基于知識圖譜的5G網絡故障分析方法

谷奉錦，賀楚閎，潘慶亞，王 曄，朱曉榮*

(1.南京郵電大學 江蘇省無線通信重點實驗室，江蘇 南京 210003；2.中國移動通信集團江蘇有限公司，江蘇 南京 210003)

0 引言

隨著移動通信網絡的發展，未來網絡將不是單一存在或僅使用單一技術，而是多種技術的共存互補和共同發展。在這種網絡異構化、密集化的發展趨向下，如何對網絡故障進行高效的診斷與分析成為一個巨大挑戰。傳統的故障管理完全基于操作人員的專業知識進行，但實際上，專業知識是有限的以及通過人工維護是困難的。一方面，面對各種網絡故障，網絡診斷程序需要非常短的響應時間；另一方面，網絡規模和復雜性的增加以及人工操作員有限的處理能力，將使網絡故障的診斷不可能在沒有自動化的情況下有效地執行。此外，由于現有系統的缺陷，運營商很難提前預測網絡可能產生哪些故障。在移動通信網絡環境下，故障會不時地發生或產生級聯效應，因此，如何對網絡故障進行及時準確的診斷分析具有重要的研究意義。

傳統運維人員基于經驗，根據故障的基本信息和故障癥狀，逐步分析出故障的原因及故障的解決措施。但如果單純基于經驗與已知故障信息無法分析出故障原因等措施，就需要增加診斷措施，甚至是查閱相關的材料(如故障分析案例等)來分析故障并找到解決措施[1]。

近年來，隨著人工智能技術(Artificial Intelligence，AI)和大數據挖掘的發展，越來越多的基于機器學習(Machine Learning，ML)的智能故障診斷方法受到科研工作者的的喜愛[2]。目前，基于機器學習的網絡故障診斷技術得到了廣泛應用，其中應用最廣泛的主要有基于支持向量機(Support Vector Machines，SVM)的故障診斷方法、基于人工神經網絡(Artifical Neural Network，ANN)的故障診斷方法[3]以及基于深度學習(Deep Learning，DL)的網絡故障診斷方法等[4]。基于機器學習進行故障診斷的方法可以充分利用大數據對可能發生的故障模式以及故障原因等做出診斷，但純粹基于數據的網絡故障診斷方法會有兩個缺陷，首先是可解釋性，傳統的基于機器學習和深度學習的模型對于用戶而言是一個黑匣子，無法向用戶解釋最終的故障診斷結果，降低了其在實際工程中的應用；其次，它不能有效利用現有的先驗知識，如故障診斷記錄等非結構化的知識，導致一些數據資源的浪費[5]。

