基于改進(jìn)深度殘差網(wǎng)絡(luò)算法的智能干擾識(shí)別

馬鍵，張廣晉，張磊，戴經(jīng)緯

研究與開發(fā)

基于改進(jìn)深度殘差網(wǎng)絡(luò)算法的智能干擾識(shí)別

馬鍵，張廣晉，張磊，戴經(jīng)緯

（中國移動(dòng)通信有限公司研究院，北京 100053）

現(xiàn)網(wǎng)運(yùn)維人力成本高、效率低，如何快速精準(zhǔn)識(shí)別網(wǎng)絡(luò)干擾類型、提高運(yùn)維人員工作效率，成為亟待解決的問題。提出一種基于改進(jìn)深度殘差網(wǎng)絡(luò)（ResNet）的智能干擾識(shí)別方法，通過對(duì)接運(yùn)營商北向網(wǎng)管的通信干擾數(shù)據(jù)接口，對(duì)干擾數(shù)據(jù)進(jìn)行采集和預(yù)處理，并結(jié)合現(xiàn)網(wǎng)專家經(jīng)驗(yàn)對(duì)歷史干擾數(shù)據(jù)類型進(jìn)行標(biāo)注和校正，形成離線干擾數(shù)據(jù)集。再將干擾頻域信息進(jìn)行圖像化生成干擾頻譜波形圖，并針對(duì)不同干擾類型進(jìn)行圖像處理和數(shù)據(jù)處理。之后根據(jù)業(yè)務(wù)特點(diǎn)對(duì)傳統(tǒng)ResNet算法進(jìn)行改進(jìn)，通過提取單一干擾類型特征，確定各特征在復(fù)合干擾類型中的權(quán)重，達(dá)到對(duì)任意干擾類型識(shí)別的目的。最后通過導(dǎo)入已訓(xùn)練好的模型對(duì)干擾數(shù)據(jù)進(jìn)行在線識(shí)別，有效提高干擾識(shí)別的準(zhǔn)確率和效率。

5G；干擾識(shí)別；深度殘差網(wǎng)絡(luò)

0 引言

隨著5G網(wǎng)絡(luò)的大規(guī)模建設(shè)，100 MHz帶寬出現(xiàn)了大量新的干擾[1]；并且隨著當(dāng)前5G用戶的顯著增多，系統(tǒng)內(nèi)負(fù)荷也顯著增加，出現(xiàn)了多種復(fù)合干擾。復(fù)合干擾可能破壞原有干擾的時(shí)頻域特征，顯著增加干擾的識(shí)別難度[2-4]。此外，傳統(tǒng)的干擾識(shí)別依然采用人工識(shí)別的方法，存在如下問題。

●技術(shù)能力不足：5G新技術(shù)的出現(xiàn)，導(dǎo)致一線技術(shù)人員干擾識(shí)別的經(jīng)驗(yàn)不足，缺乏對(duì)于5G干擾時(shí)域和頻域干擾特征的常識(shí)。

●人員差異較大：網(wǎng)優(yōu)人員流動(dòng)高，造成人員的干擾識(shí)別經(jīng)驗(yàn)缺乏有效積累，分析能力因人而異，優(yōu)化效果無法保證。尤其對(duì)于復(fù)合干擾，每個(gè)人識(shí)別準(zhǔn)則存在差異，容易導(dǎo)致漏判或者誤判。

本文提出了一種基于改進(jìn)深度殘差網(wǎng)絡(luò)（deep residual network，ResNet）的智能干擾識(shí)別方法，該方法首先通過服務(wù)器對(duì)接運(yùn)營商北向網(wǎng)管的通信干擾數(shù)據(jù)接口，對(duì)干擾數(shù)據(jù)進(jìn)行采集和預(yù)處理后，將結(jié)果保存到干擾數(shù)據(jù)庫中，并結(jié)合現(xiàn)網(wǎng)專家經(jīng)驗(yàn)進(jìn)行標(biāo)注和校正，保證了通用性和權(quán)威性。之后通過智能干擾識(shí)別系統(tǒng)，對(duì)干擾樣本的頻域信息進(jìn)行圖像處理，并通過構(gòu)建針對(duì)復(fù)合干擾類型的改進(jìn)深度殘差網(wǎng)絡(luò)算法，對(duì)樣本進(jìn)行離線的模型訓(xùn)練和在線的實(shí)時(shí)干擾識(shí)別。最后經(jīng)過現(xiàn)網(wǎng)驗(yàn)證，該方法可以有效提高識(shí)別的準(zhǔn)確率和效率。

