基于神经网络的TD-LTE移动通信网络故障诊断系统的设计与实现

时间：2024-05-04

唐建华+谢志军

【摘要】针对网络优化中的故障诊断工作，设计并实现了一种TD-LTE网络故障诊断系统。该系统采用神经网络来构建故障诊断模型，进行故障诊断，输出诊断结果和解决方案，实现了网络故障诊断智能化。最后根据系统的运行结果论证了设计的可行性和可实现性，可以有效地减轻网络优化人员的工作负担，降低网络运行商的网络维护成本。

【关键词】TD-LTEKPI故障诊断

中图分类号：TP311文献标识码：B文章编号：1006-1010(2014)-10-0067-07

Design and Implementation of Fault Diagnosis System Based on Neural Network for the TD-LTE Mobile Communication Network

TANG Jian-hua, XIE Zhi-jun

(School of Information Science and Engineering, Ningbo University, Ningbo 315021, China)

[Abstract] According to the fault diagnosis in network optimization, a fault diagnosis system based on neural network for the TD-LTE mobile communication network is designed and implemented in this paper. The system builds fault diagnosis model using neural network to output diagnosis results and solutions, achieving intelligent fault diagnosis for mobile communication network. The system operation result demonstrates that the proposed design is feasible and realizable. The system not only effectively reduces workloads of network optimization technicians, but decreases the network maintenance costs for network operators.

[Key words]TD-LTEKPIfault diagnosis

1 引言

移动通信已从第一代模拟移动通信系统发展到第四代移动通信系统，第四代移动通信系统主要包括FDD-LTE和TDD-LTE[1]两大制式。移动通信网络的测试优化是完善和保障网络质量的关键，已成为移动通信网络运营商的重要日常工作。完善TD-LTE网络服务，保障TD-LTE网络质量对TD-LTE网络的后续发展至关重要。

在实际的网络故障诊断过程中会遇到各种各样的问题和现象，这些问题和现象的产生是复杂的，并且与无线环境息息相关，仅仅通过测试软件的测试和分析是远远不够的，还需要网络优化工程师大量的工作经验的支持。好的网络故障诊断系统有助于网络工程师准确定位或预测网络中存在的问题，以便及时对这些问题进行处理。但是网络的测试数据是繁杂且交互的，不同的测试数据所代表的网络状况不同，相同的测试数据在不同的无线环境下也会产生不同的网络状况或故障，两者之间无法用特定的、准确的数学模型来描述，大多数情况只能依靠网络工程师的经验来综合判断[2]。

鉴于此，本文设计并实现了一种TD-LTE移动通信网络故障诊断系统，系统通过对TD-LTE网络的测试数据进行分析，并结合网络优化工程师的经验预测网络故障或者诊断已出现的网络故障。TD-LTE移动通信网络故障诊断系统可辅助TD-LTE网络工程师进行日常的TD-LTE网络测试、优化工作，减轻工作负担，降低网络运营商的网络运维成本，有助于TD-LTE网络的建设和发展。

2 相关工作

早期对蜂窝无线网络的自动诊断研究主要关注警报关联[3]，尽管警报关联被认为是故障诊断的第一步工作，但它并没有提供确定的信息来识别故障的原因。特别地，当故障原因可能不仅仅包括设备故障，还包括其他方面故障（如干扰、弱覆盖等）时，如果不考虑网络的性能指标是很难识别出故障的真正原因的。

研究者们也提出了一些用于蜂窝网络的自动诊断系统。在文献[4]中，一种朴素贝叶斯分类器被用于UMTS网络的故障自动诊断。研究者们也提出了支持连续KPI参数的贝叶斯分类器，它证明了BNs不仅可以表示离散变量，还可以表示连续变量。连续和离散BN诊断系统[5]的对比研究显示，在有大量训练案例的情况下，连续模型可以获得更高的诊断准确率和对不精确模型参数较低的敏感度。不过，离散模型在训练集有限的情形下优先考虑。文献[6]和[7]把贝叶斯网络作为蜂窝网络自动诊断的推理方法。在这些文献中，性能指标被模式化为离散的随机变量，并且这些方法也在真实的GSM/GPRS网络中进行了试验。然而在文献[6]和[7]中，诊断模型的参数（性能指标的离散化值的概率和阈值）被诊断专家指定了。

文献[8]在一个模拟的CDMA2000网络的故障检测和诊断中研究并比较了一些竞争型神经网络算法。文献[9]展现了作者在3G移动网络中运用一种叫做自组织映射网络的NN变型网络来分析小区性能数据强化传统的人工故障诊断流程的结果，该方法能有效地根据小区的性能聚类小区，这有助于网络专家更好地进行故障诊断和参数优化。文献[10]提出了一种新的综合的故障检测和诊断框架，框架通过监测网络的无线测量值和其他性能指标，并把它们与网络正常的无线测量值和性能指标作比较，来检测网络异常，诊断是基于通过识别和学习先前的故障案例在不同的性能指标上特有的影响度来实现的。这种诊断框架已经被在一个LTE系统中通过采用包含人造故障的概念验证仿真进行了评估，评估结果证明了该框架的可行性。

3 系统设计

TD-LTE网络故障诊断系统用于检测和记录TD-LTE网络系统的性能，运行时监视通信系统各个阶段的故障状况，以便网络维护人员如实掌握TD-LTE网络的工作情况。系统总体结构如图1所示。

系统主要由用户登录模块、数据管理模块、模型管理模块、故障诊断模块、系统管理模块等组成。其中，故障诊断模块包括网络故障诊断模块和设备故障诊断模块。

用户登录模块负责系统使用的安全性，避免非法用户的使用；数据管理模块负责系统与外部数据进行交互，完成TD-LTE网络测试数据和网络优化专家经验数据的采集、管理功能；网络故障诊断模块和设备故障诊断模块都由故障诊断、诊断结果两部分组成，网络故障诊断模块负责分析TD-LTE移动通信网络的运行状态、诊断网络出现的问题并给出优化方案，而设备故障诊断模块负责TD-LTE移动通信网络硬件设备的故障诊断；模型管理模块包括诊断模型设计、诊断模型训练和诊断模型维护三部分，可用来构建各种专项诊断的诊断模型，供网络故障诊断模块和设备故障诊断模块调用；系统管理模块负责对系统的用户数据进行管理，确保系统的安全使用。系统采用数据管理模块数据库中的网优专家经验数据，作用于诊断模块的诊断模型，训练诊断模型，抽取数据库中的TD-LTE网络KPI[11]数据，作用于网络故障诊断模块，分析、诊断网络的性能和状态。

endprint

系统首先通过数据管理模块完成数据采集与统计，然后通过网络故障诊断和设备故障诊断模块进行数据分析、设备状态测试、网络状态测试，抽取数据库中的数据和模型管理模块中的模型，对问题进行综合分析、定位网络故障，并给出故障信息和优化方案。系统工作流程如图2所示。

3.1用户登录模块

用户登录模块用来确保系统的安全使用，避免非法用户的使用，是用户使用系统的门户。用户登录模块主要由用户名、密码和用户身份三部分组成。用户输入用户名、密码和身份信息，系统再根据用户名调取系统数据库中的用户表信息进行登录验证。若信息正确，则用户进入系统主界面，可根据用户身份获得相应权限使用系统；若信息错误，则提醒用户。

3.2数据管理模块

数据管理模块是TD-LTE网络故障诊断系统中的一个重要模块，它负责系统与外部数据进行交互，采集诊断系统所需数据并对这些数据进行管理。数据管理模块主要由数据采集接口、数据存储、数据查询、数据修改、数据删除五部分组成。其中，数据采集主要用来采集网络测试数据、设备测试数据、诊断经验知识和故障信息这四种数据；数据存储主要用来存储采集的数据到系统数据库中。

系统首先采集测试数据、样本数据到系统数据库，然后通过数据管理模块对数据进行管理。数据管理模块的主要工作流程是：先利用数据采集接口采集诊断系统所需数据，存入系统数据库相应的数据表中，再对数据库相应的数据表中的数据进行管理，包括新增、查询、修改和删除等操作。

3.3故障诊断模块

故障诊断模块分为网络故障诊断模块和设备故障诊断模块。网络故障诊断模块主要针对TD-LTE无线网络侧的故障进行诊断；设备故障诊断模块主要针对TD-LTE系统中的硬件设备故障进行诊断。

（1）网络故障诊断模块

网络故障诊断模块的主要功能是对网络进行故障诊断，给出诊断结果。网络故障诊断模块主要包括诊断数据获取、数据分析、模型接口和故障诊断。

诊断数据获取子模块用来根据用户设置的过滤条件获取系统数据库中的网络测试数据；数据分析子模块用来对获取的网络测试数据进行处理和分析，数据处理是把数据标准化为诊断模型的输入格式数据，数据分析是把取得的网络测试数据以曲线图、柱状图等方式分析，让用户对本次诊断的数据有一个直观地了解；模型接口子模块用来获取诊断模型管理模块中的诊断模型进行故障诊断；故障诊断子模块用来对网络测试数据进行故障诊断，它把经过数据分析子模块分析处理后的标准数据作用于诊断模型进行故障诊断，给出诊断结果和诊断报告，诊断结果包含网络无故障在内，诊断结果数据可导出。

网络故障诊断模块的主要工作流程是：网络故障诊断模块首先根据用户设置的数据过滤条件利用诊断数据获取数据库中的测试数据，然后通过诊断数据分析子模块进行数据处理和分析，呈现分析结果并将处理后的数据作用于故障诊断子模块，故障诊断子模块再通过诊断模型接口调用诊断模型，对数据进行诊断并呈现诊断结果。

（2）设备故障诊断模块

由于设备故障诊断模块的组成部分和工作流程基本与网络故障诊断模块相同，因此本文不再赘述。

3.4模型管理模块

TD-LTE网络故障诊断系统采用神经网络来构建故障诊断模型，它具有很好的容错性和鲁棒性，能充分逼近任意复杂的非线性关系，可在故障症状和故障原因之间构建BP神经网络模型进行故障诊断。

模型管理模块主要用来对故障诊断模型进行管理，包括诊断模型设计、诊断模型训练、诊断模型维护（存储、查询、修改、删除）等主要功能模块。其中：

诊断模型设计是指专家用户根据专家经验知识、已有故障案例和TD-LTE网络建设的实际情况，确定诊断模型的输入层、输出层、隐藏层。在诊断模型的设计中，输入层节点笔者选用TD-LTE网络KPI来表示（如RSCP、CQI等），这里的KPI是一种广义的KPI，在设备故障诊断中也可由设备的各种状态参数来表示；输出层节点用故障类别来表示，每一个输出层节点代表一种故障（如过覆盖、弱覆盖、干扰、终端问题等）；隐藏层节点个数由系统根据输入层和输出层节点个数自动调整设计。

诊断模型训练是指根据用户设置的训练参数对诊断模型进行训练，训练参数包括误差范围、学习速率、动量因子等，用户可在设置界面输入。

诊断模型存储包括诊断模型设计结果存储和诊断模型训练结果存储，前者是指把设计好的诊断模型的输入层节点、输出层节点保存在系统数据库中，后者是指把训练结果即神经网络的权值和阈值保存在系统数据库中；诊断模型查询是指用户查询系统已存在的诊断模型；诊断模型修改是指对模型的输入层节点、输出层节点和训练参数的修改；诊断模型删除是指删除构建好的诊断模型。

模型管理模块的主要工作流程是：模型管理模块首先根据专家用户设计的故障诊断模型保存设计到系统数据库中，然后根据专家用户设置的训练参数，调用数据管理模块中的训练数据进行训练，待训练完成后把训练结果保存到系统数据库中，故障诊断模块可直接调用诊断模型进行故障诊断，无需再对诊断模型进行训练。

在TD-LTE通信网络后续的优化中，故障症状和故障原因之间的关系是复杂的、非线性的，难以在故障症状与故障原因之间建立精准的数学模型。BP神经网络即误差反向传播神经网络，它最大的特点是当实际输出与期望输出产生误差时，网络会进行逆向的前馈调整。由于它具有很好的容错性和鲁棒性，能充分逼近任意复杂的非线性关系，可在故障症状和故障原因之间构建BP神经模型进行故障诊断。考虑到TD-LTE网络KPI参数的特点，本文提出了基于KPI偏离度的BP神经网络故障诊断模型，如图3所示：

图3基于KPI偏离度的BP神经网络故障诊断模型

偏离度计算模块用来计算网络测量KPI与网络正常状态时KPI之间的偏离程度，偏离度的取值范围为[0,1]。

BP神经网络第一层为输入层，其节点数由输入信号（故障征兆）的个数决定，每个节点表示一个输入变量xi（i=1,2,…,n），其输入向量为X=[x1,x2,…,xn]。第二层为隐含层，主要功能是完成KPI偏离度输入变量到故障原因输出变量的映射，即故障征兆与故障原因的对应关系。设该层第i个节点与偏离度输入层各节点的连接权值向量为WTi，则该节点的输出为，其中f为激励函数，可选用Sigmoid函数，θTi为该节点阈值。隐含层的节点数可由公式来计算，其中a的取值范围为[1,10]，Ninput为输入层节点数，Noutput为输出层节点数。第三层为输出层，每个节点代表一种故障。

基于KPI偏离度的BP神经网络故障诊断模型的构建诊断步骤如下：

（1）选取网络KPI和网络故障原因生成BP神经网络模型；

（2）计算样本中KPI的偏离度，生成KPI偏离度—故障原因相对应的训练样本；

（3）训练BP神经网络，生成网络的权值和阈值，保存模型；

（4）获取网络监测KPI，计算KPI偏离度；

（5）调用第3步生成的BP神经网络对第4步得到的偏离度进行诊断，输出诊断结果即故障原因。

3.5系统管理模块

系统管理模块主要用来管理系统使用的安全性，避免非法用户使用诊断系统或者避免拥有低级别权限的用户使用拥有高级别权限用户才能使用的系统功能。系统管理模块主要由重新登录子模块、用户设置子模块组成。其中，重新登录子模块用于用户重新登录系统，方便用户的使用；用户设置子模块用于对系统用户的信息进行设置，此功能只能由专家用户使用。用户设置包括添加、修改、删除、权限等主要功能模块。系统管理模块与用户登录模块共用用户信息表。用户设置子模块的添加、修改、删除功能模块与用户信息表交互，权限功能模块与系统数据库中的用户权限表交互。

endprint

系统管理模块的主要工作流程是：模块首先查找系统数据库的用户信息表中所有用户信息，显示在模块用户信息表中，然后模块根据用户需要的操作进行相应的修改、删除、权限操作。其中，修改、删除、权限操作要先选取模块用户信息表中某一用户，在进行相应操作专家用户的信息不能修改。

4 系统运行与测试结果

为了验证系统的运行情况，本文从以下主要步骤来展示系统运行测试结果：

（1）设计诊断模型，训练模型，保存模型。

模型管理功能界面如图4所示：

图4从左至右依次是：模型设计界面，用来设计故障诊断模型的结构；模型管理界面，用来对系统已有的诊断模型进行训练保存。

（2）获取诊断数据，分析数据，诊断数据。

网络故障诊断功能界面如图5所示。

图5从左至右依次是：网络故障诊断界面的诊断数据获取界面，用来根据设置的过滤条件获取本次诊断所需数据；诊断数据分析结果界面，用来展示经过系统计算后的KPI偏离度，诊断数据的分布情况；故障诊断设置界面，用来选取本次诊断所需的故障模型。

（3）查看诊断结果。

诊断结果界面如图6所示：

图6诊断结果界面图

诊断结果界面用来给出本次诊断的结果，包括诊断模型的输出结果、诊断得到的故障类型和故障信息。

上述图中出现的数据是模拟数据，与真实数据还存在一定的差距。从系统的运行情况来看，系统设计的功能基本实现，验证了该系统的可行性和可实现性。

5 结论

本文针对TD-LTE网络的测试优化工作，通过分析TD-LTE网络KPI和移动通信系统的故障诊断技术，设计和实现了一种基于神经网络的故障诊断系统，在仿真数据的测试下，系统各功能模块运行良好，实现了对网络故障的智能化诊断。该系统可有效地减轻网络优化人员的工作负担，为运营商节约网络维护成本。

下一步的工作重点将是对本系统的不足之处进行改进，进一步完善TD-LTE网络故障诊断系统，如：根据网络实际情况改进诊断模型，提高系统诊断准确率；研究多故障诊断方法，实现TD-LTE网络的多故障诊断。

参考文献：

[1] 王映民,孙韶辉. TD-LTE技术原理与系统设计[M]. 北京: 人民邮电出版社, 2010.

[2] Barco R, Díez L, Wille V, et al. Automatic Diagnosis of Mobile Communication Networks Under Imprecise parameters[J]. Expert Systems with Applications, 2009,36(1): 489-500.

[3] 邓歆,孟洛明. 基于贝叶斯网络的通信网告警相关性和故障诊断模型[J]. 电子与信息学报, 2007,29(5): 1182-1186.

[4] Barco R, Wille V, Díez L. System for Automated Diagnosis in Cellular Networks Based on Performance Indicators[J]. European Transactions on Telecommunications, 2005,16(5): 399-409.

[5] Barco R, Lázaro P, Díez L, et al. Continuous Versus Discrete Model in Autodiagnosis Systems for Wireless Networks[J]. IEEE Transactions on Mobile Computing, 2008,7(6): 673-681.

[6] Barco R, Nielsen L, Guerrero R, et al. Automated Troubleshooting of a Mobile Communication Network Using Bayesian Networks[A]. 2002 4th International Workshop on Mobile and Wireless Communications Network[C]. 2002: 606-610.

[7] Khanafer R M, Solana B, Triola J, et al. Automated Diagnosis for UMTS Networks Using Bayesian Network Approach[J]. IEEE Transactions on Vehicular Technology, 2008,57(4): 2451-2461.

[8] Barreto G A, Mota J C M, Souza L G M, et al. Condition Monitoring of 3G Cellular Networks Through Competitive Neural Models[J]. IEEE Transactions on Neural Networks, 2005,16(5): 1064-1075.

[9] Laiho J, Raivio K, Lehtimaki P, et al. Advanced Analysis Methods for 3G Cellular Networks[J]. IEEE Transactions on Wireless Communications, 2005,4(3): 930-942.

[10] Szilágyi P, Nováczki S. An Automatic Detection and Diagnosis Framework for Mobile Communication Systems[J]. IEEE Transactions on Network and Service Management, 2012,9(2): 184-197.

[11] 3GPP TS 36.214 V9.1.0. Evolved Universal Terrestrial Radio Access(E-UTRA); Physical layer; Measurements(Release 9)[S]. 2010.★

作者简介

唐建华：宁波大学信息科学与工程学院在读硕士，主要研究方向为基于TD-LTE的新一代无线通信技术。

谢志军：副教授，博士，现任宁波大学信息科学与工程学院硕士生导师，主要研究方向为无线传感器网络、基于TD-LTE的新一代无线通信技术、RFID等。