論文原文：A Graph Deep Learning-Based Fault Detection and Positioning Method for Internet Communication Networks

一種基于圖深度學(xué)習(xí)的

互聯(lián)網(wǎng)通信故障檢測與定位方法

1 引言

????????新一代互聯(lián)網(wǎng)在現(xiàn)代社會中，互聯(lián)網(wǎng)接入的規(guī)模正在逐漸擴大。根據(jù)深度學(xué)習(xí)IC發(fā)布的最新報告，近一半已經(jīng)成為網(wǎng)民[1]?；ヂ?lián)網(wǎng)的不斷普及也使計算機網(wǎng)絡(luò)對我們的生活越來越重要。計算機網(wǎng)絡(luò)已經(jīng)開始滲透到我們生活的各個方面，如購物、醫(yī)療、工作等[2]?？梢哉f，現(xiàn)在沒有互聯(lián)網(wǎng)，我們不能移動一步[3]。然而，隨著互聯(lián)網(wǎng)規(guī)模的普及和不斷增長，網(wǎng)絡(luò)的規(guī)模也變得相當(dāng)大。網(wǎng)絡(luò)拓撲也變得非常復(fù)雜[4]。這使得網(wǎng)絡(luò)故障更有可能發(fā)生，而網(wǎng)絡(luò)故障的損失比[5]越來越大。在許多情況下，即使是一個小網(wǎng)絡(luò)節(jié)點的故障也會影響許多其他節(jié)點[6]的正常工作。

????????聚類一直是一個活躍的研究方向，并已成為解決[7]故障診斷問題的重要手段之一。常用的聚類算法包括k-均值算法和期望最大化（EM）算法，以及[8] 、[9]等。但這些算法都是建立在凸樣本空間上的，不適合求解任意形狀的聚類問題[10]。圖深度學(xué)習(xí)算法是近年來提出的一種新的聚類算法。由于圖形深度學(xué)習(xí)對數(shù)據(jù)分布[12]的形狀沒有嚴(yán)格的要求。它可以避免由高維特征向量[13]引起的奇異性。一些學(xué)者應(yīng)用圖深度學(xué)習(xí)方法解決了故障識別和診斷[14]的問題。例如，文獻[15]使用最小-最大切線準(zhǔn)則構(gòu)造故障數(shù)據(jù)圖分割[16]的目標(biāo)函數(shù)。它使用k均值來改進在尋找最優(yōu)分割點的過程中，以實現(xiàn)快速的故障狀態(tài)識別[17]。

????????在參考[18]中，針對高數(shù)據(jù)維數(shù)和非線性度，采用自適應(yīng)局部線性嵌入的方法對原始數(shù)據(jù)進行非線性降維。然后采用遞歸調(diào)用規(guī)范切割的方法對低維空間數(shù)據(jù)進行聚類。但是在解決故障診斷問題時，沒有對收集的數(shù)據(jù)進行預(yù)先分析，聚類效果受到影響。此外，在集群的過程中還需要人為地確定集群的數(shù)量。這限制了算法的性能和應(yīng)用范圍。然而，在當(dāng)今的異構(gòu)網(wǎng)絡(luò)環(huán)境中，基于人力分析的診斷方法將占用大量的人力和物力資源。對異構(gòu)網(wǎng)絡(luò)中更高效、更智能的故障診斷技術(shù)的探索和研究，必然成為這一領(lǐng)域的重要內(nèi)容之一。

????????我們提出的故障檢測方法試圖將圖的深度學(xué)習(xí)引入網(wǎng)絡(luò)故障檢測領(lǐng)域，以解決現(xiàn)有方法所沒有解決的故障模式識別問題。通過將半監(jiān)督思想與圖深度學(xué)習(xí)算法相結(jié)合，啟發(fā)式地引入了成對的約束條件。在數(shù)據(jù)相似度傳播的基礎(chǔ)上，對配對約束信息進行傳播，并對原始相似度矩陣進行全局調(diào)整。在此基礎(chǔ)上，進行了圖深度學(xué)習(xí)，以提高聚類性能。在實際數(shù)據(jù)上的實驗結(jié)果表明，本文提出的圖深度學(xué)習(xí)算法的性能優(yōu)于相關(guān)比較算法。同時表明利用該算法進行網(wǎng)絡(luò)故障檢測，表明該算法對網(wǎng)絡(luò)故障識別是可行的。

