基于知識圖譜的5G網(wǎng)絡(luò)故障分析方法

谷奉錦，賀楚閎，潘慶亞，王 曄，朱曉榮*

(1.南京郵電大學(xué) 江蘇省無線通信重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210003；2.中國移動通信集團(tuán)江蘇有限公司，江蘇 南京 210003)

0 引言

隨著移動通信網(wǎng)絡(luò)的發(fā)展，未來網(wǎng)絡(luò)將不是單一存在或僅使用單一技術(shù)，而是多種技術(shù)的共存互補(bǔ)和共同發(fā)展。在這種網(wǎng)絡(luò)異構(gòu)化、密集化的發(fā)展趨向下，如何對網(wǎng)絡(luò)故障進(jìn)行高效的診斷與分析成為一個巨大挑戰(zhàn)。傳統(tǒng)的故障管理完全基于操作人員的專業(yè)知識進(jìn)行，但實(shí)際上，專業(yè)知識是有限的以及通過人工維護(hù)是困難的。一方面，面對各種網(wǎng)絡(luò)故障，網(wǎng)絡(luò)診斷程序需要非常短的響應(yīng)時間；另一方面，網(wǎng)絡(luò)規(guī)模和復(fù)雜性的增加以及人工操作員有限的處理能力，將使網(wǎng)絡(luò)故障的診斷不可能在沒有自動化的情況下有效地執(zhí)行。此外，由于現(xiàn)有系統(tǒng)的缺陷，運(yùn)營商很難提前預(yù)測網(wǎng)絡(luò)可能產(chǎn)生哪些故障。在移動通信網(wǎng)絡(luò)環(huán)境下，故障會不時地發(fā)生或產(chǎn)生級聯(lián)效應(yīng)，因此，如何對網(wǎng)絡(luò)故障進(jìn)行及時準(zhǔn)確的診斷分析具有重要的研究意義。

傳統(tǒng)運(yùn)維人員基于經(jīng)驗(yàn)，根據(jù)故障的基本信息和故障癥狀，逐步分析出故障的原因及故障的解決措施。但如果單純基于經(jīng)驗(yàn)與已知故障信息無法分析出故障原因等措施，就需要增加診斷措施，甚至是查閱相關(guān)的材料(如故障分析案例等)來分析故障并找到解決措施[1]。

近年來，隨著人工智能技術(shù)(Artificial Intelligence，AI)和大數(shù)據(jù)挖掘的發(fā)展，越來越多的基于機(jī)器學(xué)習(xí)(Machine Learning，ML)的智能故障診斷方法受到科研工作者的的喜愛[2]。目前，基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)故障診斷技術(shù)得到了廣泛應(yīng)用，其中應(yīng)用最廣泛的主要有基于支持向量機(jī)(Support Vector Machines，SVM)的故障診斷方法、基于人工神經(jīng)網(wǎng)絡(luò)(Artifical Neural Network，ANN)的故障診斷方法[3]以及基于深度學(xué)習(xí)(Deep Learning，DL)的網(wǎng)絡(luò)故障診斷方法等[4]?；跈C(jī)器學(xué)習(xí)進(jìn)行故障診斷的方法可以充分利用大數(shù)據(jù)對可能發(fā)生的故障模式以及故障原因等做出診斷，但純粹基于數(shù)據(jù)的網(wǎng)絡(luò)故障診斷方法會有兩個缺陷，首先是可解釋性，傳統(tǒng)的基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的模型對于用戶而言是一個黑匣子，無法向用戶解釋最終的故障診斷結(jié)果，降低了其在實(shí)際工程中的應(yīng)用；其次，它不能有效利用現(xiàn)有的先驗(yàn)知識，如故障診斷記錄等非結(jié)構(gòu)化的知識，導(dǎo)致一些數(shù)據(jù)資源的浪費(fèi)[5]。

