張嬌陽，孫 黎

(西安交通大學(xué) 信息與通信工程學(xué)院，陜西 西安 710049)

0 引言

異常檢測[1-2]和流量預(yù)測是無線網(wǎng)絡(luò)數(shù)據(jù)分析和管理中的重要任務(wù)，有利于提高網(wǎng)絡(luò)的智能化管理水平，實(shí)現(xiàn)網(wǎng)絡(luò)資源的優(yōu)化分配和按需調(diào)度。在邊緣計(jì)算場景下，異常檢測和流量預(yù)測任務(wù)在距離數(shù)據(jù)源更近的位置——基站進(jìn)行計(jì)算，以減少移動(dòng)業(yè)務(wù)交付的端到端時(shí)延，發(fā)掘無線網(wǎng)絡(luò)的內(nèi)在能力，從而提升用戶體驗(yàn)。

現(xiàn)有的異常檢測研究工作中，監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)算法已被廣泛應(yīng)用于流量異常檢測研究中。基于有監(jiān)督學(xué)習(xí)的異常檢測方法依賴于已標(biāo)記網(wǎng)絡(luò)正常行為的數(shù)據(jù)集，然而在實(shí)際應(yīng)用中，沒有異常的數(shù)據(jù)集非常罕見并且獲得代價(jià)昂貴。無監(jiān)督學(xué)習(xí)的異常檢測方法中，K均值(K-means)聚類方法[3-4]由于其簡易性，被廣泛應(yīng)用到異常檢測任務(wù)當(dāng)中?；?K-means 聚類的異常檢測方法通過將數(shù)據(jù)劃分為正常流量集群和異常流量集群的方式來檢測異常。但是，該異常檢測的方法依然存在一些問題，直接利用聚類算法檢測異常可以檢測到高流量區(qū)域的異常，但會(huì)忽略低流量區(qū)域存在的異常。另外有基于流量模式的K-means聚類的異常檢測方法[5]，在大規(guī)模長時(shí)間序列檢測問題中，存在處理區(qū)域數(shù)量有限、處理數(shù)據(jù)時(shí)長有限等缺陷。

現(xiàn)有的流量預(yù)測研究工作中[6]，基于統(tǒng)計(jì)的方法將無線網(wǎng)絡(luò)流量預(yù)測視為時(shí)間序列預(yù)測問題，其性能取決于利用哪一種統(tǒng)計(jì)模型進(jìn)行建模，常用的模型包括回歸移動(dòng)平均(ARIMA)、α穩(wěn)定模型等，但這些基于統(tǒng)計(jì)的模型無法同時(shí)建模多種因素的影響。為了挖掘無線網(wǎng)絡(luò)流量數(shù)據(jù)中隱藏著的復(fù)雜依賴性關(guān)系，深度學(xué)習(xí)模型被應(yīng)用到無線網(wǎng)絡(luò)流量預(yù)測中。文獻(xiàn)[7]提出了一種基于深度學(xué)習(xí)的混合模型進(jìn)行時(shí)空流量預(yù)測，采用自編碼器建模空間依賴性，同時(shí)采用長短期記憶網(wǎng)絡(luò)建模時(shí)間依賴性。但是這種建模方式是有損的，而且需要對(duì)每個(gè)區(qū)域分別進(jìn)行建模，無法同時(shí)獲得預(yù)測結(jié)果。文獻(xiàn)[8-9]采用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行建模，可以實(shí)現(xiàn)用一個(gè)模型對(duì)無線網(wǎng)絡(luò)流量進(jìn)行預(yù)測。然而，空間依賴性不能只局限于與目標(biāo)位置相鄰的區(qū)域，以市中心的大學(xué)和郊區(qū)的大學(xué)為例，兩個(gè)地區(qū)屬于地理位置不相鄰的同種功能區(qū)，流量模式存在強(qiáng)相關(guān)性，如果僅能學(xué)習(xí)相鄰區(qū)域的相關(guān)性，會(huì)缺失如上例所述的非相鄰但功能相同的區(qū)域間的重要信息，導(dǎo)致學(xué)習(xí)效果不佳。上述基于卷積神經(jīng)網(wǎng)絡(luò)的研究工作僅能捕獲目標(biāo)區(qū)域相鄰的局部區(qū)域的相關(guān)性，不能捕獲全局的空間依賴性。非局部神經(jīng)網(wǎng)絡(luò)(NLnet)預(yù)測方法對(duì)全局空間相關(guān)性進(jìn)行建模，但是忽略了不同通信數(shù)據(jù)間的相關(guān)性。

