基于GAN 的異構(gòu)無線網(wǎng)絡(luò)故障檢測與診斷算法

朱曉榮，張佩佩

（南京郵電大學(xué)江蘇省無線通信重點(diǎn)實驗室，江蘇 南京 210003）

1 引言

未來移動網(wǎng)絡(luò)的發(fā)展不再是某一技術(shù)或某一網(wǎng)絡(luò)的單一存在，而是各種無線接入技術(shù)的共存、互補(bǔ)和共同發(fā)展，從而更好地滿足用戶的需求。在這種網(wǎng)絡(luò)異構(gòu)化、密集化的發(fā)展趨勢下，如何對網(wǎng)絡(luò)故障進(jìn)行高效的診斷和預(yù)測成為一個巨大挑戰(zhàn)[1]，很多學(xué)者對這一方面進(jìn)行了研究。

Szilagyi 等[2]提出了一個完整的故障診斷框架，故障檢測過程主要是監(jiān)視無線電測量數(shù)據(jù)，并與配置文件捕獲的正常行為進(jìn)行比較。該框架對根本原因的診斷依賴于先前記錄的故障案例，并了解其對關(guān)鍵性能指標(biāo)（KPI,key performance indicator）的影響，考慮了信道質(zhì)量、通話中斷和切換時間提前3 個KPI。在監(jiān)督學(xué)習(xí)的背景下，文獻(xiàn)[3-5]考慮貝葉斯分類，建立了GSM（global system for mobile communication）和UMTS（universal mobile telecommunication system）網(wǎng)絡(luò)故障和根本原因之間的關(guān)系。Barco 等[3]通過對故障診斷的關(guān)鍵性能指標(biāo)的連續(xù)分析，確定在故障歷史數(shù)據(jù)和故障根源充足的情況下，采用連續(xù)的KPI 進(jìn)行故障診斷是有益的。事實上，只有當(dāng)訓(xùn)練數(shù)據(jù)集足夠大時，才可以獲得更好的性能。Khanafer 等[4]和Barco 等[5]使用離散的KPI，文獻(xiàn)[4]綜合使用了模擬數(shù)據(jù)和實際數(shù)據(jù)進(jìn)行驗證，但錯誤小區(qū)的識別僅依賴于一個KPI，即掉話率；文獻(xiàn)[5]側(cè)重于數(shù)據(jù)驅(qū)動的模型參數(shù)學(xué)習(xí)，避免了典型的依賴專家意見的貝葉斯方法。Khatib 等[6]提出了一種基于監(jiān)督遺傳模糊算法的診斷方法，基于一個模擬數(shù)據(jù)集和一個包含72 條記錄的真實數(shù)據(jù)集，故障診斷過程中考慮了4 個KPI 和4 個故障原因，利用遺傳算法學(xué)習(xí)模糊規(guī)則庫，其準(zhǔn)確率依賴于標(biāo)記訓(xùn)練集。

目前，很多專家對5G 異構(gòu)無線網(wǎng)絡(luò)中網(wǎng)絡(luò)故障的診斷和預(yù)測進(jìn)行了研究。網(wǎng)絡(luò)切片技術(shù)被認(rèn)為是電信運(yùn)營商即將采用的5G 中的一項關(guān)鍵技術(shù)，大多數(shù)網(wǎng)絡(luò)切片方法都遵循下一代移動網(wǎng)絡(luò)（NGMN,next generation mobile network）[7]所描述的概念，ETSI（European telecommunications standard institute）網(wǎng)絡(luò)功能虛擬化（NFV,network function virtualization）框架[8]是網(wǎng)絡(luò)切片的關(guān)鍵推動者。Kukliński 等[9]針對與網(wǎng)絡(luò)切片技術(shù)相關(guān)的KPI 仍然沒有定義的問題，定義了5G 網(wǎng)絡(luò)切片的KPI，為后續(xù)的5G 網(wǎng)絡(luò)的研究提供了參考。Mfula 等[10]針對5G 復(fù)雜的網(wǎng)絡(luò)環(huán)境，提出了一種自適應(yīng)根源分析（ARCA,adaptive root cause analysis）自動故障檢測和診斷解決方案，該方案使用測量數(shù)據(jù)和其他網(wǎng)絡(luò)數(shù)據(jù)，并結(jié)合貝葉斯網(wǎng)絡(luò)理論進(jìn)行自適應(yīng)根源分析，只需要更少人力或不需要人工操作，并通過自適應(yīng)學(xué)習(xí)期間的知識來提高效率。