1 干擾特征

1.1 單一干擾

單一干擾是指由單獨(dú)一類原因引起的干擾，一般只包含一種干擾特征。以下為幾種常見的單一干擾。

●LTE D[5-6]頻段干擾：由于頻譜劃分的問題，原有LTE D頻段為2 575～2 615 MHz， 40 MHz LTE小區(qū)需要移頻到2 615～ 2 655 MHz。但是LTE D頻段當(dāng)前話務(wù)量較高，部分LTE D頻段小區(qū)并未完全退頻，產(chǎn)生對(duì)5G系統(tǒng)的干擾。

●NR系統(tǒng)內(nèi)干擾[7]：由于5G用戶大量增加，業(yè)務(wù)信道負(fù)荷顯著抬升，在高話務(wù)區(qū)域，本身話務(wù)負(fù)荷或者小區(qū)PUSCH功能參數(shù)設(shè)置不合理等原因，導(dǎo)致PUSCH信道干擾顯著抬升。

●視頻監(jiān)控[8]干擾：一般是指無線回傳部分非法占用2.6 GHz頻段，造成對(duì)2.6 GHz 5G信號(hào)干擾。從干擾特征來看，在整個(gè)2.6 GHz 100 MHz范圍內(nèi)都可能存在，呈現(xiàn)大約50 RB的干擾抬升，可能單個(gè)也可能多個(gè)。

●干擾器干擾：指在監(jiān)獄/學(xué)校周邊，經(jīng)常會(huì)開啟干擾器干擾整個(gè)無線信號(hào)，從頻域特征來看，一般呈現(xiàn)整體底噪抬升或者大帶寬的底噪抬升。

●路由器干擾：在無線路由器性能不佳時(shí)，經(jīng)常會(huì)在2.6 GHz頻段產(chǎn)生信號(hào)泄露，從而干擾5G信號(hào)。從頻域干擾特征上看，呈現(xiàn)下寬上尖的寬頻干擾，在2.6 GHz整個(gè)100 MHz頻段都有可能出現(xiàn)。

●智能路燈干擾：于該類設(shè)備包含無線控制模塊引起的干擾，從干擾特征上來看，存在右高左低、周期性波動(dòng)降低特征，同時(shí)也有部分僅呈現(xiàn)右高左低的雜散特征。

●偽基站干擾：LTE D頻段偽基站使用2.6 GHz頻段，也會(huì)產(chǎn)生對(duì)于5G系統(tǒng)干擾。偽基站帶寬可以支持1.4 MHz/3 MHz/5 MHz/10 MHz，現(xiàn)網(wǎng)常見的是5 MHz帶寬，且多出現(xiàn)于5G系統(tǒng)后40 MHz帶寬內(nèi)。

●廣電干擾（MMDS干擾）：由于多路微波分配系統(tǒng)（MMDS）使用微波信號(hào)傳輸電視信號(hào)，2.6 GHz頻段廣電信號(hào)已經(jīng)大面積退頻，少數(shù)地市進(jìn)度較慢依然存在少量影響。700 MHz的新頻譜，存在大量廣電信號(hào)干擾影響。從頻域特征來看，主要呈現(xiàn) 8 MHz左右的方波。

●電信的800 MHz：由于下行頻譜是869～880 MHz，三次諧波的頻率范圍為2 607～2 640 MHz，如果互調(diào)干擾抑制不好，有一部分信號(hào)會(huì)落進(jìn)2 515～2 615 MHz這一段，呈現(xiàn)出右邊帶雜散干擾特征。

1.2 復(fù)合干擾

隨著5G系統(tǒng)干擾越來越復(fù)雜，單一干擾場景逐漸降低，LTE D頻段/NR系統(tǒng)內(nèi)干擾伴隨著其他種類干擾的復(fù)合干擾場景越來越多，種類越來越復(fù)雜，存在2～3種干擾疊加，這對(duì)干擾識(shí)別帶來新的挑戰(zhàn)。常見的復(fù)合干擾頻譜特征有LTE D頻干擾、NR系統(tǒng)內(nèi)干擾，NR系統(tǒng)內(nèi)干擾、路由器干擾，LTE D頻干擾、干擾器干擾，NR系統(tǒng)內(nèi)干擾、干擾器干擾，LTE D頻干擾、NR系統(tǒng)內(nèi)干擾、干擾器干擾，LTE D頻干擾、NR系統(tǒng)內(nèi)干擾、視頻監(jiān)控干擾。

