基于深度學習的無線網絡日志故障預測算法研究.pdf

1、隨著社會經濟的發(fā)展和科技的進步，無線網絡為人們提供了越來越迅速且高質量的服務，無線網絡在生產生活中扮演了越來越重要的角色，人們對電子產品的依賴進而促進了對無線網絡的依賴。隨之而來的是無線網絡規(guī)模的快速增長，維護難度的增大。如何高效利用現有資源對未來可能發(fā)生的故障進行預測，從而提前做出反應，早已成為無線網絡管理中的一個重要研究領域。
　　然而當前無線網絡故障預測研究中依然存在著不足，當前工作大多使用傳統(tǒng)的數據挖掘方法，很大程度上依賴

2、于研究人員對整個無線網絡系統(tǒng)的理解，這在大規(guī)模部署的無線網絡中難度越來越大。同時，在當前的無線網絡故障預測中，研究人員多使用告警數據、關鍵性能指標等結構化的數據，對于日志這樣半結構化的數據則利用較少。文本針對這兩個問題，設計了一種日志的數值轉化方法及兩種無線網絡故障預測算法，并在實驗中驗證了算法的可行性及有效性。具體而言，主要的研究內容及成果歸納如下:
　　第一，應用自然語言處理的方法，將日志數據轉換為數值信息。將無線網絡日志數據

3、直接視作一個單純的文本，通過數據清洗，日志數據轉變?yōu)橐粋€由單詞組成的“文章”，使用滑動窗口就能夠從日志中提取出日志樣本，每個日志樣本中的日志序列都是一個單詞序列。同時使用詞嵌入的方法，就能夠將每一個單詞序列換為矩陣，從而將整個日志文本轉換為可以計算的數值信息。本文針對兩種故障預測模型分別設計了兩種日志數據的提取方法。
　　第二，使用兩個滑動窗口獲取日志樣本中的輸入序列以及對應的故障標簽，在經過詞嵌入轉換為矩陣之后，利用卷積神經網絡

4、檢測特征的優(yōu)勢，通過多個卷積層與池化層對日志信息進行特征的自動提取，以分析當前日志輸入序列與未來系統(tǒng)狀態(tài)之間的關系，從而能夠預測無線網絡在未來可能存在的故障。在此過程中研究人員只需要很少的領域知識。
　　第三，在前述基于卷積神經網絡的預測模型基礎上，從第二個滑動窗口中提取故障標簽的同時提取輸出未來日志序列，利用序列到序列模型對當前日志及未來日志之間的關系進行建模得到日志預測模型，從而能根據當前日志對未來的日志進行預測。此后利用未來