CN114731524A - 监测多个网络节点的性能 - Google Patents
监测多个网络节点的性能 Download PDFInfo
- Publication number
- CN114731524A CN114731524A CN201980102715.9A CN201980102715A CN114731524A CN 114731524 A CN114731524 A CN 114731524A CN 201980102715 A CN201980102715 A CN 201980102715A CN 114731524 A CN114731524 A CN 114731524A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- performance
- network nodes
- classified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0888—Throughput
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
描述了用于使用至少一个节点性能评估阈值来监测在多跳布置中互连的多个网络节点的性能的计算机实现的方法和设备。获取多个数据集。数据集包括多个网络节点中的每个网络节点的性能度量的相应值。通过将多个网络节点中的每个网络节点的性能度量的相应值与对应的常态阈值进行比较,将多个数据集中的每个数据集分类为正常或异常,从而提供多个分类的数据集。使用机器学习算法来处理多个分类的数据集,以便为多个网络节点中的至少一个网络节点导出节点性能评估阈值,该阈值指示至少一个节点的性能度量的值,在该值,所述多个网络节点具有被分类为正常的预定似然。
Description
技术领域
本发明一般涉及网络节点的性能监测的领域。特别是,本发明针对用于使用至少一个节点性能评估阈值来监测多个网络节点的性能的设备和计算机实现的方法。
背景技术
诸如电话网络(例如长期演进LTE和第五代5G移动网络以及其它蜂窝网络)、计算机网络和互联网等的当代电信网络就所连接节点的数量和在网络的节点之间传送的数据业务和控制业务的量而言,复杂性不断增加。这不仅导致所连接节点之间交互(例如传输和接收)的增加,而且导致各个节点本身上的更高处理负荷,因为需要它们处理不断增加的量的控制信息和用户数据。
为了应对当代网络中的业务和处理负荷的这种增加,已采用了许多技术。举例来说,关于蜂窝网络,LTE版本10(3GPP TS 36.216 V10.3.1(2011-09))引入了对中继节点、即在小区边缘和热点区域提供增强的覆盖和容量的低功率基站的支持。中继节点经由无线电接口连接到施主eNB(DeNB),并且中继节点能够经由施主节点与核心网通信。引入了此类中继节点是为了允许更高效的异构网络规划。
举个进一步的示例,在诸如版本15或之后版本的5G移动网络之类的未来无线电通信***中,考虑提供对无线电基站之间的无线回程和中继链路的支持,以便使得能够灵活且非常密集地部署小区,而无需按比例增加有线传输网络的密度。在称为集成接入和回程(IAB)的此类***中,IAB施主节点向一个或多个IAB中继节点提供对核心网的接入(回程)。
此类技术进一步促进了节点之间的互连性。
对于任何类型的电信网络,监测性能(包括检测节点中的异常行为)都是头等重要的。异常行为或异常可指节点中指示该节点没有正确或最佳运转的任何状况。这可以是节点不能(完全不能或者不能以所要求方式)执行某个功能、或者节点有风险或正在遭受损坏或故障的情况。对于配置成提供实时、低时延、保证吞吐量的应用(诸如例如5G网络中的超可靠低时延通信URLLC)的网络中的节点,这种检测异常行为的要求尤为关键。
在当代网络中,节点的性能通常是通过确定节点的一个或多个性能度量并将这些度量与参考值或阈值进行比较来监测的。取决于性能度量问题,性能度量的值超过或降到低于参考值或阈值可视为指示节点中的异常行为。此类性能度量可使用例如节点的测量数据或由节点输出的数据来确定,并且可由单个直接测量的值(例如输出电压)组成,或者可改为包含来自与节点相关的不同源的数据的数学关系。
举例来说,在当代移动网络中,关于每个节点可记录多个性能管理(PM)计数器(例如,所连接用户的数量、消耗的总带宽、总功耗),并且可使用PM计数器的值来确定关键性能指标(KPI)(3GPP TS 32.404:“Telecommunication management; PerformanceManagement (PM); Performance measurements - Definitions and template”;3GPP TS32.450:“Telecommunication management; Key Performance Indicators KPI) forEvolved Universal Terrestrial Radio Access Network (E-UTRAN): Definitions”;3GPP TS 32.451 “Telecommunication management; Key Performance Indicators(KPI) for Evolved Universal Terrestrial Radio Access Network (E-UTRAN);Requirements”)。然后,可使用在特定时间的PM计数器和KPI的值,例如通过如上文所论述与阈值或参考值进行比较,来评价节点表现如何以及节点在那个时间是否展现出异常行为。以类似的方式,可为任何类型的电信网络定义适当的关键性能指标和其它性能度量。
一般来说,给定当前和未来移动网络的可变需求和业务模式、以及可按其评估性能的各种度量,监测甚至单个节点的性能也是一项复杂任务。
发明内容
技术问题
按照常规,网络节点的性能监测是反应性的。就是说,在确定节点行为异常时或之后采取动作(例如诸如向网络运营商输出警告或警报)。举例来说,常规网络中的性能监测***可对从网络的IT基础设施提供的数据执行基于机器学习(ML)的时间序列分析或其它方法,以便检测网络的节点中是否出现了异常行为,异常行为是基于性能度量及其相关联的阈值或参考值来定义的。
在此类分析指示出现了异常行为的情况下,性能监测***例如通过改变被确定为行为异常的节点的配置,以便改善它的性能度量的值,来响应检测到的异常。随着时间的推移,具有机器学习算法的性能监测***可微调与各种性能度量相关联的阈值和参考值。
本发明者已经认识到,尤其是考虑到在多跳布置(例如中继和自回程)中互连的节点,此类常规性能监测***存在许多问题。
首先,诸如上文所描述的那些***之类的常规***一般不能提前检测节点正趋向于异常行为,例如,节点的一个或多个性能度量的值正在降级(向其相关联的阈值或参考值移动)。而是,此类***只便于在例如该节点的一个或多个性能度量的值已经超过或降到低于其相应的阈值时检测节点当前行为异常,在此时输出警报或警告。特别是,通常使用先前收集的经验数据训练具有机器学习算法的性能监测***,经验数据包括指示在任何给定时间是否对特定节点发出过警报或警告的数据。机器学习算法进行学习,以基于在特定时间是否发出过警报或警告,将节点在该时间的经验数据分类为指示正常或异常性能。因此,具有机器学习算法的此类性能监测***由节点已经行为异常的状态来触发。
在输出警报或警告的时间点,相关网络节点可能已经有一段时间表现异常。因此,节点的异常行为可能已经负面影响了通过网络的业务移动或其它节点的性能。此外,在一些更极端的情况下,如果网络节点的异常行为导致了过热或者过高的电压或电流,则该异常行为可能已经导致节点的硬件损坏。
此外,本发明者已经认识到,现有的性能度量(诸如例如LTE和5G移动网络的基于PM计数器的KPI)并不反映节点的性能度量的值如何彼此相关。此外,此类现有的性能度量缺乏粒度,因为它们的相关联的阈值和参考值并不反映这种相关性,因此无法提供关于导致了节点的异常行为的因素的特定组合的任何信息。
此外,本发明者已经认识到,现有的性能度量(诸如例如LTE和5G移动网络的基于PM计数器的KPI)并不反映节点的性能度量的值与网络中其它所连接节点的性能度量的值如何相关。在例如使用如上文所论述的中继节点和/或IAB的移动网络中,按照所连接节点之间的相互依赖性来评估各个网络节点的性能的能力特别重要,因为在这些情况下性能问题可能在连接的节点之间传播。
解决方案概述
本发明解决以上技术问题。
特别是,鉴于上文所论述的限制,根据本文中的第一示例方面,本发明者设计了一种用于使用至少一个节点性能评估阈值来监测在多跳布置中互连的多个网络节点的性能的计算机实现的方法。该方法包括获取多个数据集。数据集包括多个网络节点中的每个网络节点的性能度量的相应值。通过将多个网络节点中的每个网络节点的性能度量的相应值与对应的常态阈值进行比较,将多个数据集中的每个数据集分类为正常或异常,从而提供多个分类的数据集。使用机器学习算法来处理多个分类的数据集,以便为多个网络节点中的至少一个网络节点导出节点性能评估阈值,节点性能评估阈值指示至少一个节点的性能度量的值,在该值,多个网络节点具有被分类为正常的预定似然。
根据本文中的第二示例方面,本发明者进一步设计了一种计算机程序,该计算机程序在由计算机执行时,致使计算机执行根据本文中的第一示例方面的方法。
根据本文中的第三示例方面,本发明者进一步设计了一种非暂时性计算机可读存储介质,该介质存储根据第二方面的计算机程序。
根据本文中的第四示例方面,本发明者进一步设计了一种携带根据第二方面的计算机程序的信号。
根据本文中的第五示例方面,本发明者进一步设计了一种用于使用至少一个节点性能评估阈值来监测在多跳布置中互连的多个网络节点的性能的设备。该设备包括处理电路和存储器,存储器包含处理电路可执行的指令。该设备配置成获取多个数据集。数据集包括多个网络节点中的每个网络节点的性能度量的相应值。此外,该设备配置成通过将多个网络节点中的每个网络节点的性能度量的相应值与对应的常态阈值进行比较,将多个数据集中的每个数据集分类为正常或异常,从而提供多个分类的数据集。该设备还能够使用机器学习算法来处理多个分类的数据集,以便为多个网络节点中的至少一个网络节点导出节点性能评估阈值,节点性能评估阈值指示至少一个节点的性能度量的值,在该值,多个网络节点具有被分类为正常的预定似然。
采用如上文所描述的方法、设备和程序,尤其是考虑到评估一个节点在什么样的自己的性能阈值可能导致另一个节点被分类为异常,监测在多跳布置中互连的多个节点之间的相互依赖性成为可能。
附图说明
现在将参照下文所描述的附图,仅仅作为非限制性示例来详细说明本发明的实施例。除非另外指示,否则出现在这些图的不同图中的同样参考数字可以表示相同或功能类似的元件。
图1A是示出根据本文中的示例方面的电信网络的示意图示。
图1B是示出根据本文中的示例方面的无线电通信***的示意图示。
图2是根据本文中的示例方面的、用于使用至少一个节点性能评估阈值来监测多个网络节点的性能的设备的示意图示。
图3是示出根据本文中的示例方面的、图2的设备的示例信号处理硬件配置的框图。
图4是示出根据本文中的示例方面的过程的流程图,通过该过程,图2的设备可使用至少一个节点性能评估阈值来监测多个网络节点的性能。
图5A是根据本文中的第一示例方面的机器学习算法的示意图示。
