论文原文：A Graph Deep Learning-Based Fault Detection and Positioning Method for Internet Communication Networks
一种基于图深度学习的
互联网通信故障检测与定位方法
1 引言
新一代互联网在现代社会中，互联网接入的规模正在逐渐扩大。根据深度学习IC发布的最新报告，近一半已经成为网民[1]。互联网的不断普及也使计算机网络对我们的生活越来越重要。计算机网络已经开始渗透到我们生活的各个方面，如购物、医疗、工作等[2]。可以说，现在没有互联网，我们不能移动一步[3]。然而，随着互联网规模的普及和不断增长，网络的规模也变得相当大。网络拓扑也变得非常复杂[4]。这使得网络故障更有可能发生，而网络故障的损失比[5]越来越大。在许多情况下，即使是一个小网络节点的故障也会影响许多其他节点[6]的正常工作。
聚类一直是一个活跃的研究方向，并已成为解决[7]故障诊断问题的重要手段之一。常用的聚类算法包括k-均值算法和期望最大化（EM）算法，以及[8] 、[9]等。但这些算法都是建立在凸样本空间上的，不适合求解任意形状的聚类问题[10]。图深度学习算法是近年来提出的一种新的聚类算法。由于图形深度学习对数据分布[12]的形状没有严格的要求。它可以避免由高维特征向量[13]引起的奇异性。一些学者应用图深度学习方法解决了故障识别和诊断[14]的问题。例如，文献[15]使用最小-最大切线准则构造故障数据图分割[16]的目标函数。它使用k均值来改进在寻找最优分割点的过程中，以实现快速的故障状态识别[17]。
在参考[18]中，针对高数据维数和非线性度，采用自适应局部线性嵌入的方法对原始数据进行非线性降维。然后采用递归调用规范切割的方法对低维空间数据进行聚类。但是在解决故障诊断问题时，没有对收集的数据进行预先分析，聚类效果受到影响。此外，在集群的过程中还需要人为地确定集群的数量。这限制了算法的性能和应用范围。然而，在当今的异构网络环境中，基于人力分析的诊断方法将占用大量的人力和物力资源。对异构网络中更高效、更智能的故障诊断技术的探索和研究，必然成为这一领域的重要内容之一。
我们提出的故障检测方法试图将图的深度学习引入网络故障检测领域，以解决现有方法所没有解决的故障模式识别问题。通过将半监督思想与图深度学习算法相结合，启发式地引入了成对的约束条件。在数据相似度传播的基础上，对配对约束信息进行传播，并对原始相似度矩阵进行全局调整。在此基础上，进行了图深度学习，以提高聚类性能。在实际数据上的实验结果表明，本文提出的图深度学习算法的性能优于相关比较算法。同时表明利用该算法进行网络故障检测，表明该算法对网络故障识别是可行的。
本文的组织结构如下。文章的第一部分是引言。第二部分是相关的工作。第三部分是基于深度学习的通信网络故障检测与定位方法。第四部分是实验验证。第五部分是结论。
2 相关工作
当系统变得越来越复杂时，很难建立被检测对象[19]的数学分析模型。在这种情况下，基于信号的处理是非常有用的[20]。基于信号的处理方法利用相关设备，以数值计算[21]形式进行的信号进行采集、识别和处理。文献[22]侧重于细胞破坏的智能检测。针对异构网络的复杂性和脆弱性，作者观察并分析了时域关键性能指标的变化。并采用k-最近邻分类算法，实现了网络异常的自动检测。然而，该算法并没有考虑到两者之间的相关性与基站同时域内参数的相关性。
在文献[23]中，选择了一个综合的体验质量指数、语音质量和无线接入成功率来判断网络中是否存在异常。采用自组织映射和k-均值相结合的算法对异常数据点进行分类。文献[24]提出了一种针对异构网络故障识别的建模技术。首先列举异构网络中各故障的原因，然后根据这些原因建立故障树模型。最后，基于概率推理对故障进行分类进行故障定位。然而，随着异构网络中节点数的增加，网络组件之间的关系变得更加复杂，因此要获得准确的先验概率分布将是一个挑战，这将直接影响概率推理的准确性。
基于分析模型[25]、[26]的故障检测技术是最早的故障测技术，已经得到了最全面和系统的研究。根据输入值x和输出值y的测量结果解析模型方法构建相应的数学模型来生成网络系统的特征表示。通过将数学模型计算出的特征与测量到的特征进行比较实现故障检测。当系统变得越来越复杂时，很难建立被检测对象[27]的数学分析模型。在这种情况下，基于信号的处理非常有用。基于信号的处理方法是利用相关设备，以数值计算的形式对信号进行采集、识别和处理。分层异构网络中的基站具有多样性，不同类型基站采用的回程模式具有异质性。
