一种面向集中式接入网的故障检测方法与流程

本发明涉及无线通信系统的故障检测，尤其涉及针对集中式接入网的故障检测。
背景技术：
：集中式接入网(c-ran)是一种新型的资源管控系统，其通过统一和开放接口在大规模集中式资源池中按需创建大量虚拟基站，以实现在多个虚拟基站之间共享资源。然而对于这样的共享资源池而言，一旦资源池中的资源出现问题，则可能导致与之关联的多个基站发生故障，从而对大范围内的接入用户的业务造成影响，甚至导致整个网络崩溃。因而需要为集中式接入网设置故障管理系统。故障检测作为故障管理的第一步，其检测效果将直接影响故障管理的效果。传统的故障检测方式的人工参与量大，这种故障检测方式非常依赖运维人员的经验，并且容易发生误判和漏判。而随着新业务的出现，集中式接入网设备的复杂性越来越高、网络规模逐渐壮大，这使得实现准确且高效的故障检测变得愈发困难。目前，本领域提出了一些新的可降低人工参与度的故障检测方法，大致上可分为两类：1、基于探针的方法，此类方法周期性地向网络发送探测数据，根据网络的响应情况来判断是否有故障发生。该方法检测率高，但是需要不断向网络发送探测包，而集中式接入网本身数据规模就比较庞大，发送探测数据的方式会为系统增加额外的开销。2、基于数据挖掘、神经网络的方法，此类方法将故障数据样本训练成相应的规则或模型进行故障检测，并且故障数据样本越大，训练出的规则或模型就越准确。然而对于大部分设备而言，一次性获取大量的故障样本比较困难，所以此类方法也不适合应用于集中式接入网。技术实现要素：因此，本发明的目的在于克服上述现有技术的缺陷，提供一种对集中式接入网执行异常检测的方法，包括：1)针对集中式接入网的网络架构中的一层，采用与该层对应的第一故障检测器进行异常事件检测，其中所述第一故障检测器基于该层自身的运行数据、采用否定选择算法训练得到；2)在所述第一故障检测器检测到一个部件存在多项故障信息时，采用第二故障检测器对该部件的多项故障信息执行交运算以确定所述部件的故障，其中一项所述故障信息被表示为在该部件上发生的一个异常事件与同该异常事件存在关联的所有异常事件的集合。优选地，根据所述方法，其中包括：针对集中式接入网的网络架构中的一层执行上述步骤1)和/或步骤2)，在发现所述层的部件存在故障的情况下，针对所述层的相邻层执行上述步骤1)和/或步骤2)，直到确定当前层的部件不存在故障或遍历了所有层。优选地，根据所述方法，其中包括：针对集中式接入网的网络架构中的一个非底层执行上述步骤1)和/或步骤2)，在发现所述层的部件存在故障的情况下，针对所述层的较低层执行上述步骤1)和/或步骤2)，直到确定当前层的部件不存在故障或检测到最低层。优选地，根据所述方法，其中针对集中式接入网的网络架构中的下列各层分别从对应的集合中选取该层自身的运行数据以用于所述否定选择算法和所述第一故障检测器：计算资源层：设备的温度、设备的电压、cpu利用率、内存利用率、网络接口流量、网络接口速率；虚拟化层：虚拟cpu的使用率、虚拟内存的使用率、虚拟基带的使用率；网元层：虚拟基站的接入用户数量、上行速率、下行速率、信号强度、时延、丢包率、参考信号接收功率；网络层：区域的网络性能参数。优选地，根据所述方法，其中所述第一故障检测器通过以下方法训练得到，包括：i)针对集中式接入网的网络架构中一层，收集该层自身的n维的运行数据d'＝(z(1),z(2),...,zn)，以作为自体样本集；ii)基于所述自体样本集、采用否定选择算法训练得到候选第一故障检测器，若所述候选第一故障检测器与自体样本的最小距离dmin大于或等于自体样本亲和半径rs，则将所述候选故障检测器加入故障检测器的集合；iii)在所获得的所述故障检测器的集合满足设置的覆盖率时输出故障检测器的集合，否则重复上述步骤ii)。优选地，根据所述方法，其中步骤iii)判断所获得的所述故障检测器的集合是否达到了设置的覆盖率，包括：基于z＞zα来判断所获得的所述故障检测器的集合是否达到了设置的覆盖率，其中x为n个测试样本中所述故障检测器的集合所覆盖的数量，p为预定覆盖率，zα为与选择的显著水平α所对应的置信值。