图5B是根据本文中的第二示例方面的机器学习算法的示意图示。
图6A是示出连接的网络节点的性能度量之间的关系的示意图示。
图6B是示出连接的网络节点的性能度量之间的关系的示意图示。
图6C是示出节点的性能度量与至少一个节点性能评估阈值之间的关系的示意图示。
图7是示出根据本文中的第一示例方面的过程的流程图,通过该过程,图2的设备可确定是否向多个网络节点之中的某个网络节点输出执行传输的指令。
图8是示出根据本文中的第二示例方面的过程的流程图,通过该过程,图2的设备可确定是否向多个网络节点之中的某个网络节点输出执行传输的指令。
图9是示出根据本文中的第二示例方面的过程的流程图,通过该过程,图2的设备可调整一个或多个网络节点中的至少一个网络节点的参数。
具体实施方式
现在将参照附图详细描述本发明的示例实施例。
在附图、详细描述或任何权利要求中的技术特征后面跟着参考符号的情况下,包含参考符号的唯一目的是增加附图、详细描述和权利要求的可懂度。因此,有或没有参考符号都对任何权利要求元件的范围没有任何限制作用。
图1A是示出根据本文中的示例方面的电信网络100的示意图示。电信网络100可以是任何类型的网络,诸如电话网络、计算机网络、互联网,其中使用多个连接的网络节点110-162来传送信息。在图1的示例方面中,网络100包括14个网络节点110-162。备选地,在其它示例方面中,网络100可包括可以用任何方式连接的任何适当数量的节点。
多个网络节点110-162可包括网络100中的任何一组节点,这些节点被连接,使得其性能以某种方式相互依赖。举例来说,合适的多个节点可包括在3GPP标准中所定义的各种网络节点(BS、BSS、eNB、gNB、MME、BBU、RRH)、第3层交换机(例如路由器)、第2层交换机、无线接入点、蓝牙装置等中的任一种。
举例来说,在网络100的第一非限制性示例性方面中,网络100的节点110可以是互联网,并且节点120和130可以是诸如路由器之类的L3交换机。节点135可以是例如服务器。此外,节点140、150和160中的每个节点可以是第2层交换机或无线接入点。在节点140、150和160中的任一个是第2层交换机的情况下,节点141、142、143、151、152、161和162之中的它的相应的连接节点可以是个人计算机或任何其它合适的计算机***或装置。在节点140、150和160中的任一个是无线接入点的情况下,它的在节点141、142、143、151、152、161和162之中相应的连接节点可以是移动智能电话、平板、膝上型计算机或者任何其它类型的无线计算装置。
作为备选,在网络100的第二示例性方面中,网络100可以是诸如互联网或其它的任何其它适当的广域网(WAN)或全域网(GAN)之类的多个网络的网络。每个网络节点110-162可表示子网(诸如例如关于第一示例性方面所描述的子网)或者任何其它合适类型的网络,例如局域网(LAN)、无线局域网(W-LAN)、城域网(MAN)等。
作为进一步的备选,在其它示例方面中,网络100可以是诸如图1B中所示的那样的无线蜂窝电信网络,图1B是示出根据本文中的示例方面的无线电通信***200的示意图示。无线电通信***200是图1A中所示的广义电信网络100的非限制性示例。
无线电通信***200包括多个用户设备(UE)210和多个无线电基站220A、220B、220C、220D、220E。在本示例方面中,无线电基站220A、220B、220C、220D、220E是多个网络节点的示例。当在本实施例中时,每个无线电基站220A、220B、220C、220D、220E可以是LTE-AeNodeB。备选地,每个无线电基站220A、220B、220C、220D、220E可以是例如5G gNB(下一代NodeB)、LTE eNodeB、3G NodeB或者任何其它合适的基站。
每个无线电基站220A、220B、220C、220D、220E与相应的小区230A、230B、230C、230D、230E相关联,并且例如经由波束成形,为该小区230A、230B、230C、230D、230E中的UE210提供对无线电通信网络的接入。在图1B中所示的示例方面中,所示的每个无线电基站220A、220B、220C、220D、220E服务于一个或两个UE 210。但是,在备选实施例中,无线电基站220A、220B、220C、220D、220E中的任一个可向多个UE(例如三个或更多个UE)提供服务。此外,在图1B中所示的示例方面中,无线蜂窝电信网络包括五个小区230A、230B、230C、230D、230E。作为备选,适当的无线蜂窝电信网络可包括例如一个或多个小区、10个或更多个小区、210个或更多个小区、或者任何其它适当数量的小区。
每个UE 210可以与其所在的小区230A、230B、230C、230D、230E的无线电基站220A、220B、220C、220D、220E进行无线电通信。当在本实施例中时,每个UE 210可配置成在上行链路信道上将数据和/或上行链路控制信息传送到它所在的小区230A、230B、230C、230D、230E的无线电基站220A、220B、220C、220D、220E,并且在下行链路信道上接收由该无线电基站220A、220B、220C、220D、220E传送的信息。此外,每个UE 210可移动,使得在用户正在移动时可以使用UE 210,并且当用户穿过从第一小区230A、230B、230C、230D、230E到下一个小区的边界时,UE 210从第一小区230A、230B、230C、230D、230E的无线电基站220A、220B、220C、220D、220E切换到下一个小区230A、230B、230C、230D、230E的无线电基站。
每个无线电基站220A、220B、220C、220D、220E可配置成(直接或经由另一无线电基站)与核心网240通信。在图1B的示例方面中,无线电基站220A、220B、220C、220D、220E是配置成提供集成接入和回程(IAB)的无线电基站。特别是,无线电基站220A、220B配置为IAB施主节点,并且无线电基站220C、220D、220E配置为IAB中继节点。
IAB施主节点220A、220B可配备有例如提供对核心网240的接入的有线链路或回程500(例如光纤回程)。然而,IAB中继节点220C、220D和220E不具有到核心网240的直接链路。而是,IAB施主节点220A、220B经由无线电回程链路600向IAB中继节点220C、220D、220E提供对核心网240的接入。IAB中继节点220C、220D、220E在例如时间、频率和/或空间中(例如通过基于波束的操作)复用接入链路(即,UE和无线电基站之间的通信)和回程链路(即,两个无线电基站之间或无线电基站与核心网之间的通信)。这种方法(由此,无线电基站的接入和回程链路共享相同的无线信道)又可称为自回传SBH。
在一些示例方面中,诸如在本示例中,可支持多跳无线自回传。就是说,IAB中继节点220E可经由IAB施主节点220A和一个或多个中间IAB中继节点220C连接到核心网。在图1B的示例中,包括无线电基站220A、220C和220E的第一多个网络节点具有两个回程跳,第一个在IAB中继节点220E和220C之间,而第二个在IAB中继节点220C和IAB施主节点220A之间,而且包括无线电基站220B和220D的第二多个节点具有在这两个基站之间的单个回程跳。然而,在备选示例方面中,可支持任何数量的回程跳(例如三个或更多个跳)。作为进一步的备选,在一些示例方面中,可支持多达最大数量的回程跳(例如多达四个或更多个跳),以便确保满足时延和其它服务要求。
由于IAB中继节点220C、220E依赖其IAB施主节点220A以便接入核心网240,包括无线电基站220A、220C和220E的第一多个网络节点中的每个网络节点的性能可能相互依赖,因为一个节点中的性能问题可能影响所连接节点的性能。举例来说,无线电基站220E处的业务或附连用户数量的增加将影响无线电基站220C和220A,因为这些基站接着将不得不执行增加量的回程传输。举个进一步的示例,IAB施主节点220A中的时延的增加将导致IAB中继节点220C和220E中的时延的成比例增加。类似地,包括IAB中继节点220D和IAB施主节点220B的第二多个节点的性能可能相互联系。
因此,图1B的无线电通信***200提供多个网络节点的两个示例,其中每个节点的性能是相互依赖的。备选地,所有无线电基站220A、220B、220C、220D、220E可视为单一的多个网络节点。作为进一步的备选,在一些示例方面中,无线电基站220A、220B、220C、220D、220E的性能可能相互依赖,因为无线电基站220A和220B可配置为施主eNB,并且无线电基站220C、220D和220E可配置为中继节点。
在诸如图1A中所示的那样的电信网络中,至关重要的是,网络节点的性能监测反映一个节点的性能度量的值与网络中其它所连接节点的性能度量的值如何相关,因为在这些情况下性能问题可能在连接的节点之间传播。
图2是根据本文中的示例方面的、用于使用至少一个节点性能评估阈值来监测多个网络节点110-162的性能的设备20的示意图示。
设备20包括存储模块21和处理模块22。处理模块22是处理电路的示例,而存储模块21是包含此类处理电路可执行的指令的存储器的示例。处理模块22配置成获取多个数据集,其中,数据集包括多个网络节点110-162中的每个网络节点的性能度量的相应值。处理模块22进一步配置成通过将多个网络节点110-162中的每个网络节点的性能度量的相应值与对应的常态阈值进行比较,将多个数据集中的每个数据集分类为正常或异常,从而提供多个分类的数据集。处理模块进一步配置成使用机器学习算法23来处理多个分类的数据集,以便为多个网络节点11-162中的至少一个网络节点导出节点性能评估阈值,该节点性能评估阈值指示至少一个节点的性能度量的值,在该值,多个网络节点具有被分类为正常的预定似然。
在诸如本示例方面之类的一些示例方面中,监测性能指的是允许检测或识别网络节点中的异常行为的任何规程、机制或过程。异常行为或异常可指的是节点中指示该节点没有正确或最佳运转的任何状况。这可能是节点不能(完全不能或不能以所要求方式)执行某个功能、或者节点有风险或正在遭受损坏或故障的情况。举例来说,在图1A的多个网络节点110-162中的任一网络节点中,应当检测的异常行为可包括故障的风险,诸如节点硬件过热或者无法以可接受的时延执行诸如传输之类的功能。更一般地说,可关于性能度量来定义异常行为,如下文更详细地论述。
如上文更详细地论述,多个网络节点可以是例如电信网络中的两个或更多个连接的或相邻的节点的任何集合。在本示例方面中,多个网络节点包括图1A中所示的多个网络节点110-162。
每个数据集包括多个网络节点110-162中的每个网络节点的性能度量的相应值。性能度量可以是例如提供网络节点表现如何的可量化或客观指示的任何适当的量度、分数、指数、值等。
举例来说,在诸如图1B的那样(其中网络是移动蜂窝网络)的示例性方面中,关于每个节点可记录多个性能管理(PM)计数器(例如,所连接用户的数量、消耗的总带宽、总功耗),并且可使用PM计数器的值来确定关键性能指标(KPI)。特别是,PM数据可包括由网络的操作支持***(OSS)记录的计数器值和其它统计数据,这些数据可用于评估数据在网络中流动有多好。举个非限制性示例,使用PM计数器记录的数据可包括一个或多个小区的干扰与热噪声(IoT)比、干扰噪声和/或热噪声水平、一个或多个小区掉线的呼叫数量、一个或多个小区的尝试切换的次数、成功切换的次数和/或切换失败率、和/或提供网络(或其部分,诸如小区或与多个网络节点相关联的多个小区)与最大容量相距多远的量度的任何合适的利用率度量。
