CN116010808A - 基站检测方法、装置、电子设备和计算机存储介质 - Google Patents
基站检测方法、装置、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN116010808A CN116010808A CN202111217463.XA CN202111217463A CN116010808A CN 116010808 A CN116010808 A CN 116010808A CN 202111217463 A CN202111217463 A CN 202111217463A CN 116010808 A CN116010808 A CN 116010808A
- Authority
- CN
- China
- Prior art keywords
- base stations
- historical time
- network
- time periods
- relation attribute
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 72
- 238000004891 communication Methods 0.000 claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 31
- 239000013604 expression vector Substances 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013077 scoring method Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 3
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000003999 initiator Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本实施例公开了一种基站检测方法、装置、电子设备和计算机存储介质,该方法包括:获取多个历史时间段中每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据;根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图;获取所述网络关系属性图的全局表示向量;通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征;通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站。
Description
技术领域
本申请涉及网络质量检测技术,尤其涉及一种基站检测方法、装置、电子设备和计算机存储介质。
背景技术
随着数字化时代的到来,用户对网络的依赖也越来越强烈,运营商以4G(4thGeneration)/5G(5th Generation)流量业务以及语音通信等形式为用户提供着网络服务。但是随着用户网络需要的提升,对网络质量的要求也更为严格,网络质量问题直接影响了用户的满意度以及用户留存,如何优化网络质量、提升网络服务,是提升用户体验以用户存量的关键问题。
在相关技术中,难以准确地检测网络中存在的异常基站,进而,不利于对网络质量进行准确地优化。
发明内容
本申请实施例提供一种基站检测的技术方案,可以准确地检测网络中存在的异常基站,有于对网络质量进行准确地优化。
本申请实施例提供了一种基站检测方法,所述方法包括:
获取多个历史时间段中每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据;
根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图;获取所述网络关系属性图的全局表示向量;
通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征;
通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站。
在一些实施例中,所述获取所述网络关系属性图的全局表示向量,包括:
针对每个历史时间段的各基站间的网络关系属性图,提取所述网络关系属性图的特征;根据所述网络关系属性图的特征,以最大化所述网络关系属性图的全局表示向量和局部表示向量的互信息为目标,确定所述网络关系属性图的全局表示向量。
在一些实施例中,所述网络关系属性图的特征包括属性特征和结构特征。
在一些实施例中,所述根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图,包括:
根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,确定网络关系属性图中所述各基站的节点属性和所述各基站之间的连边;根据所述网络关系属性图中所述各基站的节点属性和所述各基站之间的连边,构建所述每个历史时间段的各基站间的网络关系属性图。
在一些实施例中,所述网络关系属性图为有向加权网络关系图。
在一些实施例中,所述通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征,包括:
将所述多个历史时间段对应的所述网络关系属性图的全局表示向量输入至训练完成的长短期记忆(Long Short-Term Memory,LSTM)网络,利用所述LSTM网络对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行处理,得到所述多个历史时间段所述网络关系属性图的变化特征。
在一些实施例中,所述通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站,包括:
对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,得到所述变化特征中的异常数据;在所述多个历史时间段的所述网络关系属性图,确定与所述异常数据对应的基站,将确定的所述基站作为所述异常基站。
在一些实施例中,所述对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,得到所述变化特征中的异常数据,包括:
根据预设的异常评分方法,对所述多个时间段所述网络关系属性图的变化特征进行异常评分,得到所述变化特征中各个数据的异常评分;
根据对所述变化特征中各个数据的异常评分的排序结果,确定所述变化特征中的异常数据。
本申请实施例还提供了一种基站检测装置,所述装置包括:获取模块、第一处理模块、第二处理模块和第三处理模块,其中,
获取模块,用于获取多个历史时间段中每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据;
第一处理模块,用于根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图;获取所述网络关系属性图的全局表示向量;
第二处理模块,用于通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征;
第三处理模块,用于通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站。
本申请实施例还提供了一种电子设备,包括处理器和用于存储能够在处理器上运行的计算机程序的存储器;其中,
所述处理器用于运行所述计算机程序以执行上述任意一种基站检测方法。
本申请实施例还提供了一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任意一种基站检测方法。
本申请实施例的技术方案中,首先,获取多个历史时间段中每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据;然后,根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图;获取所述网络关系属性图的全局表示向量;通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征;最后,通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站。
可以看出,本申请实施例可以根据每个历史时间段的各基站之间的通讯事件数据和各基站的流量使用数据,确定多个历史时间段所述网络关系属性图的变化特征,从而根据多个历史时间段所述网络关系属性图的变化特征进行异常基站的检测,由于每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据可以反映基站的客观运行状态,因此,多个历史时间段所述网络关系属性图的变化特征可以准确体现各基站在不同时间段的运行状态,从而,多个历史时间段所述网络关系属性图的变化特征,可以准确地反映在不同时间段存在的异常基站,从而有于对网络质量进行准确地优化,提升网络通讯服务质量。
附图说明
图1为本申请实施例的基站检测方法的流程图;
图2为本申请实施例的各基站之间的通讯连接示意图;
图3为本申请实施例的基站检测装置的组成结构示意图;
图4为本申请实施例的电子设备的结构示意图。
具体实施方式
随着人工智能技术的飞速发展,可以采用网络质量检测算法,对运营商的网络质量以细分区域的形式进行精准检测,从而确定网络潜在质量问题和网络故障问题,并为潜在的网络质量异常值排序提供评分,为网络质量优化提供修复优先排序结果。
在相关技术中,可以通过用户反馈和人工检测等方式发现网络故障问题,然后进行网络修复和优化,或者通过业务指标筛选后利用机器学习的方法进行训练和建模,分类判断网络质量,或者是通过网络故障事件预判网络状况。
但是,相关技术中的方案难以检测正常网络中由于某些使用高峰时刻网络待优化和的质量问题,导致用户因为网络质量不满意带来的用户流失和收益损失;例如,相关技术中的方案难以检测正常网络中由于某些使用高峰时刻网络导致出现的异常基站,对依次按基站的检测率较低。
针对相关技术存在的上述技术问题,提出本申请实施例的技术方案。
以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所提供的实施例仅仅用以解释本申请,并不用于限定本申请。另外,以下所提供的实施例是用于实施本申请的部分实施例,而非提供实施本申请的全部实施例,在不冲突的情况下,本申请实施例记载的技术方案可以任意组合的方式实施。
本申请实施例提供了一种基站检测方法,可以应用于电子设备中,电子设备可以包括终端和/或服务器。这里,终端可以是瘦客户机、厚客户机、手持或膝上设备、基于微处理器的***、可编程消费电子产品、网络个人电脑、小型计算机***,等等,服务器可以是服务器计算机***小型计算机***﹑大型计算机***和包括上述任何***的分布式云计算技术环境,等等。