由上述對網(wǎng)絡(luò)故障診斷方法的研究可知，傳統(tǒng)的網(wǎng)絡(luò)故障診斷方法需要大量的人工標(biāo)注的訓(xùn)練數(shù)據(jù)集，十分耗時耗力。另外，上述文獻(xiàn)僅考慮了幾類故障，并且故障識別過程僅依賴少量KPI 指標(biāo)，但在復(fù)雜的異構(gòu)無線網(wǎng)絡(luò)環(huán)境下，一方面，網(wǎng)絡(luò)故障更加多樣化，網(wǎng)絡(luò)故障的識別也會依賴更多的KPI；另一方面，需要考慮在這種復(fù)雜的網(wǎng)絡(luò)環(huán)境下，如何獲得大量可靠的數(shù)據(jù)集，該數(shù)據(jù)集可通過監(jiān)督學(xué)習(xí)獲得故障診斷策略。目前常見做法是從已令人滿意地解決的且已知故障的已存儲案例（即標(biāo)記案例）中提取信息。然而，由于專家不傾向于收集KPI 和與它們解決的故障相關(guān)的標(biāo)簽，所以可用的歷史記錄很少。特別是，實際網(wǎng)絡(luò)中沒有太多的故障，對于每個特定的故障，沒有很多標(biāo)記的案例。因此，從真實網(wǎng)絡(luò)獲得的歷史數(shù)據(jù)不夠豐富，利用監(jiān)督技術(shù)來構(gòu)建診斷系統(tǒng)所達(dá)到的效果并不理想。而利用生成對抗網(wǎng)絡(luò)（GAN,generative adversarial network）的思想可以解決歷史數(shù)據(jù)不豐富的問題。

近幾年來，GAN 作為實現(xiàn)人工智能的典型方法，在計算機(jī)視覺、圖像識別和自然語言處理領(lǐng)域取得了廣泛的成功，在處理復(fù)雜問題方面表現(xiàn)出很好的能力。GAN 包括2 個獨(dú)立的深層網(wǎng)絡(luò)[11]，即生成器和判別器。生成器接收一個服從gp分布的隨機(jī)變量，用來捕捉數(shù)據(jù)的分布。判別器分別輸出1和0 來區(qū)分真實樣本和生成的樣本。GAN 在訓(xùn)練過程中，利用生成器和判別器分別對樣本進(jìn)行生成和分類，對抗性地提高樣本的性能。文獻(xiàn)[11]利用GAN方法對minist 手寫數(shù)據(jù)集進(jìn)行識別，實驗結(jié)果證明了GAN 方法的潛力。但文獻(xiàn)[11]在實際訓(xùn)練過程中還存在一些問題，如訓(xùn)練困難、生成樣本缺乏多樣性等。文獻(xiàn)[12-13]針對文獻(xiàn)[11]存在的問題，提出了WGAN（Wasserstein GAN），仿真結(jié)果表明，其能夠解決GAN 訓(xùn)練不穩(wěn)定的問題，而且確保了生成樣本的多樣性。Arjovsky 等[12]從理論上解釋了GAN 訓(xùn)練不穩(wěn)定的原因。文獻(xiàn)[13]引入Wasserstein距離代替 JS（Jensen-Shannon）散度和 KL（Kullback-Leibler）散度，并將其作為優(yōu)化目標(biāo)。與原始GAN 中的KL 散度與JS 散度相比，WGAN 解決了原始GAN 存在的梯度消失問題。

