一种基于网络体验质量的移动通信网异常检测和定位方法

摘要

本发明公开了一种基于网络体验质量的移动通信网异常检测和定位方法，特征是通过基于网络体验质量的异常检测子系统和异常根因定位子系统，对网络实现实时异常监测和异常定位；在异常诊断部分，从网络综合用户体验的角度，选择三个关键性能指标作为网络诊断特征，采用粗粒度阈值划分及细粒度聚类的方法进行异常分类；在异常根因定位部分，采用累计分布函数匹配的方式获取异常症状特征，在每个类型中进行聚类分析，可以实现不同异常的根因定位；最终构成蜂窝网异常检测和异常根因定位子系统。本发明不仅能够检测出明显异常，还能够检测出潜在异常，并可针对不同异常类型进行异常根因的定位；还可自主学，不断地提高异常检测和根因定位的准确度。

主权项

一种基于网络体验质量的移动通信网异常检测和定位方法，从网络参数出发，判断网络异常与否，其特征在于：采用基于网络体验质量的异常检测子系统和基于网络体验质量的异常根因定位子系统，利用阈值划分和特征聚类进行网络整体的异常分类，同时对网络其余关键性能指标进行聚类分析；具体操作为：所述基于网络体验质量的异常检测子系统，首先输入来自通信网无线资源控制器采集的网络关键性能指标，然后从接入性、完整性、保持性三个方面选择对应的网络关键性能指标作为网络整体体验质量，用来反应网络中所有用户的平均用户感知；再采用阈值划分的方式，根据事先设定的上述三类关键性能指标的判决阈值，划分出明显异常、轻微异常以及明显正常三类点；采用自组织神经映射和K中心点算法两种聚类算法对轻微异常点和明显异常点再进行细粒度分析：自组织神经映射是一种无监督的学习算法，包含输入层和输出层：输入层对应一个高维的输入向量，输出层由一系列组织在二维网格上的M×N个有序节点构成，输入节点与输出节点通过权重向量连接；学习过程中，找到与之距离最短的输出层单元即获胜单元对其更新；同时，将邻近区域的权值更新，使输出节点保持输入向量的拓扑特征，最终形成M×N个小类，分别对应不同类型的异常；而K中心点算法是一种经典聚类算法，首先随机选取一组聚类样本作为中心点集，每个中心点对应一个簇；然后计算各样本点到各个中心点的距离，将样本点放入距离中心点最短的那个簇中，计算各簇中距簇内各样本点距离的绝度误差最小的点作为新的中心点；最后如果新的中心点集与原中心点集相同，则算法终止；采用自组织神经映射和K中心点算法算法对轻微异常点和明显异常点对应的异常数据集进行聚类，最终得到K个关键性能指标集合，就是异常类型；所述基于网络体验质量的异常根因定位子系统，通过寻找正常点和异常点之间关键性能指标参数的不同，定位异常点的可能原因；然后从异常检测子系统得到的异常点类型出发，对比正常点和异常点之间其余关键性能指标的累积分布函数曲线图，提取对应的异常症状关键性能指标，构建异常症状关键性能指标库；在每个类型中，再次采用K中心点算法对上述获取的异常症状关键性能指标特征进行聚类，进而得到不同的异常症状列表，通过查找该列表实现根因定位。