基于預診斷和圖卷積神經網絡的5G網絡故障診斷

關鍵詞：5G網絡；故障診斷；圖卷積神經網絡；人工智能

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2024）25-0033-03

0 引言

經過幾十年的快速發(fā)展，移動通信技術已進入5G應用時代。與追求峰值速率和平均吞吐量的4G網絡不同，5G網絡更加注重用戶體驗和滿意度。5G網絡的設備接入數量相比4G網絡大幅增加，密集的網絡節(jié)點導致拓撲結構高度異構，即使在同一服務區(qū)域內，也可能包含多種不同的通信技術。因此，若5G網絡故障不能及時有效處理，極易蔓延，造成經濟損失，并嚴重影響用戶體驗。

與傳統(tǒng)通信網絡相比，5G網絡面臨著更加復雜的問題，例如基站間干擾加劇、網絡配置復雜化[1]、海量數據處理等。網絡中的眾多節(jié)點每天都會產生海量的數據。因此，如何在保障5G網絡質量和用戶體驗的同時，快速、低成本地定位和診斷網絡故障，具有重要的現實意義。

1 5G網絡及其故障診斷

第五代移動通信技術（5G） 不僅在系統(tǒng)容量和終端接入數量上優(yōu)于4G，其最重要的特性在于能夠為用戶提供更佳的使用體驗。與以峰值服務速率作為主要衡量指標的4G網絡相比，5G更加注重以用戶為中心的理念。為此，5G網絡中的關鍵技術變得至關重要，主要包括超密集組網技術、D2D通信技術和自組織網絡技術等[2]。

超密集組網技術本質上是通過增加單位面積內小基站的密度來縮短移動終端與基站間的距離，從而以更高的頻譜復用效率實現系統(tǒng)容量的顯著提升。不過，密度的提高也帶來了干擾增加的問題，這是超密集組網技術面臨的最大挑戰(zhàn)。5G網絡中的眾多低功率小基站一般按需部署，并沒有統(tǒng)一規(guī)劃的標準，這使得網絡的復雜性和異構性日益突出。此外，5G網絡中多種網絡接入技術的共存，在帶來服務多樣化的同時，也提高了網絡故障發(fā)生的幾率。

D2D（Device to Device） 通信技術旨在緩解智能終端通信對基站造成的數據流量壓力。該技術允許通信能力較強的智能終端無須核心網參與而直接通信，蜂窩網絡只需處理核心控制指令和分配無線資源即可。

自組織網絡的功能主要包括通信網絡的自配置、自優(yōu)化以及自愈[3]，其中自愈功能至關重要。自愈功能指的是通信網絡故障的自動修復，包括自動故障檢測、故障原因分析和故障恢復等步驟。故障檢測用于發(fā)現存在通信問題、出現服務降級或中斷的服務區(qū)；故障原因分析即為故障診斷階段，涉及故障識別和修復方案的確定。

傳統(tǒng)的通信網絡故障處理方法多依賴于歷史經驗，這些方法在診斷效率和精確定位方面存在不足。隨著人工智能技術在通信領域的應用，一些基于人工智能的故障診斷方法得以發(fā)展，如基于規(guī)則的診斷方法、基于模糊邏輯的診斷方法和基于機器學習的診斷方法?；谝?guī)則的診斷方法由領域專家設計，能夠表現專家知識，并用“IF-ELSE”這樣的邏輯規(guī)則表示。但這種方法過于依賴專家知識，存在漏診風險?；谀：壿嫷脑\斷方法可以處理模糊和不精確的知識，并且需要為預設的故障原因定義處理規(guī)則?；跈C器學習的診斷方法通常包括數據采集、數據預處理、特征分析和模型訓練等步驟，大多數傳統(tǒng)機器學習方法仍需要人工進行特征構建和提取。

