朱曉榮，張佩佩

（南京郵電大學(xué)江蘇省無(wú)線通信重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210003）

1 引言

未來(lái)移動(dòng)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(wú)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(hù)的需求。在這種網(wǎng)絡(luò)異構(gòu)化、密集化的發(fā)展趨勢(shì)下，如何對(duì)網(wǎng)絡(luò)故障進(jìn)行高效的診斷和預(yù)測(cè)成為一個(gè)巨大挑戰(zhàn)[1]，很多學(xué)者對(duì)這一方面進(jìn)行了研究。

Szilagyi 等[2]提出了一個(gè)完整的故障診斷框架，故障檢測(cè)過(guò)程主要是監(jiān)視無(wú)線電測(cè)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(duì)根本原因的診斷依賴(lài)于先前記錄的故障案例，并了解其對(duì)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(shí)間提前3 個(gè)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(lèi)，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(guò)對(duì)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(shí)上，只有當(dāng)訓(xùn)練數(shù)據(jù)集足夠大時(shí)，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(shí)際數(shù)據(jù)進(jìn)行驗(yàn)證，但錯(cuò)誤小區(qū)的識(shí)別僅依賴(lài)于一個(gè)KPI，即掉話率；文獻(xiàn)[5]側(cè)重于數(shù)據(jù)驅(qū)動(dòng)的模型參數(shù)學(xué)習(xí)，避免了典型的依賴(lài)專(zhuān)家意見(jiàn)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(gè)模擬數(shù)據(jù)集和一個(gè)包含72 條記錄的真實(shí)數(shù)據(jù)集，故障診斷過(guò)程中考慮了4 個(gè)KPI 和4 個(gè)故障原因，利用遺傳算法學(xué)習(xí)模糊規(guī)則庫(kù)，其準(zhǔn)確率依賴(lài)于標(biāo)記訓(xùn)練集。

目前，很多專(zhuān)家對(duì)5G 異構(gòu)無(wú)線網(wǎng)絡(luò)中網(wǎng)絡(luò)故障的診斷和預(yù)測(cè)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(yíng)商即將采用的5G 中的一項(xiàng)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(dòng)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(dòng)者。Kukliński 等[9]針對(duì)與網(wǎng)絡(luò)切片技術(shù)相關(guān)的KPI 仍然沒(méi)有定義的問(wèn)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(duì)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(dòng)故障檢測(cè)和診斷解決方案，該方案使用測(cè)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(guò)自適應(yīng)學(xué)習(xí)期間的知識(shí)來(lái)提高效率。

由上述對(duì)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(shí)耗力。另外，上述文獻(xiàn)僅考慮了幾類(lèi)故障，并且故障識(shí)別過(guò)程僅依賴(lài)少量KPI 指標(biāo)，但在復(fù)雜的異構(gòu)無(wú)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(shí)別也會(huì)依賴(lài)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(guò)監(jiān)督學(xué)習(xí)獲得故障診斷策略。目前常見(jiàn)做法是從已令人滿意地解決的且已知故障的已存儲(chǔ)案例（即標(biāo)記案例）中提取信息。然而，由于專(zhuān)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(shí)際網(wǎng)絡(luò)中沒(méi)有太多的故障，對(duì)于每個(gè)特定的故障，沒(méi)有很多標(biāo)記的案例。因此，從真實(shí)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(lái)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(duì)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(wèn)題。

