關(guān)鍵詞：5G網(wǎng)絡(luò)；故障診斷；圖卷積神經(jīng)網(wǎng)絡(luò)；人工智能

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2024）25-0033-03

0 引言

經(jīng)過幾十年的快速發(fā)展，移動通信技術(shù)已進入5G應(yīng)用時代。與追求峰值速率和平均吞吐量的4G網(wǎng)絡(luò)不同，5G網(wǎng)絡(luò)更加注重用戶體驗和滿意度。5G網(wǎng)絡(luò)的設(shè)備接入數(shù)量相比4G網(wǎng)絡(luò)大幅增加，密集的網(wǎng)絡(luò)節(jié)點導(dǎo)致拓撲結(jié)構(gòu)高度異構(gòu)，即使在同一服務(wù)區(qū)域內(nèi)，也可能包含多種不同的通信技術(shù)。因此，若5G網(wǎng)絡(luò)故障不能及時有效處理，極易蔓延，造成經(jīng)濟損失，并嚴重影響用戶體驗。

與傳統(tǒng)通信網(wǎng)絡(luò)相比，5G網(wǎng)絡(luò)面臨著更加復(fù)雜的問題，例如基站間干擾加劇、網(wǎng)絡(luò)配置復(fù)雜化[1]、海量數(shù)據(jù)處理等。網(wǎng)絡(luò)中的眾多節(jié)點每天都會產(chǎn)生海量的數(shù)據(jù)。因此，如何在保障5G網(wǎng)絡(luò)質(zhì)量和用戶體驗的同時，快速、低成本地定位和診斷網(wǎng)絡(luò)故障，具有重要的現(xiàn)實意義。

1 5G網(wǎng)絡(luò)及其故障診斷

第五代移動通信技術(shù)（5G） 不僅在系統(tǒng)容量和終端接入數(shù)量上優(yōu)于4G，其最重要的特性在于能夠為用戶提供更佳的使用體驗。與以峰值服務(wù)速率作為主要衡量指標的4G網(wǎng)絡(luò)相比，5G更加注重以用戶為中心的理念。為此，5G網(wǎng)絡(luò)中的關(guān)鍵技術(shù)變得至關(guān)重要，主要包括超密集組網(wǎng)技術(shù)、D2D通信技術(shù)和自組織網(wǎng)絡(luò)技術(shù)等[2]。

超密集組網(wǎng)技術(shù)本質(zhì)上是通過增加單位面積內(nèi)小基站的密度來縮短移動終端與基站間的距離，從而以更高的頻譜復(fù)用效率實現(xiàn)系統(tǒng)容量的顯著提升。不過，密度的提高也帶來了干擾增加的問題，這是超密集組網(wǎng)技術(shù)面臨的最大挑戰(zhàn)。5G網(wǎng)絡(luò)中的眾多低功率小基站一般按需部署，并沒有統(tǒng)一規(guī)劃的標準，這使得網(wǎng)絡(luò)的復(fù)雜性和異構(gòu)性日益突出。此外，5G網(wǎng)絡(luò)中多種網(wǎng)絡(luò)接入技術(shù)的共存，在帶來服務(wù)多樣化的同時，也提高了網(wǎng)絡(luò)故障發(fā)生的幾率。

D2D（Device to Device） 通信技術(shù)旨在緩解智能終端通信對基站造成的數(shù)據(jù)流量壓力。該技術(shù)允許通信能力較強的智能終端無須核心網(wǎng)參與而直接通信，蜂窩網(wǎng)絡(luò)只需處理核心控制指令和分配無線資源即可。

自組織網(wǎng)絡(luò)的功能主要包括通信網(wǎng)絡(luò)的自配置、自優(yōu)化以及自愈[3]，其中自愈功能至關(guān)重要。自愈功能指的是通信網(wǎng)絡(luò)故障的自動修復(fù)，包括自動故障檢測、故障原因分析和故障恢復(fù)等步驟。故障檢測用于發(fā)現(xiàn)存在通信問題、出現(xiàn)服務(wù)降級或中斷的服務(wù)區(qū)；故障原因分析即為故障診斷階段，涉及故障識別和修復(fù)方案的確定。

