【技术实现步骤摘要】
一种基于混合生成对抗网络的无线网络中断检测方法
[0001]本专利技术属于无线通信中的网络自动驾驶
，具体涉及适用于网络故障智能检测与恢复系统的中断检测方法
。
技术介绍
[0002]无线网络越来越复杂，人工排除和恢复因小区中断而造成的故障成为不可行的任务
。
包含网络智能部署
、
网络智能优化
、
网络故障智能检测与恢复的网络自动驾驶是解决这些问题的关键技术
。
作为网络自动驾驶的重要组成部分，小区中断检测在网络故障智能检测与恢复技术中发挥着重要作用
。
目前基于机器学习的方法在小区中断检测中占主导地位
。
但在无线网络中，中断的发生是小概率事件，与中断相关的数据数量远少于正常数据
。
在这种情况下，基于机器学习方法的模型分类结果会偏向于多数类，中断检测性能会因为数据不平衡问题显著下降
。
此外，当网络中存在不止一种类型的中断时，不同类型的中断数据间往往会存在较严重的类间重合
。
类间重合是指数据集中多类数据混合分布在特征空间的同一区域的现象
。
这些样本虽然具有不同的类标签，但在特征上具有一定的相似性，会造成分类边界的失真，导致误分类现象的发生
。
[0003]为了解决这些问题，现有研究引入了人工少数类过采样法
(Synthetic Minority Oversampling Technique
，
S
【技术保护点】
【技术特征摘要】
1.
一种基于混合生成对抗网络的无线网络中断检测方法，其特征在于该方法包括如下步骤：第一步：搜集无线通信系统关键性能指标
KPI
，并形成数据集
X
；第二步：使用数据集
X
训练改进后的混合生成对抗网络
CWGAN
‑
GP
‑
AC
，使网络能够对数据集
X
里的中断数据过采样，生成类中断数据，记录下能够生成中断数据的权重向量和偏置向量，
CWGAN
‑
GP
‑
AC
由生成器
G、
判别器
D
和辅助分类器
AC
组成；第三步：利用第二步中训练完成的混合生成对抗网络
CWGAN
‑
GP
‑
AC
模型生成中断数据，组成数据平衡的数据集
V
；第四步：计算数据平衡的数据集
V
中的样本权重；根据样本在特征空间中的位置确定其类间重叠程度并据此分配权重，权重大小不仅表征样本类间重叠程度，也代表样本在训练过程中的误分类成本；权重越大，样本类间重叠程度越低，误分类的概率也越低；第五步：训练人工神经网络
ANN
，获得中断检测模型；第六步：直接将实时搜集到的基站
KPI
输入
ANN
，进行中断检测；将收集到的数据集
X
″
输入
ANN
网络，得到输出集合
y
′
是对应的数据集预测的标签，如果
y
′
∈{1
，
2,3}
，则判断为中断
。2.
根据权利要求1所述的一种基于混合生成对抗网络的无线网络中断检测方法，其特征在于，所述第一步：搜集无线通信系统关键性能指标
KPI
，并形成数据集
X
，具体为：通过最小化路测方法
MDT
获取无线通信系统中时间
t
内用户上报的
KPI
信息，并形成数据集其中
N
为数据集
X
中元素个数，
(x
i
,y
i
)
是
X
中第
i
个元素，
i
＝
1,2,...,N
；
x
i
∈R
K
表示某个用户在某时刻上报的
K
维基站关键性能指标
KPI
信息，
KPI
具体包括块错误率
BLER、
参考信号接收功率
RSRP、
参考信号接收质量
RSRQ、
接收信号的强度指示
RSSI、
吞吐量
、
信干噪比
SINR
；
y
i
是
x
i
的标签，表示服务该用户的基站的状态，基站状态分为正常和中断两类，中断基站又根据中断程度的不同被进一步分为轻度中断
、
中度中断和重度中断；因此，
y
i
是一个一维变量，取值范围是
y
i
∈{0,1,2,3}
；
y
i
＝0表示基站处于正常状态，此时接受到的
KPI
数值在正常范围内；
y
i
＝1表示基站处于轻度中断状态，此时接受到的
KPI
数值轻微超出正常范围，
y
i
＝2表示基站处于中度中断状态，基站性能下降严重，此时接受到的
KPI
数值远远超出正常范围；
y
i
＝3表示基站处于重度中断状态，此时接受到的
KPI
数值异常
。3.
