基于GAN的异构无线网络故障检测与诊断算法

doi:10.11959/j.issn.1000-436x.2020165

通信学报 ›› 2020, Vol. 41 ›› Issue (8): 110-119.doi: 10.11959/j.issn.1000-436x.2020165

基于GAN的异构无线网络故障检测与诊断算法

朱晓荣,张佩佩

南京邮电大学江苏省无线通信重点实验室，江苏南京 210003

修回日期:2020-04-13 出版日期:2020-08-25 发布日期:2020-09-05
作者简介:朱晓荣（1977- ），女，山东临沂人，博士，南京邮电大学教授、博士生导师，主要研究方向为5G通信系统、异构网络、物联网等关键技术及系统研发|张佩佩（1995- ），女，山东菏泽人，南京邮电大学硕士生，主要研究方向为 4G/5G网络故障诊断、网络故障预测等
基金资助:
国家自然科学基金资助项目(61871237);江苏省高校“青蓝工程”和江苏省重点研发计划基金资助项目(BE2019017)

Fault detection and diagnosis method for heterogeneous wireless network based on GAN

Xiaorong ZHU,Peipei ZHANG

Jiangsu Key Laboratory of Wireless Communications,Nanjing University of Posts and Telecommunications,Nanjing 210003,China

Revised:2020-04-13 Online:2020-08-25 Published:2020-09-05
Supported by:
The National Natural Science Foundation of China(61871237);Program to Cultivate Middle-aged and Young Science Leaders of Universities of Jiangsu Province and Key Research and Development Plan of Jiangsu Province(BE2019017)

摘要/Abstract

摘要：

针对异构无线网络故障检测与诊断过程中，如何基于小数据量样本进行准确的故障检测与诊断模型的训练的问题，提出了基于生成对抗网络的异构无线网络故障检测与诊断算法。首先，分析了异构无线网络环境下的常见网络故障来源，通过 GAN 算法，在小数据量的网络故障样本的基础上，得到大量可靠数据集。然后，基于这些数据，利用极端梯度提升算法选择故障检测阶段输入参数的最优特征组合，并完成故障检测与诊断。仿真结果表明，所提算法可以实现对异构无线网络更加准确而高效的故障检测与诊断，准确率可达98.18%。

关键词: 异构无线网络, 生成对抗网络, 极端梯度提升, 故障检测, 故障诊断

Abstract:

Aiming at the problem that in the process of network fault detection and diagnosis,how to train the precise fault diagnosis and detection model based on small data volume,a fault diagnosis and detection algorithm based on generative adversarial networks (GAN) for heterogeneous wireless networks was proposed.Firstly,the common network fault sources in heterogeneous wireless network environment was analyzed,and a large number of reliable data sets was obtained based on a small amount of network fault samples through GAN algorithm.Then,the extreme gradient boosting (XGBoost) algorithm was used to select the optimal feature combination of input parameters in the fault detection stage and completed fault diagnosis and detection based on these data.Simulation results show that the algorithm can achieve more accurate and efficient fault detection and diagnosis for heterogeneous wireless networks,with an accuracy of 98.18%.

Key words: heterogeneous wireless network, GAN, XGBoost, fault detection, fault diagnosis

中图分类号:

TN915.81

朱晓荣,张佩佩. 基于GAN的异构无线网络故障检测与诊断算法[J]. 通信学报, 2020, 41(8): 110-119.

Xiaorong ZHU,Peipei ZHANG. Fault detection and diagnosis method for heterogeneous wireless network based on GAN[J]. Journal on Communications, 2020, 41(8): 110-119.