可使用从PM计数器获取的数据来确定对应的KPI。举例来说,在诸如图1B的无线电通信***之类的当代移动网络的情况下,KPI可反映网络作为整体或单个节点(小区及其相关联的无线电基站)表现如何的以下方面中的任一个:可接入性、可保留性、完整性、可用性、移动性和能量效率。可接入性可被定义为在用户请求时、在指定容限和其它给定条件以内获取服务的能力。举例来说,可接入性KPI可包括ERAB(E-UTRAN无线电接入承载)建立成功率、RRC(无线电资源控制)建立成功率、呼叫建立成功率或者任何其它合适的量度。
可保留性可被定义为一旦用户连接到用户请求的服务、网络在期望的持续时间里保留这些服务的能力,或者被定义为一旦用户获取了服务、在给定条件下在给定的持续时间里继续提供该服务的概率。可保留性KPI可例如包括小区每天掉线的平均呼叫数量、小区每天掉线的平均VoIP(基于互联网协议的语音)呼叫数量、或者小区的平均呼叫完成成功率。
完整性可被定义为一旦获取服务、便在没有过多损坏的情况下提供服务的程度。完整性KPI可包括:反映吞吐量的KPI,诸如每个逝去的时间单位的净荷数据量;或者指示时延的KPI,诸如从IP分组的接收到第一分组的传输的时间、或者网络的最终用户所经历的延迟的任何其它量度。
可用性可被定义为网络进入在给定时间间隔内在给定时刻执行所要求功能的状态的能力。可用性KPI可包括例如E-UTRAN小区可用性、部分小区可用性或者任何其它合适的量度。
移动性可被定义为网络在仍为用户保留服务的同时允许用户移动的能力。移动性KPI可包括例如切换失败率、频率内切换出成功率、频率间切换出成功率、RAT间切换出成功率或者任何其它合适的量度。
能量效率KPI可包括从网络的功耗的观点反映网络运行效率的任何度量,例如,数据量除以网络或者一个或多个网络节点的子集的能耗。
因此,在诸如网络是移动通信网络的本示例方面之类的一些示例方面中,性能度量可包括上文所论述的计数器中的任一个或者关键性能指标KPI中的任一个。多个KPI中的每个KPI的相应值可基于多个计数器的相应值。如从以上论述中清楚的,KPI的值可直接作为PM计数器的值来提取。附加地或备选地,KPI的值可包括基于一个或多个PM计数器的值和/或从其它源收集的数据(诸如例如站点配置数据)的数学关系。
以与上文针对移动通信网络所论述的方式类似的方式,可为关于图1A所论述的任何类型的电信网络定义合适的KPI和其它性能度量。
当在本实施例中时,处理模块22可配置成通过本领域技术人员已知的任何合适的手段来获取数据,诸如多个数据集。举例来说,处理模块22可从诸如CD或硬盘之类的存储介质读取数据,此类存储介质可用于经由诸如互联网之类的网络传递信息或接收数据。此外,处理模块22可经由间接通信链路(其可由包括局域网(LAN)、广域网(WAN)和/或互联网的网络提供),或者经由直接通信链路(其可由例如通用串行总线(USB)或BluetoothTM连接的任何合适的有线或无线连接提供)直接地从多个网络节点接收数据。
设备20可进一步包括使处理模块22能够获取数据所必需的任何合适的手段,诸如例如一个或多个传送器和接收器、***装置(例如,诸如键盘之类的输入装置、诸如显示装置之类的输出装置、和/或诸如触摸面板之类的输入/输出装置)、接口(诸如串行和/或并行端口)。
处理模块22和存储模块21可通过本领域技术人员已知的任何适当的手段实现。举例来说,处理模块22可包括一个或多个微处理器和/或微控制器以及其它数字硬件,其它数字硬件可包括数字信号处理器(DSP)、专用数字逻辑和/或任何其它合适的硬件、软件或固件。处理模块22可配置成通过执行存储在存储模块21中的计算机程序代码或计算机程序,或者以任何其它适当的方式,来执行以上功能。存储模块21可作为一种或若干种类型的存储器来提供,诸如只读存储器(ROM)、随机存取存储器、高速缓冲存储器、闪存装置、光存储装置等。
举个特定示例,图3是可编程信号处理硬件30的示意图示,当在本示例方面中时,硬件30可配置成充当图2的设备20。
可编程信号处理硬件30包括通信接口(I/F)31。信号处理设备30进一步包括处理器(例如中央处理单元CPU或图形处理单元GPU)32、工作存储器33(例如随机存取存储器)和存储计算机程序的指令存储设备34,计算机程序包含计算机可读指令,这些指令在由处理器32执行时,致使处理器32执行各种功能,包括上文关于图2所描述的处理模块的那些功能。指令存储设备34可包括预加载有计算机可读指令的(例如电可擦除可编程只读存储器(EEPROM)或闪存的形式的)ROM。备选地,指令存储设备34可包括RAM或类似类型的存储器,并且计算机程序的计算机可读指令可从计算机程序产品(诸如CD-ROM、DVD-ROM等形式的非暂时性计算机可读存储介质35,或者携带计算机可读指令的计算机可读信号36)输入到其中。在任一情况下,计算机程序在由处理器执行时,致使处理器执行本文中所描述的用于使用至少一个节点性能评估阈值来监测多个网络节点的性能的方法中的至少一种方法。然而,应当注意,可备选地在诸如专用集成电路(ASIC)之类的非可编程硬件中实现设备20。
在本示例方面中,包括处理器32、工作存储器33和指令存储设备34的图3中所示硬件组件的组合37配置成执行存储模块21和处理模块22的功能,现在将在下文进一步详细描述这些功能。
图4是示出根据本文中的示例方面的过程40的流程图,通过该过程40,图2的设备可使用至少一个节点性能评估阈值来监测多个网络节点110-162的性能。
在图4的过程步骤S41中,处理模块22获取多个数据集,其中,数据集包括多个网络节点110-162中的每个网络节点的性能度量的相应值。处理单元可配置成通过上文关于图2所论述的手段中的任一个来获取数据,例如多个数据集。就是说,每个数据集可包含每个网络节点的性能度量的单个值,使得每个数据集中的值的数量等于网络节点的数量。
在一些示例方面中,诸如在本示例方面中,每个数据集可包含相同数量的值。附加地,在一些示例方面中,每个数据集中的值的数量可对应于机器学习算法23的输入节点的数量,下文将对其更详细地论述。
在一些示例方面中,每个数据集可以可选地进一步包括多个网络节点110-162中的每个网络节点的多个性能度量的相应值。就是说,每个数据集可包含每个网络节点的每个性能度量的单个值,使得每个数据集中的值的数量是网络节点的数量和性能度量的数量的乘积。
性能度量及其复数可以是上文关于图2所描述的那些度量(PM计数器和关键性能指标)中的任一个和/或任何其它合适的性能度量。
在下表1中,示出对于数据包括多个网络节点110-162中的每个网络节点的多个性能度量的相应值的情况的示例性数据集。多个数据集可包括如图1中所示的多个数据集。
一般来说,对于可获取的数据集的数量或者应当获取的数据集的最小数量没有限制。然而,所获取的数据集的数量应当足以反映在多个网络节点110-162中在其 使用期限期间可实际预期会出现的大多数使用状况(例如在业务和数据的量、用户数量等方面)。
在一些示例方面中,可提前产生和存储数据集,并且处理模块可配置成通过获取存储的数据集来获取数据集。因此,在此类示例方面中,处理模块22可配置成获取可直接分类的最终形式的多个数据集,如下文关于过程步骤S42所详细论述,而无需进一步处理。
备选地,在诸如本示例方面之类的一些示例方面中,处理模块可配置成通过以下方式获取多个数据集:接收指示多个网络节点110-162中的每个网络节点的一个或多个性能度量中的每个性能度量的值的数据;以及处理该数据,以便产生多个数据集。可直接从例如每个网络节点接收数据,或者可从网络的任何适当的集中数据存储(例如云存储或服务器)接收数据。处理可包括将所接收的数据分拣为数据集所需的任何适当的处理步骤。例如,处理可包括:对于每个数据集,识别与特定时间周期、特定测试或试验、或者特定状况集合等对应的网络节点中的每个网络节点的一个或多个性能度量中的每个性能度量的值;以及将识别的值关联为数据集。附加地或备选地,处理可包括允许更方便地处理数据集的任何处理步骤,诸如例如量化、将这些值转换为特定格式、为这些值编索引等。
在一些示例方面中,包含在数据集中的多个网络节点110-162中的每个网络节点的一个或多个性能度量的值可以是在不同时间和/或在不同使用和负荷状况下从多个网络节点110-162测量或以其它方式获取的经验数据,以便获取具有不同值的多个数据集。举例来说,可在给定的数据收集周期(例如一周、两周、一个月等)期间,关于每个网络节点(无线电基站和相关联的小区)收集PM数据。举例来说,通常通过在1到2周收集周期里汇集计数器来获取KPI。此外,可基于作为例如每天、每小时、每周等的数据的平均值、中值、最大值和最小值中的任一种收集的数据来计算KPI。
附加地或备选地,可通过以下步骤以计算方式导出包含在数据集中的多个网络节点110-162中的每个网络节点的一个或多个性能度量的值:模拟多个节点的模型;以及改变反映不同使用和负荷状况的模拟的输入参数,以便获取具有不同值的多个数据集。
在诸如本示例方面之类的一些示例方面中,处理模块可进一步配置成在获取多个数据集之前或作为其一部分,在多个网络节点中发起一个或多个应力测试,以便生成数据集。
举例来说,一个或多个应力测试可包括获取与多个网络节点110-162中的网络状况的初始集合对应的初始数据集。
网络状况的初始集合可包括例如可影响节点表现如何的各个节点或多个节点作为整体的任何状况、参数或特性,诸如例如在每个网络节点的相应小区中的UE的数量、***电压、传输功率、业务量、业务类型(例如语音、视频、数据等)、用于在移动通信网络中的小区之间切换的条件、节点中的缓冲区大小等。因此,初始数据集中的多个网络节点110-162的一个或多个性能度量的值可对应于网络状况的初始集合。
举例来说,一个或多个应力测试可进一步包括:通过调整网络节点中的至少一个网络节点的参数来更新一个或多个性能度量中的至少一个性能度量的值,以便获取更新的数据集。参数可以与一个或多个性能度量中的至少一个性能度量相关联,使得该参数的值的变化导致一个或多个性能度量中的至少一个性能度量的值的对应变化。
举例来说,在性能度量是时延的情况下,导致这个性能度量更新的参数可能是(移动通信网络中的)小区中的活动UE的数量、连接到无线接入点的无线计算装置的数量、某个位置中的活动UE或无线计算装置的数量等。备选地,在性能度量是吞吐量的情况下,也可使用这些参数中的任一参数的调整来影响更新。作为进一步的备选,在(例如在移动通信网络中)性能度量是移动性KPI的情况下,导致这个性能度量更新的参数可能是具有多个UE的站点间配置。作为进一步的示例,在性能度量是功率的情况下,可通过调整诸如电源单元(PSU)的电压或功率放大器(PA)的***电压之类的参数来更新这个性能度量。其它可调整参数可包括作为接入控制的活动、一个或多个UE的回程和接入加载、CSI-RS信号以及站点之间的PA功率变动。
然后,一个或多个***测试可包括:通过在不同的网络节点中将参数调整变化的量,来反复更新一个或多个性能度量中的至少一个性能度量的值,直到获取多个数据集(包括初始数据集)。
