英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

毕业论文（设计）

英文翻译

原文标题 Towards proactive context-aware self-healing for 5G networks

译文标题 针对5G网络的主动情景感知自修复

计算机网络128(2017)5-13。

针对5G网络的主动情景感知自修复

Muhammad Zeeshan Asghar a，*， Paavo Nieminen a, Seppo Hamalainen b, Tapani Ristaniemi a, Muhammad Ali Imran c, Timo Hamalainen a

a:数学信息技术系，于韦斯屈莱大学，P.O.Box 35，（Agora），fi 40014，芬兰

b诺基亚网络，E2E 5 G，北京，中国

c:格拉斯哥大学UESTC，格拉斯哥大学，詹姆斯瓦特南，格拉斯哥G12 8 QQ，英国

文章信息 摘要

文章历史:

本文提出了一种新的研究方向，并提出了自组织网络自愈(自我修复)的未来愿景。我们希望解决的问题是传统的自我修复解决方案因为它们的反应性可能不足以满足蜂窝网络管理的未来需求，即，他们在探测到已经发生的故障后开始恢复，而不是以先发制人的方式为可能的未来故障做准备。对于5G网络的零延迟需求，检测延迟问题尤其严重。为了解决这个问题，现有的自组织网络需要从被动反应升级到主动反应。自我修复研究的一个维度是使用更全面的情景信息，包括用户位置和移动信息，以及传统的情景信息，这些信息主要来自网络内部的源信息。这些额外的信息已经在自我修复中被发现了。在本文中，我们建议用户情景信息不仅可以在自我修复中注册，还可以根据当前可用的信息来预测未来的情景。我们以一个用户移动案例研究为例来说明我们的想法。

2016年7月31日收到

2016年11月28日修订，2017年4月25日认可。

2017年5月3日上线。

关键词:

自组织网络的自愈

用户情景

情景感知系统5G网络。

皇冠版权copy;2017爱思唯尔出版，保留所有权利。

1.介绍

在1G和2G网络部署时，移动终端是愚蠢的设备，各种处理是在网络方面进行的。在2.5G、3G和4G技术的出现后，终端开始变得更加智能，如今手机被称为智能手机，因为它们有很多处理能力和智能，而以前人们认为只有通过网络才能实现这些功能。现在，移动终端可以通过提供更多关于服务质量、信道质量指数(CQI)、参考信号接收功率(RSRP)、设备位置和许多其他属性的数据，对网络管理做出贡献。这为从用户设备(UE)收集数据提供了新的机会，并使网络更好地了解网络覆盖和服务的用户视角。目前，数百万移动设备提供的所有数据尚未完全用于网络操作目的。相反，网络运营和管理主要是基于从网络内部测量的几个关键绩效指标(KPI)，因此只

lowast;通讯作者。

电子邮件地址:

muhammad.z.asghar@jyu.fi (M.Z. Asghar),

paavo.j.nieminen@jyu.fi (P. Nieminen), seppo.hamalainen@nokia.com (S. Hauml;mauml;lauml;inen), tapani.ristaniemi@jyu.fi (T. Ristaniemi), muhammad.imran@glasgow.ac.uk

(M.A. Imran), timo.t.hamalainen@jyu.fi (T. Hauml;mauml;lauml;inen)

http://dx.doi.org/10.1016/j.comnet.2017.04.053

1389 - 1286 /皇冠版权copy;2017爱思唯尔出版,保留所有权利。

使用了网络透视图。网络之外的许多数据都被浪费了。5G技术的需求和小细胞(如micro和pico)和宏单元的大规模部署，使得网络管理更具挑战性[1,2]。传统的网络管理工具不足以捕获系统的完整行为并提出最优配置。

在调查中给出的自我组织的定义[3]中，自组织网络(SON)是一种自适应和自主的网络，并且具有可扩展性、稳定性和灵活性，足以在所有潜在的环境动态中维护其服务。在未来的无线网络中，预计子功能的操作将是默认的操作模式，而子功能将不得不在一个具有多个运营商、供应商和无线电访问技术的环境中运行[2-4]。三种类型的自组织网络是自我配置、自我优化和自我疗愈(自我修复)。