????????本文的組織結(jié)構(gòu)如下。文章的第一部分是引言。第二部分是相關(guān)的工作。第三部分是基于深度學(xué)習(xí)的通信網(wǎng)絡(luò)故障檢測與定位方法。第四部分是實驗驗證。第五部分是結(jié)論。

2 相關(guān)工作

????????當(dāng)系統(tǒng)變得越來越復(fù)雜時，很難建立被檢測對象[19]的數(shù)學(xué)分析模型。在這種情況下，基于信號的處理是非常有用的[20]。基于信號的處理方法利用相關(guān)設(shè)備，以數(shù)值計算[21]形式進行的信號進行采集、識別和處理。文獻[22]側(cè)重于細胞破壞的智能檢測。針對異構(gòu)網(wǎng)絡(luò)的復(fù)雜性和脆弱性，作者觀察并分析了時域關(guān)鍵性能指標(biāo)的變化。并采用k-最近鄰分類算法，實現(xiàn)了網(wǎng)絡(luò)異常的自動檢測。然而，該算法并沒有考慮到兩者之間的相關(guān)性與基站同時域內(nèi)參數(shù)的相關(guān)性。

????????在文獻[23]中，選擇了一個綜合的體驗質(zhì)量指數(shù)、語音質(zhì)量和無線接入成功率來判斷網(wǎng)絡(luò)中是否存在異常。采用自組織映射和k-均值相結(jié)合的算法對異常數(shù)據(jù)點進行分類。文獻[24]提出了一種針對異構(gòu)網(wǎng)絡(luò)故障識別的建模技術(shù)。首先列舉異構(gòu)網(wǎng)絡(luò)中各故障的原因，然后根據(jù)這些原因建立故障樹模型。最后，基于概率推理對故障進行分類進行故障定位。然而，隨著異構(gòu)網(wǎng)絡(luò)中節(jié)點數(shù)的增加，網(wǎng)絡(luò)組件之間的關(guān)系變得更加復(fù)雜，因此要獲得準(zhǔn)確的先驗概率分布將是一個挑戰(zhàn)，這將直接影響概率推理的準(zhǔn)確性。

????????基于分析模型[25]、[26]的故障檢測技術(shù)是最早的故障測技術(shù)，已經(jīng)得到了最全面和系統(tǒng)的研究。根據(jù)輸入值x和輸出值y的測量結(jié)果解析模型方法構(gòu)建相應(yīng)的數(shù)學(xué)模型來生成網(wǎng)絡(luò)系統(tǒng)的特征表示。通過將數(shù)學(xué)模型計算出的特征與測量到的特征進行比較實現(xiàn)故障檢測。當(dāng)系統(tǒng)變得越來越復(fù)雜時，很難建立被檢測對象[27]的數(shù)學(xué)分析模型。在這種情況下，基于信號的處理非常有用?；谛盘柕奶幚矸椒ㄊ抢孟嚓P(guān)設(shè)備，以數(shù)值計算的形式對信號進行采集、識別和處理。分層異構(gòu)網(wǎng)絡(luò)中的基站具有多樣性，不同類型基站采用的回程模式具有異質(zhì)性。

????????由于公共網(wǎng)絡(luò)也負責(zé)寬帶網(wǎng)絡(luò)用戶的流量傳輸，因此在公共網(wǎng)絡(luò)上很容易發(fā)生數(shù)據(jù)擁塞，從而降低了用戶[28]的QoS。因此，在設(shè)計和規(guī)劃回程網(wǎng)絡(luò)時，我們不僅要考慮成本，還要考慮QoS。回程網(wǎng)絡(luò)一般由無線網(wǎng)絡(luò)和有線網(wǎng)絡(luò)[29]組成。其他低功率基站可以以基站集群的形式與核心網(wǎng)絡(luò)進行無線通信。