在一些示例方面中,一个或多个***测试可以可选地进一步包括:通过在不同的网络节点中将一个或多个附加参数调整变化的量,来反复更新一个或多个性能度量中的至少一个性能度量的值,以便获取进一步更新的数据集。附加地或备选地,一个或多个***测试可以可选地进一步包括:通过在不同的网络节点中将参数的变化组合调整(例如一次将2个或3个参数调整)变化的量,来反复更新一个或多个性能度量中的至少一个性能度量的值,以便获取进一步更新的数据集。
如上文所论述,包含在数据集中的多个网络节点110-162中的每个网络节点的一个或多个性能度量的值可以是经验数据,或者从模拟多个节点的模型来导出。在第一种情况下,例如,通过在实际节点中实时地实际调整参数(例如调整网络节点中的***电压),可实现网络节点的参数的调整。此类方法可能特别适合于在安装和验收阶段期间、在多个网络节点110-162(例如一个或多个网络站点)被移交给运营商或用户之前收集的数据集。
在第二种情况下,其中,从模拟模型导出包含在数据集中的多个网络节点110-162中的每个网络节点的一个或多个性能度量的值,调整一个或多个节点中的一个或多个参数可通过改变模拟的输入参数来容易地实现。同样,此类基于模拟的应力测试可在站点被移交给运营商或用户之前执行,和/或可以周期性地、每当站点上的设备检测到没有业务时(例如在夜间)、或者在站点的使用期限期间应请求而运行。
在一些示例实施例中,处理模块22可配置成周期性地执行此类应力测试。这种方法可能特别适合于以下情况:通过处理模块22容易获得的多个网络节点110-162的模型(例如,该模型可存储在存储模块21中,或者在远程服务器上可由处理模块22访问)的模拟,获取多个数据集。
作为备选,可通过诸如网络运行中心(NOC)或另一网络节点之类的任何适当实体来触发处理模块执行此类应力测试。这个实体可配置成自动触发处理模块22执行应力测试,或者该实体可配置成响应于由网络运营商或其他用户输入的指令而触发处理模块22执行应力测试。
备选地,在性能度量包括一个或多个KPI的一些示例方面中,也有可能的是,当在NOC或其它适当的网络实体中连同与PM计数器的关系的初始集合一起(例如使用等式)定义一个或多个新的KPI时,可以发起应力测试。新的KPI可由网络运营商、网络工程师、第三方或任何其他适当用户来定义。
作为更进一步的备选,在多个网络节点110-162的使用期限期间实行应力测试并且性能度量包括一个或多个KPI的情况下,有可能还以所有可能的排列一起比较所有PM计数器,并且识别PM计数器值的哪些组合导致故障。将通过危急警报来指示危急故障。随着时间的推移,这些PM计数器可被组合在一起以创建新的KPI。
在图4的过程步骤S42中,处理模块22通过将多个网络节点中的每个网络节点的性能度量的相应值与对应的常态阈值进行比较,将多个数据集中的每个数据集分类为正常或异常,从而提供多个分类的数据集。
用于任何给定性能度量的常态阈值可包括最大阈值、最小阈值或两者。用于给定性能度量的最大阈值是使大于(或者大于或等于)此阈值的性能度量的值可被视为指示网络节点中的异常行为的阈值。类似地,用于给定性能度量的最小阈值是使小于(或者小于或等于)此阈值的性能度量的值可被视为指示网络节点中的异常行为的阈值。在常态阈值包括最大阈值和最小阈值两者的情况下,这两个阈值可定义某一范围,使得落在这个范围之外的性能度量的值可被视为指示网络节点中的异常行为。
一般来说,用于给定性能度量的对应的常态阈值的数量和类型将取决于该性能度量的性质。举例来说,对于诸如时延之类的性能度量,其低值指示网络节点中的最佳性能,常态阈值可以是最大阈值,使得超过最大阈值的时延指示异常行为。类似地,对于诸如吞吐量之类的性能度量,其高值指示网络节点中的最佳性能,常态阈值可以是最小阈值,使得降到低于最小阈值的吞吐量指示异常行为。
更一般地说,可提供任何适当数量和类型的对应的常态阈值,作为给定性能度量的对应的常态阈值。
因此,处理模块22可配置成:如果多个网络节点全体的性能度量的相应值优于常态阈值,使得没有在任何网络节点中指示异常行为(例如,不超过最大阈值,大于最小阈值,或者落在给定范围内),则将多个数据集之中的数据集分类为正常。类似地,处理模块22可配置成:如果多个网络节点中的至少一个网络节点的性能度量的相应值劣于对应的常态阈值,使得在至少一个网络节点中指示异常行为(例如,超过最大阈值,降到低于最小阈值,或者落在给定范围之外),则将数据集分类为异常。
常态阈值的值可以是由网络运营商或其他用户设置的预定值。备选地,可由网络运行中心(NOC)或网络中的任何其它适当节点半静态地或动态地设置常态阈值的值,或者自动地(例如周期性地或响应于某种条件)或者响应于网络运营商或其他用户输入的指令来进行所述设置。
在每个数据集进一步包括多个网络节点110-162中的每个网络节点的多个性能度量的相应值的一些示例方面中,将多个数据集中的每个数据集分类可以可选地进一步包括:将多个性能度量中的一个或多个性能度量的值中的每个值与一个或多个对应的常态阈值进行比较。
在此类示例方面中,多个性能度量中的每个性能度量可具有对应的常态阈值。在此类示例方面中,处理模块22可配置成:如果多个网络节点全体的多个性能度量中的每个性能度量的相应值优于常态阈值,使得没有在任何网络节点中指示异常行为,则将多个数据集之中的数据集分类为正常。类似地,处理模块22可配置成:如果多个网络节点中的一个或多个网络节点的多个性能度量中的任何性能度量的值劣于对应的常态阈值,使得在至少一个网络节点中指示异常行为,则将数据集分类为异常。
附加地或备选地,在每个数据集进一步包括多个网络节点110-162中的每个网络节点的多个性能度量的相应值的示例方面中,可以可选地根据异常操作可归因于的多个性能度量中的至少一个性能度量,将多个数据集中被分类为异常的每个数据集进一步分类。就是说,可根据一个或多个节点中劣于对应的常态阈值的性能度量,将被分类为异常的每个数据集分类,使得该分类还指示多个网络节点如何异常操作。
作为进一步的备选或附加,在一些示例方面中,根据异常操作可归因于的多个网络节点中的至少一个网络节点,对多个数据集中被分类为异常的每个数据集进一步分类。就是说,可根据其一个或多个性能度量劣于对应的常态阈值的网络节点,将被分类为异常的每个数据集分类,使得该分类还指示多个网络节点中的哪个或哪些节点在异常操作。
在图4的过程步骤S43中,处理模块22使用机器学习算法23来处理多个分类的数据集,以便为多个网络节点中的至少一个网络节点导出节点性能评估阈值,节点性能评估阈值指示至少一个节点的性能度量的值,在该值,多个网络节点具有被分类为正常的预定似然。
在一些示例方面中,处理模块22可配置成通过以下方式来使用机器学习算法23处理多个分类的数据集:使用多个分类的数据集作为训练数据来训练机器学习算法23,以将新的、先前未见的数据集分类为正常或异常。因此,经过训练的机器学习算法23可以是分类算法。当在本实施例中时,机器学习算法23可以是监督学习算法。特别是,当在本实施例中时,学习算法可以是包含神经网络的监督学习算法。
图5A是根据本文中的示例方面的机器学习算法50的示意图示。机器学习算法50是机器学习算法23的示例。
在一些示例方面中,机器学习算法50可以是监督学习算法(例如,诸如神经网络、卷积神经网络、支持向量机或进化算法)。举例来说,当在本实施例中时,机器学习算法50可以是神经网络,它通过处理输入训练数据(诸如多个数据集)自动生成识别特性,而无需任何先验知识。
在此类示例方面中,机器学习算法50可配置成从输入数据中学习,并且通过从可包括分类的数据集的训练数据中建立模型或分类算法来基于输入数据进行预测,每个数据集的分类代表由该数据集的机器学习算法进行的分类的期望结果。
如图5A中所示,一般来说,机器学习算法50由输入层组成,该输入层具有与输入x0、x1、…、xn、xn+1对应的多个输入节点X_0、X_1、…、X_n、X_n+1,如所示。这些输入与单个数据集的值以及将其分类为正常或异常的输入对应。因此,取决于所考虑性能度量的数量和所考虑网络节点的数量(其规定每个数据集的输入x0、x1、…、xn、xn+1的数量),也可提供更多或更少的输入节点。
机器学习算法50可进一步包括具有至少一个输出节点Y_0的输出层以及可选的多个隐藏层(未示出)。这些层中的每一层由一个或多个机器学习(ML)节点(图5中的X_0、X_1、…、X_n、X_n+1、WX+b、S形函数和Y_0)组成,并且每一层可对其输入执行不同种类的变换。每个ML节点可连接到相邻层中的多个ML节点。每个ML节点的输出可通过其输入之和的某种非线性函数来计算。ML节点和它们之间的连接通常具有相应的权重(例如图5中的W_0、W_1、…、W_n、W_n+1),这些权重决定了给定连接处的信号的强度。这些权重随着学习进行而被调整,从而调整机器学习算法50的输出。信号从第一层(输入层)行进到最后一层(输出层),并且可多次遍历这些层。
机器学习算法50的输出y0可看作是输入数据集被分类为正常(或异常)的概率。举例来说,在此概率超过任何适当的值(例如50%、75%、90%)的情况下,数据集可视为正常,否则可视为异常。
在诸如图5中所示的那样的一些示例方面中,可紧接在输出层之前提供具有S形函数的ML节点。S形函数可取任何实数作为输入,返回介于例如0到1之间或者备选地介于-1到1之间的单调增加的值。因此,S形函数可允许经过训练的机器学习算法50的输出端以可容易地转变为百分数、分数等的便利格式输出输入数据集被分类为正常(或异常)的概率。
图5B是根据本文中的第二示例方面的机器学习算法50的示意图示。图5B的机器学习算法50是机器学习算法23的进一步示例。
在一些示例方面中,其中,根据异常操作可归因于的多个性能度量中的至少一个度量和/或根据异常操作可归因于的多个网络节点中的至少一个网络节点将被处理模块22分类为异常的任何数据集进一步分类,可进一步训练机器学习算法50,以根据异常操作可归因于的多个性能度量中的至少一个度量和/或根据异常操作可归因于的多个网络节点中的至少一个网络节点,将新的、先前未见的数据集分类为正常或异常。
为了实现这方面,机器学习算法50可进一步配备有一个或多个附加层(每一层包含一个或多个ML节点),附加层经过训练以输出输入数据集被分类为多个类别中的每个类别的概率,其中,这些概率全都加起来为1(即,多类别问题,而不是关于图5A所描述的单类别问题)。举例来说,数据集所属的类别可被选择为具有最高概率的类别,或者以任何其它适当方式来选择。可选地,每个输出节点之前可以是具有S形函数的ML节点,如上文关于图5A所描述。
举例来说,在图5B中,机器学习算法50配备有在输出层之前的SoftMax层,该层具有的节点(未示出)的数量等于输出层中的节点数量。SoftMax层假设每个数据集是恰好一个类别的成员。因此,可适当地将类别定义为例如一个正常类别和若干异常类别,异常类别指示行为异常的每个节点和节点的每个组合,或者作为备选示例,定义为正常和异常,异常指示劣于常态阈值的每个性能度量和性能度量的每个组合。作为进一步的备选,类别可反映异常行为可归因于的一个或多个节点和一个或多个性能度量的组合。
举例来说,可以用多个逻辑回归来替代SoftMax层,逻辑回归可配置成允许将某一数据集同时分类为多个类别的成员。
处理模块22可进一步配置成为多个网络节点中的至少一个网络节点导出节点性能评估阈值,节点性能评估阈值指示至少一个节点的性能度量的值,在该值,多个网络节点具有基于经过训练的机器学习算法50被分类为正常的预定似然。