知識圖譜概念自2012年被谷歌提出后引起了業(yè)界廣泛關(guān)注[6]，近年來在很多領(lǐng)域有了廣泛的應(yīng)用[7]。知識圖譜可以把大量的信息、數(shù)據(jù)和連接關(guān)系匯集成知識，讓信息資源能夠更方便計算、理解和評價，可以更有效地表達(dá)、管理組織和利用現(xiàn)有的海量異構(gòu)且動態(tài)的大數(shù)據(jù)，使網(wǎng)絡(luò)更加智能，與人類的認(rèn)知思維更加貼合[8]。知識圖譜近年來在很多領(lǐng)域有了廣泛的應(yīng)用，文獻(xiàn)[9]提出調(diào)度知識圖譜的詳細(xì)構(gòu)建方法，并詳細(xì)介紹了構(gòu)建的電力系統(tǒng)調(diào)度知識圖譜，討論了知識圖譜在實(shí)際電力系統(tǒng)調(diào)度場景中的好處。文獻(xiàn)[10]為了解決電力系統(tǒng)調(diào)度知識繁雜，且對于調(diào)度決策的實(shí)時性要求較高等問題，提出一種基于知識圖譜的配電網(wǎng)故障輔助決策方法，充分利用現(xiàn)有專家經(jīng)驗(yàn)、故障案例和配電網(wǎng)調(diào)度規(guī)則等先驗(yàn)知識，構(gòu)建了同時包含配電網(wǎng)調(diào)度、配電網(wǎng)故障處理、配電網(wǎng)業(yè)務(wù)流程等知識的配電網(wǎng)故障調(diào)度知識圖譜，輔助電網(wǎng)工作人員快速響應(yīng)處理電網(wǎng)調(diào)度出現(xiàn)的故障。近年來,知識圖譜還被廣泛運(yùn)用在醫(yī)療、教育以及故障診斷等領(lǐng)域。文獻(xiàn)[11]通過分析中醫(yī)診療過程，提取中醫(yī)核心概念，構(gòu)建本體層。使用深度學(xué)習(xí)從非結(jié)構(gòu)化數(shù)據(jù)中提取實(shí)體及其關(guān)系以構(gòu)建中醫(yī)知識圖譜，構(gòu)建了一個基于知識圖譜的端到端平臺 TCMKG，來提供知識檢索。文獻(xiàn)[12]運(yùn)用知識圖譜和機(jī)器學(xué)習(xí)算法對大量實(shí)驗(yàn)室檢查數(shù)據(jù)和實(shí)驗(yàn)診斷數(shù)據(jù)進(jìn)行訓(xùn)練和分析,建立一個由知識和數(shù)據(jù)雙驅(qū)動的，兼具魯棒性和可解釋性的檢驗(yàn)AI系統(tǒng)，其核心功能是準(zhǔn)確診斷疾病并提供合理的解釋。在通信故障診斷領(lǐng)域，也廣泛應(yīng)用知識圖譜技術(shù)，文獻(xiàn)[13-14]將工作人員日常維護(hù)日志以及相關(guān)的操作經(jīng)驗(yàn)等非結(jié)構(gòu)化的知識結(jié)構(gòu)化，通過知識圖譜相關(guān)技術(shù)構(gòu)建了基于知識圖譜的智能故障診斷架構(gòu)，通過自動關(guān)聯(lián)告警信息、自動匹配設(shè)備信息、智能獲取業(yè)務(wù)影響范圍等手段，實(shí)現(xiàn)了通信故障的快速發(fā)現(xiàn)與準(zhǔn)確定位。文獻(xiàn)[15]提出了一種基于知識圖譜的地鐵故障推薦模型，該模型可以輔助地鐵維修工作人員更快更準(zhǔn)確地響應(yīng)地鐵可能發(fā)生的故障，提高了工作效率。文獻(xiàn)[4]充分利用已有的先驗(yàn)知識，構(gòu)建了一種面向飛機(jī)電源系統(tǒng)故障診斷的知識圖譜，應(yīng)用其進(jìn)行飛機(jī)電源系統(tǒng)故障診斷與排查，使整個過程安全且高效。文獻(xiàn)[1]提出了一種基于知識圖譜的智能故障診斷方法，充分利用電信網(wǎng)絡(luò)領(lǐng)域的專家經(jīng)驗(yàn)構(gòu)建電信領(lǐng)域知識圖譜，并運(yùn)用知識推理等技術(shù)，進(jìn)行智能網(wǎng)絡(luò)故障診斷，輔助解決網(wǎng)絡(luò)運(yùn)維方面的的問題。文獻(xiàn)[16]構(gòu)建了用于故障診斷和分析的知識圖譜系統(tǒng)，使得故障診斷和分析效率更加高效、便捷。目前各種利用深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等工具與知識圖譜相結(jié)合，以此來解決實(shí)際問題的方法逐漸變成主流[17-18]。