傳統(tǒng)的通信網(wǎng)絡(luò)故障處理方法多依賴于歷史經(jīng)驗，這些方法在診斷效率和精確定位方面存在不足。隨著人工智能技術(shù)在通信領(lǐng)域的應(yīng)用，一些基于人工智能的故障診斷方法得以發(fā)展，如基于規(guī)則的診斷方法、基于模糊邏輯的診斷方法和基于機器學(xué)習(xí)的診斷方法?；谝?guī)則的診斷方法由領(lǐng)域?qū)＜以O(shè)計，能夠表現(xiàn)專家知識，并用“IF-ELSE”這樣的邏輯規(guī)則表示。但這種方法過于依賴專家知識，存在漏診風(fēng)險?；谀：壿嫷脑\斷方法可以處理模糊和不精確的知識，并且需要為預(yù)設(shè)的故障原因定義處理規(guī)則?；跈C器學(xué)習(xí)的診斷方法通常包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征分析和模型訓(xùn)練等步驟，大多數(shù)傳統(tǒng)機器學(xué)習(xí)方法仍需要人工進行特征構(gòu)建和提取。

已有的通信網(wǎng)絡(luò)故障診斷方法或多或少依賴于人工或?qū)＜抑R，難以獲得令人滿意的故障診斷結(jié)果，因此亟須更加高效且智能的5G 網(wǎng)絡(luò)故障診斷方法。

2 基于圖卷積的5G網(wǎng)絡(luò)故障診斷

圖卷積神經(jīng)網(wǎng)絡(luò)（Graph Convolutional Networks，GCN） 具有良好的解釋性，能夠方便地對5G網(wǎng)絡(luò)中移動終端節(jié)點的特征進行分析，因此本文考慮將其引入5G網(wǎng)絡(luò)故障診斷中。首先，通過XGBoost算法對原始5G網(wǎng)絡(luò)數(shù)據(jù)集進行特征提取，以實現(xiàn)數(shù)據(jù)的降維處理；接著，將數(shù)據(jù)進行格式轉(zhuǎn)換，以滿足圖卷積神經(jīng)網(wǎng)絡(luò)所需的數(shù)據(jù)格式要求；最后，利用圖卷積神經(jīng)網(wǎng)絡(luò)完成5G網(wǎng)絡(luò)的故障診斷。整個流程如圖1所示。

2.1 數(shù)據(jù)處理

5G網(wǎng)絡(luò)中可能會有大量的智能終端進行通信，這些終端間的通信不僅會給基站帶來巨大的數(shù)據(jù)流量壓力，還可能影響模型訓(xùn)練的速度。為了降低數(shù)據(jù)維度，可以對5G網(wǎng)絡(luò)中的數(shù)據(jù)進行特征選擇，只選取對網(wǎng)絡(luò)影響最大的若干特征組合。XGBoost算法通過在訓(xùn)練過程中利用損失函數(shù)，并在梯度下降方向上構(gòu)建決策樹模型，以最小化模型預(yù)測值與真實值之間的殘差[4]。更重要的是，XGBoost算法在特征選擇方面速度較快，可以間接提高5G網(wǎng)絡(luò)故障診斷的效率。

假設(shè)Gi 是對第i 個樣本的損失函數(shù)求一階導(dǎo)數(shù)，hi表示對第i 個樣本的損失函數(shù)求二階導(dǎo)數(shù)，并且有：

特征向量映射為無向圖的步驟如下[5]：

1） 構(gòu)建特征矩陣。直接將數(shù)據(jù)集中不同樣本的特征向量堆疊成特征矩陣。

2） 構(gòu)建標簽矩陣。以已有的5G網(wǎng)絡(luò)故障診斷及處置經(jīng)驗為基礎(chǔ)，對不同數(shù)據(jù)的類別標簽進行向量編碼。如果數(shù)據(jù)沒有標記，則將其類別標簽設(shè)置為零向量，然后將所有的標簽向量組合為標簽矩陣。

3） 計算節(jié)點間的鄰接關(guān)系。使用高斯函數(shù)度量5G網(wǎng)絡(luò)節(jié)點間的相似性。

4） 設(shè)置相似性判斷閾值。比較上一步計算出的相似性度量值和閾值的大小。如果相似性度量值大于閾值，則將無向圖鄰接矩陣中對應(yīng)元素設(shè)置為1，否則設(shè)置為0。