本发明者已经认识到,需要根据连接的节点之间的相互依赖性来评估各个网络节点的性能,因为在这些情况下,性能问题可能在连接的节点之间传播。举例来说,图6A是示出连接的网络节点的性能度量之间的关系的示意图示。
图6A示出对于两个网络节点N1和N2中的每一个,示例性性能度量P1的值可如何随时间变化。在图6的示例方面中,网络节点N1和N2是连接的或相邻的节点,N2是更靠近网络边缘的网络节点(例如,图1A中的网络节点135或图1B中的无线电基站200B),而网络节点N1是更远离网络边缘的网络节点(例如,图1A中的网络节点130或图1B中的无线电基站200A)。
如图6A中可见,对于网络节点N1和N2两者,性能度量P1的值随着网络的该部分中例如业务、处理负荷等变化而以类似的方式变化。然而,性能度量P1的值变化的程度取决于节点N1和N2在网络中的相对位置。举例来说,在图6A的示例方面中,性能度量P1可以是诸如例如时延之类的度量,它的值随着节点远离网络的核心或中心或者远离发起了传输的网络节点而趋向于增加。由于网络节点N1连接到网络节点N2,使得节点N2更靠近网络边缘,所以在网络节点N2处测量的诸如时延之类的性能度量P1的值将总是大于在网络节点N1处测量的值。
如图6A中所示,在时间t2,网络节点N1的性能度量P1的值超过对应的常态阈值TN。然而,通过导出指示网络节点N1的性能度量P1的值(在该值,网络节点N1和N2两者都具有被分类为正常的预定似然)的节点性能评估阈值TP_N1,给定节点N1和N2的性能度量之间的关系,有可能基于网络节点N1的性能度量P1的值来确定在时间t0和t1,网络节点N2的性能度量P1的值很可能已经超过对应的常态阈值。
图6B是根据备选示例方面、示出连接的网络节点N1和N2的性能度量P2之间的关系的示意图示。性能度量P2可以是诸如例如吞吐量之类的度量,它的值随着节点远离网络的核心或中心或者远离发起了传输的网络节点而趋向于减小。由于网络节点N1连接到网络节点N2,使得节点N2更靠近网络边缘,所以在网络节点N2处测量的诸如吞吐量之类的性能度量P2的值将总是小于在网络节点N1处测量的值。
如图6B中所示,在时间t1,网络节点N1的性能度量P2的值降到低于对应的常态阈值TN。然而,通过导出指示网络节点N1的性能度量P2的值(在该值,网络节点N1和N2两者都具有被分类为正常的预定似然)的节点性能评估阈值TP_N1,给定节点N1和N2的性能度量之间的关系,有可能基于网络节点N1的性能度量P2的值来确定在时间t0,网络节点N2的性能度量P2的值很可能已经超过对应的常态阈值。
图6C是示出节点的性能度量P1、P2、P3与至少一个节点性能评估阈值TP之间的关系的示意图示。在图6C的示例方面中,至少一个节点性能阈值可与多个网络节点之中的任何网络节点(诸如图1a中的节点110-162或者图1B中的无线电基站220A、220B、220C、220D、220E)相关联,并且可为任何适当的性能度量P1、P2、P3导出所述阈值。在备选示例方面中,可导出多个节点性能评估阈值。举例来说,可为多个网络节点110-162中的每个网络节点的给定性能度量计算节点性能评估阈值。备选地,可为多个网络节点110-162中的一个或多个网络节点的多个性能度量中的每个性能度量导出节点性能评估阈值。
举例来说,在示例方面中,其中,多个网络节点110-162是无线蜂窝电信网络的多个网络节点,并且多个网络节点中的至少一个网络节点充当集成接入和回程IAB施主节点而多个网络节点中的其它网络节点充当IAB中继节点,可为IAB施主节点计算一个或多个节点性能评估阈值。
可用任何适当的方式导出至少一个节点性能评估阈值。举例来说,可通过以下方式来获取附加数据集并对其分类:将每个附加数据集输入到经过训练的机器学习算法,然后分析至少一个网络节点的性能度量的值和输出分类,以便识别使多个网络节点具有被分类为正常的预定似然的性能度量的值。例如,可选择性能度量的值为至少一个网络节点的节点性能评估阈值,对于该值,机器学习算法以某个概率(例如50%、60%、70%、80%、90%等)将其中至少一个网络的性能度量具有该值的数据集已分类为正常。
作为备选,可通过任何适当的手段对经过训练的机器学习算法23进行解构,即处理,以便确定哪些输入变量(即,给定节点的性能度量)与神经网络的输出相关。可确定与分类正常或异常最相关(例如至少具有某个相关概率)的输入变量,并且可识别与此类分类相关的至少一个KPI的性能度量的值。因此,可基于例如被认为与其相应的被分类为异常的数据集相关的性能度量的值,确定节点性能评估阈值。
可通过任何适当的手段,诸如例如依次掩蔽所述输入中的一个或多个输入并且识别哪一个或多个输入导致输出值的最大变动,或者在机器学习算法23是神经网络的情况下通过在神经网络的每层上使用泰勒分解,或者在机器学习算法23是卷积神经网络的情况下通过确定机器学习算法23的解卷积,来执行经过训练的机器学习算法23的解构。
在示例方面中,其中,每个数据集进一步包括多个网络节点110-162中的每个网络节点的多个性能度量的相应值,并且该方法进一步包括为至少一个网络节点导出多个性能度量中的至少一个性能度量的相应的节点性能评估阈值,可使用任何合适的手段(诸如上文所论述的那些手段)为每个网络节点导出节点性能评估阈值。
以这种方式,可为多个网络节点中的至少一个网络节点导出节点性能评估阈值,节点性能评估阈值指示至少一个节点的性能度量的值,在该值,多个网络节点具有被分类为正常的预定似然。可使用这个节点性能评估阈值以基于至少一个节点的性能度量的值来监测多个网络节点的性能。
因此,在使用期间,可使用所导出的节点性能评估阈值,通过将至少一个网络节点的性能度量的值与节点性能评估阈值进行比较,来监测多个网络节点110-162,并且检测一个或多个网络节点尚未开始行为异常、但是多个网络节点不具有被分类为正常的预定似然的情况。
因此,如下文更详细地论述,可在一个或多个网络节点开始行为异常之前,或者在一个或多个网络节点行为异常持续延长的时间段之前,采取行动以减轻异常行为。因此,图2的设备20减少或消除了节点的异常行为可能已经负面影响业务通过网络移动或其它节点的性能的情形、以及到发出警报或警告时某个网络节点的异常行为可能已经导致该节点硬件损坏的情形。
此外,通过将至少一个网络节点的性能度量的值与使用来自多个节点的数据导出的节点性能评估阈值进行比较,图2的设备确保性能监测反映一个节点的性能度量的值与网络中其它所连接节点的性能度量的值如何相关。
此外,在一些示例方面中,其中,每个数据集进一步包括多个网络节点110-162中的每个网络节点的多个性能度量的相应值,并且该方法进一步包括为至少一个网络节点导出多个性能度量中的至少一个性能度量的相应的节点性能评估阈值,通过将至少一个网络节点的每个性能度量的值与使用与多个性能度量相关的数据导出的相应的节点性能评估阈值进行比较,图2的设备确保性能监测反映节点的性能度量的值如何彼此相关。
因此,可解决上文关于背景技术部分所论述的技术问题。
此外,设备20可以可选地提供以下优势中的一个或多个:
1. 通过更好地调节网络节点所经历的业务、处理负荷和其它应力,有可能改善网络节点的使用期限管理(LCM)。而这又可有助于降低多个网络节点的总拥有成本(TCO)。
2. 设备20可允许网络运营商预见网络节点(例如无线电基站、站点等)对于不同影响和性能变动的弹性程度。
3. 通过识别对于确定多个网络节点110-162是否正常操作最必要的一个或多个性能度量,也许有可能将机器学习算法23的输入和数据集的数量减至最少。在多个网络节点110-162包括多个无线电基站220A、220B、220C、220D、220E(诸如图1B中所示的那些)的情况下,这可能特别重要,因为大量的性能计数器和KPI可被确定为每个无线电基站220A、220B、220C、220D、220E的性能度量。因此,通过将输入到机器学习算法23的性能度量减少到对于确定多个网络节点110-162是否正常操作最必要的那些性能度量,有可能相对于依赖机器学习的常规性能监测设备提高设备20的效率。
4. 可容易地比较类似站点(例如网络节点、多个网络节点等)之间的节点性能评估阈值,以识别特别易受异常行为影响的多个网络节点。例如,这可通过识别与其它多个网络节点相比其一个或多个节点性能评估阈值与对应的常态阈值显著不同的多个网络节点来实现。因此,性能监测可更准确。
5. 在网络可在不止一个频带上操作的情况下,诸如在多个网络节点110-162包括多个无线电基站220A、220B、220C、220D、220E的情况下,当在网络节点之间调整或轮换业务或用户时,可能网络运营商有可能预见到一些频带存在问题的指示。
关于在监测多个网络节点110-162的性能时可如何使用导出的节点性能评估阈值,现在将提供详细论述。
如上文所论述,图4的过程40可由图2的设备20例如在多个网络节点110-162(例如一个或多个网络站点)被移交给运营商或用户之前(例如在安装和验收阶段期间)、周期性地、每当站点上的设备检测到没有业务时(例如在夜间)、或者在站点的使用期限期间应请求执行。更一般地说,图4的过程40可由图2的设备200在多个网络节点不在使用中或者正在经历低使用(例如很少业务和低处理负荷)时执行。
图2的设备20可实行性能监测。备选地,图2的设备20可配置成将一个或多个导出的节点性能评估阈值输出到另一网络实体,例如,网络运行控制器(NOC),NOC使用一个或多个节点性能评估阈值来监测多个网络节点的性能。在一些示例方面中,可作为NOC的一部分、在远程服务器上或在云中提供设备20。
在使用期间,可使用一个或多个导出的节点性能评估阈值来监测多个网络节点110-162,以便检测异常行为。举例来说,在向多个网络节点110-162之中的某个网络节点输出执行传输的指令之前,监测多个网络节点110-162可能是有益的。以这种方式,在多个网络节点被分类为正常的概率小于预定似然的情况下,可能在输出执行传输的指令之前有可能预料到异常行为并对其作出反应。
在多个网络节点110-162包括多个无线电基站220A、220B、220C、220D、220E(诸如图1B中所示的那些)的情况下,这种方法可能特别有用。特别是,移动通信网络(诸如网络200)通常按预定的时间单位(诸如例如帧、子帧、时隙等)调度传输。因此,一般有可能执行性能监测处理,诸如从网络节点获取性能度量的值,并且在调度传输和执行传输之间的时间内将它与节点性能评估阈值进行比较。因此,也许有可能基于性能监测来更改业务通过网络的路由选择和/或一个或多个网络节点的配置。
图7是示出根据本文中的第一示例方面的过程70的流程图,通过该过程70,图2的设备20可确定是否向多个网络节点110-162之中的某个网络节点输出执行传输的指令。图7的过程70可备选地由执行性能监测的诸如NOC之类的任何网络实体来执行。
在图7的过程步骤S71中,处理模块22在输出执行传输的指令之前从至少一个网络节点获取包含至少一个网络节点的性能度量的相应值的第一数据集。
所述至少一个网络节点和性能度量是使用图4的过程40为其导出了节点性能评估阈值的那些。
在图7的过程步骤S72中,处理模块22将至少一个网络节点的性能度量的相应值与节点性能评估阈值进行比较,以便确定多个网络节点110-162被分类为正常的概率是否小于预定似然。
