本文選題：多維關(guān)聯(lián) + 機(jī)器學(xué)習(xí)�。� 參考：《中國(guó)科學(xué)技術(shù)大學(xué)》2017年博士論文

【摘要】：近幾年來(lái),移動(dòng)用戶的急劇增加,多樣化的終端接入,數(shù)據(jù)業(yè)務(wù)的爆炸式增長(zhǎng),變革了移動(dòng)網(wǎng)絡(luò)的架構(gòu)、技術(shù)等各方各面的發(fā)展,使得網(wǎng)絡(luò)環(huán)境變得多樣化、復(fù)雜化,運(yùn)營(yíng)商對(duì)于網(wǎng)絡(luò)維護(hù)管理的復(fù)雜度,難度也隨之增加。因此,為了降低移動(dòng)網(wǎng)絡(luò)運(yùn)維管理的人工成本,提高網(wǎng)絡(luò)的操作和維護(hù)性能,智能化網(wǎng)絡(luò)運(yùn)維成為未來(lái)移動(dòng)網(wǎng)絡(luò)運(yùn)維的發(fā)展的必然趨勢(shì)。移動(dòng)網(wǎng)絡(luò)狀態(tài)分析作為智能化運(yùn)維中的重要環(huán)節(jié),包含發(fā)現(xiàn)問(wèn)題、問(wèn)題定界等方面的研究,具有極大的應(yīng)用價(jià)值。因此,本文圍繞移動(dòng)網(wǎng)絡(luò)狀態(tài)分析展開(kāi),以多維關(guān)聯(lián)分析作為理論基礎(chǔ),重點(diǎn)解決網(wǎng)絡(luò)異常狀態(tài)識(shí)別以及流量狀態(tài)預(yù)測(cè)兩大關(guān)鍵問(wèn)題,具體研究?jī)?nèi)容包括以下幾個(gè)方面:第一,本文針對(duì)移動(dòng)網(wǎng)絡(luò)KPI異常狀態(tài)檢測(cè)問(wèn)題,引入基于密度聚類(lèi)的異常檢測(cè)方法,提出一種基于核密度的局部密度多維異常檢測(cè)方法,從無(wú)監(jiān)督學(xué)習(xí)的角度實(shí)現(xiàn)網(wǎng)絡(luò)自動(dòng)化異常檢測(cè)功能。通過(guò)相鄰點(diǎn)密度對(duì)比的方法判別異常,解決傳統(tǒng)單維檢測(cè)以及統(tǒng)計(jì)模型不穩(wěn)定的問(wèn)題;通過(guò)核函數(shù)賦予不同方向數(shù)據(jù)點(diǎn)不同的權(quán)重,相比于直接使用基于密度的算法,克服了移動(dòng)網(wǎng)絡(luò)KPI數(shù)據(jù)異常單向性、高性能點(diǎn)稀疏性、不同KPI變化范圍差異性等數(shù)據(jù)特點(diǎn),使得最終的異常檢測(cè)精度有所提升。第二,本文針對(duì)移動(dòng)網(wǎng)絡(luò)KPI異常根因分析問(wèn)題,設(shè)計(jì)了一種基于目標(biāo)的分層聚類(lèi)異常根因分析框架,實(shí)現(xiàn)訓(xùn)練數(shù)據(jù)未進(jìn)行異常根因標(biāo)定且KPI種類(lèi)繁多的情況下,自動(dòng)化進(jìn)行KPI異常根因分析功能。該框架首先針對(duì)網(wǎng)絡(luò)異常類(lèi)別劃分問(wèn)題,設(shè)計(jì)了一種基于SOM和K-mediods混合的非監(jiān)督學(xué)習(xí)的方法,通過(guò)參數(shù)分布特性,將異常劃分為不同的類(lèi)別,建立具有迭代特性的KPI異常類(lèi)別劃分系統(tǒng),標(biāo)定的異常類(lèi)別用于下一步的異常根因相關(guān)維度選擇;其次,針對(duì)異常根因分析問(wèn)題,提出一種基于KS檢驗(yàn)以及互信息熵的特征選擇方法,結(jié)合KPI物理屬性,利用KPI正常類(lèi)別與異常類(lèi)別之間參數(shù)分布的差異性,選擇與異常類(lèi)別相關(guān)的KPI進(jìn)行聚類(lèi),得到不同類(lèi)型的異常根因。異常類(lèi)別及其對(duì)應(yīng)的根因最終形成專(zhuān)家知識(shí)庫(kù),可以用于在線異常根因分析。實(shí)驗(yàn)證明,該框架結(jié)構(gòu)能夠有效解決異常模式樣本稀疏且異常根因維度稀疏問(wèn)題。第三,本文針對(duì)移動(dòng)網(wǎng)絡(luò)流量狀態(tài)預(yù)測(cè)問(wèn)題,引入多維度離散流量狀態(tài)預(yù)測(cè)方法,以多源數(shù)據(jù)融合為基礎(chǔ),提出一種基于局部關(guān)聯(lián)分析的雙層數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)框架,相比于傳統(tǒng)基于流量時(shí)間序列的預(yù)測(cè)方法,提升了時(shí)空尺度較小情況下,突發(fā)流量的預(yù)測(cè)的精度。在此過(guò)程中,首先針對(duì)如何確定流量相關(guān)維度問(wèn)題,設(shè)計(jì)了一種基于多個(gè)獨(dú)立二值分類(lèi)器的分析方法,通過(guò)建立每個(gè)流量狀態(tài)下的二值分類(lèi)模型,得到不同流量狀態(tài)下與之相關(guān)的維度;基于上述獲取的與流量狀態(tài)局部關(guān)聯(lián)的維度,針對(duì)如何確定多維度與流量之間預(yù)測(cè)函數(shù)問(wèn)題,基于遷移學(xué)習(xí)的概念,設(shè)計(jì)了一種集成式預(yù)測(cè)框架,分別對(duì)每個(gè)狀態(tài)獨(dú)立建模,預(yù)測(cè)時(shí)以自身狀態(tài)模型為主,其它狀態(tài)模型的結(jié)果輔助預(yù)測(cè),最終將多個(gè)預(yù)測(cè)其的結(jié)果采用投票的方式集成,具體解決部分流量狀態(tài)稀疏,無(wú)法建立準(zhǔn)確模型的問(wèn)題;不同時(shí)段內(nèi)流量模型存在差異性,因此,針對(duì)如何確定建模時(shí)段問(wèn)題,設(shè)計(jì)了一種基于層次聚類(lèi)的相鄰時(shí)間合并方法,將具有相似特性的相鄰時(shí)段合并,對(duì)時(shí)段建模,具體解決用戶行為"時(shí)間漂移"問(wèn)題。實(shí)驗(yàn)證明,該預(yù)測(cè)框架在稀疏高流量狀態(tài)上預(yù)測(cè)性能有明顯提升,且整體性能較優(yōu)。本文以現(xiàn)網(wǎng)采集的移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)為基礎(chǔ),以分析移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)特點(diǎn)為切入點(diǎn),探討以數(shù)據(jù)多維關(guān)聯(lián)分析為理論的無(wú)監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)等方法在移動(dòng)網(wǎng)絡(luò)狀態(tài)分析中的應(yīng)用方式及其性能結(jié)果,從而為更為深入的智能化移動(dòng)網(wǎng)絡(luò)運(yùn)維提供研究思路。
