基于知识图谱和深度学习的无线通信网络智能优化架构及方法

本发明涉及一种基于知识图谱和深度学习的无线通信网络智能优化架构以及方法技术，属于人工智能辅助无线通信。

背景技术：

1、b5g以及6g的快速发展对无线通信网络提出了超大速率和超大带宽的通信需求，衍生出更加多样化的业务场景，出现了海量的用户设备以及激增的数据流量趋势，给现有的无线通信技术带来了压力，其无法保证所需的用户服务质量。新兴的业务场景对吞吐量、时延以及可靠性等通信指标有更高的要求，对无线通信网络提出了更大的挑战。6g无线通信网络将构建三维网络架构，通信环境更加多样复杂，通信设备更加异构多源。这导致了极高的通信需求，需要无线通信网络具有极高的通信质量。为了提高6g无线通信网络的通信质量，在工程中对无线通信网络进行优化调控是非常必要的。在不同的应用场景以及通信需求下，调控无线通信网络的通信指标是优化无线通信网络通信质量的关键。这可以帮助定位导致网络性能下降或用户体验质量下降的原因，并促进无线通信网络的态势演变分析与预测。手动优化调控难以动态地适应不断变化的用户需求和网络环境，并不适用于网络部署复杂且具有智能内生特性的6g无线通信网络。目前，智能无线通信的研究主要集中在利用蒙特卡洛模拟产生的无线数据对无线网络的性能标准进行优化。人工智能赋能6g无线通信网络，可以解决无线通信网络智能优化的问题，并且能够使网络具备一定的理解推理能力，以提高用户体验质量，实现万物智联的目标。目前，以知识图谱和深度学习为代表的人工智能技术发展迅速。基于知识图谱和深度学习的人工智能技术可以对网络及相关用户、服务和环境的多维主客观知识进行表征、构建、学习以及应用。6g无线通信网络的知识图谱表征是实施内生智能网络的关键技术，基于所获得的知识，可以辅助网络实现立体感知、决策推理和动态调整等功能。无线通信网络中的通信性能指标的状态侧面反映了用户体验质量，也被用作衡量网络运行状态的重要参数。本发明中所提到的方法是第一个将无线通信网络通信性能指标知识图谱进行异构表征的方法，这充分考虑了无线通信数据的多源异构特性。

2、本发明是一种基于知识图谱和深度学习的无线通信网络智能优化架构以及方法，基于专家知识构建的无线通信网络通信性能指标知识图谱，采用异构图神经网络模型对无线通信网络中的通信性能指标进行异构表征和学习；通过统计方法获得各个通信性能指标节点之间的关联关系；并通过异常检测模块中的图注意力机制和异常度评分模块来检测网络的运行状态以及通信性能指标节点是否出现异常并针对异常做出解释，通过预测节点当前时刻的状态能够促进整个无线通信网络智能优化。

技术实现思路

1、发明目的：为了解决上述的无线通信网络智能优化问题，本发明提供一种基于知识图谱和深度学习的无线通信网络智能优化架构及方法。由于无线通信网络的海量设备产生的海量数据具有异构多源特性，基于无线通信网络通信性能指标知识图谱，采用异构图神经网络模型对节点进行异构表征学习，将无线通信网络通信性能指标知识图谱中的指标节点与关联节点嵌入到连续向量空间，学习各个节点的知识表示向量，并用节点分类任务来验证测试模型。然后计算各个节点之间的关联关系。通过图注意力机制基于历史时刻的节点特征来预测当前时刻的节点特征。最后通过异常度评估模块来检测网络的运行状态以及通信性能指标节点是否出现异常并针对异常做出解释，促进整个无线通信网络智能优化。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于知识图谱和深度学习的无线通信网络智能优化方法，包括如下步骤：

