一种基于BP神经网络的移动通信网络故障检测方法_常瑞莉.pdf

自动化技术与应用2023 年第 42 卷第 6 期计算机与通信技术Computer and Communication TechnologyTechniques ofAutomation&Applications一种基于BP神经网络的移动通信网络故障检测方法常瑞莉（青海建筑职业技术学院，青海 西宁 810012）摘要:考虑到当前通信网络故障检测方法因对通信信号的处理能力较差，导致其检测结果误差较大的情况，利用BP神经网络设计了新的移动通信网络故障检测方法。在构建未知故障检测器后，获取移动通信网络运行数据并对其进行初步筛选。然后使用BP神经网络提取网络故障特征，再使用反向传播算法，根据获取的信号数据以及故障特征构建BP神经网络故障检测模型，实现网络故障检测。实验结果表明：所设计的新型检测方法的检测结果误差较小且计算周期较短，证明其可以更好地完成对通信网络故障的检测。关键词:BP神经网络；移动通信网络；故障检测；异常信号检测；因子分析中图分类号：TP306+.3文献标识码:A文章编号:1003-7241(2023)06-0123-04Fault Detection Method of Mobile Communication NetworkBased on BP Neural NetworkCHANG Rui-li(Qinghai College ofArchitectural Technology,Xining 810012 China)Abstract:In this paper,a new fault detection method for mobile communication network is designed based on BP neural network.After theunknown fault detector is constructed,the operation data of mobile communication network is obtained and preliminallyscreened.Then,the BP neural network is used to extract the fault features of the network,and then the back propagation algo-rithm is used to construct the BP neural network fault detection model according to the acquired signal data and fault features torealize the fault detection of the network.Experimental results show that the new detection method designed in this paper has asmall error and a short calculation period,which proves that it can better complete the detection of communication network faults.Keywords:BP neural network;mobile communication network;fault detection;abnormal signal detection;factor analysis收稿日期:2021-11-22DOI:10.20033/j.1003-7241.（2023）06-0123-04.1引言随着移动通信网络为人们提供的服务种类逐渐增加，其发挥着越来越重要的作用。与传统通信网络相比，移动通信网络的结构更加复杂、规模更大且分布性较为分散1-2。由于网络的运行与维护难度较大，故障检测与处理方面需要设计出更加具有针对性的方法，帮助工作人员排查并解决故障问题。随着通信技术的不断革新，通信网络正逐渐朝向智能化发展。若要想保证通信网络安全有效运行，就必须对其加强管理，使移动互联网的故障管理工作更加科学、准确。其中，移动通信网络的故障检测是网络管理中十分重要的环节。故障检测是一种适用于网络运行、维护的前沿技术。将其应用到移动通信网络的管理中可降低人工成本、提高管理效果3。但当前使用的移动通信网络故障检测方法在部分环境中检测能力较差，亟需对其展开针对性的优化。基于Round-Robin协议网络化系统的故障检测，基于李雅普诺夫稳定性理论和线性矩阵不等式技术设计一种最优的故障检测滤波器，将数据仿真实验证明4，该方法具有一定的有效性，检测精度较高；基于NAWL-ILSTM的网络安全态势预测方法5，利用一种在线更新模型对长短期记忆网络LSTM改进，使该网络模型能够在线传输数据，提高预测模型的预测精度。除此之外，还利用Look-ahead方法对训练算法进行改进，加快了模型的收敛速度和训练速度。上述两种方法虽然可对通信网络的故障进行检测，但其检测精度与计算耗时仍然难以满足当前对网络管理技术的要求，并且文献方法的系统稳定性还有待考证，无法大规模推广应用。为此，在本次研究中提出了以BP神经网络为核心技术的网络故障检测方法，希望在当前方法的基础上，提升网络故障管理性能，为网络运维管理技术的发展提供理论支持。