本發(fā)明涉及5g-r網(wǎng)絡(luò)檢測監(jiān)測，具體而言，涉及基于分布式監(jiān)測和多源信息融合的5g-r網(wǎng)絡(luò)態(tài)勢感知方法。

背景技術(shù)：

1、隨著5g網(wǎng)絡(luò)的快速發(fā)展和5g-r（鐵路5g專用移動通信）技術(shù)的逐步部署，網(wǎng)絡(luò)的規(guī)模和復(fù)雜性日益增加。5g-r網(wǎng)絡(luò)作為未來智能鐵路通信基礎(chǔ)設(shè)施的重要組成部分，承載著行車安全數(shù)據(jù)傳輸、低延遲通信及海量設(shè)備連接的關(guān)鍵任務(wù)，廣泛應(yīng)用于高速鐵路、重載鐵路、普速鐵路，尤其要滿足在鐵路復(fù)雜場景中支持高速列車通信、列車運(yùn)行控制和車地協(xié)同等高可靠性需求。因此，確保5g-r網(wǎng)絡(luò)的穩(wěn)定性、可靠性和高效性已成為亟待解決的技術(shù)難題。

2、傳統(tǒng)的網(wǎng)絡(luò)監(jiān)測系統(tǒng)主要依賴集中式監(jiān)控和單一數(shù)據(jù)源的方式，通過網(wǎng)絡(luò)管理中心（omc）或網(wǎng)管工具（如snmp、syslog協(xié)議）對網(wǎng)絡(luò)的基本狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控。盡管這種方法能夠在小型網(wǎng)絡(luò)中滿足基本需求，但在應(yīng)對大規(guī)模、動態(tài)變化的5g-r網(wǎng)絡(luò)時(shí)面臨諸多挑戰(zhàn)：

3、數(shù)據(jù)來源有限：傳統(tǒng)系統(tǒng)多依賴低密度數(shù)據(jù)源，如單一設(shè)備日志或性能指標(biāo)，難以覆蓋5g-r網(wǎng)絡(luò)的全網(wǎng)運(yùn)行狀態(tài)，尤其在跨鐵路局、跨區(qū)域場景下數(shù)據(jù)采集不完整。

4、實(shí)時(shí)性不足：集中式監(jiān)控導(dǎo)致數(shù)據(jù)傳輸和處理延遲，難以滿足5g-r網(wǎng)絡(luò)低延遲（<1ms）和高實(shí)時(shí)性的要求，例如高速列車通信對信號質(zhì)量的即時(shí)感知。

5、復(fù)雜性管理困難：5g-r網(wǎng)絡(luò)涉及核心網(wǎng)、無線網(wǎng)、專用設(shè)備和接口監(jiān)測等多維度數(shù)據(jù)源，其異構(gòu)性和高動態(tài)性（如網(wǎng)絡(luò)切片、業(yè)務(wù)流量波動）增加了監(jiān)測難度，傳統(tǒng)方法難以實(shí)現(xiàn)多源數(shù)據(jù)的全面融合和智能分析。

6、故障定位效率低：現(xiàn)有系統(tǒng)多圍繞單一方面開展監(jiān)測，缺乏跨區(qū)域、多模塊協(xié)同決策和全網(wǎng)態(tài)勢感知的能力，導(dǎo)致故障根因診斷耗時(shí)長、準(zhǔn)確率低。

7、近年來，我國在鐵路專網(wǎng)檢測監(jiān)測技術(shù)領(lǐng)域取得了多項(xiàng)技術(shù)突破，例如在鐵路基礎(chǔ)設(shè)施全生命周期監(jiān)測和網(wǎng)絡(luò)安全威脅感知方面取得進(jìn)展。然而，對于5g-r網(wǎng)絡(luò)的監(jiān)測，特別是多源數(shù)據(jù)采集與分析，仍需在分布式監(jiān)測、數(shù)據(jù)融合和智能分析的重大關(guān)鍵技術(shù)上實(shí)現(xiàn)突破，以滿足鐵路專用網(wǎng)絡(luò)的高效、穩(wěn)定運(yùn)行需求。