????????文獻[30]提出了一種基于k-最近鄰機器學(xué)習(xí)分類算法的服務(wù)中斷監(jiān)測方法。為了提高未來無線網(wǎng)絡(luò)中的網(wǎng)絡(luò)性能和用戶體驗，異構(gòu)特性變得越來越明顯。在復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)下，對小區(qū)業(yè)務(wù)中斷的監(jiān)測面臨著更多的困難。由于基站分布密集，如果一個低功率基站出現(xiàn)服務(wù)中斷，用戶可以很容易地切換到鄰近的基站或宏基基站。為了更有效地檢測小區(qū)服務(wù)中斷，本文采用了機器學(xué)習(xí)的方法尋找基站故障的參數(shù)變化特征。

????????江等人。[31]，[32]給出了網(wǎng)絡(luò)小區(qū)服務(wù)中斷檢測過程中的一組關(guān)鍵參數(shù)。他們指出，過多的參數(shù)影響了參數(shù)與故障之間的映射關(guān)系。因此，提出了一種基于核方法的降維方案來生成低維特征。文獻[33]指出，關(guān)于納米孔基站服務(wù)中斷診斷的研究相對較少。本文提出了一種基于關(guān)聯(lián)信息[34]協(xié)同過濾的網(wǎng)絡(luò)中可疑癥狀檢測的兩階段診斷框架。而在檢測階段，基于數(shù)據(jù)的順序協(xié)同檢測算法[35]完成了故障診斷。結(jié)果表明，該方法的檢測精度較好，但檢測延遲較大。

????????文獻[36]采用馬爾可夫鏈來完成故障診斷。以實際監(jiān)測值的變化趨勢與模型的預(yù)測趨勢之間的差值比作為鑒別標(biāo)準(zhǔn)。在文獻[37]中，采用雙馬爾可夫鏈模型來提高原模型的監(jiān)測精度。但兩者都根據(jù)閾值來判斷最終診斷結(jié)果，需要確定合理的閾值進行研究。

圖1 深度學(xué)習(xí)的通信網(wǎng)絡(luò)故障監(jiān)測模型架構(gòu)圖

????????綜上所述，異構(gòu)網(wǎng)絡(luò)環(huán)境是解決未來網(wǎng)絡(luò)容量激增的重要解決方案。異構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，網(wǎng)絡(luò)組件之間存在著較多的約束條件。雖然行業(yè)和學(xué)術(shù)機構(gòu)對異構(gòu)網(wǎng)絡(luò)故障診斷進行了一些研究，但網(wǎng)絡(luò)故障診斷以保證網(wǎng)絡(luò)運行質(zhì)量仍將是未來的研究熱點。

圖2 通信網(wǎng)絡(luò)故障檢測與定位的網(wǎng)絡(luò)架構(gòu)

3?方案介紹

? ? ? ? 1. 網(wǎng)絡(luò)通信網(wǎng)絡(luò)特征嵌入的圖深度學(xué)習(xí)

????????????????深度學(xué)習(xí)模型實際上是具有更多隱藏層的神經(jīng)網(wǎng)絡(luò)，通常有超過8或9層的隱藏層。圖1為最簡單的通信網(wǎng)絡(luò)故障檢測和定位方法的架構(gòu)圖。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??? ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

????????????????其中，x為第i個神經(jīng)元的輸入，w為第i個神經(jīng)元的連接權(quán)值，為當(dāng)前神經(jīng)元的偏置，t為激活函數(shù)。誤差反向傳播算法，又稱反向傳播算法，是神經(jīng)網(wǎng)絡(luò)中最常用的更新模型參數(shù)的算法。