优选地，根据所述方法，其中在步骤ii)和iii)之间包括：若所述候选故障检测器的检测半径rdi＞dmin-rs，则将该候选故障检测器从用于所述故障检测器的集合中排除。优选地，根据所述方法，其中所述自体样本集d'＝(z(1),z(2),...,zn)对应于通过主成分分析算法对该层可选择的m维的运行数据进行降维处理所确定的n个维度，n<m。一种训练故障检测器的方法，包括：i)收集系统在运行时产生的n维的运行数据d'＝(z(1),z(2),...,zn)，以作为自体样本集；ii)基于所述自体样本集、采用否定选择算法训练得到候选故障检测器，若所述候选故障检测器与自体样本的最小距离dmin大于或等于自体样本亲和半径rs，则将所述候选故障检测器加入故障检测器的集合；iii)在所获得的所述故障检测器的集合满足设置的覆盖率时输出故障检测器的集合，否则重复上述步骤ii)。优选地，根据所述方法，其中步骤iii)判断所获得的所述故障检测器的集合是否达到了设置的覆盖率，包括：基于z＞zα来判断所获得的所述故障检测器的集合是否达到了设置的覆盖率，其中x为n个测试样本中所述故障检测器的集合所覆盖的数量，p为预定覆盖率，zα为与选择的显著水平α所对应的置信值。优选地，根据所述方法，其中在步骤ii)和iii)之间包括：若所述候选故障检测器的检测半径rdi＞dmin-rs，则将该候选故障检测器从用于所述故障检测器的集合中排除。优选地，根据所述方法，其中所述自体样本集d'＝(z(1),z(2),...,zn)对应于通过主成分分析算法对该层可选择的m维的运行数据进行降维处理所确定的n个维度，n<m。一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序在被执行时用于实现上述任意一项所述的方法。与现有技术相比，本发明的实施例的优点在于：1.本发明可以持续自动检测出集中式接入网的异常状况，减少了人工参与量，提升了系统的自动化程度。2.一级故障检测采用的否定选择算法在进行异常检测模型训练时只需提供正常运行参数样本，而不需提供大量的故障样本，实现较为容易。3.本发明的二级故障检测建立了异常关联映射表进行异常推理，可以有效面对大规模异常情况，提升故障检测效率。附图说明以下参照附图对本发明实施例作进一步说明，其中：图1是根据本发明的一个实施例的超级基站的多层网络架构图；图2是根据本发明的一个实施例的集中式接入网执行异常检测的方法流程图；图3是根据本发明的一个实施例采用否定选择算法训练得到异常检测器的方法流程图；图4是根据本发明的一个实施例对检测器覆盖率的检验方法的流程图；图5是针对本发明方案的故障检测率的测试结果；图6是针对本发明的方案的检测时间分析的测试结果。具体实施方式发明人在研究集中式接入网故障检测时，发现当前故障检测机制存在的检测率比较低、人工参与量大、自动化程度不够的问题，提出采用基于人工免疫领域的否定选择算法(nsa)进行故障检测。该nsa算法借鉴了免疫细胞成熟时的“否定选择”过程，通过学习“自体”数据训练出的异常检测器并用于检测“非己”情况，其中“自体”数据指正常数据，“异体”指异常状况。该方法的训练过程不需要大量的故障样本，主要依靠自身的正常运行参数就可以生成异常检测器，并且该方法不会向网络内发送数据包，避免了给系统增加负担。因此，可以基于此方法开展集中式接入网的异常检测。然而，nsa所检测出的异常并不一定代表必然发生了故障，因而还需要进一步进行故障判断。而在集中式接入网内，一个故障能关联出一个或多个异常情况，此时，需要对多个异常情况进行故障关联分析，找出发生异常的故障源。对此，本发明提出采用多级故障检测机制(multiplefaultdetectionmechanism，mfdm)，以第一级故障检测(异常检测)来判断网络是否出现异常，并以第二级故障检测(异常关联分析)对异常进行关联分析，找出发生异常的故障源。概括说来，对于该第一级故障检测，利用集中式接入网的正常数据训练获得基于人工免疫否定选择算法的异常检测器集合，利用训练获得的异常检测器集合对网络进行异常检测以判断是否出现异常。对于该第二级故障检测，根据针对一个部件的多项异常执行交运算，以确定所述部件的故障信息，其中一项所述异常被表示为在该部件上发生的一个异常事件与同该异常事件存在关联的所有异常事件的集合。