[发明专利]一种蜂窝网络中基于半监督统计的异常检测方法

说明书

本发明公开了一种蜂窝网络中基于半监督统计的异常检测方法，包括以下步骤：1)将被检测地区划分为a行b列的方格，其中，每一方格代表一块区域；2)读取各方格的数据文件，对各方格的数据文件进行预处理，得各方格对应的数据矩阵，选取任意一个数据矩阵作为待检测数据矩阵；3)对待检测数据矩阵进行分解，得训练集、交叉验证集及测试集；4)基于训练集计算特征均值μ_train、特征方差及训练集概率密度5)得最佳阈值ε；6)得测试集概率密度7)判断对应方格是否出现异常；8)直至遍历所有数据矩阵为止，完成蜂窝网络中基于半监督统计的异常检测，该方法能够对蜂窝网络中的异常进行检测。

技术领域

本发明涉及一种异常检测方法，具体涉及一种蜂窝网络中基于半监督统计的异常检测方法。

背景技术

2011年，全球每月数据流量达到400PB(petabyte)。而到2016年底，全球每月数据流量达到7.2EB(Exabyte)。这5年间，全球每月数据流量增长了18倍。预计从2016年到2021年，全球每月数据流量还会翻7倍，到2021年流量将达到49EB(Exabyte)。为了支持未来5G网络高性能的需求，可以通过利用毫米波频谱来获得更高的数据传输速率；可以通过引入超密集蜂窝网络增加蜂窝密度；可以通过利用认知无线电，实施大规模的多输入多输出(MIMO)提高容量和可靠性；还可以利用全双工(FD)收音机等等。这些技术和方式会使得数据急剧积累(即大数据)，将给网络带来更复杂的特性。

大数据不同于传统的数据。大数据是指在一定时间范围内无法有效利用现有常规技术管理和处理的数据集合。它的特点是大量、高速、多样、低价值密度和真实性。

数据科学或数据驱动研究是一个广泛的领域，它可以分析大数据，提取其所包含的有用信息以解决特定的问题。

机器学习是用数据或以往的经验来优化计算机程序的性能标准，以此来实现大规模数据(大数据)自动化分析和研究。

半监督学习是机器学习的一种，半监督学习使用两类数据：一类是少量的带有标记的数据，一类是大量的未标记的数据。

当前蜂窝网络的一种特殊情况是蜂窝中断，也称之为休眠蜂窝。这是由于基站不能向用户提供正常服务造成的。基站网络性能下降将导致用户不满，进而导致客户流失。这种特殊情况运营商很多时候不能及时发现，因为从网络的角度来看它仍然是可以运行的。所以当这种现象发生时，系统不会自动识别并报警。只有当不满的用户增多并进行投诉之后系统才会察觉，并且可能需要几个小时到几天的时间来检测和修复。这种缓慢低效的方式将不断增加运营开支。事实上，美国每年在单独管理蜂窝中断上的花费超过150亿美元。

随机接入信道(RACH)程序发生故障，基站侧负载过大、软件/固件问题，或发送故障、接受故障等都可能出现休眠蜂窝。因此，如果能自动快速检测出休眠蜂窝，就可以快速正确地采取补救措施，这一意义非常重大。异常的定义取决于应用领域和需要解决的问题。异常指的是一个明显偏离其规范的网络异常或不预期行为。它可能是一个休眠蜂窝或是流量活动突然激增的蜂窝。流量活动突然激增的蜂窝如果不及时采取措施，比如向感兴趣区域分配额外资源，则可能导致网络拥塞，为了解决上述问题，需要开发出一种方法，该方法能够对蜂窝网络中的异常进行检测。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种蜂窝网络中基于半监督统计的异常检测方法，该方法能够对蜂窝网络中的异常进行检测。

为达到上述目的，本发明所述的蜂窝网络中基于半监督统计的异常检测方法包括以下步骤：

1)将被检测地区划分为a行b列的方格，其中，每一方格代表一块区域；

2)读取各方格的数据文件，对各方格的数据文件进行预处理，得各方格对应的数据矩阵，选取任意一个数据矩阵作为待检测数据矩阵；

3)对待检测数据矩阵进行分解，得训练集、交叉验证集及测试集；