????????????????根據(jù)覆蓋范圍和傳輸功率的不同，低功率基站可分為Femto基站、Pico基站和中繼節(jié)點。隨著各種類型的低功耗基站的安裝和使用，逐漸形成了密集的異構(gòu)網(wǎng)絡(luò)架構(gòu)，如圖2所示。

? ? ? ? 2. 故障檢測與定位

????????????????深度學(xué)習(xí)模型實際上是具有更多隱藏層的神經(jīng)網(wǎng)絡(luò)，通常有超過8或9層的隱藏層。圖1為最簡單的通信網(wǎng)絡(luò)故障檢測和定位方法的架構(gòu)圖。

????????????????故障檢測和定位的工作流程如圖3所示。這部分負責(zé)描述其數(shù)學(xué)過程。在xjl的1層中，JTH神經(jīng)元的輸出計算為

????????????????故障診斷是虛擬網(wǎng)絡(luò)故障管理的重要組成部分。通過監(jiān)控網(wǎng)絡(luò)鏈路和節(jié)點的參數(shù)，及時發(fā)現(xiàn)由故障組件引起的鏈路/節(jié)點癥狀，并將這些信息上報給管理系統(tǒng)。故障診斷的主要目的是準(zhǔn)確地獲取故障概率假設(shè)，快速地利用網(wǎng)絡(luò)參數(shù)，并提供預(yù)警虛擬網(wǎng)絡(luò)資源的故障重新分配，以確保網(wǎng)絡(luò)服務(wù)的QoS。隨著網(wǎng)絡(luò)虛擬化技術(shù)的不斷深入，網(wǎng)絡(luò)故障診斷變得越來越重要。本章旨在利用物理網(wǎng)絡(luò)和虛擬網(wǎng)絡(luò)的歷史故障數(shù)據(jù)參數(shù)來預(yù)測未來一段時期內(nèi)網(wǎng)絡(luò)故障的概率。根據(jù)神經(jīng)元的結(jié)構(gòu)，輸入的激活向量為：

????????????????式中w為神經(jīng)元連接之間傳遞的轉(zhuǎn)移權(quán)值，x (t)為網(wǎng)絡(luò)的輸入向量，x（t?1）為外神經(jīng)元在前一個時間點的輸出向量和s（t?1）是神經(jīng)元細胞在前一個時間點的狀態(tài)。

圖3 深度學(xué)習(xí)通信網(wǎng)絡(luò)故障檢測及定位模型流程圖

????????????????基于圖深度學(xué)習(xí)的計算機網(wǎng)絡(luò)故障檢測模型可以通過在檢測過程中不斷調(diào)整網(wǎng)絡(luò)故障參數(shù)來實現(xiàn)。當(dāng)計算機網(wǎng)絡(luò)系統(tǒng)出現(xiàn)問題時，會影響計算機系統(tǒng)的正常運行?；趫D深度學(xué)習(xí)的計算機網(wǎng)絡(luò)故障檢測方法的應(yīng)用主要是在計算機網(wǎng)絡(luò)系統(tǒng)故障前自動檢測整個計算機系統(tǒng)，尋找故障可能發(fā)生的位置。

????????????????我們基于反向傳播算法對網(wǎng)絡(luò)參數(shù)進行了更新?；贚STM的網(wǎng)絡(luò)故障診斷方法的具體實現(xiàn)步驟如下：

????????????????????????步驟1：在對網(wǎng)絡(luò)參數(shù)進行分析的基礎(chǔ)上，收集網(wǎng)絡(luò)數(shù)據(jù)，完成預(yù)處理，并對訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集進行劃分。

????????????????????????步驟2：完成網(wǎng)絡(luò)故障的一次熱編碼。

????????????????????????步驟3：建立圖深度學(xué)習(xí)故障診斷模型，并隨機進行網(wǎng)絡(luò)各層參數(shù)的初始化。

????????????????????????步驟4：通過前向反饋計算輸出標(biāo)簽，計算LSTM神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，根據(jù)反向傳播算法將誤差值反向轉(zhuǎn)移，并更新網(wǎng)絡(luò)的權(quán)值。使用預(yù)定義的迭代次數(shù)重復(fù)此步驟。

