自组织网络中的故障诊断通常被建模为一个多分类问题,对于此类问题,数据驱动的机器学习是一个性能优异的解决方式。使用带故障原因的基站关键性能指标数据训练机器学习算法,从而得到故障诊断模型。研究表明通过这种方式获取高性能的诊断模型是可行的,但是当应用于现实中的故障诊断时,它存在两个问题:诊断模型获取成本高以及误诊带来的代价大。为了解决这两个问题,本文的主要贡献可以总结为以下两方面:1.提出了基于主动学习的网络故障诊断。该方案将主动学习引入到诊断模型的获取中,通过减少获取诊断模型所需的有标签样本的数量来降低模型获取的成本。通过查询策略的设计,每次从无标签样本中选择出最有信息量的样本交给专家标注,之后仅使用这些已标注样本训练机器学习算法以获取诊断模型。最后通过网络仿真器采集的数据对所提出方案的有效性进行了验证。2.提出了基于代价敏感主动学习的网络故障诊断。在上一个方案的基础上引入代价敏感,在查询策略设计的时候考虑诊断模型误分类所产生的代价,每次选择出可以使模型误诊代价最小的样本交给专家标注。实验结果表明,与基于主动学习的网络故障诊断算法相比,该算法不仅可以降低诊断模型获取的成本,还能降低诊断模型误诊的代价。此外,在数据量大的情况下,为了提高模型获取的效率,实现了该算法的分布式版本并使用分布式框架部署。