8、現(xiàn)有技術(shù)中，已公開的專利和研究為網(wǎng)絡(luò)監(jiān)測提供了部分解決方案，但仍存在以下不足：

9、如公開號cn111641653a的中國專利提出了一種基于云平臺的網(wǎng)絡(luò)安全威脅態(tài)勢感知系統(tǒng)，其功能層包括數(shù)據(jù)采集層、態(tài)勢分析層、態(tài)勢評估層和態(tài)勢展示層。數(shù)據(jù)采集層通過syslog協(xié)議、snmp協(xié)議及網(wǎng)絡(luò)安全管理工具，采集網(wǎng)絡(luò)基礎(chǔ)數(shù)據(jù)，并采用特征融合方法評估安全態(tài)勢。然而，該系統(tǒng)針對傳統(tǒng)計(jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)，與5g-r網(wǎng)絡(luò)的特性（如低延遲、高并發(fā)、海量設(shè)備連接）差異較大，且在數(shù)據(jù)采集對象（僅限安全日志）和方法上與本發(fā)明不同，無法滿足5g-r網(wǎng)絡(luò)多源異構(gòu)數(shù)據(jù)的實(shí)時(shí)監(jiān)測需求。

10、再有公開號cn113159475a的中國專利提供了一種基礎(chǔ)設(shè)施全生命周期監(jiān)測平臺，包含狀態(tài)感知系統(tǒng)、網(wǎng)絡(luò)傳輸系統(tǒng)和數(shù)據(jù)分析系統(tǒng)，聚焦高原高寒環(huán)境下鐵路基礎(chǔ)設(shè)施（如橋梁、隧道）多源數(shù)據(jù)的狀態(tài)評估。雖涉及鐵路場景，但其主要關(guān)注物理基礎(chǔ)設(shè)施狀態(tài)，未涉及5g-r專用網(wǎng)絡(luò)的監(jiān)測和網(wǎng)絡(luò)設(shè)備的動態(tài)檢測，缺乏分布式監(jiān)測和多源信息融合的能力。

11、再有公開號cn116896462a的專利提出了一種基于網(wǎng)絡(luò)安全管理的智慧礦山網(wǎng)絡(luò)態(tài)勢感知系統(tǒng)，通過接收網(wǎng)絡(luò)設(shè)備生成的安全日志（如syslog、netflow），利用關(guān)聯(lián)分析（如apriori、fp-growth算法）和圖數(shù)據(jù)庫挖掘數(shù)據(jù)關(guān)聯(lián)，識別網(wǎng)絡(luò)攻擊相關(guān)數(shù)據(jù)。盡管該系統(tǒng)在數(shù)據(jù)關(guān)聯(lián)和分析方面有一定創(chuàng)新，但其應(yīng)用場景局限于智慧礦山網(wǎng)絡(luò)，與5g-r網(wǎng)絡(luò)的鐵路專用需求（如車地協(xié)同、低延遲通信）不匹配，且未解決分布式監(jiān)測和全網(wǎng)態(tài)勢感知的難題。

12、此外，當(dāng)前5g-r網(wǎng)絡(luò)監(jiān)測工作多聚焦單一方面，如網(wǎng)絡(luò)性能或安全威脅，未形成跨路局、多源數(shù)據(jù)融合、多模塊協(xié)同決策及多層次網(wǎng)絡(luò)感知的整體方案?，F(xiàn)有技術(shù)在以下方面仍存在局限：

13、多源數(shù)據(jù)融合不足：難以整合來自核心網(wǎng)、無線網(wǎng)、接口監(jiān)測、檢測設(shè)備及gis等多維度異構(gòu)數(shù)據(jù)，導(dǎo)致態(tài)勢感知不全面。

14、智能分析能力有限：缺乏基于人工智能（如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)）和高級統(tǒng)計(jì)模型（如時(shí)序點(diǎn)過程、霍克斯理論）的智能分析，難以實(shí)現(xiàn)精準(zhǔn)的異常檢測、趨勢預(yù)測和故障根因診斷。

15、可視化支持薄弱：現(xiàn)有系統(tǒng)多以報(bào)表或簡單圖表展示數(shù)據(jù)，缺乏多維度、可視化的態(tài)勢感知能力，難以滿足鐵路運(yùn)維人員對實(shí)時(shí)、交互式監(jiān)控的需求。

16、針對上述挑戰(zhàn)和現(xiàn)有技術(shù)的不足，本發(fā)明提出了基于分布式監(jiān)測和多源信息融合的5g-r網(wǎng)絡(luò)態(tài)勢感知方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于解決上述背景技術(shù)中提出的相應(yīng)技術(shù)問題，提供了基于分布式監(jiān)測和多源信息融合的5g-r網(wǎng)絡(luò)態(tài)勢感知方法。