已有的通信網絡故障診斷方法或多或少依賴于人工或專家知識，難以獲得令人滿意的故障診斷結果，因此亟須更加高效且智能的5G 網絡故障診斷方法。

2 基于圖卷積的5G網絡故障診斷

圖卷積神經網絡（Graph Convolutional Networks，GCN） 具有良好的解釋性，能夠方便地對5G網絡中移動終端節(jié)點的特征進行分析，因此本文考慮將其引入5G網絡故障診斷中。首先，通過XGBoost算法對原始5G網絡數據集進行特征提取，以實現數據的降維處理；接著，將數據進行格式轉換，以滿足圖卷積神經網絡所需的數據格式要求；最后，利用圖卷積神經網絡完成5G網絡的故障診斷。整個流程如圖1所示。

2.1 數據處理

5G網絡中可能會有大量的智能終端進行通信，這些終端間的通信不僅會給基站帶來巨大的數據流量壓力，還可能影響模型訓練的速度。為了降低數據維度，可以對5G網絡中的數據進行特征選擇，只選取對網絡影響最大的若干特征組合。XGBoost算法通過在訓練過程中利用損失函數，并在梯度下降方向上構建決策樹模型，以最小化模型預測值與真實值之間的殘差[4]。更重要的是，XGBoost算法在特征選擇方面速度較快，可以間接提高5G網絡故障診斷的效率。

假設Gi 是對第i 個樣本的損失函數求一階導數，hi表示對第i 個樣本的損失函數求二階導數，并且有：

特征向量映射為無向圖的步驟如下[5]：

1） 構建特征矩陣。直接將數據集中不同樣本的特征向量堆疊成特征矩陣。

2） 構建標簽矩陣。以已有的5G網絡故障診斷及處置經驗為基礎，對不同數據的類別標簽進行向量編碼。如果數據沒有標記，則將其類別標簽設置為零向量，然后將所有的標簽向量組合為標簽矩陣。

3） 計算節(jié)點間的鄰接關系。使用高斯函數度量5G網絡節(jié)點間的相似性。

4） 設置相似性判斷閾值。比較上一步計算出的相似性度量值和閾值的大小。如果相似性度量值大于閾值，則將無向圖鄰接矩陣中對應元素設置為1，否則設置為0。

5） 生成鄰接矩陣。重復上述步驟，最終得到表示無向圖的鄰接矩陣。

需要注意的是，相似性判斷閾值的設定會直接影響故障診斷的準確性。閾值過高可能忽略非關鍵故障，而閾值過低則可能導致誤報。因此，需結合實際網絡情況設置合適的閾值。

2.3 圖卷積故障診斷

5G網絡故障診斷可以看作是一種節(jié)點分類任務，由圖卷積神經網絡完成，其優(yōu)化目標是最小化損失函數。圖卷積神經網絡的每一層都進行卷積運算和激活函數處理，以提取節(jié)點的特征表達。通過堆疊多層卷積層，可以聚合網絡中較遠節(jié)點的信息，從而得到節(jié)點的高階特征。節(jié)點的特征表達和高階特征經過輸出層處理后，即可得到每個節(jié)點的分類標簽。

在訓練圖卷積神經網絡時，需要經過前向激勵和后向權值更新等步驟。在前向激勵過程中，需要將提取到的5G網絡樣本數據的輸入特征作為輸入進行卷積運算，并經過輸出層處理后得到輸出矩陣。在后向權值更新過程中，會根據診斷結果和實際結果之間的比較分析得到損失函數。這兩者的誤差被傳遞給隱藏層，接下來即可更新各個卷積層的權值系數。

為驗證圖卷積神經網絡在5G網絡故障診斷方面應用的有效性，本文使用仿真軟件設置真實發(fā)生的故障，并標記對應的故障標簽。同時，收集記錄同時間段內的網絡參數數據。經過前文介紹的數據處理、格式轉換等步驟后發(fā)現，隨著選取的輸出特征屬性的減少，圖卷積模型的準確率會稍有降低；當輸出特征屬性數量降低到10個以下時，準確率會大幅下降。此外，不同5G網絡中輸入特征數量也會影響故障診斷的準確率，隨著特征數量的大幅增加，準確率會明顯降低。

