经典案例基于神经网络及粒子群算法的地铁LTE网络异常智能诊断Word文档下载推荐.docx
《经典案例基于神经网络及粒子群算法的地铁LTE网络异常智能诊断Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《经典案例基于神经网络及粒子群算法的地铁LTE网络异常智能诊断Word文档下载推荐.docx(15页珍藏版)》请在冰点文库上搜索。
![经典案例基于神经网络及粒子群算法的地铁LTE网络异常智能诊断Word文档下载推荐.docx](https://file1.bingdoc.com/fileroot1/2023-5/10/fec7b00a-9324-4d4b-82ed-b6993e7b5637/fec7b00a-9324-4d4b-82ed-b6993e7b56371.gif)
而本文结合神经网络在故障诊断领域的应用,把神经网络技术引入到LTE网络异常诊断中,同时通过粒子群算法迭代算法,拟合相关指标关联权值和最优指标门限,以得到一种通过关联相关指标和最优指标门限的逼近神经网络的判别方法。
基于用户感知数据的智能诊断方法可以回溯用户使用网络过程中的状态,结合神经网络判决用户业务感知数据的优劣,通过质差派单和派单恢复算法,更加合理的筛选出问题网元。
图1神经网络学习过程
算法实现步骤如下:
1RBF神经网络训练:
通过样本数据对RBF神经网络进行训练,经过训练后得到RBF神经网络可以实现对测试数据的优/劣性进行区分,最后将测试数据的优劣性进行归类,将经过训练并满足最小误差的神经网络进行保存;
2、地铁整条线路LTE网元下的用户感知数据的判别:
通过训练并经过粒子群算法优化的神经网络应用到整条线路的数据判别,对每条用户感知数据进行识别和判决;
3、结合的告警派单:
最后结合得到的指标门限值,对地铁全线网元的用户上网记录(DPI数据)进行判别,对用户感知数据异常(质差率)占比较高的地铁LTE网元进行异常告警派单,最终实现对地铁全线LTE网元异常日常实时监控和告警,实现地铁场景下LTE网络异常的自诊断和告警,最终实现提升地铁场景下LTE网络用户的整体业务感知水平。
图2基于神经网络算法的质差小区分析过程
2.2基于粒子群优化的RBF神经网络
粒子群算法是一种基于种群的随机搜索算法,通过模拟鸟群的飞行过程中的协作行为,设计粒子间的相互协作及信息共享机制,并记忆自身及群体的历史运动信息,来协助当前的运动行为,从而更好地在复杂空间中寻优。
粒子群算法相对于其他算法具有并行、迭代简单和收敛速度快等优点,已经广泛应用于神经网络的训练。
粒子群算法可以对单目标或多目标通过迭代寻找全局最优值,相对其他智能算法,具有参数少、全局寻优能力强等特点,粒子群算法可以应用在函数寻优、神经网络参数优化等方面。
本文针对RBF神经初始权值的选择和梯度算法收敛速度慢等缺点,提出了一种通过粒子群算法优化RBF神经网络参数的方法,通过迭代神经网络中实际输出与期望输出之间的方差(适度函数),调整RBF神经网络的相关参数,实现RBF神经网络参数的最优化。
(1)采用RBF神经网络算法的用户数据判别
首先以用户感知数据(各指标项及相关值)作为神经网络的输入,用户感知数据指标项包括:
页面类指标和视频类指标,包括页面打开时延、页面打开成功率、首包时延等页面类指标和视频下载速率的优良率等。
样本数据以实际正常网元和质差网元的用户数据为基础,输出以感知好(以0作为替代)和感知坏(1作为替代);
其次确定RBF神经网络的结构采用输入层、隐含层和输出层的三层结构;
随后通过样本数据对既定的神经网络进行训练,达到预设的误差要求后停止训练,本发明中停止训练的条件为期望值和实际输出值的均方差不超过0.2;
样本训练结束后保存网络。
保存后的该神经网络可以准确的判别输入的用户感知数据的优劣情况。
RBF神经网络的计算流程如下图:
图3算法计算流程图
(2)基于粒子群算法优化的RBF神经网络
尽管RBF神经网络可以实现对地铁LTE网络质差的建模,其存在固有特性问题:
神经网络的初始权值的选择和梯度算法收敛速度慢等缺点。
为了解决上述问题,本创新提出了基于粒子群优化算法和RBF神经网络的LTE用户业务感知数据判别的方法,并将粒子群优化算法用于RBF神经网络的训练,有效地提高了神经网络的权值最优化问题,提高了神经网络的收敛速度和收敛精度。
粒子群优化算法中,每个粒子都可以看作是一个解向量,对于RBF神经网络,径向基函数的中心、基宽以及网络的权值就构成了一个基本粒子。
若RBF神经网的径向基函数中心数为m,每个中心的维数为n,则粒子的维数应为m×
n即粒子的位置和速度均为m×
n维的向量。
假设在D维搜索空间中,粒子群由m个粒子组成。
