一種基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法
【專利摘要】本發(fā)明公開了一種基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法，特征是通過基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)和異常根因定位子系統(tǒng)，對網(wǎng)絡(luò)實現(xiàn)實時異常監(jiān)測和異常定位；在異常診斷部分，從網(wǎng)絡(luò)綜合用戶體驗的角度，選擇三個關(guān)鍵性能指標(biāo)作為網(wǎng)絡(luò)診斷特征，采用粗粒度閾值劃分及細(xì)粒度聚類的方法進(jìn)行異常分類；在異常根因定位部分，采用累計分布函數(shù)匹配的方式獲取異常癥狀特征，在每個類型中進(jìn)行聚類分析，可以實現(xiàn)不同異常的根因定位；最終構(gòu)成蜂窩網(wǎng)異常檢測和異常根因定位子系統(tǒng)。本發(fā)明不僅能夠檢測出明顯異常，還能夠檢測出潛在異常，并可針對不同異常類型進(jìn)行異常根因的定位；還可自主學(xué)習(xí)，不斷地提高異常檢測和根因定位的準(zhǔn)確度。
【專利說明】
一種基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法
技術(shù)領(lǐng)域
[0001]本發(fā)明屬于移動通信網(wǎng)絡(luò)監(jiān)測與優(yōu)化技術(shù)領(lǐng)域，具體涉及對蜂窩移動通信網(wǎng)體驗質(zhì)量(Quality of Experience，QoE)進(jìn)行實時監(jiān)測并對異常根因進(jìn)行定位的方法與系統(tǒng)，以及監(jiān)測4G通用移動通信技術(shù)的長期演進(jìn)(LTE)現(xiàn)網(wǎng)及未來移動通信網(wǎng)運(yùn)行質(zhì)量和服務(wù)水平的處理方法。
【背景技術(shù)】
[0002]針對蜂窩移動通信網(wǎng)的網(wǎng)絡(luò)優(yōu)化是一項貫穿于整個網(wǎng)絡(luò)發(fā)展全過程的系統(tǒng)工程，也是移動通信網(wǎng)絡(luò)運(yùn)營商用以提高網(wǎng)絡(luò)投資效益、運(yùn)行質(zhì)量和服務(wù)水平的重要技術(shù)手段。異常檢測機(jī)制是網(wǎng)絡(luò)優(yōu)化技術(shù)中的一項重要研究內(nèi)容，可用于發(fā)現(xiàn)和定位蜂窩移動通信網(wǎng)絡(luò)中的異常行為。目前移動通信網(wǎng)絡(luò)運(yùn)營商們已經(jīng)對蜂窩移動通信網(wǎng)開始實施異常檢測，所采用的方法主要是對關(guān)鍵性能指標(biāo)(Key Performance Indicator，KPI)進(jìn)行監(jiān)測，然后使用經(jīng)驗閾值對關(guān)鍵性能指標(biāo)KPI進(jìn)行硬判決。這種方法的局限性在于只有當(dāng)全部或部分感興趣的KPI指標(biāo)落在正常閾值范圍之外時，該機(jī)制才認(rèn)定網(wǎng)絡(luò)出現(xiàn)異常并報警。分析表明，這種基于KPI閾值的異常檢測方法，其檢測概率與閾值設(shè)定關(guān)聯(lián)性極大，且對落在閾值邊緣的異常行為存在較大的虛警和漏警概率，因此往往難以真實的反映網(wǎng)絡(luò)質(zhì)量?，F(xiàn)有基于KPI閾值的異常檢測方法一般缺乏對其他潛在異常行為的發(fā)現(xiàn)能力，也無法準(zhǔn)確和自動定位異常根因。這種方式通常依賴于熟練工程師的經(jīng)驗來定位已檢測出的異常行為的根因。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的是提出一種基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法，通過對關(guān)鍵性能指標(biāo)(KPI)進(jìn)行聚類分析，實現(xiàn)基于網(wǎng)絡(luò)體驗質(zhì)量的異常行為診斷和分類，自動地完成不同異常根因的定位。
