一種用于話務故障診斷的專家系統

山西師范大學數學與計算機科學學院 山西師范大學網絡中心 張亮亮

1.引言

目前，移動通信網絡已經發展到3G時代，國外4G網絡也廣泛部署，國內雖未普及，但發展勢頭迅猛。移動通信網絡硬件建設與擴張已經趨于飽和，在現有網絡建設規模變化不大，硬件投入成本降低的情況下，要想提高移動設備利用率，增強用戶青睞感，保持業務穩定增長，網絡性能優化成為通信企業的首要任務。網絡性能優化中，對話務數據監測與分析是必要途徑之一。本文針對這一應用背景，開發了話務故障診斷專家系統，探討CBR與RBR結合的推理模型，旨在改善話務數據監測與分析的績效，為網絡性能優化提供決策支持。

2.話務專家系統基本原理

2.1 基于實例的推理（CBR）

基于實例的推理通過訪問實例庫中過去同類問題的求解方法而獲得當前問題解的一種推理模式。CBR不進行規則匹配，類似的實例可以通過索引檢索出來直接得到問題的答案。使迅速求解問題成為可能，CBR適用于經驗豐富的領域。CBR的推理系統，一般包括以下幾個部分。

（1）實例表示。其中主要包含這些主要因素，問題描述：故障類型現象特征的描述；問題環境的描述：故障發生時，系統所表現的征兆；解決方案的描述：故障原因，解決方案，解釋參考經驗的描述；反饋：是對解決方案的反饋建議。

（2）檢索與匹配。利用索引機制，根據相似性度量方法，從實例庫中檢索出一組與當前實例在特征屬性相似，對當前故障的診斷有啟發和指導意義的實例，并從中選擇最佳的實例作為本次診斷的建議解。本文采用相對較為成熟的K-NN相似度量方法。

（3）實例重用與修改。把檢索到的舊實例復用到新實例中，復用結果不好時依據網優專家經驗知識和人為干預對檢索得出的實例進行調整、修改，形成適合于當前故障的實例，得出診斷結論。

（4）實例添加。將新實例的診斷過程，評價結果添加到實例庫中成為新的實例，保存實例過程就是學習過程。

2.2 基于規則的推理（RBR）

基于規則的推理選用產生式規則作為推理方法，產生式規則是一種簡潔易實現的知識表示方法，以產生式規則為基礎的推理方法有利于問題求解和系統開發，廣泛應用于各類專家系統中，產生式規則采用的是:IF＜條件>THEN＜結論>的表示形式。

這種方式可以將專家經驗表示成易于機器識別表示的形式，早期的專家系統多數采用了該方法，產生式規則求解過程即反復從規則庫中提取合適的規則并執行的過程，一般基于規則推理的專家系統須包含以下三個方面：

（1）規則庫。基于規則推理的規則庫存儲的即一般性知識，規則庫的建立與完善是一個循序漸進的過程，領域專家的知識均存儲在本庫中，是專家系統的重要組成部分。

（2）推理過程。推理機的執行過程描述，將綜合數據與規則庫中的前提進行匹配，如匹配成功則執行對應規則的結論，結論可能是輸出結果也可能是跳轉接口。從規則庫中選取規則時可能有多個規則與綜合數據匹配，需要按策略進行“沖突消解”；然后，選擇最恰當的規則啟動運行；因此，RBR的執行過程是一個循環往復的過程。

（3）綜合數據庫。綜合數據庫存放包含解決問題的相關參數與支持數據，并存放問題求解過程中的各種當前信息。如問題的初始狀態、推理求解過程中的中間結論及最終結論。當規則庫中有一條規則的前提可與綜合數據庫中的事實相匹配時，該規則被激活，進行推理并把結論放入到綜合數據庫中，所以綜合數據庫的內容是動態的。