本文創(chuàng)新性地提出了將GAN 思想應(yīng)用到網(wǎng)絡(luò)故障診斷與預(yù)測領(lǐng)域中，將GAN 思想與典型的網(wǎng)絡(luò)故障診斷方法結(jié)合。利用GAN 思想，基于少量帶有標(biāo)簽的數(shù)據(jù)集，獲得了大量可靠的帶有標(biāo)簽的數(shù)據(jù)集用于網(wǎng)絡(luò)故障診斷模型的訓(xùn)練，這樣做不僅大大節(jié)省了人工標(biāo)注訓(xùn)練數(shù)據(jù)的時間，而且提高了故障診斷模型的精度。仿真結(jié)果表明，所提方法能夠達(dá)到準(zhǔn)確和高效的網(wǎng)絡(luò)故障診斷與預(yù)測效果。

2 系統(tǒng)模型

本文考慮圖1 所示的宏小區(qū)、微小區(qū)和毫微微小區(qū)交叉重疊覆蓋的4G 異構(gòu)無線網(wǎng)絡(luò)場景。在這種場景下，由于網(wǎng)絡(luò)的多樣性，系統(tǒng)更加復(fù)雜，網(wǎng)絡(luò)管理也更加困難。本文考慮此場景下的網(wǎng)絡(luò)故障診斷與預(yù)測，首先分析衡量網(wǎng)絡(luò)性能的KPI 以及常見的網(wǎng)絡(luò)故障，并對其進(jìn)行簡單的關(guān)聯(lián)，這部分是構(gòu)建網(wǎng)絡(luò)故障診斷模型的前期工作。

2.1 關(guān)鍵性能指標(biāo)

本文所選KPI涵蓋了4G 異構(gòu)網(wǎng)絡(luò)的主要方面，與移動網(wǎng)絡(luò)中的主要類別相關(guān)聯(lián)，主要如下：質(zhì)量指標(biāo)，如參考信號接收功率、參考信號接收質(zhì)量、分組丟失率；接入性指標(biāo)，如無線資源控制連接建立成功率、演進(jìn)的無線接入承載建立成功率；保持性指標(biāo)，如掉話率；移動性指標(biāo)，如切換成功率、切換時延；業(yè)務(wù)量指標(biāo)，如平均吞吐量。本文所選KPI 具體如表1 所示。

圖1 4G 異構(gòu)無線網(wǎng)絡(luò)場景

表1 本文所選KPI

1) 參考信號接收功率，描述下行鏈路中接收的導(dǎo)頻信號的強(qiáng)度。其定義為在考慮的帶寬內(nèi)承載來自服務(wù)小區(qū)的小區(qū)特定參考信號的資源元素上的平均下行鏈路接收功率。

2) 參考信號接收質(zhì)量，描述下行鏈路中接收的導(dǎo)頻信號的質(zhì)量，以dB 為單位。其定義為RSRP與載波帶寬加上熱噪聲時所有基站的寬帶接收信號之間的比例。

3) 分組丟失率，指丟失分組的數(shù)量與發(fā)送的分組總數(shù)的比例。這個度量對于確定網(wǎng)絡(luò)的狀態(tài)非常重要。本文分別考慮上行鏈路分組丟失率（PD_UL）和下行鏈路分組丟失率（PD_DL）。

4) 信噪比，是衡量網(wǎng)絡(luò)性能好壞的重要指標(biāo)，信噪比越高，信號中雜波越少，網(wǎng)絡(luò)性能越好；反之，網(wǎng)絡(luò)性能越差。本文分別考慮上行鏈路的信噪比（SNR_UL）和下行鏈路的信噪比（SNR_DL）。

5) 無線資源控制連接建立成功率，RRC 連接建立成功次數(shù)與RRC 連接建立嘗試次數(shù)的比值。只有當(dāng)RRC 連接建立成功，才可以進(jìn)行通信業(yè)務(wù)，若連接建立失敗，則用戶與網(wǎng)絡(luò)不能建立正常連接，網(wǎng)絡(luò)業(yè)務(wù)中斷。

6) 演進(jìn)無線接入承載建立成功率，指E-RAB連接建立成功次數(shù)與E-RAB 連接建立嘗試次數(shù)的比值。如果連接建立失敗，則用戶與網(wǎng)絡(luò)不能正常連接，影響網(wǎng)絡(luò)服務(wù)的質(zhì)量。

