基于深度自編碼器的移動通信基站異常度檢測

馬敏，賈子寒，王磊

（1.中國移動通信集團設計院有限公司陜西分公司，陜西 西安 710065；2.中國移動通信集團設計院有限公司，北京 100080）

0 引言

目前，LTE 網絡已經進入穩定發展階段，形成了龐大的網絡規模，要保證全網數以萬計的基站正常、高效地運行，對網絡運維提出了很高的要求[1]，尤其是隨著5G 網絡的規模部署和商用，基站數量將遠遠大于4G 網絡[2]，網絡運維面臨更大的挑戰。傳統的移動網運維是以周期性巡檢、故障派單等方式為主，存在著運維效率不高、運維資源投放時效性不足等問題，這種非預防性運維模式已完全不能滿足當前網絡運營的需要，運用人工智能和大數據等新技術，實現主動運維、快速運維和精準運維是網絡運維發展的新趨勢?；井惓z測是新型網絡運維模式的一項重要內容，它的目標是要實時了解基站的健康狀態，提前發現基站的隱性問題，有針對性地進行巡檢，從而減少和避免基站退服類嚴重故障的發生，起到預防性網絡維護的作用[3]。

目前基站異常檢測的方法主要有網絡指標閾值對比法[4]、基于機器學習的方法[5]和基于深度學習的方法[6]等，指標閾值法需要依賴人員經驗，指標的統計分析也相當耗時耗力。采用有監督的機器學習方法，準確率較高，但需要大量的樣本標注，這在大規模應用中很難做到。

本文提出一種基于深度自編碼器模型進行基站異常度檢測的方法，通過對基站故障告警、性能KPI、OMC運維指標等多維數據建立深度自編碼器模型，挖掘基站正常運行時各類告警出現的頻次規律、相關性能指標的波動規律，以此來進行當前基站異常度的檢測。該方法具有準確性高、評測粒度細、容易實施等特點，為后續網絡運維部門進行基站精準巡檢以及進一步實現智能運維提供了可靠的數據支撐。

1 深度自編碼器模型

自編碼器（AE,Auto Encoder）是機器學習和深度學習的方法之一，采用無監督學習方式，即送入網絡訓練的只是數據本身，不需要對樣本數據打標簽。AE 的學習目標是重構原始輸入，根據重構結果與原始輸入之間的誤差來訓練網絡，使得輸入與輸出值盡可能接近。最簡單的AE 是一個三層的神經網絡，包括輸入層、隱藏層和輸出層，深度自編碼器是具有多個隱藏層結構的自編碼器，它將多個基本的AE 堆疊形成深度學習神經網絡，可用于輸入數據的特征提取、高維數據的降維以及深度神經網絡的預訓練等。

自編碼器分為傳統的自編碼器和改進的自編碼器[7]，如降噪自編碼器（DAE,Denoising Auto-Encoder）、稀疏自編碼器（SAE,Sparse Auto-Encoder）、變分自編碼器（VAE,Variational Auto-Encoder）等，從數據規模、模型整體性能及模型健壯性等綜合因素考慮，本文采用了稀疏降噪自編碼器（SDAE,Sparse Denoising Auto-Encoder）模型。

1.1 基本的自編碼器

基本的AE[8]網絡結構如圖1 所示，從輸入層到隱藏層是編碼過程，從隱藏層到輸出層是解碼過程，層與層之間相互全連接。

圖1 基本的自編碼器網絡結構

假設對于樣本x={x1,x2,x3,…,xm}，重構輸出為，則AE 的編碼和解碼過程分別為式(1)和式(2)。

其中W為輸入層到隱藏層的權值矩陣，W′為隱藏層到輸出層的權值矩陣，通常取W′=WT，即W的轉置；b和b′ 分別為隱藏層和輸出層神經元的偏置向量；f(x) 和g(h) 分別表示編碼和解碼的激活函數，一般使用相同的Sigmoid 函數或relu 函數等。

1.2 稀疏降噪自編碼器

降噪自編碼器（DAE）模型是通過對原始輸入數據人為加入一些噪聲，然后將這個加了噪聲的數據送入AE，使其盡量重構出與干凈輸入相同的輸出。DAE 使重構輸出對輸入中的噪聲具有一定的魯棒性，降低網絡對輸入樣本的敏感性。

稀疏自編碼器（SAE）模型是給AE 的隱藏層神經元增加一些稀疏性約束，使得隱藏層大部分神經元處于抑制的狀態，只有少數被激活，目的是在保證模型重建精度的基礎上，使隱藏層更加稀疏簡明地表示，提高模型的性能。

