Deep RAN：一种基于循环卷积神经网络、可扩展的数据驱动平台用于检测现网蜂窝网络异常
信号处理
2019-11-13 v1 机器学习
网络与互联网体系结构
摘要
本文提出一种新颖算法，基于循环神经网络（RNN）与卷积神经网络（CNN）相结合的循环卷积神经网络（R-CNN），检测现网蜂窝网络中关键参数指标（KPI）方面的异常。CNN建模空间相关性与信息，而RNN建模时间相关性与信息。本文所研究的蜂窝网络包含2G、3G、4G与4.5G技术，KPI包括小区的话音与数据流量。数据与话音流量对无线网络所有者极为重要，因其直接关系到用户所体验的收入与服务质量。这些流量变化由若干原因引起：用户因特殊事件导致行为改变、邻站开通或退服，或将流量切换至其他技术（如从3G切至4G）。传统上，为保持网络稳定，需在每一间隔逐层观察流量以检测KPI重大变化，在大规模电信网络中这过于耗时且异常检测精度低。而所提算法能够以高时效与高精度检测网络各单元的异常KPI。其观察流量层趋势并将其分类为8类流量：正常、突增、渐增、突降、渐降、故障站、新站与退服站。该分类任务使设备商与运营商能检测现网中的异常，以保持KPI正常趋势。算法在含超过25000个小区的真实蜂窝网络数据集上训练与测试。
引用
@article{arxiv.1911.04472,
title = {Deep RAN: A Scalable Data-driven platform to Detect Anomalies in Live Cellular Network Using Recurrent Convolutional Neural Network},
author = {Mohammad Rasoul Tanhatalab and Hossein Yousefi and Hesam Mohammad Hosseini and Mostafa Mofarah Bonab and Vahid Fakharian and Hadis Abarghouei},
journal= {arXiv preprint arXiv:1911.04472},
year = {2019}
}
备注
6 pages,