4、步骤1：构建无线通信网络的无线通信网络通信性能指标知识图谱，依据无线通信网络中数据的多源异质特性，构建一个异构图神经网络模型，以端到端的方式，获得无线通信网络通信性能指标知识图谱中的实体与关系在低维向量空间的投影；所述异构图神经网络模型能自动选择元路径，得到无线通信网络通信性能指标知识图谱中指标节点与关联节点的语义信息的分布式表示，并通过知识图谱补全任务来验证和测试模型，用以构建无线通信网络中通信性能指标的有效的知识表示。

5、步骤2：依据无线通信网络通信性能指标的有效的知识表示，学习真实无线通信网络通信性能指标之间的关联关系，进一步从数据中学习无线通信网络通信性能指标知识图谱中的指标节点与关联节点的特征，捕获无线通信网络通信性能指标知识图谱中的指标节点与关联节点之间的关联关系，用来辅助定位异常原因。

6、步骤3：依据无线通信网络通信性能指标知识图谱中的指标节点与关联节点之间的关联关系，聚合邻居节点之间的信息，对每个节点的所有邻居的注意力进行归一化，预测无线通信网络通信性能指标知识图谱中每个节点上时间序列数据的将来行为，并基于图注意力机制得到的无线通信网络通信性能指标知识图谱中每个节点的不同权重，用以辅助检测出现异常的节点以及节点如何偏离正常并解释异常原因。

7、步骤4：对无线通信网络通信性能指标知识图谱中每个节点是否异常进行评估，得到无线通信网络通信性能指标知识图谱中的每个节点关于某一时刻的异常度分数，并为了消除不同节点的不同特性所引起的偏差，对无线通信网络通信性能指标知识图谱中的每个节点关于某一时刻的异常度分数进行了量纲统一，用以评估是否出现异常。

8、具体地，所述步骤1具体包括：

9、步骤1.1：为了描述和推理无线通信网络，基于领域专家知识，构建无线通信网络通信性能指标知识图谱，其中实体集合包括无线通信网络中的指标节点与关联节点，关系集合包括无线通信网络中各个节点之间的显式关系、隐式关系以及因果关系。

10、步骤1.2：构建一个异构图神经网络模型进行知识表示学习，对无线通信网络通信性能指标知识图谱中的实体进行表示学习，得到无线通信网络通信性能指标知识图谱中语义信息的分布式表示，充分的融合了多源异质信息，有效地缓解了数据稀疏的问题。

11、进一步地，所述步骤1.1中所构建无线通信网络通信性能指标知识图谱，对于无线通信网络下行吞吐量知识图谱，包括：下行物理层指标节点、下行媒体访问控制层指标节点、下行无线链路控制层指标节点、以及下行各层指标节点的峰值与最低值指标节点、每秒下行调制方式相关的关联节点、每秒下行非重传相关的关联节点、影响下行误块率的关联节点、影响下行资源块控制反馈流程的关联节点以及其它无线通信网络中的通用非调型数据参数节点。

12、进一步地，所述步骤1.2中所构建异构图神经网络模型进行知识表示学习，具体包括：

13、步骤1.2.1：对在无线通信网络试验网中采集的无线通信网络中各性能指标的数据进行预处理，根据数据的分布特性，使用插值算法和归一化算法进行预处理，得到无线通信网络中各性能指标的初始节点特征x。

14、步骤1.2.2：本发明构建了异构图神经网络模型，用异构图来映射无线通信网络，这符合无线通信网络的特点，无线通信网络中每个节点都属于不同的类别，异构图中的各类节点vi∈v(i＝1,...,n)具有节点类型且以及节点vi到节点vj之间的边eij∈e具有边类型为

15、步骤1.2.3：构造一个候选张量矩阵用来表征异构图中的节点之间的连接关系，其中候选张量矩阵的一片ak∈rn×n(k＝1,...,k)表示具有第k种类型边的节点之间的连接关系。

