[发明专利]一种质差小区网络故障检测方法及装置

说明书

本发明公开了一种质差小区网络故障检测方法及装置，获取质差小区的网络特征参数组；根据网络特征参数组和网络故障类型生成第一数据集；将第一数据集作为输入数据，输入到变分自编码器网络，并得到第二数据集；通过变分自编码器网络计算每个第二数据组与对应的第一数据组之间的基于重建概率的误差值；确定最小的误差值对应的网络故障类型，并将其作为质差小区的网络故障类型；本发明可以提升网络故障检测的准确性。

技术领域

本发明属于网络故障检测技术领域，尤其涉及一种质差小区网络故障检测方法及装置。

背景技术

由于网络规模的扩大和数据量的急剧增加，网络故障的出现以及其对网络性能的影响越来越大，对于网络优化自动化的需求在逐步提高。在移动网络中，最差小区是指服务性能指标最差的小区，一个正常运行的移动网络系统，整体的服务性能指标是符合标准的，但由于各种原因，如系统设备故障或质量问题、用户呼叫行为异常与外界干扰等原因，有些小区与大多数小区相比较，服务性能差。按数据挖掘概念中其可视为孤立点，即为性能差的孤立小区。将孤立的性能差的小区挖掘出来，分析其性能差的原因并加以解决，对于提高整个网络的性能指标有重大的意义。

根因分析Root cause analysis(RCA)，即问题发生的成因分析，是移动通信网络优化中一个十分重要的过程。传统的根因分析没有系统的知识库、缺乏典型案例数据集，主要依靠工作人员的经验知识，通过手工操作，具有速度慢、精度低等缺点，这些不利因素，都限制了根因分析技术的发展。

发明内容

本发明的目的是提供一种质差小区网络故障检测方法及装置，以网络关键技术指标(KPI)的多维特征作为输入，再采用机器学习中的变分编码器-解码器实现质差小区故障成因问题的检测，可以提升网络故障检测速度和检测精度。

本发明采用以下技术方案：一种质差小区网络故障检测方法，包括以下步骤：

获取质差小区的网络特征参数组；

根据网络特征参数组和网络故障类型生成第一数据集；其中，第一数据集包括若干个第一数据组；

将第一数据集作为输入数据，输入到变分自编码器网络，并得到第二数据集；其中，第二数据集中的第二数据组与第一数据集中的第一数据组一一对应；

通过变分自编码器网络计算每个第二数据组与对应的第一数据组之间的基于重建概率的误差值；

确定最小的误差值对应的网络故障类型，并将其作为质差小区的网络故障类型。

进一步地，误差值为变分证据下界，具体通过以下公式计算得出：

其中，KL为散度，q_φ(z|x)为变分自编码器网络中的编码器输出的后置概率，p(z)为所述变分自编码器网络中隐变量z的概率分布，p_θ(x|z^(l))为变分自编码器网络中的解码器根据第l次采样z^(l)输出的前向概率，L为采样次数。

进一步地，散度通过以下公式计算：

其中，KL[q_φ(z|x)||p_θ(z)]表示概率分布q_φ(z|x)和p_θ(z)的散度，E表示求数学期望运算，p_θ(z)表示基于变量θ描述的p(z)，θ是所述变分自编码器网络的参数权重。

进一步地，确定最小的误差值对应的网络故障类型包括：

根据误差值选择第一数据组；

根据第一数据组确定网络故障编码；

根据网络故障编码确定网络故障类型。