中国通信建设集团设计院有限公司第四分公司 河南 郑州 450000
摘要:随着5G技术的广泛应用,核心网的性能监控和异常检测变得至关重要。本文首先介绍了5G核心网的关键性能指标(KPI),然后详细阐述了异常检测的方法,包括基于阈值的检测、基于统计模型的检测以及基于机器学习的检测。最后,本文总结了各种方法的优缺点,并对未来的研究方向进行了展望。
关键词:5G核心网;KPI;异常检测;阈值检测;统计模型;机器学习
一、引言
5G网络作为新一代移动通信技术,以其高速度、低时延、大连接数等特点,为各行各业带来了前所未有的机遇和挑战。当前运营商网络中移动通信网络占据了极为重要的地位。我们通常认为移动通信网络可以视为如下几个部分组成:接入网、承载网、核心网,其中核心网是为用户提供移动性管理、计费管理及数据路由与交换等服务的网络实体单元[1][2]。核心网作为5G网络的重要组成部分,其性能直接影响到用户体验和网络质量。因此,对5G核心网的关键性能指标(KPI)进行实时监控和异常检测,对于保障网络稳定运行和提升用户满意度具有重要意义。
二、5G核心网KPI概述
KPI是衡量网络性能的关键指标,它反映了网络在不同维度的运行状况。5G核心网的KPI主要包括以下几个方面:
1.成功率类指标:如呼叫建立成功率、数据传输成功率等,反映了网络连接的稳定性和可靠性。
2.时延类指标:如呼叫建立时延、数据传输时延等,反映了网络响应的速度。
3.流量类指标:如用户数据吞吐量、网络负载等,反映了网络资源的利用情况。
通过对这些KPI的实时监控和分析,可以及时发现网络中的异常和故障,为网络优化和维护提供有力支持。
三、异常检测方法
基于阈值的检测
基于阈值的异常检测是一种简单而有效的方法。它根据历史数据和经验设定KPI的阈值,当实际KPI超过或低于阈值时,就判定为异常。这种方法实现简单,计算量小,但对于阈值设定的准确性和自适应性要求较高。
基于统计模型的检测
基于统计模型的异常检测利用统计学原理,对KPI数据进行建模和分析。常见的统计模型有均值-标准差模型、时间序列模型等。这种方法可以对KPI数据进行更深入的分析,发现一些基于阈值检测难以发现的异常。但是,它需要更多的历史数据和复杂的计算过程。
基于机器学习的检测
基于机器学习的异常检测利用机器学习算法,对KPI数据进行训练和学习,建立异常检测模型。常见的机器学习算法有支持向量机(SVM)、随机森林(Random Forest)等。这种方法可以自动学习和适应KPI数据的特征,提高异常检测的准确性和效率。但是,它需要大量的训练数据和计算资源,并且对于模型的维护和更新也有较高的要求。
图 1 随机森林流程图
评价指标
表1-1 混淆矩阵
真实值/预测值 | 正常状态样本 | 故障样本 |
正常状态样本 | TN | FN |
故障样本 | FP | TP |
借鉴电信领域相关的研究内容,核心网KPI异常检测可使用F1-score、A、P、R作为分类模型评价指标。如表1-1所示,根据模型对样本的预测结果分为TP、FP、FN、TN四种情况,基于四种预测类型计算实验准确率等指标,来观察预测各类预测结果占比。上述四种指标的计算公式如下:
(1-1)
(1-2)
(1-3)
(1-4)
四、方法比较与展望
各种异常检测方法各有优缺点,应根据实际场景和需求进行选择和应用。基于阈值的检测方法简单快速,适用于对实时性要求较高的场景;基于统计模型的检测方法能够发现更复杂的异常模式,但需要更多的历史数据和计算资源;基于机器学习的检测方法具有较高的准确性和自适应性,但需要大量的训练数据和专业的维护团队。
未来,随着5G网络的不断发展和普及,核心网KPI异常检测将面临更多的挑战和机遇。一方面,随着网络规模的扩大和复杂性的增加,异常检测需要更高的准确性和效率;另一方面,随着新技术和新方法的不断涌现,异常检测将有更多的选择和可能性。因此,未来的研究应关注如何提高异常检测的准确性和效率,以及如何更好地结合新技术和新方法进行异常检测。
五、结论
本文对5G核心网KPI异常检测进行了详细的分析和探讨。通过对基于阈值、统计模型和机器学习的异常检测方法的介绍和比较,发现各种方法各有优缺点,应根据实际场景和需求进行选择和应用。同时,也指出了未来研究的方向和挑战,希望能为相关领域的研究和实践提供有益的参考和借鉴。
参考文献:
[1] 王晓云. 5G技术与标准[M]. 北京: 电子工业出版社, 2019.
[2] 陈明, 缪庆育, 刘愔. 5G移动无线通信技术[M]. 北京: 人民邮电出版社, 2017.