一种基于持续学习的网络自优化方法与流程

本发明属于网络优化领域，尤其涉及一种基于持续学习的网络自优化方法。

背景技术：

随着移动设备的大规模增长，无线业务也迅猛发展，用户对于无线网络接入质量的要求也日益增加，因此如果使任何用户在任何时间、任何地点都能获得具有质量保证的服务，就需要对网络进行不断的优化。

无线通信系统由于用户和业务的爆发增长，经常会使得网络管理和优化变得非常困难。网络操作者面临的首要问题是，网络中存在成千上万个网元（比如基站），而其中每个网元都有可能出现问题或者故障，这些问题中有些可能在其初期并不明显，如果都要依赖人工去发现和排查的话，那工作量将是巨大甚至是不可能的。直至现在，网络优化仍然需要大量的专业人才和精良设备，这大大增加了运营商的成本，减少了盈利空间。目前运营商花费的高额运营维护成本已经很难通过额外服务性能提高带来的收益来补偿，因为每个用户的平均收益是不断下降的。

例如申请号为201410371501.0的一种网络自优化的方法、装置；该发明提供的一种网络自优化的方法、装置，首先获取专项优化策略，然后顺序执行专项优化策略中包含的每一项子优化策略，并对执行完毕的每一项子优化策略进行效果评估以判断是否达到了预设的效果指标，当达到时便完成了整个自优化的过程，结束该自优化流程，否则继续执行下一子优化策略，重复上述步骤。与现有技术中的人工优化方法相比，改发明通过包含一系列子优化策略的专项优化策略实现网络自优化，且在每一个子优化策略执行完成后进行效果评估，为一种带有自评估机制的面向策略的自优化方法，相对于人工发现问题、分析问题、解决问题的优化流程，人工劳动较少因而能够减少优化过程中相应人力物力的投入、节约成本，同时由于本发明提供的自优化的方法为触发后能够自动执行，自动化程度较高，能够缩短优化流程、提高优化效率。但是该发明只是简单地顺序执行优化策略，直至优化效果改善。其中存在的缺陷有两点：1.选择顺序执行优化策略的方式，会导致优化时间冗长；2.当优化效果得到改善后就结束整个自优化过程，可能会导致该优化策略并不是最优策略。

技术实现要素：

本发明所要解决的技术问题是为解决现有技术中的缺点和不足，提出一种基于持续学习的网络自优化方法；其减少人力物力的投入，节约成本，缩短优化流程，提高优化效率，同时解决上述发明优化时间冗长，可能不是最佳优化策略的缺陷。

本发明为解决上述技术问题采用以下技术方案

一种基于持续学习的网络自优化方法，包含持续学习过程和网络优化过程；

所述持续学习过程具体包含如下步骤；

步骤1，准备分类好的网络优化问题；

步骤2，提取步骤1准备的网络优化问题的特征信息，并将提炼出的特征信息训练成一个先验模型；

步骤3，使用先验模型对后续的的网络问题进行分类；

步骤4，若出现新的网络优化问题时，则使用无监督学习来提取新的网络优化问题的特征信息；

步骤5，根据步骤4获取的特征信息通过主动学习来更新完善步骤2训练的先验模型；

所述网络优化过程具体包含如下步骤：

步骤6，在已知网络优化问题的分类后，获取属于该类网络优化问题的优化策略；

步骤7，执行该类网络优化问题的优化策略；

步骤8，获取与执行的优化策略对应的优化效果；

步骤9，根据预设的效果评价指标对获取的每一个优化效果进行评价；

步骤10，对所有的评价进行比较，选择最佳的网络优化策略。

作为本发明一种基于持续学习的网络自优化方法的进一步优选方案，在步骤2中，使用深度学习方法提炼出步骤1准备的网络优化问题的特征信息。

作为本发明一种基于持续学习的网络自优化方法的进一步优选方案，所述的优化策略分别为覆盖类问题的优化策略和信号质量类问题的优化策略；

其中，覆盖类问题优化策略包含调整天馈、调整导频功率、调整系统覆盖范围、检查相邻站RxLev是否正常；

信号质量类的优化策略包含PCI优化、调整天馈、增强主导覆盖、调整导频功率。

作为本发明一种基于持续学习的网络自优化方法的进一步优选方案，所述效果评价指标包含覆盖类指标、呼叫建立类指标、呼叫保持类指标和时延类指标

作为本发明一种基于持续学习的网络自优化方法的进一步优选方案，所述覆盖类指标包括RSRP、 RSSI、 RSRQ、 SINR。

作为本发明一种基于持续学习的网络自优化方法的进一步优选方案，所述呼叫建立类指标包括RRC连接建立成功率、RRC连接建立成功率、E-RAB建立成功率、无线接通率。

作为本发明一种基于持续学习的网络自优化方法的进一步优选方案，所述呼叫保持类指标包括RRC连接异常掉话率、E-RAB掉话率。

作为本发明一种基于持续学习的网络自优化方法的进一步优选方案，所述时延类指标包括UE从Idle态到Active态转换时延、Attach时延、用户面时延、系统内X2切换业务中断时延、系统内S1切换业务中断时延、异系统切换业务中断时延。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明提供的网络自优化方法可以大大减少人力物力的投入成本，降低网络建设与维护成本；自动，快速地发现网络中出现的问题，并能够缩短网络故障的持续时间，及时恢复网络正常的工作状态，达到优化网络性能的目的。

