CN110753369A - 一种中断小区检测方法及装置 - Google Patents

Abstract

本申请公开了一种中断小区检测方法及装置，涉及通信领域，用于检测发生中断的小区。包括：获取n个目标小区中各目标小区的特征向量。其中，特征向量用于表示特征向量所属目标小区在预设时间内，目标小区接收到的测量报告MR中邻区关系变化情况，以及以目标小区为服务小区的用户设备UE的小区切换情况。n≥2。利用K均值聚类算法对获取到的各目标小区的特征向量进行分类，生成分类结果。若分类结果，将n个目标小区分为了至少两类，则确定n个目标小区中存在中断小区。本申请实施例应用于中断小区检测，能够快速准确的检测出中断小区。

Description

一种中断小区检测方法及装置

技术领域

本发明涉及通信领域，尤其涉及一种中断小区检测方法及装置。

背景技术

目前NSA网络现网普遍采用opotion 3x方式组网，用户驻留4G网络，并在5G覆盖区域采用双连接方式与4G和5G网络同时建立连接。在NSA网络中，存在一种异常小区称作睡眠小区，这种小区在查询其状态时完全正常，也没有任何异常告警上报，但用户实际上是不能够接入的，网络运维人员很难发现这种异常。

睡眠小区因为很难及时被发现，导致用户投诉增加，所以是商用网上一类比较严重的问题。现有技术方案通过在4G场景下，利用用户上报的小区RSRP(reference signalreceiving power，参考信号接收功率)与先验模型进行比较，来判断是否为睡眠小区。这种方法需要大量的5G小区下的测量报告作为训练集，并且发送这些测量报告的用户设备很多处于小区边缘，RSRP强度差，导致识别结果不够准确。

发明内容

本申请的实施例提供一种中断小区检测方法及装置，用于检测出区域内的中断小区。

为达到上述目的，本申请的实施例采用如下技术方案：

第一方面，提供了一种中断小区检测方法，该方法包括：获取n个目标小区中各目标小区的特征向量；其中，特征向量用于表示特征向量所属目标小区在预设时间内，目标小区接收到的测量报告MR中邻区关系变化情况，以及以目标小区为服务小区的用户设备UE的小区切换情况；n≥2；利用K均值聚类算法对获取到的各目标小区的特征向量进行分类，生成分类结果；若分类结果，将n个目标小区分为了至少两类，则确定n个目标小区中存在中断小区。

第二方面，提供了一种中断小区检测装置，该装置包括：获取单元、生成单元及确定单元；获取单元，用于获取n个目标小区中各目标小区的特征向量；其中，特征向量用于表示特征向量所属目标小区在预设时间内，目标小区接收到的测量报告MR中邻区关系变化情况，以及以目标小区为服务小区的用户设备UE的小区切换情况；n≥2；生成单元，用于利用K均值聚类算法对获取到的各目标小区的特征向量进行分类，生成分类结果；确定单元，用于在分类结果，将n个目标小区分为了至少两类时，确定n个目标小区中存在中断小区。

本申请的实施例提供的中断小区检测方法及装置，通过获取区域内各目标小区的特征向量，并利用K均值聚类算法对各目标小区的特征向量进行分类并生成分类结果，确定数量较少的一类特征向量所属的目标小区为中断小区的检测方法，能够准确快速的识别出区域内的异常小区，并及时进行故障排除，极大的减少了因为小区发生中断给用户带来的影响。

附图说明

图1为本申请的实施例提供的一种蜂窝网络结构示意图；

图2为本申请的实施例提供的一种中断小区检测方法流程示意图；

图3为本申请的实施例提供的一种中断小区检测方法流程示意图；

图4为本申请的实施例提供的一种中断小区检测装置结构示意图；

图5为本申请的实施例提供的另一种中断小区检测装置结构示意图；

图6为本申请的实施例提供的又一种中断小区检测装置结构示意图。

具体实施方式

下面先对本申请实施例涉及的一些概念进行简单介绍，并将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”是指一个或多个，“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