在过程步骤S73中,如果多个网络节点110-162被分类为正常的概率小于预定似然,则过程70继续进行至过程步骤S74。相反,如果多个网络节点110-162被分类为正常的概率大于或等于预定似然,则过程70继续进行至过程步骤S76。在备选示例方面中,如果多个网络节点110-162被分类为正常的概率小于或等于预定似然,则过程70可继续进行至过程步骤S74,而如果多个网络节点110-162被分类为正常的概率大于预定似然,则过程70可继续进行至过程步骤S76。
在图7的过程步骤S74中,处理模块22输出警告。
输出警告可包括例如:向可对警告自动作出反应的任何适当的网络实体(诸如NOC)输出警告;或者例如经由适当的网络实体向网络运营商、网络工程师或其他用户输出警告;或者向与该用户相关联的装置(例如移动电话、膝上型计算机等)输出警告,该用户可确定如何对该警告作出反应。
在一些示例方面中,警告可按照所讨论的至少一个网络节点、性能度量和/或多个网络节点110-162而有所不同,以便向警告的接收方提供至少一个网络节点、性能度量或多个网络节点110-162的指示。在至少一个网络节点包括两个或更多个网络节点和/或为多个性能度量导出相应的节点性能评估阈值以用于性能监测中的情况下,这可能特别有用。
过程70可以可选地包括过程步骤S75(该可选的过程步骤由图7中的虚线指示)。在图7的过程步骤S75中,处理模块22调整与至少一个网络节点相关联的用户数量和/或调整通过至少一个网络节点路由的业务量,以便避免或改善至少一个网络节点中的异常行为。
在一些示例方面中,处理模块22本身可通过向至少一个网络节点输出指令或通过任何其它适当的手段来调整与至少一个网络节点相关联的用户数量和/或通过至少一个网络节点路由的业务量。备选地,处理模块22可配置成通过以下方式来调整与至少一个网络节点相关联的用户数量和/或通过至少一个网络节点路由的业务量:向诸如NOC之类的任何适当的网络实体、或者例如经由适当的网络实体向网络运营商、网络工程师或其他用户、或者向与该用户相关联的装置(例如移动电话、膝上型计算机等)输出指令或请求,以发起该调整。指令或请求可作为在过程步骤S74中输出的警告的一部分输出,或者可单独输出。
如何调整与至少一个网络节点相关联的用户数量和/或通过至少一个网络节点路由的业务量可取决于所讨论的网络节点和网络的类型以及性能度量。举例来说,如果性能度量是与网络业务拥塞相关的KPI,并且网络节点是交换机,则一种选择是通过另一个网络节点重新路由业务。举个进一步的示例,如果网络节点是基带单元(BBU),并且一个或多个性能度量的值指示该节点接近于活动移动订户(UE)的最大数量的极限,则基带单元可以触发切换过程,以便将有些UE附连到与另一个网络节点相关联的相邻小区。
过程70可以可选地包括过程步骤S76。在图7的过程步骤S76中,处理模块22输出执行传输的指令。该指令可被直接输出到网络节点,或输出到适当的网络实体,而该网络实体又控制该网络节点执行传输。
因此,图7的性能监测过程70允许确保在输出执行传输的指令之前,多个网络节点110-162被分类为正常的概率大于预定似然,并且如果不是,则允许网络适当地作出反应。
图8是示出根据本文中的第二示例方面的过程80的流程图,通过该过程80,图2的设备可确定是否向多个网络节点110-162之中的某个网络节点输出执行传输的指令。与图7的过程70类似,图8的过程80可备选地由执行性能监测的诸如NOC之类的任何网络实体来执行。
在图8的过程步骤S81中,处理模块22在输出执行传输的指令之前,从至少一个网络节点获取包含至少一个网络节点的性能度量的相应值的第一数据集。所述至少一个网络节点和性能度量是使用图4的过程40为其导出了节点性能评估阈值的那些。
在图8的过程步骤S82中,处理模块22将至少一个网络节点的性能度量的相应值与对应的常态阈值进行比较,以便将第一数据集分类为正常或异常。因此,有可能避免在至少一个节点中的性能度量的值已经指示异常行为的情况下不必要地确定多个网络节点110-162被分类为正常的概率是否小于预定似然。
在图8的过程步骤S83中,如果基于至少一个网络节点的性能度量的相应值与对应的常态阈值的比较将第一数据集分类为异常,则过程80继续进行至过程步骤S84。但是,如果基于至少一个网络节点的性能度量的相应值与对应的常态阈值的比较将第一数据集分类为正常,则过程80继续进行至过程步骤S86。
在图8的过程步骤S84中,处理模块22输出警告。这个过程步骤对应于图7的过程步骤S74。
取决于警告是由于第一数据集被分类为异常、还是由于多个网络节点110-162被分类为正常的概率小于预定似然,警告输出可变化。
过程80可以可选地包括过程步骤S86。在图8的过程步骤S85中,处理模块22调整与至少一个网络节点相关联的用户数量和/或调整通过至少一个网络节点路由的业务量。这个过程步骤对应于图7的过程步骤S75。
在图8的过程步骤S86中,处理模块22将至少一个网络节点的性能度量的相应值与节点性能评估阈值进行比较,以便确定多个网络节点110-162被分类为正常的概率是否小于预定似然。
在图8的过程步骤S87中,如果多个网络节点110-162被分类为正常的概率小于预定似然,则过程80继续进行至(上文所论述的)过程步骤S84。相反,如果多个网络节点110-162被分类为正常的概率大于或等于预定似然,则过程80继续进行至过程步骤S88。在备选示例方面中,如果多个网络节点110-162被分类为正常的概率小于或等于预定似然,则过程80可继续进行至过程步骤S84,而如果多个网络节点110-162被分类为正常的概率大于预定似然,则过程80可继续进行至过程步骤S88。
过程80可以可选地包括过程步骤S88。在图8的过程步骤S88中,处理模块22输出执行传输的指令。该指令可被直接输出到网络节点,或输出到适当的网络实体,而该网络实体又控制该网络节点执行传输。
因此,图8的性能监测过程80允许确保在输出执行传输的指令之前,多个网络节点110-162被分类为正常的概率大于预定似然,并且如果不是,则允许网络适当地作出反应。此外,图8的性能监测过程80使得有可能避免在至少一个节点中的性能度量的值已经指示异常行为的情况下不必要地确定多个网络节点110-162被分类为正常的概率是否小于预定似然。
在备选示例方面中,其中,第一数据集进一步包括至少一个网络节点的多个性能度量的相应值,并且为至少一个网络节点的多个性能度量中的至少一个性能度量导出相应的节点性能评估阈值,可适配图7的过程70和图8的过程80,使得至少一个网络节点的性能度量的相应值与节点性能评估阈值的比较包括:对于至少一个性能度量中的每个性能度量,将该性能度量的相应值与对应的相应的节点性能评估阈值进行比较。
举例来说,在此类示例方面中,在图7的过程步骤S73中,可适配过程70,使得在基于至少一个性能度量中的任何性能度量确定多个网络节点110-162被分类为正常的概率小于预定似然的情况下,过程S70继续进行至过程步骤S74。因此,只有在根据所考虑的至少一个性能度量全体,多个网络节点110-162被分类为正常的概率大于或等于预定似然的情况下,图7的过程70才继续进行至过程步骤S76。可用对应的方式适配图8的过程80。
附加地或备选地,图7的过程70或图8的过程80可被适配,以分别在图7的过程步骤S73中确定“否”之后或者在图8的过程步骤S87中确定“否”之后包括图9的过程90。图9是示出根据本文中的第二示例方面的过程90的流程图,通过该过程90,图2的设备可调整一个或多个网络节点110-162中的至少一个网络节点的参数。
在图9的过程步骤S91中,在多个网络节点被分类为正常的概率小于预定似然的情况下,处理模块22通过调整至少一个网络节点的参数(该参数与性能度量相关联)来更新至少一个网络节点的性能度量的相应值,以便获取更新的数据集。
为了确定要调整的参数,处理模块22可使用经过训练的机器学习算法23来处理第一数据集,以便确定异常操作可归因于的至少一个性能度量和/或异常操作可归因于的至少一个节点。然后,所调整的参数可与异常操作可归因于的至少一个性能度量相关联,和/或可以是异常操作可归因于的至少一个节点的参数。
在所述至少一个网络节点(其性能度量值被包含在第一数据集中)包括所述多个网络节点中的每个网络节点的情况下,可使用机器学习算法23以这种方式来处理第一数据集。就是说,第一数据集包括多个网络节点中的每个网络节点的性能度量的相应值。此外,用于训练机器学习组件的多个数据集中被分类为异常的每个数据集应当已经根据异常操作可归因于的多个性能度量中的至少一个度量和/或异常操作可归因于的多个网络节点中的至少一个网络节点被进一步分类。
在考虑单个性能度量的备选示例方面中,可与该性能度量对应来选择所调整的参数。备选地,在考虑多个性能度量的情况下,可基于最相关的性能度量(例如,最频繁地指示异常行为或被认为最关键的性能度量)来选择所调整的参数。作为进一步的备选,可调整与多个性能度量对应的多个参数。上文关于图4的过程步骤S41更详细地论述了与给定性能度量相关联的(一个或多个)参数的选择以及可如何调整此类参数。
附加地或备选地,在第一数据集包括多个网络节点110-162之中的两个或更多个网络节点的性能度量的相应值的情况下,可在至少一个网络节点全体中或者只在一个节点中调整参数。
在图9的过程步骤S91中,处理模块22将更新的数据集的至少一个网络节点的性能度量的相应值与节点性能评估阈值进行比较。
然后,图9的过程90返回到图7的过程70的过程步骤S72或图8的过程80的过程步骤S82。
因此,图9的过程90可虑及避免或改善潜在的异常行为,而无需输出警告。
为了避免过多的延迟,对图9的过程90的执行次数可能有限制,并且在不输出警告的情况下生成更新的数据集。备选地,可在多个网络节点被分类为正常的概率比预定似然小某个量(例如小于预定似然的一半)的情况下防止执行图9的过程90。
在一些示例方面中,图4、图7、图8和图9中的任一图的过程可由包含指令的计算机程序来实现,指令在由计算机执行时,致使计算机执行所述一个或多个过程。此类计算机程序可被存储在非暂时性计算机可读存储介质上,或者由信号携带。作为备选,图4、图7、图8和图9中的任一图的过程可由包括处理器和存储器的移动计算装置实现,其中,存储器配置成存储指令,指令在由处理器执行时,致使处理器执行所述一个或多个过程。
虽然已经描述了详细实施例,但是这些实施例仅用来提供对独立权利要求所定义的发明的更好理解,而不要视为限制。
[缩写词的列表]
BBU 基带单元
CSI-RS 信道状态信息参考信号
E-RAB E-UTRAN无线电接入承载
GAN 全域网
IAB 集成接入和回程
IoT 干扰与热噪声
KPI 关键性能指标
LTE 长期演进
MAN 城域网
MME 移动性管理实体
NOC 网络运行中心
OSS 操作支持***
PA 功率放大器
PM 性能管理
PSU 电源单元
RAN 无线电接入网
SBH 自回传
UE 用户设备
WAN 广域网
W-LAN 无线局域网。
Claims (29)
1.一种使用至少一个节点性能评估阈值来监测在多跳布置中互连的多个网络节点的性能的计算机实现的方法,所述方法包括:
获取多个数据集,其中,数据集包括所述多个网络节点中的每个网络节点的性能度量的相应值;
通过将所述多个网络节点中的每个网络节点的所述性能度量的所述相应值与对应的常态阈值进行比较,将所述多个数据集中的每个数据集分类为正常或异常,从而提供多个分类的数据集;以及
使用机器学习算法来处理所述多个分类的数据集,以便为所述多个网络节点中的至少一个网络节点导出节点性能评估阈值,所述节点性能评估阈值指示至少一个节点的所述性能度量的值,在所述值,所述多个网络节点具有被分类为正常的预定似然。
