基于高维空间重构的基站异常检测_王奕.pdf

-79-CHINA SCIENCE AND TECHNOLOGY INFORMATION Feb.2023中国科技信息 2023 年第 3 期三星推荐信息基础设施作为数字经济的重要载体，在“新基建”中拥有非常重要的地位，5G 是通信网络设施的重要组成部分。近两年来能耗较大的 5G 基站站址数量迅速增加，大量基站依托于原有机房完成建设。然而，原有机房空间有限、5G 基站运行保障难度大、低延时 5G 应用需求难以满足等问题给 5G 基站供电系统稳定可靠运行提出了极大的挑战。对 5G 基站供电系统运行状态进行有效监测，及时准确的发现基站供电异常是保障电信企业稳定运营的重要基础性工作。本文从通信基站供电系统运行数据空间特性出发，提出一种基于高维空间重构的 5G 基站供电系统异常检测算法。该方法在考虑基站供电检测数据时间特性的同时重点分析其高维空间特性，能够实时的发现基站供电异常，掌握用 5G基站用电量的动态变化情况，在不增加额外人力物力的情况下保障 5G 基站的稳定、可靠运行，实现精准集约能源管理，提升企业运行效率。研究背景为应对海量数据、大规模互联、超低延时、超高速率的万物互联时代应用场景需求，5G 基建在我国“新基建”发展规划中具有举足轻重的位置。然而 5G 网络的架构特性对基站电源系统提出了更高的需求。一个 5G 基站平均功耗是4G 基站的 34 倍。同时，飞速增长的宏基站和微基站数量导致站点电力供应需求剧增。除此之外，机房空间限制、DC 机房运行保障难度大、低延时应用需求（无人驾驶、工业互联网等）等困难的存在亟需 5G 基站能够高效稳定的供电。因此，对 5G 基站供电系统进行监测，实现对供电异常的实时检测对 5G 提升基站运行的稳定性和可靠性具有十分重要的意义。当前人工智能技术已走进各行各业，在通信行业人工智能技术也广泛应用在智能网优化、站址规划、新业务拓展等领域。然而，对 5G 基站供电系统异常的检测目前人工智能技术应用还不充分。如何利用基站现有供电系统运行数据，在不额外增加人力、物力的情况下构建有效的异常检测模型对实现 5G 基站稳定运行具有重要作用。本文针对 5G 基站供电系统运行数据进行分析，不仅利用其时间序列特性，更针对基站供电系统运行数据高维空间特性进行分析，构建高维空间重构模型，从而实现对基站供电系统供电异常的有效检测。本文提出的模型能够为 5G 基站的稳定运行提供保障，研究不仅具有理论意义更具有重要的现实意义。行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度基于高维空间重构的基站异常检测王 奕王奕（1992），女，满族，辽宁丹东，中国铁塔股份有限公司大连市分公司,博士研究生在读，工程师、经济师，研究方向：数字经济、信息化。中国科技信息 2023 年第 3 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Feb.2023-80-三星推荐5G基站供电系统数据分析自动化异常检测研究现状5G 基站供电系统按照一定的时间周期有规律地记录基站工作状态，包括基站供电瞬时电流、电池电量、基站运行温度等信息。因此，对 5G 基站供电系统运行状态的分析是典型的时间序列分析问题。目前，产业界以及学术界对铁塔公司 5G 基站供电系统数据的分析主要从数据特性入手，通过分析检测数据的方差、标准差以及相对于标准差的偏离程度来判断某一时刻基站供电是否异常。这样的分析方式实现简单、操作容易，但误差分析更多的依赖经验判断，且针对高维供电系统数据的分析准确性还存在不足。为了确保 5G 基站供电稳定，铁塔公司供电系统从多角度记录基站运行数据。以大连铁塔公司为例，为了实现基站供电全监控，监管系统对包括能源电池、变压器、热交换设备等几十个供电组件的百余项指标进行监控。