[發明專利]基于代價敏感的自組織網絡的故障探測方法

有效

• 申請號: 201810530213.3
• 申請日: 2018-05-29
• 公開（公告）號: CN108768772B
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 鄧越宇;朱琨;王然;雷磊
• 申請（專利權）人: 南京航空航天大學
• 主分類號: H04L12/26
• 分類號: H04L12/26;H04L12/24;H04L29/08;G06K9/62
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

本發明公開了一種基于代價敏感的自組織網絡的故障探測方法。通過引入代價敏感框架來幫助原有系統獲得代價敏感性，從而區分不同錯誤所帶來的不同損失，使得分類器能夠以最小化損失為目標而不是盲目地追求分類精度。本發明中的代價敏感性是通過估算每種錯誤帶來的損失，從而構建代價矩陣來引入的。代價矩陣可以很好地幫助分類器衡量每次決策所帶來的損失，從而能以最小化總體損失為目標。考慮到故障探測系統中的數據樣本往往是不平衡，本發明提出了同時考慮樣本分布信息和代價信息的縮放方式來幫助現有的大部分故障探測系統取得代價敏感性，實現更為經濟，有效的故障診斷系統。

技術領域

本發明公開了一種基于代價敏感的自組織網絡的故障探測方法，涉及故障診斷算法領域。

背景技術

近年來，隨著越來越多的手持智能設備接入網絡，以及具有高帶寬需求的新型應用的涌現，現有的蜂窩網絡正面臨著巨大的挑戰。同時，小區的密集部署和接入方式的多樣化，也使得網絡的管理和運營變得越來越復雜。這些都使得運營商們不得不尋找一種方法來降低運營和管理的成本，同時又能提高帶寬和容量。為此，能夠實現自配置，自優化，自治愈功能的自組織網絡被認為是實現這一目標的有效方法。

自治愈作為自組織網絡中的重要一環，通常由故障探測，故障診斷，故障恢復這三個階段組成。如果存在一些故障小區在故障探測階段就沒有被及時發現，后面兩個階段也不會對這些被誤分類為“正常”的故障小區起作用。而傳統的故障探測往往來源于統計數據分析和用戶抱怨，這樣的方法不僅會花費大量的時間，精力而且也不能及時，準確的檢測出那些故障的小區，這也會導致整個自治愈環節的低效性。解決這一問題的關鍵技術之一就是引入機器學習來執行自動故障檢測。

現有的基于機器學習的故障探測系統，通常都以精度為目標，使分類器能夠最小化錯誤率。但是，一味的追求精度，而忽視這些錯誤的類別，在實際應用當中并不一定能達到最優。因為某些錯誤帶來的損失會比其它的嚴重得多。一個合理的方法就是讓分類器犧牲低代價類別的識別精度，從而提高高代價類別的識別精度，盡管這樣會使整體的識別精度下降，但會更具有實用價值。而在故障探測中也有著相似的情況，我們可以大致將故障探測的錯誤分類兩類：

1、錯誤接受：將一個正常的小區認為是存在故障的；

2、錯誤警報：將一個存在故障的小區認為是正常的。

在傳統的故障探測系統中，分類器并不會對這兩種錯誤進行區分，這也就意味著這兩種錯誤對于分類器來說是等同的。但事實上，這兩種錯誤造成的損失是截然不同的。盡管第一種錯誤可能會需要消耗更多的時間來進行一次更加全面的檢測，但相比于第二種錯誤，就顯得不是那么嚴重了，因為一個沒有被正確識別的故障小區會導致其性能長期下降。因此本發明提出將代價敏感學習引入到故障探測中，以使分類器能夠獲得區分不同錯誤的能力。

注意到在故障探測中，數據樣本往往是不平衡的。正常小區的樣本數量會比故障小區的多得多。直接對樣本數據進行學習的話，分類器對故障小區的識別能力會大大下降。而縮放作為最簡單有效的代價敏感學習方式，在不平衡的數據集上效果不是很好。因此，本發明提出了一種縮放的方式，來同時考慮錯分代價不同，和數據樣本不平衡同時發生的情況。

發明內容

發明目的：為了克服現有系統只追求精度，而忽視不同類別的錯誤會帶來不同程度的影響的問題。本發明提供了一種代價敏感框架，來幫助現有的一些基于機器學習算法的故障探測系統獲得代價敏感性。通過引入代價矩陣來使分類器區分不同錯誤，并利用SMOTE(Synthetic Minority Oversampling Technique)算法改變訓練集正負樣本的比例，從而使分類器在學習過程中就獲得代價敏感性，實現最小化損失。

為實現上述目的，本發明采用如下技術方案：

基于代價敏感的自組織網絡的故障探測方法，包括如下步驟：

步驟1：收集樣本，并將樣本貼上分類標簽，構成訓練樣本集，所述分類標簽包括正常和故障；