基于深度学习的4G网络干扰识别

基于深度学习的4G网络干扰识别

吕韶清伍洪斌

广东海格怡创科技有限公司广州广东中国510630

摘要：网络干扰是影响4G网络性能指标的重要因素，网优人员基于自身技术能力，在现场采用手工方式，对局部数据进行分析，提出优化方案并进行部署实施，存在服务过程不标准、技术能力不一致、容易出错、效率不高的问题。本文通过探究4G网络干扰成因，总结典型干扰的图形特征，提出基于人工智能深度学习的4G网络干扰识别技术，并阐述了使用监督学习的4G网络干扰识别过程，可以解决传统“手工作坊”式业务模式的各种瓶颈和问题，有助于打造网优服务新业态。

关键词：4G网络；深度学习；干扰识别

随着4G基站的全面建设，目前已形成了2G/3G/4G基站共存的局面，已建设的基站中，已发现大量的4G基站受到干扰。这些干扰主要包括2/3G小区对4G小区的阻塞、互调和杂散干扰，此外还有其他无线电设备，如手机信号屏蔽器带来的外部同频干扰。由于干扰小区数量庞大，逐个分析需耗费大量的人力资源，同时排查干扰难以直接通过后台分析结果，需进行现场排查。

1.相关概念介绍

1.1二维数据可视化技术

在4G网络的帧结构中，有资源块（ResourceBlock）的概念，而且RB是4G网络中资源调度的最小单位。一个资源块的带宽为180kHz，由12个带宽为15kHz的子载波组成，在时域上为一个时隙（0.5ms），所以1个RB在时频上实际上是1个0.5ms，带宽180kHz的载波。

以上关系其实也就是映射了RB与频率的关系，如果4G网络某频段的起始频率为f1，则编号为0的RB对应的频段是f1到f1+180KHz，编号为1的RB对应的频段是f1+180KHz到f1+2*180KHz，以此类推，编号为n的RB对应的频段是f1+n*180KHz到f1+（n+1）*180KHz。

由此，我们就建立了频域-信号强度与RB－信号强度的映射关系，并可以将“RB－信号强度”的二维数据以图形的形式表现出来，见图1。

图1上行干扰信号分析图

如上图，横坐标是资源块（RB）的序号，纵坐标是纵坐标为干扰电平值大小。

1.2干扰信号分析的特征研究

通过对大量上行干扰处理的研究，我们得出几种典型干扰的图形特征：

阻塞干扰一般为附近的无线电设备发射的较强信号被4G设备接收所导致，目前阻塞干扰主要为中国移动GSM900/1800及距离较近的其他运营商基站系统带来的。其干扰图形特征为：PRB级干扰呈现的特点是PRB10之前有一个明显凸起，凸起的PRB后没有明显的干扰波形。

互调干扰一般为附近的无线电设备发射的互调信号落在4G基站接收频段内造成的，现阶段发现的互调干扰主要为中国移动GSM900系统下行产生的二阶互调干扰了4G的F频段。其干扰图形特征为：有1个或多个很强的信号凸起。

杂散干扰是一个系统的发射频段外的杂散发射落入到另外一个系统接收频段内造成的干扰。杂散干扰直接影响了系统的接收灵敏度。其干扰图形特征为：干扰电平值呈现明显的左高右低或左低右高的频谱特性。

将移动通信系统之外的干扰源引起的干扰统称为外部干扰，常见的外部干扰包括：军区的通信系统、学校及社会考点的信号屏蔽装置、银行ATM机内警用信号干扰装置等。其干扰图形特征为：与干扰源同频的连续多个PRB同时受到干扰，且干扰电平值相同或相近。在图形上不表现为明显的尖峰凸起，而是连续的缓阶梯形状。

4G网内干扰指的是其他小区下的4G终端带来的干扰。我们知道4G采取的同频组网，且没有扰码功能，因此必然会存在同频干扰，当受干扰基站基站位置过高且天线下倾角较小时，只要覆盖方向有一定数量的4G终端，就很容易出现同频干扰。其干扰图形特征为：波形图上有多个干扰波峰。

1.3深度学习

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

在机器学习领域，主要有三类不同的学习方法：监督学习、无监督学习、半监督学习，不同的学习框架下建立的学习模型很是不同，在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。

2.深度学习下4G网络干扰识别

如何让计算机自动智能判断4G网络干扰类型，涉及到如何有效的应用机器学习来解决实际问题。

其中监督式学习由训练资料中学到或建立一个模式，并依此模式推测新的实例。训练资料是由输入物件和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）。让计算机自动智能判断4G网络干扰类型，本质上就是一个预测分类问题，符合监督学习输出。