2 深度殘差網(wǎng)絡(luò)

在深度學(xué)習(xí)中，網(wǎng)絡(luò)層數(shù)越高，網(wǎng)絡(luò)包含的函數(shù)空間也就越大，理論上網(wǎng)絡(luò)的加深會(huì)讓模型更有可能找到最優(yōu)的函數(shù)去解決問題[9]。比如深度卷積網(wǎng)絡(luò)整合了低、中、高不同層次的特征，特征的層次可以靠加深網(wǎng)絡(luò)的層次來豐富，因此在構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，網(wǎng)絡(luò)的深度越高，可抽取的特征層次就越豐富、越抽象，對(duì)圖像的分類就越準(zhǔn)確[10-11]。但實(shí)際在深度學(xué)習(xí)中，網(wǎng)絡(luò)的精度不一定會(huì)隨著網(wǎng)絡(luò)層數(shù)的增多而增多，會(huì)出現(xiàn)訓(xùn)練集和測試集準(zhǔn)確率下降的網(wǎng)絡(luò)退化現(xiàn)象，導(dǎo)致模型精度差、泛化能力低等問題。當(dāng)淺層網(wǎng)絡(luò)已經(jīng)能夠達(dá)到比深層網(wǎng)絡(luò)更好的訓(xùn)練效果時(shí)，如果能把淺層的特征信息直接映射到深層，那么深層網(wǎng)絡(luò)也可以保證較好的訓(xùn)練效果[12-14]。

為了解決傳統(tǒng)深度學(xué)習(xí)模型的網(wǎng)絡(luò)退化問題，微軟實(shí)驗(yàn)室在2015年提出ResNet算法，并以巨大的優(yōu)勢獲得當(dāng)年ImageNet競賽第一名，成為目前圖像識(shí)別領(lǐng)域最先進(jìn)的算法之一[15]。ResNet算法通過恒等映射連接不同網(wǎng)絡(luò)層的方式構(gòu)建殘差網(wǎng)絡(luò)結(jié)構(gòu)，使深層的網(wǎng)絡(luò)一定比淺層包含更多或至少相同的圖像特征，在保證網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度下，根據(jù)學(xué)習(xí)目標(biāo)自適應(yīng)的調(diào)整網(wǎng)絡(luò)層，保證了特征信息的完整性和準(zhǔn)確性，提高了模型的精度和泛化能力[16-18]。

3 智能干擾識(shí)別系統(tǒng)

智能干擾識(shí)別系統(tǒng)如圖1所示，分為離線和在線兩大部分，離線部分包含圖像化模塊、圖像處理模塊、數(shù)據(jù)處理模塊、算法模塊和效果評(píng)估模塊，該部分通過將干擾頻域信息進(jìn)行圖像化生成干擾頻譜波形圖，并針對(duì)不同干擾類型進(jìn)行圖像處理和數(shù)據(jù)處理，之后使用改進(jìn)的ResNet算法模型對(duì)干擾數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證，迭代生成模型并保存到干擾模型庫，最后根據(jù)驗(yàn)證結(jié)果校正模型。在線部分包含數(shù)據(jù)采集、數(shù)據(jù)處理、干擾檢測、圖形處理、干擾識(shí)別和結(jié)果輸出，該部分通過導(dǎo)入干擾數(shù)據(jù)庫中的實(shí)時(shí)干擾數(shù)據(jù)，對(duì)所有小區(qū)進(jìn)行數(shù)據(jù)處理和干擾檢測，并將干擾小區(qū)的頻域信息做圖像處理，通過導(dǎo)入已訓(xùn)練好的離線模型對(duì)其作在線推理，生成干擾識(shí)別結(jié)果。

3.1 圖像化模塊

本模塊通過采集運(yùn)營商北向網(wǎng)管通信干擾數(shù)據(jù)，結(jié)合專家經(jīng)驗(yàn)標(biāo)注生成干擾樣本，并對(duì)樣本進(jìn)行初步的數(shù)據(jù)處理和圖像化，最后將結(jié)果存儲(chǔ)在數(shù)據(jù)庫中。具體步驟如下。

步驟1 干擾數(shù)據(jù)采集。通過對(duì)接運(yùn)營商北向網(wǎng)管通信干擾數(shù)據(jù)，結(jié)合現(xiàn)網(wǎng)專家經(jīng)驗(yàn)對(duì)干擾數(shù)據(jù)進(jìn)行標(biāo)注和校正，并對(duì)現(xiàn)有單一干擾類型和混合干擾類型進(jìn)行梳理和分類。