[Abstract]:In recent years, the rapid increase of mobile users, the diversified terminal access, the explosive growth of data services, the transformation of the architecture of the mobile network, and the development of all aspects of technology, make the network environment diversified and complicated, and the complexity of the network maintenance and management is increasing. In order to reduce the mobile network, to reduce the mobile network, The artificial cost of the network operation and maintenance management improves the operation and maintenance of the network. The intelligent network operation and maintenance has become the inevitable trend of the development of the mobile network operation and maintenance in the future. As an important link in the intelligent operation and maintenance, the state analysis of the mobile network includes the Research of the discovery problem and the problem delimiting. Therefore, this paper is of great application value. Around the state analysis of mobile network, taking multi-dimensional association analysis as the theoretical basis, it focuses on two key problems of network abnormal state recognition and traffic state prediction. The specific research contents include the following aspects: first, this paper introduces the anomaly detection based on density clustering based on density clustering to detect the abnormal state detection of KPI in mobile network. Method, a local density multidimensional anomaly detection method based on kernel density is proposed, and the network automation anomaly detection function is realized from the angle of unsupervised learning. The anomaly is discriminate by the density contrast method of adjacent points to solve the problem of the traditional single dimension detection and the unstable statistical model. The kernel function gives different direction data points to different points. The weight, compared to the direct use of density based algorithm, overcame the data characteristics of KPI data anomaly, high performance point sparsity, different KPI variation range and so on, which made the final anomaly detection precision improved. Second, this paper designs a kind of target based on the target of mobile network KPI anomaly root cause analysis. The hierarchical clustering anomaly root causes the analysis function of KPI abnormal root cause analysis in the case that the training data is not calibrated and KPI has a wide variety. The framework first designs a non supervised learning method based on the mixture of SOM and K-mediods, which is based on the network anomaly classification problem, through the parameter distribution. Characteristics, divide the exception into different categories, establish the KPI anomaly classification system with iterative characteristics, the calibrated exception category