7) 掉話率，是衡量網(wǎng)絡(luò)性能的重要指標(biāo)，也稱通話中斷率，是指移動通信過程中通信意外中斷的概率。小區(qū)存在弱覆蓋區(qū)域或者網(wǎng)絡(luò)間存在干擾等原因都會導(dǎo)致呼叫掉線。

8) 切換成功率，是指成功切換次數(shù)與切換嘗試總數(shù)的比值，描述了網(wǎng)絡(luò)使用戶能夠繼續(xù)接收服務(wù)并在移動過程中保持連接的能力。

9) 平均吞吐量，指單位時間下載或者上傳的數(shù)據(jù)量。平均吞吐量=，對于運(yùn)營商而言是重要的性能指標(biāo)。本文考慮上行、下行平均吞吐量Throughput_UL、Throughput_DL，以及節(jié)點(diǎn)傳出、傳入平均吞吐量LT(out)、LT(in)。

10) 時延，通常指發(fā)送到接收之間的時間間隔，網(wǎng)絡(luò)出現(xiàn)時延的情況時，可以從網(wǎng)絡(luò)拓?fù)?、網(wǎng)絡(luò)中的業(yè)務(wù)模型、傳輸資源等方面考慮問題出現(xiàn)的原因。本文考慮切換時延HO_d。

11) 誤碼率，在一段特定時間內(nèi)數(shù)據(jù)傳輸?shù)臏?zhǔn)確率的度量，如果有誤碼就會有誤碼率。誤碼的產(chǎn)生是由于網(wǎng)絡(luò)傳輸質(zhì)量低導(dǎo)致的。本文考慮鏈路誤碼率LER。

2.2 網(wǎng)絡(luò)故障

訓(xùn)練網(wǎng)絡(luò)故障診斷模型所需要的數(shù)據(jù)集由不同的網(wǎng)絡(luò)故障組成，每個故障代表一個單元小區(qū)出現(xiàn)的問題，鄰居小區(qū)也會受到這個問題的影響。本文分析了網(wǎng)絡(luò)運(yùn)營過程中的常見網(wǎng)絡(luò)故障[14-15]，具體如下。

1) 干擾，一般指進(jìn)入信道或通信系統(tǒng)影響合法信道正常運(yùn)行的信號，移動通信系統(tǒng)的干擾是影響無線網(wǎng)絡(luò)出現(xiàn)掉線、接通失敗等原因的重要因素之一，嚴(yán)重影響了網(wǎng)絡(luò)正常運(yùn)行和服務(wù)質(zhì)量。本文從頻段角度考慮，將干擾分為上行干擾和下行干擾。當(dāng)上行鏈路出現(xiàn)干擾時，所需的用戶信號必須比干擾信號強(qiáng)，這樣基站才能與用戶通信，因此，用戶必須更靠近基站，從而減少了基站的覆蓋范圍。下行干擾是指干擾源在移動網(wǎng)絡(luò)下行頻段內(nèi)所發(fā)出的干擾信號。當(dāng)用戶接收到干擾信號時，無法分辨正常的基站信號，使用戶與基站的聯(lián)系中斷，導(dǎo)致通話掉線或無法注冊。

2) 覆蓋，常見的故障為覆蓋漏洞，表示服務(wù)單元與鄰近單元的信號電平平均低于維持服務(wù)所需的強(qiáng)制電平區(qū)域，常由物體障礙造成，例如城市地區(qū)的新建筑和農(nóng)村地區(qū)的丘陵等。在某些情況下，不合適的天線參數(shù)和無線電頻率規(guī)劃也可能造成覆蓋漏洞。該故障的典型表現(xiàn)包括服務(wù)區(qū)域某部分用戶的RSRP 較低，導(dǎo)致頻繁掉線和無線鏈路故障。

3) 硬件故障，通常指基站設(shè)備部件故障，比如基站中部分組件反應(yīng)不靈敏。硬件出現(xiàn)較為嚴(yán)重的故障時會導(dǎo)致小區(qū)服務(wù)中斷，掉話率急劇上升。

