[发明专利]基于代价敏感的自组织网络的故障探测方法

说明书

本发明公开了一种基于代价敏感的自组织网络的故障探测方法。通过引入代价敏感框架来帮助原有系统获得代价敏感性，从而区分不同错误所带来的不同损失，使得分类器能够以最小化损失为目标而不是盲目地追求分类精度。本发明中的代价敏感性是通过估算每种错误带来的损失，从而构建代价矩阵来引入的。代价矩阵可以很好地帮助分类器衡量每次决策所带来的损失，从而能以最小化总体损失为目标。考虑到故障探测系统中的数据样本往往是不平衡，本发明提出了同时考虑样本分布信息和代价信息的缩放方式来帮助现有的大部分故障探测系统取得代价敏感性，实现更为经济，有效的故障诊断系统。

技术领域

本发明公开了一种基于代价敏感的自组织网络的故障探测方法，涉及故障诊断算法领域。

背景技术

近年来，随着越来越多的手持智能设备接入网络，以及具有高带宽需求的新型应用的涌现，现有的蜂窝网络正面临着巨大的挑战。同时，小区的密集部署和接入方式的多样化，也使得网络的管理和运营变得越来越复杂。这些都使得运营商们不得不寻找一种方法来降低运营和管理的成本，同时又能提高带宽和容量。为此，能够实现自配置，自优化，自治愈功能的自组织网络被认为是实现这一目标的有效方法。

自治愈作为自组织网络中的重要一环，通常由故障探测，故障诊断，故障恢复这三个阶段组成。如果存在一些故障小区在故障探测阶段就没有被及时发现，后面两个阶段也不会对这些被误分类为“正常”的故障小区起作用。而传统的故障探测往往来源于统计数据分析和用户抱怨，这样的方法不仅会花费大量的时间，精力而且也不能及时，准确的检测出那些故障的小区，这也会导致整个自治愈环节的低效性。解决这一问题的关键技术之一就是引入机器学习来执行自动故障检测。

现有的基于机器学习的故障探测系统，通常都以精度为目标，使分类器能够最小化错误率。但是，一味的追求精度，而忽视这些错误的类别，在实际应用当中并不一定能达到最优。因为某些错误带来的损失会比其它的严重得多。一个合理的方法就是让分类器牺牲低代价类别的识别精度，从而提高高代价类别的识别精度，尽管这样会使整体的识别精度下降，但会更具有实用价值。而在故障探测中也有着相似的情况，我们可以大致将故障探测的错误分类两类：

1、错误接受：将一个正常的小区认为是存在故障的；

2、错误警报：将一个存在故障的小区认为是正常的。

在传统的故障探测系统中，分类器并不会对这两种错误进行区分，这也就意味着这两种错误对于分类器来说是等同的。但事实上，这两种错误造成的损失是截然不同的。尽管第一种错误可能会需要消耗更多的时间来进行一次更加全面的检测，但相比于第二种错误，就显得不是那么严重了，因为一个没有被正确识别的故障小区会导致其性能长期下降。因此本发明提出将代价敏感学习引入到故障探测中，以使分类器能够获得区分不同错误的能力。

注意到在故障探测中，数据样本往往是不平衡的。正常小区的样本数量会比故障小区的多得多。直接对样本数据进行学习的话，分类器对故障小区的识别能力会大大下降。而缩放作为最简单有效的代价敏感学习方式，在不平衡的数据集上效果不是很好。因此，本发明提出了一种缩放的方式，来同时考虑错分代价不同，和数据样本不平衡同时发生的情况。

发明内容

发明目的：为了克服现有系统只追求精度，而忽视不同类别的错误会带来不同程度的影响的问题。本发明提供了一种代价敏感框架，来帮助现有的一些基于机器学习算法的故障探测系统获得代价敏感性。通过引入代价矩阵来使分类器区分不同错误，并利用SMOTE(Synthetic Minority Oversampling Technique)算法改变训练集正负样本的比例，从而使分类器在学习过程中就获得代价敏感性，实现最小化损失。

为实现上述目的，本发明采用如下技术方案：

基于代价敏感的自组织网络的故障探测方法，包括如下步骤：

步骤1：收集样本，并将样本贴上分类标签，构成训练样本集，所述分类标签包括正常和故障；