圖1 智能干擾識(shí)別系統(tǒng)

步驟2 數(shù)據(jù)提取。根據(jù)指標(biāo)字段名稱，提取干擾小區(qū)數(shù)據(jù)第0～272個(gè)PRB上檢測到的干擾噪聲（毫瓦分貝）和干擾類型，作為對(duì)應(yīng)特征和標(biāo)簽。

步驟3 異常值處理。選取100 MHz全頻段干擾數(shù)據(jù)，刪除或替換存在異常數(shù)據(jù)的樣本。

步驟4 圖像化。原始干擾圖像如圖2所示，預(yù)處理干擾圖像如圖3所示，結(jié)合現(xiàn)網(wǎng)工程師的使用習(xí)慣，根據(jù)每條樣本提取的特征值和標(biāo)簽生成兩組干擾頻譜波形圖。原始圖像用于人工評(píng)估分析，軸為0～272，軸為干擾值dBm，標(biāo)題為對(duì)應(yīng)干擾類型，圖像文件以其樣本編號(hào)命名。預(yù)處理圖像用于模型訓(xùn)練、驗(yàn)證和測試，不包含橫縱坐標(biāo)軸、干擾類型標(biāo)題，圖像文件以其樣本編號(hào)命名，并生成預(yù)處理圖像文件名與其對(duì)應(yīng)干擾類型的映射表。

步驟5 將預(yù)處理圖像和映射表輸入圖像處理模塊。

圖2 原始干擾圖像

圖3 預(yù)處理干擾圖像

3.2 圖像處理模塊

本模塊通過加載干擾圖像，將圖像進(jìn)行解碼、形狀變換等一系列圖像處理操作，使之轉(zhuǎn)化為模型可識(shí)別的數(shù)據(jù)類型并存入數(shù)據(jù)庫中。具體步驟如下。

步驟1 圖像解碼。將預(yù)處理圖像進(jìn)行灰度化處理，像素點(diǎn)取值范圍為0～255，黑色為0，白色為255，灰色為中間過渡色。

步驟2 形狀變換。重新調(diào)整圖像大小，將圖像分辨率從640 dpi×480 dpi壓縮為224 dpi× 224 dpi。

步驟3 水平翻轉(zhuǎn)。無線網(wǎng)橋干擾預(yù)處理圖像如圖4所示，無線網(wǎng)橋干擾預(yù)處理水平翻轉(zhuǎn)圖像如圖5所示，根據(jù)干擾類型特征，針對(duì)部分頻點(diǎn)不固定的干擾類型，可以對(duì)其圖像做水平翻轉(zhuǎn)，增加樣本量。

步驟4 數(shù)據(jù)類型轉(zhuǎn)化。將圖像解碼后的數(shù)值轉(zhuǎn)化為算法模型可識(shí)別的數(shù)據(jù)類型。

步驟5 導(dǎo)入映射表，將圖像處理后的樣本數(shù)據(jù)與其對(duì)應(yīng)的干擾類型做匹配，生成樣本數(shù)據(jù)文件，輸入數(shù)據(jù)處理模塊。

圖4 無線網(wǎng)橋干擾預(yù)處理圖像

圖5 無線網(wǎng)橋干擾預(yù)處理水平翻轉(zhuǎn)圖像

3.3 數(shù)據(jù)處理模塊

本模塊通過對(duì)干擾類型標(biāo)簽的分析，針對(duì)樣本數(shù)量較多、特征較為明顯的標(biāo)簽，進(jìn)行標(biāo)簽選擇和樣本平衡處理，并通過折交叉切分將樣本拆分為訓(xùn)練集和測試集。具體步驟如下。

步驟1 標(biāo)簽選擇。根據(jù)效果評(píng)估和干擾類型占比，選擇樣本特征較明顯、數(shù)量較多的干擾類型作為標(biāo)簽。

步驟2 標(biāo)簽編碼。對(duì)字符串類型的標(biāo)簽進(jìn)行編碼，轉(zhuǎn)化為數(shù)字類型，便于算法模型預(yù)測和效果評(píng)估。

步驟3 數(shù)據(jù)平衡?；诟鞲蓴_類型的樣本數(shù)量，對(duì)數(shù)量較少的樣本進(jìn)行上采樣，數(shù)量較多的樣本進(jìn)行下采樣。

