[發(fā)明專利]基于深度自編碼神經(jīng)網(wǎng)絡(luò)的5G切片異常檢測(cè)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010558927.2
• 申請(qǐng)日: 2020-06-18
• 公開（公告）號(hào): CN113825161B
• 公開（公告）日: 2023-08-04
• 發(fā)明（設(shè)計(jì)）人: 邢彪;張卷卷;陳維新;章淑敏;蔡曉俊
• 申請(qǐng)（專利權(quán)）人: 中國(guó)移動(dòng)通信集團(tuán)浙江有限公司;中國(guó)移動(dòng)通信集團(tuán)有限公司
• 主分類號(hào): H04W24/04
• 分類號(hào): H04W24/04;H04W24/06;G06F18/2433;G06N3/0455;G06N3/048;G06N3/084
• 代理公司: 北京市浩天知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11276
• 代理人: 王廣濤

本發(fā)明實(shí)施例涉及通信技術(shù)領(lǐng)域，公開了一種基于深度自編碼神經(jīng)網(wǎng)絡(luò)的5G切片異常檢測(cè)方法及裝置，該方法包括：從NSMF或NSSMF中獲取當(dāng)前時(shí)刻不同切片的KPI數(shù)據(jù)，并計(jì)算任一切片的所述KPI數(shù)據(jù)與其他切片的所述KPI數(shù)據(jù)的差值；將所述差值經(jīng)預(yù)訓(xùn)練的切片網(wǎng)絡(luò)異常檢測(cè)模型中的橫向異常檢測(cè)模型或縱向異常檢測(cè)模型獲取對(duì)應(yīng)的所述KPI數(shù)據(jù)的重建差值；將所述差值與所述重建差值作差計(jì)算重建誤差；根據(jù)所述重建誤差判斷當(dāng)前時(shí)刻所述切片是否存在異常。通過(guò)上述方式，本發(fā)明實(shí)施例能夠提高切片異常檢測(cè)的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明實(shí)施例涉及通信技術(shù)領(lǐng)域，具體涉及一種基于深度自編碼神經(jīng)網(wǎng)絡(luò)的5G切片異常檢測(cè)方法及裝置。

背景技術(shù)

目前5G切片端到端異常檢測(cè)主要通過(guò)對(duì)各個(gè)關(guān)鍵績(jī)效指標(biāo)(Key?PerformanceIndicators，KPI)數(shù)據(jù)分別設(shè)置不同的閾值來(lái)實(shí)現(xiàn)網(wǎng)元異常的發(fā)現(xiàn)，并且由于切片的業(yè)務(wù)種類多樣性，還需要對(duì)不同切片建立不同異常檢測(cè)模型。

現(xiàn)有技術(shù)中，通過(guò)對(duì)切片各個(gè)KPI數(shù)據(jù)分別設(shè)置不同閾值的方式，對(duì)于專家經(jīng)驗(yàn)要求高，閾值若設(shè)高了則異常難以發(fā)現(xiàn)，閾值若設(shè)低了則容易產(chǎn)生誤告警，因此誤報(bào)率和漏報(bào)率較高；同時(shí)需要對(duì)不同切片建立不同異常檢測(cè)模型，費(fèi)時(shí)費(fèi)力。

發(fā)明內(nèi)容

鑒于上述問(wèn)題，本發(fā)明實(shí)施例提供了一種基于深度自編碼神經(jīng)網(wǎng)絡(luò)的5G切片異常檢測(cè)方法及裝置，克服了上述問(wèn)題或者至少部分地解決了上述問(wèn)題。

根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種基于深度自編碼神經(jīng)網(wǎng)絡(luò)的5G切片異常檢測(cè)方法，所述方法包括：從NSMF或NSSMF中獲取當(dāng)前時(shí)刻不同切片的KPI數(shù)據(jù)，并計(jì)算任一切片的所述KPI數(shù)據(jù)與其他切片的所述KPI數(shù)據(jù)的差值；將所述差值經(jīng)預(yù)訓(xùn)練的切片網(wǎng)絡(luò)異常檢測(cè)模型中的橫向異常檢測(cè)模型或縱向異常檢測(cè)模型獲取對(duì)應(yīng)的所述KPI數(shù)據(jù)的重建差值；將所述差值與所述重建差值作差計(jì)算重建誤差；根據(jù)所述重建誤差判斷當(dāng)前時(shí)刻所述切片是否存在異常。

在一種可選的方式中，所述從NSMF或NSSMF中獲取當(dāng)前時(shí)刻不同切片的KPI數(shù)據(jù)，并計(jì)算任一切片的所述KPI數(shù)據(jù)與其他切片的所述KPI數(shù)據(jù)的差值，包括：從NSMF中獲取當(dāng)前時(shí)刻同類業(yè)務(wù)不同切片的端到端多維KPI數(shù)據(jù)，并將同類業(yè)務(wù)任一切片的端到端KPI數(shù)據(jù)與同類業(yè)務(wù)其他切片的KPI數(shù)據(jù)分別作差，得到當(dāng)前時(shí)刻任一切片的橫向差值；從NSSMF中獲取當(dāng)前時(shí)刻相鄰無(wú)線小區(qū)多維KPI數(shù)據(jù)，并將任一無(wú)線小區(qū)的KPI數(shù)據(jù)與相鄰無(wú)線小區(qū)的KPI數(shù)據(jù)分別作差，得到第一縱向差值；從NSSMF中獲取當(dāng)前時(shí)刻相鄰傳輸管道多維KPI數(shù)據(jù)，并將任一傳輸管道的KPI數(shù)據(jù)與相鄰傳輸管道的KPI數(shù)據(jù)作差，得到第二縱向差值；從NSSMF中獲取當(dāng)前時(shí)刻核心網(wǎng)網(wǎng)元多維KPI數(shù)據(jù)，并將任一核心網(wǎng)網(wǎng)元的KPI數(shù)據(jù)與切片網(wǎng)絡(luò)中同類核心網(wǎng)網(wǎng)元的KPI數(shù)據(jù)作差，得到第三縱向差值。

在一種可選的方式中，所述將所述差值經(jīng)預(yù)訓(xùn)練的切片網(wǎng)絡(luò)異常檢測(cè)模型中的橫向異常檢測(cè)模型或縱向異常檢測(cè)模型獲取對(duì)應(yīng)的所述KPI數(shù)據(jù)的重建差值之前，包括：從NSMF或NSSMF中獲取歷史不同切片的KPI數(shù)據(jù)形成總數(shù)據(jù)集，并進(jìn)行預(yù)處理；根據(jù)所述總數(shù)據(jù)集計(jì)算任一切片的所述KPI數(shù)據(jù)與其他切片的所述KPI數(shù)據(jù)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(yīng)用所述歷史橫向差值對(duì)切片網(wǎng)絡(luò)異常檢測(cè)模型中的橫向異常檢測(cè)模型進(jìn)行訓(xùn)練，獲取收斂的所述橫向異常檢測(cè)模型的第一權(quán)重參數(shù)；應(yīng)用所述歷史縱向差值對(duì)切片網(wǎng)絡(luò)異常檢測(cè)模型中的縱向異常檢測(cè)模型進(jìn)行訓(xùn)練，獲取收斂的所述縱向異常檢測(cè)模型的第二權(quán)重參數(shù)。