态图谱损失、时域预测损失和异常检测结果损失建立损失。
22、第二方面,本专利技术还提供一种无线通信网络异常检测装置,包括:
23、节点数据采集模块,用于获取无线通信网络的知识图谱,采集知识图谱中各节点的时域数据,作为节点的初始嵌入向量;
24、动态知识图谱生成模块,用于通过各节点嵌入向量的余弦相似度迭代计算得到动态无线通信知识图谱,并获得更新后的嵌入向量;
25、图特征提取模块;用于基于所述动态无线通信知识图谱和最终的嵌入向量进行图特征提取,得到表示向量;
26、时域特征提取模块;用于对所述时域数进行时域特征提取,获得时域特征向量;
27、异常检测结果检测模块,用于对所述表示向量与时域特征向量进行拼接得到编码结果,基于所述编码结果获得异常检测结果。
28、与现有技术相比,本专利技术具有以下有益效果:
29、1、本专利技术首次将动态知识图谱和图神经网络技术引入无线通信网络的异常检测,构建了动态更新的无线通信知识图谱来检测网络异常,更好地模拟网络拓扑,以适应无线通信网络的拓扑结构复杂多变,提高异常检测的准确度。
30、2、本专利技术同时利用图特征提取的表示向量与时域特征向量进行编码,以实现异常检测,检测可靠性高,其中通过基于图注意力的图特征提取器,将各节点与邻居节点进行聚合,进而实现图特征提取。本专利技术可充分利用知识图谱的结构信息和时域数据的时间相关性,捕捉节点之间的复杂依赖关系,从而实现对无线通信网络异常的有效检测。
31、3、本专利技术在进行训练时,创新地结合动态邻接矩阵与专家矩阵的差异、节点信号预测误差以及最终异常检测结果与标签的差距进行损失,可以有效监督动态图的生成,保证嵌入向量和检测结果的合理性。
本文档来自技高网...【技术保护点】
1.一种无线通信网络异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的无线通信网络异常检测方法,其特征在于,采用线性变化的滑动窗口对所述时域数据进行采样截取,获得所述初始嵌入向量。
3.根据权利要求1所述的无线通信网络异常检测方法,其特征在于,所述动态无线通信知识图谱的获取步骤包括:
4.根据权利要求3所述的无线通信网络异常检测方法,其特征在于,在获得最终的邻接矩阵后,通过图卷积运算,获得所述最终的嵌入向量。
5.根据权利要求1所述的无线通信网络异常检测方法,其特征在于,通过基于图注意力的图特征提取器,将各节点与邻居节点进行聚合,实现所述图特征提取。
6.根据权利要求1所述的无线通信网络异常检测方法,其特征在于,采用门控循环神经网络和卷积神经网络对所述时域数进行时域特征提取。
7.根据权利要求1所述的无线通信网络异常检测方法,其特征在于,将所述编码结果输入异常检测网络获得异常检测结果,所述异常检测网络包括多层感知机和softmax分类网络。
8.根据权利要求1所述的无线通信网络异常
9.根据权利要求1所述的无线通信网络异常检测方法,其特征在于,训练时考虑的损失包括动态图谱损失、时域预测损失和异常检测结果损失建立损失。
10.一种无线通信网络异常检测装置,其特征在于,包括:
...【技术特征摘要】
1.一种无线通信网络异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的无线通信网络异常检测方法,其特征在于,采用线性变化的滑动窗口对所述时域数据进行采样截取,获得所述初始嵌入向量。
3.根据权利要求1所述的无线通信网络异常检测方法,其特征在于,所述动态无线通信知识图谱的获取步骤包括:
4.根据权利要求3所述的无线通信网络异常检测方法,其特征在于,在获得最终的邻接矩阵后,通过图卷积运算,获得所述最终的嵌入向量。
5.根据权利要求1所述的无线通信网络异常检测方法,其特征在于,通过基于图注意力的图特征提取器,将各节点与邻居节点进行聚合,实现所述图特征提取。
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。