一种电信核心网故障干预时机决策方法

本发明属于电信技术领域，尤其涉及一种基于不确定性深度神经网络的电信核心网故障干预时机决策方法。

背景技术：

核心电信网络是用于数据交换的重要电信基础架构，它由大量的路由器，交换机和防火墙等重要设备组成，互连各种网络，为在不同的lan或子网之间交换数据提供了一条路径，其主要功能是路由和交换。

随着云计算、5g/6g、物联网等业务的迅猛发展，目前电信网络的核心网络面临着以下几个趋势：

1)、核心网内的设备种类从较为单一迅速增长为多样化，体现为多厂家、多协议、多设备制式等，由此带来对电信核心网的整体状态较为难以把握；

2)、完成一个业务所需要的设备规模从较少变为需要大规模设备协同，体现为跨区域、跨网络类型、跨通信协议；

3)、设备分布从较为集中式的核心网络机房到分布式的网络机房，较为显著的是5g的随着从“通信站”走向“社会站”，大量小微站点将与广泛的社会资源融为一体；

4)、故障传播范围也将从局部的扩散影响(某个地区或者某种网络类型)到非常广泛的扩散；

5)、网络整体的变化将呈现不确定性的趋势。

因此，这种核心网络规模和复杂性的扩张带来一个显著的问题是网络稳定性难以控制，运维成本显著上升。

通常情况下，网络自身有一定的调节能力，比如自动修改网络的拓扑结构，使部分流量往正常的链路通过，从而避免网络断路。这种调节是十分高效的，但一方面故障链路的恢复周期较长，并且在核心网络整体负载较高的情况下，这种调节方式十分危险。其可能剧烈增大其他链路的负载，提高其他链路的故障概率。

故在高负载的情况下通常由经验丰富的运维工程师来处理网络故障，这带来两个当前非常受到关注的问题：

第一，电信核心网络的整体状态如何量化。目前网络由于上述分析的几个趋势可以得出，网络状态难以量化。

第二，什么时候可以对网络进行运维干预，如果过早地对网络进行人工干预，此时网络性能瓶颈还远没有产生，此时运维将会导致十分显著的额外开销，并且对接下来的整体状态继续变化的趋势并无明显帮助；而如果干预不及时，网络性能瓶颈产生，将引发网络故障大规模扩散，所以核心问题是干预的时机。

技术实现要素：

有鉴于此，本发明实施例提供了电信核心网故障干预时机决策方法，以解决现有技术中现有技术没有将网络整体作为考量，而注重某一种设备或者某一种协议故障情况，无法对网络中复杂的不确定性行为进行有效建模，无法确定较为妥当的运维干预时机，可能导致不必要的开销或者故障扩散的问题。

为达到上述目的，本发明提供的方案是：

一种电信核心网故障干预时机决策方法，其特征在于，包括以下步骤：

s1：利用一段时间内的核心网络上报的故障信息对网络状态进行建模；

s2：利用具有不确定性特征建模的深度贝叶斯神经网络对核心网络整体状态变化的随机性和不确定性进行建模；

s3：利用深度贝叶斯神经网络的贝叶斯推断过程对网络干预时机进行决策。

作为一种改进方式，所述步骤s1中，所述核心网络上报的故障信息包括故障单元、故障原因、故障等级。

作为一种改进方式，所述利用一段时间内的核心网络上报的故障信息对网络状态进行建模，建模公式如下：

其中，x∈[1，4]表示设备的故障等级，w表示每单位时间的故障警报量，si和k是用于调整权重的一组常数系数。

作为一种改进方式，所述步骤s2中的深度贝叶斯神经网络的权重参数是随机变量；所述深度贝叶斯神经网络的输出用来描述特定的概率分布的似然。

作为一种改进方式，所述深度贝叶斯神经网络的贝叶斯推断过程采用如下公式：

其中，di代表第i个时间段，为交叉熵函数，β的取值范围为0<β<1，kl为kl散度，定义同一个随机变量x有两个单独的概率分布p(x)和q(x)，使用kl散度来衡量p(x)和q(x)的差异，则kl散度的计算公式为：

对kl散度的计算公式进行变形可得：

kl的值越小，表示q(x)分布和p(x)分布越接近。

本发明与现有技术相比存在的有益效果是：

(1)将电信网络整体作为考量，利用具有不确定性特征建模的深度贝叶斯神经网络对核心网络整体状态变化的随机性和不确定性进行建模的方法，从整体性出发对网络的状态进行可靠的建模；