5） 生成鄰接矩陣。重復(fù)上述步驟，最終得到表示無向圖的鄰接矩陣。

需要注意的是，相似性判斷閾值的設(shè)定會直接影響故障診斷的準確性。閾值過高可能忽略非關(guān)鍵故障，而閾值過低則可能導(dǎo)致誤報。因此，需結(jié)合實際網(wǎng)絡(luò)情況設(shè)置合適的閾值。

2.3 圖卷積故障診斷

5G網(wǎng)絡(luò)故障診斷可以看作是一種節(jié)點分類任務(wù)，由圖卷積神經(jīng)網(wǎng)絡(luò)完成，其優(yōu)化目標是最小化損失函數(shù)。圖卷積神經(jīng)網(wǎng)絡(luò)的每一層都進行卷積運算和激活函數(shù)處理，以提取節(jié)點的特征表達。通過堆疊多層卷積層，可以聚合網(wǎng)絡(luò)中較遠節(jié)點的信息，從而得到節(jié)點的高階特征。節(jié)點的特征表達和高階特征經(jīng)過輸出層處理后，即可得到每個節(jié)點的分類標簽。

在訓(xùn)練圖卷積神經(jīng)網(wǎng)絡(luò)時，需要經(jīng)過前向激勵和后向權(quán)值更新等步驟。在前向激勵過程中，需要將提取到的5G網(wǎng)絡(luò)樣本數(shù)據(jù)的輸入特征作為輸入進行卷積運算，并經(jīng)過輸出層處理后得到輸出矩陣。在后向權(quán)值更新過程中，會根據(jù)診斷結(jié)果和實際結(jié)果之間的比較分析得到損失函數(shù)。這兩者的誤差被傳遞給隱藏層，接下來即可更新各個卷積層的權(quán)值系數(shù)。

為驗證圖卷積神經(jīng)網(wǎng)絡(luò)在5G網(wǎng)絡(luò)故障診斷方面應(yīng)用的有效性，本文使用仿真軟件設(shè)置真實發(fā)生的故障，并標記對應(yīng)的故障標簽。同時，收集記錄同時間段內(nèi)的網(wǎng)絡(luò)參數(shù)數(shù)據(jù)。經(jīng)過前文介紹的數(shù)據(jù)處理、格式轉(zhuǎn)換等步驟后發(fā)現(xiàn)，隨著選取的輸出特征屬性的減少，圖卷積模型的準確率會稍有降低；當(dāng)輸出特征屬性數(shù)量降低到10個以下時，準確率會大幅下降。此外，不同5G網(wǎng)絡(luò)中輸入特征數(shù)量也會影響故障診斷的準確率，隨著特征數(shù)量的大幅增加，準確率會明顯降低。

3 基于預(yù)診斷和圖卷積的故障診斷

只依靠5G網(wǎng)絡(luò)節(jié)點間的鄰接矩陣直接進行故障診斷時，故障診斷及處理的精確程度受到相似性判斷閾值、標記樣本以及標記類別的制約。閾值的設(shè)定依賴于人工經(jīng)驗，而5G網(wǎng)絡(luò)數(shù)據(jù)中的標記樣本過少或標記類別不均衡都會影響故障處理結(jié)果。因此，可以在實際故障診斷前增加一個預(yù)診斷環(huán)節(jié)，主要處理流程如下[6]：

1） 擴充真實的數(shù)據(jù)集。解決標記樣本少、分布不均衡問題。

2） 預(yù)診斷工作。借助專家經(jīng)驗并使用樸素貝葉斯方法完成5G網(wǎng)絡(luò)數(shù)據(jù)的預(yù)診斷工作，并據(jù)此生成5G網(wǎng)絡(luò)數(shù)據(jù)間的關(guān)聯(lián)圖。

3） 訓(xùn)練GCN模型。以5G網(wǎng)絡(luò)數(shù)據(jù)和上一步得到的關(guān)聯(lián)圖作為圖神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練GCN模型。

