基于预诊断和图卷积神经网络的5G网络故障诊断
作者： 孟博
关键词：5G网络；故障诊断；图卷积神经网络；人工智能
中图分类号：TP393 文献标识码：A
文章编号：1009-3044（2024）25-0033-03
0 引言
经过几十年的快速发展，移动通信技术已进入5G应用时代。与追求峰值速率和平均吞吐量的4G网络不同，5G网络更加注重用户体验和满意度。5G网络的设备接入数量相比4G网络大幅增加，密集的网络节点导致拓扑结构高度异构，即使在同一服务区域内，也可能包含多种不同的通信技术。因此，若5G网络故障不能及时有效处理，极易蔓延，造成经济损失，并严重影响用户体验。
与传统通信网络相比，5G网络面临着更加复杂的问题，例如基站间干扰加剧、网络配置复杂化[1]、海量数据处理等。网络中的众多节点每天都会产生海量的数据。因此，如何在保障5G网络质量和用户体验的同时，快速、低成本地定位和诊断网络故障，具有重要的现实意义。
1 5G网络及其故障诊断
第五代移动通信技术（5G） 不仅在系统容量和终端接入数量上优于4G，其最重要的特性在于能够为用户提供更佳的使用体验。与以峰值服务速率作为主要衡量指标的4G网络相比，5G更加注重以用户为中心的理念。为此，5G网络中的关键技术变得至关重要，主要包括超密集组网技术、D2D通信技术和自组织网络技术等[2]。
超密集组网技术本质上是通过增加单位面积内小基站的密度来缩短移动终端与基站间的距离，从而以更高的频谱复用效率实现系统容量的显著提升。不过，密度的提高也带来了干扰增加的问题，这是超密集组网技术面临的最大挑战。5G网络中的众多低功率小基站一般按需部署，并没有统一规划的标准，这使得网络的复杂性和异构性日益突出。此外，5G网络中多种网络接入技术的共存，在带来服务多样化的同时，也提高了网络故障发生的几率。
D2D（Device to Device） 通信技术旨在缓解智能终端通信对基站造成的数据流量压力。该技术允许通信能力较强的智能终端无须核心网参与而直接通信，蜂窝网络只需处理核心控制指令和分配无线资源即可。
自组织网络的功能主要包括通信网络的自配置、自优化以及自愈[3]，其中自愈功能至关重要。自愈功能指的是通信网络故障的自动修复，包括自动故障检测、故障原因分析和故障恢复等步骤。故障检测用于发现存在通信问题、出现服务降级或中断的服务区；故障原因分析即为故障诊断阶段，涉及故障识别和修复方案的确定。
传统的通信网络故障处理方法多依赖于历史经验，这些方法在诊断效率和精确定位方面存在不足。随着人工智能技术在通信领域的应用，一些基于人工智能的故障诊断方法得以发展，如基于规则的诊断方法、基于模糊逻辑的诊断方法和基于机器学习的诊断方法。基于规则的诊断方法由领域专家设计，能够表现专家知识，并用“IF-ELSE”这样的逻辑规则表示。但这种方法过于依赖专家知识，存在漏诊风险。基于模糊逻辑的诊断方法可以处理模糊和不精确的知识，并且需要为预设的故障原因定义处理规则。基于机器学习的诊断方法通常包括数据采集、数据预处理、特征分析和模型训练等步骤，大多数传统机器学习方法仍需要人工进行特征构建和提取。
已有的通信网络故障诊断方法或多或少依赖于人工或专家知识，难以获得令人满意的故障诊断结果，因此亟须更加高效且智能的5G 网络故障诊断方法。
2 基于图卷积的5G网络故障诊断
图卷积神经网络（Graph Convolutional Networks，GCN） 具有良好的解释性，能够方便地对5G网络中移动终端节点的特征进行分析，因此本文考虑将其引入5G网络故障诊断中。首先，通过XGBoost算法对原始5G网络数据集进行特征提取，以实现数据的降维处理；接着，将数据进行格式转换，以满足图卷积神经网络所需的数据格式要求；最后，利用图卷积神经网络完成5G网络的故障诊断。整个流程如图1所示。
2.1 数据处理
5G网络中可能会有大量的智能终端进行通信，这些终端间的通信不仅会给基站带来巨大的数据流量压力，还可能影响模型训练的速度。为了降低数据维度，可以对5G网络中的数据进行特征选择，只选取对网络影响最大的若干特征组合。XGBoost算法通过在训练过程中利用损失函数，并在梯度下降方向上构建决策树模型，以最小化模型预测值与真实值之间的残差[4]。更重要的是，XGBoost算法在特征选择方面速度较快，可以间接提高5G网络故障诊断的效率。
假设Gi 是对第i 个样本的损失函数求一阶导数，hi表示对第i 个样本的损失函数求二阶导数，并且有：
特征向量映射为无向图的步骤如下[5]：
1） 构建特征矩阵。直接将数据集中不同样本的特征向量堆叠成特征矩阵。
2） 构建标签矩阵。以已有的5G网络故障诊断及处置经验为基础，对不同数据的类别标签进行向量编码。如果数据没有标记，则将其类别标签设置为零向量，然后将所有的标签向量组合为标签矩阵。
