本文版权为《邮电设计技术》所有,如需转载请联系《邮电设计技术》编辑部
摘 要:采用自监督方式检测异常小区、无监督方式聚类问题类型、可视化标注标签的 数据挖掘思路,得到带标签的异常小区问题类型数据集。不仅标签数据集可直 接应用到网络运营运维领域,而且挖掘问题类型数据集的思路和方法论可广泛 推广到其他领域。另外,借助卷积神经网络深度学习算法,将大量的专家经验 模型化,构建智能优化引擎,挖掘出人工不易捕捉到的深度信息,更加准确高效 地发现网络问题,可扩展性强。
关键词:深度学习;异常小区;问题检测;问题分类
doi:10.12045/j.issn.1007-3043.2019.11.003
引言
当今移动网络复杂多变,特别随着5G和物联网的引入,其复杂性将进一步增加。采用深度学习算法的人工智能解决方案,可以适应复杂的环境,在用户和流量行为不断变化时,将优于任何人工驱动的解决方案。
移动网异常小区问题类型涉及无线覆盖、干扰、容量等多个方面,传统的网络优化方法是先采集PM和配置等数据,网优工程师再根据专家知识和经验,对各项指标分别设置阈值,来诊断网元是否存在高负
荷、高干扰、覆盖差等异常问题。管理增加了网络复杂性,如何在网络动态变化的情况下,快速发现网络问题,提升运维效率,是目前亟待研究的课题。
基于AI深度学习的移动网异常小区检测分类方案应运而生,它实现了原始数据入库解析自动化,问题分类智能化,诊断结果精准化,管控流程标准化,显著提升日常优化的生产效率和工作效果,起到了降本增效的作用。