图/表 12

图1

表1

表2

图2

图3

表3

图4

图5

图6

表4

图7

表5

参考文献 18

[1]	STEINDER M , SETHI A . A survey of fault localization techniques in computer networks[J]. Science of Computer Programming, 2004,53(2): 165-194.
[2]	SZILAGYI P , NOVACZKI S . An automatic detection and diagnosis framework for mobile communication systems[J]. IEEE Transactions on Network and Service Management, 2012,9(2): 184-197.
[3]	BARCO R , LAZARO P , DIEZ L ,et al. Continuous versus discrete model in autodiagnosis systems for wireless networks[J]. IEEE Transactions on Mobile Computing, 2008,7(2): 673-681.
[4]	KHANAFER R M , SOLANA B , TRIOLA J ,et al. Automated diagnosis for UMTS networks using Bayesian network approach[J]. IEEE Transactions on Vehicular Technology, 2008,57(4): 2451-2461.
[5]	BARCO R , WILLE V , DíEZ V ,et al. Learning of model parameters for fault diagnosis in wireless networks[J]. Wireless Networks, 2010,16(1): 255-271.
[6]	KHATIB E J , BARCO R , ANDRADES A G ,et al. Diagnosis based on genetic fuzzy algorithms for LTE self-healing[J]. IEEE Transactions on Vehicular Technology, 2015,65(3):1.
[7]	5G Alliance. Description of network slicing concept[R]. NGMN,(2016-01)[2020-01-14].
[8]	ETSI. Network functions virtualisation (NFV); architectural framework:ETSI GS NFV 002 V1.2.1[R].(2014-12)[2020-01-14].
[9]	KUKLI?SKI S , TOMASZEWSKI L . Key performance indicators for 5G network slicing[C]// 2019 IEEE Conference on Network Softwarization. Piscataway:IEEE Press, 2019: 464-471.
[10]	MFULA H , NURMINEN J . Adaptive root cause analysis for self-healing in 5G networks[C]// 2017 International Conference on High Performance Computing ＆ Simulation. Piscataway:IEEE Press, 2017: 136-143.
[11]	GOODFELLOW I J , POUGET-ABADIE J , MIRZA M ，et al. Generative adversarial nets[C]// International Conference on Neural Information Processing Systems. Massachusetts:MIT Press, 2014: 2672-2680.
[12]	ARJOVSKY M , BOTTOU L . Towards principled methods for training generative adversarial networks[J]. arXiv Preprint,arXiv:1701.04862, 2017
[13]	LIU H , GU X , SAMARAS D . Wasserstein GAN with quadratic transport cost[C]// 2019 IEEE/CVF International Conference on Computer Vision. Piscataway:IEEE Press, 2019: 4831-4840.
[14]	WILLE V , BRIMER A , DAVIES G ,et al. A simple and fast method for identification of missing adjacencies in WCDMA networks[C]// IEEE International Conference on 3G ＆ Beyond. Piscataway:IEEE Press, 2005: 132-139.
[15]	BETTSTETTER C , FITZEK F , HARTENSTEIN H ,et al. Special issue on self-organization in mobile networking[J]. European Transactions on Telecommunications, 2005,16(5): 371-373.
[16]	GULRAJANI I , AHMED F , ARJOVSKY M ,et al. Improved training of Wasserstein GANs[C]// Advances in Neural Information Processing Systems. Massachusetts:MIT Press, 2017: 5767-5777.
[17]	CHEN T , GUESTRIN C . XGBoost:a scalable tree boosting system[C]// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York:ACM Press, 2016: 785-794.
[18]	FRIEDMAN J H . Greedy function approximation:a gradient boosting machine[J]. Annals of Statistics, 2001,29(5): 1189-1232.

KPI	简称
参考信号接收功率	RSRP（reference signal receiving power）
参考信号接收质量	RSRQ（reference signal receiving quality）
上行链路分组丢失率	PD_UL（packet drop_up link）
下行链路分组丢失率	PD_DL（packet drop_down link）
上行链路信噪比	SNR_UL（sigal noise ratio_ up link）
下行链路信噪比	SNR_DL（sigal noise ratio_ down link）
无线资源控制连接建立成功率	RRC（radio resource control）
演进无线接入承载建立成功率	E-RAB（evolved radio access bearer）
掉话率	DCR（dropped call rate）
切换成功率	HO（handover success rate）
上行平均吞吐量	Throughput_UL（throughput_up link）
下行平均吞吐量	Throughput_DL（throughput_down link）
节点传出平均吞吐量	LT(out)（link throughput(out)）
节点传入平均吞吐量	LT(in)（link throughput(in)）
切换时延	HO_d（handoff delay）
链路误码率	LER（link bit error rate）

故障	原因	KPI
		RSRP
		RSRQ
	上行干扰	PD_UL
		SNR_UL
干扰		DCR
干扰		RSRP
		RSRQ
	下行干扰	PD_DL
		SNR_DL
		DCR
		RSRP
		RSRQ
		PD_UL
覆盖故障	缺少覆盖	PD_DL
		RRC
		ERAB
		DCR
		HO
		Throughput_UL
硬件故障	基站故障	Throughput_DLLER
		LT(out)
		LT(in)
		PD_UL
		PD_DL
		RRC
传输故障	链路故障	ERAB
		DCR
		LER
		LT(out)
		ERAB
其他故障	配置参数错误	HO
		HO_d