监督学习模型卷积神经网络（简称CNN）主要应用在图像识别领域内，对于4G网络的干扰波形，4G小区某时的100个RB数据可以看作是10*10的图像像素灰度值，这样通过自定义CNN模型来识别4G网络干扰类型。

根据干扰数据，一个卷积层，一个池化层，和一个全连接层的结构如下图。

10*10的像素矩阵作为网络的输入层，用20个3*3的卷积核对原图像进行卷积运算得到20个具有不同特征的卷积层特征图，大小为8*8，，池化层选择2*2区域对卷积层结果进行降低维度结果为20个大小为4*4的特征图，全连接层100个神经元对池化层进行全连接，输出层有6个神经元，分别对应不同干扰类型。

CNN在本质上是一种输入到输出的映射，它能够学习大量的输入和输出之间的映射关系。对卷积网络加以训练，网络就具有了输入输出对之间的映射能力。卷积神经网络执行的是有监督的导师训练，所以样本集是由形如（输入向量，理想输出向量）的向量对构成。

深度学习下4G网络干扰识别主要包括如下的内容：

准备4G网络干扰数据集样本：4G网络干扰数据训练集和测试集定义、生成、加载。

神经网络模型自定义：生成自定义神经网络模型，使用CNN模型。

4G网络干扰数据训练：通过4G网络干扰数据训练集和测试集分别训练、测试自定义神经网络模型，并保存训练好的神经网络模型。

4G网络干扰类型判断：加载训练好的神经网络模型，通过输入的干扰数据自动预测判断干扰类型。

3监督学习4G网络干扰识别过程

Torch7科学计算框架提供了NN和DPNN神经网络包用于深度学习，Torch7提供易用高效的算法实现，得益于LuaJIT和一个底层的C实现。

监督学习中机器通过训练样本数据抽取数据特征，建立知识，因此首先要准备4G网络干扰数据训练样本。

在4G网络干扰识别过程中，通过每个小区某时的100个RB数据可以判断干扰类型，干扰类型主要分为：外部干扰（externalinterference）、硬件故障（hardwarefault）、2次谐波干扰（2_harmonicinterference）、杂散干扰（strayinterference）、阻塞干扰（barrageinterference）、FDD干扰（FDDinterference）。

训练资料是由输入物件和预期输出所组成，因此根据Torch7提供的张量（Tensor）数据访问方式，生成4G网络干扰数据训练集文件train.th7和测试集文件test.th7，每个文件的数据格式为

{

1：DoubleTensor-size：5000x1x10x10

2：IntTensor-size：5000

}

1：表示5000条4G网络干扰小区的RB数据（每条数据100个RB），这里每个小区的数据表示成1*10*10张量数据

2：表示5000条4G网络干扰波形对应的干扰类型，值为1，2，3，4，5，6分别表示外部干扰、硬件故障、2次谐波干扰、杂散干扰、阻塞干扰、FDD干扰

训练样本文件准备好后，利用Torch7提供的文件加载接口，实现训练样本文件数据的加载和归一化操作，转为可进行网络模型训练的对象。

4在实验中4G网络干扰识别效果

本实验模拟了几组不同数量的训练样本数，观察同一组人工智能网络模型的深度学习训练和测试效果，实验结果如下：

分析实验结果发现，训练样本数对实验准确度有比较明显的影响，训练样本数据越大，干扰分类识别的准确率越高。

5结论

通过人工智能深度学习的识别算法，建立各种典型干扰的匹配模型，实现4G网络干扰类型及优化建议方案的自动输出，采用“软件智能评估+现场排查”的模式，快速将干扰分类，快速有效定位4G网络干扰问题，针对干扰类型给出合理的优化方案，提升干扰监控、干扰排查、方便网络优化人员快速对干扰问题进行闭环处理，保障网络质量，实现网络质量的有效提升。

参考文献：

[1]季文君，王斌，何朵奇，王文鼐.基于非正交分簇的家庭蜂窝网络干扰协调方案[J].南京邮电大学学报（自然科学版），2016（01）.第36卷：59-63，70.

[2]齐一飞.宏蜂窝网络与高速铁路通信网络干扰共存抑制方案的研究[J].现代电信科技，2015（06）.第45卷：46-50.

[3]律会丽，侯永宏，刘伟男，汪清.适用于LTE网络的干扰谱估计方法[J].天津工业大学学报，2014（04）.第33卷：48-52，57.

[4]李中年，魏国兴.LTE上行干扰分析[J].通信技术，2010（12）.第43卷：47-50.