[发明专利]一种基于卷积神经网络的故障检测与诊断方法

说明书

本发明提出了一种适用于异构无线网络的基于卷积神经网络的故障检测与诊断方法。本发明利用基于卷积神经网络的诊断模型，以提高故障诊断准确率为目标，使用ReliefF和互信息方法，选取合适的特征参数输入诊断模型中做故障分类；筛选出有用的网络参数，选择最佳特征组合作为故障检测阶段的输入参数，进一步判断网络中是否存在故障小区；最后利用卷积神经网络诊断模型定位故障的根本原因；本发明可以在故障检测阶段选择最佳的特征组合作为输入参数，降低特征维度，从而提升计算效率和节约网络计算资源。

技术领域

本发明涉及异构无线网络通信技术领域，主要涉及一种基于卷积神经网络的故障检测与诊断方法。

背景技术

近年来移动通信行业正发生着巨大的变化，可以预见在不久的将来无线通信系统不仅应该连接人类，还应该连接机器，车辆和传感器等。为了满足不同类型的业务需求，下一代无线网络的发展趋势必将是集成LTE，WLAN和5G等多种无线接入技术(RAT,RadioAccess Technology)的异构无线网络(HWN，Heterogeneous Wireless Network)。在复杂的异构无线网络的背景下，迫切需要一种动态和自适应的网络管理方法。而故障管理是网络管理的重要方面之一，它可以分为故障检测和故障诊断两部分。故障检测就是根据观察网络症状来识别有故障的小区，故障诊断就是对故障的原因进行识别。

针对上述需求，使用图论、模型遍历技术和人工智能等方法对计算机网络中的故障进行建模以实现对故障的检测和定位。然而，最近许多研究人员越来越关注研究无线网络故障的智能检测和定位算法。与计算机网络中的故障定位相比，由于多个无线网络的覆盖共存和无线信道的广播特性，无线网络中的故障定位也变得更加复杂。有人针对分布式故障检测中的配置开销和链路负载过大的问题，提出了一种具有自适应探测间隔的故障检测模型，可以根据探测响应时延和丢包率的变化动态改变探测间隔。也有人通过改进基于动态贝叶斯网络的推理算法，在略微降低诊断准确性的情况下，大大降低了算法的计算复杂度，解决了大规模IP动态网络故障诊断耗时长的问题。

在无线网络中，以往网络故障的自动检测和诊断仅针对完全中断的情况，在性能降低情况下的诊断分析还需要人工处理，针对此问题提出了对关键性能指标(KPI,KeyPerformance Indicators)等级化，通过对之前的故障案例分析形成报告，并设计了一个以KPI等级和报告为输入参数的得分系统以实现网络故障的自动检测和诊断,但是随着网络复杂性的增加，故障报告数据库的建立将是一个挑战。

可是随着网络规模和复杂性的增加，迫切地需要更多智能的算法从数据中提取有用信息。上述方法大多采用的网络故障诊断指标都是由OAM提供的KPI和警报，而还有人提出一种将KPI与用户上下文信息相结合的指标，可以有效提高诊断的准确度。或是在用户侧建立一个QoE异常检测和诊断框架,利用两边KS-test算法计算当前QoS与数据库中QoS的距离来判断QoE是否异常，再利用等价类的序列检测(SPADE,Sequential Pattern Discoveryusing Equivalence classes)方法诊断出QoE异常的原因。

发明内容

发明目的：本发明旨在提供一种基于卷积神经网络的故障检测与诊断方法，该方法用于异构无线网络中在诊断时延和诊断准确率上都有更好的性能，提供了基于ReliefF(Relevant Features)和互信息方法选择最佳特征组合作为故障检测阶段的输入参数，从而判断网络中是否存在故障小区；最后利用基于CNN的故障诊断模型定位故障的根本原因。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于卷积神经网络的故障检测与诊断方法，包括故障检测和故障诊断两部分，具体包括以下步骤：

步骤1、针对具体网络场景分析发生的故障原因的种类，筛选出相关网络参数，包括覆盖与信道质量指标、接入性指标、保持性指标、移动性指标和业务量指标；