网络异常检测的制作方法

本公开涉及网络异常检测。

背景技术：

1、蜂窝通信网络为诸如移动设备和数据终端的订户设备提供诸如语音、视频、分组数据、消息传送和广播的通信内容。蜂窝通信网络可以包括多个基站，这些基站能够支持跨越分散的地理区域的多个订户设备的通信。通常，当用户设备，诸如移动电话，从一个基站附近移动到另一个基站时，蜂窝网络的移动和固定组件交换无线电测量和控制消息，以确保移动设备总是准备好从诸如互联网或语音服务的外部网络接收数据和向外部网络发送数据。然而不幸的是，蜂窝通信网络产生不利地影响这些测量和控制消息的网络性能问题。因此，在没有准确的方式来检测网络性能问题的情况下，蜂窝网络可能无法确保用户设备能够根据网络能力以可靠的方式接收和发送数据。

技术实现思路

1、本公开的一个方面提供了一种用于检测网络异常的方法。该方法包括在数据处理硬件处从蜂窝网络接收控制消息。该方法进一步包括由数据处理硬件从控制消息提取一个或多个特征。该方法还包括由数据处理硬件使用预测模型预测控制消息的潜在标签，该预测模型被配置为接收从控制消息提取的一个或多个特征作为特征输入。这里，在训练控制消息的集合上训练预测模型，其中，每个训练控制消息包括一个或多个对应特征和实际标签。该方法进一步包括由数据处理硬件确定潜在标签的概率满足置信度阈值。该方法还包括由数据处理硬件分析控制消息以确定控制消息是否对应于影响蜂窝网络的网络性能的相应网络性能问题。当控制消息对应于影响网络性能的相应网络性能问题时，该方法包括由数据处理硬件将网络性能问题传送到负责网络性能问题的网络实体。

2、本发明的实施方式可以包括以下可选特征中的一个或多个。在一些实施方式中，使用预测模型预测潜在标签包括预测潜在标签上的概率分布，所预测的潜在标签包括潜在标签上的概率分布中的潜在标签之一。在这些实施方式中，预测潜在标签包括选择与潜在标签上的概率分布中的最高概率相关联的潜在标签。在一些示例中，预测模型包括被配置为预测一种或多种类型的标签的多类分类模型。预测模型可以包括深度神经网络或递归神经网络。每个训练控制消息的实际标签包括用于与训练控制消息相关联的用户设备(ue)装置的类型分配码或蜂窝网络的网络元件的标识符。在一些配置中，蜂窝网络根据通用分组无线服务隧道协议(gtp-c)或diameter协议来传送控制消息。可选地，控制消息对应于在单个网络会话期间由蜂窝网络的用户发送的多个控制消息中的一个。在一些示例中，从控制消息提取的一个或多个特征包括消息类型概要向量，该消息类型概要向量表示消息类型在蜂窝网络的用户的单个会话内出现的次数。在一些实施方式中，特征包括在与蜂窝网络的用户的单个会话相关联的时间段内传送的数据量。

3、在一些示例中，当控制消息无法对应于相应网络性能问题时，该方法包括在数据处理硬件处从蜂窝网络接收后续控制消息并且由数据处理硬件从后续控制消息中提取一个或多个对应特征。该方法还包括由数据处理硬件识别从后续控制消息提取的一个或多个对应特征中的至少一个与从控制消息提取的一个或多个特征匹配，在使用预测模型来预测用于后续控制消息的对应潜在标签之前，由数据处理硬件移除从作为预测模型的特征输入的后续控制消息提取的一个或多个特征中的所识别的至少一个。

4、在一些实施方式中，当控制消息无法对应于相应的网络性能问题时，该方法包括由数据处理硬件识别从控制消息提取的一个或多个特征。这里，该方法还包括在使用预测模型来预测用于后续控制消息的对应潜在标签之前，由数据处理硬件通过移除包括与从控制消息提取的所识别的一个或多个特征中的任何一个匹配的一个或多个对应特征的每个训练控制消息来修改训练控制消息的集合；以及由数据处理硬件利用修改的训练控制消息的集合重新训练预测模型。

5、本公开的另一方面提供了一种用于检测网络异常的系统。该系统包括数据处理硬件和与数据处理硬件通信的存储器硬件。存储器硬件存储当在数据处理硬件上执行时使数据处理硬件执行操作的指令。该操作包括从蜂窝网络接收控制消息。该操作进一步包括使用预测模型预测控制消息的潜在标签，该预测模型被配置为接收从控制消息提取的一个或多个特征作为特征输入。这里，在训练控制消息的集合上训练预测模型，其中，每个训练控制消息包括一个或多个对应特征和实际标签。该操作进一步包括确定潜在标签的概率满足置信度阈值。该操作还包括分析控制消息以确定控制消息是否对应于影响蜂窝网络的网络性能的相应网络性能问题，并且当控制消息对应于影响网络性能的相应网络性能问题时，将网络性能问题传送到负责网络性能问题的网络实体。

6、该方面可以包括以下可选特征中的一个或多个。在一些实施方式中，使用预测模型预测潜在标签包括预测潜在标签上的概率分布，其中，所预测的潜在标签包括潜在标签上的概率分布中的潜在标签中的一个。在这些实施方式中，预测潜在标签包括选择与潜在标签上的概率分布中的最高概率相关联的潜在标签。在一些示例中，预测模型包括被配置为预测一种或多种类型的标签的多类分类模型。预测模型可以包括深度神经网络或递归神经网络。每个训练控制消息的实际标签包括用于与训练控制消息相关联的用户设备(ue)装置的类型分配码或蜂窝网络的网络元件的标识符。在一些配置中，蜂窝网络根据通用分组无线服务隧道协议(gtp-c)或diameter协议来传送控制消息。可选地，控制消息对应于在单个网络会话期间由蜂窝网络的用户发送的多个控制消息中的一个。在一些示例中，从控制消息提取的一个或多个特征包括消息类型概要向量，该消息类型概要向量表示消息类型在蜂窝网络的用户的单个会话内出现的次数。在一些实施方式中，特征包括在与蜂窝网络的用户的单个会话相关联的时间段内传送的数据量。