近幾年來(lái)，GAN 作為實(shí)現(xiàn)人工智能的典型方法，在計(jì)算機(jī)視覺(jué)、圖像識(shí)別和自然語(yǔ)言處理領(lǐng)域取得了廣泛的成功，在處理復(fù)雜問(wèn)題方面表現(xiàn)出很好的能力。GAN 包括2 個(gè)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(gè)服從gp分布的隨機(jī)變量，用來(lái)捕捉數(shù)據(jù)的分布。判別器分別輸出1和0 來(lái)區(qū)分真實(shí)樣本和生成的樣本。GAN 在訓(xùn)練過(guò)程中，利用生成器和判別器分別對(duì)樣本進(jìn)行生成和分類(lèi)，對(duì)抗性地提高樣本的性能。文獻(xiàn)[11]利用GAN方法對(duì)minist 手寫(xiě)數(shù)據(jù)集進(jìn)行識(shí)別，實(shí)驗(yàn)結(jié)果證明了GAN 方法的潛力。但文獻(xiàn)[11]在實(shí)際訓(xùn)練過(guò)程中還存在一些問(wèn)題，如訓(xùn)練困難、生成樣本缺乏多樣性等。文獻(xiàn)[12-13]針對(duì)文獻(xiàn)[11]存在的問(wèn)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(wèn)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(wèn)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(cè)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(shí)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(cè)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(wú)線網(wǎng)絡(luò)場(chǎng)景。在這種場(chǎng)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(chǎng)景下的網(wǎng)絡(luò)故障診斷與預(yù)測(cè)，首先分析衡量網(wǎng)絡(luò)性能的KPI 以及常見(jiàn)的網(wǎng)絡(luò)故障，并對(duì)其進(jìn)行簡(jiǎn)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(dòng)網(wǎng)絡(luò)中的主要類(lèi)別相關(guān)聯(lián)，主要如下：質(zhì)量指標(biāo)，如參考信號(hào)接收功率、參考信號(hào)接收質(zhì)量、分組丟失率；接入性指標(biāo)，如無(wú)線資源控制連接建立成功率、演進(jìn)的無(wú)線接入承載建立成功率；保持性指標(biāo)，如掉話率；移動(dòng)性指標(biāo)，如切換成功率、切換時(shí)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(wú)線網(wǎng)絡(luò)場(chǎng)景

表1 本文所選KPI

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

2) 參考信號(hào)接收質(zhì)量，描述下行鏈路中接收的導(dǎo)頻信號(hào)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(shí)所有基站的寬帶接收信號(hào)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(gè)度量對(duì)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(hào)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(wú)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(hù)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(wú)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(hù)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(chēng)通話中斷率，是指移動(dòng)通信過(guò)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(huì)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(hù)能夠繼續(xù)接收服務(wù)并在移動(dòng)過(guò)程中保持連接的能力。

9) 平均吞吐量，指單位時(shí)間下載或者上傳的數(shù)據(jù)量。平均吞吐量=，對(duì)于運(yùn)營(yíng)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(shí)延，通常指發(fā)送到接收之間的時(shí)間間隔，網(wǎng)絡(luò)出現(xiàn)時(shí)延的情況時(shí)，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(wèn)題出現(xiàn)的原因。本文考慮切換時(shí)延HO_d。

11) 誤碼率，在一段特定時(shí)間內(nèi)數(shù)據(jù)傳輸?shù)臏?zhǔn)確率的度量，如果有誤碼就會(huì)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(gè)故障代表一個(gè)單元小區(qū)出現(xiàn)的問(wèn)題，鄰居小區(qū)也會(huì)受到這個(gè)問(wèn)題的影響。本文分析了網(wǎng)絡(luò)運(yùn)營(yíng)過(guò)程中的常見(jiàn)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(hào)，移動(dòng)通信系統(tǒng)的干擾是影響無(wú)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(shí)，所需的用戶(hù)信號(hào)必須比干擾信號(hào)強(qiáng)，這樣基站才能與用戶(hù)通信，因此，用戶(hù)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(dòng)網(wǎng)絡(luò)下行頻段內(nèi)所發(fā)出的干擾信號(hào)。當(dāng)用戶(hù)接收到干擾信號(hào)時(shí)，無(wú)法分辨正常的基站信號(hào)，使用戶(hù)與基站的聯(lián)系中斷，導(dǎo)致通話掉線或無(wú)法注冊(cè)。

2) 覆蓋，常見(jiàn)的故障為覆蓋漏洞，表示服務(wù)單元與鄰近單元的信號(hào)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(wú)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(hù)的RSRP 較低，導(dǎo)致頻繁掉線和無(wú)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(shí)會(huì)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(wú)法正常運(yùn)行。