知識圖譜概念自2012年被谷歌提出后引起了業界廣泛關注[6]，近年來在很多領域有了廣泛的應用[7]。知識圖譜可以把大量的信息、數據和連接關系匯集成知識，讓信息資源能夠更方便計算、理解和評價，可以更有效地表達、管理組織和利用現有的海量異構且動態的大數據，使網絡更加智能，與人類的認知思維更加貼合[8]。知識圖譜近年來在很多領域有了廣泛的應用，文獻[9]提出調度知識圖譜的詳細構建方法，并詳細介紹了構建的電力系統調度知識圖譜，討論了知識圖譜在實際電力系統調度場景中的好處。文獻[10]為了解決電力系統調度知識繁雜，且對于調度決策的實時性要求較高等問題，提出一種基于知識圖譜的配電網故障輔助決策方法，充分利用現有專家經驗、故障案例和配電網調度規則等先驗知識，構建了同時包含配電網調度、配電網故障處理、配電網業務流程等知識的配電網故障調度知識圖譜，輔助電網工作人員快速響應處理電網調度出現的故障。近年來,知識圖譜還被廣泛運用在醫療、教育以及故障診斷等領域。文獻[11]通過分析中醫診療過程，提取中醫核心概念，構建本體層。使用深度學習從非結構化數據中提取實體及其關系以構建中醫知識圖譜，構建了一個基于知識圖譜的端到端平臺 TCMKG，來提供知識檢索。文獻[12]運用知識圖譜和機器學習算法對大量實驗室檢查數據和實驗診斷數據進行訓練和分析,建立一個由知識和數據雙驅動的，兼具魯棒性和可解釋性的檢驗AI系統，其核心功能是準確診斷疾病并提供合理的解釋。在通信故障診斷領域，也廣泛應用知識圖譜技術，文獻[13-14]將工作人員日常維護日志以及相關的操作經驗等非結構化的知識結構化，通過知識圖譜相關技術構建了基于知識圖譜的智能故障診斷架構，通過自動關聯告警信息、自動匹配設備信息、智能獲取業務影響范圍等手段，實現了通信故障的快速發現與準確定位。文獻[15]提出了一種基于知識圖譜的地鐵故障推薦模型，該模型可以輔助地鐵維修工作人員更快更準確地響應地鐵可能發生的故障，提高了工作效率。文獻[4]充分利用已有的先驗知識，構建了一種面向飛機電源系統故障診斷的知識圖譜，應用其進行飛機電源系統故障診斷與排查，使整個過程安全且高效。文獻[1]提出了一種基于知識圖譜的智能故障診斷方法，充分利用電信網絡領域的專家經驗構建電信領域知識圖譜，并運用知識推理等技術，進行智能網絡故障診斷，輔助解決網絡運維方面的的問題。文獻[16]構建了用于故障診斷和分析的知識圖譜系統，使得故障診斷和分析效率更加高效、便捷。目前各種利用深度學習、神經網絡等工具與知識圖譜相結合，以此來解決實際問題的方法逐漸變成主流[17-18]。

因此為了降低運維門檻，提升網絡運維效率，本文設計了一種基于知識圖譜與機器學習的網絡故障智能分析方法，利用專家經驗及故障案例等知識搭建網絡故障知識圖譜，應用知識圖譜進行智能化故障分析。首先利用已有的專家知識，構建5G網絡故障知識圖譜本體，利用現有數據通過知識抽取、知識融合等步驟搭建網絡故障知識圖譜；其次利用機器學習方法進行網絡故障診斷，將數據轉化為知識，針對不同的診斷問題匹配不同的機器學習算法，提高故障診斷的準確性；最后應用知識圖譜提出一種基于知識和數據雙驅動的網絡故障分析方法，并提出了一種基于知識子圖匹配的網絡故障知識檢索方法。

1 系統模型

1.1 知識圖譜應用架構

如圖1所示，網絡故障領域知識圖譜應用架構覆蓋數據層、構建層以及應用層等3個等級。數據層負責獲取數據并解析，構建層是整個架構的核心層，首先根據網絡故障診斷領域專家知識以及知識圖譜應用需求構建本體，確定圖譜中所包含的實體與關系類型。

圖1 網絡故障領域知識圖譜應用架構示意圖

本體構建結束后要對現有的數據進行知識抽取，知識抽取包括實體抽取與關系抽取兩部分。對于從不同數據來源抽取的知識，需要進行知識融合，以此來減少知識的冗余。完成知識抽取與知識融合之后，將知識以三元組的形式存放在Neo4j圖數據庫中，搭建完整的面向網絡故障診斷的知識圖譜。在上述工作基礎上，基于搭建好的網絡故障知識圖譜，結合機器學習進行智能化網絡故障診斷與分析。

1.2 本體構建

知識圖譜從宏觀上可以分為兩大類，通用知識圖譜和行業(領域)知識圖譜。網絡故障知識圖譜是針對故障診斷領域構建的行業知識圖譜，采用自頂向下的設計方式。首先根據專家知識構建圖譜的本體，本文選擇使用專家知識人工構建本體。構建本體包括規定實體類型、關系類型和關系類型的頭尾實體類型。

在網絡故障領域定義以<實體-屬性-屬性值>和<概念-關系-概念>為核心的知識圖譜。根據專家經驗構建了網絡故障知識圖譜上層本體，如圖2所示，包含“故障模式”“故障原因”“故障解決方案”“故障可能引發事故”“故障發生位置”等概念及其相互之間的關系。