4) 鏈路故障，通常指網(wǎng)絡(luò)運(yùn)行中鏈路出現(xiàn)堵塞或者由于其他原因?qū)е骆溌凡荒苷鬏敂?shù)據(jù)，網(wǎng)絡(luò)無法正常運(yùn)行。

5) 配置參數(shù)故障，在無線接入端，若僅考慮基站，其自身有很多參數(shù)調(diào)整，如果某些重要的參數(shù)配置錯誤或者更新時出現(xiàn)問題，可能會導(dǎo)致網(wǎng)絡(luò)性能下降。

針對上述的KPI 以及網(wǎng)絡(luò)故障，依照故障排除專家經(jīng)驗進(jìn)行關(guān)聯(lián)，如表2 所示。

3 網(wǎng)絡(luò)故障檢測與診斷

本文提出了基于GAN 的網(wǎng)絡(luò)故障診斷與預(yù)測模型，如圖2 所示。首先，從異構(gòu)無線網(wǎng)絡(luò)環(huán)境中采集不同網(wǎng)絡(luò)狀態(tài)下的少量KPI 數(shù)據(jù)，將不同網(wǎng)絡(luò)狀態(tài)與KPI 數(shù)據(jù)相關(guān)聯(lián)。為方便分析，本文將收集到的小樣本數(shù)據(jù)進(jìn)行歸一化處理，輸入GAN 進(jìn)行不同網(wǎng)絡(luò)狀態(tài)下的數(shù)據(jù)擬合，從而得到不同網(wǎng)絡(luò)狀態(tài)下大量帶有標(biāo)記的模擬數(shù)據(jù)。然后，對GAN 產(chǎn)生的模擬數(shù)據(jù)集與原始數(shù)據(jù)集同時進(jìn)行數(shù)據(jù)處理。本文選擇極端梯度提升（XGBoost,extreme gradient boosting）算法首先對數(shù)據(jù)進(jìn)行降維，去除冗余數(shù)據(jù)，選擇故障檢測階段輸入?yún)?shù)的最優(yōu)特征組合。最后，把處理后的數(shù)據(jù)分為訓(xùn)練集和測試集，進(jìn)行XGBoost故障檢測模型的訓(xùn)練，從而得到最優(yōu)的診斷結(jié)果。

表2 故障原因與KPI 的關(guān)聯(lián)

3.1 輸入階段

不同的網(wǎng)絡(luò)狀態(tài)有不同的特征，網(wǎng)絡(luò)故障診斷與預(yù)測模型必須確定不同的網(wǎng)絡(luò)狀態(tài)對應(yīng)的癥狀，以便對多個故障進(jìn)行識別。本文定義S=[KPI1,KPI2,KPI3,…,KPIm]表示不同網(wǎng)絡(luò)狀態(tài)的輸入向量，S是含有m個KPI 的向量；定義C={FC1,FC2,FC3,…,FCn}表示網(wǎng)絡(luò)的狀態(tài)，如網(wǎng)絡(luò)正常工作或者出現(xiàn)某種故障。

從異構(gòu)無線網(wǎng)絡(luò)環(huán)境中采集的小樣本數(shù)據(jù)組成的輸入數(shù)據(jù)向量由被研究小區(qū)的所有相關(guān)的KPI 組成。根據(jù)診斷流程所需的粒度，可以使用不同的時間聚合級別（如小時、日、周、月等）收集KPI。

若在某段時間T出現(xiàn)網(wǎng)絡(luò)故障FCi，則這段時間的網(wǎng)絡(luò)狀態(tài)表示為

其中，KPIi指歸一化的第i個KPI，max(KPIi)指收集的數(shù)據(jù)中第i個KPI 出現(xiàn)的最大值。式(2)用于轉(zhuǎn)換特定指標(biāo)KPIi的動態(tài)范圍，僅考慮不在區(qū)間[0,1]的KPIi，其目標(biāo)是確保所有的變量都在期望的區(qū)間內(nèi)。