7、在一些示例中，当控制消息无法对应于相应网络性能问题时，该操作包括从蜂窝网络接收后续控制消息并且从后续控制消息中提取一个或多个对应特征。这里，该操作还包括识别从后续控制消息提取的一个或多个对应特征中的至少一个与从控制消息提取的一个或多个特征匹配，在使用预测模型来预测用于后续控制消息的对应潜在标签之前，移除从作为预测模型的特征输入的后续控制消息提取的一个或多个特征中的所识别的至少一个。

8、在一些实施方式中，当控制消息无法对应于相应的网络性能问题时，该操作包括识别从控制消息提取的一个或多个特征。这里，该操作还包括在使用预测模型来预测用于后续控制消息的对应潜在标签之前，通过移除包括与从控制消息提取的所识别的一个或多个特征中的任何一个匹配的一个或多个对应特征的每个训练控制消息来修改训练控制消息的集合；以及利用修改的训练控制消息的集合重新训练预测模型。

9、在附图和以下描述中阐述了本公开的一个或多个实施方式的细节。其他方面、特征和优点将从说明书和附图以及权利要求书中显而易见。

技术特征：

1.一种计算机实现的方法，所述方法在由数据处理硬件执行时，使所述数据处理硬件执行操作，所述操作包括：

2.根据权利要求1所述的方法，其中，从给定的对应控制消息中提取的特征具有与从另一给定的对应控制消息中提取的另一特征不同的特征类型。

3.根据权利要求1所述的方法，其中，执行所述网络性能补救协议包括将所述网络性能问题传达给负责所述网络性能问题的网络实体。

4.根据权利要求1所述的方法，其中，使用所述预测模型来预测所述预测标签包括预测潜在标签上的概率分布，所述预测标签包括潜在标签上的所述概率分布中的所述潜在标签中的一个。

5.根据权利要求4所述的方法，其中，预测所述预测标签包括选择潜与在标签的所述概率分布中的最高概率相关联的所述潜在标签。

6.根据权利要求1所述的方法，还包括在所述网络控制消息未能对应于所述网络性能问题时：

7.根据权利要求1所述的方法，还包括在所述网络控制消息未能对应于所述网络性能问题时：

8.根据权利要求1所述的方法，其中，所述预测模型包括配置为预测一个或多个标签类型的多类分类模型。

9.根据权利要求1所述的方法，其中，所述预测模型包括深度神经网络或递归神经网络。

10.根据权利要求1所述的方法，其中，确定所述网络控制消息是否对应于所述网络性能问题包括将所述网络控制消息聚类到集群，所述集群共享从所述网络控制消息中提取的所述一个或多个特征中的一个。

11.一种系统，所述系统包括：

12.根据权利要求11所述的系统，其中，从给定的对应控制消息中提取的特征具有与从另一给定的对应控制消息中提取的另一特征不同的特征类型。

13.根据权利要求11所述的系统，其中，执行所述网络性能补救协议包括将所述网络性能问题传达给负责所述网络性能问题的网络实体。

14.根据权利要求11所述的系统，其中，使用所述预测模型来预测所述预测标签包括预测潜在标签上的概率分布，所述预测标签包括潜在标签上的所述概率分布中的所述潜在标签中的一个。

15.根据权利要求14所述的系统，其中，预测所述预测标签包括选择潜与在标签的所述概率分布中的最高概率相关联的所述潜在标签。

16.根据权利要求11所述的系统，其中，所述操作还包括，在所述网络控制消息未能对应于所述网络性能问题时：

17.根据权利要求11所述的系统，其中，所述操作还包括，在所述网络控制消息未能对应于所述网络性能问题时：

18.根据权利要求11所述的系统，其中，所述预测模型包括配置为预测一个或多个标签类型的多类分类模型。

19.根据权利要求11所述的系统，其中，所述预测模型包括深度神经网络或递归神经网络。

20.根据权利要求11所述的系统，其中，确定所述网络控制消息是否对应于所述网络性能问题包括将所述网络控制消息聚类到集群，所述集群共享从所述网络控制消息中提取的所述一个或多个特征中的一个。

技术总结
本公开涉及网络异常检测。一种方法(300)包括从蜂窝网络(100)接收控制消息(128)并从控制消息中提取一个或多个特征(222)。该方法还包括使用预测模型(232)，预测控制消息的潜在标签(234)，该预测模型(232)被配置为接收从控制消息提取的一个或多个特征作为特征输入。这里，在训练控制消息的集合上训练预测模型(226)，其中，每个训练控制消息包括一个或多个对应特征和实际标签(224)。该方法进一步包括确定潜在标签的概率(P)满足置信度阈值(236)。该方法还包括分析控制消息以确定控制消息是否对应于相应的网络性能问题(202)。当控制消息影响网络性能时，该方法包括将网络性能问题传送到网络实体(40)。

技术研发人员：詹姆斯·派洛拉斯,博吉塔·图克拉尔,达特·卡拉帕塔普,安德烈亚斯·泰尔济斯,克里希纳·萨亚纳
受保护的技术使用者：谷歌有限责任公司
技术研发日：
技术公布日：2024/1/13