CN115734274B 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 （南京邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115734274B(45)授权公告日2025.07.11

(21)申请号202211519142.X

(22)申请日2022.11.30

(65)同一申请的已公布的文献号申请公布号CN115734274A

(43)申请公布日2023.03.03

(73)专利权人南京邮电大学

地址210023江苏省南京市鼓楼区新模范

马路66号

(72)发明人朱晓荣潘庆亚

(74)专利代理机构南京正联知识产权代理有限公司32243

专利代理师姜梦翔

GO6N3/0442(2023.01)

GO6N3/047(2023.01)

GO6N3/08(2023.01)

(56)对比文件

LingyuZhao等.AFaultDiagnosis

Methodfor5GCellularNetworksBasedonKnowledgeandDataFusion.sensors.2024,1-20.

审查员蒋超

(51)Int.CI.

HO4W24/08(2009.01)

GO6F16/36(2019.01)权利要求书3页说明书9页附图3页

(54)发明名称

一种基于深度学习和知识图谱的蜂窝网络故障诊断方法

(57)摘要

CN115734274B本发明涉及通信网络技术领域，是一种基于深度学习和知识图谱的蜂窝网络故障诊断方法，使用图卷积神经网络GCN的方法对网络告警数据进行预诊断，该方法考虑了告警数据之间的相关性，有效地提高了网络故障诊断的准确率；使用长短期记忆网络LSTM和条件随机场CRF对非结构化知识进行抽取，使用爬虫技术对半结构知识进行抽取，最后融合结构化数据、半结构化数据、非结构化数据构建一个全面的面向5G网络的故障知识图谱；使用已构建的知识图谱对图卷积神经网络的诊断结果进行验证和推理，该方法考虑了告警与故障之间的复杂关系以及故障与原因、方法之间的关系，极大地提高了网络故障诊断准确

CN115734274B

CN115734274B权利要求书1/3页

2

1.一种基于深度学习和知识图谱的蜂窝网络故障诊断方法，其特征在于，包括以下步

骤：

步骤S1、从密集型异构蜂窝网络环境中采集带有标签的网络状态数据集，通过XGBoost算法，从数据集中选取最优子集；

步骤S2、将步骤S1中选取出的最优子集映射为一个无向图G=(V,E),其中V是节点集，E是边集，并根据数据集构建特征矩阵X,邻接矩阵A;

步骤S3、将步骤S2中构建好的特征矩阵和邻接矩阵输入到GCN模型中，得到预诊断结果；

步骤S4、从密集型异构蜂窝网络管理系统中获取结构化数据、半结构化数据、非结构化数据，使用LSTM和CRF模型对非结构化数据进行知识抽取，使用爬虫技术对半结构化数据进行知识抽取，最后基于三维数据构建一个故障知识图谱；

步骤S5、将步骤S3输出的预诊断结果输入到步骤S4已构建的故障知识图谱中，得到最终的网络故障诊断结果以及可解释性报告；

所述步骤S3的得到的预诊断结果的具体步骤为：

步骤S3.1:将步骤S2构造的特征矩阵X,邻接矩阵A输入到GCN模型中，GCN中定义的前向激励传播公式为：

其中，σ是激活函数，A=A+I,D是矩阵A的度矩阵，其对角线上的值为各个节点的度，主对角线外的元素均为0元素，W①)是第1层中可训练的权重矩阵，H①)是第1层图卷积层的输入节点特征矩阵，对输入层而言，H?)就等于初始节点特征矩阵X;

步骤S3.2:所述GCN模型包含两个图卷积层，第一层的激活函数为ReLU函数，第二层为softmax函数，模型输出是一个节点特征矩阵Z∈R×C,其中c是预定义的网络，故障类别数量，n为数据集样本数量，对于输出结果矩阵Z=(Z,1Zi,2,...,Zi,),样本节点x的预测标签即’此外，对于输出结果矩阵，若当,其中λth根据具体网络场景而定，λth设为0.0001,额外输出样本为异常标识，要输入到知识图谱中进一步判断；

步骤S3.3:在GCN训练过程中，最后需要通过训练集中的标记样本来计算交叉熵损失函数