因此為了降低運(yùn)維門檻，提升網(wǎng)絡(luò)運(yùn)維效率，本文設(shè)計了一種基于知識圖譜與機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)故障智能分析方法，利用專家經(jīng)驗(yàn)及故障案例等知識搭建網(wǎng)絡(luò)故障知識圖譜，應(yīng)用知識圖譜進(jìn)行智能化故障分析。首先利用已有的專家知識，構(gòu)建5G網(wǎng)絡(luò)故障知識圖譜本體，利用現(xiàn)有數(shù)據(jù)通過知識抽取、知識融合等步驟搭建網(wǎng)絡(luò)故障知識圖譜；其次利用機(jī)器學(xué)習(xí)方法進(jìn)行網(wǎng)絡(luò)故障診斷，將數(shù)據(jù)轉(zhuǎn)化為知識，針對不同的診斷問題匹配不同的機(jī)器學(xué)習(xí)算法，提高故障診斷的準(zhǔn)確性；最后應(yīng)用知識圖譜提出一種基于知識和數(shù)據(jù)雙驅(qū)動的網(wǎng)絡(luò)故障分析方法，并提出了一種基于知識子圖匹配的網(wǎng)絡(luò)故障知識檢索方法。

1 系統(tǒng)模型

1.1 知識圖譜應(yīng)用架構(gòu)

如圖1所示，網(wǎng)絡(luò)故障領(lǐng)域知識圖譜應(yīng)用架構(gòu)覆蓋數(shù)據(jù)層、構(gòu)建層以及應(yīng)用層等3個等級。數(shù)據(jù)層負(fù)責(zé)獲取數(shù)據(jù)并解析，構(gòu)建層是整個架構(gòu)的核心層，首先根據(jù)網(wǎng)絡(luò)故障診斷領(lǐng)域?qū)＜抑R以及知識圖譜應(yīng)用需求構(gòu)建本體，確定圖譜中所包含的實(shí)體與關(guān)系類型。

圖1 網(wǎng)絡(luò)故障領(lǐng)域知識圖譜應(yīng)用架構(gòu)示意圖

本體構(gòu)建結(jié)束后要對現(xiàn)有的數(shù)據(jù)進(jìn)行知識抽取，知識抽取包括實(shí)體抽取與關(guān)系抽取兩部分。對于從不同數(shù)據(jù)來源抽取的知識，需要進(jìn)行知識融合，以此來減少知識的冗余。完成知識抽取與知識融合之后，將知識以三元組的形式存放在Neo4j圖數(shù)據(jù)庫中，搭建完整的面向網(wǎng)絡(luò)故障診斷的知識圖譜。在上述工作基礎(chǔ)上，基于搭建好的網(wǎng)絡(luò)故障知識圖譜，結(jié)合機(jī)器學(xué)習(xí)進(jìn)行智能化網(wǎng)絡(luò)故障診斷與分析。

1.2 本體構(gòu)建

知識圖譜從宏觀上可以分為兩大類，通用知識圖譜和行業(yè)(領(lǐng)域)知識圖譜。網(wǎng)絡(luò)故障知識圖譜是針對故障診斷領(lǐng)域構(gòu)建的行業(yè)知識圖譜，采用自頂向下的設(shè)計方式。首先根據(jù)專家知識構(gòu)建圖譜的本體，本文選擇使用專家知識人工構(gòu)建本體。構(gòu)建本體包括規(guī)定實(shí)體類型、關(guān)系類型和關(guān)系類型的頭尾實(shí)體類型。

在網(wǎng)絡(luò)故障領(lǐng)域定義以<實(shí)體-屬性-屬性值>和<概念-關(guān)系-概念>為核心的知識圖譜。根據(jù)專家經(jīng)驗(yàn)構(gòu)建了網(wǎng)絡(luò)故障知識圖譜上層本體，如圖2所示，包含“故障模式”“故障原因”“故障解決方案”“故障可能引發(fā)事故”“故障發(fā)生位置”等概念及其相互之間的關(guān)系。

