[發明專利]基于深度自編碼神經網絡的5G切片異常檢測方法及裝置

有效

• 申請號: 202010558927.2
• 申請日: 2020-06-18
• 公開（公告）號: CN113825161B
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 邢彪;張卷卷;陳維新;章淑敏;蔡曉俊
• 申請（專利權）人: 中國移動通信集團浙江有限公司;中國移動通信集團有限公司
• 主分類號: H04W24/04
• 分類號: H04W24/04;H04W24/06;G06F18/2433;G06N3/0455;G06N3/048;G06N3/084
• 代理公司: 北京市浩天知識產權代理事務所(普通合伙) 11276
• 代理人: 王廣濤

1.一種基于深度自編碼神經網絡的5G切片異常檢測方法，其特征在于，所述方法包括：

從NSMF或NSSMF中獲取當前時刻不同切片的KPI數據，并計算任一切片的所述KPI數據與其他切片的所述KPI數據的差值，包括：從NSMF中獲取當前時刻同類業務不同切片的端到端多維KPI數據，并將同類業務任一切片的端到端KPI數據與同類業務其他切片的KPI數據分別作差，得到當前時刻任一切片的橫向差值；從NSSMF中獲取當前時刻相鄰無線小區多維KPI數據，并將任一無線小區的KPI數據與相鄰無線小區的KPI數據分別作差，得到第一縱向差值；從NSSMF中獲取當前時刻相鄰傳輸管道多維KPI數據，并將任一傳輸管道的KPI數據與相鄰傳輸管道的KPI數據作差，得到第二縱向差值；從NSSMF中獲取當前時刻核心網網元多維KPI數據，并將任一核心網網元的KPI數據與切片網絡中同類核心網網元的KPI數據作差，得到第三縱向差值；

從NSMF或NSSMF中獲取歷史不同切片的KPI數據形成總數據集，并進行預處理；根據所述總數據集計算任一切片的所述KPI數據與其他切片的所述KPI數據的歷史差值，所述歷史差值包括歷史橫向差值和歷史縱向差值；應用所述歷史橫向差值對切片網絡異常檢測模型中的橫向異常檢測模型進行訓練，獲取收斂的所述橫向異常檢測模型的第一權重參數；應用所述歷史縱向差值對切片網絡異常檢測模型中的縱向異常檢測模型進行訓練，獲取收斂的所述縱向異常檢測模型的第二權重參數；

所述從NSMF或NSSMF中獲取歷史不同切片的KPI數據形成總數據集，并進行預處理，包括：從NSMF網絡切片管理器中獲取歷史同類業務不同切片的端到端多維歷史KPI數據、從接入網NSSMF中獲取歷史相鄰無線小區多維歷史KPI數據、從傳輸網NSSMF中獲取歷史相鄰傳輸管道多維歷史KPI數據、從核心網NSSMF中獲取歷史同類核心網網元多維歷史KPI數據，形成所述總數據集；標記所述總數據集中每個顆粒度時間的網絡切片運行健康狀態，形成標簽；對所述總數據集做標準化預處理，將歷史KPI數據按屬性減去其均值，并除以其方差；將所述總數據集劃分為訓練數據和測試數據，去除訓練數據中標記為異常的數據，同時去除訓練集和測試集中的所述標簽；

所述應用所述歷史橫向差值對切片網絡異常檢測模型中的橫向異常檢測模型進行訓練，獲取收斂的所述橫向異常檢測模型的第一權重參數，包括：根據所述訓練數據中的所述歷史橫向差值對所述橫向異常檢測模型進行訓練，獲取與所述歷史橫向差值對應的預測的歷史橫向重建差值；計算所述預測的歷史橫向重建差值與所述歷史橫向差值之間的誤差，應用目標函數衡量所述誤差；應用梯度下降優化算法使所述橫向異常檢測模型梯度下降，獲取使所述目標函數最小的所述橫向異常檢測模型的最優權重參數，所述最優權重參數為訓練后的所述橫向異常檢測模型的所述第一權重參數；

所述根據所述訓練數據中的所述歷史橫向差值對所述橫向異常檢測模型進行訓練，獲取與所述歷史橫向差值對應的預測的歷史重建差值，包括：應用輸入層接收輸入的所述歷史橫向差值；應用包括4個全連接層的編碼器對所述歷史橫向差值進行壓縮降維，抽取出代表對應切片運行狀態的特征向量；應用包括4個全連接層的解碼器對壓縮降維后的所述歷史橫向差值的所述特征向量進行還原重建，得到預測的與所述歷史橫向差值對應的所述歷史橫向重建差值并通過輸出層輸出；

將所述差值經預訓練的切片網絡異常檢測模型中的橫向異常檢測模型或縱向異常檢測模型獲取對應的所述KPI數據的重建差值；

將所述差值與所述重建差值作差計算重建誤差；

根據所述重建誤差判斷當前時刻所述切片是否存在異常。

2.根據權利要求1所述的方法，其特征在于，所述根據所述重建誤差判斷當前時刻所述切片是否存在異常，包括：

將所述重建誤差與預設閾值進行比較；

如果所述重建誤差超過所述預設閾值，則確定當前時刻所述切片存在異常，否則確定當前時刻所述切片正常。