關(guān)于智能運(yùn)維中KPI異常檢測(cè)與預(yù)測(cè)的研究

陳云爍?符繁強(qiáng)

摘要：業(yè)務(wù)性能指標(biāo)（key performance indicator，KPI）異常檢測(cè)是網(wǎng)絡(luò)智能運(yùn)維中的底層核心技術(shù)，對(duì)網(wǎng)絡(luò)故障發(fā)現(xiàn)和修復(fù)具有重要意義。針對(duì)智能運(yùn)維中KPI異常檢測(cè)和異常預(yù)測(cè)問題，使用數(shù)據(jù)特征分析、相關(guān)性分析、多元線性回歸分析、機(jī)器學(xué)習(xí)等方法，分別建立KPI異常值檢測(cè)差與標(biāo)準(zhǔn)差模型、KPI異常值預(yù)測(cè)多元線性回歸模型、KPI異常值預(yù)測(cè)RBF神經(jīng)網(wǎng)絡(luò)模型（RBF—Radial Basis Function），并通過構(gòu)建評(píng)估指標(biāo)模型對(duì)模型預(yù)測(cè)的優(yōu)劣進(jìn)行判斷，給出運(yùn)營(yíng)商基站KPI核心指標(biāo)的異常孤立點(diǎn)、異常周期以及異常值預(yù)測(cè)。

關(guān)鍵詞：異常檢測(cè)；異常預(yù)測(cè)；差與標(biāo)準(zhǔn)差；回歸模型；RBF神經(jīng)網(wǎng)絡(luò)模型

一、問題描述

異常檢測(cè)（異常診斷/發(fā)現(xiàn)）、異常預(yù)測(cè)，是智能運(yùn)維中首當(dāng)其沖需要解決的問題[1]。這類問題是通過業(yè)務(wù)、系統(tǒng)、產(chǎn)品直接關(guān)聯(lián)的KPI業(yè)務(wù)指標(biāo)進(jìn)行分析診斷，本文以運(yùn)營(yíng)商基站KPI的性能指標(biāo)為研究數(shù)據(jù)，研究三項(xiàng)核心指標(biāo)。

第一項(xiàng)指標(biāo)：小區(qū)內(nèi)的平均用戶數(shù)，表示某基站覆蓋的小區(qū)一定時(shí)間內(nèi)通過手機(jī)在線的平均用戶人數(shù)；

第二項(xiàng)指標(biāo)：小區(qū)PDCP流量，通過小區(qū)PDCP層所發(fā)送的下行數(shù)據(jù)的總吞吐量（比特）與小區(qū)PDCP層所接收到的上行數(shù)據(jù)的總吞吐量（比特）兩項(xiàng)指標(biāo)求和到，表示某基站覆蓋的小區(qū)在一定時(shí)間內(nèi)的上下行流量總和；

第三項(xiàng)指標(biāo)：平均激活用戶數(shù)，表示某基站覆蓋的小區(qū)在一定時(shí)間內(nèi)曾經(jīng)注冊(cè)過無線網(wǎng)絡(luò)的平均人數(shù)。

異常檢測(cè)問題：利用提供的研究數(shù)據(jù)，判斷所有小區(qū)的異常孤立點(diǎn)和異常周期以及時(shí)間周期的選擇標(biāo)準(zhǔn)。

異常預(yù)測(cè)問題：根據(jù)檢測(cè)出的異常值，建立異常值前的數(shù)據(jù)預(yù)測(cè)模型，分析預(yù)測(cè)未來是否發(fā)生異常數(shù)值。

二、模型假設(shè)

1.假設(shè)題中給定的數(shù)據(jù)真實(shí)有效；

2.假設(shè)提供數(shù)據(jù)中異常數(shù)據(jù)只存在少部分；

3.假設(shè)運(yùn)營(yíng)商基站所覆蓋的區(qū)域恒定。

三、符號(hào)說明

符號(hào)及解釋如表1。

四、異常檢測(cè)問題模型的建立與求解

（一）異常檢測(cè)問題分析

利用KPI性能指標(biāo)對(duì)小區(qū)內(nèi)的平均用戶數(shù)、小區(qū)PDCP流量、平均激活用戶三項(xiàng)關(guān)鍵指標(biāo)分析異常檢測(cè)問題。

將小區(qū)PDCP層所發(fā)送的下行數(shù)據(jù)的總吞吐量（比特）小區(qū)PDCP層所接收到的上行數(shù)據(jù)的總吞吐量（比特）兩個(gè)指標(biāo)進(jìn)行整合得到小區(qū)PDCP流量，提取數(shù)據(jù)時(shí)間、基站編號(hào)、小區(qū)編號(hào)、小區(qū)內(nèi)的平均用戶數(shù)、小區(qū)PDCP流量、平均激活用戶數(shù)進(jìn)行數(shù)據(jù)重構(gòu)。