3 基于預診斷和圖卷積的故障診斷

只依靠5G網絡節(jié)點間的鄰接矩陣直接進行故障診斷時，故障診斷及處理的精確程度受到相似性判斷閾值、標記樣本以及標記類別的制約。閾值的設定依賴于人工經驗，而5G網絡數據中的標記樣本過少或標記類別不均衡都會影響故障處理結果。因此，可以在實際故障診斷前增加一個預診斷環(huán)節(jié)，主要處理流程如下[6]：

1） 擴充真實的數據集。解決標記樣本少、分布不均衡問題。

2） 預診斷工作。借助專家經驗并使用樸素貝葉斯方法完成5G網絡數據的預診斷工作，并據此生成5G網絡數據間的關聯圖。

3） 訓練GCN模型。以5G網絡數據和上一步得到的關聯圖作為圖神經網絡的輸入，訓練GCN模型。

基于預診斷和圖卷積的5G網絡故障診斷模型如圖2所示。

數據預處理階段不僅限于簡單地去除重復數據或臟數據，還包括前文介紹的特征選擇。本文選擇GAN生成模型來擴充數據集，此生成模型的目標函數本質上是最優(yōu)化問題，能夠在擴充數據集時提升模型的分類精度。GAN生成模型的最大優(yōu)勢在于不需要像傳統(tǒng)故障診斷方法那樣搭建模擬網絡場景模型來收集網絡參數數據，僅需若干真實網絡數據樣本即可生成與真實網絡故障場景相符的網絡參數數據。其具體實現過程中，需要通過生成器和判別器的損失函數疊加來進行訓練。通常，先完成判別器的訓練，再交替訓練生成器，為判斷生成網絡是否滿足訓練標準，還需引入額外的誤差反饋以調整模型參數。重復這一訓練步驟，可以使模擬數據的分布逐漸接近真實數據的分布。

樸素貝葉斯是一種有向圖，能夠有效地用概率表示5G網絡中導致故障出現的各種不確定原因，并通過條件概率和后驗概率等概率思想完成5G網絡中樣本數據的分類，從而有效模擬故障發(fā)生的不確定性。預診斷過程得到的關聯圖本質上由多個獨立的子圖構成，子圖的數量與預定義的5G網絡故障類型的數量一致。此外，不同子圖內的節(jié)點間存在聯系，因此只需較淺的網絡層次即可為模型訓練獲取足夠的信息。這種構建的關聯圖能夠有效地將預診斷結果融合到后續(xù)的GCN模型訓練過程中，同時克服GCN模型層次過深時導致的過平滑缺陷。經過這樣的改進后，對具有不同特征數量的5G網絡數據進行故障診斷與分析，得到表1所示的診斷結果。

在沒有預診斷環(huán)節(jié)的情況下，隨著5G網絡中特征數量的增加，由于不同特征之間的相互影響，故障診斷處理的準確率可能會下降。然而，增加預診斷環(huán)節(jié)后，從分析結果可以看出，即使特征數量有所增加，故障診斷處理的準確率也沒有明顯下降，反而有所提升。

4 總結

本文研究了人工智能技術在5G網絡故障診斷處理中的應用。首先，介紹了5G網絡的特點以及傳統(tǒng)的5G網絡故障處理方法。接著，提出了一種基于圖卷積的5G網絡故障處理模型。該模型首先使用XG?Boost方法對網絡數據進行特征提取，并將處理后的數據轉換為圖卷積可以處理的數據格式。最后，對此模型進行了改進，在對真實網絡數據進行擴充的基礎上增加了預診斷環(huán)節(jié)。實驗結果表明，這種基于預診斷和圖卷積網絡的方法可以有效結合先驗知識和人工智能的優(yōu)勢，與傳統(tǒng)5G網絡故障診斷方法相比，具有更佳的準確性。