[发明专利]用于网络管理中的故障预测的方法和装置

说明书

描述了网络管理装置和方法。网络管理装置包括用于接收代表通信网络当前状况的网络数据的网络数据接收部件，网络数据包括指示网络元件的性能的多个值；用于将所接收的网络数据变换为指示网络的当前状态的网络状态向量的网络数据变换部件；以及用于根据当前网络状态向量来预测网络的未来网络状态向量的网络状态预测部件，该网络状态预测部件包括具有用于存储至少一个内部状态的存储器的自学习预测模块。

技术领域

本文档涉及用于网络管理和故障预测的方法和装置，具体地是用于移动网络的。

背景技术

通信网络的管理(诸如移动网络)很大程度上依赖于使用由运营商或者网络构架师生成和维护的规则集。随着网络在大小、复杂度，以及多样性上的增加，由于过多的人类劳动力需求，该方法变得越来越不可行。为了减低劳动强度，实现从示例数据集得出的自动规则生成——被称为机器学习的过程——是当前最成功的备选方案。

自组织网络(SON)可以使用针对故障检测、校正动作的诊断和部署而生成的规则集，以实现网络的自动化自愈。到目前为止，这些努力主要是在严格的人类监督下进行，并且被集中于反应式的自愈；其后的退化校正已经变得有害/明显。使用描述网络的精确机器学习规则/模型，可以实现更先进的自愈，其中故障在很早的阶段被预测和校正，避免了完全的性能降级。这种概念被称为主动自愈，在其中采取措施以防止故障的发生。

在很多情况下，现成的机器学习算法在它们相应任务中执行性能较差。这是由监测系统生成的数据结构或者这些算法试图建模的系统本身的个案差别导致的。从这个意义上来说，移动网络针对机器学习算法施加了独特的环境，因为通常有大量来自网络外部的影响因素，诸如人类日常行为、天气、用户移动等。移动网络的另一方面是很多不同的元件的互通行为，诸如基站或者网关。使用机器学习算法而不使它们适配于这种独特环境很可能意味着没有充分利用它们的潜能。

移动网络数据是独特的，因为它们展现了复杂的时间、空间和维度相关性，这三者通常全部同时存在。由于目前最强大先进的机器学习算法的构建器是深度神经网络，因此使用它们用于学习和预测移动网络行为是合乎逻辑的想法。针对在移动域中收集的序列数据进行建模的一种选择是递归神经网络(RNN)，具体是长短期记忆RNN(LSTM)。

作为大多数网络优化和自愈用例的基本输入的网络性能管理(PM)数据包括连续的数值(也称为关键性能指标，KPI)。这些值形成了从大量网络元件处的测量中收集的多维数据流。问题是RNN类似于状态机，这使它们更适合于处理量化的或者离散的数据流，诸如书面文本。这种数据结构中的不匹配使直接被用于PM数据时的LSTM的预测准确度下降，从而降低了被用于主动自愈时的早期故障检测的可能性。这种预测式的自愈功能在认知网络管理中是很可取的，因为它们将改进用以在导致服务降级之前检测故障的系统能力。

发明内容

在广泛的方面，本公开提供了一种网络管理装置，包括网络数据接收部件，其被配置用于接收代表网络通信当前状况的网络数据。网络数据可以是测量的数据或者从测量数据得出，并且包括指示网络元件或者通信网络的性能的多个值。通信网络可以是移动网络或者是具有多个网络元件的任何其他类型的通信网络。网络数据可以包括网络的性能管理(PM)数据和/或配置管理(CM)数据。网络数据可以包括多个测量的连续数值(关键性能指标，KPI)。例如，网络数据可以涉及针对由网络处理的语音和/或数据通信的性能指标，并且可以包括针对个体网络元件(例如天线、基站、网关、路由器等)或者整个网络的一下一项或多项：业务指标、吞吐量指标、延迟指标、时延指标、可用性指标、可接入性指标、成功率、失败率等。针对KPI的另外的示例在下文展示。网络管理装置可以直接从其被测量的网络元件、网络管理数据库和/或经由其他网络实体接收网络数据。在该上下文中，网络数据接收部件可以包括数据通信接口和/或数据库接口。