歸一化后的網(wǎng)絡(luò)狀態(tài)為

3.2 GAN 框架

GAN 框架如圖3 所示，主要基于博弈論中的零和博弈。該框架必須具有2 個相互競爭的網(wǎng)絡(luò)，并同時優(yōu)化其目標(biāo)。第一個網(wǎng)絡(luò)為生成器G，它在給定高斯噪聲或均勻噪聲的情況下輸出模擬樣本。第二個網(wǎng)絡(luò)為判別器D，將來自真實分布的樣本或由G生成的樣本輸入判別器D，D嘗試將給定樣本標(biāo)記為0（樣本來自生成器分布）或1（樣本來自真實數(shù)據(jù)分布）。迭代后，這種競爭將使2 個網(wǎng)絡(luò)都更好地完成任務(wù)。特別是生成器G，能夠產(chǎn)生可以欺騙人類的真實樣本。優(yōu)化的目標(biāo)函數(shù)為

圖2 基于GAN 的網(wǎng)絡(luò)故障診斷與預(yù)測模型

其中，pr表示異構(gòu)無線網(wǎng)絡(luò)收集的歸一化的真實數(shù)據(jù)的分布；pz表示輸入噪聲服從的分布；G(Z) 表示數(shù)據(jù)空間的映射；G表示一個由多層感知機(jī)表示的可微函數(shù)；為標(biāo)量，表示來自真實數(shù)據(jù)分布而不是pz的概率。

圖3 GAN 框架

通過上述分析可知，GAN 中的G作為生成模型，不像傳統(tǒng)模型那樣需要十分嚴(yán)格的生成數(shù)據(jù)的表達(dá)式，避免了數(shù)據(jù)非常復(fù)雜導(dǎo)致的不可計算；同時，G本身也不需要進(jìn)行計算量龐大的求和計算。GAN 僅需要輸入一個服從一定規(guī)律的噪聲、一些真實數(shù)據(jù)、2 個可以逼近函數(shù)的網(wǎng)絡(luò)。通過生成器與判別器之間的不斷博弈，當(dāng)判別器趨于穩(wěn)定時，生成器獲得趨于真實數(shù)據(jù)分布的不同網(wǎng)絡(luò)狀態(tài)。

經(jīng)典的GAN 算法使真實分布和近似分布之間的JS 散度最小化。然而，JS 散度是不連續(xù)的，梯度在某些地方不可用。為了克服這個缺點(diǎn)，Liu 等[13]提出用Wasserstein 距離代替JS 散度，WGAN 保證了梯度的可用性。鑒于Wasserstein 距離方程求解十分困難，WGAN 利用Kantorovich-Rubinstein 對偶性來簡化計算，同時為判別器引入一個基本約束來尋找1-Lipschitz 函數(shù)。在超參數(shù)控制的范圍內(nèi)對判別器的權(quán)值進(jìn)行裁剪以滿足約束條件。此外，Gulrajani 等[16]提出具有梯度懲罰的WGAN 算法，即WGAN-GP（WGAN with gradient penalty），它采用梯度懲罰來執(zhí)行1-Lipschitz 約束，而不是采用權(quán)值裁剪。本文采用WGAN-GP 產(chǎn)生模擬數(shù)據(jù)。優(yōu)化目標(biāo)如下

3.3 XGBoost

XGBoost[17]是基于梯度增強(qiáng)決策樹（GBDT,gradient boosting decision tree）[18]的改進(jìn)算法，在計算速度、泛化性能和可擴(kuò)展性等方面都得到了提升。GBDT 算法在訓(xùn)練的每次迭代中，都會在先前模型損失函數(shù)的梯度下降方向上建立新的決策樹模型，在構(gòu)造決策樹后對其進(jìn)行修剪。XGBoost在決策樹的構(gòu)造階段將正則化項加入損失函數(shù)，如式(7)所示。

Ij定義為樣本的索引集，其值與葉節(jié)點(diǎn)j相關(guān)聯(lián)。

假設(shè)決策樹的結(jié)構(gòu)已經(jīng)確定，每個葉節(jié)點(diǎn)上的預(yù)測值可以通過使損失函數(shù)的導(dǎo)數(shù)為零得到，即