引入差與標(biāo)準(zhǔn)差的倍數(shù)，用來分析異常值，定義：若數(shù)據(jù)差與標(biāo)準(zhǔn)差的倍數(shù)大于2倍以上，則該數(shù)據(jù)稱為異常數(shù)據(jù)，判斷三個(gè)關(guān)鍵指標(biāo)的異常孤立點(diǎn)和異常周期。

（二） KPI異常值檢測(cè)差與標(biāo)準(zhǔn)差模型

1.差與標(biāo)準(zhǔn)差的倍數(shù)

以小區(qū)內(nèi)的平均用戶數(shù)為例，計(jì)算出其對(duì)應(yīng)的差與標(biāo)準(zhǔn)差的倍數(shù)，其余指標(biāo)小區(qū)PDCP流量，平均激活用戶按照相同方法操作。

其中，表示第個(gè)小區(qū)第個(gè)數(shù)據(jù)的差與標(biāo)準(zhǔn)差的倍數(shù)，表示第個(gè)小區(qū)第個(gè)數(shù)據(jù)的值，表示第小區(qū)指標(biāo)平均值，=1，2，3，…，58。=1，2，3，…，。

2.異常值與非異常值判斷

其中，表示異常值的判斷值，表示異常值，表示非異常值。

（三）時(shí)間周期分析

由于數(shù)據(jù)中提供的小區(qū)個(gè)數(shù)多、時(shí)間跨度長(zhǎng)，本文隨機(jī)選取三個(gè)小區(qū)9天的數(shù)值作為展示，分別選取260190015、26019039、26019057小區(qū)的三個(gè)核心指標(biāo)數(shù)值作數(shù)據(jù)可視化處理分析其周期性。

通過指標(biāo)可視化分析圖觀察可知三個(gè)小區(qū)關(guān)鍵指標(biāo)均存在異常值，針對(duì)不同場(chǎng)景的運(yùn)維雖然會(huì)混合多個(gè)時(shí)間間隔的數(shù)據(jù)，但具備時(shí)序性特點(diǎn)，均為隨時(shí)間變化而變化。小區(qū)內(nèi)的平均用戶數(shù)小區(qū)、平均激活用戶、PDCP流量三項(xiàng)核心指標(biāo)呈上下起伏的周期變化，為此選取小區(qū)內(nèi)的平均用戶數(shù)、小區(qū) PDCP流量、平均激活用戶數(shù)時(shí)間周期均為1天。

（四）異常孤立點(diǎn)、異常周期的檢測(cè)

將已處理的數(shù)據(jù)用差于標(biāo)準(zhǔn)差的模型計(jì)算小區(qū)核心指標(biāo)的相應(yīng)倍數(shù)，求出以26019015、26019039、26019057小區(qū)的一段時(shí)間中小區(qū)內(nèi)的平均用戶數(shù)作為展示和分析。

若一段時(shí)間內(nèi)只有一個(gè)異常點(diǎn)則為一個(gè)異常孤立點(diǎn)，在一天的時(shí)間周期中出現(xiàn)多個(gè)異常值則為異常周期。將除以2分別得到，的值。

可求出小區(qū)在異常點(diǎn)的總數(shù)， =1，2，3，…，58。=1，2，3。以一天為時(shí)間周期標(biāo)準(zhǔn)從00：00—23：00時(shí)間段中出現(xiàn)多個(gè)異常點(diǎn)屬于異常周期，則異常周期的個(gè)數(shù)，見表2。

五、異常預(yù)測(cè)問題模型的建立與求解

（一）數(shù)據(jù)處理

根據(jù)58個(gè)小區(qū)提供的數(shù)據(jù)對(duì)所有指標(biāo)進(jìn)行相關(guān)性分析[2]，篩選出與小區(qū)內(nèi)的平均用戶數(shù)小區(qū)、平均激活用戶、PDCP流量三個(gè)關(guān)鍵性指標(biāo)相關(guān)性較強(qiáng)的指標(biāo)因子。

三項(xiàng)關(guān)鍵性指標(biāo)相關(guān)系數(shù)最高的指標(biāo)數(shù)據(jù)，例如：平均激活用戶數(shù)與最大激活用戶數(shù)、空口上報(bào)全帶寬 CQI為12的次數(shù)、MR 測(cè)量上報(bào) RSRP 在 Index4 區(qū)間的次數(shù)的相關(guān)性都比原數(shù)據(jù)中其他指標(biāo)數(shù)據(jù)較高，將三項(xiàng)關(guān)鍵性指標(biāo)的相關(guān)系數(shù)較高的指標(biāo)數(shù)據(jù)提取出來重復(fù)異常值步驟，為求解異常預(yù)測(cè)，做好數(shù)據(jù)處理。