2、本發(fā)明的目的通過以下方案實(shí)現(xiàn)：

3、本發(fā)明的方案一方面提供了基于分布式監(jiān)測和多源信息融合的5g-r網(wǎng)絡(luò)態(tài)勢感知方法，包括以下步驟：

4、（1）分布式數(shù)據(jù)采集：通過分布式采集設(shè)備從多個(gè)異構(gòu)數(shù)據(jù)源獲取5g-r網(wǎng)絡(luò)的運(yùn)行狀態(tài)信息，所述數(shù)據(jù)源包括網(wǎng)絡(luò)設(shè)備配置數(shù)據(jù)、告警數(shù)據(jù)、性能數(shù)據(jù)、接口監(jiān)測數(shù)據(jù)、檢測數(shù)據(jù)及輔助數(shù)據(jù)；

5、（2）數(shù)據(jù)處理：對采集的多源數(shù)據(jù)進(jìn)行集中處理，包括數(shù)據(jù)清理、數(shù)據(jù)計(jì)算、數(shù)據(jù)關(guān)聯(lián)和數(shù)據(jù)重構(gòu)，利用數(shù)據(jù)挖掘技術(shù)提取關(guān)鍵特征、趨勢及模式；

6、（3）數(shù)據(jù)共享：通過統(tǒng)一存儲、管理和分發(fā)多源數(shù)據(jù)，實(shí)現(xiàn)跨區(qū)域和跨系統(tǒng)的數(shù)據(jù)無縫銜接，支持實(shí)時(shí)與歷史數(shù)據(jù)的協(xié)同分析；

7、（4）智能分析：基于人工智能技術(shù)對處理后的數(shù)據(jù)進(jìn)行異常檢測、模式識別和趨勢預(yù)測；

8、（5）可視化態(tài)勢感知：基于智能分析結(jié)果，通過可視化技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)告警、網(wǎng)絡(luò)運(yùn)用質(zhì)量、網(wǎng)絡(luò)運(yùn)維和資源管理的多維度態(tài)勢感知。

9、進(jìn)一步的，所述步驟（1）中的分布式數(shù)據(jù)采集包括使用終端數(shù)據(jù)采集設(shè)備、網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備、接口監(jiān)測設(shè)備、檢測設(shè)備及輔助采集設(shè)備，其中：

10、所述接口監(jiān)測設(shè)備采集北向接口監(jiān)測數(shù)據(jù)、全網(wǎng)信令和業(yè)務(wù)流量監(jiān)測數(shù)據(jù)；

11、所述檢測設(shè)備包括動態(tài)檢測設(shè)備和靜態(tài)檢測工具，分別采集路測數(shù)據(jù)和第三方靜態(tài)檢測數(shù)據(jù)。

12、進(jìn)一步的，所述步驟（2）中的數(shù)據(jù)處理包括：

13、數(shù)據(jù)清理：通過去噪和格式轉(zhuǎn)換處理多源數(shù)據(jù)；

14、數(shù)據(jù)關(guān)聯(lián)：采用皮爾遜相關(guān)系數(shù)算法計(jì)算告警數(shù)據(jù)與性能數(shù)據(jù)之間的線性關(guān)系，公式為：，其中，r示皮爾遜相關(guān)系數(shù)，用于衡量兩組數(shù)據(jù)之間的線性相關(guān)性；和分別表示兩組數(shù)據(jù)中的第個(gè)觀測值；和分別為和的均值；為數(shù)據(jù)樣本總數(shù)；

15、數(shù)據(jù)挖掘：使用fp-growth算法挖掘頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則，步驟包括構(gòu)建fp樹并遞歸挖掘頻繁模式。

16、進(jìn)一步的，所述步驟（4）中的智能分析包括故障根因診斷，具體方法為：

17、采用貝葉斯離散度分析評估故障事件相關(guān)性，計(jì)算條件概率：

18、；

19、其中，表示在事件b發(fā)生條件下事件a的條件概率；表示在事件a發(fā)生條件下事件b的似然概率；和分別為事件a和b的先驗(yàn)概率；

20、使用時(shí)序點(diǎn)過程（tpp）分析故障時(shí)間序列，強(qiáng)度函數(shù)為：

21、；

22、其中，表示時(shí)刻t的事件發(fā)生強(qiáng)度；為基線事件發(fā)生率，表示無觸發(fā)時(shí)的基礎(chǔ)強(qiáng)度；為觸發(fā)函數(shù)，描述前一次事件對當(dāng)前時(shí)刻t的影響；n為歷史事件總數(shù)，為第i個(gè)歷史事件的時(shí)間；