針對(duì)異常檢測和流量預(yù)測任務(wù)面臨的上述問題，本文提出一種基于特征降維的異常檢測方法和多數(shù)據(jù)集聯(lián)合預(yù)測的移動(dòng)網(wǎng)絡(luò)流量預(yù)測方法。基于特征降維的異常檢測方法首先在全局范圍內(nèi)提取所有區(qū)域流量特征，利用特征數(shù)據(jù)鎖定可疑異常出現(xiàn)的網(wǎng)格，再分別對(duì)出現(xiàn)可疑異常警報(bào)網(wǎng)格中的原始流量數(shù)據(jù)使用K-means聚類方法進(jìn)行局部異常檢測，本方法可以快速準(zhǔn)確檢測大規(guī)模流量數(shù)據(jù)的可疑異常，更適用于規(guī)模大、持續(xù)時(shí)間長的蜂窩網(wǎng)絡(luò)數(shù)據(jù)。在多數(shù)據(jù)集聯(lián)合預(yù)測的移動(dòng)網(wǎng)絡(luò)流量預(yù)測方法中，引入注意力機(jī)制學(xué)習(xí)各個(gè)時(shí)刻不同業(yè)務(wù)間的相關(guān)性，并利用循環(huán)神經(jīng)網(wǎng)絡(luò)記憶這種相關(guān)性，進(jìn)一步提高了流量預(yù)測的準(zhǔn)確度，適用于對(duì)歷史數(shù)據(jù)量少、相關(guān)業(yè)務(wù)數(shù)據(jù)多的活動(dòng)進(jìn)行預(yù)測。

1 系統(tǒng)模型和數(shù)據(jù)集描述

1.1 系統(tǒng)模型

系統(tǒng)模型由邊緣計(jì)算網(wǎng)絡(luò)架構(gòu)組成，如圖1所示[10]，邊緣計(jì)算架構(gòu)分為終端設(shè)備、邊緣、云端三層。終端層由各種設(shè)備組成，主要完成收集原始數(shù)據(jù)并上報(bào)的功能，以事件源的形式作為應(yīng)用服務(wù)的輸入。邊緣計(jì)算層由網(wǎng)絡(luò)邊緣節(jié)點(diǎn)構(gòu)成，廣泛分布在終端設(shè)備與計(jì)算中心之間，邊緣計(jì)算層通過合理部署和調(diào)配網(wǎng)絡(luò)邊緣側(cè)的計(jì)算和存儲(chǔ)能力，實(shí)現(xiàn)基礎(chǔ)服務(wù)響應(yīng)，邊緣計(jì)算層的上報(bào)數(shù)據(jù)將在云計(jì)算中心進(jìn)行永久性存儲(chǔ)。本文的異常檢測和流量預(yù)測功能依托邊緣計(jì)算下沉到基站完成。

圖1 邊緣計(jì)算網(wǎng)絡(luò)架構(gòu)Fig.1 Edge computing network architecture

1.2 數(shù)據(jù)集描述

本文使用的蜂窩流量數(shù)據(jù)集由意大利電信移動(dòng)公司提供[11]，該數(shù)據(jù)集是大數(shù)據(jù)挑戰(zhàn)賽的一部分。原始數(shù)據(jù)集收集了整個(gè)米蘭城市內(nèi)每隔10 min的手機(jī)活動(dòng)記錄(62天， 300百萬條記錄，大約19 GB)。米蘭市的面積為550 km2，根據(jù)基站分布情況，被劃分為100 × 100正方形網(wǎng)格。每個(gè)正方形網(wǎng)格的大小約為0.235 km×0.235 km，在本節(jié)中每一個(gè)正方形網(wǎng)格被稱為網(wǎng)格或網(wǎng)格區(qū)域。米蘭市的部分網(wǎng)格區(qū)域如圖2所示。

在原始數(shù)據(jù)集中，每條手機(jī)流量活動(dòng)記錄均由以下條目組成。

① 網(wǎng)格編號(hào)(Square ID)：對(duì)已劃分網(wǎng)格的編號(hào)；

② 時(shí)間戳(Time-stamp)：每一條手機(jī)流量活動(dòng)的時(shí)間戳；

③ 接收短消息活動(dòng)量(SMS-in Activity)：某一特定網(wǎng)格內(nèi)每10 min內(nèi)接收的短消息活動(dòng)流量值；