所述在该部件上发生的异常事件为通过该第一级故障检测所确定的在该部件上发生的一个异常事件。下面结合附图和具体实施方式对本发明作详细说明。<实施例1>下面将通过一个实施例介绍训练所述第一故障检测器的方法。对于大多数集中式接入网，可以将其网络架构抽象成多层，由于各层具有不同的特点，因而根据本发明的一个实施例，可以针对集中式接入网的网络架构中的各层分别训练所述第一故障检测器，以在执行异常检测时采用与该层对应的第一故障检测器进行异常事件检测。对于上述实施方式，可以在训练第一故障检测器时，结合各层的特点选择该层相应的运行数据以用做否定选择算法的训练样本，并在实施步骤1时选择与该训练样本相同类别的待测数据进行异常检测。参考图1，以超级基站(一种集中式接入网)为例，其网络架构由上往下依次被划分为：网络层：是多个基站共同服务组成的网络区域，例如北京市海淀区的网络区域。基于网络层的特性，可以针对该层选择可反映出该区域的网络性能的数据以作为训练样本，例如区域的吞吐量、丢包率、时延等。网元层：是根据用户需求建立的各种虚拟基站。超级基站的单网元等价于一个传统基站，例如可支持2g、3g、4g的基站。虚拟基站具备传统基站的所有逻辑功能，区别在于虚拟基站不具有传统基站的物理形态。针对网元层，可以选择接入用户数、上下行速率、信号强度、时延、丢包率、参考信号接收功率(rsrp)等作为训练样本。虚拟化层：运用实时的虚拟化技术，将底层的内存、cpu、基带等物理计算资源抽象成可直接调用的逻辑计算资源。导致虚拟化层出现异常的原因大多是由物理计算资源不够(迁移或新增物理设备)、或者软件配置错误等造成的。因而针对该虚拟化层，可选择虚拟cpu、虚拟内存、虚拟基带的使用率等作为训练样本。计算资源层：即硬件层，其对应于外接的射频单元、集中的基带池、集中的通用服务器等，以提供软硬件支持。该计算资源层的异常主要是由硬件本身带来的，因而可以选择硬件设备的温度、电压、cpu、内存利用率、网络接口流量、速率等作为针对该层的训练样本。根据本发明的一个实施例，训练第一故障检测器的方法，包括：步骤1.针对集中式接入网的网络架构中一层，收集该层自身的n维的运行数据d'＝(z(1),z(2),...,zn)，以作为自体样本集。其中，一维运行数据表示一类运行数据，以硬件层为例，可以选择硬件设备的温度、电压、cpu、内存利用率、网络接口流量、速率这6类运行数据作为针对该层的训练样本，即n＝6。上述运行数据也被称作为自体样本，在本发明的一个实施例中，可以由管理员在检测代理中配置被管理对象，通过网络管理协议(snmp)收集通过管控软件、协议栈软件、基带软件上传的针对该被管理对象的数据。例如，对于管控软件，基于其配置管理模块收集配置的信息以判断管理员输入的基站的配置信息是否合理；基于其板卡管理模块收集有关计算资源等硬件的数据，比如说温度、电压、cpu、内存的利用率；基于网口管理模块收集网络调用(ftp、http、snmp等等)的信息，例如上下行的速率、丢包率、tcp/udp包等；基于业务管理模块收集小区相关的信息，例如小区的用户数、带宽、小区负载等；基于rru管理模块负责收集远端射频单元的信息，例如信号的发射功率、信号强度、覆盖率等。对于协议栈软件，通过该软件收集有关协议栈层2(mac、rlc、pdcp、rrc等)的协议处理信息，例如收发包的速率、灌包率、抖动时延等。对于基带软件，通过该软件收集物理层phy的处理信息，例如网口的数据量、吞吐量、基带收发包率、功耗、误码率等。考虑到诸如超级基站等集中式接入网分为多层，每层需要检测的参数种类众多且所对应的数据量非常巨大，因而可以对所采集的参数进行去冗余，例如采用线性转换降低数据的维度以减少数据训练的时间和数据处理的复杂度。在本发明的一个实施例中，针对超级基站网络架构中的一层可测的参数汇总为m维参数d＝(x(1),x(2),...,x(m))，并基于主成分分析(principecomponentanalysis,pca)将其变换为n维参数d'＝(x(1),x(2),...,x(n))，其中n<m。在该pca算法中，所选择的n越小，算法的训练时间就越短，相应的准确度就越低，但是n越大，算法的训练时间就越长，进而影响故障检测的效率。