基于大數(shù)據(jù)挖掘的移動(dòng)通信網(wǎng)絡(luò)故障診斷方法研究

李小聰

（中國電信股份有限公司北京分公司，北京 100032）

0 引 言

目前，隨著用戶的需求越來越多樣化，如何保證網(wǎng)絡(luò)正常運(yùn)轉(zhuǎn)成為了一個(gè)重大的難題。網(wǎng)絡(luò)故障診斷技術(shù)是一種能夠?qū)崟r(shí)監(jiān)控網(wǎng)絡(luò)和其相關(guān)節(jié)點(diǎn)的改變情況，觀測鏈路之間是否正常運(yùn)行，若發(fā)現(xiàn)問題則第一時(shí)間反饋給管理系統(tǒng)的技術(shù)[1-4]。該技術(shù)主要是保障網(wǎng)絡(luò)服務(wù)的質(zhì)量，及時(shí)提供故障預(yù)警信息。隨著人工智能技術(shù)的興起，研究者逐漸在網(wǎng)絡(luò)故障診斷領(lǐng)域引入人工智能技術(shù)[5-9]。與傳統(tǒng)的人工診斷方法相比，基于人工智能的網(wǎng)絡(luò)故障診斷可以進(jìn)一步提升故障診斷效率。

1 基于生成對(duì)抗網(wǎng)絡(luò)的網(wǎng)絡(luò)故障診斷方法

1.1 系統(tǒng)模型

以毫微微小區(qū)、微小區(qū)與宏小區(qū)覆蓋的4G 網(wǎng)絡(luò)場景為研究目標(biāo)，其異構(gòu)無線網(wǎng)絡(luò)場景如圖1 所示。該研究目標(biāo)具有復(fù)雜的系統(tǒng)結(jié)構(gòu)，因此難以有效管理網(wǎng)絡(luò)。針對(duì)該研究目標(biāo)探討如何診斷網(wǎng)絡(luò)故障，首先分析和關(guān)聯(lián)衡量網(wǎng)絡(luò)性能的關(guān)鍵性能指標(biāo)（Key Performance Indicator，KPI）與常見的網(wǎng)絡(luò)故障，這也是構(gòu)建模型的必要前提工作。

圖1 異構(gòu)無線網(wǎng)絡(luò)場景

1.2 生成對(duì)抗網(wǎng)絡(luò)概述

生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）從提出至今受到了領(lǐng)域內(nèi)許多研究者的歡迎。GAN 分別包括生成模型和判別模型2 種模型，即模型G和模型D。模型G和模型D之間會(huì)不停對(duì)弈，在對(duì)弈中模型各自的性能也會(huì)隨之提高。基于模型D，模型G可以在無大量先驗(yàn)知識(shí)的情況下產(chǎn)生相近的數(shù)據(jù)。多層感知器定義的優(yōu)化目標(biāo)函數(shù)公式為

式中：E為數(shù)學(xué)期望；D(x)為真實(shí)輸入x經(jīng)過模型D的輸出值；G(Z)為噪聲輸入Z經(jīng)過模型G的輸出值；pdata為輸入x的分布；pz為輸入Z的分布。

更新模型D參數(shù)時(shí)，希望D(x)的輸出結(jié)果最優(yōu)可以在1 附近或者等于1，即最大化logD(x)。對(duì)于基于噪聲產(chǎn)生的數(shù)據(jù)G(Z)而言，希望D[G(Z)]的輸出可以是0，即當(dāng)模型D產(chǎn)生的數(shù)據(jù)足夠逼真時(shí)，仍可以篩選出D[G(Z)]輸出數(shù)據(jù)中的假數(shù)據(jù)，因此需要最大化log{1-D[G(Z)]}，從而要求判別器輸出結(jié)果最大化。

更新模型G的參數(shù)時(shí)，盡量保持pz=pdata，因此log{1-D[G(Z)]}的值越小越好，即最小化生成器的輸出。

博弈過程中，基于真實(shí)數(shù)據(jù)，可以取樣出x并將其作為模型D的輸入數(shù)值。輸入該數(shù)值后，模型D可以基于自身的邏輯框架生成一個(gè)在[0,1]內(nèi)的數(shù)值，該數(shù)值越接近1 越好，從而可以判斷模型D的輸入數(shù)據(jù)是真實(shí)數(shù)據(jù)。之后，模型D和模型G會(huì)進(jìn)行不停的訓(xùn)練。模型G的輸入信號(hào)為服從特定分布規(guī)律的噪聲，其可以基于真實(shí)數(shù)據(jù)進(jìn)行學(xué)習(xí)直到可以產(chǎn)生相似的數(shù)據(jù)，然后將該數(shù)據(jù)輸入模型D，模型D可以基于自身的邏輯判斷框架生成一個(gè)[0,1]范圍內(nèi)的數(shù)值，且輸出值越接近0 越好，表示模型可以判斷數(shù)據(jù)為假數(shù)據(jù)。

1.3 基于生成對(duì)抗網(wǎng)絡(luò)的網(wǎng)絡(luò)故障診斷流程

基于GAN 的網(wǎng)絡(luò)故障診斷模型如圖2 所示。首先，基于異構(gòu)無線網(wǎng)絡(luò)收集和關(guān)聯(lián)不同網(wǎng)絡(luò)情況下的KPI 數(shù)據(jù)，收集來的數(shù)據(jù)需要先通過歸一化處理，然后基于GAN 進(jìn)行數(shù)據(jù)擬合，得到附有標(biāo)記的模擬數(shù)據(jù)（不同網(wǎng)絡(luò)狀態(tài)下）。其次，分別處理由原始網(wǎng)絡(luò)和GAN 模擬制造的2 種數(shù)據(jù)集，同時(shí)利用極限梯度提升算法（Extreme Gradient Boosting，XGBoost）降維數(shù)據(jù)，篩除冗余的數(shù)據(jù)，在診斷故障時(shí)選擇輸入?yún)?shù)的最優(yōu)特征組合。最后，基于XGBoost 算法的訓(xùn)練可以得到最優(yōu)模型。