在无线网络中，存在一种异常中断小区，这种小区查询状态时完全正常，也没有任何异常上报，但是用户实际上不能接入，网络运维人员很难发现这种异常中断小区。

在一种实现方式中，利用用户上报的小区RSRP与先验模型进行比较，判断小区是否为中断小区。这种方法需要收集大量的MR(measurement report，测量报告)做为训练集进行训练，但是在5G网络下，发送这些MR的用户有很多处于小区边缘，此时RSRP强度较差，利用这些数据可能会导致分类结果不够准确，无法准确的检测出中断小区。

因此，本申请想到一种同时适用于4G和5G的中断小区检测方法，来解决上述问题。

实施例一：

本实施例提供一种中断小区检测方法，应用于无线通信网络中。在如图1所示的蜂窝网络中，用户终端会周期性的向其服务小区发送MR(在业务信道上发送周期为480毫秒，在信令信道上发送周期为470毫秒)。从这些MR中，可以获得用户终端能够接收到的其服务小区的邻区的关系。利用这一特性，本实施例提供的中断小区检测方法，如图2所示，包括：

S101、获取n个目标小区中各目标小区的特征向量，n≥2。

其中，特征向量用于表示所述特征向量所属目标小区在预设时间内，所述目标小区接收到的测量报告MR中邻区关系变化情况，以及以所述目标小区为服务小区的用户设备UE(user equipment，用户设备)的小区切换情况。

在一种实现方式中，特征向量可以是一个四维向量，具体参数可以包括：

预设时间内目标小区接收到的各MR中包含的邻区数量的总和、预设时间内以目标小区为邻区的MR的数量、预设时间内曾经以目标小区为服务小区，之后发生小区切换的UE的数量、预设时间内以目标小区为服务小区，且前后发送的MR中邻区数量发生了变化的UE的数量。

其中，目标小区属于n个目标小区中的任意一个。

S102、利用K均值聚类算法对获取到的各目标小区的特征向量进行分类，生成分类结果。

S103、若所述分类结果，将所述n个目标小区分为了至少两类，则确定所述n个目标小区中存在中断小区。

需要说明的是，利用K均值聚类算法，能够将获取到的各目标小区的特征向量分为K类，本申请实施例中，只需要将特征向量分为正常和非正常两类。

因此，在一种实现方式中，K均值聚类算法的K值为2，以使得根据各目标小区的特征向量，能够将n个目标小区最多分为两类，即能够将n个目标小区分为正常类和异常类，异常类包含的小区即为异常中断小区。

示例性的，若n＝2，则利用K均值聚类算法对各目标小区的特征向量进行分类并生成分类结果后：若分类结果将n个目标小区分为了两类，则确定所述n个目标小区中，存在中断小区。由于小区数量较少，对于只有两个小区的情况，识别出存在异常小区，还需要通过其他方法定位异常小区。由于此类情况属于极端情况，正常情况下蜂窝网络中很少只有两个小区，且已经检测到了存在异常小区，定位两个小区中的异常小区，对于本领域技术人员来说方法有很多种，在此不再赘述。

示例性的，若n≥3，则利用K均值聚类算法对各目标小区的特征向量进行分类，确定数量少的一类中包含的特征向量所属的目标小区为中断小区。由于相对于正常来说，异常小区的数量绝大部分情况下属于少数。因此，当分类结果将n(n≥3)个目标小区分为了两类，那么，可以确定的是，数量较少的一类中的小区为异常中断小区。

示例性的，本申请实施例提供的中断小区检测方法的具体的实施步骤，如图3所示，包括：

图3中1、2、3为蜂窝网络中内相邻的三个小区，图中以用户终端为中心的圆，表示用户终端是否能够接收到其服务小区的邻区发送的信号。如图3中(a)中的终端B外侧的圆，此时表示终端B能够接收到小区2发出的信号，此时B发送的MR中，包含有小区2。如图3中(b)中的终端B外侧的圆，此时表示终端B不能够接收到小区2发出的信号，此时B发送的MR中，不包含小区2。