2BP神经网络的移动通信网络故障检测方法在设计故障检测方法前，对大量当前使用的通信网络故障检测方法进行全面分析，确定此部分故障检测方123计算机与通信技术Computer and Communication Technology自动化技术与应用2023 年第 42 卷第 6 期Techniques ofAutomation&Applications法的不足及其性能问题。针对分析结果，选用BP神经网络对其进行优化。本次研究中，将通信网络故障检测过程设定为3部分，从信号提取、故障特征提取以及故障诊断识别三个角度完成检测优化过程。2.1获取移动通信网络运行数据在本次设计的方法中，在获取网络信号数据时，构建未知故障检测器，通过此设计对网络运行状态进行初步筛选。因此，此检测器为自体检测形式6。在通信网络信号集合A中选择一个正常信号进入采集到的信号群体B进行随机映射，随机信号集合C为自体检测器获取信号集合。cij表示信号aij对异常信号x检测效果的影响参数，则有：(1)式中，fave表示平均异常概率7，fij表示亲和度函数，其计算过程可表示为：(2)(3)设置阈值，当cij时，预选信号进入检测信号中。对上述公式进行分析可以看出，信号获取以及检测效果是在执行的过程中由亲和度计算结果体现出来的。由于移动通信网络所包含的信号较多，仅靠少量的检测器是无法对大量信号数据进行分析的，为此，需要对上述检测器进行克隆。将上述检测器设定为q，则所产生的克隆集合为Q，克隆的数目与亲和度根据网络具体规模决定。同时，根据亲和度对检测器进行排序并将其划分为3个等级，则克隆后可采集检测的数据总量为：(4)(5)(6)(7)式中，q表示克隆总数；q1、q2以及q3表示检测其群体不同等级的克隆数目。根据此公式设定检测器个数，并使用其完成通信网络的初筛工作。2.2提取移动通信网络故障特征在获取通信网络信号数据后，使用BP神经网络提取其故障特征。为了提升故障特征的采集精度，使用历史故障数据作为蓝本来确定通信网络可能发生的故障类型。首先，将其隐层的输出设定为(1,2,n)，在计算收敛完成后，隐层第y个单元的输出可表示为：(8)式中，y=1,2,n；表示输入层与隐层之间的计算权重。此时，输出层第j个单元输出的oi可表示为：(9)式中，h=1,2,n；h表示计算过程中预先设定的阈值；表示隐层与输入层之间的计算权重。使用上述公式获取网络故障特征后，将得到的数据与特征进行对比，确定通信网络的安全性。由于数据类型的复杂性，在本次研究中使用小波变换技术8对信号进行处理，具体过程设定如下：设定小波变换窗口大小，将(t)设定为平方可积函数，则(t)W2(R)，若其为傅立叶变换()。则其使用过程需满足下述条件：(10)式中，(t)表示基本小波或小波母函数。对此函数进行平移或伸缩，可得到信号处理函数：(11)式中，g表示伸缩因子；k表示变换尺度因子；g,k(t)表示信号处理基函数。使用此部分函数，对采集到的信号进行处理，同时确定各故障的特征，为后续的检测工作提供基础。2.3构建BP神经网络故障检测模型根据上述设定内容，结合BP神经网络的反向传播算法，分析通信网络故障类型。根据已获取到的故障特征，可对网络信号进行识别与分割，并确定移动网络的运行状态9。根据此设计目标，将故障检测计算权重按照网络故障类型调整为：(12)式中，I表示信号样本数量；0 1为此计算过程中的步长；表示识别中的误差传输项10。对于输出层，此误差计算公式可设定为：(13)对于神经网络中的其他层，此误差可表示为：(14)BP神经网络在检测过程中的误差 可表示为：(15)124自动化技术与应用2023 年第 42 卷第 6 期计算机与通信技术Computer and Communication TechnologyTechniques ofAutomation&Applications在进行检测的过程中，预先设定 的取值范围。如误差超过此范围，将重新完成此部分计算过程；反之，输出此检测结果，确定移动网络的运行状态以及故障类型。3仿真实验分析3.1实验环境本次研究将以典型的通信网络为例，针对此网络中两个节点之间的连接故障进行检测，为了降低实验难度，选择节点故障为例完成实验分析过程。使用路由器节点与网络节点串口的部分故障样本，采用相关数据作为仿真实验的数据来源。选择节点中的状态变量作为实验输出项，将节点之间的故障设定为4类，正常运行状态1类，共计5种运行状态作为输出项。每当其出现对应的故障时，输出项取值为1，无故障时取值为0，此部分数据组成一组5位的二级制数据，将其作为实验模拟过程中的输入量与输出量。对移动通信网络进行数据采集，数据量较大且数据状态、类型均有不同，取值范围也较大。由于BP神经网络输入值需要控制在-1,1之间，且其状态需要符合相关规定才可以对新型网络故障检测方法的使用效果进行分析。为了有效利用数据，对采集到的数据进行预处理，完成数据编码，将其数据状态统一为0或1。处理后数据关系如表1所示。