步驟4 數(shù)據(jù)集拆分。采用折交叉切分將樣本拆分為訓(xùn)練集和測試集，并保證每個(gè)子集中干擾類型分布和原數(shù)據(jù)集相同。

步驟5 將訓(xùn)練集和測試集輸入算法模塊。

3.4 算法模塊

改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，本模塊構(gòu)建了ResNet18算法的基礎(chǔ)模型，并根據(jù)通信干擾數(shù)據(jù)的業(yè)務(wù)特點(diǎn)對(duì)原算法進(jìn)行改進(jìn)。由于復(fù)合干擾類型包含單一干擾類型的特征，即分類標(biāo)簽之間不滿足相互獨(dú)立的條件，所以原算法采用的多類別分類方法不適用于目前的干擾識(shí)別業(yè)務(wù)。本文通過構(gòu)造單一干擾識(shí)別模塊和復(fù)合干擾識(shí)別模塊對(duì)原算法進(jìn)行改進(jìn)，將多分類問題轉(zhuǎn)化為多標(biāo)簽分類問題。單一干擾識(shí)別模塊通過模型訓(xùn)練提取單一干擾樣本特征并對(duì)其進(jìn)行識(shí)別，復(fù)合干擾識(shí)別模塊通過獲取單一干擾樣本特征，對(duì)任意復(fù)合干擾樣本進(jìn)行識(shí)別[19-21]。具體步驟如下。

圖6 改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)

步驟1 導(dǎo)入單一干擾類型圖像訓(xùn)練集并做折交叉驗(yàn)證。將原訓(xùn)練集拆分為等份，并保證每份數(shù)據(jù)集中干擾類型占比與原數(shù)據(jù)集相同。隨機(jī)選取1份作為驗(yàn)證集，－1份作為新的訓(xùn)練集，進(jìn)行輪訓(xùn)練，每輪迭代次，總迭代次數(shù)為次。由于干擾圖片為單通道，圖像分辨率大小為224 dpi×224 dpi，所以輸入數(shù)據(jù)的維度為1×224×224。

步驟2 輸入數(shù)據(jù)進(jìn)行初始卷積運(yùn)算，該卷積層包含64個(gè)步長為2、維度為7×7的過濾器，然后通過批標(biāo)準(zhǔn)化（batch normalization，BN）和ReLU函數(shù)的優(yōu)化來減小過擬合，最后經(jīng)過最大池化運(yùn)算將數(shù)據(jù)長寬壓縮一半做降維處理。BN，即在每次卷積后對(duì)小批量的數(shù)據(jù)做規(guī)范化操作，使得各通道的均值為0，方差為1，達(dá)到避免過擬合、加快運(yùn)算效率的目的。ReLU激活函數(shù)的非線性變換，會(huì)使一部分神經(jīng)元的輸出為0，加強(qiáng)網(wǎng)絡(luò)的稀疏性，從而減少過擬合的發(fā)生。

步驟3 構(gòu)造4組殘差模塊，每個(gè)殘差模塊包含2個(gè)基礎(chǔ)模塊，基礎(chǔ)模塊按照CNN + BN + ReLU + CNN + BN的順序構(gòu)造網(wǎng)絡(luò)層，輸入數(shù)據(jù)通過基礎(chǔ)模塊運(yùn)算后得到對(duì)應(yīng)結(jié)果，再將該結(jié)果與捷徑所得的輸入值相加，并通過ReLU激活函數(shù)得到該模塊的輸出。

步驟4 完成所有卷積模塊運(yùn)算后，通過全局平均池化層和全連接層運(yùn)算，提取干擾圖像特征。

步驟5 構(gòu)造單一干擾識(shí)別模塊，將原結(jié)果映射成概率分布的softmax函數(shù)替換為sigmoid函數(shù)。選取最大概率的干擾類型作為該干擾數(shù)據(jù)樣本的預(yù)測結(jié)果。softmax函數(shù)和sigmoid函數(shù)如下，其中，為輸入數(shù)據(jù)，e為指數(shù)運(yùn)算，為類別數(shù)量，=1,2,...,。

步驟6 完成前向傳播后，根據(jù)干擾數(shù)據(jù)樣本的預(yù)測結(jié)果和實(shí)際結(jié)果構(gòu)造損失函數(shù)，并將多類別交叉熵?fù)p失函數(shù)替換為二分類交叉熵?fù)p失函數(shù)，對(duì)模型進(jìn)行梯度反向傳播。最后迭代模型更新網(wǎng)絡(luò)參數(shù)，并根據(jù)驗(yàn)證集測試每輪迭代的效果。多類別交叉熵?fù)p失函數(shù)和二分類交叉熵?fù)p失函數(shù)如下，其中為輸出數(shù)據(jù)，為樣本序號(hào)，為概率，為樣本總量，為類別數(shù)量，=1,2,...,。