is used for the next step of the exception root to be selected because of the correlation dimension. Secondly, a feature selection method based on KS test and mutual trust entropy is proposed for the analysis of abnormal root cause, which combines the physical properties of KPI and uses K. The difference between the parameter distribution between the normal class and the exception category of PI, select the KPI which is related to the exception category, and get the different types of abnormal root cause. The exception category and its corresponding root cause the expert knowledge base, which can be used for the online abnormal root cause analysis. The experimental evidence shows that the frame structure can effectively solve the abnormal pattern sample. The sparse and abnormal root cause dimension sparsity problem. Third. In this paper, a multi dimension discrete flow state prediction method is introduced to the traffic state prediction problem of mobile network. Based on multi source data fusion, a two-layer data driven prediction framework based on local correlation analysis is proposed, compared with the traditional predictor based on the flow time series. In this process, a new analysis method based on multiple independent two value classifiers is designed, which is based on the establishment of a two value classification model in each flow state, which is related to different traffic states. Dimension; based on the dimensions associated with the local traffic state obtained above, based on the concept of how to determine the predictive function between multi dimension and traffic, based on the concept of migration learning, an integrated prediction framework is designed to model each state independently, the prediction is based on the self state model, and the results of other state models are assisted. In the end, a number of prediction results are integrated in the way of voting, which can solve the problem of sparse partial flow state and no accurate model. The flow model is different in different periods. Therefore, a method of merging adjacent time based on hierarchical clustering is designed to determine the time of modeling time. It is proved that the prediction performance of the prediction framework is obviously improved and the overall performance is better in the sparse and high flow state. This paper is based on the mobile network data collected in the present network, and discusses the characteristics of the mobile network data as the breakthrough point. The method and performance results of unsupervised learning, supervised learning, migration learning and other methods in the analysis of mobile network state are taken as the theory of data multidimensional association analysis, thus providing a research idea for more in-depth intelligent mobile network operation and maintenance.
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TN929.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 寧荻;配置網(wǎng)絡(luò)參數(shù)的另外幾種方法[J];電腦開(kāi)發(fā)與應(yīng)用;2004年04期

