地震应力下网络韧性分类的反事实解释方法基准测试

《IEEE Access》:Benchmarking Counterfactual Explanation Methods for Network Resilience Classification Under Seismic Stress

【字体: 大 中 小 】 时间:2026年07月08日 来源:IEEE Access 4.2

编辑推荐:

  蜂窝网络在地震期间的连续性对紧急协调和公共安全至关重要,然而,在单个小区层面预测基站弹性并导出可操作的恢复策略在很大程度上仍未得到解决。本研究提出了一种四阶段框架,应用于2025年4月23日M6.1级地震期间伊斯坦布尔LTE网络的关键绩效

  
蜂窝网络在地震期间的连续性对紧急协调和公共安全至关重要,然而,在单个小区层面预测基站弹性并导出可操作的恢复策略在很大程度上仍未得到解决。本研究提出了一种四阶段框架,应用于2025年4月23日M6.1级地震期间伊斯坦布尔LTE网络的关键绩效指标(KPI)运营数据,该框架包括时空特征工程、混合韧性标注、深度学习分类和反事实解释生成。混合标注策略将第三代合作伙伴计划(3GPP)标准阈值与聚合30个KPI的复合评分相结合,相对于传统单独评估重新分类了50,413个分析小区中的26.44%,发现了1,583个潜在非弹性小区,其容量退化对标准双KPI标准不可见。十种分类器取得了平衡准确率和F1分数在0.970至0.995之间的结果。对所有十种分类器上的六种反事实方法进行的系统基准测试确定覆盖率为操作约束条件。局部规则解释器(LORE)被有效取消资格,平均覆盖率为37.0%且存在极端不稳定性(跨模型17.2%–86.0%),而扰动反事实(PertCF)实现了100%覆盖率,最佳邻近度得分为24.5、稀疏度得分为34.1,产生稀疏且可现场部署的干预目标,网络工程师无需完全重新配置即可执行。这些发现为灾后分类和韧性聚焦的基础设施规划提供了原则性依据,对5G网络管理和灾难响应政策具有直接影响。
本研究聚焦于地震等极端灾害事件下蜂窝网络基站的弹性预测与可解释性问题。现代蜂窝网络作为社会关键基础设施,支撑着从应急响应协调到金融交易和工业自动化等广泛服务,其无线接入网络(RAN)基础设施的运营连续性已成为广泛的社会关切。网络韧性(network resilience)被定义为电信系统承受、适应并从破坏性事件中快速恢复同时维持可接受服务质量的能力。然而,现有研究多集中于系统设计和战略规划层面,尚未解决从运营KPI数据预测单个基站韧性的问题。虽然机器学习分类器可准确预测基站在压力下的弹性状态,但仅提供预测不足以支持运营决策——网络运营商不仅需要知道哪些小区存在风险,更需要了解何种改变可使其恢复弹性,这恰好对应可解释人工智能(XAI)中反事实解释(counterfactual explanation)的研究范畴。当小区被预测为非弹性时,反事实解释器可识别将预测翻转为弹性的最小KPI修改集合,直接将模型输出转化为可操作的干预目标。

研究人员开展了一项针对地震期间基站韧性预测与反事实解释方法基准测试的研究,数据来源于2025年4月23日伊斯坦布尔M6.1级地震期间土耳其电信(Türk Telekom)的LTE网络.app图1)运营KPI数据。研究首先构建了时空特征工程与混合韧性标注策略,继而训练了十种不同架构的分类模型,最终对六种反事实解释方法进行了系统基准测试。研究表明,标准3GPP双KPI评估不足以表征基站弹性,提出的混合标注策略重新分类了26.44%的分析小区,暴露出1,583个传统标准无法识别的潜在非弹性网络元素;十种分类器均取得优异判别性能(平衡准确率0.970–0.995);反事实基准测试中PertCF以100%覆盖率、最佳邻近度(24.5)和稀疏度(34.1)排名第一,而LORE因平均覆盖率仅37.0%且存在极端跨模型不稳定性(17.2%–86.0%)被排除。该研究为灾后网络分类和韧性聚焦的基础设施规划提供了从原始KPI数据到可操作指导的原则性转化路径,论文发表在《IEEE Access》。

研究用到的主要关键技术方法包括:基于dM6.1?1级地震前后两天伊斯坦布尔LTE网络60,170个唯一小区和104,816行性能数据的时空特征工程与预处理;融合3GPP标准双KPI阈值与30维复合韧性评分的两阶段混合标注策略;涵盖多层感知机(MLP)、大型密集网络(LDN)、长短期记忆网络(LSTM)、卷积LSTM(ConvLSTM)、欠完备自编码器分类器(UAE-C)、深度自编码器分类器(DAE-C)、随机森林(RF)、极端梯度提升(XGB)、分类提升(CatBoost)和表格Transformer(TabTrans)的十种分类模型;以及包括GrowingSpheres、遗传算法、CFProto、随机采样、LORE和PertCF在内的六种反事实解释方法,采用有效性、覆盖率、邻近度、稀疏度和执行时间五个互补指标进行评估。

