[发明专利]一种蜂窝网络数据异常检测方法

说明书

本发明公开了一种蜂窝网络数据异常检测方法，将网络分成多个区域，每个区域由边缘服务器监控，通过基站获取每个用户的CDR数据，并将获取的CDR数据传输至核心网络；核心网络将获取的CDR数据根据边缘服务器布置，核心网络将属于一个边缘服务器范围内的所有CDR数据进行整合形成一个边缘服务器的网络结构数据集后将形成的网络结构数据集传输至该边缘服务器，然后将网络结构数据集进行预处理形成网格图像，馈送到剩余网络CN模型，输出所识别异常小区的多标签向量，通过边缘服务器获取每个基站中每个用户的CDR数据，减轻了CN对网络中每个小区进行数据分析的巨大计算负担，从而解决了不断升级的小区中断和拥塞问题。

技术领域

本发明涉及到无线通信领域，具体涉及一种蜂窝网络数据异常检测方法。

背景技术

随着移动数据流量、人均连接的移动设备数量和网络容量需求的不断增加，当前的通信网络(4G)变得越来越复杂。毫无疑问，新兴的无线网络(5G)将是人工智能(AI，Artificial Intelligence)辅助的，AI将在网络资源的管理和编排中发挥关键作用。AI算法的大数据类似于发动机的燃料，并且在蜂窝网络的核心网络(CN)、小区和用户层生成。

目前网络运营商正面临这样的挑战，即在降低运营支出(OPEX，OperationalExpenditures)的同时为用户保证足够的服务质量(QoS，Quality of Service)。运营支出提高和收入损失的主要原因之一是造成中断的网络故障升级。实际上，网络维护和运营成本约占总收入的四分之一，其中很大一部分专门用于小区中断，全部中断表示小区功能完全失调，部分中断表示小区服务管理恶化。由于小规模小区的实施、故障和中断可能在5G网络中放大；正如在当前的蜂窝网络中一样，严重依赖于人类专家来手动管理中断是非常困难的。除了中断之外，小区在任何时候都可能会出现异常高的流量需求，这可能会在延迟适当措施时导致拥塞。在流量和容量需求激增的拥挤事件中，由于人口分布、应用工作量和用户行为的急剧变化，网络性能通常会下降，拥塞检测的作用变得至关重要。因此，及时检测激增的流量和小区中断都会被视为异常情况。这对于避免拥塞、保持可接受的QoS和及时恢复小区至关重要。

过去的研究利用各种传统的机器学习技术进行小区中断检测(COD，Cell OutageDetection)；更先进的方案是利用CN处的前馈深度神经网络(DNN)检测单个小区中的异常；5G网络预计有40-50BSs/km²(BS，Base Stations)，对于如此高的BSs数量，如果使用此解决方案检测异常情况的话，CN会出现计算过载的情况，导致计算速度降低和计算结果不精确，容易造成计造成小区中断和拥塞问题不能及时发现反馈，无法有效实现每个小区的网络实时监测。

发明内容

本发明的目的在于提供一种蜂窝网络数据异常检测方法，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种蜂窝网络数据异常检测方法，包括以下步骤：

步骤1)、通过基站获取每个用户的CDR数据，并将获取的CDR数据传输至核心网络；

步骤2)、核心网络将获取的CDR数据根据边缘服务器布置，核心网络将属于一个边缘服务器范围内的所有CDR数据进行整合形成一个边缘服务器的网络结构数据集后将形成的网络结构数据集传输至该边缘服务器；

步骤3)、边缘服务器(ES)将接收到的网络结构数据集进行预处理形成网格图像；