3.移動話務故障診斷專家系統設計與實現

3.1 綜合推理模式

本文采用的是基于實例與規則的綜合推理模式實現專家系統的構建，綜合推理方式可以有效解決系統單一推理模式的不足，基于規則推理的專家系統表現形式單一，易于用戶理解，因此成為最重要的知識表現方法，但同時規則間的互相關系不明顯，知識整體的形象難以把握，處理效率低，推理缺乏靈活性，容易出現控制飽和問題，與專家知識不一致等，CBR很好的解決了以上問題，CBR是通過訪問實例庫中原有問題的解來獲得當前問題解的推理模式，CBR不進行規則匹配，類似的實例可以通過索引檢索出來直接得到問題的答案。RBR適用于知識豐富的應用領域，CBR適用于經驗豐富的領域，因此將RBR與CBR的合理結合有利于彌補兩者不足，取長補短，對專家系統的改進具有積極意義。移動話務故障診斷專家系統的系統結構，如圖1所示。

數據中心產生實例數據，首先進行實例檢查，如果實例庫中存在與本實例匹配實例則直接輸出實例結果至人機界面，否則，轉入規則推理模塊，將實例各個特征經過規則推理逐漸形成輸出結果，首先通過網優專家人工檢查結果是否與實際事實相符，并判斷其是否有重用性，然后依據情況錄入規則庫，或者調整推理邏輯后，重新推理，如符合實際情況，則將該規則推理過程以實例形式存儲在實例庫，便于實例重用。

3.2 基于實例推理模塊

其中實例推理的基本原理：以實例為基礎進行推理，把網優工程師（話務分析專家或網優專家）的經驗保存成一個個的實例，出現新問題，對實例庫進行檢索，尋找匹配與相似的實例，即現實專家經驗的再利用，如對實例不滿意（與事實有偏差），則進行修改，修改后重新存入實例庫，以便再利用，這相當于專家經驗的再學習，當然也是一種知識學習，從原理中可以看出關鍵技術在于實例表示、檢索、與修改。

話務分析的實例檢索（GSM）主要以小區分配失敗，BSC sdc溢出>1萬，BSC掉話>300，小區sdc溢出>200，小區無占用，TCH準備失敗，TCH擁塞率大于2%，小區掉話率大于3%，小區不可用等為特征。

不同的特征在實例匹配中作用不同，因此特征值應加以權重來表示，本文采用五元組來表示實例：

其中，N，NO.，實例標識符；D，Description，問題描述，即屬性特征；W，Weight，屬性特征權重，二維矩陣Target，問題解；A，Alpha，實例的信度集。

每個實例以實例標識符N唯一標識，實例庫結構如圖2。

按照以上模式存儲采用以下近似匹配算法（KNN），其公式為：

其中，Siim指實例庫中第i個舊實例與問題實例的綜合相似度（也稱綜合匹配度），wj指第j個屬性在參與匹配檢索的屬性指標中占的比重，稱為第j個權重，Sim是第i個舊實例的第j個屬性指標與問題實例的第i個屬性指標的相似度。

3.3 基于規則的推理

3.3.1 知識庫的表示

基于規則推理中知識庫建立，以及基于規則的知識表示是重中之重，本文采用前提表，結論表，解釋表，分別存儲方

圖1 專家系統推理模塊流程圖

圖2 實例庫結構圖

i j式，便于對各個模塊分別增加、修改、刪除等，圖3是知識庫示意圖。

圖3中，編號為10001的規則執行該前提后根據操作類型直接跳轉到10003規則執行操作，輸出結果到表BSC TBF建立成功率，然后做后期處理。

3.3.2 推理過程

基于規則推理的知識系統，本質上是從一個初始條件出發，根據前提，尋求結論的求解過程。在基于規則的專家系統中，推理機比較存儲的元規則知識與當前事實，如果與當前事實條件匹配，則執行對應規則的結論，結論可能是最終結果，或者激發下一判斷規則，這是基于規則的基本原理。

由于話務故障診斷是由現有數據條件來判斷當前地區話務故障情況，因此話務分析故障診斷的規則推理過程采用正向推理，其基本過程為：數據監測服務器產生每小時監測數據，數據錄入模塊，對數據下載、解壓，并轉入原始數據庫，然后根據專家經驗將原始數據的結果轉化為規則存入規則庫，以后利用規則重用原則，推理機自動推理產生結果，如規則庫中不存在當前數據產生結果（故障描述的數據表達形式），則提醒網優專家進行規則錄入或忽略。