**数据预处理与特征工程。** 研究人员将异构数据源合并以确保小区级别的网络库存与性能指标对齐,排除缺失率超过40%的属性,对其余缺失值采用k近邻插补,使用Z分数过滤(阈值±3)进行异常值检测,分类变量采用序数编码,连续变量进行Min-Max归一化至[0,1]区间。基于事件前后分段时间戳,计算相对变化率Δrel,m = (μ(mpost) ? μ(mpre))/(μ(mpre) + ε),其中ε=10?6。进而构建复合韧性评分Sres,整合覆盖流量、可接入性、保持性、移动性和用户体验维度的30余个KPI,通过正负指标组的归一化平均差值量化网络单元鲁棒性。

**混合韧性标注策略及其结果。** 该策略分为两个阶段:首先基于3GPP标准的无线资源控制(RRC)连接建立成功率和S1AP信令连接成功率、VoIP呼叫掉线率建立基线标注,得到61.98%弹性、38.02%非弹性的分类;进而利用复合韧性评分的四分位数(Q0.25=?7.23, Q0.50=?2.02, Q0.73=?0.42)定义统计置信区间进行标签精修。混合策略最终产生50.01%弹性和49.99%非弹性的平衡分类,13,867个小区(26.44%)发生标签转变:Rule 1下2,898个小区由非弹性转为弹性(其中868个因评分超过上四分位数),Rule 2下8,935个小区由弹性转为非弹性(其中1,583个因评分低于下四分位数,即"潜在非弹性"),不确定性区间中值规则影响11,416个小区。

**分类结果。** 所有十种模型均表现强劲,平衡准确率0.970–0.995,F1分数0.964–0.995。梯度提升模型XGB和CatBoost取得最高F1(0.995),其中XGB遗漏的非弹性样本最少(32个),CatBoost假阳性最低(35个)。LDN在深度学习模型中表现最优(平衡准确率0.985,F1=0.985,FP=98)。LSTM和ConvLSTM表现相对最差,因其序列归纳偏置与静态特征表示不匹配。

**反事实解释结果。** 覆盖率被确定为操作约束条件。PertCF和随机采样实现100%覆盖率;CFProto达99.6%;遗传算法和GrowingSpheres分别为85.0%和80.4%;LORE平均仅37.0%且跨模型标准差达23.7个百分点(RF上17.2%,XGB上86.0%)。邻近度与稀疏度方面,PertCF以24.5和34.1领先,随机采样次之(25.4和95.2),CFProto在深度学习模型上平均74.7但在树模型上仅30.1,而GrowingSpheres和遗传算法达83–93的邻近度和134–138的稀疏度。执行时间上,随机采样和GrowingSpheres最快(均0.52秒/实例),LORE为0.62秒,遗传算法0.89秒,PertCF1.29秒,CFProto3.78秒;树模型比深度学习模型快3–13倍。

**讨论部分的核心内容包括:** 混合标注策略虽优于标准3GPP评估,但存在四分位数阈值泛化性、等权重可能与运营优先级不匹配、以及标签非完全独立等局限,未来可采用多准则决策方法如层次分析法(AHP)或基于熵的权重法改进。模型性能方面,特征工程本身携带大部分判别信号,LSTM/ConvLSTM的相对欠优是输入表示而非架构缺陷;XGB和CatBoost确认深度学习对此任务非必需;LDN因最低假阳性成为最适合解释生成的深度学习架构。反事实解释中,PertCF的100%覆盖率、最优邻近度和稀疏度使其成为推荐方法,但其全局中值假设可能忽略城市语境差异,且消融重要性估计未捕捉特征交互;随机采样在类别平衡时表现良好但泛化性存疑;CFProto在树模型上邻近度显著优化。方法排序在所有模型间完全一致,反映解释器本身的内在属性而非特定模型边界的人为产物。边界几何效应揭示系统交互:CFProto在紧凑轴对齐树边界上邻近度提升60%以上,PertCF则因阶跃函数边界需更多特征修改。

**未来工作方向包括:** 多事件与5G泛化验证;CFProto等方法的批量推理与近似最近邻检索以提升可扩展性;将反事实搜索约束至可控特征或配对因果模型以缩小可操作性情境差距,构建" PertCF识别KPI调整目标+因果叠加映射至具体可调参数"的两层推荐系统;以及整合MCDM框架动态优先化运营关键瓶颈。

**研究结论翻译:** 本研究呈现了一个用于预测和解释地震扰动下蜂窝基站弹性的端到端框架,填补了现有故障检测和异常分类文献中未解决的关键空白。应用于2025年4月23日伊斯坦布尔M6.1级地震期间运营KPI数据,该框架证明了标准3GPP双KPI评估不足以表征基站弹性;提出的混合标注策略重新分类了26.44%的分析细胞,暴露出1,583个传统标准无法检测的潜在非弹性网络元素。所有十种分类器均取得强判别性能(平衡准确率:0.970–0.995),反事实基准测试揭示覆盖率为操作约束条件,LORE因低平均覆盖率(37.0%)和跨模型架构的极端不稳定性(17.2%–86.0%)被有效排除。PertCF总体排名第一,以100%覆盖率取得最佳邻近度(24.5)和稀疏度(34.1)得分,产生可直接映射至可操作现场干预的稀疏、消融引导解释。随机采样提供了可行的吞吐量优化替代方案,CFProto适用于原型锚定的运营工作流。未来工作应解决多事件和5G泛化、运营时间约束下的可扩展性、以及受可控特征和KPI间依赖关系约束的可操作反事实解释器等问题,从而将该框架转化为更有效的韧性聚焦网络规划工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号