一种基于网络体验质量的移动通信网异常检测和定位方法
【专利摘要】本发明公开了一种基于网络体验质量的移动通信网异常检测和定位方法，特征是通过基于网络体验质量的异常检测子系统和异常根因定位子系统，对网络实现实时异常监测和异常定位；在异常诊断部分，从网络综合用户体验的角度，选择三个关键性能指标作为网络诊断特征，采用粗粒度阈值划分及细粒度聚类的方法进行异常分类；在异常根因定位部分，采用累计分布函数匹配的方式获取异常症状特征，在每个类型中进行聚类分析，可以实现不同异常的根因定位；最终构成蜂窝网异常检测和异常根因定位子系统。本发明不仅能够检测出明显异常，还能够检测出潜在异常，并可针对不同异常类型进行异常根因的定位；还可自主学习，不断地提高异常检测和根因定位的准确度。
【专利说明】
一种基于网络体验质量的移动通信网异常检测和定位方法
技术领域
[0001]本发明属于移动通信网络监测与优化技术领域，具体涉及对蜂窝移动通信网体验质量(Quality of Experience，QoE)进行实时监测并对异常根因进行定位的方法与系统，以及监测4G通用移动通信技术的长期演进(LTE)现网及未来移动通信网运行质量和服务水平的处理方法。
【背景技术】
[0002]针对蜂窝移动通信网的网络优化是一项贯穿于整个网络发展全过程的系统工程，也是移动通信网络运营商用以提高网络投资效益、运行质量和服务水平的重要技术手段。异常检测机制是网络优化技术中的一项重要研究内容，可用于发现和定位蜂窝移动通信网络中的异常行为。目前移动通信网络运营商们已经对蜂窝移动通信网开始实施异常检测，所采用的方法主要是对关键性能指标(Key Performance Indicator，KPI)进行监测，然后使用经验阈值对关键性能指标KPI进行硬判决。这种方法的局限性在于只有当全部或部分感兴趣的KPI指标落在正常阈值范围之外时，该机制才认定网络出现异常并报警。分析表明，这种基于KPI阈值的异常检测方法，其检测概率与阈值设定关联性极大，且对落在阈值边缘的异常行为存在较大的虚警和漏警概率，因此往往难以真实的反映网络质量。现有基于KPI阈值的异常检测方法一般缺乏对其他潜在异常行为的发现能力，也无法准确和自动定位异常根因。这种方式通常依赖于熟练工程师的经验来定位已检测出的异常行为的根因。
【发明内容】
[0003]本发明的目的是提出一种基于网络体验质量的移动通信网异常检测和定位方法，通过对关键性能指标(KPI)进行聚类分析，实现基于网络体验质量的异常行为诊断和分类，自动地完成不同异常根因的定位。
[0004]本发明基于网络体验质量的移动通信网异常检测和定位方法，从网络参数出发，判断网络异常与否，其特征在于:采用基于网络体验质量的异常检测子系统和基于网络体验质量的异常根因定位子系统，利用阈值划分和特征聚类进行网络整体的异常分类，同时对网络其余关键性能指标进行聚类分析;具体操作为:
[0005]所述基于网络体验质量的异常检测子系统，首先输入来自通信网无线资源控制器(Rad1 Network Controller，RNC)采集的网络关键性能指标(KPI)，然后从接入性、完整性、保持性三个方面选择对应的网络关键性能指标作为网络整体体验质量，用来反应网络中所有用户的平均用户感知;再采用阈值划分的方式，根据事先设定的上述三类关键性能指标的判决阈值，划分出明显异常、轻微异常以及明显正常三类点；采用自组织神经映射(Self-Organizing