[发明专利]一种基于知识和数据融合的蜂窝网络故障诊断方法

说明书

本发明公开了一种基于知识和数据融合的蜂窝网络故障诊断方法，使用基于生成对抗网络(GAN)的方法对真实的数据集进行数据扩充，有效地平衡数据集以及减少标记数据所花费的成本；使用朴素贝叶斯法结合专家知识对网络故障数据集进行预诊断分类任务，并根据预诊断结果生成数据间的关联图，有效地解决了GCN生成的数据间拓扑关联图不精确的问题；将生成的拓扑关联图与训练数据集都输入到GCN模型中进行模型的训练，对GCN模型进行改进使之在训练中能够分别调整预诊断先验知识和训练数据集规模对GCN模型精度的影响。

技术领域

本发明涉及通信网络技术领域，主要涉及一种基于知识和数据融合的蜂窝网络故障诊断方法。

背景技术

随着大数据时代的到来和深度学习等技术的快速发展，人们可以在强大算力的支持下，利用复杂的神经网络模型挖掘和提取海量数据中的关键信息。尤其在复杂的异构网络环境中，成千上万的网络节点每天会产生大量的网络运行信息。在这种网络融合和异构化的发展趋势下，故障诊断是一个关键的研究方向。故障诊断是管理任何网络的主要任务之一。

CN113709779A一种蜂窝网络故障诊断方法,公开了一种蜂窝网络故障诊断方法，将引入的权重矩阵转换为矩阵元素只有0和1的邻接矩阵；研究了异构无线网络的智能故障诊断，结合大数据处理方法分析样本间的相似特性，将已有的网络故障参数数据集转换成图结构数据，利用图卷积神经网络从图结构数据中提取特征，从而完成对于样本节点的分类任务，预测出小区的故障类型。

传统的网络故障诊断主要是通过将网络性能指标的报警信息与专家经验库对比，人工的进行故障的分析和排查，但在如今规模庞大、结构复杂的异构无线网络环境中，基于人力分析的诊断方式会占用大量的人力物力，增加维护成本，因此急切地需要一种动态、自适应的网络故障诊断方法，可以实现在复杂网络环境中对网络故障的精准检测和诊断，有效缓解故障传播造成的服务中断、网络瘫痪等危害，对无线网络的演进具有重大意义，而探索和研究异构网络中更高效、更智能的故障诊断技术势必成为未来异构网络研究的重要课题之一。

由于计算机技术的日益成熟，基于深度学习的故障诊断方法已经在故障诊断领域表现出不俗的实力。作为深度学习的分支，GCN在大数据处理方面表现出优良的性能，GCN现在已经被初步应用到了机械故障诊断领域。基于GCN的网络故障诊断方法在获取数据间的拓扑关联图时首先需要得到数据的特征属性，然后根据特征属性计算相似性从而确定数据集的拓扑关联图。事实上，这种基于谱聚类思想通过数据间的特征属性相似性形成的拓扑关联图比较粗糙且不具有实际意义，在缺乏可解释性的同时难以进一步提高GCN模型分类的精确度。

发明内容

发明目的：本发明提供了一种基于知识和数据融合的蜂窝网络故障诊断方法，不仅可以减少用于标记数据所花费的成本，同时可以提高故障诊断模型的精度。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于知识和数据融合的蜂窝网络故障诊断方法，包括以下步骤：

步骤S1、从密集型异构蜂窝网络环境中采集带有标签的网络状态数据集，通过XGBoost算法，从数据集中选取最优子集；具体选择方法如下：

步骤S1.1、通过XGBoost的特征重要性排序功能得出各特征的重要性分数，并做降序排序；

步骤S1.2、XGBoost根据重要性分数不断提高特征选取阈值，将分数高于该阈值的特征参数保留，反之则丢弃，进而得到不同特征组合下XGBoost模型的准确率。

步骤S1.3、对模型准确率和特征数量进行权衡，得到最优的网络特征参数子集。

步骤S2、将步骤S1中经过预处理的数据集输入生成对抗网络生成带有标签的表征不同网络状态的模拟数据集，并将其与步骤S1中经过预处理后的数据集汇总；