2 帷幄;如何防止網(wǎng)絡(luò)參數(shù)被篡改[J];網(wǎng)絡(luò)與信息;2002年02期

3 ;控制網(wǎng)絡(luò)的正確選擇[J];機(jī)電信息;1998年05期

4 ;無(wú)線網(wǎng)絡(luò)參數(shù)[J];計(jì)算機(jī)與網(wǎng)絡(luò);2002年14期

5 邱梓振;無(wú)圖網(wǎng)絡(luò)的參數(shù)計(jì)算[J];龍巖師專(zhuān)學(xué)報(bào);1991年03期

6 ;享受極品網(wǎng)絡(luò)加速[J];電子科技;2001年05期

7 周永權(quán),焦李成;層次泛函網(wǎng)絡(luò)整體學(xué)習(xí)算法[J];計(jì)算機(jī)學(xué)報(bào);2005年08期

8 周永權(quán);何登旭;焦李成;李陶深;;層次泛函網(wǎng)絡(luò)學(xué)習(xí)算法及其在時(shí)間序列分析中的應(yīng)用[J];數(shù)據(jù)采集與處理;2006年02期

9 馮業(yè)榮;BP網(wǎng)絡(luò)及其學(xué)習(xí)功能初探[J];廣東氣象;1995年01期

10 何平,潘國(guó)峰,董永峰;模糊SOM網(wǎng)絡(luò)在油氣預(yù)測(cè)中的應(yīng)用[J];河北工業(yè)大學(xué)學(xué)報(bào);2003年05期

相關(guān)會(huì)議論文 前9條

1 莫富強(qiáng);王浩;姚宏亮;;動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)算法的一種加速[A];中國(guó)儀器儀表學(xué)會(huì)第九屆青年學(xué)術(shù)會(huì)議論文集[C];2007年

2 方錦清;;網(wǎng)絡(luò)科學(xué)理論研究的若干進(jìn)展與展望-近年我院復(fù)雜網(wǎng)絡(luò)小組的研究概述[A];第三屆全國(guó)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)學(xué)術(shù)論壇論文集[C];2006年

3 王惠生;;GSM-R網(wǎng)絡(luò)參數(shù)ACCMIN的設(shè)置及對(duì)系統(tǒng)的影響[A];鐵道科學(xué)技術(shù)新進(jìn)展——鐵道科學(xué)研究院五十五周年論文集[C];2005年

4 董樹(shù)義;趙永久;路宏敏;;微波規(guī)準(zhǔn)網(wǎng)絡(luò)參數(shù)擬合模型與CAT[A];1991年全國(guó)微波會(huì)議論文集（卷Ⅱ）[C];1991年

5 陳濤;龔正虎;胡寧;;基于改進(jìn)BP算法的網(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)模型[A];2009全國(guó)計(jì)算機(jī)網(wǎng)絡(luò)與通信學(xué)術(shù)會(huì)議論文集[C];2009年

6 彭振宇;朱暢華;董樹(shù)義;;傳輸型雙六端口測(cè)量網(wǎng)絡(luò)參數(shù)的優(yōu)化方案探討[A];1995年全國(guó)微波會(huì)議論文集（下冊(cè)）[C];1995年

7 方錦清;汪小帆;鄭志剛;;非線性網(wǎng)絡(luò)的動(dòng)力學(xué)復(fù)雜性研究的進(jìn)展概況[A];第四屆全國(guó)網(wǎng)絡(luò)科學(xué)學(xué)術(shù)論壇暨研究生暑期學(xué)校論文集[C];2008年

8 吳曄;肖井華;馬寶軍;吳智遠(yuǎn);楊俊忠;;手機(jī)短信網(wǎng)絡(luò)的生長(zhǎng)過(guò)程研究[A];2006全國(guó)復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文集[C];2006年

9 梁昌洪;張新軍;;一類(lèi)非均勻傳輸線網(wǎng)絡(luò)參數(shù)的數(shù)值求解[A];1997年全國(guó)微波會(huì)議論文集(下冊(cè))[C];1997年

相關(guān)重要報(bào)紙文章 前10條

1 魏大可;校園網(wǎng)絡(luò)參數(shù)維護(hù)技巧之隱藏法[N];中國(guó)電腦教育報(bào);2003年

2 北京 阮征;遠(yuǎn)程修改網(wǎng)絡(luò)參數(shù)[N];電腦報(bào);2004年

3 本報(bào)記者 葉閃;告別網(wǎng)絡(luò)亞健康狀態(tài)[N];計(jì)算機(jī)世界;2001年

4 武君;網(wǎng)絡(luò)優(yōu)化因“段”制宜[N];通信產(chǎn)業(yè)報(bào);2006年

5 廣西 卜云聲;網(wǎng)絡(luò)切換開(kāi)關(guān)——Netswitcher[N];電腦報(bào);2001年

6 愛(ài)立信(中國(guó))通信有限公司;自組織網(wǎng)絡(luò):構(gòu)建高效低成本移動(dòng)網(wǎng)絡(luò)[N];通信產(chǎn)業(yè)報(bào);2010年

7 記者 趙雅琪;“易優(yōu)”有效解決TD網(wǎng)絡(luò)優(yōu)化難題[N];人民郵電;2009年

8 上海貝爾 肖曄　陳曦 李勇;建設(shè)性能優(yōu)異的WCDMA網(wǎng)絡(luò)[N];人民郵電;2009年

9 劉學(xué)勇;解讀NGMN白皮書(shū)[N];通信產(chǎn)業(yè)報(bào);2007年

10 本報(bào)實(shí)習(xí)記者 賈冕;WiFi共享：是福是禍？[N];中國(guó)知識(shí)產(chǎn)權(quán)報(bào);2013年

相關(guān)博士學(xué)位論文 前10條

1 周文剛;網(wǎng)絡(luò)流量分類(lèi)識(shí)別若干技術(shù)研究[D];電子科技大學(xué);2014年

2 王河山;回聲狀態(tài)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)優(yōu)化及其應(yīng)用[D];華東理工大學(xué);2016年

3 熊云艷;復(fù)雜網(wǎng)絡(luò)的某些性質(zhì)研究及其應(yīng)用[D];華南理工大學(xué);2016年

4 王贏飛;復(fù)雜動(dòng)力網(wǎng)絡(luò)的拓?fù)渥R(shí)別：從單層到多層[D];武漢大學(xué);2016年

5 李曉娟;作業(yè)車(chē)間生產(chǎn)網(wǎng)絡(luò)多瓶頸識(shí)別與資源優(yōu)化配置研究[D];新疆大學(xué);2017年

6 繆丹丹;基于多維關(guān)聯(lián)的移動(dòng)網(wǎng)絡(luò)狀態(tài)分析研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2017年

7 王濤;全局耦合網(wǎng)絡(luò)的特性及其混沌控制研究[D];哈爾濱工程大學(xué);2012年

8 蘇先創(chuàng);復(fù)雜網(wǎng)絡(luò)的結(jié)構(gòu)刻畫(huà)與蛋白質(zhì)作用網(wǎng)絡(luò)的建模研究[D];浙江大學(xué);2011年

9 楊談;網(wǎng)絡(luò)混沌行為及其控制的研究[D];北京郵電大學(xué);2009年

10 嚴(yán)傳魁;基于一種自適應(yīng)突觸學(xué)習(xí)規(guī)則的網(wǎng)絡(luò)同步分析以及在記憶模型中的應(yīng)用[D];華東理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 萬(wàn)慧華;基于RR間期和深度置信網(wǎng)絡(luò)的房顫?rùn)z測(cè)[D];河北大學(xué);2015年

2 唐小虹;復(fù)雜網(wǎng)絡(luò)級(jí)聯(lián)失效下的負(fù)載重分配機(jī)制研究[D];西南交通大學(xué);2015年

3 白昊晨;CDMA網(wǎng)絡(luò)優(yōu)化技術(shù)研究[D];北京化工大學(xué);2015年

4 陳雨;基于復(fù)雜網(wǎng)絡(luò)的故障診斷方法研究及系統(tǒng)實(shí)現(xiàn)[D];北京化工大學(xué);2015年

5 張亞娟;基于復(fù)雜網(wǎng)絡(luò)的房顫信號(hào)特性分析[D];復(fù)旦大學(xué);2014年

6 袁博;基于關(guān)系網(wǎng)絡(luò)的微博話題挖掘[D];哈爾濱工業(yè)大學(xué);2014年

7 楊程成;相互作用網(wǎng)絡(luò)的魯棒性研究[D];電子科技大學(xué);2015年

8 孫衛(wèi)強(qiáng);基于深度信念網(wǎng)絡(luò)的網(wǎng)絡(luò)水軍識(shí)別研究[D];湘潭大學(xué);2015年

9 朱日劍;復(fù)雜網(wǎng)絡(luò)上動(dòng)力學(xué)系統(tǒng)同步現(xiàn)象的研究[D];廣西師范大學(xué);2015年

10 郭磊;二型模糊深度信念網(wǎng)絡(luò)的研究與應(yīng)用[D];太原理工大學(xué);2016年

，

本文編號(hào)：1911120