④ 發(fā)送短消息活動(dòng)量(SMS-out Activity)：某一特定網(wǎng)格內(nèi)每10 min內(nèi)發(fā)送的短消息活動(dòng)流量值；

⑤ 接聽電話活動(dòng)量(Call-in Activity)：某一特定網(wǎng)格內(nèi)每10 min內(nèi)接聽的電話活動(dòng)流量值；

⑥ 撥打電話活動(dòng)量(Call-out Activity)：某一特定網(wǎng)格內(nèi)每10 min內(nèi)撥打的電話活動(dòng)流量值；

⑦ 互聯(lián)網(wǎng)活動(dòng)量(Internet Activity)：某一特定網(wǎng)格內(nèi)每10 min內(nèi)互聯(lián)網(wǎng)接入活動(dòng)流量值；

⑧ 國家代碼(Country Code)：電話國家代碼。

圖2 米蘭部分網(wǎng)格區(qū)域Fig.2 Part of the grid area in Milan

2 基于特征降維的網(wǎng)絡(luò)流量異常檢測方案

2.1 基于長短期記憶自編碼器的流量特征提取與異常網(wǎng)格標(biāo)識(shí)

在大規(guī)模蜂窩數(shù)據(jù)異常檢測任務(wù)中，由于數(shù)據(jù)收集覆蓋范圍大，流量數(shù)據(jù)持續(xù)時(shí)間長，直接在全局范圍對(duì)原始數(shù)據(jù)進(jìn)行異常檢測會(huì)花費(fèi)大量時(shí)間，消耗計(jì)算機(jī)資源。所以在全局范圍內(nèi)異常檢測前需要對(duì)流量數(shù)據(jù)進(jìn)行合理的降維處理，提取高維流量數(shù)據(jù)的特征，便于獲取全局范圍內(nèi)的異常信息。

蜂窩流量數(shù)據(jù)記錄了不同時(shí)刻各個(gè)網(wǎng)格的流量值，相鄰時(shí)刻流量值具有強(qiáng)相關(guān)性，為了有效提取這種相關(guān)性，這里使用長短期記憶(Long Short Term Memory,LSTM)自編碼器對(duì)原始蜂窩流量數(shù)據(jù)提取流量特征，使用這一模型可以更好地學(xué)習(xí)歷史時(shí)間序列的相關(guān)性，同時(shí)提取蜂窩流量數(shù)據(jù)的流量特征，模型框圖如圖3所示。

圖3 LSTM自編碼器結(jié)構(gòu)Fig.3 LSTM autoencoder structure

其中，LSTM的網(wǎng)絡(luò)結(jié)構(gòu)是鏈?zhǔn)窖h(huán)的結(jié)構(gòu)[12]，能夠用來處理長時(shí)依賴的問題，一個(gè)方塊代表一個(gè)時(shí)刻的LSTM單元，包括3個(gè)門：輸入門、遺忘門、輸出門。輸入門控制著網(wǎng)絡(luò)的輸入，遺忘門控制著網(wǎng)絡(luò)的記憶單元，決定之前的哪些記憶將被保留，哪些記憶將被去除，輸出門控制著網(wǎng)絡(luò)的輸出。

(1)

式中，N代表x的維度，下標(biāo)i代表向量的第i個(gè)分量。

為了保證隱變量h中信息的有效性，在構(gòu)建自編碼器時(shí)，通常限制隱變量h輸入的維度小于輸入數(shù)據(jù)x的維度，這使得編碼器能夠完成數(shù)據(jù)壓縮的任務(wù)。

經(jīng)過LSTM自編碼器可以得到蜂窩流量數(shù)據(jù)的低維特征，在新的低維空間找到與整體數(shù)據(jù)樣本表現(xiàn)出來的特點(diǎn)不一致的數(shù)據(jù)點(diǎn)標(biāo)記為可疑異常，鎖定可疑異常出現(xiàn)的網(wǎng)格，下一步對(duì)所有可疑異常出現(xiàn)的網(wǎng)格進(jìn)行局部異常檢測。

2.2 異常流量檢測

通過上一步使用LSTM自編碼器獲得新的蜂窩流量特征，在新的特征空間發(fā)現(xiàn)可疑異常出現(xiàn)的網(wǎng)格。獲取到所有異?？赡艹霈F(xiàn)的網(wǎng)格后，在每個(gè)可疑異常出現(xiàn)的網(wǎng)格中對(duì)原始數(shù)據(jù)進(jìn)行聚類檢測異常，將聚類結(jié)果中流量值大且同一類中樣本數(shù)少的樣本標(biāo)記為異常數(shù)據(jù)。