本文使用XGBoost 框架訓(xùn)練數(shù)據(jù)，然后用訓(xùn)練后的模型預(yù)測某時間段的網(wǎng)絡(luò)狀態(tài)，即為收集到的其他未知數(shù)據(jù)打上標(biāo)簽。此外，使用XGBoost 的另一個好處是，創(chuàng)建提升樹之后，可以為每個屬性獲得一個重要性評分。一般情況下，重要性評分衡量模型中某屬性的價值，以增強(qiáng)決策樹的構(gòu)建。屬性在模型中用于構(gòu)建決策樹的次數(shù)越多，就越重要。本文利用XGBoost 框架的特征重要性排序功能進(jìn)行數(shù)據(jù)的預(yù)處理，選出影響衡量網(wǎng)絡(luò)狀態(tài)的最相關(guān)的性能指標(biāo)。利用此算法可以對測試集的準(zhǔn)確性和模型復(fù)雜度進(jìn)行權(quán)衡，從而實現(xiàn)高效而可靠的網(wǎng)絡(luò)故障的檢測。

4 性能分析

4.1 模擬數(shù)據(jù)集

為了說明本文所提方法的有效性，采用OPNET 18.6 搭建仿真實驗環(huán)境，其網(wǎng)絡(luò)仿真參數(shù)設(shè)置如表3 所示。

仿真中主要設(shè)置了11 種網(wǎng)絡(luò)狀態(tài)類別，具體可分為為正常、干擾、覆蓋故障、硬件故障和傳輸故障五大類，其中，正常為{FC1}；干擾分為上行干擾和下行干擾，即{FC2,FC3}；覆蓋故障為{FC4}；硬件故障分為4種不同基站故障，即{FC5,FC6,FC7,FC8}；傳輸故障分為 3 種不同的鏈路故障，即{FC9,FC10,FC11} 。網(wǎng)絡(luò)狀態(tài)類別組成的集合C={FC1,FC2,FC3,…,FC11}。然后預(yù)先設(shè)置這些網(wǎng)絡(luò)狀態(tài)的發(fā)生時間以便人工產(chǎn)生數(shù)據(jù)標(biāo)簽，每次仿真時間設(shè)置為2 h，每種網(wǎng)絡(luò)狀態(tài)發(fā)生的時間為20 min。

表3 網(wǎng)絡(luò)仿真參數(shù)

4.2 基于生成對抗網(wǎng)絡(luò)的故障檢測與診斷

利用本文提出的基于生成對抗網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)故障檢測與診斷的思想，在進(jìn)行數(shù)據(jù)處理以及故障檢測之前，利用WGAN-GP 算法對從異構(gòu)無線網(wǎng)絡(luò)環(huán)境中收集的各個網(wǎng)絡(luò)狀態(tài)下服從一定規(guī)律的小樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，從而得到各個網(wǎng)絡(luò)狀態(tài)下大量帶有標(biāo)記的模擬數(shù)據(jù)。對生成對抗網(wǎng)絡(luò)產(chǎn)生的模擬數(shù)據(jù)集與原始數(shù)據(jù)集同時進(jìn)行數(shù)據(jù)的處理，本文選擇XGBoost 算法首先對數(shù)據(jù)進(jìn)行降維，去除冗余數(shù)據(jù)，把處理后的數(shù)據(jù)分為訓(xùn)練集和測試集，進(jìn)行XGBoost 故障檢測模型的訓(xùn)練。

實驗中分別基于原始小樣本數(shù)據(jù)和擴(kuò)充后數(shù)據(jù)集，利用XGBoost 算法進(jìn)行網(wǎng)絡(luò)故障的檢測與診斷，準(zhǔn)確率如圖4 所示。由圖4 可知，本文方法很大程度上提高了網(wǎng)絡(luò)故障診斷的準(zhǔn)確率，隨著迭代次數(shù)的增加，準(zhǔn)確率可達(dá)98.48%。