23、基于霍克斯理論識別故障傳播路徑，觸發(fā)函數(shù)為：

24、；

25、其中，表示觸發(fā)強(qiáng)度參數(shù)，用于衡量事件觸發(fā)的影響大小；表示衰減速率參數(shù)，用于描述觸發(fā)影響隨時(shí)間衰減的速度；表示當(dāng)前時(shí)間t與歷史事件時(shí)間的時(shí)間差；

26、使用邏輯回歸圖神經(jīng)網(wǎng)絡(luò)預(yù)測故障概率，邏輯回歸公式為：

27、；

28、其中，表示給定輸入特征 x條件下故障發(fā)生的概率；為截距項(xiàng)（偏置項(xiàng)），為回歸系數(shù)，反映特征x對故障概率的影響；x為輸入特征變量。

29、進(jìn)一步的，所述步驟（5）中的網(wǎng)絡(luò)告警態(tài)勢感知包括告警分析，具體方法為：通過皮爾遜算法和fp-growth算法分析告警關(guān)聯(lián)性；

30、采用時(shí)序分析檢測周期性異常，使用s-arima模型預(yù)測告警趨勢，公式為：

31、；

32、其中，表示時(shí)間序列在時(shí)刻t的值；c為常數(shù)項(xiàng)；為自回歸參數(shù)，表示過去p個(gè)時(shí)間步的滯后值對當(dāng)前值的影響；為移動平均參數(shù)，表示過去q個(gè)時(shí)間步的白噪聲對當(dāng)前值的影響；為時(shí)刻 t的白噪聲誤差項(xiàng)；

33、利用kl散度（kullback-leibler散度）評估數(shù)據(jù)分布差異，公式為：

34、；

35、其中，表示概率分布p相對于的kl散度，用于衡量兩分布之間的信息差異；和分別為兩個(gè)概率分布在事件x上的概率密度。

36、進(jìn)一步的，所述步驟（5）中的網(wǎng)絡(luò)運(yùn)用質(zhì)量感知包括質(zhì)差分析，具體方法為：

37、使用高斯混合模型（gmm）進(jìn)行質(zhì)差指標(biāo)門限自學(xué)習(xí)，概率密度函數(shù)為：

38、；

39、其中，表示觀測值 x的概率密度；k為高斯分量數(shù)；為第k個(gè)高斯分量的混合權(quán)重，滿足為第k個(gè)高斯分量的概率密度函數(shù)，其中為均值向量，為協(xié)方差矩陣；

40、采用決策樹算法定界質(zhì)差問題，基于信息熵計(jì)算分裂特征：

41、；

42、信息增益公式為：

43、；

44、其中，表示數(shù)據(jù)集s的信息熵；為類別i的概率；表示特征a帶來的信息增益；為特征a取值v的子集，和分別為子集和總集的樣本數(shù)。

45、進(jìn)一步的，所述步驟（5）中的網(wǎng)絡(luò)運(yùn)維態(tài)勢感知包括預(yù)測性維護(hù)和業(yè)務(wù)撥測驗(yàn)證，具體方法為：

46、使用回歸分析預(yù)測故障趨勢，線性回歸模型為：

47、；

48、其中，y為預(yù)測的故障趨勢值；為截距（偏置項(xiàng)）；為回歸系數(shù)，反映自變量x對因變量y的影響；x為輸入特征變量，如設(shè)備運(yùn)行時(shí)間或性能指標(biāo)；為隨機(jī)誤差項(xiàng)；

49、采用神經(jīng)網(wǎng)絡(luò)挖掘非線性故障模式，激活函數(shù)為：

50、；

51、其中，為sigmoid激活函數(shù)的輸出，x為輸入值，用于將輸入映射到[0,1]區(qū)間；

52、業(yè)務(wù)撥測驗(yàn)證使用boxplot檢測異常值，四分位距公式為：

53、；

54、異常范圍為，其中，為四分位距；和分別為數(shù)據(jù)的第一四分位數(shù)和第三四分位數(shù)；

55、使用n-sigma方法識別波動，標(biāo)準(zhǔn)化得分公式為：

56、；

57、其中，z為標(biāo)準(zhǔn)化得分；x為觀測值；為均值；為標(biāo)準(zhǔn)差；

58、采用iforest算法檢測異常，異常得分公式為：

59、；

60、其中，為樣本 x的異常得分；為樣本 x在孤立森林中所有樹的平均路徑長度；為樣本數(shù)對應(yīng)的平均路徑長度常數(shù)，為樣本總數(shù)。