因此，5G 基站供电系统的监控数据具有典型的高维特性，对供电系统数据的分析不仅要考虑其时间特性还需要考虑高维数据空间分布特性。在高维流形空间，传统数据分析方法往往会造成较大的偏差。当高维空间存在数据空洞时，如图 1 所示在数据空洞周围数据之间联系性较小，存在数据空间的突变，无法形成平滑流形，然而从传统数值分析来看却差异不明显，这就会造成无法及时检测出用电数据的异常。当高维空间数据在流形上的分布存在弯曲时，如图 2 所示。由于数据空间分布弯曲的存在导致传统分析会显示在此处存在数据分布异常，然而在高维流形空间连续数据的弯曲是常见的，在弯曲部分样本点之间仍然存在紧密联系，是平滑过渡。因此，当数据弯曲存在时，利用传统方法进行数据分析会导致误检测。因此，在 5G 基站供电系统运行状态异常检测过程中不仅要考虑供电系统数据时间变化特性也要考虑数据空间分布特性。本文针对高维 5G 基站供电系统数据空间分布特性进行分析，提出一种利用高维空间重构特性进行基站供电数据异常检测的方法，有效克服高维数据空间存在的数据空洞和数据弯曲的问题，实现对 5G 基站供电系统运行的保障。基于高维空间重构的 5G基站供电系统异常检测模型5G 基站供电系统时间序列数据表示假设历史用电数据为，其中D表示一个基站各运营商用电的基站数量，m表示观测数据时间序列的长度。为了有效地获得某一时刻用电是否异常，不仅需要对其本身用电进行分析，还需要对前后用电情况进行分析。对任意一个时刻的用电数据，构建待分析用电集合，其中，表示选取的待分析集合长度（实际操作中根据用电数据采样时间选取适当的长度）。为了方便进一步分析，可将整个用电时间序列表示为，则对任意时刻可构建待分析数据。由于高维空间数据在统计过程中存在偏差，因此需要对数据进行中心化操作，则每一时刻待分析数据表示为，其中每一个元素，而。基于高维空间重构的时间序列异常检测模型本文利用样本在空间中的重构特性来检测用电数据是否存在异常，对于每一个时刻用电数据 以及其时间邻域内侍分析的数据，假设与邻域内数据样本的关系可通过 权 值 矩 阵来 表 示，其 中，。因此，高维空间中每个待分析时刻的样本和其时间邻域内样本的空间重构关系可通过如下公式获得：（1）为了获得重构权值，引入拉格朗日乘子法来对公式（1）进行求解，则公式（1）可转化为如下公式（2）所示的形式。（2）其 中表 示 拉 格 朗 日 乘 子。为 了 方 便 求 解，令，进一步求解公式（2），可获得重构权重如公式（3）所示：（3）对于分布在高维空间中的基站供电数据，如果某个时刻不存在用电异常则其和周围邻域的用电数据处于平滑的局部流形上，每个样本点都能通过近邻数据进行重构。反之，如果存在用电异常则其在高维空间中的分布也存在突变，样本点通过近邻进行重构的可能性较低，如图 2 所示。因此，通过分析待监测时刻数据样本在高维空间上重构误差，可获得其是否存在用电异常，重构误差可通过公式（4）进行计算。（4）图 1 高维数据分布空洞示意图图 2 高维数据局部弯曲示意图-81-CHINA SCIENCE AND TECHNOLOGY INFORMATION Feb.2023中国科技信息 2023 年第 3 期三星推荐对时间序列上每一个观测点计算重构误差，从而可以构建基站观测数据重构误差分析曲线。在此基础上设定阈值，当存在重构误差大于给定阈值的观测点，则说明该观测点是异常观测点。基于高维空间重构的 5G基站供电系统异常检测模型实现5G 基站供电系统运行数据特征优化5G 在商用建设过程中电源系统是非常重要的一个组成部分，供电系统质量会对整个 5G 通信网络运行效率产生巨大影响，因此针对 5G 基站供电系统需求及供电技术进行探讨具有重要的现实意义。为了确保 5G 基站平稳运行，铁塔公司对基站供电系统相关的百余个指数进行监控，保证供电系统每个环节运行的可靠性。然而，在实际应用过程中这些基站供电系统运行指标无法直接应用于异常检测模型，需要进行数据预处理，主要包括两个方面的内容：（1）缺失值填补；（2）离散数据的数值化表示。