16、步骤1.2.4：将候选张量矩阵的一片和第l层的第种类型边的权重相乘得到单个通道的第l层图结构p(l)可以表示为：

17、

18、步骤1.2.5：将异构图神经网络模型选择出的单个通道的前l层图结构以及第l层图结构相乘，得到元路径m的邻接矩阵

19、

20、步骤1.2.6：利用多通道采样，同时自动学习多条元路径，卷积核的可训练的权重矩阵wc∈r1×1×k的输出通道数由1变为q，将选择出来的多条元路径的邻接矩阵g(l)拼接，得到张量||表示拼接操作，将图卷积网络应用于q条元路径的邻接矩阵的每个输出通道以生成节点嵌入，将q个不同的邻接矩阵学习到的不同的节点嵌入拼接起来，得到无线通信网络通信性能指标知识图谱中的指标节点与关联节点的知识表示向量：

21、

22、其中，表示第q个通道的邻接矩阵，dq表示的度矩阵，w是一个通道共享的可训练权矩阵。

23、步骤1.2.7：对上述设计的异构图神经网络模型进行训练，通过反向传播和梯度下降，最小化交叉熵来优化模型权重。

24、步骤1.2.8：经过训练好的模型，得到无线通信网络通信性能指标知识图谱中的指标节点与关联节点的知识表示向量，在节点分类任务上验证训练好的异构图神经网络模型的性能。

25、具体地，所述步骤1.2中无线通信网络中各性能指标的数据，可以划分为训练数据集dtrain和测试数据集dtest。

26、进一步地，所述步骤2中基于关联关系的关联关系学习模块包括学习无线通信网络通信性能指标知识图谱指标节点与关联节点之间的依赖关系，这种依赖关系可以看作节点之间的结构信息，用以辅助定位异常。具体包括：计算两个节点之间的相似度(相似度是一种描述关联关系的特征，相似度大可以认为两个节点之间具有强关联关系，相似度小可以认为两个节点之间有弱关联关系)，得到节点i的邻居节点集合

27、

28、其中，zi表示节点i的知识表示向量，topk表示最大k个值的操作，aji＝1表示节点i与节点j之间有关联关系。

29、进一步地，所述步骤3具体包括：

30、步骤3.1：所构建的异常检测模块的数据集来源于实时采集得到5g/b5g无线通信网络试验网中无线通信网络中通信性能指标的数据，可以划分为训练数据集ytrain和测试数据集ytest，实际无线通信网络中异常情况通常是少见的，其中训练数据集ytrain由正常无异常情况下的数据组成，测试数据集ytest中包含异常数据和正常无异常情况下的数据。

31、步骤3.2：构建基于图注意力机制的异常检测网络，预测无线通信网络通信性能指标知识图谱中每个节点上时间序列数据的将来行为

32、步骤3.3：在训练数据集ytrain上对步骤3.2中设计的基于图注意力机制的异常检测网络进行训练，通过反向传播和梯度下降，最小化均方误差来优化模型权重：

33、

34、步骤3.4：将训练好的模型在测试数据集ytest对步骤3.2中设计的基于图注意力机制的异常检测网络进行测试，并从训练数据集中随机挑选部分数据组成验证数据集yval进行验证，将测试数据集ytest以及验证数据集yval上当前时刻t节点的预测值传递给异常度评估模块，作为异常度评估模块的输入。

35、具体地，所述步骤3.2中所构建的异常检测网络包括特征增强、特征提取、特征融合和节点预测，具体包括：

36、步骤3.2.1：初始输入特征矩阵y∈rn×m表示节点的属性信息，因此在模型训练时，训练数据是由n个节点在ttrain时刻的节点数据组成可以表示为测试数据可以表示为

37、步骤3.2.2：构建当前时刻t的历史时间窗口p(t)＝[y(t-r),...,y(t-1)]∈rn×r，滑动窗口的长度为r。

38、步骤3.2.3：进行特征增强，使用一个可训练的权重参数f∈rd×r以及包含无线通信网络中语义信息的知识表示向量zi对节点进行特征增强，concat(·)表示拼接操作，其中知识表示向量zi是z中第i个节点的知识表示向量，提取到当前时刻t的第i个节点特征：