[0004]本發(fā)明基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法，從網(wǎng)絡(luò)參數(shù)出發(fā)，判斷網(wǎng)絡(luò)異常與否，其特征在于:采用基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)和基于網(wǎng)絡(luò)體驗質(zhì)量的異常根因定位子系統(tǒng)，利用閾值劃分和特征聚類進(jìn)行網(wǎng)絡(luò)整體的異常分類，同時對網(wǎng)絡(luò)其余關(guān)鍵性能指標(biāo)進(jìn)行聚類分析;具體操作為:
[0005]所述基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)，首先輸入來自通信網(wǎng)無線資源控制器(Rad1 Network Controller，RNC)采集的網(wǎng)絡(luò)關(guān)鍵性能指標(biāo)(KPI)，然后從接入性、完整性、保持性三個方面選擇對應(yīng)的網(wǎng)絡(luò)關(guān)鍵性能指標(biāo)作為網(wǎng)絡(luò)整體體驗質(zhì)量，用來反應(yīng)網(wǎng)絡(luò)中所有用戶的平均用戶感知;再采用閾值劃分的方式，根據(jù)事先設(shè)定的上述三類關(guān)鍵性能指標(biāo)的判決閾值，劃分出明顯異常、輕微異常以及明顯正常三類點；采用自組織神經(jīng)映射(Self-Organizing Map，S0M)和K中心點算法(K-med1ds)兩種聚類算法對輕微異常點和明顯異常點再進(jìn)行細(xì)粒度分析:自組織神經(jīng)映射SOM是一種無監(jiān)督的學(xué)習(xí)算法，包含輸入層和輸出層:輸入層對應(yīng)一個高維的輸入向量，輸出層由一系列組織在二維網(wǎng)格上的MXN個有序節(jié)點構(gòu)成，輸入節(jié)點與輸出節(jié)點通過權(quán)重向量連接;學(xué)習(xí)過程中，找到與之距離最短的輸出層單元即獲勝單元，對其更新；同時，將鄰近區(qū)域的權(quán)值更新，使輸出節(jié)點保持輸入向量的拓?fù)涮卣?，最終形成MXN個小類，分別對應(yīng)不同類型的異常；而K中心點算法是一種經(jīng)典聚類算法，首先隨機(jī)選取一組聚類樣本作為中心點集，每個中心點對應(yīng)一個簇;然后計算各樣本點到各個中心點的距離，將樣本點放入距離中心點最短的那個簇中，計算各簇中距簇內(nèi)各樣本點距離的絕度誤差最小的點作為新的中心點;最后如果新的中心點集與原中心點集相同，則算法終止;采用自組織神經(jīng)映射和K中心點算法算法對輕微異常點和明顯異常點對應(yīng)的異常數(shù)據(jù)集進(jìn)行聚類，最終得到K個關(guān)鍵性能指標(biāo)集合，就是異常類型；
[0006]所述基于網(wǎng)絡(luò)體驗質(zhì)量的異常根因定位子系統(tǒng)，通過尋找正常點和異常點之間關(guān)鍵性能指標(biāo)參數(shù)的不同，定位異常點的可能原因；首先從異常檢測子系統(tǒng)得到的異常點類型出發(fā)，對比正常點和異常點之間其余關(guān)鍵性能指標(biāo)的累積分布函數(shù)(CumulativeDistribut1n Funct1n，^F)曲線圖，提取對應(yīng)的異常癥狀關(guān)鍵性能指標(biāo)，構(gòu)建異常癥狀關(guān)鍵性能指標(biāo)庫;在每個類型中，再次采用K中心點算法對上述獲取的癥狀關(guān)鍵性能指標(biāo)特征進(jìn)行聚類，進(jìn)而得到不同的異常癥狀列表，通過查找該列表實現(xiàn)根因定位。