2.如权利要求1所述的方法,其中:
每个数据集进一步包括所述多个网络节点中的每个网络节点的多个性能度量的相应值;并且
将所述多个数据集中的每个数据集分类进一步包括将所述多个性能度量中的一个或多个性能度量的值中的每个值与一个或多个对应的常态阈值进行比较,并且
所述方法进一步包括为所述至少一个网络节点导出所述多个性能度量中的至少一个性能度量的相应的节点性能评估阈值。
3.如权利要求2所述的方法,其中,根据所述多个性能度量中异常操作可归因于的至少一个性能度量,将所述多个数据集中被分类为异常的每个数据集进一步分类。
4.如权利要求2或权利要求3所述的方法,其中,所述多个性能度量包括多个计数器和多个关键性能指标KPI,所述多个KPI的相应值是基于所述多个计数器的相应值。
5.如任一前述权利要求所述的方法,其中,根据所述多个网络节点中异常操作可归因于的至少一个网络节点,将所述多个数据集中被分类为异常的每个数据集进一步分类。
6.如任一前述权利要求所述的方法,进一步包括:
在输出执行传输的指令之前,从所述至少一个网络节点获取包括所述至少一个网络节点的所述性能度量的相应值的第一数据集;
将所述至少一个网络节点的所述性能度量的所述相应值与所述节点性能评估阈值进行比较,以便确定所述多个网络节点被分类为正常的概率是否小于所述预定似然;以及
在所述多个网络节点被分类为正常的所述概率小于所述预定似然的情况下,输出警告。
7.如权利要求6所述的方法,进一步包括:
在所述多个网络节点被分类为正常的所述概率大于或等于所述预定似然的情况下,向所述至少一个网络节点输出执行传输的指令。
8.如权利要求6或权利要求7所述的方法,进一步包括:
在将所述相应值与所述节点性能评估阈值进行比较之前,将所述至少一个网络节点的所述性能度量的所述相应值与所述对应的常态阈值进行比较,以便将所述第一数据集分类为正常或异常;以及
在将所述第一数据集分类为异常的情况下,向网络运营商输出警告。
9.如权利要求6至8中任一项所述的方法,进一步包括:
在输出警告的情况下,调整与至少一个网络节点相关联的用户数量和/或调整通过所述至少一个网络节点路由的业务量。
10.如权利要求6至9中任一项所述的方法,进一步包括:
在所述多个网络节点被分类为正常的概率小于所述预定似然的情况下,通过调整所述至少一个网络节点的参数来更新所述至少一个网络节点的所述性能度量的所述相应值,所述参数与所述性能度量相关联,以便获取更新的数据集;以及
将所述更新的数据集的所述至少一个网络节点的所述性能度量的所述相应值与所述节点性能评估阈值进行比较。
11.如权利要求6至10中任一项所述的方法,其中:
所述第一数据集进一步包括所述至少一个网络节点的多个性能度量的相应值,并且为所述至少一个网络节点的所述多个性能度量中的至少一个性能度量导出相应的节点性能评估阈值;并且
将所述至少一个网络节点的所述性能度量的所述相应值与所述节点性能评估阈值进行比较包括:对于所述至少一个性能度量中的每个性能度量,将该性能度量的相应值与对应的相应的节点性能评估阈值进行比较。
12.如权利要求6至11中任一项所述的方法,其中:
所述至少一个网络节点包括所述多个网络节点中的每个网络节点;并且
根据所述多个性能度量中异常操作可归因于的至少一个度量和/或根据所述多个网络节点中异常操作可归因于的至少一个网络节点,将所述多个数据集中被分类为异常的每个数据集进一步分类,并且
所述方法进一步包括:在所述多个网络节点被分类为正常的所述概率小于所述预定似然的情况下,使用经过训练的机器学习算法来处理所述第一数据集,以便确定异常操作可归因于的至少一个性能度量和/或异常操作可归因于的至少一个节点。
13.如任一前述权利要求所述的方法,其中:
所述多个网络节点是无线蜂窝电信网络的多个网络节点;并且
所述多个网络节点中的至少一个网络节点充当集成接入和回程IAB施主节点,并且所述多个网络节点中的其它网络节点充当IAB中继节点。
14.一种包含指令的计算机程序,所述指令在由计算机执行时,致使所述计算机执行权利要求1-13中任一项的方法。
15.一种存储根据权利要求14的计算机程序的非暂时性计算机可读存储介质。
16.一种携带根据权利要求14的计算机程序的信号。
17.一种用于使用至少一个节点性能评估阈值来监测在多跳布置中互连的多个网络节点的性能的设备,所述设备包括:
处理电路和存储器,所述存储器包含所述处理电路可执行的指令,由此所述设备可操作以:
获取多个数据集,其中,数据集包括所述多个网络节点中的每个网络节点的性能度量的相应值;
通过将所述多个网络节点中的每个网络节点的所述性能度量的所述相应值与对应的常态阈值进行比较,将所述多个数据集中的每个数据集分类为正常或异常,从而提供多个分类的数据集;以及
使用机器学习算法来处理所述多个分类的数据集,以便为所述多个网络节点中的至少一个网络节点导出节点性能评估阈值,所述节点性能评估阈值指示至少一个节点的所述性能度量的值,在所述值,所述多个网络节点具有被分类为正常的预定似然。
18.如权利要求17所述的设备,其中:
每个数据集进一步包括所述多个网络节点中的每个网络节点的多个性能度量的相应值;并且所述设备可操作以:
将所述多个数据集中的每个数据集分类进一步包括将所述多个性能度量中的一个或多个性能度量的值中的每个值与一个或多个对应的常态阈值进行比较,并且
为所述至少一个网络节点导出所述多个性能度量中的至少一个性能度量的相应的节点性能评估阈值。
19.如权利要求18所述的设备,进一步可操作,使得根据所述多个性能度量中异常操作可归因于的至少一个性能度量,将所述多个数据集中被分类为异常的每个数据集进一步分类。
20.如权利要求18或权利要求19所述的设备,其中,所述多个性能度量包括多个计数器和多个关键性能指标KPI,所述多个KPI的相应值是基于所述多个计数器的相应值。
21.如任何前述权利要求17至20所述的设备,进一步可操作,使得根据所述多个网络节点中异常操作可归因于的至少一个网络节点,将所述多个数据集中被分类为异常的每个数据集进一步分类。
22.如任何前述权利要求17至21所述的设备,进一步可操作以:
在输出执行传输的指令之前,从所述至少一个网络节点获取包括所述至少一个网络节点的所述性能度量的相应值的第一数据集;
将所述至少一个网络节点的所述性能度量的所述相应值与所述节点性能评估阈值进行比较,以便确定所述多个网络节点被分类为正常的概率是否小于所述预定似然;以及
在所述多个网络节点被分类为正常的所述概率小于所述预定似然的情况下,输出警告。
23.如权利要求22所述的设备,进一步可操作以:
在所述多个网络节点被分类为正常的所述概率大于或等于所述预定似然的情况下,向所述至少一个网络节点输出执行传输的指令。
24.如权利要求22或权利要求23所述的设备,进一步可操作以:
在将所述相应值与所述节点性能评估阈值进行比较之前,将所述至少一个网络节点的所述性能度量的所述相应值与所述对应的常态阈值进行比较,以便将所述第一数据集分类为正常或异常;以及
在将所述第一数据集分类为异常的情况下,向网络运营商输出警告。
25.如权利要求22至24中任一项所述的设备,进一步可操作以:
在输出警告的情况下,调整与至少一个网络节点相关联的用户数量和/或调整通过所述至少一个网络节点路由的业务量。
26.如权利要求22至25中任一项所述的设备,进一步可操作以:
在所述多个网络节点被分类为正常的概率小于所述预定似然的情况下,通过调整所述至少一个网络节点的参数来更新所述至少一个网络节点的所述性能度量的所述相应值,所述参数与所述性能度量相关联,以便获取更新的数据集;以及
将所述更新的数据集的所述至少一个网络节点的所述性能度量的所述相应值与所述节点性能评估阈值进行比较。
27.如权利要求22至26中任一项所述的设备,其中:
所述第一数据集进一步包括所述至少一个网络节点的多个性能度量的相应值,并且所述设备可操作以为所述至少一个网络节点的所述多个性能度量中的至少一个性能度量导出相应的节点性能评估阈值;并且
将所述至少一个网络节点的所述性能度量的所述相应值与所述节点性能评估阈值进行比较包括:对于所述至少一个性能度量中的每个性能度量,将该性能度量的相应值与对应的相应的节点性能评估阈值进行比较。
28.如权利要求22至27中任一项所述的设备,其中:
所述至少一个网络节点包括所述多个网络节点中的每个网络节点;并且
根据所述多个性能度量中异常操作可归因于的至少一个度量和/或根据所述多个网络节点中异常操作可归因于的至少一个网络节点,将所述多个数据集中被分类为异常的每个数据集进一步分类,并且
所述设备进一步可操作以:在所述多个网络节点被分类为正常的所述概率小于所述预定似然的情况下,使用经过训练的机器学习算法来处理所述第一数据集,以便确定异常操作可归因于的至少一个性能度量和/或异常操作可归因于的至少一个节点。
29.如前述权利要求17至28中任一项所述的设备,其中:
所述多个网络节点是无线蜂窝电信网络的多个网络节点;并且
所述多个网络节点中的至少一个网络节点充当集成接入和回程IAB施主节点,并且所述多个网络节点中的其它网络节点充当IAB中继节点。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2019/076850 WO2021063514A1 (en) | 2019-10-03 | 2019-10-03 | Monitoring the performance of a plurality of network nodes |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114731524A true CN114731524A (zh) | 2022-07-08 |
Family
ID=68165547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980102715.9A Pending CN114731524A (zh) | 2019-10-03 | 2019-10-03 | 监测多个网络节点的性能 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220400394A1 (zh) |
EP (1) | EP4066531A1 (zh) |
CN (1) | CN114731524A (zh) |
WO (1) | WO2021063514A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116708208A (zh) * | 2023-08-07 | 2023-09-05 | 山东慧贝行信息技术有限公司 | 一种基于机器学习的网络数据传输态势预测方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210204151A1 (en) * | 2019-12-27 | 2021-07-01 | Cisco Technology, Inc. | Automatic labelling of data for machine learning algorithm to determine connection quality |