自我修复是指无线网络中的自主故障管理，包括性能监控、故障检测及其原因，触发补偿和恢复动作，并对结果进行评估。通过消除中断和确保网络可用性、可靠性和可获得性，自我修复可以提高业务弹性。

故障

故障

预测

当前表现

诊断

机制

当前

情景

故障

时间

将来

现在

过去

图1所示。故障诊断机制与故障预测的区别(cf.[5])

基于KPI阈值的传统故障管理忽略了用户行为和移动电话使用模式。考虑到这种情况，许多移动用户频繁地发送文本消息，文本活动也很高。然后，由于网络中的一些问题，消息无法通过。当用户体验到延迟或根本没有服务时，他们可能会默默地停止使用服务，并可能最终转向另一个运营商。操作员会假设网络一直运行良好。另一方面，如果用户行为被监控并用于异常检测，问题可能会被发现和诊断。

3G/4G的自我修复功能设计的方式只有当出现问题时才会触发，这使得故障管理在本质上是被动的。需要一定的时间来观察情况，诊断问题，然后触发补偿动作。例如，当检测到单元中断，用户调用开始下降时，会触发一个单元中断补偿函数。网络运营商已经开始亏损。目前的自组织网络的这种反应性故障管理将无法满足5G网络的性能要求或目标质量(QoE)级别，特别是零延迟感知要求。

一个最优的自我修复系统不但没有检测到已经发生的问题，还可以预先预测问题，并阻止它们，从而使网络管理从被动变为主动。即使所有的问题都无法事先预测，但与目前的先进水平相比，积极的方法可以大大减少观察和补偿阶段之间的内在延迟。

在更广泛的计算机系统领域，例如，在[5]中探索了主动故障管理。在Salfner等[5]的启发下，我们对通信网络的根源分析(诊断)和故障预测进行了区分，如图1所示。故障诊断机制是指识别已经退化的网络性能的原因(“故障”)的过程。另一方面，故障预测试图评估未来的降级风险，导致可能的服务损失(“失败”)。例如，在发生单元中断检测的情况下，诊断机制试图确定导致单元中断的原因是什么，例如，损坏的网络元素或软件错误。故障预测是指对未来可能发生故障的评估。实现这一目标的一种可能方法是加强使用可用用户透视图和其他相关数据构建的情景。

在本文中，我们简要概述了在5G网络中对自我修复的一些最近的建议。然后，我们通过建议添加情景预测组件来构建最近的概念。例如，用户行为，比如从一个地方到另一个地方的迁移，可以建模并用于预测网络未来的资源需求，从而使网络管理变得主动和先发制人，而不是被动的网络管理。我们的主要贡献是:

bull;使用用户情景和预测模型将自我修复从被动响应转换为主动响应的建议。

bull;一个案例研究，展示未来的情景预测。

本文的其余部分组织如下。在第2节中，我们解释了这个工作的背景和中心概念，并介绍了一些最近有关主题的相关工作。在第3节中，我们提出了一种结合进一步的情景信息，特别是在自我修复中未来的情景预测的方法。在第4节中，我们给出了一个实际的情景预测示例。最后，第五节总结本文。

2.背景和相关工作

2.1.经典的方法

现代网络是非常复杂的设备[6,7]。除了诸如天线、主干网络和路由组件等各种硬件之外，在这些组件中还有大量不同的软件栈。此外，这些设备部署在恶劣的环境中。因此，在实践中，错误经常发生。网络故障的典型例子是软件故障、硬件组件损坏和网络配置不当。

有许多性能指标/指标可用于无线网络，在任何给定时刻捕捉网络状态。这些度量是底层的网络计数器和KPIs派生的。每个KPI描述了网络的一个特定方面。KPI可以是在一个时间段内连续测量的简单平均值，也可以是更高级的统计数据。通常，KPIs描述最重要事件的成功或非成功几率，如handovers或drop call。操作符通常设置收集网络计数器值的时间窗口，然后将其记录为KPIs。这个窗口的长度是一个平衡的行为，在网络中，操作员可以快速处理一个问题，需要窗口大小来检测问题，以及可以从基站传输多少数据到自我修复函数正在运行的地方。