[0007]本發(fā)明基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法采取了通過基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)和基于網(wǎng)絡(luò)體驗質(zhì)量的異常根因定位子系統(tǒng)，對網(wǎng)絡(luò)實現(xiàn)實時異常監(jiān)測和根因分析;在異常診斷部分，由于從網(wǎng)絡(luò)體驗質(zhì)量的角度，選擇三類關(guān)鍵性能指標(biāo)作為網(wǎng)絡(luò)整體診斷特征，采用粗粒度閾值劃分以及細(xì)粒度聚類的方法進(jìn)行異常分類，可以有效的避免虛警和漏警，能夠檢測出明顯異常以及潛在異常;在異常根因定位部分，由于對正常點和異常點其余關(guān)鍵性能指標(biāo)采用累積分布函數(shù)匹配的方式，構(gòu)建異常癥狀關(guān)鍵性能指標(biāo)庫，并在每個異常類型中進(jìn)行聚類分析，可以實現(xiàn)不同異常的根因定位。采取本發(fā)明方法所搭建的系統(tǒng)還可以自主學(xué)習(xí)，從而能夠不斷地提高異常檢測和根因定位的準(zhǔn)確度。
【附圖說明】
[0008]圖1是基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法的整體結(jié)構(gòu)示意圖。
[0009]圖2是基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)B的結(jié)構(gòu)示意圖。
[0010]圖3是基于網(wǎng)絡(luò)體驗質(zhì)量的異常根因定位子系統(tǒng)C的結(jié)構(gòu)示意圖。
【具體實施方式】
[0011]實施例1:
[0012]本實施例基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法，包括采用基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)和基于網(wǎng)絡(luò)體驗質(zhì)量的異常根因定位子系統(tǒng)，利用閾值劃分和特征聚類進(jìn)行網(wǎng)絡(luò)整體體驗質(zhì)量的異常分類，同時對網(wǎng)絡(luò)其余癥狀關(guān)鍵性能指標(biāo)進(jìn)行聚類分析；
[0013]圖1給出了基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法的整體結(jié)構(gòu)示意圖。本實施例基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法具體包括以下步驟:從通信網(wǎng)無線資源控制器(Rad1 Network Controller，RNC)采集的關(guān)鍵性能指標(biāo)(KeyPerformance Indicator,KPI)，組成關(guān)鍵性能指標(biāo)庫A，作為整個系統(tǒng)的輸入。在本實施例1中，關(guān)鍵性能指標(biāo)庫A是河北省承德市移動3G RNC采集的2659個小區(qū)的27天的62條關(guān)鍵性能指標(biāo)。先從接入性、完整性、保持性三個方面，選擇對應(yīng)的關(guān)鍵性能指標(biāo)，作為網(wǎng)絡(luò)整體的體驗質(zhì)量(Quality of Experience，QoE)，用來反應(yīng)網(wǎng)絡(luò)中所有用戶的平均用戶感知;本實施例I中選擇的是無線接入性、語音質(zhì)量和業(yè)務(wù)信道掉話率三類關(guān)鍵性能指標(biāo)Al。接著，將這三類關(guān)鍵性能指標(biāo)Al輸入異常檢測子系統(tǒng)B，得到不同的異常類型B4;最后，將這些異常類型B4和除上述三類關(guān)鍵性能指標(biāo)Al外的其余關(guān)鍵性能指標(biāo)A2輸入異常根因定位子系統(tǒng)C，得到異常癥狀列表Dl，通過查找這些列表就可以得到異常根因D。