由于公共网络也负责宽带网络用户的流量传输，因此在公共网络上很容易发生数据拥塞，从而降低了用户[28]的QoS。因此，在设计和规划回程网络时，我们不仅要考虑成本，还要考虑QoS。回程网络一般由无线网络和有线网络[29]组成。其他低功率基站可以以基站集群的形式与核心网络进行无线通信。
文献[30]提出了一种基于k-最近邻机器学习分类算法的服务中断监测方法。为了提高未来无线网络中的网络性能和用户体验，异构特性变得越来越明显。在复杂的网络结构下，对小区业务中断的监测面临着更多的困难。由于基站分布密集，如果一个低功率基站出现服务中断，用户可以很容易地切换到邻近的基站或宏基基站。为了更有效地检测小区服务中断，本文采用了机器学习的方法寻找基站故障的参数变化特征。
江等人。[31]，[32]给出了网络小区服务中断检测过程中的一组关键参数。他们指出，过多的参数影响了参数与故障之间的映射关系。因此，提出了一种基于核方法的降维方案来生成低维特征。文献[33]指出，关于纳米孔基站服务中断诊断的研究相对较少。本文提出了一种基于关联信息[34]协同过滤的网络中可疑症状检测的两阶段诊断框架。而在检测阶段，基于数据的顺序协同检测算法[35]完成了故障诊断。结果表明，该方法的检测精度较好，但检测延迟较大。
文献[36]采用马尔可夫链来完成故障诊断。以实际监测值的变化趋势与模型的预测趋势之间的差值比作为鉴别标准。在文献[37]中，采用双马尔可夫链模型来提高原模型的监测精度。但两者都根据阈值来判断最终诊断结果，需要确定合理的阈值进行研究。
图1 深度学习的通信网络故障监测模型架构图
综上所述，异构网络环境是解决未来网络容量激增的重要解决方案。异构网络结构复杂，网络组件之间存在着较多的约束条件。虽然行业和学术机构对异构网络故障诊断进行了一些研究，但网络故障诊断以保证网络运行质量仍将是未来的研究热点。
图2 通信网络故障检测与定位的网络架构
3 方案介绍
1. 网络通信网络特征嵌入的图深度学习
深度学习模型实际上是具有更多隐藏层的神经网络，通常有超过8或9层的隐藏层。图1为最简单的通信网络故障检测和定位方法的架构图。
（1）
其中，x为第i个神经元的输入，w为第i个神经元的连接权值，
为当前神经元的偏置，t为激活函数。误差反向传播算法，又称反向传播算法，是神经网络中最常用的更新模型参数的算法。
根据覆盖范围和传输功率的不同，低功率基站可分为Femto基站、Pico基站和中继节点。随着各种类型的低功耗基站的安装和使用，逐渐形成了密集的异构网络架构，如图2所示。
2. 故障检测与定位
深度学习模型实际上是具有更多隐藏层的神经网络，通常有超过8或9层的隐藏层。图1为最简单的通信网络故障检测和定位方法的架构图。
故障检测和定位的工作流程如图3所示。这部分负责描述其数学过程。在xjl的1层中，JTH神经元的输出计算为
故障诊断是虚拟网络故障管理的重要组成部分。通过监控网络链路和节点的参数，及时发现由故障组件引起的链路/节点症状，并将这些信息上报给管理系统。故障诊断的主要目的是准确地获取故障概率假设，快速地利用网络参数，并提供预警虚拟网络资源的故障重新分配，以确保网络服务的QoS。随着网络虚拟化技术的不断深入，网络故障诊断变得越来越重要。本章旨在利用物理网络和虚拟网络的历史故障数据参数来预测未来一段时期内网络故障的概率。根据神经元的结构，输入的激活向量为：
式中w为神经元连接之间传递的转移权值，x (t)为网络的输入向量，x（t−1）为外神经元在前一个时间点的输出向量和s（t−1）是神经元细胞在前一个时间点的状态。
图3 深度学习通信网络故障检测及定位模型流程图
基于图深度学习的计算机网络故障检测模型可以通过在检测过程中不断调整网络故障参数来实现。当计算机网络系统出现问题时，会影响计算机系统的正常运行。基于图深度学习的计算机网络故障检测方法的应用主要是在计算机网络系统故障前自动检测整个计算机系统，寻找故障可能发生的位置。
我们基于反向传播算法对网络参数进行了更新。基于LSTM的网络故障诊断方法的具体实现步骤如下：
步骤1：在对网络参数进行分析的基础上，收集网络数据，完成预处理，并对训练数据集和测试数据集进行划分。
步骤2：完成网络故障的一次热编码。
步骤3：建立图深度学习故障诊断模型，并随机进行网络各层参数的初始化。
步骤4：通过前向反馈计算输出标签，计算LSTM神经网络的损失函数，根据反向传播算法将误差值反向转移，并更新网络的权值。使用预定义的迭代次数重复此步骤。
步骤5：保存网络参数，用测试数据集中的样本来测试训练图的深度学习性能。此外，为了防止过拟合，在本章的训练中设置了提前停止。停止条件是不再减少网络训练过程模型在测试数据集上的损失函数，然后停止网络训练过程，输出上一轮训练参数值。
4 实验与结果分析