n的取值与数据的贡献率相关，表示为：其中，p为数据的贡献度，λ为原始样本的协方差矩阵xxt的特征值。通常贡献率大于90％就可认为较好的覆盖了原始数据空间。采用pca算法对样本进行降维处理的具体实现方式可参照现有技术。根据本发明的一个实施例，以采用协议栈软件获取自体样本为例，假设，在网络架构的当前层可以抓取到如表1所示出的m＝5的20组数据。表1.当前层的数据汇总基于pca算法，对上述数据进行去中心化、并计算对应的协方差矩阵xxt，可以得到如表2所示出的结果。表2.协方差矩阵xxt0.9444-0.32320.05920.0138-0.00080.32780.9126-0.2434-0.0177-0.00820.00350.0037-0.0126-0.03720.9992-0.00590.03300.04200.99790.00930.02500.24810.9671-0.04910.0093继续pca算法，计算与上述协方差矩阵对应的特征值和贡献率，并按照特征值从大到小的顺序可得到λ＝[36.7635,10.3131,0.4373,0.0275,0.0000]t，其中，前2个特征值合计贡献率为99.02％，满足设置的贡献率大于90％的标准，因而选择n＝2。找出前n＝2个特征矩阵对应的向量并基于pca算法计算主成分向量，可以得到如表3所示出的结果。表3.n＝2的主成分数据为了方便计算，在本实施例中采用下式将上述特征1和特征2归一化为无量纲指标。其中x为原始数据，xmax、xmin为原始数据集的最大值和最小值，xnorm为归一化后的数据。对表3中的数据进行归一化处理的结果如表4所示。表4.归一化后的数据由此，可以得到针对集中式接入网的网络架构中一层的自体样本d'＝(z(1),z(2))，(n＝2)。步骤2.基于所述自体样本集、采用否定选择算法训练得到候选第一故障检测器，若所述候选第一故障检测器与自体样本的最小距离dmin大于或等于自体样本亲和半径rs，则将所述候选故障检测器加入故障检测器的集合。根据本发明的一个实施例，可以采用以下方式欧氏距离计算计算所述自体样本亲和半径rs。假设，通过步骤1获得的自体样本如表4所示，则令x＝[0.4446,0]，y＝[0.3419,0.0722]，2个实值向量之间的距离表示二者之间的亲和度，亲和度越小就越匹配。采用欧氏距离计算向量x与向量y之间的亲和半径：其中，xi和yi分别表示向量x和y的第i位。n表示参数类型数量。图3示出了根据本发明的一个实施例采用否定选择算法训练得到异常检测器的过程。参考图3，该训练过程包括：随机生成检测器序列，比较该检测器与自体样本的最小距离dmin(该距离可以通过欧式空间距离公式计算获得)，若dmin＜rs，该检测器被否定；若dmin＞rs，该检测器可作为候选检测器，对应的候选检测半径为l＝dmin-rs。已有的异常检测器的检测半径集合为{rdi},i为异常检测器的编号。为了减小检测器之间的重合率，还可以判断l与所有rdi的大小，若存在l＜rdi，则将丢弃候选检测器；若不存在l＜rdi，则将候选检测器加入到成熟检测器集合。通过此步骤，可以得到针对第一故障检测器的集合。步骤3.在所获得的所述故障检测器的集合满足设置的覆盖率时输出故障检测器的集合，否则重复上述步骤2。在本实施例中，生成检测器集的停止条件是检测器达到预定覆盖率的值。可以采用下式基于抽取的测试样本来评估当前故障检测器的集合的估计覆盖率其中，为估计的覆盖率，x为被检测器覆盖的数量，n是抽取的测试样本的数量。假设，p为预定覆盖率，σ为标准差，根据中心极限定理，当测试样本n足够大时，测试样本估计的覆盖率的误差z值可近似认为服从标准正态分布：基于式(4)和(5)可以推导出以下表达式：当由式(6)所确定的覆盖率的误差z＞zα时，则接受已达到覆盖率p的假设，停止训练；当z＜zα时，没有达到预定的覆盖率范围，继续产生检测器。其中α为显著水平，α越小，说明达到预定覆盖率的结果越准确，通常显著水平选为α＝0.05，则置信水平为1-α＝0.95，zα为此置信水平对应的值，可以通过查标准正态分布表得出此时zα为1.645。图4示出了根据本发明的一个实施例对检测器覆盖率的检验方法。