[0014]圖2給出了基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)B的結(jié)構(gòu)示意圖:在本實施例1中，異常檢測子系統(tǒng)B輸入是關(guān)鍵性能指標(biāo)庫A，首先從接入性、完整性、保持性三個方面，分別選擇無線接入性、語音質(zhì)量和業(yè)務(wù)信道掉話率三類關(guān)鍵性能指標(biāo)Al作為網(wǎng)絡(luò)整體的體驗質(zhì)量，用來反應(yīng)網(wǎng)絡(luò)中所有用戶的平均用戶感知。由于異常的程度不同，同時異常的點數(shù)很少，容易淹沒在正常點中，因此對數(shù)據(jù)進(jìn)行分層分析。首先利用閾值劃分BI對關(guān)鍵性能指標(biāo)庫A中的前10000數(shù)據(jù)點進(jìn)行粗粒度分類。所謂的粗粒度是指分析問題所達(dá)到的精確程度，下面的細(xì)粒度也是這個意思。粗粒度分析具體來說是根據(jù)事先設(shè)定的上述三類關(guān)鍵性能指標(biāo)Al的判決閾值，得到明顯異常、輕微異常以及明顯正常三類點。這種粗粒度分析與運(yùn)營商的硬判決類似，當(dāng)某些關(guān)鍵性能指標(biāo)指標(biāo)低于或高于設(shè)定的閾值時，就認(rèn)定是網(wǎng)絡(luò)出現(xiàn)異常并報警。本實施例1中分類出明顯和輕微異常點合計4079個。然后，對輕微和明顯兩類異常點B2再進(jìn)行細(xì)粒度分析。這一步主要采用自組織神經(jīng)映射(Self-Organizing Map, SOM)和K中心點算法(K-med1ds)的混合算法對數(shù)據(jù)集進(jìn)行聚類，得到不同的異常類型。所謂的聚類是指對未知類別的群組進(jìn)行分類的方法，是數(shù)據(jù)挖掘的一類重要方法，這里用到自組織神經(jīng)映射(SOM)和K中心點算法(K-med1ds)兩種聚類算法。SOM是一種無監(jiān)督的學(xué)習(xí)算法，包含輸入層和輸出層。輸入層對應(yīng)一個高維的輸入向量，輸出層由一系列組織在二維網(wǎng)格上的MXN個有序節(jié)點構(gòu)成，輸入節(jié)點與輸出節(jié)點通過權(quán)重向量連接;學(xué)習(xí)過程中，找到與之距離最短的輸出層單元即獲勝單元，對其更新；同時，將鄰近區(qū)域的權(quán)值更新，使輸出節(jié)點保持輸入向量的拓?fù)涮卣鳎罱K形成M XN個小類，分別對應(yīng)不同類型的異常。而K中心點算法K-med1ds算法是一種經(jīng)典聚類算法，首先隨機(jī)選取一組聚類樣本作為中心點集，每個中心點對應(yīng)一個簇;然后計算各樣本點到各個中心點的距離(如歐幾里德距離)，將樣本點放入距離中心點最短的那個簇中，將各簇中距簇內(nèi)各樣本點距離的絕度誤差最小的點作為新的中心點;最后如果新的中心點集與原中心點集相同，則算法終止。采用SOM和K-med1ds算法對輕微異常點和明顯異常點對應(yīng)的異常數(shù)據(jù)集進(jìn)行聚類，最終得到K類關(guān)鍵性能指標(biāo)集合，這就是異常類型B4。聯(lián)合SOM和K-med1ds的混合聚類算法B2，可以使高維數(shù)據(jù)轉(zhuǎn)換到二維平面上，具有典型的可視化效果，同時也降低了數(shù)據(jù)的維度和數(shù)據(jù)量。