步驟7 重復(fù)步驟1～步驟6，當(dāng)模型訓(xùn)練達(dá)到最大迭代次數(shù)時(shí)停止迭代，并保存模型網(wǎng)絡(luò)參數(shù)和配置參數(shù)。

步驟8 構(gòu)造復(fù)合干擾識(shí)別模塊，將復(fù)合干擾類型樣本通過網(wǎng)絡(luò)提取干擾特征，并從單一干擾識(shí)別模塊中獲取單一干擾特征，對(duì)該樣本特征進(jìn)行匹配，選取得分較高的干擾組合作為該復(fù)合干擾類型結(jié)果。

3.5 效果評(píng)估模塊

本模塊根據(jù)測試集的驗(yàn)證結(jié)果，對(duì)訓(xùn)練完的模型進(jìn)行效果評(píng)估，調(diào)整標(biāo)簽選擇規(guī)則和模型超參配置。具體步驟如下。

步驟1 導(dǎo)入已經(jīng)訓(xùn)練完成的模型網(wǎng)絡(luò)參數(shù)和配置參數(shù)，對(duì)測試集數(shù)據(jù)進(jìn)行模型推理，通過計(jì)算推理結(jié)果的F1-Score和準(zhǔn)確率，評(píng)估模型效果。

步驟2 根據(jù)評(píng)估效果，調(diào)整標(biāo)簽選擇規(guī)則和模型超參數(shù)配置。

3.6 在線部分

本模塊通過在線對(duì)接運(yùn)營商北向網(wǎng)管的實(shí)時(shí)干擾數(shù)據(jù)，檢測出高干擾小區(qū)，并對(duì)其進(jìn)行數(shù)據(jù)處理和圖像處理。之后通過導(dǎo)入離線階段已經(jīng)訓(xùn)練好的模型，對(duì)干擾小區(qū)進(jìn)行干擾類型的識(shí)別。具體步驟如下。

步驟1 對(duì)接運(yùn)營商北向網(wǎng)管，根據(jù)預(yù)設(shè)的時(shí)間戳采集PM干擾數(shù)據(jù)。

步驟2 根據(jù)規(guī)定的字段名稱和數(shù)據(jù)格式，對(duì)采集到的數(shù)據(jù)進(jìn)行預(yù)處理并入庫。

步驟3 計(jì)算每天忙時(shí)8:00—22:00的全頻段、D1頻段、D2頻段的PRB干擾平均值，三者之一大于?110 dBm或?107 dBm的小區(qū)檢測為干擾小區(qū)。

步驟4 類似離線部分將干擾小區(qū)的頻域信息進(jìn)行圖像化和圖像解碼，并轉(zhuǎn)化為模型可識(shí)別的數(shù)據(jù)類型。

步驟5 導(dǎo)入已經(jīng)訓(xùn)練完成的模型，對(duì)干擾數(shù)據(jù)進(jìn)行在線推理，獲取干擾類型。

步驟6 將干擾識(shí)別結(jié)果按照規(guī)定字段名稱和數(shù)據(jù)格式保存到數(shù)據(jù)庫。

表1 常見5G干擾類型

4 現(xiàn)網(wǎng)應(yīng)用

4.1 干擾分析和模型訓(xùn)練

本文通過收集2021年6月到8月某省北向網(wǎng)管2萬條5G干擾數(shù)據(jù)樣本，并采用專家經(jīng)驗(yàn)對(duì)其進(jìn)行3輪標(biāo)注和校正，生成基礎(chǔ)干擾數(shù)據(jù)集。目前該省5G現(xiàn)網(wǎng)共有17種干擾類型，通過整理和篩選總結(jié)得到15種類型為急需重點(diǎn)解決的常見干擾類型，包括前10種單一干擾類型和后5種復(fù)合干擾類型，涵蓋干擾場景的90%。通過對(duì)單一干擾類型樣本的模型訓(xùn)練和效果評(píng)估，實(shí)現(xiàn)對(duì)單一干擾類型的干擾識(shí)別，以及任意配對(duì)形成的復(fù)合干擾類型的干擾識(shí)別。常見5G干擾類型見表1。