这一部分对实验数据进行了模拟。为了更好地比较图深度学习与误差基线学习，假设80000的实验数据是正常的，30%是异常的，即满足30%的误差基线。训练集是kddcup.10_percent_corrected，并且测试集被修正。由于训练集和测试集中的数据量过多，我们只从kddcup中随机选择了10万条记录。data_10_percent_corrected为训练集，其中80000个正常，20000个异常。同样，随机选择30000条记录作为训练集，其中24000条正常，6000条异常。选择数据时，尝试为每个异常的数据。这里只涉及正常或异常类型，无论例外时的特定异常类型如何。标准深度学习与图形深度学习的比较结果如表1所示。主成分分析的降维结果如图4所示。柱状矩形表示单个主成分的贡献率，折线表示累积贡献率。显然，序列数越低，主成分的单一贡献就越小，对累积贡献率的影响也就越小。一般情况下累计贡献率不小于96%的，为被认为是一个更令人满意的结果。当数字当主成分为7时，累计贡献率达到98.45%。
表1标准深度学习和图深度学习实验比较
当没有提供成对的约束（约束对数为0）时，所有算法的CRI都很小。随着约束对数量的增加，图深度学习算法的CRI对新甲状腺数据的CRI下降，但其他算法在所有数据集上的CRI都有一定程度的提高。这表明，大多数算法的聚类性能随着约束数量的增加，聚类性能逐渐提高。
改进后的图算法比经典的图算法具有更好的聚类性能。在数据集方面，该算法的性能优于其他算法，特别是在(2)类数据集方面。这也说明了本文中的算法对数据集的敏感性较小，且该算法具有较高的稳定性和鲁棒性，如图5所示。
基于深度学习图的计算机网络故障检测方法和传统的网络故障检测方法的实验结果如图6所示。水平坐标为故障检测的时间，纵坐标为故障检测的精度。从图6可以看出，基于图深度学习的计算机网络故障检测方法可以快速准确地检测计算机网络故障，而传统计算机网络故障检测方法的准确性随着检测时间的增加而增加，因此需要大量的检测时间来保证准确性。实验结果表明，该检测方法是有效的。
图5 深度学习算法CRI指标结果
图6 深度学习算法验证结果
图7 不同算法故障诊断精确率比较
图7为五种不同算法经过多次迭代平均后的故障诊断精度的比较。故障诊断的准确性是指正确诊断信息占诊断总数的百分比。从图中可以看出，当迭代次数较小时，KNN的精度要高于其他算法。这是因为图深度学习算法中的权值和偏差参数远远高于kNN算法。需要多次迭代来更新这些初始参数，所以在开始时精度会很低。随着迭代次数的增加，两阶段图的精度深度学习算法在这一章远远高于KNN算法，达到96.5%，略低于纯图深度学习算法，而IRBFG算法的精度只能达到92%。传统的SBM算法的精度很低，因为它假设先验概率遵循beta分布，而且在复杂的异构网络中也很难获得准确的先验条件概率。
在图中进行深度学习的实验结果如表2所示。表的第一行只使用枚举后的31维数据，并使用标准的SVM进行训练。第二个练习使用经过数值和归一化后的31维数据，并使用标准的SVM进行训练。第三个练习使用经过数值、归一化和降维后的23维数据，并使用标准的SVM进行训练。第四个练习也使用了处理后的23维数据，并使用了本文提出的图形深度学习算法进行训练。
表2 运行时间实验结果
文章来源：https://www.toymoban.com/news/detail-844578.html
5 总结
本文提出了一种基于图深度学习的两阶段故障诊断算法。该算法首先通过结合互信息来降低网络特征参数的维数，并选择最优的特征组合。然后，通过计算时间序列数据的分布相似性，初步筛选出网络中的可疑故障单元。最后，利用基于图深度学习的故障诊断模型对可疑故障单元的故障原因进行了定位。在分析异构无线网络故障原因的基础上，针对异构无线网络的复杂结构，由于影响网络故障的因素较多，无线资源有限，采用最小冗余和最大相关法选择对节点影响较大的网络参数，并监测网络参数时序分布的变化特征，以减少消耗。仿真结果表明，该方法具有低检测延迟和故障诊断精度高。在设计网络故障检测系统时，本文将所有数据归一化到范围[0,1] ，没有考虑数据的具体含义，忽略了不同特征可能具有不同程度的事实对最终结果的影响。如果将不同的属性归一化到不同的范围内，或者根据数据的具体含义将不同的权重添加到不同的属性中，则检测效果可能会更好。文章来源地址https://www.toymoban.com/news/detail-844578.html
到了这里，关于【论文阅读】一种基于图深度学习的互联网通信故障检测与定位方法的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