图3中(a)表示在预设时间内的T1时刻的网络状态，此时终端A的服务小区为小区2，终端A发送的MR中，小区1和小区3为其服务小区的邻区。同理，此时终端B的服务小区为小区3，终端B发送的MR中，小区1和小区2为其服务小区的邻区。

图3中(b)表示在预设时间的T2时刻的网络状态，此时终端A的服务小区为小区2，终端A发送的MR中，小区1和小区3为其服务小区的邻区。同理，终端B的服务小区为小区3，此时终端B移动到了小区3的边缘，终端B发送的MR中，只有小区1为其服务小区的邻区。

图3中(c)表示在预设时间的T3时刻的网络状态，此时终端A的服务小区为小区2，由于小区3发生了异常中断(图中以灰色表示)，终端A发送的MR中，只有小区1为其服务小区的邻区。不能再接收到终端B发送的MR。

根据上述T1、T2、T3时刻获取的参数，小区1、小区2和小区3对应的特征向量分别为：(0,5,0,0)、(6,1,0,1)和(3,2,1,1)，利用K均值聚类算法对上述三个特征向量进行聚类，得到小区1和小区2是一类，小区3是一类，根据本实施例提供的中断小区检测方法可知，小区3是异常中断小区。

需要说明的是，一个基站可以为多个小区提供服务，本申请实施例为了方便描述，默认为一个基站为一个小区。本实施例中，为了方便理解，对于“预设时间内以目标小区为服务小区，且前后发送的MR中邻区数量发生了变化的UE的数量”这一技术特征，只公开了前后发送的MR中邻区数量减少的UE的数量这一种方法，是因为邻区关系增加对本实施例中的技术方案最后的检测结果没有实质的影响。

本实施例提供的中断小区检测方法，通过获取蜂窝网络中n个目标小区的特征向量，利用K均值聚类算法对其进行聚类，若将n个目标小区分为了两类，当n≥3时，数量较少的一类为异常中断小区的方法，能够快速准确的检测出异常小区，尤其是5G小区的检测，省去了现有技术中繁琐的数据收集和模型训练过程。

实施例二：

本实施例提供一种中断小区检测装置，应用于无线通信网络中，如图4所示，该装置包括：获取单元201、生成单元202及确定单元203。

获取单元201，用于获取n个目标小区中各目标小区的特征向量，n≥2。

其中，特征向量用于表示特征向量所属目标小区在预设时间内，目标小区接收到的测量报告MR中邻区关系变化情况，以及以目标小区为服务小区的用户设备UE的小区切换情况。

在一种实现方式中，特征向量可以是一个四维向量，具体参数可以包括：

预设时间内目标小区接收到的各MR中包含的邻区数量的总和、预设时间内以目标小区为邻区的MR的数量、预设时间内曾经以目标小区为服务小区，之后发生小区切换的UE的数量、预设时间内以目标小区为服务小区，且前后发送的MR中邻区数量发生了变化的UE的数量。

其中，目标小区属于n个目标小区中的任意一个。

生成单元202，用于利用K均值聚类算法对获取到的各目标小区的特征向量进行分类，生成分类结果。

确定单元203，用于在分类结果，将n个目标小区分为了至少两类时，确定n个目标小区中存在中断小区。

需要说明的是，利用K均值聚类算法，能够将获取到的各目标小区的特征向量分为K类，本申请实施例中，只需要将特征向量分为正常和非正常两类。

在一种实现方式中，K均值聚类算法的K值为2，以使得生成单元202根据各目标小区的特征向量，能够将n个目标小区最多分为两类，即生成单元202能够将n个目标小区分为正常类和异常类，异常类异常类包含的小区即为异常中断小区。