????????????????????????步驟5：保存網(wǎng)絡(luò)參數(shù)，用測試數(shù)據(jù)集中的樣本來測試訓(xùn)練圖的深度學(xué)習(xí)性能。此外，為了防止過擬合，在本章的訓(xùn)練中設(shè)置了提前停止。停止條件是不再減少網(wǎng)絡(luò)訓(xùn)練過程模型在測試數(shù)據(jù)集上的損失函數(shù)，然后停止網(wǎng)絡(luò)訓(xùn)練過程，輸出上一輪訓(xùn)練參數(shù)值。

4?實驗與結(jié)果分析

????????這一部分對實驗數(shù)據(jù)進行了模擬。為了更好地比較圖深度學(xué)習(xí)與誤差基線學(xué)習(xí)，假設(shè)80000的實驗數(shù)據(jù)是正常的，30%是異常的，即滿足30%的誤差基線。訓(xùn)練集是kddcup.10_percent_corrected，并且測試集被修正。由于訓(xùn)練集和測試集中的數(shù)據(jù)量過多，我們只從kddcup中隨機選擇了10萬條記錄。data_10_percent_corrected為訓(xùn)練集，其中80000個正常，20000個異常。同樣，隨機選擇30000條記錄作為訓(xùn)練集，其中24000條正常，6000條異常。選擇數(shù)據(jù)時，嘗試為每個異常的數(shù)據(jù)。這里只涉及正常或異常類型，無論例外時的特定異常類型如何。標(biāo)準(zhǔn)深度學(xué)習(xí)與圖形深度學(xué)習(xí)的比較結(jié)果如表1所示。主成分分析的降維結(jié)果如圖4所示。柱狀矩形表示單個主成分的貢獻率，折線表示累積貢獻率。顯然，序列數(shù)越低，主成分的單一貢獻就越小，對累積貢獻率的影響也就越小。一般情況下累計貢獻率不小于96%的，為被認為是一個更令人滿意的結(jié)果。當(dāng)數(shù)字當(dāng)主成分為7時，累計貢獻率達到98.45%。

表1標(biāo)準(zhǔn)深度學(xué)習(xí)和圖深度學(xué)習(xí)實驗比較

????????當(dāng)沒有提供成對的約束（約束對數(shù)為0）時，所有算法的CRI都很小。隨著約束對數(shù)量的增加，圖深度學(xué)習(xí)算法的CRI對新甲狀腺數(shù)據(jù)的CRI下降，但其他算法在所有數(shù)據(jù)集上的CRI都有一定程度的提高。這表明，大多數(shù)算法的聚類性能隨著約束數(shù)量的增加，聚類性能逐漸提高。

????????改進后的圖算法比經(jīng)典的圖算法具有更好的聚類性能。在數(shù)據(jù)集方面，該算法的性能優(yōu)于其他算法，特別是在(2)類數(shù)據(jù)集方面。這也說明了本文中的算法對數(shù)據(jù)集的敏感性較小，且該算法具有較高的穩(wěn)定性和魯棒性，如圖5所示。

????????基于深度學(xué)習(xí)圖的計算機網(wǎng)絡(luò)故障檢測方法和傳統(tǒng)的網(wǎng)絡(luò)故障檢測方法的實驗結(jié)果如圖6所示。水平坐標(biāo)為故障檢測的時間，縱坐標(biāo)為故障檢測的精度。從圖6可以看出，基于圖深度學(xué)習(xí)的計算機網(wǎng)絡(luò)故障檢測方法可以快速準(zhǔn)確地檢測計算機網(wǎng)絡(luò)故障，而傳統(tǒng)計算機網(wǎng)絡(luò)故障檢測方法的準(zhǔn)確性隨著檢測時間的增加而增加，因此需要大量的檢測時間來保證準(zhǔn)確性。實驗結(jié)果表明，該檢測方法是有效的。

圖5 深度學(xué)習(xí)算法CRI指標(biāo)結(jié)果

?????