当网络不包含任何(已知)故障时，可以收集一个或多个kpi，并创建称为网络概要的内容。这个概要文件包含了不同指标的典型值。这个概要文件可以建立在每个单元的基础上，对于每个基站，甚至是在一个更大的聚合层上(例如，考虑一个基站集群的流量)。一旦建立了概要文件，对KPIs进行持续监控，并且统计上显著的偏差将触发警报。通常一个偏差是通过使用一个固定的阈值来确定的，如果值超出了这个界限，就会触发警报。例如，当呼叫下降率超过0.1%时，警报就会响起。

通常，网络的阈值和配置文件在集中式操作和维护中心(OAM)中维护，在这里，KPIs和警报直接向操作员提供，然后手动过滤出高质量的警报。一个故障可以产生多个警报，多个故障可能产生同一个警报。也有可能在没有出现故障的情况下产生警报。例如，任何外部因素，例如坏天气，当没有真正的故障时，可能会引起一些警报。有时也有可能是警报消息没有传递给OAM。因此，警报并不是故障诊断的完整/可靠的信息来源。采用报警关联方法可以降低非相关报警器的流量和报警器的体积[8]。报警相关包括对多个报警的解释，结合低水平报警，形成高水平报警。警报关联是自我修复的重要组成部分，但单独的警报没有

提供足够的信息来确定被观测问题的根本原因[9]。此外，这些方法只能减少警报的数量，但不能提高它们的质量。基于阈值的方法的一个缺点是，它们本质上将KPIs量化为二进制空间，即。，正常和异常，这使得检测性能下降的困难，还没有发展到完全停机或完全损失的性能。

2.2.自我修复的发展研究

早期关于自我修复的研究主要集中在自动化方面，但是在最近的研究中，更多的研究集中在对网络状态的智能描述上。

在[10-15]中发现了最近在实际操作网络中应用自我修复的实际方法的好例子。例如，Ciocarlie等[10]通过监测网络状态并确定是否导致了降解，来解决网络配置变化的效果验证问题。该框架由异常检测器和诊断组件组成。异常检测器使用主题建模监视一组单元格。反过来，诊断组件使用Markov逻辑网络(MLNs)来生成区分不同原因的概率规则。在[12]中提出了另一种使用改进的KPIs的异常检测方法。

[15]提出了一种增量的主题建模方法。在这种方法中，作者遵循了一个改进的层次Dirichlet过程(HDP)，它利用随机梯度优化来允许训练过程逐步演进。作者将该方法用于输入所有的KPIs作为多变量。为了评估增量式主题建模方法，作者使用了从3G蜂窝网络采集的真实数据。通过随机选择3G数据集的时间戳，并相应地更新模型参数，为HDP运行增量算法。首先，将集群应用到最大的范围，从而实现对不同单元范围的适应性。然后，网络的状态可以确定为最大数量的单元格的子集。对主题建模的增量方法将逐渐从更大范围的信息中更新集群。本文在蜂窝网络数据的背景下，提出了增量主题建模方法的初步可行性，但结果还不成熟。

在[16]中，开发了一个针对不同的第三代伙伴项目(3GPP)自优化用例进行综合测试的实验系统。在[17]中，该系统进一步扩展到3GPP长期演进(LTE)网络的自我修复框架，在现实环境中评估了检测和补偿中断的情况。本文还介绍了自我修复对KPIs的影响，如连接用户数和无线链路故障。在[18]中，作者认为细胞对之间的相关系数可以作为细胞降解检测的一种手段。在这些工作中，KPIs用于检测和诊断故障。

在[19]中提出了一种用于网络监控和主动异常检测的框架，利用主成分分析(PCA)进行了降维和基于内核的半监督模糊聚类，并具有自适应核参数。利用从LTE系统级模拟器收集的模拟数据对算法进行评估。作者声称该框架主动检测与各种故障类相关的网络异常。

2.3.用户测量传统的自我修复

到目前为止，自我修复研究主要集中于从

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22808]，资料为PDF文档或Word文档，PDF文档可免费转换为Word