参考图4，根据需要选择期望达到的覆盖率p、显著水平α、和检测样本数n。随机选取自体样本用于检测，针对选取的n个检测样本判断其中每个检测样本是否被检测器覆盖，并由此基于式(6)计算z值。判断z是否大于由显著水平α所确定的zα值，若是则认为达到预期覆盖率，否则认为未达到预期的覆盖率并继续训练第一故障检测器。通过实施例1，可以基于集中式接入网的网络架构中一层的自身运行的数据得到用于该层的第一故障检测器的集合，基于多个故障检测器来满足对自体样本的全面覆盖。<实施例2>根据本发明的实施例2，提供了一种对集中式接入网执行异常检测的方法，参考图2，所述方法包括：步骤1.针对集中式接入网，采用第一故障检测器进行异常事件检测，其中所述第一故障检测器基于该集中式接入网自身的运行数据、采用否定选择算法训练得到。根据本发明的一个实施例，采用实施例1中的方法训练得到所述第一故障检测器。发明人发现上述各层出现故障的特点符合以下规律，即若是当前层出现故障，则较低层有极大概率也出现异常。例如，若网络层的指标异常，则较低的网元层通常也会存在异常。因此，直接对某一较高层进行异常检测常常无法直接定位到故障点，还需要对较低层进行分析。例如，根据本发明的一个实施例，在网络层的指标异常的情况下，针对网元层进行故障检测，找到对应的异常网元(虚拟基站服务片区)，再通过虚拟化层的映射关系对应的虚拟资源，看是否为虚拟化层的软件故障，若不是则继续针对更低层进行故障检测，直到找到故障源。由于越靠近底层，则需要检测的设备及指标越多，出于逐渐缩小故障范围以达到快速定位故障的考虑，优选地，针对集中式接入网的网络架构中的各层，从高到低地进行故障检测，包括：在发现较高层的部件存在故障的情况下，针对集中式接入网的网络架构中的更低一层执行故障检测，直到确定当前层的部件不存在故障或遍历了所有层。然而可以理解，在本发明的其他实施例中，也可以针对集中式接入网的网络架构中的各层，从低到高地进行故障检测。步骤2.采用第二级故障检测器(又被称作为交运算检测器)，根据针对一个部件所检测到的多项异常执行交运算，以确定所述部件的故障信息，其中一项所述异常被表示为在该部件上发生的一个异常事件与同该异常事件存在关联的所有异常事件的集合。根据本发明的一个实施例，对于在步骤1中采用第一故障检测器进行异常事件检测的方案，在步骤2中，可以进一步地基于该第一级故障检测所检测到的在该部件上发生的异常事件进行关联分析。假设，集中式接入网的一层所可能发生的各个故障被编号为f1,…,fi(i为故障总数)，通过与该层对应的第一故障检测器检测到了故障f1，该异常事件f1可能由异常事件f2和f3衍生而来，因而可以将检测到的该项异常表示为f1f2f3。通过第一故障检测器可能检测到了不只一个故障，可以针对其中的每一个采用上述方式进行表示，再对全部各异常执行交运算，以根据所得到的结果确定异常事件的集合。以计算资源层为例，假设该层共有4种故障，分别被编号为：f1表示事件-温度过高，f2表示事件-内存利用率过大，f3表示事件-网络接口过载，f4表示事件-设备过载。该层共有3个设备，分别为：b1-表示基带处理单元1，s1-表示通用服务器1，r1-表示射频单元1。并且，在该层，内存利用率过大、网络接口过载均会造成温度过高，网络接口过载也会造成内存利用率过大。由此，可对一个设备的异常进行表示，例如将服务器1温度过高的异常表示为s1f1f2f3，将服务器1内存利用率过大的异常表示为s1f2f3，将服务器1网络接口过载的异常表示为s1f3。若通过步骤1，检测到服务器1同时出现了温度过高以及内存利用率过大，则对这两项异常做交运算：s1f1f2f3∩s1f2f3＝s1f2f3，基于这一运算可以确定服务器1的内存利用率过大(s1f2f3)。基于上述实施例1，可以对集中式接入网进行多级故障检测，其检测方法通过mfdm的两级故障检测器实现，减少了人工参与量，提升了系统的自动化程度。其中，一级故障检测器是通过对集中式接入网的网络架构自身运行所产生的数据执行否定选择算法训练得到，其不需要专门准备大量的训练样本。并且针对网络架构中的各层分别训练一级故障检测器，在减少所需训练样本数量的同时，降低了针对整个网络采集样本训练所带来的不确定性，使得训练所得到的一级故障检测器的针对性以及检测准确度得到提升。