仿真参数	宏基站	微基站
基站数/个	3	8
每个基站的用户数/个	30	10
传输功率/ dBm	46	30
阴影衰落标准差/dB	8	10
传输损耗模型	自由空间	室内/办公环境
天线增益/dBi	15	8
运行模式	LTE 5 MHz FDD	LTE 10 MHz FDD
接收灵敏度/dBm	-110	-107
基站选择策略	最适合eNode B	最适合eNode B
用户分布	随机分布	随机分布

算法	准确率	诊断时间/s
本文算法	98.18%	0.27
朴素贝叶斯分类器	24.8%	7
KNN	78.9%	0.34
决策树	83.8%	0.27
随机森林	87.9%	0.22

基于GAN的异构无线网络故障检测与诊断算法

Fault detection and diagnosis method for heterogeneous wireless network based on GAN

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 18

相关文章 15

Metrics

推荐阅读 0

特征数	准确率
16	98.48%
15	98.22%
14	98.11%
13	98.18%
12	97.85%
11	97.58%
10	96.70%

[1]	张佳乐, 朱诚诚, 孙小兵, 陈兵. 基于GAN的联邦学习成员推理攻击与防御方法[J]. 通信学报, 2023, 44(5): 193-205.
[2]	苏新, 张桂福, 行鸿彦, Zenghui Wang. 基于平衡生成对抗网络的海洋气象传感网入侵检测研究[J]. 通信学报, 2023, 44(4): 124-136.
[3]	刘延华, 李嘉琪, 欧振贵, 高晓玲, 刘西蒙, MENG Weizhi, 刘宝旭. 对抗训练驱动的恶意代码检测增强方法[J]. 通信学报, 2022, 43(9): 169-180.
[4]	王延文, 雷为民, 张伟, 孟欢, 陈新怡, 叶文慧, 景庆阳. 基于生成模型的视频图像重建方法综述[J]. 通信学报, 2022, 43(9): 194-208.
[5]	蒋锐, 李俊, 徐友云, 王小明, 李大鹏. 基于联邦卡尔曼滤波器的容错GPS-AOA-SINS组合导航算法[J]. 通信学报, 2022, 43(8): 78-89.
[6]	李昂, 陈建新, 魏昕, 周亮. 面向6G的跨模态信号重建技术[J]. 通信学报, 2022, 43(6): 28-40.
[7]	冯晓伟, 许剑锋, 何川. 动态广义主成分分析及其在故障子空间建模中的应用[J]. 通信学报, 2022, 43(5): 92-101.
[8]	段雪源, 付钰, 王坤. 基于VAE-WGAN的多维时间序列异常检测方法[J]. 通信学报, 2022, 43(3): 1-13.
[9]	向夏雨, 王佳慧, 王子睿, 段少明, 潘鹤中, 庄荣飞, 韩培义, 刘川意. 基于生成对抗网络技术的医疗仿真数据生成方法[J]. 通信学报, 2022, 43(3): 211-224.
[10]	陆彦辉, 柳寒, 李航, 朱光旭. 基于多鉴别器生成对抗网络的时间序列生成模型[J]. 通信学报, 2022, 43(10): 167-176.
[11]	刘威, 陈成, 江锐, 卢涛. 四通道无监督学习图像去雾网络[J]. 通信学报, 2022, 43(10): 210-222.
[12]	周志立, 王美民, 杨高波, 朱剑宇, 孙星明. 基于轮廓自动生成的构造式图像隐写方法[J]. 通信学报, 2021, 42(9): 144-154.
[13]	邹福泰, 谭越, 王林, 蒋永康. 基于生成对抗网络的僵尸网络检测[J]. 通信学报, 2021, 42(7): 95-106.
[14]	王洪雁, 杨晓, 姜艳超, 汪祖民. 基于多通道GAN的图像去噪算法[J]. 通信学报, 2021, 42(3): 229-237.
[15]	何遵文, 侯帅, 张万成, 张焱. 通信特定辐射源识别的多特征融合分类方法[J]. 通信学报, 2021, 42(2): 103-112.