一种基于深度学习和知识图谱的蜂窝网络故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115734274A(43)申请公布日2023.03.03(21)申请号202211519142.X(22)申请日2022.11.30(71)申请人南京邮电大学地址210023江苏省南京市鼓楼区新模范马路66号(72)发明人朱晓荣潘庆亚(74)专利代理机构南京正联知识产权代理有限公司32243专利代理师姜梦翔(51)Int.Cl.H04W24/08(2009.01)G06F16/36(2023.01)G06N3/0442(2023.01)G06N3/047(2023.01)G06N3/08(2019.01)权利要求书3页说明书9页附图3页(54)发明名称一种基于深度学习和知识图谱的蜂窝网络故障诊断方法(57)摘要本发明涉及通信网络技术领域，是一种基于深度学习和知识图谱的蜂窝网络故障诊断方法，使用图卷积神经网络GCN的方法对网络告警数据进行预诊断，该方法考虑了告警数据之间的相关性，有效地提高了网络故障诊断的准确率；使用长短期记忆网络LSTM和条件随机场CRF对非结构化知识进行抽取，使用爬虫技术对半结构知识进行抽取，最后融合结构化数据、半结构化数据、非结构化数据构建一个全面的面向5G网络的故障知识图谱；使用已构建的知识图谱对图卷积神经网络的诊断结果进行验证和推理，该方法考虑了告警与故障之间的复杂关系以及故障与原因、方法之间的关系，极大地提高了网络故障诊断准确率、降低了网络运维的门槛、提高了网络运维效率。CN115734274ACN115734274A权利要求书1/3页1.一种基于深度学习和知识图谱的蜂窝网络故障诊断方法，其特征在于，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；步骤S2、将步骤S1中选取出的最优子集映射为一个无向图G＝(V,E)，其中V是节点集，E是边集，并根据数据集构建特征矩阵X，邻接矩阵A；步骤S3、将步骤S2中构建好的特征矩阵和邻接矩阵输入到GCN模型中，得到预诊断结果；步骤S4、从密集型异构蜂窝网络管理系统中获取结构化数据、半结构化数据、非结构化数据，使用LSTM和CRF模型对非结构化数据进行知识抽取，使用爬虫技术对半结构化数据进行知识抽取，最后基于三维数据构建一个故障知识图谱；步骤S5、将步骤S3输出的预诊断结果输入到步骤S4已构建的故障知识图谱中，得到最终的网络故障诊断结果以及可解释性报告。2.根据权利要求1所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法，其特征在于，所述步骤S1中通过XGBoost算法，从数据集中选取最优子集的具体选择方法如下：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。3.根据权利要求2所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法，其特征在于，所述步骤S2中根据数据集构建特征矩阵X，邻接矩阵A具体步骤为：步骤S2.1、根据数据集构建特征矩阵X∈n×k，如下式所示：其中，k表示该数据集有k个关键性能指标KPI，n表示数据集的样本个数，KPIm,k指第m条样本第k个KPI的值；步骤S2.2、构建一个标签矩阵Y∈Rn×c表示数据集中的样本的标签类别，如下式所示：其中，c表示数据集的故障类型数，n表示数据集的样本数；步骤S2.3、构建一个邻接矩阵A∈Rn×n用以表示节点之间的连边关系。2CN115734274A权利要求书2/3页4.根据权利要求3所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法，其特征在于，在所述步骤S2.2中，设定c为6，分别为正常情况、上行干扰、下行干扰、覆盖空洞、空口故障、基站故障，其中C1,2＝1∪C1,i(1≤i≤c)＝0表示第一条数据样本的故障类型为上行干扰。5.根据权利要求3所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法，其特征在于，在所述步骤S2.3中，选择使用高斯函数来计算任意两两样本节点之间的相似性度量si,j(0≤si,j≤1)，如下式所示：其中，δ＝1被称为高斯函数带宽参数，当xi和xj彼此间的欧式距离越近，则表示图中第i个节点和第j个节点就越相似，si,j就越大，反之，si,j就越小；初始化设置一个阈值α，若节点相似性度量si,j大于等于阈值α，则邻接矩阵中对应元素Ai,j＝1；反之，则Ai,j＝0，最终得到所需要的邻接矩阵A如下式所示：6.根据权利要求4或5所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法，其特征在