圖2 網(wǎng)絡(luò)故障知識圖譜本體

1.3 知識抽取及知識融合

針對網(wǎng)絡(luò)故障知識圖譜而言，數(shù)據(jù)來源主要分為結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)3種類型，如圖3所示。

圖3 知識抽取數(shù)據(jù)來源

故障數(shù)據(jù)庫中包含的數(shù)據(jù)為結(jié)構(gòu)化數(shù)據(jù)，對于結(jié)構(gòu)化的數(shù)據(jù)知識抽取較簡單，可以根據(jù)數(shù)據(jù)源與本體進(jìn)行一一映射直接抽取。對于員工日志、網(wǎng)絡(luò)故障案例等半結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)需要根據(jù)其具體結(jié)構(gòu)和內(nèi)容，設(shè)計相應(yīng)的抽取算法進(jìn)行知識抽取，一般有基于規(guī)則模板的算法、基于機(jī)器學(xué)習(xí)的算法和基于神經(jīng)網(wǎng)絡(luò)的算法。

傳統(tǒng)的知識抽取方法是以一種流水線的方式進(jìn)行的，即將實(shí)體抽取和關(guān)系抽取分步執(zhí)行，即首先利用命名實(shí)體識別技術(shù)來抽取實(shí)體，然后對這些實(shí)體間的關(guān)系進(jìn)行識別，進(jìn)而生成三元組。由于兩次抽取操作分步進(jìn)行，流水線方法存在誤差傳遞、信息冗余與忽視兩個子任務(wù)間聯(lián)系等問題。本系統(tǒng)采用實(shí)體關(guān)系聯(lián)合抽取算法，使用網(wǎng)絡(luò)故障領(lǐng)域文本語句預(yù)訓(xùn)練語言模型，同時抽取實(shí)體及其之間關(guān)系。通過該聯(lián)合抽取模型，輸入一個句子，可直接得到<實(shí)體-關(guān)系-實(shí)體>三元組?；诠收显\斷方面的知識抽取實(shí)例如圖4所示。

圖4 知識抽取實(shí)例

從不同的數(shù)據(jù)來源中所抽取到的知識，會出現(xiàn)知識重復(fù)和冗余的問題，知識融合過程是通過實(shí)體對齊、屬性對齊等技術(shù)來消除冗余。

1.4 基于Neo4j的知識圖譜構(gòu)建

圖數(shù)據(jù)庫能夠直觀地對數(shù)據(jù)進(jìn)行管理，并能夠?qū)崿F(xiàn)數(shù)據(jù)之間的關(guān)系鏈接，Neo4j是圖數(shù)據(jù)庫中比較典型的代表。

Neo4j圖數(shù)據(jù)庫具有較強(qiáng)的擴(kuò)展能力，可以與多種編程語言和開發(fā)平臺相結(jié)合，如Java和Python等。同時Neo4j采用的圖存儲結(jié)構(gòu)具有自由鄰接的特點(diǎn)，因此具有比較強(qiáng)的關(guān)系處理能力，同時可以很好地實(shí)時更新數(shù)據(jù)。因此本文選擇Neo4j圖數(shù)據(jù)庫作為搭建及展示知識圖譜的載體。本文構(gòu)建的網(wǎng)絡(luò)故障知識圖譜部分結(jié)構(gòu)如圖5所示。

圖5 網(wǎng)絡(luò)故障知識圖譜部分結(jié)構(gòu)圖

2 基于知識和數(shù)據(jù)雙驅(qū)動的網(wǎng)絡(luò)故障分析

2.1 整體架構(gòu)