Map，S0M)和K中心点算法(K-med1ds)两种聚类算法对轻微异常点和明显异常点再进行细粒度分析:自组织神经映射SOM是一种无监督的学习算法，包含输入层和输出层:输入层对应一个高维的输入向量，输出层由一系列组织在二维网格上的MXN个有序节点构成，输入节点与输出节点通过权重向量连接;学习过程中，找到与之距离最短的输出层单元即获胜单元，对其更新；同时，将邻近区域的权值更新，使输出节点保持输入向量的拓扑特征，最终形成MXN个小类，分别对应不同类型的异常；而K中心点算法是一种经典聚类算法，首先随机选取一组聚类样本作为中心点集，每个中心点对应一个簇;然后计算各样本点到各个中心点的距离，将样本点放入距离中心点最短的那个簇中，计算各簇中距簇内各样本点距离的绝度误差最小的点作为新的中心点;最后如果新的中心点集与原中心点集相同，则算法终止;采用自组织神经映射和K中心点算法算法对轻微异常点和明显异常点对应的异常数据集进行聚类，最终得到K个关键性能指标集合，就是异常类型；
[0006]所述基于网络体验质量的异常根因定位子系统，通过寻找正常点和异常点之间关键性能指标参数的不同，定位异常点的可能原因；首先从异常检测子系统得到的异常点类型出发，对比正常点和异常点之间其余关键性能指标的累积分布函数(CumulativeDistribut1n Funct1n，^F)曲线图，提取对应的异常症状关键性能指标，构建异常症状关键性能指标库;在每个类型中，再次采用K中心点算法对上述获取的症状关键性能指标特征进行聚类，进而得到不同的异常症状列表，通过查找该列表实现根因定位。
[0007]本发明基于网络体验质量的移动通信网异常检测和定位方法采取了通过基于网络体验质量的异常检测子系统和基于网络体验质量的异常根因定位子系统，对网络实现实时异常监测和根因分析;在异常诊断部分，由于从网络体验质量的角度，选择三类关键性能指标作为网络整体诊断特征，采用粗粒度阈值划分以及细粒度聚类的方法进行异常分类，可以有效的避免虚警和漏警，能够检测出明显异常以及潜在异常;在异常根因定位部分，由于对正常点和异常点其余关键性能指标采用累积分布函数匹配的方式，构建异常症状关键性能指标库，并在每个异常类型中进行聚类分析，可以实现不同异常的根因定位。采取本发明方法所搭建的系统还可以自主学习，从而能够不断地提高异常检测和根因定位的准确度。
【附图说明】
[0008]图1是基于网络体验质量的移动通信网异常检测和定位方法的整体结构示意图。
[0009]图2是基于网络体验质量的异常检测子系统B的结构示意图。
[0010]图3是基于网络体验质量的异常根因定位子系统C的结构示意图。
【具体实施方式】
[0011]实施例1:
[0012]本实施例基于网络体验质量的移动通信网异常检测和定位方法，包括采用基于网络体验质量的异常检测子系统和基于网络体验质量的异常根因定位子系统，利用阈值划分和特征聚类进行网络整体体验质量的异常分类，同时对网络其余症状关键性能指标进行聚类分析；
[0013]图1给出了基于网络体验质量的移动通信网异常检测和定位方法的整体结构示意图。本实施例基于网络体验质量的移动通信网异常检测和定位方法具体包括以下步骤:从通信网无线资源控制器(Rad1 Network Controller，RNC)采集的关键性能指标(KeyPerformance Indicator,KPI)，组成关键性能指标库A，作为整个系统的输入。在本实施例1中，关键性能指标库A是河北省承德市移动3G RNC采集的2659个小区的27天的62条关键性能指标。先从接入性、完整性、保持性三个方面，选择对应的关键性能指标，作为网络整体的体验质量(Quality of Experience，QoE)，用来反应网络中所有用户的平均用户感知;本实施例I中选择的是无线接入性、语音质量和业务信道掉话率三类关键性能指标Al。接着，将这三类关键性能指标Al输入异常检测子系统B，得到不同的异常类型B4;最后，将这些异常类型B4和除上述三类关键性能指标Al外的其余关键性能指标A2输入异常根因定位子系统C，得到异常症状列表Dl，通过查找这些列表就可以得到异常根因D。