终端、服务器等电子设备可以包括用于执行指令的程序模块。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务。计算机***/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算***存储介质上。
图1为本申请实施例的基站检测方法的流程图,如图1所示,该流程可以包括:
步骤101:获取多个历史时间段中每个历史时间段的各基站之间的通讯事件数据和各基站的流量使用数据。
本申请实施例中,各基站之间的通讯事件数据表示由不同的基站进行通讯交互得到的通讯事件数据;示例性地,参照图2,基站a、基站b、基站c、基站d和基站e表示不同的基站,在基站a、基站b、基站c和基站d中,任意两个基站之间存在通讯事件数据;基站b与基站e之间存在通讯事件数据。
示例性地,各基站之间的通讯事件数据表示以下至少一项:电话通讯、短信通讯;各基站之间的通讯事件数据可以是基于4G通讯网络、5G通讯网络或其它类型的通讯网络的通讯数据。
示例性地,每个基站的流量使用数据可以至少包括基站使用的流量大小。
在实际应用中,可以通过读取多个历史时间段各基站的工作日志,获取多个历史时间段中每个历史时间段的各基站之间的通讯事件数据和各基站的流量使用数据。
在一种实现方式中,可以获取基站的属性信息及使用情况,例如,可以获取基站覆盖范围、基站日均流量、日均通信次数、日均高峰信号使用人数等信息。
步骤102:根据每个历史时间段的各基站之间的通讯事件数据和各基站的流量使用数据,得出每个历史时间段的各基站间的网络关系属性图;获取网络关系属性图的全局表示向量。
示例性地,步骤102中得出每个历史时间段的各基站间的网络关系属性图的实现方式为:根据每个历史时间段的各基站之间的通讯事件数据和各基站的流量使用数据,确定网络关系属性图中各基站的节点属性和各基站之间的连边;根据网络关系属性图中各基站的节点属性和各基站之间的连边,构建每个历史时间段的各基站间的网络关系属性图。
本申请实施例中,可以根据每个历史时间段存在通讯行为的各基站,确定网络关系属性图中各节点,每个节点表示一个基站;可以根据每个历史时间段的各基站的流量使用数据、基站的属性信息,确定网络关系属性图中各基站的节点属性,这里,基站的节点属性可以包括基站的流量使用数据、基站编码、基站覆盖范围等,示例性地,基站的流量使用数据可以表示基站日均流量使用数据、基站日均通信次数、基站日均高峰信号使用人数。
本申请实施例中,可以根据每个历史时间段的各基站之间的通讯事件数据,确定网络关系属性图中各基站之间的连边,在实际应用中,如果两个基站之间存在通讯事件数据,则可以确定网络关系属性图中两个基站之间存在连边,反之,如果两个基站之间不存在通讯事件数据,则可以确定网络关系属性图中两个基站之间不存在连边;这里,两个基站之间的连边可以表示不同的用户通过两个基站发生的通讯社交关系。
示例性地,如果用户1与用户2通过基站a与基站b节点发生通讯行为,则确定基站a和基站b之间存在连边;如果基站b的用户和基站c的用户之间存在短信或5G消息的通信行为,则确定基站b和基站c之间存在连边。
显然,在确定网络关系属性图中各基站的节点属性和各基站之间的连边后,可以构建每个历史时间段的各基站间的网络关系属性图。
示例性地,网络关系属性图可以记为G,G=(V,E,W,A),V是网络关系属性图中的节点集合,E是是网络关系属性图中的连边集合,W是网络关系属性图中的各连边的权重构成的权重矩阵,A是网络关系属性图中的各节点的属性结合。例如,网络关系属性图中,节点v到节点v’的连边,可以用e(v,v’)表示,Wvv’是节点v和节点v’之间的连边的权重,权重代表节点间的关系程度,A中的av表示节点v的属性。
示例性地,由于各个基站间的连接亲密度是不同的,比如基站间发生的用户通讯次数如电话次数、5G消息的次数等,因此,可通过统计各种通讯社交方式的次数以及单位时间内的社交频次,计算得出网络关系属性图中的各连边的权重。
本申请实施例中,针对多个历史时间段中的每个历史时间段,均可以按照步骤102得出每个历史时间段的各基站间的网络关系属性图,从而可以得出多个历史时间段对应的网络关系属性图。
可以看出,本申请实施例可以根据各基站之间的通讯事件数据和各基站的流量使用数据,准确地确定网络关系属性图中各基站的节点属性和各基站之间的连边,从而准确地得出每个历史时间段的各基站间的网络关系属性图。
在一些实施例中,上述网络关系属性图可以是有向加权网络关系图。
在实际应用中,可以根据各基站之间的通讯事件数据的发起方和接收方,确定网络关系属性图中各基站之间的连边方向,例如,通话呼出行为是主动行为,如果通话信号不好,可能选择其他通讯方式代替,如流量传输的方式,这里,流量传输的方式可以是WIFI+视频,在这种情况下,可以根据通话呼出行为的发起方、流量传输的发起方等确定相应的连边的起始端,从而确定相应的连边的方向;通话呼入行为为被动行为,可以根据通话呼入行为的接收方,确定相应的连边的末端,从而确定相应的连边的方向。
可以看出,本申请实施例可以根据各基站之间的通讯事件数据,确定网络关系属性图中各基站之间的连边方向,进而能够使网络关系属性图更准确地描述各基站之间的通讯事件数据。
在一些实施例中,可以将基站按照区域进行划分,针对每个区域的各基站,可以执行步骤101至102,得出每个区域的各基站对应的网络关系属性图,从而便于后续对每个区域的各基站进行异常基站检测。
在一些实施例中,获取网络关系属性图的全局表示向量的实现方式可以包括:
针对每个历史时间段的各基站间的网络关系属性图,提取网络关系属性图的特征;根据网络关系属性图的特征,以最大化所述网络关系属性图的全局表示向量和局部表示向量的互信息为目标,确定网络关系属性图的全局表示向量。
示例性地,为了提取网络关系属性图的特征,可以首先利用图神经网络对网络关系属性图进行节点信息传播和信息拼接;节点信息传播和信息拼接的步骤可以通过公式(1)和公式(2)表示。
其中,表示第l层节点v的隐含表示,Neighbor(u)表示第l层节点u的邻居节点,表示第层节点的邻居节点的信息的汇聚,Neighbor(u)和可以根据G的邻接矩阵获取;aggregatel+1()表示第l+1层的聚合操作,combinel+1()表示第l+1层的更新操作。
本申请实施例中,在利用图神经网络对网络关系属性图进行节点信息传播和信息拼接,可以采用图注意力网络,针对节点信息传播和信息拼接的结果进行网络关系属性图的特征提取。
示例性地,可以将多个历史时间段对应的网络关系属性图视为动态变化的网络关系属性图;由于在动态变化的网络关系属性图中,除了节点具有实际意义和属性外,连边也具有实际的意义和属性,因此在设计网络结构、提取网络关系属性图的特征时,需要同时考虑连边的信息和节点的信息;在一种实现方式中,可以将每个历史时间段的各基站间的网络关系属性图,按照转化规则转化为对应的线图(line graph),从而获取以边为基本元素的网络;转化规则可以根据公式(3)得出:
其中,Eij表示线图中节点i与节点j之间的连边,ei,from表示网络关系属性图中边i的源节点,ei,to表示网络关系属性图中边i的目标节点。
本申请实施例中,则得出上述线图后,可以上述线图中提取出网络关系属性图的特征。
示例性地,上述网络关系属性图的特征可以包括属性特征和结构特征。
本申请实施例中,在得出网络关系属性图的特征后,可以通过一个读取函数从网络关系属性图的节点和连边的表示向量中获得网络关系属性图的全局表示,然后以最大化所述网络关系属性图的全局表示向量和局部表示向量的互信息为目标,进行最大化训练,得出网络关系属性图的全局表示向量。示例性地,为了能够提取网络关系属性图各个子图的异常特征,可以采用贪心读取方法,并网络关系属性图的连边进行采样,使得越可能异常的连边的信息被提取;如此,可以使各个子图中与网络关系属性图的整体相差最多的异常信息读取出来,使得各个子图的异常信息流入网络关系属性图的全局表示向量的表示空间中。
可以看出,本申请实施例中,以最大化所述网络关系属性图的全局表示向量和局部表示向量的互信息为目标,对网络关系属性图的特征进行处理,可以使最终得出的全局表示向量能够体现局部表示向量的特征,从而,最终得出的全局表示向量比较能够从整体上体现网络关系属性图的表示向量。
步骤103:通过对多个历史时间段对应的网络关系属性图的全局表示向量进行学习,得到多个历史时间段网络关系属性图的变化特征。
本申请实施例中,多个历史时间段网络关系属性图的变化特征表示:网络关系属性图的全局表示向量在多个历史时间段的变化信息。
步骤104:通过对多个历史时间段网络关系属性图的变化特征进行异常检测,确定各基站中的异常基站。
示例性地,可以对多个历史时间段网络关系属性图的变化特征进行异常检测,得到变化特征中的异常数据;在多个历史时间段的所述网络关系属性图,确定与异常数据对应的基站,将确定的基站作为异常基站。
可以理解地,由于多个历史时间段网络关系属性图表示不同历史时间段各基站之间的通讯事件和流量使用情况,并且,异常基站的通讯事件和流量使用情况通常于正常基站存在明显区别,因此,通过对多个历史时间段网络关系属性图的变化特征进行分析,可以确定多个历史时间段网络关系属性图的变化特征中的异常数据,从而根据多个历史时间段网络关系属性图,确定出异常数据对应的异常基站。
在实际应用中,步骤101至步骤104可以利用电子设备中的处理器实现,上述处理器可以为特定用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital SignalProcessing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、中央处理器(Central ProcessingUnit,CPU)、控制器、微控制器、微处理器中的至少一种。
可以看出,本申请实施例可以根据每个历史时间段的各基站之间的通讯事件数据和各基站的流量使用数据,确定多个历史时间段所述网络关系属性图的变化特征,从而根据多个历史时间段所述网络关系属性图的变化特征进行异常基站的检测,由于每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据可以反映基站的客观运行状态,因此,多个历史时间段所述网络关系属性图的变化特征可以准确体现各基站在不同时间段的运行状态,从而,多个历史时间段所述网络关系属性图的变化特征,可以准确地反映在不同时间段存在的异常基站,从而有于对网络质量进行准确地优化,提升网络通讯服务质量。
在一些实施例中,步骤103的实现方式可以是:将多个历史时间段对应的网络关系属性图的全局表示向量输入至训练完成的LSTM网络,利用LSTM网络对多个历史时间段对应的网络关系属性图的全局表示向量进行处理,得到多个历史时间段对应的网络关系属性图的变化特征。
本申请实施例中,LSTM网络的训练过程使用的损失函数可以通过公式(4)表示。
其中,yi表示第i时间段对应的网络关系属性图的全局表示向量,L2表示LSTM网络的训练过程使用的损失函数。
可以看出,该损失函数可以使第t时间段对应的全局表示向量yt与第t时间段之前的各时间段对应的全局表示向量的均值接近。