在構(gòu)建的網(wǎng)絡(luò)故障知識圖譜的基礎(chǔ)上，本文提出了一種基于知識和數(shù)據(jù)雙驅(qū)動的網(wǎng)絡(luò)故障分析方法，該方法利用現(xiàn)有數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)算法，進(jìn)行網(wǎng)絡(luò)故障診斷，通過診斷是否發(fā)生故障及故障原因，將已有的數(shù)據(jù)轉(zhuǎn)化為知識的形式，將診斷結(jié)果作為已知條件輸入到知識圖譜中，利用知識檢索與知識推理進(jìn)行網(wǎng)絡(luò)故障分析，并最終通過知識子圖的形式輸出故障分析結(jié)果，整體的系統(tǒng)流程如圖6所示。

圖6 系統(tǒng)流程圖

2.2 數(shù)據(jù)預(yù)處理

本文對機(jī)器學(xué)習(xí)模型訓(xùn)練所使用的實(shí)驗(yàn)數(shù)據(jù)為在南京某區(qū)域采集的真實(shí)數(shù)據(jù)，數(shù)據(jù)集經(jīng)專業(yè)人員分析整理。數(shù)據(jù)提供了12 000條帶有標(biāo)簽的故障數(shù)據(jù)，其中主要包含了RSRP、RSRQ、RSSI和SINR等14項(xiàng)衡量指標(biāo)，具體如表1所示。

表1 數(shù)據(jù)所包含主要衡量指標(biāo)

數(shù)據(jù)預(yù)處理主要包括兩部分：標(biāo)準(zhǔn)化和特征篩選。

(1) 標(biāo)準(zhǔn)化

假設(shè)給定了k個指標(biāo)X1,X2,…,Xk，其中

Xi={x1,x2,…,xn},

(1)

(2)

其中，k=14，n=1,2,…,12 000。

(2) 特征選擇

本文利用XGboost算法統(tǒng)計各個KPI對系統(tǒng)模型的權(quán)重，權(quán)重越大證明其對最終決策結(jié)果影響越大。經(jīng)計算，權(quán)重具體值如表2所示。

表2 指標(biāo)權(quán)重

從表2可以看出，不同的指標(biāo)在模型中起到的作用不同。在故障診斷模型中，重要度較高的5個指標(biāo)為RSRP0、SINR、RSRP1、RSRP_1和SINR0。

得到具體權(quán)重值并進(jìn)行排序后，運(yùn)用XGboost進(jìn)行測試，發(fā)現(xiàn)當(dāng)保留8個特征值時，此時模型的正確率趨于穩(wěn)定，具體特征值個數(shù)與結(jié)果準(zhǔn)確率關(guān)系如圖7所示。

圖7 特征值數(shù)量與準(zhǔn)確率關(guān)系

2.3 機(jī)器學(xué)習(xí)算法對比

本文旨在針對不同的故障診斷問題匹配不同的機(jī)器學(xué)習(xí)算法，在檢測到發(fā)生故障且確定故障類型后，對不同的故障類型使用不同的機(jī)器學(xué)習(xí)算法診斷對應(yīng)的故障原因。本文以弱覆蓋以及過覆蓋兩種故障類型為例，具體診斷其故障發(fā)生原因。

在SEC儲量評估變化原因分析中，采油廠具有與勘探開發(fā)工作相結(jié)合對評估單元進(jìn)行精細(xì)分析的優(yōu)勢。通常，采油廠在一年或者一個階段的生產(chǎn)過程中，開展了大量的非投資性開發(fā)調(diào)整工作，如注采調(diào)整（調(diào)配）、注入質(zhì)量提升、轉(zhuǎn)注等。這些工作影響了開發(fā)形勢也直接影響到SEC儲量評估結(jié)果，但是這些開發(fā)行為在評估師評估中及高層評估分析中不易掌握和分析到。

針對同一問題往往有多種模型可以解決，但每種模型都有著自身的特點(diǎn)和適合解決的問題，本文在相同的數(shù)據(jù)集基礎(chǔ)上，訓(xùn)練對比了邏輯回歸、支持向量機(jī)、線性判別分析、樸素貝葉斯、K近鄰以及決策樹6種機(jī)器學(xué)習(xí)算法的準(zhǔn)確度，最終為當(dāng)前問題選擇最佳的機(jī)器學(xué)習(xí)算法模型。

通過表3可以看出，不同的問題有各自最適合的機(jī)器學(xué)習(xí)算法。對于弱覆蓋原因診斷問題而言，K近鄰算法的準(zhǔn)確度最高為99.1%，對于過覆蓋原因診斷問題而言，最合適的算法為線性判別分析算法。

