[发明专利]一种基于改进局部异常因子的无线节点故障诊断方法

说明书

本发明公开了一种基于改进局部异常因子的无线节点故障诊断方法。本方法结合了局部异常因子算法进行故障定位，以准确度为目标，首先使用动态门限方法获得初步的故障点集，然后在通过改进的局部异常因子算法进行离群点分析，通过添加空间权重函数，消除了特定属性在时间上的突变性和空间上的相关性，通过对初始数据进行调整，避免了不同属性取值范围的差异导致的误差。为了进一步提高算法的准确度，本发明通过两两组合，多次分析的方法获得多组可能的故障点簇，最终通过分析多组数据来获得较为精确的结果。

技术领域

本发明涉及无线通信领域中一种基于改进局部异常因子的无线节点故障诊断方法，适用于容易发生多种故障的网络，并针对不易发现的故障实现准确的定位。

背景技术

随着无线通信技术的发展，以5G为代表的下一代无线通信技术以其高覆盖，低时延，安全可靠和良好的用户体验逐渐替代4G成为新的通信标准。在5G网络中，由于异构动态用户的海量数据流量需求以及高频的用户切入切出，导致用户的服务质量易受影响，而无线云接入网络C-RAN(Cloud Radio Access Networks)被认为是能够解决这一问题的有效架构。C-RAN将基带处理单元BBU(Building Baseband Unit)虚拟化到一个云端资源池中。BBU和远端射频单元RRH(Remote Radio Head)通过高速的前向回传链路连接，可以提供灵活的分布式系统容量，降低网络的总能耗。

5G C-RAN中包含了大量的异构RRH，而单个的RRH覆盖的范围较小，并且其中涉及了多种传输技术和架构方式，包括毫米波，D2D等，因此管理难度大，出现故障的概率也比4G及以前的网络要高，5G网络要求即便在故障发生的条件下，网络中依旧要保持高度的可用性和可靠性，因此，自组织网络SON(Self-Organized Networks)应运而生，SON通过大数据的方式来快速消除故障，其定义了三个领域，自配置，自优化和自治愈。在C-RAN网络架构中，如果一个RRH无法正常工作，会导致网络性能的下降，降低了用户的体验，从而导致运营商的损失。因此，网络的自治愈是当下迫切需要解决的问题。

当前，有关4G LTE网络中的中断诊断和补偿技术已经得到了充分的研究，在很多研究中，采用了诸如机器学习等算法来解决SON中的故障问题，在实例中也取得了一定的成效。但是大多数算法均针对单小区/基站进行操作，收集的数据量非常庞大，难以做到实时和高效。此外，多数的研究主要面向单一数据源采用集中式分析方法，这种策略在5G C-RAN中大量分布式基站的场合下显得效率低下。因此，如何基于分布式的多源数据，实现中断基站的高效快速诊断，是当前需要解决的重要问题之一。

发明内容

本发明所要解决的技术问题在于研究基于改进的局部异常因子算法LOF的网络故障诊断方法，通过收集用户侧和基站侧的设备状态数据，从而查找出可能存在故障的基站，避免了用户服务质量的下降和运营商的损失。

本发明采用的技术方案为：

本发明首先提出了网络的故障信息收集方法，然后在云端针对不同的参数采用异常点检测算法进行检测，将所得到的结果进行分析，从而在其中选择出最有可能出现故障的基站，最后对这些基站进行修复。针对5G C-RAN中基站涉及技术和参数复杂，以及分布式架构所带来的困难，本发明提出了采用改进的局部异常因子算法来提高检测的准确性和效率。

一种基于改进局部异常因子的无线节点故障诊断方法，包括如下步骤：

(1)云端网络管理中心定期收集基站信息和用户设备状态信息并检查网络状况；

(2)当基站发生中断时，基站主动发送故障信息至云端网络管理中心，执行步骤(6)；否则，执行步骤(3)；

(3)云端网络管理中心根据收集的基站信息，通过门限识别故障的基站，初步得到异常基站簇；