论文部分内容阅读
以蜂窝网络和无线局域网络为主要接入方式的无线物联网,能够扩展固定物联网终端接入数量,提供更加灵活的组网方式。然而,庞大的网络规模与动态的无线网络环境,同时也极大地增加了无线物联网的运维难度和复杂度。传统以人工测量和分析为主的物联网运维方法,难以全面、准确和高效地保障无线物联网的正常运行。目前,业界已初步开展基于人工智能(Artificial Intelligence,AI)方法的无线物联网异常检测、诊断和预测研究,但是性能仍受限于以下原因:(1)无线物联网数据密度分布极不均匀,已有AI方法利用简单密度分析进行异常检测无法获得局部异常信息,且调整异常检测模型需要耗费大量时间,模型有效性差;(2)无线物联网数据感知周期短,数据的稀疏性与分布差异使得已有的AI方法难以建立异常诊断模型,且缺少标签数据无法进行快速异常诊断,建模难度高;(3)无线物联网数据具有突发性和记忆性,已有AI方法难以针对短期的突发异常流量进行精确预测,且预测时长有限,模型适应性差。为了应对上述挑战,本论文以分析无线物联网的数据特性为切入点,以机器学习和深度学习理论为基础,重点解决无线物联网智能运维中异常检测、诊断和预测问题。主要研究内容和创新归纳如下:1、基于自适应双层密度聚类的无线物联网异常检测方法针对无线物联网的异常检测问题,本论文提出一种基于自适应双层密度聚类的异常检测方法。首先,为了解决关键性能指标(Key Perfor-mance Indicator,KPI)数据密度分布极不均匀导致难以检测局部异常信息的问题,利用双层基于噪声密度聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)方法对KPI数据进行两次聚类。其中,首层聚类面向整体KPI数据进行全局异常信息检测,第二层聚类面向首层聚类结果中的不同簇进行局部异常信息检测,将两层聚类结果中的异常信息合并实现KPI数据的异常检测。其次,为了解决DBSCAN方法中人工调整参数降低异常检测模型有效性的问题,利用高斯核密度估计方法自动确定DBSCAN所需参数。实验结果表明,所提方法与传统单阈值方法相比可以有效提高异常检测效率和准确率,并降低异常检测虚警率。2、基于深度迁移学习的无线物联网异常诊断方法针对无线物联网的异常诊断问题,本论文提出一种基于深度迁移学习的异常诊断方法。首先,为了解决异常KPI数据稀疏且特征分布差异大而导致已有AI方法难以建立异常诊断模型的问题,利用卷积神经网络(Convolutional Neural Network,CNN)对KPI数据的高维特征进行提取,并且在此基础上构造最大均值差异模块,通过最小化KPI数据的特征分布距离实现域特征适配目标,从而可以利用具有差异特征分布的充足KPI数据辅助稀疏的异常KPI数据建立异常诊断模型。其次,为了解决无标签KPI数据无法快速进行异常诊断的问题,利用域对抗神经网络的生成器为无标签数据建立虚拟化标签,通过使判别器无法区分提取的特征属于真实或虚拟标签实现域特征迁移目标,从而可以利用有标签KPI数据对无标签KPI数据进行分类。实验结果表明,所提方法不仅可以解决已有AI方法难以建立异常诊断模型的问题,而且可以有效提升异常诊断准确率。3、基于集成神经网络的无线物联网异常预测方法针对无线物联网的异常预测问题,本论文提出一种基于集成神经网络的异常预测方法。首先,为了解决单维时间序列难以精确预测短期突发异常流量的问题,利用多维历史时间序列数据进行相似时间聚类,构造与预测日特征更为接近的训练数据集以解决短期历史时间序列中缺少突发异常流量特征信息而导致预测准确率低的问题。其次,为了解决多维时间序列数据预测步长有限的问题,设计一种基于卷积神经网络与长短期记忆网络结合的单维时间序列预测方法。其中,CNN可以对时间序列的空间性特征进行提取,长短期记忆网络可以对时间序列的连续性和记忆性特征进行提取,在提高单维时间序列预测准确率的基础上增加了预测步长从而实现长期预测目标。最后,利用集成学习方法在多个预测模型中选取最优模型进行预测,提高预测模型的稳定性和准确率。实验结果表明,所提方法在短期和长期预测中与已有AI方法相比均具有更高的预测准确率。本文根据无线物联网的数据特点,针对无线物联网智能运维中异常检测、异常诊断和异常预测所面临的挑战进行了深入的研究。所提方法可以有效克服已有AI方法应用于无线物联网中的缺点,改善已有AI方法的性能,为无线物联网更加智能化和主动化的运维提供了研究思路。