其中,第i个粒子在D维空间中的位置可以表示为:
第i个粒子所经历过的最好位置可以表示为
,每个粒子的飞行速度可以表示为:
,粒子迭代过程如图:
图4粒子迭代过程
考虑到RBF神经网络的训练目的就是通过调整相关参数使网络的实际输出与期望输出的均方误差最小。
因此,选取神经网络的均方误差作为适应度函数:
(公式1)
粒子根据个体最优位置Pid和群体最优位置Pgd,按照式下面两式对粒子的速度和位置进行更新。
(公式2)
(公式3)
式中,i表示第i个粒子;
d表示微粒的第d维;
k表示第k代;
w为惯性因子;
c1和c2为学习因子;
r1和r2是[0,1]区间的随机数。
图5算法流程图
2.3适用于地铁场景质差网元的判别门限
根据算法得到用户业务感知的指标判别门限,根据判别的结果制定告警派单规则如下:
1、网元下用户业务感知采样次数达到一定的阈值N,保证数据的有效性,本次根据在地铁LTE网元的场景下经验统计,选择的采样次数超过200次以上;
2、结合粒子群算法优化的神经网络模型每周进行一次训练更新,保持判别算法的更新;
3、如果网元的采样次数超过200次以上,发生以下异常中任一项均统计为质差网元,并对其进行派单:
(1)网元中质差用户感知记录(质差率)超过80%;
(2)与上周统计相比质差率增加20%以上,且劣化幅度排全线路TOP10;
(3)网元质差率在全线路排TOP10;
结合应用情况制定告警恢复规则如下:
1、同样网元需要在采样次数达到一定的阈值N,保证数据的有效性,选择的采样次数同样需要超过200次以上;
2、如果网元的采样次数超过200次以上,且发生以下中任意一项的变化视为告警解除:
(1)该质差网元的质差率低于10%;
(2)该质差网元与质差周相比,其质差率降低了20%以上,且连续两周不在全线路TOP20质差清单中。
3、南京地铁1号线的应用与推广
南京率先在地铁1号线中使用该方法进行了应用,地铁LTE网络故障诊断系统采用神经网络来构建故障诊断模型,它具有很好的容错性和鲁棒性,能够实现输入与结果输出的非线性的对应关系,可在故障症状和故障原因之间构建神经网络模型进行故障诊断。
在诊断模型的设计中,输入层节点者采用地铁LTE网络KQI来表示(如时延类和速率类等指标),输出层节点用(0,1)来表示(直接表示是否存在障碍),每一个输出隐藏层节点个数由根据输入层和输出层节点个数调整设计,具体的各项参数的设置和选择下文将详细介绍。
3.1基于用户业务感知数据源的RBF神经网络训练
(1)RBF神经网络参数设置与选择
Ø
神经网络的输入:
输入的数据源是一定时间长度的网络历史KQI数据,选择地铁场景中网元的KQI指标项作为神经网络的输入项X,选择与用户体验较明显的KQI指标:
首包时延(X1)、页面打开时延(X2)、网页下载速率(X3)、视频下载速率等(X4)。
输入指标释义如下:
表1各类KQI指标表格
业务类型
网页浏览类业务
视频业务
业务包含指标
网页打开时延
首包时延
网页下载速率
视频下载速率
计算方法
页面打开时延(APP)=终端或服务器端向对端发送的首个[FIN.ACk]消息的时间点-终端向网页发起连接请求的时间点
客户端发起第一个HTTPGet/Put到收到服务器端第一个下行数据包的时延
网页下载速率=Min(X,实际大小)/网页下载的时间
视频下载速率=Min(X,实际大小)/视频下载的时间
RBF神经网络的参数选择(RBF神经网络)
RBF神经网络的参数主要需要确定神经网络输入层、隐藏层和输出层的节点个数,其中输入层节点个数由诊断所需的输入的KQI指标项个数来确定,输出层节点个数由诊断的故障类型数来确定,隐藏层节点数可根据经验公式
,其中ɑ的取值范围为[1,10],Ninput为输入层节点数,Noutput为输出层节点数。
其中本文中Ninput为4个关键KQI指标项,Noutput为输出结果1个输出量表征结果的好与差,本创新根据经验值,ɑ选择为7,故N=10,RBF神经网络的三层结构为4-10-1的结构。
诊断结果输出
诊断结果输出通过结合RBF神经网络模块来使用,主要用于解析RBF神经网络的输出结果,输出最终的诊断结果。
本次输出主要需要表征输出结果的好与差,只需要通过1位(0/1)表征结果的好与差。
表2诊断结果输出
神经网络输出
结果表征
1
好
差
(2)RBF神经网络训练
训练样本的选择:
对于神经网络来说,训练样本越完备,越有利于故障的诊断。
故障案例和网优工程师的经验知识是构造训练样本的数据来源。
南京1号线地铁选择(5月8日~5月14日)一周共有记录用户约30多万个,在本实施案例中选择的样本数据源为南京地铁LTE网元中各用户记录的业务感知的综合优良率TOP2000数据记录和综合优良率最后TOP2000组分别作为优良样本和质差样本。