本實施例1中采用SOM算法的推薦值10 X 10，對SOM聚類后的類型中心，選擇合適的K值(根據(jù)操作經(jīng)驗10至20最合適)，用K-med1ds算法，對具有較大相似性的類型進(jìn)行合并，最終得到K個大的類型(上述三類關(guān)鍵性能指標(biāo)Al的不同取值的組合)，也就是異常類型B4。新的小區(qū)網(wǎng)絡(luò)的上述三類關(guān)鍵性能指標(biāo)Al輸入這個模塊，通過相似性匹配的方式，即首先通過粗粒度劃分，再與對應(yīng)的異常類型中心點匹配，最終可以從異常類型B4中找到所屬類型。
[0015]圖3是基于網(wǎng)絡(luò)體驗質(zhì)量的異常根因定位子系統(tǒng)的結(jié)構(gòu)示意圖。
[0016]在圖3所示異常根因定位子系統(tǒng)結(jié)構(gòu)圖中，可以看到整個異常根因定位子系統(tǒng)的結(jié)構(gòu)。首先，對異常檢測子系統(tǒng)B中通過閾值劃分BI得到的明顯正常和明顯異常的點的其余關(guān)鍵性能指標(biāo)A2(即剩余59條KPI)進(jìn)行異常癥狀提取Cl。方法是計算正常點和異常點的其余關(guān)鍵性能指標(biāo)A2的累計分布函數(shù)(CDF)，比較兩者之間的差異。當(dāng)某類關(guān)鍵性能指標(biāo)(KPI)的⑶F存在明顯差異時，則可以認(rèn)為該KPI可能是異常產(chǎn)生的原因。利用這種⑶F比較的方式，構(gòu)建異常癥狀KPI庫。然后，對異常檢測子系統(tǒng)B得到的每個異常類型B4，采用K-med1ds算法對其出現(xiàn)在異常癥狀KPI庫中的KPI進(jìn)行異常癥狀聚類C2，進(jìn)而得到該類異常的不同異常癥狀列表Dl，即導(dǎo)致該類異常產(chǎn)生的可能的KPI集合。通過查找這些列表就可以得到異常根因D。在實施例1中，首先檢測測試數(shù)據(jù)中每個小區(qū)的無線接入性、語音質(zhì)量、業(yè)務(wù)信道掉話三類KPI，將其與異常檢測子系統(tǒng)的輸出異常類型B4進(jìn)行匹配，得到所屬的異常類型。再提取小區(qū)其余關(guān)鍵性能指標(biāo)A2，查找該異常類別下的異常癥狀列表D1，最終分析出異常根因D。
[0017]從上面實例操作過程的描述和分析過程可知，本發(fā)明的輸入是采集自網(wǎng)元的網(wǎng)絡(luò)參數(shù)，運(yùn)算過程是在服務(wù)器等硬件上實現(xiàn)，輸出則可以以文本或者屏幕顯示等方式輸出異常與否、異常類型以及異常根因這些結(jié)果。
[0018]本發(fā)明基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法，通過基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)和基于網(wǎng)絡(luò)體驗質(zhì)量的異常根因定位子系統(tǒng)，對網(wǎng)絡(luò)實現(xiàn)實時異常監(jiān)測;在異常診斷部分，從網(wǎng)絡(luò)綜合用戶體驗的角度，選擇三類關(guān)鍵性能指標(biāo)作為網(wǎng)絡(luò)診斷特征，采用粗粒度閾值劃分以及細(xì)粒度聚類的方法進(jìn)行異常分類;在網(wǎng)絡(luò)異常根因定位部分，采用累計分布函數(shù)匹配的方式構(gòu)建異常癥狀KPI庫，在每個異常類型中進(jìn)行聚類分析，得到異常癥狀列表，用于定位不同的異常根因，最終構(gòu)成蜂窩網(wǎng)異常檢測和異常根因定位子系統(tǒng)。由于本發(fā)明方法采取了對異常類型進(jìn)行粗細(xì)粒度的分層分析，能夠檢測出明顯異常以及潛在異常，并針對不同的異常類型進(jìn)行異常根因的定位。另外，采取本發(fā)明方法所搭建的系統(tǒng)使用的聚類算法還可以自主學(xué)習(xí)，從而不斷地提高異常檢測和根因定位的準(zhǔn)確度。