圖6 深度學(xué)習(xí)算法驗證結(jié)果 ?????

??

圖7 不同算法故障診斷精確率比較

????????圖7為五種不同算法經(jīng)過多次迭代平均后的故障診斷精度的比較。故障診斷的準(zhǔn)確性是指正確診斷信息占診斷總數(shù)的百分比。從圖中可以看出，當(dāng)?shù)螖?shù)較小時，KNN的精度要高于其他算法。這是因為圖深度學(xué)習(xí)算法中的權(quán)值和偏差參數(shù)遠遠高于kNN算法。需要多次迭代來更新這些初始參數(shù)，所以在開始時精度會很低。隨著迭代次數(shù)的增加，兩階段圖的精度深度學(xué)習(xí)算法在這一章遠遠高于KNN算法，達到96.5%，略低于純圖深度學(xué)習(xí)算法，而IRBFG算法的精度只能達到92%。傳統(tǒng)的SBM算法的精度很低，因為它假設(shè)先驗概率遵循beta分布，而且在復(fù)雜的異構(gòu)網(wǎng)絡(luò)中也很難獲得準(zhǔn)確的先驗條件概率。

????????在圖中進行深度學(xué)習(xí)的實驗結(jié)果如表2所示。表的第一行只使用枚舉后的31維數(shù)據(jù)，并使用標(biāo)準(zhǔn)的SVM進行訓(xùn)練。第二個練習(xí)使用經(jīng)過數(shù)值和歸一化后的31維數(shù)據(jù)，并使用標(biāo)準(zhǔn)的SVM進行訓(xùn)練。第三個練習(xí)使用經(jīng)過數(shù)值、歸一化和降維后的23維數(shù)據(jù)，并使用標(biāo)準(zhǔn)的SVM進行訓(xùn)練。第四個練習(xí)也使用了處理后的23維數(shù)據(jù)，并使用了本文提出的圖形深度學(xué)習(xí)算法進行訓(xùn)練。

表2 運行時間實驗結(jié)果

5?總結(jié)

????????本文提出了一種基于圖深度學(xué)習(xí)的兩階段故障診斷算法。該算法首先通過結(jié)合互信息來降低網(wǎng)絡(luò)特征參數(shù)的維數(shù)，并選擇最優(yōu)的特征組合。然后，通過計算時間序列數(shù)據(jù)的分布相似性，初步篩選出網(wǎng)絡(luò)中的可疑故障單元。最后，利用基于圖深度學(xué)習(xí)的故障診斷模型對可疑故障單元的故障原因進行了定位。在分析異構(gòu)無線網(wǎng)絡(luò)故障原因的基礎(chǔ)上，針對異構(gòu)無線網(wǎng)絡(luò)的復(fù)雜結(jié)構(gòu)，由于影響網(wǎng)絡(luò)故障的因素較多，無線資源有限，采用最小冗余和最大相關(guān)法選擇對節(jié)點影響較大的網(wǎng)絡(luò)參數(shù)，并監(jiān)測網(wǎng)絡(luò)參數(shù)時序分布的變化特征，以減少消耗。仿真結(jié)果表明，該方法具有低檢測延遲和故障診斷精度高。在設(shè)計網(wǎng)絡(luò)故障檢測系統(tǒng)時，本文將所有數(shù)據(jù)歸一化到范圍[0,1] ，沒有考慮數(shù)據(jù)的具體含義，忽略了不同特征可能具有不同程度的事實對最終結(jié)果的影響。如果將不同的屬性歸一化到不同的范圍內(nèi)，或者根據(jù)數(shù)據(jù)的具體含義將不同的權(quán)重添加到不同的屬性中，則檢測效果可能會更好。文章來源地址http://www.zghlxwxcb.cn/news/detail-844578.html

到了這里，關(guān)于【論文閱讀】一種基于圖深度學(xué)習(xí)的互聯(lián)網(wǎng)通信故障檢測與定位方法的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！