這里選擇K-means[13]進(jìn)行異常檢測，與其他聚類方法相比，K-means算法的時(shí)間復(fù)雜度更低，占用的計(jì)算資源更少，因此，這里選用 K-means算法檢測可疑異常。應(yīng)用該算法時(shí)，首先采用戴維森堡丁指數(shù)(DBI)確定聚類集群的最佳數(shù)目，DBI定義為：

(2)

(3)

mi,j=‖ai-aj‖2，

(4)

(5)

將數(shù)據(jù)集中的樣本劃分為若干不相交的子集，每個(gè)子集為一個(gè)“簇”，通過這樣的劃分可以尋找出異常數(shù)據(jù)對(duì)應(yīng)的簇。最后，因?yàn)楫惓Ａ髁恐蹬c正常流量值有很大的差異，所以異常流量樣本將組成單獨(dú)的集群，將具有最少樣本數(shù)量且流量值數(shù)量級(jí)別最高的集群認(rèn)定為異常。

3 基于注意力機(jī)制的多數(shù)據(jù)集聯(lián)合預(yù)測方案

本節(jié)使用經(jīng)過上述方法剔除異常后的5種數(shù)據(jù)，包括互聯(lián)網(wǎng)數(shù)據(jù)、接聽的話音業(yè)務(wù)數(shù)據(jù)、撥打的話音業(yè)務(wù)數(shù)據(jù)、接收的短消息業(yè)務(wù)數(shù)據(jù)和發(fā)送的短消息業(yè)務(wù)數(shù)據(jù)，然后利用互聯(lián)網(wǎng)數(shù)據(jù)和其余業(yè)務(wù)數(shù)據(jù)的相關(guān)性預(yù)測未來的互聯(lián)網(wǎng)數(shù)據(jù)。預(yù)測模型如圖4所示，首先將各類業(yè)務(wù)分別輸入相同的循環(huán)神經(jīng)網(wǎng)絡(luò)中，記錄各時(shí)刻的輸出，然后將同一時(shí)刻所有業(yè)務(wù)數(shù)據(jù)在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)單元的輸出輸入到注意力單元中，計(jì)算當(dāng)前時(shí)刻其余業(yè)務(wù)與目標(biāo)業(yè)務(wù)的相關(guān)性，各個(gè)時(shí)刻依次進(jìn)行相同操作，最后一個(gè)時(shí)間節(jié)點(diǎn)目標(biāo)業(yè)務(wù)的輸出即為流量預(yù)測的結(jié)果。

圖4 基于注意力機(jī)制的多數(shù)據(jù)集聯(lián)合預(yù)測方案Fig.4 Multi-data set joint prediction scheme based on attention mechanism

以第一個(gè)時(shí)刻為例，注意力單元內(nèi)部結(jié)構(gòu)如圖5所示。

圖5 注意力模塊內(nèi)部結(jié)構(gòu)Fig.5 Internal structure of attention module

為保證模型訓(xùn)練正確，將輸入模型的數(shù)據(jù)分別進(jìn)行歸一化，接下來生成查詢張量qj、鍵張量kj、值張量vj,考慮到預(yù)測目標(biāo)是互聯(lián)網(wǎng)數(shù)據(jù)，所以僅需要對(duì)互聯(lián)網(wǎng)數(shù)據(jù)生成查詢張量qj。然后根據(jù)查詢張量qj和鍵張量kj計(jì)算不同數(shù)據(jù)的相似度α1m。

(6)

最后使用相似度張量和值張量做乘法得到自注意力機(jī)制的輸出。

4 實(shí)驗(yàn)結(jié)果

4.1 數(shù)據(jù)預(yù)處理

流量數(shù)據(jù)根據(jù)數(shù)據(jù)集可知，每個(gè)流量活動(dòng)值(SMS-in Activity,SMS-out Activity,Call-in Activity,Call-out Activity,Internet Activity)表示某一網(wǎng)格在10 min內(nèi)所有用戶的通信強(qiáng)度。在實(shí)驗(yàn)中，為了避免數(shù)據(jù)稀疏，首先將每條流量活動(dòng)記錄的5種活動(dòng)值相加為一個(gè)值，該值描述一個(gè)網(wǎng)格內(nèi)所有用戶的總活動(dòng)量。然后，將數(shù)據(jù)時(shí)間間隔由10 min匯總到1 h。因此，本文中所需檢測的異常確切指代高于正常模式的流量值。

4.2 評(píng)估指標(biāo)