【主權(quán)項】
1.一種基于網(wǎng)絡(luò)體驗質(zhì)量的移動通信網(wǎng)異常檢測和定位方法，從網(wǎng)絡(luò)參數(shù)出發(fā)，判斷網(wǎng)絡(luò)異常與否，其特征在于:采用基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)和基于網(wǎng)絡(luò)體驗質(zhì)量的異常根因定位子系統(tǒng)，利用閾值劃分和特征聚類進(jìn)行網(wǎng)絡(luò)整體的異常分類，同時對網(wǎng)絡(luò)其余關(guān)鍵性能指標(biāo)進(jìn)行聚類分析;具體操作為: 所述基于網(wǎng)絡(luò)體驗質(zhì)量的異常檢測子系統(tǒng)，首先輸入來自通信網(wǎng)無線資源控制器采集的網(wǎng)絡(luò)關(guān)鍵性能指標(biāo)，然后從接入性、完整性、保持性三個方面選擇對應(yīng)的網(wǎng)絡(luò)關(guān)鍵性能指標(biāo)作為網(wǎng)絡(luò)整體體驗質(zhì)量，用來反應(yīng)網(wǎng)絡(luò)中所有用戶的平均用戶感知;再采用閾值劃分的方式，根據(jù)事先設(shè)定的上述三類關(guān)鍵性能指標(biāo)的判決閾值，劃分出明顯異常、輕微異常以及明顯正常三類點；采用自組織神經(jīng)映射和K中心點算法兩種聚類算法對輕微異常點和明顯異常點再進(jìn)行細(xì)粒度分析:自組織神經(jīng)映射是一種無監(jiān)督的學(xué)習(xí)算法，包含輸入層和輸出層:輸入層對應(yīng)一個高維的輸入向量，輸出層由一系列組織在二維網(wǎng)格上的MXN個有序節(jié)點構(gòu)成，輸入節(jié)點與輸出節(jié)點通過權(quán)重向量連接;學(xué)習(xí)過程中，找到與之距離最短的輸出層單元即獲勝單元對其更新；同時，將鄰近區(qū)域的權(quán)值更新，使輸出節(jié)點保持輸入向量的拓?fù)涮卣?，最終形成MXN個小類，分別對應(yīng)不同類型的異常;而K中心點算法是一種經(jīng)典聚類算法，首先隨機(jī)選取一組聚類樣本作為中心點集，每個中心點對應(yīng)一個簇;然后計算各樣本點到各個中心點的距離，將樣本點放入距離中心點最短的那個簇中，計算各簇中距簇內(nèi)各樣本點距離的絕度誤差最小的點作為新的中心點；最后如果新的中心點集與原中心點集相同，則算法終止;采用自組織神經(jīng)映射和K中心點算法算法對輕微異常點和明顯異常點對應(yīng)的異常數(shù)據(jù)集進(jìn)行聚類，最終得到K個關(guān)鍵性能指標(biāo)集合，就是異常類型； 所述基于網(wǎng)絡(luò)體驗質(zhì)量的異常根因定位子系統(tǒng)，通過尋找正常點和異常點之間關(guān)鍵性能指標(biāo)參數(shù)的不同，定位異常點的可能原因；然后從異常檢測子系統(tǒng)得到的異常點類型出發(fā)，對比正常點和異常點之間其余關(guān)鍵性能指標(biāo)的累積分布函數(shù)曲線圖，提取對應(yīng)的異常癥狀關(guān)鍵性能指標(biāo)，構(gòu)建異常癥狀關(guān)鍵性能指標(biāo)庫;在每個類型中，再次采用K中心點算法對上述獲取的異常癥狀關(guān)鍵性能指標(biāo)特征進(jìn)行聚類，進(jìn)而得到不同的異常癥狀列表，通過查找該列表實現(xiàn)根因定位。
【文檔編號】H04W24/02GK105873105SQ201610262009
【公開日】2016年8月17日
【申請日】2016年4月22日
【發(fā)明人】繆丹丹, 楊渡佳, 秦曉衛(wèi)
【申請人】中國科學(xué)技術(shù)大學(xué)