在分布偏移情况下的5G移动网络集群异常检测：一种因果视角

《IEEE Transactions on Cognitive Communications and Networking》：5G Mobile Networked Clusters Anomaly Detection under Distribution Shifts: A Causal Perspective

针对5G移动基站集群（5G-MNC）时空数据复杂性和分布偏移问题，提出Causal-DRSTGC模型。通过因果干预模块消除分布偏移影响，双重残差结构提升时空特征表征能力，堆叠模块联合优化重建与判别表示，灵活评分机制平衡各组件贡献。实验表明在真实数据集和PSM公开数据集上F1-score分别达89.29%-90.53%和83.43%，验证有效性。

　　

摘要：

随着高频谱C波段的应用，5G无线基站的数量相比3G/4G网络大幅增加。因此，如何智能地检测基站中的异常情况对于5G网络的日常运营和维护至关重要。如今，5G移动网络集群（5G-MNCs）正逐渐取代单个基站，作为一组内部具有高度相关性的区域基站进行维护。然而，由于复杂的时空测量数据，5G-MNC中的异常检测仍然具有挑战性，此外，这些数据时间序列的分布变化也会对异常检测产生较大影响。在这项工作中，我们提出了一种新的架构，将因果干预与双重残差时空图卷积（Causal-DRSTGC）相结合。首先，引入了一个因果干预模块来消除由于分布变化导致的混杂因素影响。其次，采用双重残差结构分别输出重建结果和隐藏表示，这更有利于提升5G-MNC数据的表示能力。第三，在堆叠多个DRSTGC模块后，设计了一个重建模块和一个判别模块来处理数据重建表示和隐藏表示，以实现联合优化。最后，设计了一个灵活的评分机制来平衡各个组件的贡献，从而提高异常检测的整体性能。在中国移动的真实世界数据集上进行的广泛实验表明，所提出的模型取得了显著的性能。对于Cluster1，屏蔽异常和停用异常的F1分数分别达到了89.29%和90.53%。在公共工业数据集上的额外验证证明了其泛化能力，在PSM数据集上获得了83.43%的F1分数，证实了其在各种应用场景中的有效性。

显示更多