3） 计算节点间的邻接关系。使用高斯函数度量5G网络节点间的相似性。
4） 设置相似性判断阈值。比较上一步计算出的相似性度量值和阈值的大小。如果相似性度量值大于阈值，则将无向图邻接矩阵中对应元素设置为1，否则设置为0。
5） 生成邻接矩阵。重复上述步骤，最终得到表示无向图的邻接矩阵。
需要注意的是，相似性判断阈值的设定会直接影响故障诊断的准确性。阈值过高可能忽略非关键故障，而阈值过低则可能导致误报。因此，需结合实际网络情况设置合适的阈值。
2.3 图卷积故障诊断
5G网络故障诊断可以看作是一种节点分类任务，由图卷积神经网络完成，其优化目标是最小化损失函数。图卷积神经网络的每一层都进行卷积运算和激活函数处理，以提取节点的特征表达。通过堆叠多层卷积层，可以聚合网络中较远节点的信息，从而得到节点的高阶特征。节点的特征表达和高阶特征经过输出层处理后，即可得到每个节点的分类标签。
在训练图卷积神经网络时，需要经过前向激励和后向权值更新等步骤。在前向激励过程中，需要将提取到的5G网络样本数据的输入特征作为输入进行卷积运算，并经过输出层处理后得到输出矩阵。在后向权值更新过程中，会根据诊断结果和实际结果之间的比较分析得到损失函数。这两者的误差被传递给隐藏层，接下来即可更新各个卷积层的权值系数。
为验证图卷积神经网络在5G网络故障诊断方面应用的有效性，本文使用仿真软件设置真实发生的故障，并标记对应的故障标签。同时，收集记录同时间段内的网络参数数据。经过前文介绍的数据处理、格式转换等步骤后发现，随着选取的输出特征属性的减少，图卷积模型的准确率会稍有降低；当输出特征属性数量降低到10个以下时，准确率会大幅下降。此外，不同5G网络中输入特征数量也会影响故障诊断的准确率，随着特征数量的大幅增加，准确率会明显降低。
3 基于预诊断和图卷积的故障诊断
只依靠5G网络节点间的邻接矩阵直接进行故障诊断时，故障诊断及处理的精确程度受到相似性判断阈值、标记样本以及标记类别的制约。阈值的设定依赖于人工经验，而5G网络数据中的标记样本过少或标记类别不均衡都会影响故障处理结果。因此，可以在实际故障诊断前增加一个预诊断环节，主要处理流程如下[6]：
1） 扩充真实的数据集。解决标记样本少、分布不均衡问题。
2） 预诊断工作。借助专家经验并使用朴素贝叶斯方法完成5G网络数据的预诊断工作，并据此生成5G网络数据间的关联图。
3） 训练GCN模型。以5G网络数据和上一步得到的关联图作为图神经网络的输入，训练GCN模型。
基于预诊断和图卷积的5G网络故障诊断模型如图2所示。
数据预处理阶段不仅限于简单地去除重复数据或脏数据，还包括前文介绍的特征选择。本文选择GAN生成模型来扩充数据集，此生成模型的目标函数本质上是最优化问题，能够在扩充数据集时提升模型的分类精度。GAN生成模型的最大优势在于不需要像传统故障诊断方法那样搭建模拟网络场景模型来收集网络参数数据，仅需若干真实网络数据样本即可生成与真实网络故障场景相符的网络参数数据。其具体实现过程中，需要通过生成器和判别器的损失函数叠加来进行训练。通常，先完成判别器的训练，再交替训练生成器，为判断生成网络是否满足训练标准，还需引入额外的误差反馈以调整模型参数。重复这一训练步骤，可以使模拟数据的分布逐渐接近真实数据的分布。
朴素贝叶斯是一种有向图，能够有效地用概率表示5G网络中导致故障出现的各种不确定原因，并通过条件概率和后验概率等概率思想完成5G网络中样本数据的分类，从而有效模拟故障发生的不确定性。预诊断过程得到的关联图本质上由多个独立的子图构成，子图的数量与预定义的5G网络故障类型的数量一致。此外，不同子图内的节点间存在联系，因此只需较浅的网络层次即可为模型训练获取足够的信息。这种构建的关联图能够有效地将预诊断结果融合到后续的GCN模型训练过程中，同时克服GCN模型层次过深时导致的过平滑缺陷。经过这样的改进后，对具有不同特征数量的5G网络数据进行故障诊断与分析，得到表1所示的诊断结果。
在没有预诊断环节的情况下，随着5G网络中特征数量的增加，由于不同特征之间的相互影响，故障诊断处理的准确率可能会下降。然而，增加预诊断环节后，从分析结果可以看出，即使特征数量有所增加，故障诊断处理的准确率也没有明显下降，反而有所提升。
4 总结
本文研究了人工智能技术在5G网络故障诊断处理中的应用。首先，介绍了5G网络的特点以及传统的5G网络故障处理方法。接着，提出了一种基于图卷积的5G网络故障处理模型。该模型首先使用XG⁃Boost方法对网络数据进行特征提取，并将处理后的数据转换为图卷积可以处理的数据格式。最后，对此模型进行了改进，在对真实网络数据进行扩充的基础上增加了预诊断环节。实验结果表明，这种基于预诊断和图卷积网络的方法可以有效结合先验知识和人工智能的优势，与传统5G网络故障诊断方法相比，具有更佳的准确性。