示例性的，若n＝2，则生成单元202在利用K均值聚类算法对各目标小区的特征向量进行分类并生成分类结果后：若分类结果将n个目标小区分为了两类，则确定单元203，还用于确定n个目标小区中，存在中断小区。由于小区数量较少，对于只有两个小区的情况，识别出存在异常小区，还需要通过其他方法定位异常小区。由于此类情况属于极端情况，正常情况下蜂窝网络中很少只有两个小区，且已经检测到了存在异常小区，定位两个小区中的异常小区，对于本领域技术人员来说方法有很多种，在此不再赘述。

示例性的，若n≥3，则生成单元202在利用K均值聚类算法对各目标小区的特征向量进行分类后，则确定单元203，还用于确定数量少的一类中包含的特征向量所属的目标小区为中断小区。

由于相对于正常来说，异常小区的数量绝大部分情况下属于少数。因此，当分类结果将n(n≥3)个目标小区分为了两类，那么，可以确定的是，数量较少的一类中的小区为异常中断小区。

示例性的，本申请实施例提供的中断小区检测装的具体的实施步骤，如图3所示，包括：

图3中1、2、3为蜂窝网络中内相邻的三个小区，图3中以用户终端为中心的圆，表示用户终端是否能够接收到其服务小区的邻区发送的信号。如图3中(a)中的终端B外侧的圆，此时表示终端B能够接收到小区2发出的信号，此时B发送的MR中，包含有小区2。如图3中(b)中的终端B外侧的圆，此时表示终端B不能够接收到小区2发出的信号，此时B发送的MR中，不包含小区2。

图3中(a)表示在预设时间内的T1时刻的网络状态，此时终端A的服务小区为小区2，终端A发送的MR中，小区1和小区3为其服务小区的邻区。同理，此时终端B的服务小区为小区3，终端B发送的MR中，小区1和小区2为其服务小区的邻区。

图3中(b)表示在预设时间的T2时刻的网络状态，此时终端A的服务小区为小区2，终端A发送的MR中，小区1和小区3为其服务小区的邻区。同理，终端B的服务小区为小区3，此时终端B移动到了小区3的边缘，终端B发送的MR中，只有小区1为其服务小区的邻区。

图3中(c)表示在预设时间的T3时刻的网络状态，此时终端A的服务小区为小区2，由于小区3发生了异常中断(图中以灰色表示)，终端A发送的MR中，只有小区1为其服务小区的邻区。不能再接收到终端B发送的MR。

根据上述T1、T2、T3时刻获取的参数，小区1、小区2和小区3对应的特征向量分别为：(0,5,0,0)、(6,1,0,1)和(3,2,1,1)，利用K均值聚类算法对上述三个特征向量进行聚类，得到小区1和小区2是一类，小区3是一类，根据本实施例提供的中断小区检测方法可知，小区3是异常中断小区。

本申请实施例可以根据上述方法示例对中断小区检测装置进行功能模块或者功能单元的划分，例如，可以对应各个功能划分各个功能模块或者功能单元，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块或者功能单元的形式实现。其中，本申请实施例中对模块或者单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。

在采用集成的单元的情况下，图5示出了上述中断小区检测装置的一种可能的结构示意图。该控制装置50包括：存储单元501、处理单元502以及接口单元503。处理单元502用于对控制装置50的动作进行控制管理。存储单元501，用于控制装置的程序代码和数据。接口单元503用于与其他外部设备连接接收输入的内容。

其中，以处理单元为处理器，存储单元为存储器，接口单元为收发器为例。其中，中断小区检测装置可以参照图6中装置60所示，包括收发器603、处理器602、存储器601和总线604，收发器603、处理器602通过总线604与存储器601相连。

处理器602可以是一个通用中央处理器(Central Processing Unit，CPU)，微处理器，特定应用集成电路(Application-Specific Integrated Circuit，ASIC)，或一个或多个用于控制本申请方案程序执行的集成电路。

存储器601可以是只读存储器(Read-Only Memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(Random Access Memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。

其中，存储器601用于存储执行本申请方案的应用程序代码，并由处理器602来控制执行。收发器603用于接收外部设备输入的内容，处理器602用于执行存储器601中存储的应用程序代码，从而实现本申请实施例中的中断小区检测的方法。