本申请实施例中,在对LSTM网络进行训练时使用的各个时间段对应的全局表示向量为样本数据,该样本数据是在没有异常基站的基础上得出的数据;这样,在基于训练完成的LSTM网络对将多个历史时间段对应的网络关系属性图的全局表示向量进行处理时,可以将存在异常数据的全局表示向量与其它时间段的全局表示向量进行区分,从而,在多个历史时间段对应的网络关系属性图的变化特征可以体现出存在异常数据的全局表示向量,为后续进行异常基站的检测提供准确的依据。
在一些实施例中,对多个历史时间段网络关系属性图的变化特征进行异常检测,得到变化特征中的异常数据的实现方式,可以包括:根据预设的异常评分方法,对多个时间段网络关系属性图的变化特征进行异常评分,得到变化特征中各个数据的异常评分;根据对变化特征中各个数据的异常评分的排序结果,确定变化特征中的异常数据。
本申请实施例中,预设的异常评分方法可以是数据流上的异常检测方法,例如,数据流上的异常检测方法可以是鲁棒随机切割森林(Robust Random Cut Forest,RRCF)方法或其它方法,采用RRCF方法可以对多个时间段网络关系属性图的变化特征进行处理,将异常数据从变化特征中提取出来。
示例性地,在得到对变化特征中各个数据的异常评分的排序结果后,可以从排序结果中选取大于预设阈值的数据作为异常数据,或者,可以从排序结果中选取出排在前m位的数据作为异常数据,m为设定的大于或等于1的整数;在实际应用中,预设阈值和m可以根据实际需求确定。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
在前述实施例提出的基站检测方法的基础上,本申请实施例提出了一种基站检测装置。
图3为本申请实施例的基站检测装置的组成结构示意图,如图3所示,该装置可以包括:获取模块300、第一处理模块301、第二处理模块302和第三处理模块303,其中,
获取模块300,用于获取多个历史时间段中每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据;
第一处理模块301,用于根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图;获取所述网络关系属性图的全局表示向量;
第二处理模块302,用于通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征;
第三处理模块303,用于通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站。
在一些实施例中,所述第一处理模块301,用于获取所述网络关系属性图的全局表示向量,包括:
针对每个历史时间段的各基站间的网络关系属性图,提取所述网络关系属性图的特征;根据所述网络关系属性图的特征,以最大化所述网络关系属性图的全局表示向量和局部表示向量的互信息为目标,确定所述网络关系属性图的全局表示向量。
在一些实施例中,所述网络关系属性图的特征包括属性特征和结构特征。
在一些实施例中,所述第一处理模块301,用于根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图,包括:
根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,确定网络关系属性图中所述各基站的节点属性和所述各基站之间的连边;根据所述网络关系属性图中所述各基站的节点属性和所述各基站之间的连边,构建所述每个历史时间段的各基站间的网络关系属性图。
在一些实施例中,所述网络关系属性图为有向加权网络关系图。
在一些实施例中,所述第二处理模块302,用于通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征,包括:
将所述多个历史时间段对应的所述网络关系属性图的全局表示向量输入至训练完成的LSTM网络,利用所述LSTM网络对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行处理,得到所述多个历史时间段所述网络关系属性图的变化特征。
在一些实施例中,所述第三处理模块303,用于通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站,包括:
对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,得到所述变化特征中的异常数据;在所述多个历史时间段的所述网络关系属性图,确定与所述异常数据对应的基站,将确定的所述基站作为所述异常基站。
在一些实施例中,所述第三处理模块303,用于对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,得到所述变化特征中的异常数据,包括:
根据预设的异常评分方法,对所述多个时间段所述网络关系属性图的变化特征进行异常评分,得到所述变化特征中各个数据的异常评分;
根据对所述变化特征中各个数据的异常评分的排序结果,确定所述变化特征中的异常数据。
实际应用中,获取模块300、第一处理模块301、第二处理模块302和第三处理模块303均可以利用计算机设备中的处理器实现,上述处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。
