[发明专利]一种5G网络服务质量异常监测和预测方法及系统

说明书

本发明提出一种5G网络服务质量异常监测和预测方法及系统，属于通信网络技术领域。所述系统包括：数据采集模块：用于采集5G网络服务质量数据和网络KPI性能监测数据；数据处理模块：用于对所述网络服务质量数据进行预处理并进行标记；Qos数据存储模块：用于存储所述标记后的网络服务质量数据；模型训练模块：建立有监督机器学习模型，训练得到QoS异常监测器和QoS异常预测器；QoS异常监测器：监测当前5G网络服务质量数据；QoS异常预测器：预测未来5G网络服务质量数据异常；QoS策略决策模块：用于标记和存储异常数据，报告异常结果。本发明可为5G网络用户的服务质量保证，提高服务质量。

技术领域

本发明属于通信网络技术领域，具体涉及一种基于决策树的5G网络服务质量异常监测和预测方法及系统。

背景技术

网络服务质量(QoS，Quality of Service)是保证网络性能的必要支撑，传统的网络服务质量保证采用区分服务Diffserv模型或者集成服务Interserv模型。Diffserv无法保证全局优化，Interserv模型涉及到复杂的信令控制，因此导致现有网络只能提供尽力而为的服务质量而无法提供服务质量的保证。

在海量设备连接，超高流量密度、超高连接数密度和超高移动性场景下，5G网络如何满足用户服务存在巨大挑战，传统的网络服务质量架构无法适应复杂、动态的5G网络应用场景。

发明内容

鉴于此，本发明提出一种5G网络服务质量异常监测和预测方法及系统，用于监测网络服务异常，提高网络服务质量。

本发明第一方面，提出一种5G网络服务质量异常监测和预测方法，所述方法包括：

S1、采集5G网络服务质量数据和网络KPI性能监测数据，所述网络服务质量数据包括用户终端数据、接入网数据、核心网数据；

S2、对所述网络服务质量数据进行预处理并进行标记；

S3、将所述标记后的网络服务质量数据存储至QoS数据库；

S4、将所述QoS数据库中所述标记后的网络服务质量数据作为数据集，构建有监督机器学习模型，利用所述数据集对所述有监督机器学习模型进行训练，得到QoS异常监测器和QoS异常预测器；

S5、采用所述QoS异常监测器实时监测当前5G网络服务质量数据，将监测到的异常数据发送至QoS策略决策模块；

S6、采用所述QoS异常预测器预测未来5G网络服务质量数据异常，将预测到的异常数据发送至QoS策略决策模块；

S7、所述QoS策略决策模块标记和存储所述异常数据，更新QoS数据库，报告异常结果并根据所述异常数据作出决策决定，驱动所述决策决定执行。

可选的，步骤S1中：所述用户终端数据包括：用户终端的硬件数据、软件型号版本，安装的应用，终端位置、移动方向、速度，消耗的CPU、内存资源、告警日志；所述接入网数据包括：基站分布、天线信道模式、频谱使用、物理资源虚拟资源使用情况、空口信令、告警日志；所述核心网数据包括：用户服务质量约定，网络切片资源使用，核心网信令、告警日志；所述网络KPI性能监测数据包括：网络带宽、时延、抖动。

可选的，述步骤S2的具体过程为：对采集到所述网络服务质量数据的进行清洗、统一格式，结合所述网络KPI性能监测数据对所述网络服务质量数据进行标记，所述标记包括正常和异常。

可选的，所述步骤S4中，所述有监督机器学习模型采用决策树算法。

可选的，述步骤S6中，所述QoS异常预测器根据当前5G网络服务质量数据和历史5G网络服务质量数据来预测未来5G网络服务质量数据异常，所述历史5G网络服务质量数据为所述QoS数据库中保存的历史网络服务质量数据记录。