应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种中断小区检测方法，其特征在于，包括：

获取n个目标小区中各目标小区的特征向量；其中，所述特征向量用于表示所述特征向量所属目标小区在预设时间内，所述目标小区接收到的测量报告MR中邻区关系变化情况，以及以所述目标小区为服务小区的用户设备UE的小区切换情况；n≥2；

利用K均值聚类算法对获取到的所述各目标小区的特征向量进行分类，生成分类结果；

若所述分类结果，将所述n个目标小区分为了至少两类，则确定所述n个目标小区中存在中断小区。

2.根据权利要求1所述的中断小区检测方法，其特征在于，所述方法还包括：

所述K均值聚类算法的K值为2，以使得根据所述各目标小区的特征向量，将所述n个目标小区最多分为两类。

3.根据权利要求1所述的中断小区检测方法，其特征在于，所述特征向量，具体包括：

所述预设时间内所述目标小区接收到的各MR中包含的邻区数量的总和、所述预设时间内以所述目标小区为邻区的MR的数量、所述预设时间内曾经以所述目标小区为服务小区，之后发生小区切换的UE的数量、所述预设时间内以所述目标小区为服务小区，且前后发送的MR中邻区数量发生了变化的UE的数量；

所述目标小区属于所述n个目标小区中的任意一个。

4.根据权利要求2所述的中断小区检测方法，其特征在于，所述方法还包括：

若n＝2，则利用K均值聚类算法对所述各目标小区的特征向量进行分类并生成分类结果后：

若所述分类结果将所述n个目标小区分为了两类，则确定所述n个目标小区中，存在中断小区。

5.根据权利要求2或4所述的中断小区检测方法，其特征在于，所述方法还包括：

若n≥3，则利用K均值聚类算法对所述各目标小区的特征向量进行分类，确定数量少的一类中包含的特征向量所属的目标小区为中断小区。

6.一种中断小区检测装置，其特征在于，所述装置包括：获取单元、生成单元及确定单元；

所述获取单元，用于获取n个目标小区中各目标小区的特征向量；其中，所述特征向量用于表示所述特征向量所属目标小区在预设时间内，所述目标小区接收到的测量报告MR中邻区关系变化情况，以及以所述目标小区为服务小区的用户设备UE的小区切换情况；n≥2；

所述生成单元，用于利用K均值聚类算法对获取到的所述各目标小区的特征向量进行分类，生成分类结果；

所述确定单元，用于在所述分类结果，将所述n个目标小区分为了至少两类时，确定所述n个目标小区中存在中断小区。

7.根据权利要求6所述的中断小区检测装置，其特征在于：

所述K均值聚类算法的K值为2，以使得所述生成单元根据所述各目标小区的特征向量，将所述n个目标小区最多分为两类。

8.根据权利要求6所述的中断小区检测装置，其特征在于，所述特征向量，具体包括：

所述预设时间内所述目标小区接收到的各MR中包含的邻区数量的总和、所述预设时间内以所述目标小区为邻区的MR的数量、所述预设时间内曾经以所述目标小区为服务小区，之后发生小区切换的UE的数量、所述预设时间内以所述目标小区为服务小区，且前后发送的MR中邻区数量发生了变化的UE的数量；

所述目标小区属于所述n个目标小区中的任意一个。

9.根据权利要求7所述的中断小区检测装置，其特征在于：

若n＝2，则所述生成单元在利用K均值聚类算法对所述各目标小区的特征向量进行分类并生成分类结果后：

所述确定单元，还用于在所述分类结果将所述n个目标小区分为了两类后，确定所述n个目标小区中，存在中断小区。

10.根据权利要求7或8所述的中断小区检测装置，其特征在于：

若n≥3，则所述生成单元在利用K均值聚类算法对所述各目标小区的特征向量进行分类并生成分类结果后，所述确定单元，还用于确定数量少的一类中包含的特征向量所属的目标小区为中断小区。

Images