另外,在本实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(Processor)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
具体来讲,本实施例中的一种基站检测方法对应的计算机程序指令可以被存储在光盘,硬盘,U盘等存储介质上,当存储介质中的与一种基站检测方法对应的计算机程序指令被一电子设备读取或被执行时,实现前述实施例的任意一种基站检测方法。
基于前述实施例相同的技术构思,参见图4,其示出了本申请实施例提供的电子设备40,可以包括:存储器401和处理器402;其中,
所述存储器401,用于存储计算机程序和数据;
所述处理器402,用于执行所述存储器中存储的计算机程序,以实现前述实施例的任意一种基站检测方法。
在实际应用中,上述存储器401可以是易失性存储器(volatile memory),例如RAM;或者非易失性存储器(non-volatile memory),例如ROM,快闪存储器(flash memory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合,并向处理器402提供指令和数据。
上述处理器402可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述
本申请所提供的各方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的各产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的各方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (11)
1.一种基站检测方法,其特征在于,所述方法包括:
获取多个历史时间段中每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据;
根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图;获取所述网络关系属性图的全局表示向量;
通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征;
通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站。
2.根据权利要求1所述的方法,其特征在于,所述获取所述网络关系属性图的全局表示向量,包括:
针对每个历史时间段的各基站间的网络关系属性图,提取所述网络关系属性图的特征;根据所述网络关系属性图的特征,以最大化所述网络关系属性图的全局表示向量和局部表示向量的互信息为目标,确定所述网络关系属性图的全局表示向量。
3.根据权利要求2所述的方法,其特征在于,所述网络关系属性图的特征包括属性特征和结构特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图,包括:
根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,确定网络关系属性图中所述各基站的节点属性和所述各基站之间的连边;根据所述网络关系属性图中所述各基站的节点属性和所述各基站之间的连边,构建所述每个历史时间段的各基站间的网络关系属性图。
5.根据权利要求1或4所述的方法,其特征在于,所述网络关系属性图为有向加权网络关系图。
6.根据权利要求1所述的方法,其特征在于,所述通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征,包括:
将所述多个历史时间段对应的所述网络关系属性图的全局表示向量输入至训练完成的长短期记忆LSTM网络,利用所述LSTM网络对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行处理,得到所述多个历史时间段所述网络关系属性图的变化特征。
7.根据权利要求1所述的方法,其特征在于,所述通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站,包括:
对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,得到所述变化特征中的异常数据;在所述多个历史时间段的所述网络关系属性图,确定与所述异常数据对应的基站,将确定的所述基站作为所述异常基站。
8.根据权利要求7所述的方法,其特征在于,所述对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,得到所述变化特征中的异常数据,包括:
根据预设的异常评分方法,对所述多个时间段所述网络关系属性图的变化特征进行异常评分,得到所述变化特征中各个数据的异常评分;
根据对所述变化特征中各个数据的异常评分的排序结果,确定所述变化特征中的异常数据。
9.一种基站检测装置,其特征在于,所述装置包括:获取模块、第一处理模块、第二处理模块和第三处理模块,其中,
获取模块,用于获取多个历史时间段中每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据;
第一处理模块,用于根据所述每个历史时间段的各基站之间的通讯事件数据和所述各基站的流量使用数据,得出所述每个历史时间段的各基站间的网络关系属性图;获取所述网络关系属性图的全局表示向量;
第二处理模块,用于通过对所述多个历史时间段对应的所述网络关系属性图的全局表示向量进行学习,得到所述多个历史时间段所述网络关系属性图的变化特征;