稀疏降噪自編碼器（SDAE）模型是融合了DAE 和SAE 兩種模型，以SAE 為基本架構，輸入數據中加入干擾噪聲，模型重構輸出的損失函數是在AE 損失函數的基礎上增加了稀疏性約束，使得隱藏神經元的平均激活值保持在很小的范圍內。式(4)給出了SDAE 的損失函數[8]，其中，為稀疏性懲罰因子，β是控制稀疏性懲罰因子的權重，可取0～1 之間的任意值。

稀疏性懲罰因子如式(5) 所示。

式(5) 中，S為隱藏層中隱藏神經元的個數，j為隱藏層中的神經元，ρ是稀疏參數，通常是一個接近于0 的較小的值，代表所有訓練樣本在j上的平均激活值，aj為j上的激活值。稀疏性懲罰因子采用散度來衡量ρ與之間的差別，在網絡訓練過程中，若與ρ明顯不同時就會進行懲罰，達到對隱藏層神經元抑制的效果。

2 基于深度自編碼器的基站異常度檢測方法

2.1 基于深度自編碼器的基站異常度檢測方法總體流程

基于深度自編碼器進行基站異常度檢測的總體流程如圖2 所示，包括特征參量選取、數據準備、建模以及模型結果應用等幾部分。

圖2 基于深度自編碼器的基站異常度檢測方法總體流程

特征參量選取是要確定能夠反映基站異常程度特性的參數，由于基站退服類重要告警的發生常伴有次要告警、性能指標波動、動環數據波動等，因此選擇故障告警頻次、與運維相關的性能KPI 以及OMC 運維指標作為基站異常度檢測模型的特征參量。

數據準備主要完成以上特征參量數據的采集、預處理（如剔除無效告警數據、按一定粒度進行各告警頻次統計等），以及數據格式轉換、建立基站異常度檢測運維數據庫等，抽取該數據庫中一定數量的歷史數據就得到模型輸入的樣本集。

建模部分是運用深度自編碼器建模方法建立基站異常度檢測模型，具體建模過程見第2.2 節。由于故障告警數據是基于基站級的，性能KPI 數據是基于小區級的，OMC 運維指標是基于板卡級的，考慮到數據粒度不同，因此首先基于以上三種特征參量數據分別建立模型，最后再綜合三個模型的輸出結果（如對模型結果加權），對基站進行更全面、更精細化的異常度評測。

模型結果應用是對模型輸出結果進行分析和后評估，如繪制所有待評測基站在評測時間段內異常情況的變化趨勢圖、計算各基站異常程度的排序以及列出TopN異?；绢A警清單等（包括基站的隱患風險程度、異常項的具體信息等），提供給網絡運維部門作為智能巡檢的數據依據。

2.2 基于稀疏降噪自編碼器的基站異常度檢測建模

（1）建模過程

基于深度自編碼器的基站異常度檢測建模過程實質上就是對輸入的特征參量重構的過程，下面以基站故障告警特征參量為例詳細說明。

圖3 給出了基于稀疏降噪自編碼器的基站故障告警序列重構過程[9]。

圖3 基于稀疏降噪自編碼器的基站故障告警重構過程

具體步驟如下：

1）對預處理后的基站原始故障告警序列{x}進行加噪處理，得到有隨機噪聲的模型輸入{x'}。

2）對各隱藏層的神經元加入稀疏性約束，將輸入{x'}作為第一層隱藏層輸入，單層訓練得到第一層隱藏層的輸出，將該輸出作為第二層隱藏層輸入，依次類推，由下至上逐層訓練，直到完成給定數量的隱藏層的訓練，得到初始的網絡模型參數。

3）計算模型的誤差函數JSDAE(W,b,b′)。

4）迭代訓練網絡，利用后向傳播算法和梯度下降算法[10]等，再由上至下逐層進行微調，最終得到最優化的網絡模型參數。

5）當總體重構誤差達到最小時，得到重構的基站故障告警序列。

（2）模型輸入、輸出及樣本數據獲取

模型輸入，就是按照一定的格式要求輸入到基站異常度檢測模型的特征參量數據，以下分別給出基于故障告警、性能KPI、OMC 運維指標的三個模型的輸入數據說明。

1）故障告警：包含無線、傳輸、動環的全量告警，模型輸入為在一定時間粒度（如每天）內各個告警的頻次，表1 給出了故障告警數據輸入樣例。

表1 故障告警數據輸入樣例

2）性能KPI：依照專家經驗，篩選出與運維相關的性能KPI，模型輸入為各性能KPI 值，表2 給出了性能KPI 數據輸入樣例。

表2 性能KPI數據輸入樣例

3）OMC 運維指標：主要有駐波比、設備溫度、光功率、基站輸入電壓等，模型輸入為各OMC 運維指標值，表3 給出了OMC 運維數據輸入樣例。

表3 OMC運維數據輸入樣例

模型輸出，即通過基站異常度檢測模型得到的輸入數據集的重構誤差，為歐氏距離，將其作為基站異常度的檢測量。

樣本數據獲取，就是通過一定的方式得到模型訓練的樣本集，分別通過移動網運行的集中故障平臺、網優大數據平臺以及綜合網管后臺指令方式等，采集相當數量（如6 個月以上）的特征參量數據，剔除無效數據，按照以上模型輸入要求完成數據處理，最后得到近似基站正常態的樣本集。

