基于多維關聯(lián)的移動網(wǎng)絡狀態(tài)分析研究.pdf

1、近幾年來，移動用戶的急劇增加，多樣化的終端接入，數(shù)據(jù)業(yè)務的爆炸式增長，變革了移動網(wǎng)絡的架構、技術等各方各面的發(fā)展，使得網(wǎng)絡環(huán)境變得多樣化、復雜化，運營商對于網(wǎng)絡維護管理的復雜度，難度也隨之增加。因此，為了降低移動網(wǎng)絡運維管理的人工成本，提高網(wǎng)絡的操作和維護性能，智能化網(wǎng)絡運維成為未來移動網(wǎng)絡運維的發(fā)展的必然趨勢。移動網(wǎng)絡狀態(tài)分析作為智能化運維中的重要環(huán)節(jié)，包含發(fā)現(xiàn)問題、問題定界等方面的研究，具有極大的應用價值。因此，本文圍繞移動網(wǎng)絡狀態(tài)

2、分析展開，以多維關聯(lián)分析作為理論基礎，重點解決網(wǎng)絡異常狀態(tài)識別以及流量狀態(tài)預測兩大關鍵問題，具體研究內容包括以下幾個方面:
　　第一，本文針對移動網(wǎng)絡KPI異常狀態(tài)檢測問題，引入基于密度聚類的異常檢測方法，提出一種基于核密度的局部密度多維異常檢測方法，從無監(jiān)督學習的角度實現(xiàn)網(wǎng)絡自動化異常檢測功能。通過相鄰點密度對比的方法判別異常，解決傳統(tǒng)單維檢測以及統(tǒng)計模型不穩(wěn)定的問題;通過核函數(shù)賦予不同方向數(shù)據(jù)點不同的權重，相比于直接使用基于密

3、度的算法，克服了移動網(wǎng)絡KPI數(shù)據(jù)異常單向性、高性能點稀疏性、不同KPI變化范圍差異性等數(shù)據(jù)特點，使得最終的異常檢測精度有所提升。
　　第二，本文針對移動網(wǎng)絡KPI異常根因分析問題，設計了一種基于目標的分層聚類異常根因分析框架，實現(xiàn)訓練數(shù)據(jù)未進行異常根因標定且KPI種類繁多的情況下，自動化進行KPI異常根因分析功能。該框架首先針對網(wǎng)絡異常類別劃分問題，設計了一種基于SOM和K-mediods混合的非監(jiān)督學習的方法，通過參數(shù)分布特性

4、，將異常劃分為不同的類別，建立具有迭代特性的KPI異常類別劃分系統(tǒng)，標定的異常類別用于下一步的異常根因相關維度選擇;其次，針對異常根因分析問題，提出一種基于KS檢驗以及互信息熵的特征選擇方法，結合KPI物理屬性，利用KPI正常類別與異常類別之間參數(shù)分布的差異性，選擇與異常類別相關的KPI進行聚類，得到不同類型的異常根因。異常類別及其對應的根因最終形成專家知識庫，可以用于在線異常根因分析。實驗證明，該框架結構能夠有效解決異常模式樣本稀疏且

5、異常根因維度稀疏問題。
　　第三，本文針對移動網(wǎng)絡流量狀態(tài)預測問題，引入多維度離散流量狀態(tài)預測方法，以多源數(shù)據(jù)融合為基礎，提出一種基于局部關聯(lián)分析的雙層數(shù)據(jù)驅動預測框架，相比于傳統(tǒng)基于流量時間序列的預測方法，提升了時空尺度較小情況下，突發(fā)流量的預測的精度。在此過程中，首先針對如何確定流量相關維度問題，設計了一種基于多個獨立二值分類器的分析方法，通過建立每個流量狀態(tài)下的二值分類模型，得到不同流量狀態(tài)下與之相關的維度;基于上述獲取的與

6、流量狀態(tài)局部關聯(lián)的維度，針對如何確定多維度與流量之間預測函數(shù)問題，基于遷移學習的概念，設計了一種集成式預測框架，分別對每個狀態(tài)獨立建模，預測時以自身狀態(tài)模型為主，其它狀態(tài)模型的結果輔助預測，最終將多個預測其的結果采用投票的方式集成，具體解決部分流量狀態(tài)稀疏，無法建立準確模型的問題;不同時段內流量模型存在差異性，因此，針對如何確定建模時段問題，設計了一種基于層次聚類的相鄰時間合并方法，將具有相似特性的相鄰時段合并，對時段建模，具體解決用戶