表3 6種機(jī)器學(xué)習(xí)算法準(zhǔn)確度對比

2.4 基于子圖匹配的知識檢索方法

本文提出一種基于子圖匹配的知識檢索方法，應(yīng)用故障數(shù)據(jù)在通過網(wǎng)絡(luò)故障診斷模型后，輸出網(wǎng)絡(luò)故障類型及故障原因，在知識圖譜中檢索與相關(guān)結(jié)果有關(guān)的所有信息。具體流程如圖8所示。

圖8 基于子圖匹配的知識檢索流程

步驟1通過機(jī)器學(xué)習(xí)算法，將已有的數(shù)據(jù)信息輸出為知識信息，將其作為已知條件輸入至網(wǎng)絡(luò)故障知識圖譜，采用實(shí)體識別技術(shù)進(jìn)行核心實(shí)體識別。

步驟2判斷故障知識圖譜中是否包含該實(shí)體。

步驟3從核心實(shí)體出發(fā)，在知識圖譜中搜索與核心實(shí)體距離為1的實(shí)體。

步驟4輸出包含核心實(shí)體及與其距離為1的所有實(shí)體及關(guān)系的知識圖譜子圖。

3 仿真結(jié)果分析

通過對本文故障診斷模型與傳統(tǒng)故障診斷模型行對比分析，分析比較兩種系統(tǒng)模型在故障診斷數(shù)據(jù)集上的準(zhǔn)確度，結(jié)果如表4所示。

表4 不同故障診斷模型準(zhǔn)確性比較

由結(jié)果可見，相比于傳統(tǒng)的單純基于一種機(jī)器學(xué)習(xí)算法的方法，通過細(xì)化診斷問題為不同的診斷問題匹配不同的機(jī)器學(xué)習(xí)算法準(zhǔn)確率有較大提升。

圖9為以弱覆蓋為核心實(shí)體輸出的知識圖譜子圖，從圖中可清楚看到對于故障的描述(弱覆蓋是基站所需要覆蓋面積大，基站間距過大，或者建筑物遮擋而導(dǎo)致邊界區(qū)域信號較弱；弱覆蓋一般都是在Rxlev<-90 dBm)及故障解決方案(增加基站建設(shè))等信息。

圖9 以弱覆蓋為核心實(shí)體的知識圖譜子圖

4 結(jié)束語

本文提出了一種基于知識和數(shù)據(jù)雙驅(qū)動的網(wǎng)絡(luò)故障分析方法。通過本體構(gòu)建、知識抽取以及知識融合等技術(shù)利用Neo4j圖數(shù)據(jù)庫搭建面向網(wǎng)絡(luò)故障診斷的知識圖譜；結(jié)合機(jī)器學(xué)習(xí)進(jìn)行智能化網(wǎng)絡(luò)故障診斷與分析；將網(wǎng)絡(luò)故障診斷問題拆分成不同子問題，對比不同機(jī)器學(xué)習(xí)算法的準(zhǔn)確性，為不同診斷問題匹配準(zhǔn)確度最高的機(jī)器學(xué)習(xí)算法；利用Neo4j圖數(shù)據(jù)庫提出基于子圖匹配的知識檢索方法，將網(wǎng)絡(luò)分析結(jié)果以知識圖譜子圖的形式展示。本方法可以利用歷史故障分析案例輔助工程師更加快捷精準(zhǔn)探查故障問題根源，并更快指定對應(yīng)的改善措施，同時通過知識圖譜平臺進(jìn)行學(xué)習(xí)，可以提升信息探索速率，加速知識和經(jīng)驗(yàn)的沉淀。

在今后的工作中，將加入更多的數(shù)據(jù)來源，構(gòu)建更大規(guī)格的網(wǎng)絡(luò)故障知識圖譜，輔助提升網(wǎng)絡(luò)故障分析效率。此外針對網(wǎng)絡(luò)故障診斷問題，改進(jìn)現(xiàn)有機(jī)器學(xué)習(xí)算法，從而更加精確地進(jìn)行網(wǎng)絡(luò)故障診斷。