[发明专利]一种异构网络环境下的基于深度学习的网络故障诊断方法

说明书

本发明公开了一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，首先通过分析异构网络故障场景，确定监测阶段和故障诊断阶段将要使用的特征；然后利用最小冗余最大相关性算法选取监测阶段最优特征子集，对故障特征进行匹配，若匹配度大于阈值时，触发故障诊断阶段，通过反向传播算法完成模型参数调整；最后根据得到的最优模型，对异构网络进行故障定位和诊断。本发明所达到的有益效果：本方法基于深度学习理论的视角，通过对异构网络环境下网络结构和故障参数剖析，综合考虑故障发生的概率统计特性，建立了一种异构网络环境下基于深度学习的网络故障诊断模型，应用于异构网络环境中的故障诊断。

技术领域

本发明涉及一种异构网络环境下的基于深度学习的网络故障诊断方法，属于异构网络环境中的故障诊断技术领域。

背景技术

分层异构网络(Heterogeneous Network，HetNet)概念的提出，改变了以往传统蜂窝网络的基站类型单一，结构僵化，集中管理的特点，新型的网络结构基站元素多样化，控制分布式化，管理智能化。HetNet由覆盖范围较大的宏小区(Macrocell)和在宏小区覆盖范围下重叠覆盖的小小区(Small Cell)组成。小小区具有部署灵活，成本较低的特点，弥补了宏基站的部署困难，成本高昂的不足，而且小小区的部署也增加了宏小区的网络容量，能够基于业务分布灵活、合理分配网络数据流量，降低宏蜂窝负载，帮助网络运营商降低了运营成本，同时提高了用户业务体验。因此，异构网络的出现是技术演进，用户业务变化和市场需求增长的必然结果，是未来5G网络发展的必然趋势。

但是在异构网络环境下，基站部署密集，网络环境干扰复杂，网络拓扑复杂，网络需求多种多样，如果网络发生故障，不仅会造成端对端的服务性能的下降，也可能影响到间接相关的服务节点的性能，导致故障传播，如果不能够及时处理这种故障问题，很有可能使得网络瘫痪。此外，在庞大的网络架构下，如果仅仅通过人力去寻找故障位置和故障起因，这将耗费大量人力物力，造成运营成本升高。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种异构网络环境下的基于深度学习的网络故障诊断方法，结合异构网络的部署密集和弱规划特性以及网络拓扑结构，建立了异构网络环境下基于深度学习的网络故障诊断模型，应用于异构网络环境中的故障诊断。

为了实现上述目标，本发明采用如下的技术方案：

一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，

首先通过分析异构网络故障场景，确定监测阶段和故障诊断阶段将要使用的特征；

然后利用最小冗余最大相关性算法选取监测阶段最优特征子集，对其进行权重预处理后与网络数据库中的故障特征进行匹配，若匹配度大于阈值时，触发故障诊断阶段，采集异构网络全部状态数据，经过数据预处理后，利用卷积神经网络对处理后的数据进行训练，同时引入交叉熵损失函数，通过反向传播算法完成模型参数调整；

最后根据得到的最优模型，对异构网络进行故障定位和诊断。

前述的一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，包括如下步骤：

1)分析异构网络环境特征参数，利用mRMR算法选取最优特征集KPIs；

2)采集最优KPIs网络数据，并进行权重预处理；

3)定义数据分布相似度因子α，当线上KPIs参数分布和数据库中故障状态下参数分布的质心距离disα，则转到步骤4)，否则转到步骤2)；

4)采集网络全部数据，并对样本完成数据预处理；

5)建立卷积神经网络CNN模型，并随机初始化网络各层的参数；

6)引入交叉熵损失函数，基于反向传播算法更新网络权重和偏置量；