基于图结构的蜂窝网络故障自动标注与迁移学习系统研究

《IEEE Open Journal of the Communications Society》：A System for Automatic, Quantitative and Visual Labeling for Failure Management in Cellular Network Data Clusters

本刊推荐：为解决蜂窝网络故障管理中模型性能下降和新问题识别困难，研究人员开发了一种基于图结构的自动标注系统。该系统通过检测指标退化模式、构建相关度量分组并生成图基描述，实现了无先验信息的故障聚类标注。研究结果表明，该方法能生成定量化、可视化的标签，支持跨数据集的迁移学习应用，显著提升了网络运维效率。

　　

随着5G/6G技术的快速发展，现代蜂窝网络的复杂性与日俱增。海量的性能指标、计数器数据和配置参数使得网络运维人员不堪重负。欧洲电信标准协会（ETSI）提出的零接触网络与服务管理（ZSM）架构虽致力于实现网络管理的自动化，但在异常检测和故障诊断环节仍面临严峻挑战。特别是当网络部署新技术或环境变化时，往往会产生未知故障模式，导致现有机器学习模型性能退化，这种现象被称为概念漂移（concept drift）。传统依赖人工标注故障聚类的方式效率低下，而现有自动标注方法在处理时间序列数据和多重故障表征时存在明显局限。

针对这一痛点，来自马拉加大学电信研究所与爱立信研发团队的研究人员在《IEEE Open Journal of the Communications Society》发表了一项创新研究。他们开发了一套基于图结构的自动标注系统，能够对蜂窝网络数据聚类进行定量化、可视化的故障标注，为迁移学习（transfer learning）在跨数据集应用提供了新的解决方案。

研究团队采用的核心技术方法包括：首先通过阈值化处理检测各指标退化模式，统计不同退化组合的出现频次；接着利用条件概率分析度量间的统计关联，通过迭代分组算法构建相关性最强的度量集合；最后基于有向无环图生成层次化故障描述，图中节点代表同步退化的度量组，边表示条件概率关系。实验数据来自两个商用蜂窝网络的超过34万条小时级样本，涵盖1000多个基站的关键绩效指标（KPI）。

主要研究结果如下：

一、图基描述生成验证

以PUSCH（Physical Uplink Shared Channel）和PUCCH（Physical Uplink Control Channel）干扰故障为例，系统成功识别出包含AVG_N_I_PUSCH和AVG_N_I_PUCCH的核心退化模式。当条件概率阈值P_min设置为0.7时，生成的有向图清晰显示了该双度量组在100%异常样本中同时出现，而平均用户上行吞吐量（AVG_USER_THP_UL）等次要指标则以58%的条件概率形成分支节点。

二、聚类比对与融合效能

通过计算跨数据集的聚类相似度矩阵，系统准确匹配了相同故障类型的聚类。例如在两个数据集中，表征无线接入问题的类3聚类均以ROBUST_RA_SR为核心特征，相似度评分达0.89-0.91。而类0聚类在第二数据集中被检测出包含负载均衡（AVG_ACTIVE_USERS_DL/UL）和资源块利用率（AVG_PRB_UTIL_DL）等多重故障分支，揭示了原有分类模型需要优化调整。

研究结论表明，该系统突破了传统标注方法在时序数据处理和多重故障表征方面的限制。通过构建基于条件概率的图结构标签，不仅实现了故障模式的直观可视化，更创造了适用于跨数据集迁移的定量标签空间。值得注意的是，该方法对样本量N的处理复杂度为线性级（O(N)），对度量数K为平方级（O(K²))，具备大规模网络部署的可行性。这项技术已申请欧洲专利（EP23382898.7），为运营商构建机器学习运维（MLOps）体系提供了关键工具，有望显著提升网络故障管理的自动化水平和知识复用效率。

讨论部分指出，虽然系统在处理多重故障聚类时仍需人工干预进行聚类优化，但其模块化设计允许灵活集成运营商现有的异常检测算法。未来研究方向包括开发更智能的聚类融合策略，以及探索该框架在网络安全入侵检测等场景的扩展应用。这项研究从根本上改变了蜂窝网络故障标注的范式，为实现真正意义上的零接触网络管理迈出了关键一步。