為全面評(píng)估不同的異常檢測算法，將本文異常剔除方案與其他異常剔除方案進(jìn)行流量預(yù)測對(duì)比。流量預(yù)測過程中，采用了2個(gè)評(píng)價(jià)指標(biāo)進(jìn)行評(píng)價(jià)。

第一個(gè)是均方根誤差(RMSE)，這是度量模型預(yù)測值和真實(shí)值之間平方差的指標(biāo)。定義為：

(7)

第二個(gè)是平均絕對(duì)誤差(MAE)，這是度量預(yù)測值與真實(shí)值之間絕對(duì)誤差的指標(biāo)，定義為：

(8)

4.3 基準(zhǔn)方法

為了證明所提出異常檢測效果優(yōu)越性，將基于特征降維的異常檢測方法、經(jīng)典K-means聚類方法以及基于流量模式的異常檢測3種方法進(jìn)行性能對(duì)比。分別對(duì)經(jīng)過3種異常檢測方法剔除異常后的流量數(shù)據(jù)分區(qū)域進(jìn)行預(yù)測，輸入歷史記錄中168 h的流量預(yù)測未來84 h的流量值，在預(yù)測過程中，采用如下的基準(zhǔn)方法。

(1) 線性回歸模型

回歸問題中最簡單的模型，模型的具體表示形式如式(9)：

y=wTx，

(9)

式中，x代表輸入的歷史流量數(shù)據(jù)，w代表要學(xué)習(xí)的參數(shù)。

(2) 支持向量回歸模型

支持向量回歸(Support Vector Regression，SVR)[14]是支持向量機(jī)一個(gè)重要分支，其思想在于尋找一個(gè)超平面使得所有樣本點(diǎn)到其距離最小。

(3) 長短期記憶網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)是深度學(xué)習(xí)常用模型之一，通過加入門機(jī)制解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)中梯度爆炸和梯度消失的問題，常用于解決有關(guān)序列預(yù)測和分類的問題。

以上所有模型均取在測試集上表現(xiàn)最好的結(jié)果和本文所提出的方法進(jìn)行比較。

4.4 結(jié)果及討論

4.4.1 異常檢測結(jié)果

特征降維后的數(shù)據(jù)可視化結(jié)果如圖6所示，可以看到異常蜂窩網(wǎng)絡(luò)數(shù)據(jù)的特征向量會(huì)與正常蜂窩網(wǎng)絡(luò)數(shù)據(jù)的特征向量分離，分別記為異常簇和正常簇。

圖6 特征空間樣本分布Fig.6 Feature space sample distribution

可視化異常簇中出現(xiàn)的網(wǎng)格中的流量數(shù)據(jù)，以網(wǎng)格3667、3983、4181、4621為例，結(jié)果如圖7所示?？梢钥吹搅髁繑?shù)據(jù)整體呈現(xiàn)周期性分布，部分時(shí)刻會(huì)出現(xiàn)與常規(guī)模式不一致的極大值。將這些網(wǎng)格區(qū)域標(biāo)記為可疑異常網(wǎng)格。然后對(duì)所有異常網(wǎng)格中的數(shù)據(jù)使用K-means算法，檢測可疑網(wǎng)格中異常出現(xiàn)的具體時(shí)刻，結(jié)果如圖8所示，檢測到了可疑網(wǎng)格中出現(xiàn)的流量突增異常。

(a) 網(wǎng)格3667

(a) 網(wǎng)格3667

獲得異常網(wǎng)格和異常出現(xiàn)的具體時(shí)刻后，為了驗(yàn)證異常檢測的準(zhǔn)確度，對(duì)通過該方案剔除異常后的數(shù)據(jù)進(jìn)行流量預(yù)測，與使用其他異常檢測方法剔除異常后的流量預(yù)測效果進(jìn)行對(duì)比，結(jié)果如表1所示。

表1 3種異常檢測方法在高、低流量區(qū)域內(nèi)性能比較

經(jīng)典的K-means算法將均值最大的簇標(biāo)記為異常樣本，這些異常樣本中也包含部分未發(fā)生異常的高流量網(wǎng)格，所以使用該法剔除異常后的數(shù)據(jù)預(yù)測誤差在高流量地區(qū)小，在低流量地區(qū)大?；诹髁磕Ｊ降漠惓z測方法在高、低流量地區(qū)異常檢測性能均不是最佳?；谔卣鹘稻S的異常檢測方法通過訓(xùn)練得到特征向量，可以排除虛假異常，快速、準(zhǔn)確檢測到不同流量地區(qū)的異常?？偠灾?，在高流量區(qū)域，所提方案可以有效檢測出可疑異常，在低流量區(qū)域本方案可以以更高的準(zhǔn)確度進(jìn)行流量預(yù)測。