(2)利用深度贝叶斯神经网络的贝叶斯推断过程对网络干预时机进行决策的方法进行了有效的决策。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的电信核心网故障干预时机决策方法的流程框图；

图2是本发明提供的网络状态量化图；

图3是本发明提供的线性贝叶斯神经网络结构图；

图4是本发明提供的贝叶斯深度神经网络的权重分布图；

图5是本发明提供的贝叶斯深度神经网络与简单的神经网络方法对比图；

图6是本发明提供的电信核心网故障干预时机决策方法的单次网络运维干预决策实验结果图；

图7是本发明提供的电信核心网故障干预时机决策方法的重复多次网络运维干预决策实验结果图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体来进行说明。

本发明实施例的电信核心网故障干预时机决策方法是基于不确定性深度神经网络实现的，下图5示出了贝叶斯神经网络的回归与简单的神经网络方法的回归的进行了比较，并说明了测量不确定度的重要性。虽然这两种方法在训练数据的范围内都表现良好，在需要外推法的情况下，概率方法提供了函数输出的完整分布，而不是由神经网络提供的点估计。概率方法提供的输出分布允许开发可信的模型，因为它们可以识别预测中的不确定性。

如图1所示，本发明实施例的电信核心网故障干预时机决策方法包括如下步骤：

s1:利用一段时间内的核心网络上报的故障信息对网络状态进行建模，通过故障信息来量化网络整体状态。具体地，核心网络上报的故障信息包括故障单元、故障原因、故障等级等信息，建模公式如下：

其中，x∈[1，4]表示设备的故障等级，设备的故障等级中，级别1表示网络状况良好，级别越高表示网络状态越差，级别4表示网络状态已经严重；w表示每单位时间的故障警报量；si和k是用于调整权重的一组常数系数，si和k的取值取决于具体数据的散度情况。附图2直观地示出了网络状态情况。

s2：利用具有不确定性特征建模的深度贝叶斯神经网络对核心网络整体状态变化的随机性和不确定性进行建模。

需要说明的是，深度贝叶斯神经网络与传统的深度神经网络如卷积神经网络有如下区别：

深度贝叶斯神经网络其权重参数是随机变量，而非确定的值，如图3所示，它是通过概率建模和神经网络结合起来，并能够给出预测结果的置信度。其先验用来描述关键参数，并作为神经网络的输入。

神经网络的输出用来描述特定的概率分布的似然。通过采样或者变分推断来计算后验分布。这对于很多问题来说非常关键，由于贝叶斯神经网络(bnn)具有不确定性量化能力，所以具有非常强的鲁棒性。

因此，在建模过程中，使用贝叶斯神经网络为基础，构建线性贝叶斯神经网络(如图3所示)。

s3：利用深度贝叶斯神经网络的贝叶斯推断过程对网络干预时机进行决策，贝叶斯推断过程采用如下公式：

其中，di代表第i个时间段，是指交叉熵函数(crossentropy)，kl是指kl散度，β为计算约束，β的取值范围为0<β<1。因此，先验分布为两个高斯分布组成的比例混合。

kl散度又称相对熵,定义同一个随机变量x有两个单独的概率分布p(x)和q(x)，我们可以使用kl散度(kullback-leibler(kl)divergence)来衡量这两个分布的差异，kl散度的计算公式：

kl的值越小，表示q分布和p分布越接近。对kl散度的计算的公式进行变形可得：

等式的后一部分即是前文所述交叉熵函数，即：

本发明实施例的电信核心网故障干预时机决策方法有以下优点：

(1)将电信网络整体作为考量，利用具有不确定性特征建模的深度贝叶斯神经网络对核心网络整体状态变化的随机性和不确定性进行建模的方法，从整体性出发对网络的状态进行可靠的建模；

(2)利用深度贝叶斯神经网络的贝叶斯推断过程对网络干预时机进行决策的方法进行了有效的决策。

本实施例的电信核心网故障干预时机决策方法进行了充分的实验，效果显著且被证明可行。实验结果如下图所示：

(1)单次“网络运维干预决策”实验准确率达到95.21％，实验结果如图6所示，图中横纵坐标表示实验中“一个决策事件”，颜色中深色代表“不进行运维干预”，浅色代表“进行运维干预”。

(2)重复100次实验，均值在92.271％以上，实验结果如图7所示，图中横坐标表示“实验的轮数”，纵坐标表示“每轮实验的准确率”。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。