根据权利要求2所述的一种基于混合生成对抗网络的无线网络中断检测方法，其特征在于，所述第二步包括以下流程：步骤
2.1
，数据预处理：对数据集
X
进行最值归一化，使归一化后的数据集
X
′
中收集到的
KPI
数据取值范围是
[
‑
1,1]
；
x
ik
′
是归一化后的数据集
X
′
中第
i
个元素的第
k
维
KPI
的取值；步骤
2.2
，定义
CWGAN
‑
GP
‑
AC
的目标函数，设置训练参数，
CWGAN
‑
GP
‑
AC
的目标函数如下所示：
其中
x
′
是步骤
2.1
中经过数据预处理后的用户上报的
KPI
数据集
X
′
中的样本，
z
是满足随机噪声分布
P
z
(z)
中的噪声样本，
G(z)
是当输入噪声样本
z
时生成器输出，
D(x)
是当输入数据样本
x
时判别器的输出；是在噪声样本和生成器生成的假样本之间的区域随机分布的变量，定义为其中
AC(G(z))
是输入生成器生成的假样本
G(z)
时辅助分类器的输出，辅助分类器仅用于判别是否中断，因此输出预测标签和生成器生成的假样本的标签，
B
CE
定义了假样本的标签与辅助分类器
AC
预测标签之间的二元交叉熵，定义为其中
(q
i
,y
i
)
是生成器的输出的假样本数据及标签，
y
′
i
是假样本的标签，如果
y
i
∈{0}
，则
y
′
i
＝0，如果
y
i
∈{1,2,3}
，则
y
′
i
＝1；
p(y
′
i
)
是辅助分类器预测假样本数据
q
i
的标签，如果预测
q
i
为正常数据，则
p(y
′
i
)
＝0，如果预测
q
i
为中断数据，则
p(y
′
i
)
＝1；
λ
是梯度惩罚系数，当惩罚系数过大，会导致模型过于简单而无法充分拟合输入，反之会导致模型过于自由而产生高复杂度，因此其取值交叉验证方法决定；辅助分类器
AC
的的缩放因子
δ
会不断更新，保持为
D(G(z))
绝对值的
10
％，以确保生成器的主要目标是减少
Wasserstein
损失；设置后续模型训练所需参数：每次生成器进行迭代时判别器的最大迭代次数
n
critic
，其取值由实验经验决定；批量大小
c
，其取值由实验经验决定；进化符号动量优化器的学习率
α
、
衰减速率
β1和
β2其取值由实验动态调整决定；每轮训练中采样的样本个数
M
，其取值由实验决定；模型最大迭代次数
E
，其取值由实验经验决定；模型的迭代次数
e
＝0；模型的批量次数
c
now
＝0；判别器的迭代次数
n
criticnow
＝0；采取高斯分布来初始化
CWGAN
‑
GP
‑
AC
模型中生成器
G、
判别器
D
权重矩阵
W
G
,W
D
，并将偏置向量
B
G
、B
D
的初始值设置为0；步骤
2.3
，抽样真实中断数据并生成对应的随机噪声；根据数据集
X
′
中样本标签将
X
′
划分为四个子集：
X
′0,X
′1，...
【专利技术属性】
技术研发人员：潘志文，马立源，刘楠，尤肖虎，
申请(专利权)人：网络通信与安全紫金山实验室，
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。