表1数据输入项对应关系数据序号S1S2S3S4S5S6S7S8S9S10S11S12数据项意义节点管理状态节点当前状态网络信息错报量网络信息丢包量链路协议状态平均输入流量平均输出流量出错数据包变化节点内部重启次数变化节点检测载波信号变化DCE数据CTR信号状态取值结果up=0,down=1up=0,down=1增加为1，无变化为0增加为1，无变化为0up=0,down=1有流量=1，无流量=0有流量=1，无流量=0增加为1，无变化为0增加为1，无变化为0增加为1，无变化为0DCE为0，DCE为1up=0,down=1根据上表中内容，将移动网络故障划分为下述类型：1)故障代码：XT01，故障决策：正常；故障代码：20000；2)故障代码：XT02，故障决策：管理性关闭；故障代码：02000；3)故障代码：XT03，故障决策：节点物理性故障；故障代码：00200；4)故障代码：XT04，故障决策：电缆故障；故障代码：00020；5)故障代码：XT05，故障决策：节点负荷量过大；故障代码：00002。将上述内容作为本次实验的准备环节以及基础，在上述内容的基础上，完成实验环节，并分析实验结果。3.2实验过程根据上述设定内容，训练采集到的数据，并将其作为实验数据进行仿真模拟。将采集到的信号数据设定相应的参数后，也可应用到实验的过程中。本次实验中使用的数据样本共计20组，现选取其中5组作为实验数据，具体数据如表2所示。表2仿真实验数据样本数据序号S1S2S3S4S5S6S7S8S9S10S11S12故障类型T1000100100000XT01T2011001010010XT03T3010110100111XT02T4100000000100XT05T5000101101101XT03本次实验中，设定检测训练次数为500次，学习效率为0.25，对表格中数据进行计算与处理。为了确定本文中提出的新型故障检测方法具有一定的研究价值，选择Round-Robin协议检测方法(方法1)与NAWL-ILSTM检测方法(方法2)与之进行对比，分析三者之间的差异性。3.3实验结果分析3.3.1故障检测误差实验结果分析图1故障检测误差实验结果使用选定的三种方法对故障进行检测，得到的故障125计算机与通信技术Computer and Communication Technology自动化技术与应用2023 年第 42 卷第 6 期Techniques ofAutomation&Applications类型检测结果如图1所示。观察图1可知，方法1与新型方法均可得到正确率较高的诊断结果，但新型方法相较于方法1计算速度较快，具有一定的优势。理想状态下，故障检测方法所输出结果为0或1，如不为整数时，将其四舍五入取整处理。在计算完成后，检测结果误差使用误差矩阵表示。矩阵中的元素样本a被检测为样本b的个数，具体误差矩阵如下所示：新型方法：(16)方法1：(17)方法2：(18)由误判矩阵预定义可知，在对角线上的元素为判断正确的，不在对角线上的元素为判断失误的情况。由此可知，新型方法的检测正确率为95.5%，方法1的检测正确率为90.2%，方法2的检测正确率为87.4%。根据此数据可知，本文中提出的新型方法的检测正确率较高。3.3.2故障检测收敛过程对比分析根据预设计算过程，得到各故障检测方法的计算收敛过程，具体如图2所示。图2不同方法故障检测收敛过程观察图2可知，同样达到故障检测目标且三种方法误差大致相同的前提下，新型方法仅需要进行5个周期便可达到收敛并输出结果，而方法1与方法2需要进行20个周期以上。由此可知，新型故障检测方法相较于其他两种方法具有高精度、高收敛速度的优点。综合上述实验结果可以看出，在多次实验中，本文中设计的新型方法的故障检测精度为95.5%，检测收敛速度较快，仅需要5个周期，两项指标均优于两种传统方法。实验结果证明了BP神经网络在通信网络故障检测中的作用，此方法可在当前故障检测方法的基础上，得到使用效果更加优异的检测方法，从而达到提升移动通信网络运维管理能力的目标。4结束语现代移动通信技术水平不断提升，通信网络的应用范围也在逐步扩大。在其功能性不断加强的同时，故障产生几率也随之提升，移动通信网络故障检测方法也就应运而生。与已有方法对比得出，文本方法检测正确率优，收敛速度高，具有较好的应用效果。本次研究由于技术与时间上的限制，仍存在少量问题，在后续的研究中还需对其进行完善与优化。参考文献:1 陈子兆,矫文成,孙慧贤,等.基于深度置信网络的通信控制设备故障诊断J.探测与控制学报,2020,42(2):86-91.2 李尚霖,姜顺,潘丰.传感器饱和约束下网络化系统的故障检测J.南京航空航天大学学报,2019,51(6):809-818.3 章子游,赵千川,杨文.基于网络演算的网络故障检测方法J.控制理论与应用,2019,36(11):1861-1870.4 汪浩,姜顺,潘丰.基于Round-Robin协议网络化系统的故障检测J.信息与控制,2019,48(5):595-602.5 朱江,陈森.基于NAWL-ILSTM的网络安全态势预测方法J.计算机科学,2019,46(10):161-166.6 马建,窦晓波,陈克绪,等.基于卡尔曼滤波算法的网络信息观测器设计J.电力自动化设备,2019,39(10):215-223.7 王硕,王培良.基于深层长短期记忆网络与批规范化的间歇过程故障检测方法J.计算机应用,2019,39(2):370-375.8 王涵,徐凌伟,廖建庆,等.多天线无线传感器移动通信网络的物理层安全性能J.传感技术学报,2019,32(2):304-308.9 余建平.信号识别下无线网络通信故障断点智能检测方法J.舰船科学技术,2019,41(12):130-132.10 张鹏,杜文祥,邸希元.含有扰动的无线传感器网络故障检测J.探测与控制学报,2020,42(4):54-58.作者简介:常瑞莉（1983-），女，硕士，副教授，研究方向：通信技术。126