基于样本均衡与特征交互的通信网络故障预测方法

贾珺¹,冯春燕²,夏海轮³,张天魁¹,李成钢⁴

1. 北京邮电大学
2. 北京邮电大学，通信网络综合技术研究所
3. 北京邮电大学信息与通信工程学院
4. 中国电信集团系统集成有限责任公司

收稿日期:2021-04-01修回日期:2021-10-07出版日期:2021-12-28发布日期:2021-11-16
通讯作者:张天魁E-mail:zhangtiankui@bupt.edu.cn

Communication Network Fault Prediction Method Based on Sample Equalization and Feature Interaction

Received:2021-04-01Revised:2021-10-07Online:2021-12-28Published:2021-11-16

摘要/Abstract

摘要： 针对通信网络故障预测数据集样本不均衡影响故障预测准确性的问题，提出了基于样本均衡与特征交互的通信网络故障预测方法。首先，将基于Wasserstein距离的梯度惩罚生成对抗网络（Wasserstein Generative Adversarial Networks-Gradient Penalty, WGAN-GP）用于生成新的少数类样本，解决了告警数据集中存在的样本不均衡问题。之后，提出了基于记忆的特征生成卷积神经网络（Memory based Feature Generation by Convolutional Neural Network, M-FGCNN）模型。所提模型基于多层感知器和卷积神经网络加强特征间交互；并利用告警领域专家经验基于因子分解机模型生成新的告警特征；进一步，在模型的嵌入矩阵中加入记忆向量，设计模型的损失函数增强了模型的记忆性。给出了在样本不均衡的公开数据集的实验结果，验证了WGAN-GP相比已有样本均衡方法能够生成质量更好的新数据。以此为基础，验证了所提M-FGCNN模型相比其他深度学习模型具有更好的通信网络故障预测性能。
中图分类号:
TN92

引用本文

贾珺 冯春燕 夏海轮 张天魁 李成钢. 基于样本均衡与特征交互的通信网络故障预测方法[J]. 北京邮电大学学报, 2021, 44(06): 62-69.





PDF全文下载地址:

https://journal.bupt.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4907