5) 配置參數(shù)故障，在無(wú)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(cuò)誤或者更新時(shí)出現(xiàn)問(wèn)題，可能會(huì)導(dǎo)致網(wǎng)絡(luò)性能下降。

針對(duì)上述的KPI 以及網(wǎng)絡(luò)故障，依照故障排除專(zhuān)家經(jīng)驗(yàn)進(jìn)行關(guān)聯(lián)，如表2 所示。

3 網(wǎng)絡(luò)故障檢測(cè)與診斷

本文提出了基于GAN 的網(wǎng)絡(luò)故障診斷與預(yù)測(cè)模型，如圖2 所示。首先，從異構(gòu)無(wú)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(duì)GAN 產(chǎn)生的模擬數(shù)據(jù)集與原始數(shù)據(jù)集同時(shí)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(duì)數(shù)據(jù)進(jìn)行降維，去除冗余數(shù)據(jù)，選擇故障檢測(cè)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(cè)試集，進(jìn)行XGBoost故障檢測(cè)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(cè)模型必須確定不同的網(wǎng)絡(luò)狀態(tài)對(duì)應(yīng)的癥狀，以便對(duì)多個(gè)故障進(jìn)行識(shí)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(gè)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(wú)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(shí)間聚合級(jí)別（如小時(shí)、日、周、月等）收集KPI。

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

其中，KPIi指歸一化的第i個(gè)KPI，max(KPIi)指收集的數(shù)據(jù)中第i個(gè)KPI 出現(xiàn)的最大值。式(2)用于轉(zhuǎn)換特定指標(biāo)KPIi的動(dòng)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(gè)相互競(jìng)爭(zhēng)的網(wǎng)絡(luò)，并同時(shí)優(yōu)化其目標(biāo)。第一個(gè)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(gè)網(wǎng)絡(luò)為判別器D，將來(lái)自真實(shí)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(lái)自生成器分布）或1（樣本來(lái)自真實(shí)數(shù)據(jù)分布）。迭代后，這種競(jìng)爭(zhēng)將使2 個(gè)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(lèi)的真實(shí)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(cè)模型

其中，pr表示異構(gòu)無(wú)線網(wǎng)絡(luò)收集的歸一化的真實(shí)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(gè)由多層感知機(jī)表示的可微函數(shù)；為標(biāo)量，表示來(lái)自真實(shí)數(shù)據(jù)分布而不是pz的概率。

圖3 GAN 框架

通過(guò)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(jì)算；同時(shí)，G本身也不需要進(jìn)行計(jì)算量龐大的求和計(jì)算。GAN 僅需要輸入一個(gè)服從一定規(guī)律的噪聲、一些真實(shí)數(shù)據(jù)、2 個(gè)可以逼近函數(shù)的網(wǎng)絡(luò)。通過(guò)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(shí)，生成器獲得趨于真實(shí)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(shí)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(gè)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(duì)偶性來(lái)簡(jiǎn)化計(jì)算，同時(shí)為判別器引入一個(gè)基本約束來(lái)尋找1-Lipschitz 函數(shù)。在超參數(shù)控制的范圍內(nèi)對(duì)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(lái)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(shù)（GBDT,gradient boosting decision tree）[18]的改進(jìn)算法，在計(jì)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(huì)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(shù)模型，在構(gòu)造決策樹(shù)后對(duì)其進(jìn)行修剪。XGBoost在決策樹(shù)的構(gòu)造階段將正則化項(xiàng)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(shù)的結(jié)構(gòu)已經(jīng)確定，每個(gè)葉節(jié)點(diǎn)上的預(yù)測(cè)值可以通過(guò)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(cè)某時(shí)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(gè)好處是，創(chuàng)建提升樹(shù)之后，可以為每個(gè)屬性獲得一個(gè)重要性評(píng)分。一般情況下，重要性評(píng)分衡量模型中某屬性的價(jià)值，以增強(qiáng)決策樹(shù)的構(gòu)建。屬性在模型中用于構(gòu)建決策樹(shù)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(duì)測(cè)試集的準(zhǔn)確性和模型復(fù)雜度進(jìn)行權(quán)衡，從而實(shí)現(xiàn)高效而可靠的網(wǎng)絡(luò)故障的檢測(cè)。

4 性能分析

4.1 模擬數(shù)據(jù)集

為了說(shuō)明本文所提方法的有效性，采用OPNET 18.6 搭建仿真實(shí)驗(yàn)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(lèi)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(lèi)，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(lèi)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(shí)間以便人工產(chǎn)生數(shù)據(jù)標(biāo)簽，每次仿真時(shí)間設(shè)置為2 h，每種網(wǎng)絡(luò)狀態(tài)發(fā)生的時(shí)間為20 min。

表3 網(wǎng)絡(luò)仿真參數(shù)

4.2 基于生成對(duì)抗網(wǎng)絡(luò)的故障檢測(cè)與診斷

利用本文提出的基于生成對(duì)抗網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)故障檢測(cè)與診斷的思想，在進(jìn)行數(shù)據(jù)處理以及故障檢測(cè)之前，利用WGAN-GP 算法對(duì)從異構(gòu)無(wú)線網(wǎng)絡(luò)環(huán)境中收集的各個(gè)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(gè)網(wǎng)絡(luò)狀態(tài)下大量帶有標(biāo)記的模擬數(shù)據(jù)。對(duì)生成對(duì)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(shí)進(jìn)行數(shù)據(jù)的處理，本文選擇XGBoost 算法首先對(duì)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(cè)試集，進(jìn)行XGBoost 故障檢測(cè)模型的訓(xùn)練。

實(shí)驗(yàn)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(cè)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(shí)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(cè)時(shí)間的目的。利用XGBoost 模型對(duì)16 個(gè)KPI 進(jìn)行重要性排序，結(jié)果如圖5 所示。圖5 反映了16 個(gè)KPI在網(wǎng)絡(luò)故障診斷過(guò)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(duì)應(yīng)特征分別選取15 個(gè)和13 個(gè)時(shí)，診斷準(zhǔn)確率分別為98.22%和98.18%。這是由于特征選取個(gè)數(shù)的減少對(duì)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(shí)間，并且診斷準(zhǔn)確率并未隨特征的減少而大幅度降低。對(duì)測(cè)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(gè)特征時(shí)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(cè)與診斷，準(zhǔn)確率為98.18%。

從網(wǎng)絡(luò)故障診斷時(shí)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(shí)間也相應(yīng)減少。故障診斷時(shí)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(shí)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(shí)故障診斷準(zhǔn)確率

圖7 故障診斷時(shí)間

另外，本文基于樸素貝葉斯分類(lèi)器、K 最近鄰（KNN,K-nearest neighbor）、決策樹(shù)、隨機(jī)森林等算法對(duì)異構(gòu)無(wú)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(shí)，與本文算法進(jìn)行比較，從而驗(yàn)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(shí)，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(shí)間并沒(méi)有因?yàn)閿?shù)據(jù)量的增加而增加過(guò)多，與有些算法相比診斷時(shí)間更短。

表5 仿真結(jié)果對(duì)比

5 結(jié)束語(yǔ)

本文提出了一種適用于異構(gòu)無(wú)線網(wǎng)絡(luò)的基于生成對(duì)抗網(wǎng)絡(luò)的網(wǎng)絡(luò)故障檢測(cè)與診斷算法，利用生成對(duì)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(shí)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(duì)抗網(wǎng)絡(luò)模型訓(xùn)練得非常好才能實(shí)現(xiàn)上述效果，而在訓(xùn)練過(guò)程中，誤差不可避免。因此，如何獲得準(zhǔn)確的生成對(duì)抗網(wǎng)絡(luò)模型值得進(jìn)一步探究。