4.4.2 流量預(yù)測結(jié)果

使用上節(jié)所述方法，對(duì)5種業(yè)務(wù)數(shù)據(jù)分別剔除異常后，采用基于注意力的多數(shù)據(jù)集聯(lián)合預(yù)測方法和RNN預(yù)測方法進(jìn)行對(duì)比試驗(yàn)。表2為這兩種方法在RMSE和MAE上的預(yù)測效果。圖9(a)～圖9(c)為基于注意力機(jī)制的多數(shù)據(jù)集聯(lián)合預(yù)測方法對(duì)不同時(shí)長的流量數(shù)據(jù)的預(yù)測結(jié)果圖，圖9(d)～圖9(f)為基于RNN預(yù)測方法對(duì)不同時(shí)長的流量數(shù)據(jù)的預(yù)測結(jié)果圖。橙線為真實(shí)數(shù)據(jù)，藍(lán)線為預(yù)測數(shù)據(jù)，可以看到RNN預(yù)測方法可以準(zhǔn)確預(yù)測流量數(shù)據(jù)周期性等大體趨勢，但是無法精準(zhǔn)預(yù)測流量的細(xì)節(jié)，缺少對(duì)具體時(shí)刻流量值的信息預(yù)測。采用基于注意力的多數(shù)據(jù)集聯(lián)合預(yù)測方法的預(yù)測結(jié)果不只顯示數(shù)據(jù)的周期信息，而且在峰值處可以更準(zhǔn)確地預(yù)測數(shù)據(jù)，對(duì)未來48 h、72 h、168 h的流量數(shù)據(jù)預(yù)測結(jié)果對(duì)比均顯示了該方法的有效性。

(a) 多數(shù)據(jù)集聯(lián)合預(yù)測模型預(yù)測未來 48 h流量值

表2 兩種預(yù)測方法對(duì)不同時(shí)長數(shù)據(jù)的預(yù)測性能比較

由于訓(xùn)練時(shí)長為168 h,所以當(dāng)預(yù)測時(shí)長小于168 h時(shí)，多數(shù)據(jù)集聯(lián)合預(yù)測模型預(yù)測誤差在RMSE和MAE兩個(gè)指標(biāo)上均小于RNN。利用注意力模塊可以學(xué)習(xí)目標(biāo)業(yè)務(wù)數(shù)據(jù)與其余業(yè)務(wù)數(shù)據(jù)的相關(guān)性，充分利用業(yè)務(wù)間的相關(guān)性輔助目標(biāo)業(yè)務(wù)預(yù)測，不僅可以預(yù)測流量數(shù)據(jù)變化周期，還可以更精準(zhǔn)預(yù)測不同時(shí)刻流量值。

5 結(jié)束語

針對(duì)大規(guī)模蜂窩流量數(shù)據(jù)異常檢測中直接對(duì)原始數(shù)據(jù)進(jìn)行檢測存在的數(shù)據(jù)冗余和計(jì)算冗余的問題，為減少移動(dòng)業(yè)務(wù)交付的端到端時(shí)延，實(shí)現(xiàn)網(wǎng)絡(luò)資源的優(yōu)化分配，提出了基于特征降維的蜂窩流量數(shù)據(jù)異常檢測方法。該方法利用LSTM自編碼器提取流量數(shù)據(jù)低維特征，再對(duì)新的特征空間進(jìn)行理論分析，選取異常特征參數(shù)挖掘異常數(shù)據(jù)，實(shí)現(xiàn)針對(duì)大規(guī)模高維流量數(shù)據(jù)的異常檢測功能。該方法可以更好地檢測出高、低不同活躍度區(qū)域內(nèi)的漏報(bào)異常；針對(duì)流量預(yù)測中存在的忽略不同通信數(shù)據(jù)間相關(guān)性的問題，提出基于注意力機(jī)制的多數(shù)據(jù)集聯(lián)合預(yù)測方案，將提出的流量預(yù)測方法與基準(zhǔn)預(yù)測方法在不同時(shí)長預(yù)測任務(wù)中進(jìn)行對(duì)比實(shí)驗(yàn)，所提出的流量預(yù)測方法在RMSE和MAE性能指標(biāo)上都獲得了最好的性能表現(xiàn)，從而證明了所提出方法的有效性。