[发明专利]一种基于边缘计算模型的小基站监控装置及方法

说明书

本发明提供一种基于边缘计算模型的小基站监控装置及方法，其中监控装置包括原始数据分类模块和机器学习模型，原始数据分类模块将小基站产生的数据进行分类并发送给机器学习模型，机器学习模型利用不同的模型对接收到的分类的数据进行分析，将分析结果上报给网管。本发明采用机器学习技术，能够在大量无效的数据中根据模型识别出精确的故障结果和预测业务量的变化，有效降低小基站网管的负荷，提供更精准的状态监控及故障定位，并能根据既定策略采取自动恢复措施。

技术领域

本发明涉及基站监控技术领域，特别涉及一种基于边缘计算模型的小基站监控装置及方法。

背景技术

5G时代，随着部署频段越来越高，单个基站的覆盖范围变小，因此需要密集的基站覆盖，同时，高频信号的穿透能力减弱，因此室内覆盖成为亟待解决的难题。小基站成为5G时代增强网络覆盖能力的新选择。

随着面向商用的4G/5G O-RAN双模开放设计云化小站方案等技术的发布，以后每个家庭一个小基站或成为趋势，这种网络覆盖方式有望真正打通5G落地的“最后一公里”。

随着市场和运营商的共同努力，可见在不久的将来小基站的数量会大幅增加，于此带来的是对小基站设备的监控及正常运维难度的增加。

小基站部署的环境和宏站不同，不受运营商的控制，更多是受到不可预料的电力、网络及用户的自主行为的影响。

小基站数量的大幅增加及小基站的在线模式使得传统的网络管理模式已经不再适合，被管理网元物理上和逻辑上的关联性越来越多，单一的故障往往会在相关的网元中产生大量的告警信息，使得故障的识别和定位变得困难，在多个故障并发时，情况变得更加复杂。管理员面对海量的告警信息，往往很难从中找到故障的真正原因，从而无法快速实施故障修复和故障排除。

在此种情况下有必要提供一种智能监控方式，提升告警的准确性和自动恢复的功能。

发明内容

有鉴于此，为了解决现有技术的问题，本发明提供一种基于边缘计算模型的小基站监控装置及方法，能够有效降低小基站网管的负荷，提供更精准的状态监控及故障定位。

本发明的技术方案如下：

第一方面，本发明提供一种基于边缘计算模型的小基站监控装置，包括原始数据分类模块和机器学习模型，原始数据分类模块将小基站产生的数据进行分类后，发送给机器学习模型，机器学习模型利用不同的模型对接收到的分类后的数据进行分析，将分析结果上报给网管。

进一步的，所述的原始数据分类模块将小基站产生的数据分为告警数据、控制面、用户面和监控数据。

进一步的，所述的机器学习模型包括自动告警关联及根因识别模型、话务量预测模型、用户离网预测模型和数据缓存模块；

数据缓存模块用于接收原始数据发送过来的分类后的数据，并将分类后的数据转发给自动告警关联及根因识别模型、话务量预测模型或用户离网预测模型；

自动告警关联及根因识别模型：接收告警数据，并对告警数据进行过滤、合并和根因判断，从告警数据中给出概率最高的故障判断，上报给网管；

话务量预测模型：接收控制面的数据，通过历史的控制面数据来推测业务量是否会有爆发现象，并上报给网管；

用户离网预测模型:接收用户面数据，从用户设备的使用情况判定用户是否正常离线，并上报给网管。

第二方面，本发明提供一种基于边缘计算模型的小基站监控方法，包括以下步骤：

步骤S1、小基站产生的数据发送到原始数据分类模块，原始数据分类模块把小基站产生的数据根据数据源和处理流程进行分类；

步骤S2、原始数据分类模块将分类后的数据发送给机器学习模型；