EP4311186A1 (en) * | 2022-07-18 | 2024-01-24 | EXFO Solutions SAS | Mobile network synchronization domain anomaly identification and correlation |
WO2024098331A1 (en) * | 2022-11-10 | 2024-05-16 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for analysing service performance data |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG10201407299RA (en) * | 2013-11-08 | 2015-06-29 | Accenture Global Services Ltd | Network node failure predictive system |
US20150333998A1 (en) * | 2014-05-15 | 2015-11-19 | Futurewei Technologies, Inc. | System and Method for Anomaly Detection |
WO2015185108A1 (en) * | 2014-06-03 | 2015-12-10 | Telefonaktiebolaget L M Ericsson (Publ) | Operational lifetime of communication network nodes |
US9900790B1 (en) * | 2016-12-08 | 2018-02-20 | Futurewei Technologies, Inc. | Prediction of performance indicators in cellular networks |
US10361935B2 (en) * | 2017-01-31 | 2019-07-23 | Cisco Technology, Inc. | Probabilistic and proactive alerting in streaming data environments |
US10482158B2 (en) * | 2017-03-31 | 2019-11-19 | Futurewei Technologies, Inc. | User-level KQI anomaly detection using markov chain model |
KR102187284B1 (ko) * | 2018-08-07 | 2020-12-04 | 엘지전자 주식회사 | 무선 통신 시스템에서 노드의 동작 방법 및 상기 방법을 이용하는 장치 |
EP3621242A1 (en) * | 2018-09-05 | 2020-03-11 | Deutsche Telekom AG | Method for an autonomic or ai-assisted validation or decision making regarding network performance of a telecommunications network and/or for an autonomic or ai-assisted troubleshooting or performance enhancement within a telecommunications network, telecommunications network, system, machine intelligence entity, visualization interface, computer program and computer-readable medium |
US20200233724A1 (en) * | 2019-01-17 | 2020-07-23 | NEC Laboratories Europe GmbH | Workload placement in a cluster computing environment using machine learning |
US10841821B2 (en) * | 2019-02-01 | 2020-11-17 | Hcl Technologies Limited | Node profiling based on combination of performance management (PM) counters using machine learning techniques |
-
2019
- 2019-10-03 WO PCT/EP2019/076850 patent/WO2021063514A1/en unknown
- 2019-10-03 EP EP19783494.8A patent/EP4066531A1/en active Pending
- 2019-10-03 CN CN201980102715.9A patent/CN114731524A/zh active Pending
- 2019-10-03 US US17/765,531 patent/US20220400394A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116708208A (zh) * | 2023-08-07 | 2023-09-05 | 山东慧贝行信息技术有限公司 | 一种基于机器学习的网络数据传输态势预测方法 |
CN116708208B (zh) * | 2023-08-07 | 2023-10-13 | 山东慧贝行信息技术有限公司 | 一种基于机器学习的网络数据传输态势预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021063514A1 (en) | 2021-04-08 |
EP4066531A1 (en) | 2022-10-05 |
US20220400394A1 (en) | 2022-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10785101B2 (en) | Automatically optimize parameters via machine learning | |
US11451452B2 (en) | Model update method and apparatus, and system | |
CN114731524A (zh) | 监测多个网络节点的性能 | |
US9179363B2 (en) | Systems and methods for determining a coupling characteristic in a radio communications network | |
CN110139325B (zh) | 一种网络参数调优方法及装置 | |
JP6097409B2 (ja) | Tddシステムにおけるdl/ulリソース設定方法及び装置 | |
WO2013138758A1 (en) | Support for asynchronous adaptation to uplink and downlink traffic demands for wireless communication | |
US20230362758A1 (en) | Methods and apparatuses for handover procedures | |
US11706642B2 (en) | Systems and methods for orchestration and optimization of wireless networks | |
WO2013044830A1 (zh) | 一种动态频谱管理的方法和装置 | |
US20210258808A1 (en) | Assessing the impacts of cellular network changes | |
GB2552945A (en) | Improvements in and relating to small cell discovery in a communication network | |
Farooq et al. | Machine learning aided holistic handover optimization for emerging networks | |
GB2536241A (en) | Self-organising network engine for per user optimisation in a telecommunications network | |
Manalastas et al. | A data-driven framework for inter-frequency handover failure prediction and mitigation | |
TW201503722A (zh) | 用於網路中負載平衡及干擾協調之方法及系統 | |
CN104105097A (zh) | 频率配置方法、频率配置装置和基站 | |
US20210337402A1 (en) | First network node, third network node, and methods performed thereby handling a maintenance of a second network node | |
EP3180935B1 (en) | Adaptive cell selection in heterogeneous networks | |
US20160255524A1 (en) | Communication monitoring system, communication monitoring method, and communication monitoring device | |
CN106688269B (zh) | 用于确定无线设备是否是由于负载平衡原因而切换到目标小区的合适候选者的无线电网络节点和方法 | |
Semov et al. | Autonomous learning model for achieving multi cell load balancing capabilities in HetNet | |
US20240179566A1 (en) | Method and device for performing load balance in wireless communication system | |
EP4369782A1 (en) | Method and device for performing load balance in wireless communication system | |
WO2023197245A1 (en) | Methods and apparatuses for an ai or ml based cco mechanism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |