基于典型因果推断算法无线网络性能优化.docVIP

基于典型因果推断算法无线网络性能优化 　　摘要：现有的无线网络性能优化方法主要基于指标间的相关关系分析，无法有效指导网络优化等干预行为。为此，提出典型因果推断（CCI）算法，并将其应用于无线网络性能优化。首先，针对无线网络性能由大量相关指标体现这一特性，采用典型相关分析（CCA）方法，提取指标中蕴含的原子事件；然后再采用因果推断方法，构建原子事件间的因果关系网络。通过上述两个阶段反复迭代，确定原子事件间的因果关系网络，为无线网络性能优化提出一个较为可靠和有效的依据。最后通过模拟实验验证了CCI算法的有效性，在某城市3万多个移动基站数据上发现了一批有意义的无线网络指标间的因果关系。 　　关键词：典型相关分析；因果推断；线性非高斯非循环模型；无线网络性能优化 　　中图分类号：TP181 　　文献标志码：A 　　0引言 　　随着信息技术的不断发展，无线通信网络逐渐普及，用户对网络服务质量的要求也越来越高，市场竞争也越来越激烈，如何对无线网络性能进行优化，并在网络出现问题之前进行有效的预警，是当前电信营运商和设备供应商非常关注的问题，同时也受到越来越多用户的重视。目前，无线网络性能的问题可以通过拨打测试、用户反映和网络指标等分析出来，其中，网络指标比较客观、全面地反映了无线网络性能的好坏程度。卢昶[1]对网络优化主要是通过分析全球移动通信系统（Global System for Mobile communication， GSM）中采集到的运行数据和指标，来找出移动通信系统中存在的问题；刘臣巍[2]对无线网络中移动交换中心（Mobile Switching Center， MSC）、基站控制器（Base Station Controller， BSC）分别进行了优化，用追踪选择错误（Error of Selection， EOS）代码的方式来解决网络问题，通过分析网络中性能指标来判断网络中可以优化的部分；刘占军[3]结合GSM运行原理与成都联通GSM的实际情况，针对性地提出了切合实际的网络优化方案。针对无线网络优化问题，当前主要是通过参数采集统计分析，信令跟踪[4]、路测信息采集分析等方法对整个无线网络进行综合分析，以得出无线网络性能的优化方案[5]。 　　最近的GSM研究[6-7]提出了一些新的无线网络性能优化技术，例如，基于关键业绩指标（Key Performance Indication， KPI）的GSM优化与数据挖掘分析方法[8-9]。目前这类分析方法主要停留在统计相关性方面，有时还需要对信令进行跟踪，这无疑会在一定程度上造成分析不全面、不必要的工作量增加等问题。虽然统计数据分析方法[10]主要是针对统计的各项数据指标实施分析，应用Matlab等数学工具软件进行数据排序以展现数据之间的相互关联，从而发现其中的问题，但是，利用统计的方法只能看到数据之间的相关关系，而无法提出优化干预措施，找出真正影响无线网络性能的源头。Cai等[11]提出的贝叶斯半监督算法（BAyesian Semi-SUpervised Method， BASSUM）也证明了相关关系不能指导干预的情况。因果推断是挖掘数据间蕴含的因果性的一种有效的方法。因果网络是一种对可观测数据进行强有力推理的工具，可以方便地表示以及分析确定性和概率性的事物，对干预行为效果进行预测，有助于提出干预措施。根据算法模型基础的不同，主流因果推断算法可分为两类：以IC（Inductive Causality）类算法为代表的全局结构推断方法[12]和以Hoyer等[13]提出的不对称性度量方法为代表的局部结构推断方法。在高维数据因果推断方面代表性工作包括Xie等[14]的递归分解结构学习策略、Han等[15]的重合分解策略、Tsamardinos等[16]的最大最小爬山法和Cai等[11]的半监督策略等。针对IC类算法在高维数据上的可靠性问题，Cai等[17]还基于V-结构间的冲突关系，提出了V-结构筛选和融合算法，有效提升了IC类算法的可靠性。局部因果关系模型的代表性工作则包括：基于噪声不对称性的加性噪声模型（Additive Noise Model， ANM）方法[13]和线性非高斯非循环模型（Linear Non-Gaussian Acyclic Model， LiNGAM）方法[18-19]，基于数据分布不对称性的信息几何因果推断（Information-Geometric Causal Inference， IGCI）[20-21]和综合多种不对称性度量的后非线性（Post-Nonlinear， PNL）方法[22]等。这些局部结构学习方法突破了全局结构推断方法的发现能力限制，能够区分任意两个变量间的因果方向，如x→y→z， x←y←z， x←y→z等IC类方