（二）KPI異常值預(yù)測(cè)多元線性回歸模型

多元線性回歸分析是通過確定因變量與自變量，分析因變量與自變量之間關(guān)系的一種方法，進(jìn)而確定變量間滿足的方程[3]。本文將問題中所提供的數(shù)據(jù)進(jìn)行劃分，前500條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，用于訓(xùn)練變量之間存在的關(guān)系，剩余數(shù)據(jù)用于測(cè)試數(shù)據(jù)訓(xùn)練的效果，關(guān)于小區(qū)平均用戶數(shù)、平均激活用戶、小區(qū)PDCP流量三個(gè)關(guān)鍵性指標(biāo)的多元線性回歸分析情況如下：

1.將平均激活用戶數(shù)作為因變量，將上文中篩選出與平均激活用戶數(shù)相關(guān)關(guān)系較強(qiáng)的指標(biāo)作為自變量，使用EXCEL進(jìn)行多元線性回歸分析。

得到多元線性回歸模型，如下：

1=0+11+22+33 （4）

其中， 0=0，1=0.45， 2=0.21，3=0.16。

2.將小區(qū)PDCP流量作為因變量，將上文中篩選出與小區(qū)PDCP流量相關(guān)關(guān)系較強(qiáng)的指標(biāo)作為自變量，使用EXCEL進(jìn)行多元線性回歸分析。

可得到多元線性回歸模型，如下：

2=0+1 1+2 2+3 3+4 4+5 5 （5）

其中，0=0，1=0.25，2=0.14，3=0.09，3=0.29，3=0.18。

3.將小區(qū)內(nèi)的平均用戶數(shù)作為因變量，將上文中篩選出與小區(qū)內(nèi)的平均用戶數(shù)相關(guān)關(guān)系較強(qiáng)的指標(biāo)作為自變量，使用EXCEL進(jìn)行多元線性回歸分析。

可得到多元線性回歸模型，如下：

3=0+11+22+…+1111+1212 （6）

其中，0=0.01，1=0.03，2=-0.08，3=0.01，4=-3.31，5=3.55，6=-0.30，7=-0.004，8=-0.02，9=0.10，10=0.01，11=0.07，12=0.93。

上述方程（4）、方程（5）、方程（6）可以實(shí)現(xiàn)對(duì)未來時(shí)段三個(gè)關(guān)鍵指標(biāo)數(shù)據(jù)的變化趨勢(shì)進(jìn)行預(yù)測(cè)，以26019039小區(qū)的PDCP流量為例，將第500條之后的5個(gè)數(shù)據(jù)指標(biāo)（UE緩存為空的最后一個(gè)TTI所傳的上行PDCP吞吐量、扣除使UE緩存為空的最后一個(gè)TTI之后的上行數(shù)、平均激活用戶數(shù)、最大激活用戶數(shù)、MR測(cè)量上報(bào)RSRP在Index4區(qū)間的次數(shù)）代入方程（5），計(jì)算出預(yù)測(cè)值，現(xiàn)對(duì)指標(biāo)預(yù)測(cè)情況與原始數(shù)據(jù)進(jìn)行展示，如圖1所示。

（三）預(yù)測(cè)評(píng)估指標(biāo)模型

為檢驗(yàn)構(gòu)建的模型預(yù)測(cè)效果是否好，現(xiàn)構(gòu)建預(yù)測(cè)評(píng)估指標(biāo)模型對(duì)建立的KPI異常值預(yù)測(cè)多元線性回歸模型的優(yōu)劣進(jìn)行判斷。

以26019039號(hào)小區(qū)為例，分別計(jì)算小區(qū)內(nèi)的平均用戶數(shù)、平均激活用戶數(shù)、小區(qū)總 PDCP 流量的F1值。

根據(jù)建立的多元線性回歸模型，所求出的模型評(píng)估值 F1 得出該模型針對(duì)小區(qū)內(nèi)的平均用戶數(shù)指標(biāo)預(yù)測(cè)效果較好，但平均激活用戶數(shù)、小區(qū)總PDCP流量指標(biāo)的預(yù)測(cè)效果明顯欠佳，為此我們考慮再采用RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行求預(yù)測(cè)。

（四）KPI異常值預(yù)測(cè)RBF神經(jīng)網(wǎng)絡(luò)模型

RBF神經(jīng)網(wǎng)絡(luò)是將RBF高斯核函數(shù)應(yīng)用于神經(jīng)網(wǎng)絡(luò)的一種模型，RBF神經(jīng)網(wǎng)絡(luò)通常只有三層，第一層是輸入的各個(gè)指標(biāo)原始數(shù)值，即輸入層；中間的隱含層是多個(gè)高斯核函數(shù)，每個(gè)高斯核函數(shù)都以一個(gè)樣本點(diǎn)或者一個(gè)聚類中心作為高斯核函數(shù)的參數(shù)。經(jīng)過隱含層，數(shù)據(jù)相當(dāng)于經(jīng)過了非線性的變化；之后在第二層和第三層之間采用線性輸出，利用線性加權(quán)的方法將隱含層的數(shù)據(jù)輸出到輸出層，作為最終的預(yù)測(cè)結(jié)果[4-5]。

將三個(gè)關(guān)鍵性指標(biāo)作為因變量，對(duì)應(yīng)三個(gè)關(guān)鍵指標(biāo)相關(guān)性較高指標(biāo)作為自變量[6-7]，構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，將前200條預(yù)測(cè)結(jié)果與原始數(shù)據(jù)進(jìn)行展示。

由于在異常判斷時(shí)，數(shù)據(jù)的差與標(biāo)準(zhǔn)差的倍數(shù)得到的值采取了萬分位四舍五入進(jìn)行計(jì)算，為此使用RBF神經(jīng)網(wǎng)絡(luò)模型時(shí)會(huì)產(chǎn)生較小的偏差，為減小誤差，本文作如下定義。

閥函數(shù)：當(dāng)預(yù)測(cè)的指標(biāo)數(shù)據(jù)與原始數(shù)據(jù)差的絕對(duì)值小于或等于0.05時(shí)，表示該預(yù)測(cè)的結(jié)果合理。

閥函數(shù)：? ? ? ? ? ? ? ? |- |≤0.05 （7）

其中，為原始數(shù)據(jù)，為預(yù)測(cè)數(shù)據(jù)，，=1，2....，n。

使用F1值對(duì)RBF 神經(jīng)網(wǎng)絡(luò)模型的優(yōu)劣進(jìn)行判斷，通過使用RBF神經(jīng)網(wǎng)絡(luò)模型得到的F1值都在70%以上，將多元線性回歸模型與RBF神經(jīng)網(wǎng)絡(luò)模型F1值的數(shù)據(jù)對(duì)比，見表3。

從表3可以看出，RBF神經(jīng)網(wǎng)絡(luò)模型的模型評(píng)估值F1值遠(yuǎn)優(yōu)于多元線性回歸模型，因此RBF神經(jīng)網(wǎng)絡(luò)模型更適合KPI指標(biāo)的預(yù)測(cè)。

六、模型評(píng)價(jià)

KPI異常檢測(cè)與異常預(yù)測(cè)是智能運(yùn)維中最核心的問題。本文通過對(duì)數(shù)據(jù)進(jìn)行特征分析，針對(duì)異常檢測(cè)問題，提出了KPI異常值檢測(cè)差與標(biāo)準(zhǔn)差模型，解決了尋找異常孤立點(diǎn)、異常周期問題；針對(duì)異常預(yù)測(cè)問題提出了KPI異常值預(yù)測(cè)多元線性回歸模型、KPI異常值預(yù)測(cè)RBF神經(jīng)網(wǎng)絡(luò)模型，使用評(píng)價(jià)指標(biāo)模型判斷出兩個(gè)模型的優(yōu)劣，解決了異常預(yù)測(cè)問題。但智能運(yùn)維中的異常檢測(cè)無法完全避免故障的發(fā)生，只能通過提高系統(tǒng)的穩(wěn)定性和可靠性，減少故障對(duì)系統(tǒng)的影響。因此，在智能運(yùn)維中，需要不斷地完善技術(shù)手段和提高算法的精度，采用多種方法相互協(xié)作，才能實(shí)現(xiàn)更精確、可靠的異常預(yù)測(cè)。

參考文獻(xiàn)

[1]陳倩，戴躍偉，劉光杰.面向智能運(yùn)維的KPI異常檢測(cè)模型研究[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2022，36（06）：181-188.

[2]李軍紅，李付慶，范建民.統(tǒng)計(jì)學(xué)[M].南京：南京大學(xué)出版社，2020.

[3]陳佳佳.面向成分?jǐn)?shù)據(jù)的回歸分析研究[M].武漢大學(xué)出版社，202008.157.

[4]張澤旭.神經(jīng)網(wǎng)絡(luò)控制與MATLAB仿真[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2011.

[5]孫永謙，張茹茹，林子涵，等.KPI異常檢測(cè)方法評(píng)估[J].數(shù)據(jù)與計(jì)算發(fā)展前沿，2022，4（03）：46-65.

[6]王速，盧華，汪碩，等.智能運(yùn)維中KPI異常檢測(cè)的研究進(jìn)展[J].電信科學(xué)，2021，37（05）：42-51.

[7]張圣林，林瀟霏，孫永謙，等.基于深度學(xué)習(xí)的無監(jiān)督KPI異常檢測(cè)[J].數(shù)據(jù)與計(jì)算發(fā)展前沿，2020，2（03）：87-100.