[0014]图2给出了基于网络体验质量的异常检测子系统B的结构示意图:在本实施例1中，异常检测子系统B输入是关键性能指标库A，首先从接入性、完整性、保持性三个方面，分别选择无线接入性、语音质量和业务信道掉话率三类关键性能指标Al作为网络整体的体验质量，用来反应网络中所有用户的平均用户感知。由于异常的程度不同，同时异常的点数很少，容易淹没在正常点中，因此对数据进行分层分析。首先利用阈值划分BI对关键性能指标库A中的前10000数据点进行粗粒度分类。所谓的粗粒度是指分析问题所达到的精确程度，下面的细粒度也是这个意思。粗粒度分析具体来说是根据事先设定的上述三类关键性能指标Al的判决阈值，得到明显异常、轻微异常以及明显正常三类点。这种粗粒度分析与运营商的硬判决类似，当某些关键性能指标指标低于或高于设定的阈值时，就认定是网络出现异常并报警。本实施例1中分类出明显和轻微异常点合计4079个。然后，对轻微和明显两类异常点B2再进行细粒度分析。这一步主要采用自组织神经映射(Self-Organizing Map, SOM)和K中心点算法(K-med1ds)的混合算法对数据集进行聚类，得到不同的异常类型。所谓的聚类是指对未知类别的群组进行分类的方法，是数据挖掘的一类重要方法，这里用到自组织神经映射(SOM)和K中心点算法(K-med1ds)两种聚类算法。SOM是一种无监督的学习算法，包含输入层和输出层。输入层对应一个高维的输入向量，输出层由一系列组织在二维网格上的MXN个有序节点构成，输入节点与输出节点通过权重向量连接;学习过程中，找到与之距离最短的输出层单元即获胜单元，对其更新；同时，将邻近区域的权值更新，使输出节点保持输入向量的拓扑特征，最终形成M XN个小类，分别对应不同类型的异常。而K中心点算法K-med1ds算法是一种经典聚类算法，首先随机选取一组聚类样本作为中心点集，每个中心点对应一个簇;然后计算各样本点到各个中心点的距离(如欧几里德距离)，将样本点放入距离中心点最短的那个簇中，将各簇中距簇内各样本点距离的绝度误差最小的点作为新的中心点;最后如果新的中心点集与原中心点集相同，则算法终止。采用SOM和K-med1ds算法对轻微异常点和明显异常点对应的异常数据集进行聚类，最终得到K类关键性能指标集合，这就是异常类型B4。联合SOM和K-med1ds的混合聚类算法B2，可以使高维数据转换到二维平面上，具有典型的可视化效果，同时也降低了数据的维度和数据量。本实施例1中采用SOM算法的推荐值10 X 10，对SOM聚类后的类型中心，选择合适的K值(根据操作经验10至20最合适)，用K-med1ds算法，对具有较大相似性的类型进行合并，最终得到K个大的类型(上述三类关键性能指标Al的不同取值的组合)，也就是异常类型B4。新的小区网络的上述三类关键性能指标Al输入这个模块，通过相似性匹配的方式，即首先通过粗粒度划分，再与对应的异常类型中心点匹配，最终可以从异常类型B4中找到所属类型。
[0015]图3是基于网络体验质量的异常根因定位子系统的结构示意图。
[0016]在图3所示异常根因定位子系统结构图中，可以看到整个异常根因定位子系统的结构。首先，对异常检测子系统B中通过阈值划分BI得到的明显正常和明显异常的点的其余关键性能指标A2(即剩余59条KPI)进行异常症状提取Cl。方法是计算正常点和异常点的其余关键性能指标A2的累计分布函数(CDF)，比较两者之间的差异。当某类关键性能指标(KPI)的⑶F存在明显差异时，则可以认为该KPI可能是异常产生的原因。利用这种⑶F比较的方式，构建异常症状KPI库。然后，对异常检测子系统B得到的每个异常类型B4，采用K-med1ds算法对其出现在异常症状KPI库中的KPI进行异常症状聚类C2，进而得到该类异常的不同异常症状列表Dl，即导致该类异常产生的可能的KPI集合。通过查找这些列表就可以得到异常根因D。在实施例1中，首先检测测试数据中每个小区的无线接入性、语音质量、业务信道掉话三类KPI，将其与异常检测子系统的输出异常类型B4进行匹配，得到所属的异常类型。再提取小区其余关键性能指标A2，查找该异常类别下的异常症状列表D1，最终分析出异常根因D。
