本文選題：多維關聯(lián) + 機器學習��； 參考：《中國科學技術大學》2017年博士論文

【摘要】：近幾年來,移動用戶的急劇增加,多樣化的終端接入,數(shù)據(jù)業(yè)務的爆炸式增長,變革了移動網(wǎng)絡的架構、技術等各方各面的發(fā)展,使得網(wǎng)絡環(huán)境變得多樣化、復雜化,運營商對于網(wǎng)絡維護管理的復雜度,難度也隨之增加。因此,為了降低移動網(wǎng)絡運維管理的人工成本,提高網(wǎng)絡的操作和維護性能,智能化網(wǎng)絡運維成為未來移動網(wǎng)絡運維的發(fā)展的必然趨勢。移動網(wǎng)絡狀態(tài)分析作為智能化運維中的重要環(huán)節(jié),包含發(fā)現(xiàn)問題、問題定界等方面的研究,具有極大的應用價值。因此,本文圍繞移動網(wǎng)絡狀態(tài)分析展開,以多維關聯(lián)分析作為理論基礎,重點解決網(wǎng)絡異常狀態(tài)識別以及流量狀態(tài)預測兩大關鍵問題,具體研究內容包括以下幾個方面:第一,本文針對移動網(wǎng)絡KPI異常狀態(tài)檢測問題,引入基于密度聚類的異常檢測方法,提出一種基于核密度的局部密度多維異常檢測方法,從無監(jiān)督學習的角度實現(xiàn)網(wǎng)絡自動化異常檢測功能。通過相鄰點密度對比的方法判別異常,解決傳統(tǒng)單維檢測以及統(tǒng)計模型不穩(wěn)定的問題;通過核函數(shù)賦予不同方向數(shù)據(jù)點不同的權重,相比于直接使用基于密度的算法,克服了移動網(wǎng)絡KPI數(shù)據(jù)異常單向性、高性能點稀疏性、不同KPI變化范圍差異性等數(shù)據(jù)特點,使得最終的異常檢測精度有所提升。第二,本文針對移動網(wǎng)絡KPI異常根因分析問題,設計了一種基于目標的分層聚類異常根因分析框架,實現(xiàn)訓練數(shù)據(jù)未進行異常根因標定且KPI種類繁多的情況下,自動化進行KPI異常根因分析功能。該框架首先針對網(wǎng)絡異常類別劃分問題,設計了一種基于SOM和K-mediods混合的非監(jiān)督學習的方法,通過參數(shù)分布特性,將異常劃分為不同的類別,建立具有迭代特性的KPI異常類別劃分系統(tǒng),標定的異常類別用于下一步的異常根因相關維度選擇;其次,針對異常根因分析問題,提出一種基于KS檢驗以及互信息熵的特征選擇方法,結合KPI物理屬性,利用KPI正常類別與異常類別之間參數(shù)分布的差異性,選擇與異常類別相關的KPI進行聚類,得到不同類型的異常根因。異常類別及其對應的根因最終形成專家知識庫,可以用于在線異常根因分析。實驗證明,該框架結構能夠有效解決異常模式樣本稀疏且異常根因維度稀疏問題。第三,本文針對移動網(wǎng)絡流量狀態(tài)預測問題,引入多維度離散流量狀態(tài)預測方法,以多源數(shù)據(jù)融合為基礎,提出一種基于局部關聯(lián)分析的雙層數(shù)據(jù)驅動預測框架,相比于傳統(tǒng)基于流量時間序列的預測方法,提升了時空尺度較小情況下,突發(fā)流量的預測的精度。在此過程中,首先針對如何確定流量相關維度問題,設計了一種基于多個獨立二值分類器的分析方法,通過建立每個流量狀態(tài)下的二值分類模型,得到不同流量狀態(tài)下與之相關的維度;基于上述獲取的與流量狀態(tài)局部關聯(lián)的維度,針對如何確定多維度與流量之間預測函數(shù)問題,基于遷移學習的概念,設計了一種集成式預測框架,分別對每個狀態(tài)獨立建模,預測時以自身狀態(tài)模型為主,其它狀態(tài)模型的結果輔助預測,最終將多個預測其的結果采用投票的方式集成,具體解決部分流量狀態(tài)稀疏,無法建立準確模型的問題;不同時段內流量模型存在差異性,因此,針對如何確定建模時段問題,設計了一種基于層次聚類的相鄰時間合并方法,將具有相似特性的相鄰時段合并,對時段建模,具體解決用戶行為"時間漂移"問題。實驗證明,該預測框架在稀疏高流量狀態(tài)上預測性能有明顯提升,且整體性能較優(yōu)。本文以現(xiàn)網(wǎng)采集的移動網(wǎng)絡數(shù)據(jù)為基礎,以分析移動網(wǎng)絡數(shù)據(jù)特點為切入點,探討以數(shù)據(jù)多維關聯(lián)分析為理論的無監(jiān)督學習、監(jiān)督學習、遷移學習等方法在移動網(wǎng)絡狀態(tài)分析中的應用方式及其性能結果,從而為更為深入的智能化移動網(wǎng)絡運維提供研究思路。
[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.
【學位授予單位】：中國科學技術大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TN929.5