39、

40、步骤3.2.4：进行特征提取，应用leakyrelu激活函数，将每个节点的信息与其相邻节点进行融合，计算节点对之间的原始注意力相关系数并归一化，其中a是注意机制的可学习系数向量：

41、

42、步骤3.2.5：进行特征融合，对所有相邻节点的特征做基于注意力的加权求和，得到所有节点的融合特征向量：

43、

44、步骤3.2.6：每个节点的融合特征向量对每个节点包含语义信息的知识表示向量做伸缩变换，进行逐元素相乘，并使用输出维数为n的全连接层，以预测当前时刻t的节点值：

45、

46、进一步地，所述步骤4具体包括：

47、步骤4.1：基于测试数据集ytest以及验证数据集yval上当前时刻t节点值的预测，计算节点i的预测值和真值的误差求出误差的中位数mi和四分位数fi，得到每个节点的误差值得到当前时刻t的异常度评估值：

48、

49、步骤4.2：当异常评估值c(t)超过阈值threshld时，认为当前时刻t发生异常。

50、步骤4.3：异常度评估模块的输出是测试数据集ytest上测试时刻的异常标签lable(t)∈{0,1}，当时刻t发生异常时，lable(t)＝1。本发明通过对无线通信网络中的通信性能指标进行异常检测并解释异常原因，可以辅助无线通信网络进行调优，从而实现无线通信网络的智能优化。

51、本发明还提供一种基于知识图谱和深度学习的无线通信网络智能优化架构，包括知识图谱表征模块、关联关系学习模块、异常检测模块和异常度评估模块；

52、所述知识图谱表征模块构建无线通信网络的无线通信网络通信性能指标知识图谱，并依据无线通信网络中数据的多源异质特性，构建异构图神经网络模型，以端到端的方式，获得无线通信网络通信性能指标知识图谱中的实体与关系在低维向量空间的投影，能自动选择元路径，得到无线通信网络通信性能指标知识图谱中指标节点与关联节点的语义信息的分布式表示，并通过知识图谱补全任务来验证和测试模型，用以构建无线通信网络中通信性能指标的有效的知识表示；

53、所述关联关系学习模块依据无线通信网络通信性能指标的有效的知识表示，学习真实无线通信网络通信性能指标之间的关联关系，进一步从数据中学习无线通信网络通信性能指标知识图谱中的指标节点与关联节点的特征，捕获无线通信网络通信性能指标知识图谱中的指标节点与关联节点之间的关联关系，用来辅助定位异常原因；

54、所述异常检测模块依据无线通信网络通信性能指标知识图谱中的指标节点与关联节点之间的关联关系，聚合邻居节点之间的信息，对每个节点的所有邻居的注意力进行归一化，预测无线通信网络通信性能指标知识图谱中每个节点上时间序列数据的将来行为，并基于图注意力机制得到的无线通信网络通信性能指标知识图谱中每个节点的不同权重，用以辅助检测出现异常的节点以及节点如何偏离正常并解释异常原因；

55、所述异常度评估模块对无线通信网络通信性能指标知识图谱中每个节点是否异常进行评估，得到无线通信网络通信性能指标知识图谱中的每个节点关于某一时刻的异常度分数，并为了消除不同节点的不同特性所引起的偏差，对无线通信网络通信性能指标知识图谱中的每个节点关于某一时刻的异常度分数进行了量纲统一，用以评估是否出现异常。

56、有益效果：

57、本发明所构建的无线通信网络智能优化架构以及方法，是首个基于知识图谱和深度学习的人工智方法实现无线通信网络智能优化的方法，能够使网络具备一定的理解推理能力。本发明基于无线通信数据的异构多源的特性，是首个采用异构图神经网络模型来表征学习无线通信网络通信性能指标知识图谱的方法，自动选择元路径，并且在无线通信网络中通信性能指标的数据上表现出了较其他非图神经网络方法以及同构图神经网络方法更好的表征学习效果。本发明所构建的异常检测网络在无线通信网络中通信性能指标的数据上的实现了良好的异常检测性能，能够促进整个无线通信网络智能优化。