4.2 現(xiàn)網(wǎng)驗(yàn)證

現(xiàn)網(wǎng)數(shù)據(jù)采用該省2021年12月27日的682條5G干擾數(shù)據(jù)，人工干擾類型識(shí)別準(zhǔn)確率約為70%，識(shí)別效率約為1人/天。本文提出的智能干擾識(shí)別準(zhǔn)確率為90.5%，效率為8.3 s，相較于人工干擾識(shí)別，準(zhǔn)確率和效率有明顯提升，并且對(duì)于之前未出現(xiàn)過的新型復(fù)合干擾類型，例如，NR系統(tǒng)內(nèi)干擾、路由器，都有較好的識(shí)別效果。智能干擾識(shí)別系統(tǒng)結(jié)果見表2。

5 結(jié)束語

本文提出的基于改進(jìn)深度殘差網(wǎng)絡(luò)的智能干擾識(shí)別方法，通過采集運(yùn)營商北向網(wǎng)管的通信干擾數(shù)據(jù)，并結(jié)合現(xiàn)網(wǎng)專家經(jīng)驗(yàn)對(duì)干擾數(shù)據(jù)進(jìn)行標(biāo)注和校正。之后，對(duì)干擾樣本的頻域信息進(jìn)行圖像處理，構(gòu)造針對(duì)復(fù)合干擾類型的改進(jìn)殘差網(wǎng)絡(luò)，對(duì)樣本進(jìn)行離線的模型訓(xùn)練和在線的實(shí)時(shí)干擾識(shí)別。經(jīng)過現(xiàn)網(wǎng)驗(yàn)證，相較于傳統(tǒng)的人工干擾識(shí)別，該方法可以有效地提高識(shí)別準(zhǔn)確率和效率、節(jié)約人力成本。

表2 智能干擾識(shí)別系統(tǒng)結(jié)果

[1] 段曉東, 孫滔. 面向融合、智慧、低碳的5G技術(shù)演進(jìn)[J]. 電信科學(xué), 2022, 38(3): 3-9.

DUAN X D, SUN T. Towards converged, intelligent, low-carbon characterized 5G-Advanced technologies[J]. Telecommunications Science, 2022, 38(3): 3-9.

[2] DAHLMAN E, PARKVALL S, SKOLD J. 5G NR: the next generation wireless access technology[M]. New York: Academic, 2020.

[3] 宋心剛, 張冬晨, 李行政, 等. 2.6 GHz頻段5G上行干擾分析與識(shí)別研究[J]. 電信工程技術(shù)與標(biāo)準(zhǔn)化, 2021, 34(4): 74-81.

SONG X G, ZHANG D C, LI X Z, et al. Research on interference analyzing and recognition of 5G in 2.6 GHz[J]. Telecom Engineering Technics and Standardization, 2021, 34(4): 74-81.

[4] 陳凱. 5G干擾特征識(shí)別及解決方案研究[J].郵電設(shè)計(jì)技術(shù), 2021(4): 34-39.

CHEN K. Research on 5G network interference characteristics recognition and solution[J]. Designing Techniques of Posts and Telecommunications, 2021(4): 34-39.

[5] DEB S, MONOGIOUDIS P. Learning based uplink interference management in 4G LTE cellular systems[J]. IEEE/ACM Transactions on Networking, 2015, 23(2):398-411.

[6] DARWEESH T A, ELSAYED K. LTE uplink interference-aware scheduling using high interference and overload indicators[C]//Proceedings of IFIP Wireless & Mobile Networking Conference. Piscataway: IEEE Press, 2016.

[7] 宋心剛, 張冬晨, 李行政, 等. 5G NR上行干擾問題研究[J]. 電信工程技術(shù)與標(biāo)準(zhǔn)化, 2020, 33(3):9.

SONG X G, ZHANG D C, LI X Z, et al. Research on uplink interference of 5G NR[J]. Telecom Engineering Technics and Standardization, 2020, 33(3): 9.

[8] 韓文冬. 5G基站上行干擾分析工具設(shè)計(jì)與實(shí)現(xiàn)[J].現(xiàn)代信息科技, 2021, 5(4): 53-55, 59.

HAN W D. Design and implementation of uplink interference analysis tool for 5G base station[J]. Modern Information Technology, 2021, 5(4): 53-55, 59.

[9] 李攀攀, 謝正霞, 樂光學(xué), 等. 基于深度學(xué)習(xí)的無線通信接收方法研究進(jìn)展與趨勢[J]. 電信科學(xué), 2022, 38(2): 1-17.