3.2基于粒子群优化算法的神经网络参数的优化
参数选择
对于基于粒子群优化算法和RBF神经网络对用户数据的评价方法,依据经验值,选取粒子群的规模为50,惯性因子ʷ为1.2,c1和c2为1,r1和r2取为[0,1]区间的随机数,迭代次数为200次,将粒子群优化得到参数作为RBF神经网络的参数,实现对地铁场景的LTE网元的用户感知数据建模,进而对网元中的每条用户感知数据进行评价。
3.3实验结果分析:
本次学习共选用南京地铁1号线中(5月8日~5月14日)LTE网元各用户记录的业务感知的综合优良率TOP2000数据记录和综合优良率最后TOP2000组分别作为优良样本和质差样本。
样本数据部分数据类型如下:
表3样本数据
IMSI
http首包时延优良率
http页面时延优良率
http网页速率优良率
视频下载速率优良率
综合优良率
输出
46*****13
92.58
82.48
78.46
93.29
87.6572
83.51
75.77
77.97
93.99
84.9792
图6训练误差曲线图
经过学习后利用粒子群算法对神经网络的参数进行优化,得到最优的神经网络参数,利用优化过后的神经网络对地铁1号线全线进行数据分析,共分析数据源120多万条,筛选出如玄武门开段室分、新街口开段室分等质差网元,根据派单规则对其中11个进行了派单优化处理。
质差派单网元如下:
表3质差网元举例
派单网元
http浏览时延优良率
质差率
NJL1HTC江宁_双龙大道站至河定桥站左线开断16室分RRU_XF_2_C
88.34
86.378
89.1
55.56
65.1
NJL1HTB玄武_鼓楼-玄武门轨行区19#开段下行室分RRU_XF_3_B
78.2
75.938
81.18
66.3
60.3
NJL1HTC秦淮_中华门-三山街轨行区11#开段上行室分RRU_XF_1_B
83.09
76.667
80.9
69.12
71.4
NJL2HTC秦淮_中华门-三山街轨行区11#开段下行室分RRU_XF_50_B
81.34
74.962
81.09
75.78
84.1
NJL3HTC秦淮_地铁一号线中华门-三山街隧道开段10室分RRU_B1F_49_B
84.72
79.029
78.68
79.64
75.2
NJL1HTB玄武_鼓楼-玄武门站18#开段上行室分RRU_XF_4_B
77.57
74.894
81.39
77.48
66.2
NJL2HTB玄武_新街口-珠江路轨行区15#开段下行室分RRU_XF_53_B
88.76
85.895
85.1
71.43
89.5
NJL2ZOC江宁_校园-医科大学教学楼_51_C
81.23
78.146
75.12
82.95
67.6
NJL2HTC雨花_天隆寺地铁站室分RRU1_B1F_52_B
76.91
73.754
80.65
92.83
59.4
NJL2HTB江宁_河定桥地铁站室分RRU3_B1F_51_B
79.27
74.704
79.18
90.2
62.1
NJL3HTC秦淮_地铁一号线新街口通风机房室分RRU_XF_55_B
82.35
79.458
70.69
88
71.1
经过今年4月份该系统投入使用以来,南京1号线地铁共派单质差网元54个,其中闭环35处。
经过对质差派单扇区的优化处理,南京1号线整体感知优良率从78%提升到89.1%。
4、应用推广分析:
在南京1号线全线使用该方法后,南京地铁2号线、3号线等共6条线路均使用了该方法进行质差网元派单,各条线路分析数据源数量如下:
表4南京地铁线路推广应用
地铁线路
分析数据源数量
(用户业务感知数量)
地铁1号线
32万
地铁2号线
27万
地铁3号线
25万
地铁4号线
6万
地铁10号线
5万
地铁S1
2万
地铁S8
3万
计实现派单:
RSSI类感知速率低问题已集中整改室分164处,闭环125处;
过忙类感知问题已完成扩容室分设备551台,其中2.1G扩容502台,2.6G扩容49台。
优化后各条线路的业务感知优良率均有明显提升,各条线路的感知提升情况如下:
表5南京地铁整体感知提升
年初优化前
当前优化后
78
76
88.27
76.3
89.11
69.1
88.26
75.8
89.65
79.2
88.71
79.4
88.8
5、结语:
本文提出的基于神经网络及粒子群算法的地铁LTE网络异常智能诊断方法是一种应用在地铁场景中,对质差LTE网元的自诊断分析方法,其以用户业务感知数据为数据源,结合机器学习的方法,获得质差判断门限,根据判别门限对网元进行判别。
通过智能的诊断方法可以科学有效地找出质差网元,提高质差网元发现和处理的效率。
作者简介: