1.一种基于深度学习和知识图谱的蜂窝网络故障诊断方法,其特征在于,包括以下步骤:
步骤S1、从密集型异构蜂窝网络环境中采集带有标签的网络状态数据集,通过XGBoost算法,从数据集中选取最优子集;
步骤S2、将步骤S1中选取出的最优子集映射为一个无向图G=(V,E),其中V是节点集,E是边集,并根据数据集构建特征矩阵X,邻接矩阵A;
步骤S3、将步骤S2中构建好的特征矩阵和邻接矩阵输入到GCN模型中,得到预诊断结果;
步骤S4、从密集型异构蜂窝网络管理系统中获取结构化数据、半结构化数据、非结构化数据,使用LSTM和CRF模型对非结构化数据进行知识抽取,使用爬虫技术对半结构化数据进行知识抽取,最后基于三维数据构建一个故障知识图谱;
步骤S5、将步骤S3输出的预诊断结果输入到步骤S4已构建的故障知识图谱中,得到最终的网络故障诊断结果以及可解释性报告;
所述步骤S3的得到的预诊断结果的具体步骤为:
步骤S3.1:将步骤S2构造的特征矩阵X,邻接矩阵A输入到GCN模型中,GCN中定义的前向激励传播公式为:其中,σ是激活函数,A=A+IN,D是矩阵A的度矩阵,其对角线上的值为各个节点的度,主对角线外的元素均为0元素,W(l)是第l层中可训练的权重矩阵,H(l)是第l层图卷积层的输入节点特征矩阵,对输入层而言,H(0)就等于初始节点特征矩阵X;
步骤S3.2:所述GCN模型包含两个图卷积层,第一层的激活函数为ReLU函数,第二层为softmax函数,模型输出是一个节点特征矩阵Z∈Rn×c,其中c是预定义的网络,故障类别数量,n为数据集样本数量,对于输出结果矩阵Z=(Zi,1 Zi,2,...,Zi,c),样本节点xi的预测标签即为此外,对于输出结果矩阵,若当时,其中λth根据具体网络场景而定,λth设为0.0001,额外输出样本为异常标识,要输入到知识图谱中进一步判断;
步骤S3.3:在GCN训练过程中,最后需要通过训练集中的标记样本来计算交叉熵损失函数,该函数是模型的优化目标,并使得误差逆向传播,根据梯度下降法优化各图卷积层中权重矩阵的权值:其中,l是指带标签样本的数目,c是之前定义的网络状态类别总数,Y是之前定义的节点的标签矩阵。
2.根据权利要求1所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法,其特征在于,所述步骤S1中通过XGBoost算法,从数据集中选取最优子集的具体选择方法如下:步骤S1.1、通过XGBoost的特征重要性排序功能得出各特征的重要性分数,并做降序排序;
步骤S1.2、XGBoost根据重要性分数不断提高特征选取阈值,将分数高于该阈值的特征参数保留,反之则丢弃,进而得到不同特征组合下XGBoost模型的准确率,步骤S1.3、对模型准确率和特征数量进行权衡,得到最优的网络特征参数子集。
3.根据权利要求2所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法,其特征在于,所述步骤S2中根据数据集构建特征矩阵X,邻接矩阵A具体步骤为:步骤S2.1、根据数据集构建特征矩阵X∈n×k,如下式所示:
其中,k表示该数据集有k个关键性能指标KPI,n表示数据集的样本个数,KPIm,k指第m条样本第k个KPI的值;
步骤S2.2、构建一个标签矩阵Y∈Rn×c表示数据集中的样本的标签类别,如下式所示:其中,c表示数据集的故障类型数,n表示数据集的样本数;
步骤S2.3、构建一个邻接矩阵A∈Rn×n用以表示节点之间的连边关系。
4.根据权利要求3所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法,其特征在于,在所述步骤S2.2中,设定c为6,分别为正常情况、上行干扰、下行干扰、覆盖空洞、空口故障、基站故障,其中C1,2=1∪C1,i(1≤i≤c)=0表示第一条数据样本的故障类型为上行干扰。
5.根据权利要求3所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法,其特征在于,在所述步骤S2.3中,选择使用高斯函数来计算任意两两样本节点之间的相似性度量si,j(0≤si,j≤1),如下式所示:其中,δ=1被称为高斯函数带宽参数,当xi和xj彼此间的欧式距离越近,则表示图中第i个节点和第j个节点就越相似,si,j就越大,反之,si,j就越小;初始化设置一个阈值α,若节点相似性度量si,j大于等于阈值α,则邻接矩阵中对应元素Ai,j=1;反之,则Ai,j=0,最终得到所需要的邻接矩阵A如下式所示:
6.根据权利要求5所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法,其特征在于,所述步骤S4的基于LSTM和CRF模型对非结构化数据的知识抽取算法的具体步骤为:步骤S4.1:使用Bakeoff-3评测中所采用的BIO标注集,即B-P、I-P代表故障名首字、故障名非首字,B-L、I-L代表关系名首字、关系名非首字,B-O、I-O代表对用故障原因实体名首字、故障原因名非首字,O代表该字不属于命名实体的一部分;
步骤S4.2:对文本和数据进行预处理,采用独热编码,包含数据集中所有词的语料库,然后使用与语料库总词数相同的向量表示每个词,并且向量中与这个单词对应位置的值为1,其余位置为0,将句子中每个字由one-hot向量映射得到的字向量xi输入到LSTM模型中,自动提取句子特征,然后利用LSTM和CRF联合模型对实体的识别进行打分,最后输出对应的标签。
7.根据权利要求6所述的基于深度学习和知识图谱的蜂窝网络故障诊断方法,其特征在于,所述步骤S5得到最终的网络故障诊断结果以及可解释性报告具体内容为:步骤S5.1:如果GCN诊断模型输出故障为(0,0,0,1,0,0),则表示该故障原因是覆盖空洞,然后将覆盖空洞输入到KG中,就可以得出相关的故障定义、现象、可能原因、解决方法;
步骤S5.2:如果GCN诊断模型输出故障为(0,1,0,1,0,0),则表示该故障原因可能是覆盖空洞或者上行干扰或者有两种原因,此类故障就需要提出来,输入到故障知识图谱中进一步诊断,知识图谱首先查找关于上行干扰和覆盖空洞的详细信息,与告警信息进行对比排查,然后输入到故障规则库里面进行推理,进而确定故障根因。