4.系統主要功能及應用分析

基于CBR與RBR的話務分析專家系統，主要由數據錄入模塊，推理模塊，管理模塊，用戶界面幾部分組成。

數據輸入模塊主要實現通過預設接口從Alcatel服務器采集數據，將數據經由下載、解壓、入庫等方式轉入本地數據中心，本地數據中心將對海量監測數據進行篩選，提取出話務故障相關數據。

管理模塊用于實現網優專家維護專家系統、定制門限、錄入元知識等功能。

推理模塊主要實現以下功能：在經由數據中心產生話務故障數據之后。首先生成實例并在實例庫中檢查，若有與該實例相似的實例，則匹配實例，輸出結果到人機界面，否則經由規則推理形成規則數據并檢索規則庫，若規則推理輸出結果符合事實，則添加新實例到實例庫，否則檢查推理邏輯，若推理合理則修改規則庫，否則更改邏輯。

圖3 基于規則的知識庫

用戶界面主要實現網優人員（專家系統最終使用人員）及網優專家對專家系統的維護與使用。

本文采用SQL SERVER2008存儲數據及故障診斷知識，使用C#編程，應用DEVEXPRESS控件。三者結合有界面美觀，實現快捷，開發高效等優點。

話務故障分析系統由于對于不同權限的用戶所能使用的功能有所不同，因此，用戶登錄時，會依據權限不同執行不同功能。一般，分為網優專家與普通網優人員，在授權用戶時權限已直接按用戶名分類，所以系統自動識別可用功能。網優專家可以調整系統參數，及維護修改知識庫等，因此具有網優專家權限的用戶其實也扮演著管理員的角色。

專家系統經過在臨汾移動公司測試應用，基本可以實現典型話務故障分析診斷，且準確率較高。在正常情況下，對常見故障的判斷準確率可達到90%以上。以火車站基站為例，在某一時間段，出現數據擁塞特征，表現為基站功率高，SDCHH擁塞嚴重。經過專家系統推理診斷為TCH擁塞，初步判斷結論是：火車站通話次數頻繁，導致擁塞。經過觀察調研，發現在該時間段，同時有多輛火車停靠，人員流動大，導致擁塞。該故障是非硬件故障或人為原因，與網優專家人工診斷及調研結果相符。

5.結束語

本文建構的智能話務故障診斷系統，整合了CBR與RBR的優點，提高了話務故障診斷的準確度。該系統界面友好，操作靈活簡單，有效提高了一線網優人員的工作效率，并可簡化其工作流程。同時，對機器智能分析移動話務海量數據，提供了參考模型。對移動通信中的網絡優化技術的發展提供理論依據，具有重要實踐意義。

[1]靳鵬,夏清國.CBR和RBR在GSM無線網絡優化中應用[J].科學技術與丁程,2006年9期.

[2]李宏娟.基于規則和案例的壓縮機集成故障診斷專家系統研究[D].湖南大學碩士學位論文,2008年4月.

[3]楊云,馮亞,基于決策樹的GSM網絡優化專家系統[J].開發應用,2009第11期.

[4]王歡,吳陽年.基于面向對象方法的汽車制動專家系統的研究與開發[J].北京汽車,2011,NO.1.

[5]胡中豫,申濤,李高峰,宮潤勝.基于案例與規則推理的干擾查找專家系統[J].計算機工程,2009年9月.

[6]趙小化.KNN文本分類中特征詞權重算法的研究[D].太原理工大學碩士學位論文,2010年5月.

[7]吳曉,種玉珍,倪紅波,王海鵬.一種CBR與RBR相結合的智能家庭推理系統[J].計算機應用研究,2009年3月.

[8]李乾鵬,方家騏,基于RBR和CBR規劃中的知識表示方法研究[J].計算機工程與設計,2009,30(22).

[9]劉劍,陳一超,江虹.基于規則的通用專家知識庫故障診斷方法[J].計算機與數字工程,2010年第6期.

[10]馬振林,于英杰.基于RBR和CBR的故障診斷專家系統研究[J].微計算機信息,2010年第26卷第2-1期.