第三处理模块,用于通过对所述多个历史时间段所述网络关系属性图的变化特征进行异常检测,确定所述各基站中的异常基站。
10.一种电子设备,其特征在于,包括处理器和用于存储能够在处理器上运行的计算机程序的存储器;其中,
所述处理器用于运行所述计算机程序以执行权利要求1至8任一项所述的方法。
11.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217463.XA CN116010808A (zh) | 2021-10-19 | 2021-10-19 | 基站检测方法、装置、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111217463.XA CN116010808A (zh) | 2021-10-19 | 2021-10-19 | 基站检测方法、装置、电子设备和计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116010808A true CN116010808A (zh) | 2023-04-25 |
Family
ID=86019734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111217463.XA Pending CN116010808A (zh) | 2021-10-19 | 2021-10-19 | 基站检测方法、装置、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116010808A (zh) |
-
2021
- 2021-10-19 CN CN202111217463.XA patent/CN116010808A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615116B (zh) | 一种电信诈骗事件检测方法和检测*** | |
US10846052B2 (en) | Community discovery method, device, server and computer storage medium | |
US9769190B2 (en) | Methods and apparatus to identify malicious activity in a network | |
CN111935143B (zh) | 一种攻击防御策略可视化的方法及*** | |
CN110365503B (zh) | 一种指标确定方法及其相关设备 | |
US20230146912A1 (en) | Method, Apparatus, and Computing Device for Constructing Prediction Model, and Storage Medium | |
CN110083507B (zh) | 关键性能指标分类方法及装置 | |
US20160232452A1 (en) | Method and device for recognizing spam short messages | |
US20230216737A1 (en) | Network performance assessment | |
Papadopoulos et al. | A novel graph-based descriptor for the detection of billing-related anomalies in cellular mobile networks | |
CN110046179B (zh) | 一种报警维度的挖掘方法、装置及设备 | |
CN113379176A (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
Rafique et al. | Application of evolutionary algorithms in detecting SMS spam at access layer | |
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN112566093A (zh) | 一种终端关系识别方法、装置、计算机设备及存储介质 | |
CN114071525B (zh) | 基站优化次序确定方法、装置及存储介质 | |
CN111368858B (zh) | 用户满意度评估方法及装置 | |
CN116010808A (zh) | 基站检测方法、装置、电子设备和计算机存储介质 | |
CN112765236B (zh) | 自适应异常设备挖掘方法、存储介质、设备及*** | |
CN111930808B (zh) | 一种利用键值匹配模型提高黑名单准确率的方法及*** | |
CN112307075B (zh) | 用户关系识别方法及装置 | |
CN117376084A (zh) | 故障检测方法、电子设备及其介质 | |
CN103455525A (zh) | 基于用户的搜索推广行为确定推广帐号状态的方法与设备 | |
CN108509560B (zh) | 用户相似度获得方法和装置、设备、存储介质 | |
CN116170537A (zh) | 一种信息处理方法、设备及存储介质 |
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 |