【相似文獻】

相關期刊論文 前10條

1 寧荻;配置網(wǎng)絡參數(shù)的另外幾種方法[J];電腦開發(fā)與應用;2004年04期

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

3 ;控制網(wǎng)絡的正確選擇[J];機電信息;1998年05期

4 ;無線網(wǎng)絡參數(shù)[J];計算機與網(wǎng)絡;2002年14期

5 邱梓振;無圖網(wǎng)絡的參數(shù)計算[J];龍巖師專學報;1991年03期

6 ;享受極品網(wǎng)絡加速[J];電子科技;2001年05期

7 周永權,焦李成;層次泛函網(wǎng)絡整體學習算法[J];計算機學報;2005年08期

8 周永權;何登旭;焦李成;李陶深;;層次泛函網(wǎng)絡學習算法及其在時間序列分析中的應用[J];數(shù)據(jù)采集與處理;2006年02期

9 馮業(yè)榮;BP網(wǎng)絡及其學習功能初探[J];廣東氣象;1995年01期

10 何平,潘國峰,董永峰;模糊SOM網(wǎng)絡在油氣預測中的應用[J];河北工業(yè)大學學報;2003年05期

相關會議論文 前9條

1 莫富強;王浩;姚宏亮;;動態(tài)貝葉斯網(wǎng)絡參數(shù)學習算法的一種加速[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

2 方錦清;;網(wǎng)絡科學理論研究的若干進展與展望-近年我院復雜網(wǎng)絡小組的研究概述[A];第三屆全國復雜動態(tài)網(wǎng)絡學術論壇論文集[C];2006年

3 王惠生;;GSM-R網(wǎng)絡參數(shù)ACCMIN的設置及對系統(tǒng)的影響[A];鐵道科學技術新進展——鐵道科學研究院五十五周年論文集[C];2005年

4 董樹義;趙永久;路宏敏;;微波規(guī)準網(wǎng)絡參數(shù)擬合模型與CAT[A];1991年全國微波會議論文集（卷Ⅱ）[C];1991年

5 陳濤;龔正虎;胡寧;;基于改進BP算法的網(wǎng)絡態(tài)勢預測模型[A];2009全國計算機網(wǎng)絡與通信學術會議論文集[C];2009年

6 彭振宇;朱暢華;董樹義;;傳輸型雙六端口測量網(wǎng)絡參數(shù)的優(yōu)化方案探討[A];1995年全國微波會議論文集（下冊）[C];1995年

7 方錦清;汪小帆;鄭志剛;;非線性網(wǎng)絡的動力學復雜性研究的進展概況[A];第四屆全國網(wǎng)絡科學學術論壇暨研究生暑期學校論文集[C];2008年

8 吳曄;肖井華;馬寶軍;吳智遠;楊俊忠;;手機短信網(wǎng)絡的生長過程研究[A];2006全國復雜網(wǎng)絡學術會議論文集[C];2006年

9 梁昌洪;張新軍;;一類非均勻傳輸線網(wǎng)絡參數(shù)的數(shù)值求解[A];1997年全國微波會議論文集(下冊)[C];1997年

相關重要報紙文章 前10條

1 魏大可;校園網(wǎng)絡參數(shù)維護技巧之隱藏法[N];中國電腦教育報;2003年

2 北京 阮征;遠程修改網(wǎng)絡參數(shù)[N];電腦報;2004年

3 本報記者 葉閃;告別網(wǎng)絡亞健康狀態(tài)[N];計算機世界;2001年

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

5 廣西 卜云聲;網(wǎng)絡切換開關——Netswitcher[N];電腦報;2001年

6 愛立信(中國)通信有限公司;自組織網(wǎng)絡:構建高效低成本移動網(wǎng)絡[N];通信產(chǎn)業(yè)報;2010年

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

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

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

10 本報實習記者 賈冕;WiFi共享：是福是禍？[N];中國知識產(chǎn)權報;2013年

相關博士學位論文 前10條

1 周文剛;網(wǎng)絡流量分類識別若干技術研究[D];電子科技大學;2014年

2 王河山;回聲狀態(tài)網(wǎng)絡的結構參數(shù)優(yōu)化及其應用[D];華東理工大學;2016年

3 熊云艷;復雜網(wǎng)絡的某些性質研究及其應用[D];華南理工大學;2016年

4 王贏飛;復雜動力網(wǎng)絡的拓撲識別：從單層到多層[D];武漢大學;2016年

5 李曉娟;作業(yè)車間生產(chǎn)網(wǎng)絡多瓶頸識別與資源優(yōu)化配置研究[D];新疆大學;2017年

6 繆丹丹;基于多維關聯(lián)的移動網(wǎng)絡狀態(tài)分析研究[D];中國科學技術大學;2017年

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

8 蘇先創(chuàng);復雜網(wǎng)絡的結構刻畫與蛋白質作用網(wǎng)絡的建模研究[D];浙江大學;2011年

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

10 嚴傳魁;基于一種自適應突觸學習規(guī)則的網(wǎng)絡同步分析以及在記憶模型中的應用[D];華東理工大學;2012年

相關碩士學位論文 前10條

1 萬慧華;基于RR間期和深度置信網(wǎng)絡的房顫檢測[D];河北大學;2015年

2 唐小虹;復雜網(wǎng)絡級聯(lián)失效下的負載重分配機制研究[D];西南交通大學;2015年

3 白昊晨;CDMA網(wǎng)絡優(yōu)化技術研究[D];北京化工大學;2015年

4 陳雨;基于復雜網(wǎng)絡的故障診斷方法研究及系統(tǒng)實現(xiàn)[D];北京化工大學;2015年

5 張亞娟;基于復雜網(wǎng)絡的房顫信號特性分析[D];復旦大學;2014年

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

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

8 孫衛(wèi)強;基于深度信念網(wǎng)絡的網(wǎng)絡水軍識別研究[D];湘潭大學;2015年

9 朱日劍;復雜網(wǎng)絡上動力學系統(tǒng)同步現(xiàn)象的研究[D];廣西師范大學;2015年

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

，

本文編號：1911120