圖2 基于GAN 的網(wǎng)絡(luò)故障診斷模型

1.4 數(shù)據(jù)處理

網(wǎng)絡(luò)故障診斷模型必須具備可以識(shí)別多個(gè)故障的能力，因此需要確定不同網(wǎng)絡(luò)狀態(tài)對(duì)應(yīng)的癥狀。將具有m個(gè)KPI 的輸入向量（不同網(wǎng)絡(luò)狀態(tài)下）定義為S，S=[KPI1,KPI2,KPI3,…,KPIm]；網(wǎng)絡(luò)的狀態(tài)定義為C=[FC1,FC2,FC3,…,FCn]。

被研究小區(qū)的KPI 可以組成小樣本數(shù)據(jù)，作為異構(gòu)無線網(wǎng)絡(luò)的輸入數(shù)據(jù)。如果在某一區(qū)間時(shí)段內(nèi)，有網(wǎng)絡(luò)故障FCi出現(xiàn)，那么相應(yīng)的網(wǎng)絡(luò)狀態(tài)公式為

式中：KPImt表示第m個(gè)KPI處于t時(shí)刻的數(shù)值。

輸入數(shù)據(jù)時(shí)，歸一化特定的KPIi'以保證其具有相似的動(dòng)態(tài)范圍?；诿總€(gè)最大KPI 進(jìn)行歸一化操作，其計(jì)算公式為

式中：KPIi'表示對(duì)第i個(gè)KPI進(jìn)行歸一化處理后得到的數(shù)據(jù)；max(KPIi')表示在已收集的數(shù)據(jù)中出現(xiàn)的最大的第i個(gè)KPI。式（3）表示排除[0,1]范圍內(nèi)的KPIi，對(duì)特定的KPIi范圍進(jìn)行轉(zhuǎn)換。

網(wǎng)絡(luò)狀態(tài)經(jīng)過歸一化后變成

1.5 網(wǎng)絡(luò)故障診斷模型

GAN 框架如圖3 所示，需要具備2 個(gè)處于競爭狀態(tài)的網(wǎng)絡(luò)并同時(shí)優(yōu)化目標(biāo)。

圖3 GAN 框架

第一個(gè)網(wǎng)絡(luò)是基于均勻噪聲或者給定高斯噪聲來輸出模擬輸入數(shù)據(jù)的生成器模型G；第二個(gè)網(wǎng)絡(luò)是判別模型D，其用0 或1 來標(biāo)記判斷樣本，進(jìn)而判斷輸入數(shù)據(jù)是生成的還是來自真實(shí)采集。經(jīng)過迭代，該競爭網(wǎng)絡(luò)模型可以更好地完成任務(wù)。生成模型G甚至可以產(chǎn)生出以假亂真的輸入數(shù)據(jù)。優(yōu)化的目標(biāo)函數(shù)公式為

基于GAN 生成模型，僅僅需要一個(gè)噪聲（有一定規(guī)律）、2 個(gè)網(wǎng)絡(luò)（可逼近函數(shù)）和一些數(shù)據(jù)（實(shí)際數(shù)據(jù)），不會(huì)存在特別困難的計(jì)算問題。2個(gè)模型（判別器和生成器）彼此間互相博弈，判別器穩(wěn)定時(shí)，可以由生成器獲取不同的網(wǎng)絡(luò)狀態(tài)，輸入數(shù)據(jù)的分布也趨向于實(shí)際數(shù)據(jù)分布'FCi，其計(jì)算公式為

此外，本研究利用了帶梯度懲罰的Wasserstein GAN 算法（Wasserstein GAN with Gradient Penalty，WGANGP）[10]。

2 仿真結(jié)果

首先，進(jìn)行仿真時(shí)，在數(shù)據(jù)處理階段采用WGAN-GP 算法學(xué)習(xí)小樣本數(shù)據(jù)，該數(shù)據(jù)具有特定規(guī)律性；其次，得到附有標(biāo)記的大量虛擬數(shù)據(jù)，并基于得到的虛擬數(shù)據(jù)集與小樣本數(shù)據(jù)，采用XGBoost 算法診斷網(wǎng)絡(luò)故障，網(wǎng)絡(luò)故障診斷正確率如圖4 所示。由圖4 可知，本研究提出的方法隨著迭代次數(shù)增加最終可以達(dá)到0.9848 的正確率，一定限度上提高了網(wǎng)絡(luò)故障診斷的正確率。

圖4 網(wǎng)絡(luò)故障診斷準(zhǔn)確率

3 結(jié) 論

由于傳統(tǒng)方法難以解決基于異構(gòu)無線網(wǎng)絡(luò)狀態(tài)下大量獲得附帶標(biāo)簽的歷史數(shù)據(jù)問題，受GAN 啟發(fā)，提出一種新的異構(gòu)無線網(wǎng)絡(luò)故障診斷方法。首先基于WGAN-GP 算法，對(duì)從網(wǎng)絡(luò)環(huán)境中收集得到的小樣本進(jìn)行學(xué)習(xí)，隨后得到大量帶標(biāo)記的模擬數(shù)據(jù)，利用XGBoost 算法對(duì)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)故障診斷，最后進(jìn)行仿真實(shí)驗(yàn)，證明該方法可以顯著提高網(wǎng)絡(luò)故障診斷的準(zhǔn)確率。