圖2 網絡故障知識圖譜本體

1.3 知識抽取及知識融合

針對網絡故障知識圖譜而言，數據來源主要分為結構化數據、半結構化數據和非結構化數據3種類型，如圖3所示。

圖3 知識抽取數據來源

故障數據庫中包含的數據為結構化數據，對于結構化的數據知識抽取較簡單，可以根據數據源與本體進行一一映射直接抽取。對于員工日志、網絡故障案例等半結構化或非結構化數據需要根據其具體結構和內容，設計相應的抽取算法進行知識抽取，一般有基于規則模板的算法、基于機器學習的算法和基于神經網絡的算法。

傳統的知識抽取方法是以一種流水線的方式進行的，即將實體抽取和關系抽取分步執行，即首先利用命名實體識別技術來抽取實體，然后對這些實體間的關系進行識別，進而生成三元組。由于兩次抽取操作分步進行，流水線方法存在誤差傳遞、信息冗余與忽視兩個子任務間聯系等問題。本系統采用實體關系聯合抽取算法，使用網絡故障領域文本語句預訓練語言模型，同時抽取實體及其之間關系。通過該聯合抽取模型，輸入一個句子，可直接得到<實體-關系-實體>三元組。基于故障診斷方面的知識抽取實例如圖4所示。

圖4 知識抽取實例

從不同的數據來源中所抽取到的知識，會出現知識重復和冗余的問題，知識融合過程是通過實體對齊、屬性對齊等技術來消除冗余。

1.4 基于Neo4j的知識圖譜構建

圖數據庫能夠直觀地對數據進行管理，并能夠實現數據之間的關系鏈接，Neo4j是圖數據庫中比較典型的代表。

Neo4j圖數據庫具有較強的擴展能力，可以與多種編程語言和開發平臺相結合，如Java和Python等。同時Neo4j采用的圖存儲結構具有自由鄰接的特點，因此具有比較強的關系處理能力，同時可以很好地實時更新數據。因此本文選擇Neo4j圖數據庫作為搭建及展示知識圖譜的載體。本文構建的網絡故障知識圖譜部分結構如圖5所示。

圖5 網絡故障知識圖譜部分結構圖

2 基于知識和數據雙驅動的網絡故障分析

2.1 整體架構

在構建的網絡故障知識圖譜的基礎上，本文提出了一種基于知識和數據雙驅動的網絡故障分析方法，該方法利用現有數據訓練機器學習算法，進行網絡故障診斷，通過診斷是否發生故障及故障原因，將已有的數據轉化為知識的形式，將診斷結果作為已知條件輸入到知識圖譜中，利用知識檢索與知識推理進行網絡故障分析，并最終通過知識子圖的形式輸出故障分析結果，整體的系統流程如圖6所示。

圖6 系統流程圖

2.2 數據預處理

本文對機器學習模型訓練所使用的實驗數據為在南京某區域采集的真實數據，數據集經專業人員分析整理。數據提供了12 000條帶有標簽的故障數據，其中主要包含了RSRP、RSRQ、RSSI和SINR等14項衡量指標，具體如表1所示。

表1 數據所包含主要衡量指標

數據預處理主要包括兩部分：標準化和特征篩選。

(1) 標準化

假設給定了k個指標X1,X2,…,Xk，其中

Xi={x1,x2,…,xn},

(1)

(2)

其中，k=14，n=1,2,…,12 000。

(2) 特征選擇

本文利用XGboost算法統計各個KPI對系統模型的權重，權重越大證明其對最終決策結果影響越大。經計算，權重具體值如表2所示。

表2 指標權重

從表2可以看出，不同的指標在模型中起到的作用不同。在故障診斷模型中，重要度較高的5個指標為RSRP0、SINR、RSRP1、RSRP_1和SINR0。

得到具體權重值并進行排序后，運用XGboost進行測試，發現當保留8個特征值時，此時模型的正確率趨于穩定，具體特征值個數與結果準確率關系如圖7所示。

圖7 特征值數量與準確率關系

2.3 機器學習算法對比

本文旨在針對不同的故障診斷問題匹配不同的機器學習算法，在檢測到發生故障且確定故障類型后，對不同的故障類型使用不同的機器學習算法診斷對應的故障原因。本文以弱覆蓋以及過覆蓋兩種故障類型為例，具體診斷其故障發生原因。