基于預(yù)診斷和圖卷積的5G網(wǎng)絡(luò)故障診斷模型如圖2所示。

數(shù)據(jù)預(yù)處理階段不僅限于簡單地去除重復(fù)數(shù)據(jù)或臟數(shù)據(jù)，還包括前文介紹的特征選擇。本文選擇GAN生成模型來擴充數(shù)據(jù)集，此生成模型的目標函數(shù)本質(zhì)上是最優(yōu)化問題，能夠在擴充數(shù)據(jù)集時提升模型的分類精度。GAN生成模型的最大優(yōu)勢在于不需要像傳統(tǒng)故障診斷方法那樣搭建模擬網(wǎng)絡(luò)場景模型來收集網(wǎng)絡(luò)參數(shù)數(shù)據(jù)，僅需若干真實網(wǎng)絡(luò)數(shù)據(jù)樣本即可生成與真實網(wǎng)絡(luò)故障場景相符的網(wǎng)絡(luò)參數(shù)數(shù)據(jù)。其具體實現(xiàn)過程中，需要通過生成器和判別器的損失函數(shù)疊加來進行訓(xùn)練。通常，先完成判別器的訓(xùn)練，再交替訓(xùn)練生成器，為判斷生成網(wǎng)絡(luò)是否滿足訓(xùn)練標準，還需引入額外的誤差反饋以調(diào)整模型參數(shù)。重復(fù)這一訓(xùn)練步驟，可以使模擬數(shù)據(jù)的分布逐漸接近真實數(shù)據(jù)的分布。

樸素貝葉斯是一種有向圖，能夠有效地用概率表示5G網(wǎng)絡(luò)中導(dǎo)致故障出現(xiàn)的各種不確定原因，并通過條件概率和后驗概率等概率思想完成5G網(wǎng)絡(luò)中樣本數(shù)據(jù)的分類，從而有效模擬故障發(fā)生的不確定性。預(yù)診斷過程得到的關(guān)聯(lián)圖本質(zhì)上由多個獨立的子圖構(gòu)成，子圖的數(shù)量與預(yù)定義的5G網(wǎng)絡(luò)故障類型的數(shù)量一致。此外，不同子圖內(nèi)的節(jié)點間存在聯(lián)系，因此只需較淺的網(wǎng)絡(luò)層次即可為模型訓(xùn)練獲取足夠的信息。這種構(gòu)建的關(guān)聯(lián)圖能夠有效地將預(yù)診斷結(jié)果融合到后續(xù)的GCN模型訓(xùn)練過程中，同時克服GCN模型層次過深時導(dǎo)致的過平滑缺陷。經(jīng)過這樣的改進后，對具有不同特征數(shù)量的5G網(wǎng)絡(luò)數(shù)據(jù)進行故障診斷與分析，得到表1所示的診斷結(jié)果。

在沒有預(yù)診斷環(huán)節(jié)的情況下，隨著5G網(wǎng)絡(luò)中特征數(shù)量的增加，由于不同特征之間的相互影響，故障診斷處理的準確率可能會下降。然而，增加預(yù)診斷環(huán)節(jié)后，從分析結(jié)果可以看出，即使特征數(shù)量有所增加，故障診斷處理的準確率也沒有明顯下降，反而有所提升。

4 總結(jié)

本文研究了人工智能技術(shù)在5G網(wǎng)絡(luò)故障診斷處理中的應(yīng)用。首先，介紹了5G網(wǎng)絡(luò)的特點以及傳統(tǒng)的5G網(wǎng)絡(luò)故障處理方法。接著，提出了一種基于圖卷積的5G網(wǎng)絡(luò)故障處理模型。該模型首先使用XG?Boost方法對網(wǎng)絡(luò)數(shù)據(jù)進行特征提取，并將處理后的數(shù)據(jù)轉(zhuǎn)換為圖卷積可以處理的數(shù)據(jù)格式。最后，對此模型進行了改進，在對真實網(wǎng)絡(luò)數(shù)據(jù)進行擴充的基礎(chǔ)上增加了預(yù)診斷環(huán)節(jié)。實驗結(jié)果表明，這種基于預(yù)診斷和圖卷積網(wǎng)絡(luò)的方法可以有效結(jié)合先驗知識和人工智能的優(yōu)勢，與傳統(tǒng)5G網(wǎng)絡(luò)故障診斷方法相比，具有更佳的準確性。