[发明专利]一种基于分布式的网络切片故障检测方法

说明书

本发明涉及一种基于分布式的网络切片故障检测方法，属于移动通信技术领域。该方法包括：S1：构建基于联邦学习的网络切片故障检测架构；S2：建立基于CNN‑GRU网络的无监督故障检测方法；S3：在联邦学习参数上传时，采用top‑k梯度压缩机制进行模型压缩；S4：采用适用联邦学习的自适应优化器进行全局模型聚合。本发明能够在保障故障检测模型准确性的同时，减少通信开销，提高模型泛化效果。

技术领域

本发明属于移动通信技术领域，涉及一种基于分布式的网络切片故障检测方法。

背景技术

网络切片是解决网络僵化、服务定制化和资源高效利用的有效解决方案。但网络切片架构给5G网络带来极大灵活性的同时，也为网络的运维提出了新的要求。随着用户流量的指数级增长和网络结构的日益复杂，目前基于人工的网络运维方式不仅效率低下且成本高昂。为了减少运维支出，提高运维效率，5G网络引入了自组织网络(Self-organizingnetwork,SON)技术，即利用自配置、自优化、自愈合这三个关键功能，实现网络的自我管理。其中，故障检测作为网络性能分析的主体，是实现自愈合措施的首要前提。

随着网络的发展，用户以及多样化的业务需求的不断增长，使得VNFs的功能和类型不断增加，导致网络切片越加复杂变化，发生故障的概率以及检测故障的难度大大增加。因此，针对网络切片的故障检测也愈加重要。

目前，现有的技术中存在着如下的缺点：首先，随着网络规模的不断扩大，连接的设备和数据量呈爆炸式增长，各类业务需求的增加，将导致切片数量也将随之增加，传统的集中式网络切片故障检测将所有的VNFs状态信息集合到一起，将会导致巨大的时延和格外的通信开销。其次，未来网络发展更加注重安全和隐私，并且各基础设置提供商，各服务提供商之间，各类网络切片之间，特别是垂直业务，要求有更高的安全和隐私保障，这种数据隔离带来了数据孤岛的问题，使得各多个虚拟网络功能(Virtual Network Function,VNF)所产生的观测信息无法共享，同时，切片中单个VNF所产生的数据量有限且不全面，训练出来的模型准确性不高且缺乏泛化效果。并且，网络切片中VNF具有很好的灵活性、可调整性，能够适应多变多样的业务需求，而为了满足VNF的这种特性，故障检测模型也需要进行及时的更新，传统依赖人工的模式已不再适用，需要寻求自适应的方法进行故障检测。最后，实际网络运行中，不会产生有标签的网络数据，传统有监督的学习方法无法满足在线更新的要求；因此，针对网络切片环境下的故障检测问题，需要构建在线且无监督的故障检测模型。

发明内容

有鉴于此，本发明的目的在于提供一种基于分布式的网络切片故障检测方法，该方法引入联邦学习框架以解决安全隐私与分布式相结合的问题，提升模型的泛化效果，同时采用基于CNN-GRU的无监督模型以实现网络切片的在线实时故障检测，并采用top-k梯度压缩机制与使用联邦学习的自适应优化器来减少通信开销，优化联邦学习效果。

为达到上述目的，本发明提供如下技术方案：

一种基于分布式的网络切片故障检测方法，首先建立基于CNN-GRU的故障检测方法，通过CNN提取时间序列特征，然后将提取的特征输入到GRU网络中进行故障检测。其次，利用联邦学习框架，使各物理节点间协同训练故障检测模型，以解决隐私保护带来的数据孤岛问题。进一步地，为了使提出的框架更好地适应网络切片故障检测及时性的特点，使用top-k梯度压缩机制以及适用联邦学习的自适应优化器来优化算法。该方法具体包括以下步骤：

S1：构建基于联邦学习的网络切片故障检测架构；

S2：建立基于CNN-GRU网络的无监督故障检测方法；

S3：在联邦学习参数上传时，采用top-k梯度压缩机制进行模型压缩；

S4：采用适用联邦学习的自适应优化器进行全局模型聚合。

进一步，步骤S1中，构建的基于联邦学习的网络切片故障检测架构，具体包括：