LI P P, XIE Z X, YUE G X, et al. Research progress and trends of deep learning based wireless communication receiving method[J]. Telecommunications Science, 2022, 38(2): 1-17.

[10] SCHMIDHUBER J. Deep learning in neural networks: an overview[J]. Neural Networks, 2015(61): 85-117.

[11] LU L Q, YI Y H, HUANG F L, et al. Integrating local CNN and global CNN for script identification in natural scene images[J]. IEEE Access, 2019(7): 52669-52679.

[12] SCHMIDHUBER J. Deep learning in neural networks[J]. Neural Netw, 2015.

[13] YANG W, JING Z, YANG C, et al. A deep CNN method for underwater image enhancement[C]//Proceedings of 2017 IEEE International Conference on Image Processing (ICIP). Piscataway: IEEE Press, 2017.

[14] DOLZ J, AYED I B, JING Y, et al. HyperDense-Net: a hyper-densely connected CNN for multi-modal image segmentation[J]. IEEE Transactions on Medical Imaging, 2018(99).

[15] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2016: 770-778.

[16] LI B Q, HE Y Y. An improved ResNet based on the adjustable shortcut connections[J]. IEEE Access, 2018(6): 18967-18974.

[17] ROY S K, MANNA S, SONG T C, et al. Attention-based adaptive spectral–spatial kernel ResNet for hyperspectral image classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(9): 7831-7843.

[18] YOO H, HAN S, CHUNG K. Diagnosis support model of cardiomegaly based on CNN using ResNet and explainable feature map[J]. IEEE Access, 2021(9): 55802-55813.

[19] WU Z, SHEN C, HENGEL A. Wider or deeper: revisiting the ResNet model for visual recognition[J]. Pattern Recognition, 2016(90): 119-133..

[20] JIAO J B, TU W C, HE S F, et al. FormResNet: formatted residual learning for image restoration[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Piscataway: IEEE Press, 2017: 1034-1042.

[21] YUE Z, LUO J Q, HUSHENG F, et al. Study on the identification method of human upper limb flag movements based on inception-ResNet double stream network[J]. IEEE Access, 2020(9): 85764-85784.

Improved ResNet algorithm based intelligent interference identification

MA Jian, ZHANG Guangjin, ZHANG Lei, DAI Jingwei

China Mobile Research Institute, Beijing 100053, China

The labor cost of the current network operation and maintenance is high and the efficiency is low. How to quickly and accurately identify the type of network interference, and improve the work efficiency of the maintenance personnel has become an urgent problem to be solved. An intelligent interference identification method of improved deep residual network (ResNet) was studied. The interference data was collected and preprocessedby connecting with the communication interference data interface of the operator's northbound network management. The type of itwaslabelled and corrected by the current network experts to form an offline interference data set. Then the interference frequency domain information was used to generate the interference spectrum waveform image, and performed image processing and data processing for different interference types. After that, the traditional Res Net algorithm was improved according to the business characteristics to extract the features of single interference type. The features were weighted in the compound interference type to identify any type of interference. Finally, the interference data was identified online by importing the trained model, which effectively improved the accuracy and efficiency of interference identification.

5G, interference identification, ResNet

TN929.5

A

10.11959/j.issn.1000?0801.2022233

2022?01?20；

2022?10?08

馬鍵（1984? ），男，中國移動(dòng)通信有限公司研究院無線與終端技術(shù)研究所技術(shù)經(jīng)理，主要研究方向?yàn)闊o線網(wǎng)絡(luò)智能優(yōu)化、無線網(wǎng)管功能及產(chǎn)品開發(fā)工作。

張廣晉（1990? ），男，中國移動(dòng)通信有限公司研究院無線與終端技術(shù)研究所工程師，主要研究方向?yàn)闊o線網(wǎng)絡(luò)智能優(yōu)化、方案設(shè)計(jì)、AI算法研究及系統(tǒng)開發(fā)。

張磊（1984? ），男，中國移動(dòng)通信有限公司研究院無線與終端技術(shù)研究所工程師，主要研究方向?yàn)楫a(chǎn)品解決方案設(shè)計(jì)。

戴經(jīng)緯（1985? ），女，中國移動(dòng)通信有限公司研究院無線與終端技術(shù)研究所工程師，主要研究方向包括無線網(wǎng)絡(luò)智能化應(yīng)用需求分析、方案設(shè)計(jì)、系統(tǒng)開發(fā)。