考慮節(jié)省網(wǎng)絡(luò)故障診斷時間，本文利用XGBoost 模型進(jìn)行特征的篩選，在保證正確率的基礎(chǔ)上，降低數(shù)據(jù)的維度，達(dá)到縮短網(wǎng)絡(luò)故障檢測時間的目的。利用XGBoost 模型對16 個KPI 進(jìn)行重要性排序，結(jié)果如圖5 所示。圖5 反映了16 個KPI在網(wǎng)絡(luò)故障診斷過程中所占的比重。

圖4 網(wǎng)絡(luò)故障診斷準(zhǔn)確率

圖5 特征重要性排序

基于特征重要性的排序進(jìn)行數(shù)據(jù)篩選，故障診斷準(zhǔn)確率如圖6 和表4 所示。結(jié)果表明，訓(xùn)練200次后，若特征全部保留，得到的診斷準(zhǔn)確率最高，為98.48%。對應(yīng)特征分別選取15 個和13 個時，診斷準(zhǔn)確率分別為98.22%和98.18%。這是由于特征選取個數(shù)的減少對診斷準(zhǔn)確率造成了影響，但是節(jié)省了網(wǎng)絡(luò)故障診斷時間，并且診斷準(zhǔn)確率并未隨特征的減少而大幅度降低。對測試集的診斷準(zhǔn)確率和模型復(fù)雜度進(jìn)行權(quán)衡，選取13 個特征時性能最好，根據(jù)圖5 的特征重要性的排序，最終從所有特征里選取RSRP、RSRQ、PD_UL、PD_DL、SNR_UL、SNR_DL、RRC、DCR、HO、HO_d、Throughput_UL、LER、Throughput_DL 進(jìn)行故障檢測與診斷，準(zhǔn)確率為98.18%。

從網(wǎng)絡(luò)故障診斷時間考慮，經(jīng)特征篩選后，訓(xùn)練模型的輸入?yún)?shù)的維度減少，模型的訓(xùn)練時間也相應(yīng)減少。故障診斷時間如圖7 所示，本文提出的經(jīng)特征篩選后進(jìn)行網(wǎng)絡(luò)故障診斷方法的診斷時間比未經(jīng)特征篩選的故障診斷方法短。

圖6 不同特征組合的故障診斷準(zhǔn)確率

表4 訓(xùn)練200 次時故障診斷準(zhǔn)確率

圖7 故障診斷時間

另外，本文基于樸素貝葉斯分類器、K 最近鄰（KNN,K-nearest neighbor）、決策樹、隨機(jī)森林等算法對異構(gòu)無線網(wǎng)絡(luò)環(huán)境下的網(wǎng)絡(luò)故障進(jìn)行診斷，當(dāng)訓(xùn)練穩(wěn)定時，與本文算法進(jìn)行比較，從而驗證本文算法的優(yōu)越性。仿真結(jié)果如表5 所示。當(dāng)訓(xùn)練穩(wěn)定時，與其他算法相比，本文算法由于原始小樣本數(shù)據(jù)集得到擴(kuò)充，網(wǎng)絡(luò)故障診斷的準(zhǔn)確率得到提高，而且診斷時間并沒有因為數(shù)據(jù)量的增加而增加過多，與有些算法相比診斷時間更短。

表5 仿真結(jié)果對比

5 結(jié)束語

本文提出了一種適用于異構(gòu)無線網(wǎng)絡(luò)的基于生成對抗網(wǎng)絡(luò)的網(wǎng)絡(luò)故障檢測與診斷算法，利用生成對抗網(wǎng)絡(luò)思想，基于小樣本數(shù)據(jù)獲得大量可靠數(shù)據(jù)用于算法的訓(xùn)練，節(jié)省了人工標(biāo)注訓(xùn)練數(shù)據(jù)的時間。仿真結(jié)果表明，本文算法能夠?qū)崿F(xiàn)高效而可靠的網(wǎng)絡(luò)故障診斷，但是需要生成對抗網(wǎng)絡(luò)模型訓(xùn)練得非常好才能實現(xiàn)上述效果，而在訓(xùn)練過程中，誤差不可避免。因此，如何獲得準(zhǔn)確的生成對抗網(wǎng)絡(luò)模型值得進(jìn)一步探究。