在SEC儲量評估變化原因分析中，采油廠具有與勘探開發工作相結合對評估單元進行精細分析的優勢。通常，采油廠在一年或者一個階段的生產過程中，開展了大量的非投資性開發調整工作，如注采調整（調配）、注入質量提升、轉注等。這些工作影響了開發形勢也直接影響到SEC儲量評估結果，但是這些開發行為在評估師評估中及高層評估分析中不易掌握和分析到。

針對同一問題往往有多種模型可以解決，但每種模型都有著自身的特點和適合解決的問題，本文在相同的數據集基礎上，訓練對比了邏輯回歸、支持向量機、線性判別分析、樸素貝葉斯、K近鄰以及決策樹6種機器學習算法的準確度，最終為當前問題選擇最佳的機器學習算法模型。

通過表3可以看出，不同的問題有各自最適合的機器學習算法。對于弱覆蓋原因診斷問題而言，K近鄰算法的準確度最高為99.1%，對于過覆蓋原因診斷問題而言，最合適的算法為線性判別分析算法。

表3 6種機器學習算法準確度對比

2.4 基于子圖匹配的知識檢索方法

本文提出一種基于子圖匹配的知識檢索方法，應用故障數據在通過網絡故障診斷模型后，輸出網絡故障類型及故障原因，在知識圖譜中檢索與相關結果有關的所有信息。具體流程如圖8所示。

圖8 基于子圖匹配的知識檢索流程

步驟1通過機器學習算法，將已有的數據信息輸出為知識信息，將其作為已知條件輸入至網絡故障知識圖譜，采用實體識別技術進行核心實體識別。

步驟2判斷故障知識圖譜中是否包含該實體。

步驟3從核心實體出發，在知識圖譜中搜索與核心實體距離為1的實體。

步驟4輸出包含核心實體及與其距離為1的所有實體及關系的知識圖譜子圖。

3 仿真結果分析

通過對本文故障診斷模型與傳統故障診斷模型行對比分析，分析比較兩種系統模型在故障診斷數據集上的準確度，結果如表4所示。

表4 不同故障診斷模型準確性比較

由結果可見，相比于傳統的單純基于一種機器學習算法的方法，通過細化診斷問題為不同的診斷問題匹配不同的機器學習算法準確率有較大提升。

圖9為以弱覆蓋為核心實體輸出的知識圖譜子圖，從圖中可清楚看到對于故障的描述(弱覆蓋是基站所需要覆蓋面積大，基站間距過大，或者建筑物遮擋而導致邊界區域信號較弱；弱覆蓋一般都是在Rxlev<-90 dBm)及故障解決方案(增加基站建設)等信息。

圖9 以弱覆蓋為核心實體的知識圖譜子圖

4 結束語

本文提出了一種基于知識和數據雙驅動的網絡故障分析方法。通過本體構建、知識抽取以及知識融合等技術利用Neo4j圖數據庫搭建面向網絡故障診斷的知識圖譜；結合機器學習進行智能化網絡故障診斷與分析；將網絡故障診斷問題拆分成不同子問題，對比不同機器學習算法的準確性，為不同診斷問題匹配準確度最高的機器學習算法；利用Neo4j圖數據庫提出基于子圖匹配的知識檢索方法，將網絡分析結果以知識圖譜子圖的形式展示。本方法可以利用歷史故障分析案例輔助工程師更加快捷精準探查故障問題根源，并更快指定對應的改善措施，同時通過知識圖譜平臺進行學習，可以提升信息探索速率，加速知識和經驗的沉淀。

在今后的工作中，將加入更多的數據來源，構建更大規格的網絡故障知識圖譜，輔助提升網絡故障分析效率。此外針對網絡故障診斷問題，改進現有機器學習算法，從而更加精確地進行網絡故障診斷。