3 算例實現及應用效果

3.1 算例實現

本文基于Python 的Keras 深度學習庫搭建深度自編碼器模型，訓練數據集和測試數據集選取某省移動公司的基站運維數據，包括歷史6 個月的無線告警、傳輸告警和動環告警等，下面以基于故障告警的基站異常度檢測模型為例說明算例實現。

（1）數據預處理

1）在告警數據中剔除退服類告警（如小區不可用告警、鏈路異常告警等）；不影響業務的告警類型（如證書失效告警、門禁告警等）；因工程施工、測試、網絡割接等導致的異常告警；剔除工程預約、夜間節電、載波調度等白名單基站的告警。

2）統計每天各個基站發生各類告警的頻次，根據時間、基站名稱、基站所屬機房關聯各個維度告警數據（包括無線告警141 類、傳輸告警30 類、動環告警38 類），構建訓練樣本，共計86 912 條，如表4 所示。

表4 訓練樣本

（2）參數選擇與優化

將以上209 維告警樣本數據作為SDAE 模型的輸入，按照上述的建模過程進行模型構建和訓練，選擇的SDAE網絡參數見表5。

表5 SDAE網絡參數

經過實驗訓練對比，設置SDAE 模型隱藏層數為3 層，隱藏層神經元個數設置為256、64 和16，稀疏性參數ρ設置為0.004，加入10% 的高斯噪聲比。

將訓練數據輸入SDAE 模型，經過200 次迭代訓練，誤差函數JSDAE(W,b,b′) 在0.000 1 左右趨于平緩，如圖4所示，表明該降維序列能夠很好的體現原始序列的特征，有效重構原始數據。

圖4 告警頻次序列的重構誤差

實驗采用5 折交叉驗證方法，即將樣本分成5 部分，每次取4 部分做訓練，剩余1 部分做測試，共需進行5 次驗證，取5 次訓練后測試集重構誤差的平均值作為最終的重構誤差。

3.2 應用試點及效果分析

目前在運維工作中，巡檢資源投放缺乏指導手段，傳統的巡檢工作為按計劃輪巡式安排巡檢任務，不僅造成巡檢資源浪費，而且巡檢效果也不明顯。基于此問題，某省移動公司采用本文提出的基站異常度檢測模型進行了LTE 網絡智能巡檢應用試點，初步取得了比較好的效果。

智能巡檢應用試點以周粒度方式進行，首先按照以上第3.1 節異常檢測模型算法自動計算出各待測基站的異常度，而后考慮到告警重要程度和基站告警發生時間對基站當周異常程度的影響，在模型結果的基礎上，增加了告警重要程度和告警發生時間的加權項：第一步根據告警級別以及告警是否影響業務配置權重；第二步根據告警發生時間與巡檢時間臨近的順序依次按照從高到低權重進行加權。綜合以上基站異常度評測結果，排出基站巡檢優先級，同時，針對高異常的告警維度生成巡檢重點關注項，并對一周內多天高異常度基站給出多天異常的預警提示，最終輸出TopN基站智能巡檢清單，如表6 所示，其中N可根據實際基站規模以及巡檢資源配置情況靈活選取。

表6 基站智能巡檢清單

本試點進行了8 批次（每周為一批次）、1 098 個基站的巡檢，經過后評估，巡檢過基站的告警量平均下降50.5%、故障工單量平均下降37.9%，具體每批次巡檢后告警量、工單量下降情況如圖5 所示。

圖5 智能巡檢后評估初步結果

4 結束語

智能運維是未來網絡運維的發展方向，人工智能在移動網絡運維領域的深度應用必將帶來其運維模式的變革，推動網絡運維的新發展。本文研究了無監督方式的深度學習在基站異常檢測中的應用，提出了一種基于稀疏降噪自編碼器的基站異常度檢測方法，該方法可以應用于LTE 以及5G 網絡中。經過實際的應用試點，驗證了該模型能夠有效挖掘基站隱患，為提高運維巡檢的有效性、降低運維成本提供了有力的支持。進一步的工作是對檢測出的基站隱患問題進行根因定位，并結合專家經驗給出解決措施，形成一套行之有效的基站隱患預判方案，應用到網絡運維的實際工作中。