[0017]从上面实例操作过程的描述和分析过程可知，本发明的输入是采集自网元的网络参数，运算过程是在服务器等硬件上实现，输出则可以以文本或者屏幕显示等方式输出异常与否、异常类型以及异常根因这些结果。
[0018]本发明基于网络体验质量的移动通信网异常检测和定位方法，通过基于网络体验质量的异常检测子系统和基于网络体验质量的异常根因定位子系统，对网络实现实时异常监测;在异常诊断部分，从网络综合用户体验的角度，选择三类关键性能指标作为网络诊断特征，采用粗粒度阈值划分以及细粒度聚类的方法进行异常分类;在网络异常根因定位部分，采用累计分布函数匹配的方式构建异常症状KPI库，在每个异常类型中进行聚类分析，得到异常症状列表，用于定位不同的异常根因，最终构成蜂窝网异常检测和异常根因定位子系统。由于本发明方法采取了对异常类型进行粗细粒度的分层分析，能够检测出明显异常以及潜在异常，并针对不同的异常类型进行异常根因的定位。另外，采取本发明方法所搭建的系统使用的聚类算法还可以自主学习，从而不断地提高异常检测和根因定位的准确度。
【主权项】
1.一种基于网络体验质量的移动通信网异常检测和定位方法，从网络参数出发，判断网络异常与否，其特征在于:采用基于网络体验质量的异常检测子系统和基于网络体验质量的异常根因定位子系统，利用阈值划分和特征聚类进行网络整体的异常分类，同时对网络其余关键性能指标进行聚类分析;具体操作为: 所述基于网络体验质量的异常检测子系统，首先输入来自通信网无线资源控制器采集的网络关键性能指标，然后从接入性、完整性、保持性三个方面选择对应的网络关键性能指标作为网络整体体验质量，用来反应网络中所有用户的平均用户感知;再采用阈值划分的方式，根据事先设定的上述三类关键性能指标的判决阈值，划分出明显异常、轻微异常以及明显正常三类点；采用自组织神经映射和K中心点算法两种聚类算法对轻微异常点和明显异常点再进行细粒度分析:自组织神经映射是一种无监督的学习算法，包含输入层和输出层:输入层对应一个高维的输入向量，输出层由一系列组织在二维网格上的MXN个有序节点构成，输入节点与输出节点通过权重向量连接;学习过程中，找到与之距离最短的输出层单元即获胜单元对其更新；同时，将邻近区域的权值更新，使输出节点保持输入向量的拓扑特征，最终形成MXN个小类，分别对应不同类型的异常;而K中心点算法是一种经典聚类算法，首先随机选取一组聚类样本作为中心点集，每个中心点对应一个簇;然后计算各样本点到各个中心点的距离，将样本点放入距离中心点最短的那个簇中，计算各簇中距簇内各样本点距离的绝度误差最小的点作为新的中心点；最后如果新的中心点集与原中心点集相同，则算法终止;采用自组织神经映射和K中心点算法算法对轻微异常点和明显异常点对应的异常数据集进行聚类，最终得到K个关键性能指标集合，就是异常类型； 所述基于网络体验质量的异常根因定位子系统，通过寻找正常点和异常点之间关键性能指标参数的不同，定位异常点的可能原因；然后从异常检测子系统得到的异常点类型出发，对比正常点和异常点之间其余关键性能指标的累积分布函数曲线图，提取对应的异常症状关键性能指标，构建异常症状关键性能指标库;在每个类型中，再次采用K中心点算法对上述获取的异常症状关键性能指标特征进行聚类，进而得到不同的异常症状列表，通过查找该列表实现根因定位。
【文档编号】H04W24/02GK105873105SQ201610262009
【公开日】2016年8月17日
【申请日】2016年4月22日
【发明人】缪丹丹, 杨渡佳, 秦晓卫
【申请人】中国科学技术大学