并且，利用第二故障检测器建立异常事件直接的关联映射，将一项异常表示为在该部件上发生的一个异常事件与同该异常事件存在关联的所有异常事件的集合，对于通过第一故障检测器检测到了一个部件的多项异常的情况下，通过第二故障检测器确定部件的故障，由此能够应当大规模异常情况，提升故障检测效率。<性能测试>为了验证本发明的上述方案在面对超级基站故障检测时的使用效果，发明人进行了测试，其评价指标包括：第一故障检测器的训练时间，故障检测率、检测时间。总共进行2次实验：(1)通过仿真分析efdm的训练时间，其训练时间与设定的异常检测器覆盖率和数据集的大小有关，分析了覆盖率为90％，95％，99％等3种情况下不同大小数据集的训练时间。(2)通过故障注入100-1000条包含故障数据的参数，验证efdm的检测率和检测时间。表5示出了测试实验的参数指标。表5.实验测试参数指标(1)训练时间分析在实验过程中，使用协议栈软件的数据进行pca处理，为了更好比较pca的效果，增加将原始数据分别处理为20组n＝3维数据，并采用精简后的自体样本进行检测器训练，在训练过程中统计pca处理前后的训练时间。efdm算法的训练时间和异常检测器的覆盖率有关。选择异常检测器覆盖设为99％、95％、90％的3种情况，对上述数据样本进行训练，生成异常检测器集合。经过10次重复训练取平均值得出：当覆盖率设为99％时，训练得到异常检测器数目为777个，平均训练时间为2.6509s；当覆盖率设为95％时，训练得到的异常检测器数目为194个，平均训练时间为1.4937s；当覆盖率设为90％时，其异常检测器数目为54个，平均训练时间为0.4665s。为了分析选择不同n值对训练时间的影响，发明人还测试了n＝2和5时的训练时间，结果如表6所示。表6.训练时间对比由实验结果可知：(i)当其他条件不变的情况下，随着异常检测器覆盖率的增大，其生成的异常检测数量就越多，但是相应的训练时间变长；但是当覆盖率为90％时，其训练时间较短，但是未被检测器覆盖的区域较大，异常检测的可靠性不敢保证；当覆盖率设为99％时，其训练时间相对较长。因此，从实验结果来看，异常检测器覆盖率设为95％较为合理。(ii)随着数据维数的下降，算法训练时间也会降低。(iii)efdm能大幅减少算法的训练时间，训练时间减少了20％以上。(2)故障检测率、检测时间分析为了测试故障检测率，发明人选择覆盖率为95％条件下训练生成的异常检测器集合，注入了已知的100、200、300、400、500、600、700、800、900、1000个测试样本(其中异常数据占比50％)以测试efdm的处理为2维和3维数据的故障检测率和检测时间。这里的检测率是异常数据被检查出的概率，检测时间是检测完这些数据所消耗的时间。经过多次测试取平均值，结果如图5和图6所示。由图5的检测率曲线可知，当测试样本大于500时，数据经过pca处理前后的故障检测率趋于稳定，数据处理后相比未经过数据处理进行故障检测，其故障检测率有了少许的下降，但是在可接受的误差范围内，原因可能是数据压缩会造成数据误差。再通过比较图6的检测时间的曲线可知，当检测样本数小于400时，数据经过pca处理前后检测时间差异较小，当检测样本数大于400时，数据压缩后的检测时间明显低于压缩前。由于超级基站线上实际的故障检测数据规模远远大于400，可认为efdm具备可行性。基于上述两次测试可知，efdm相对于原有的否定选择算法在训练时间减少了超过20％，并认为预定异常覆盖检测器覆盖率在95％的情况下效果更好。并且，相较于普通的否定选择算法，本发明所提供的efdm可以在不影响检测准确率的前提下，减少了检测时间，极大的提升了故障检测效率。需要说明的是，上述实施例中介绍的各个步骤并非都是必须的，本领域技术人员可以根据实际需要进行适当的取舍、替换、修改等。最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管上文参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。当前第1页12