基于高斯滤波的缺失值填补在实际应用过程中，时间戳不匹配或网络传输异常等问题会导致监控系统在某一时刻无法获取某个传感器的数据，而对于这样的情况为了不影响整体的分析效果需要将缺失值补齐。在缺失值填补的过程中不能简单地将缺失值赋值为某个特定值（0、平均值等），而且需要考虑数值的缺失是否因为传感器损坏，如果因为传感器失效导致数据无法上传，这种情况就可以判定为异常。因此，本文中选取基于高斯滤波的缺失值填补方法，即对于缺失值考虑观测点前后的数值，通过高斯滤波的方式实现缺失值的平滑处理，从而实现对缺失值的动态补充。滤波的目的就是使数据更加光滑，空间曲线和曲面连续性更好，所以滤波要剔除夹杂在数据点云中的各种噪声，在使模型变得更光滑的同时保持模型固有的几何特征，且要防止体积收缩和模型变形。此外，基于高斯滤波的缺失值填补方法考虑上下文信息，对于传感器损坏导致到连续数值缺失也能给予实时的反应，避免因缺失值填补导致无法检测到传感器失效导致的异常。基于 One-hot 编码的离散数据特征表示基站供电系统相关的数据指标中很多是离散型数据，例如，空调节能模式、制热制冷状态等。离散型数据在记录的时候每一个数值都代表了一种状态，以空调制热状态为例，“1”代表空调正在制热，“0”代表空调未制热。如果在数值分析的时候直接利用系统所记录的数值进行分析则无法完全表达状态之间的差异。例如，“0”和“1”之间数值只相差了 1，相比于负载电压这种较大的数值来说无法充分反映空调是否制热这种状态上的差异。因此，本文利用 One-hot 编码来对离散数据进行表示，即将多种状态用不同位置的编码进行差异化表示。例如，空调节能模式有 4 种，初始的记录方式是用数值“0、1、2、3”来表示不同的节能模式。One-hot 编码则利用长度为 4 位的编码来进行替换，从而实现离散数据的差异化表示，如表 1 所示。表 1 基于 One-hot 编码的离散数据表示示例原始状态数据表示One-hot 编码表示01000101002001030001基于高维空间重构的 5G 基站供电系统异常检测在完成对 5G 基站供电系统数据的优化后，计算每一个监测时间点的高维重构误差，并建立高维重构误差随时间变动的误差曲线，如图 3 所示。在此基础上根据误差阈值 将重构误差较大的观测点选出，即为待检测的供电异常节点。表 2 基于高维空间重构的异常检测方法对大连部分区域基站供电系统运行异常检测准确率（以 2020 年 11 月 1 日至 2021 年 1 月 31 日为例）区域检测准确率（%）区域检测准确率（%）长海县86.80高新园区88.84金州区93.12旅顺口区91.12旅顺口区83.26普兰店区84.72基于高维空间重构的 5G 基站供电系统异常检测方法对大连市部分区域 2020 年 11 月 1 日至 2021 年 1 月 31 日5G基站供电系统运行异常情况进行检测获得了较好的结果，平均预测准确性大于 85%。对异常的及时检测能够有效保障供电系统的平稳运行，满足 5G 基站运营需求。结束语利用基于高维空间重构的异常检测模型能够有效提升5G 基站供电异常检测的准确性，在不增加额外人力物力的情况下保障 5G 基站的稳定、可靠运行。基于高维空间重构的 5G 基站供电系统异常检测方法主要有以下几方面优点：第一，充分利用基站供电系统本身的运行大数据，在模型构建过程中对训练数据依赖性不强，能够有效地对不同用户、不同地区的供电基站运行数据进行分析。第二，基站供电异常检测过程中不仅利用数据的时序特性，也对数据空间特性进行分析，有效提升异常检测的准确性，保障基站稳定运行。第三，方法鲁棒性高、可行性高、可迁移性强，便于推广应用，有助于提升基站运维工作效率。图 3 5G 基站供电系统高维空间重构误差时间序列（以 2020 年 11 月 1 日至 2021 年 1 月 31 日为例）