附图说明

图1是本发明的持续学习过程；

图2是本发明先验模型示意图；

图3是本发明更新后的先验模型示意图；

图4是本发明的网络优化过程；

图5是本发明实例1提供的数据库。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

一种基于持续学习的网络自优化过程如下：包含持续学习过程和网络优化过程；

如图1所示，持续学习的过程如下：

步骤1，准备分类好的网络优化问题；使用深度学习方法提炼出步骤1准备的网络优化问题的特征信息。

步骤2，提取步骤1准备的网络优化问题的特征信息，并将提炼出的特征信息训练成一个先验模型；

步骤3，使用先验模型对后续的的网络问题进行分类；

步骤4，若出现新的网络优化问题时，则使用无监督学习来提取新的网络优化问题的特征信息；

步骤5，根据步骤4获取的特征信息使用主动学习来逐步更新完善模型，达到持续学习的目的。

持续学习的目的是：完善先验模型，对不同的网络优化问题进行分类。分类后就可以针对不同的优化问题运用不同的优化策略。其中先验模型的本质为特征信息和问题类别的对应关系，如图所示：

当出现新的网络问题时，也就意味着新的特征信息的出现。假设先验模型如图2所示，当新的网络问题出现时，其特征信息为特征信息1, 特征信息3, 特征信息4和新的特征信息9，那么该网络问题就会被分类为类别1，与此同时，先验模型也会被更新，特征信息9也会被指向问题类别1。图2的先验模型就会被更新为如图3所示。

在对网络优化问题进行分类之后，开始网络的自优化，如图4所示，具体过程如下：

步骤6，在已知网络问题的分类后，获取属于该类优化问题的优化策略；

步骤7，执行该类所有的优化策略；

步骤8，获取与所执行的优化策略对应的优化效果；

步骤9，根据预设的效果评价指标对每一个优化效果进行评价；

步骤10，对所有的评价进行比较，选择最佳的网络优化策略所述的优化策略分别为覆盖类问题的优化策略和信号质量类问题的优化策略；

其中，覆盖类问题优化策略包含调整天馈、调整导频功率、调整系统覆盖范围、检查相邻站RxLev是否正常；

信号质量类的优化策略包含PCI优化、调整天馈、增强主导覆盖、调整导频功率。

所述效果评价指标包含覆盖类指标、呼叫建立类指标、呼叫保持类指标和时延类指标

所述覆盖类指标包括RSRP、 RSSI、 RSRQ、 SINR。

所述呼叫建立类指标包括RRC连接建立成功率、RRC连接建立成功率、E-RAB建立成功率、无线接通率。

所述呼叫保持类指标包括RRC连接异常掉话率、E-RAB掉话率。

所述时延类指标包括UE从Idle态到Active态转换时延、Attach时延、用户面时延、系统内X2切换业务中断时延、系统内S1切换业务中断时延、异系统切换业务中断时延。

本发明提供的网络自优化方法首先使用持续学习的方法，训练出一个不断更新优化的先验模型，之后对未分类的网络优化问题进行分类，然后选择属于该类的优化策略对网络进行优化，最后使用预设的评价指标对效果进行评价，选择最佳优化策略。

具体实施例如下：

实例1，当网络中出现未知问题，且该问题是新的网络问题时，处理步骤如下：

步骤1：首先提取特征信息；

步骤2：之后使用先验模型对该问题进行分类；

步骤3：然后使用提取出的特征信息对对先验模型进行更新；

步骤4：假设该问题被分类为下行信号质量问题（网络问题类别1），针对该类问题，有三种优化策略；

步骤5：执行该类所有的三种优化策略，得到与之对应的优化效果；

步骤6：根据预设的效果评价指标对三种优化效果进行评价；

步骤7：对三种评价进行比较，选择最佳的网络优化策略；

在该实例中所涉及到的数据库如图5所示：

实例2，当网络中出现问题，且该问题已被分类时，处理步骤如下：

步骤1：首先提取特征信息；

步骤2：之后使用先验模型对该问题进行分类；

步骤3：假设该问题被分类为下行信号质量问题（网络问题类别1），针对该类问题，有三种优化策略；

步骤4：执行该类所有的三种优化策略，得到与之对应的优化效果；

步骤5：根据预设的效果评价指标对三种优化效果进行评价；

步骤6：对三种评价进行比较，选择最佳的网络优化策略。

在持续学习中的关键点是：准备一系列分类好的网络优化问题和使用深度学习方法或模型提炼出其中的特征信息并将其训练出一个先验模型，这两个操作不需要用户完成，而当网络运营商训练出一个先验模型之后，该模型会通过持续学习不断更新和完善。

在执行优化策略时的关键是：不是按照顺序直至满足预设评价指标执行，而是执行该类别下的所有优化策略，选择具有最优评价效果的策略应用到网络中。