61、進(jìn)一步的，所述步驟（5）中的資源管理態(tài)勢感知包括動態(tài)資源可視化，具體方法為：

62、通過后臺算法計(jì)算網(wǎng)絡(luò)切片指標(biāo)，利用n-sigma方法檢測異常波動，公式同上；

63、基于gis數(shù)據(jù)生成網(wǎng)絡(luò)拓?fù)淇梢暬褂眯畔㈧卦u估數(shù)據(jù)分布：

64、；

65、其中，表示隨機(jī)變量 x的信息熵；為事件的概率；為可能事件總數(shù)。

66、進(jìn)一步的，所述步驟（4）中的智能分析還包括異常檢測，具體方法為：

67、采用iforest算法識別異常模式，異常得分公式同上；

68、使用boxplot方法檢測性能指標(biāo)離群點(diǎn)，公式同上；

69、利用kl散度評估異常分布差異，公式同上。

70、本發(fā)明還提供了一種5g-r網(wǎng)絡(luò)態(tài)勢感知系統(tǒng)，包括：

71、分布式數(shù)據(jù)采集設(shè)備，用于采集多源數(shù)據(jù)；

72、數(shù)據(jù)共享與處理平臺，用于數(shù)據(jù)預(yù)處理和共享；

73、智能分析模塊，集成皮爾遜算法、fp-growth、貝葉斯分析、時(shí)序點(diǎn)過程（tpp）、霍克斯理論、邏輯回歸圖神經(jīng)網(wǎng)絡(luò)、高斯混合模型（gmm）、決策樹、s-arima、boxplot、n-sigma、iforest、回歸分析、神經(jīng)網(wǎng)絡(luò)及kl散度技術(shù)，執(zhí)行異常檢測與預(yù)測；

74、態(tài)勢感知模塊，提供網(wǎng)絡(luò)告警、質(zhì)量、運(yùn)維和資源管理的可視化展示；

75、用戶接口層，支持實(shí)時(shí)監(jiān)控與決策。

76、與現(xiàn)有技術(shù)相比，本發(fā)明具備以下有益效果：

77、1、本發(fā)明通過分布式監(jiān)測技術(shù)在5g-r網(wǎng)絡(luò)的多個(gè)節(jié)點(diǎn)(如核心網(wǎng)、無線網(wǎng)、基站、接口設(shè)備)部署監(jiān)測設(shè)備，實(shí)時(shí)采集多源異構(gòu)數(shù)據(jù)，包括網(wǎng)絡(luò)設(shè)備配置數(shù)據(jù)、告警數(shù)據(jù)、性能數(shù)據(jù)、接口監(jiān)測數(shù)據(jù)、檢測數(shù)據(jù)及gis數(shù)據(jù)，確保全網(wǎng)覆蓋和低延遲數(shù)據(jù)獲取。結(jié)合多源信息融合技術(shù)(如皮爾遜相關(guān)系數(shù)、fp-growth算法),整合核心網(wǎng)、無線網(wǎng)和專用設(shè)備的多維度數(shù)據(jù)，克服傳統(tǒng)集中式監(jiān)測數(shù)據(jù)來源有限、實(shí)時(shí)性不足的缺點(diǎn)，實(shí)現(xiàn)對5g-r網(wǎng)絡(luò)運(yùn)行狀態(tài)的全面感知和快速響應(yīng)，滿足鐵路場景中低延遲(<1ms)和高可靠性的需求；

78、2、本發(fā)明利用人工智能和高級統(tǒng)計(jì)模型(如貝葉斯離散度分析、時(shí)序點(diǎn)過程、霍克斯理論、邏輯回歸圖神經(jīng)網(wǎng)絡(luò)、高斯混合模型、s-arima、iforest等)對多源數(shù)據(jù)進(jìn)行智能分析，實(shí)現(xiàn)異常檢測、模式識別、趨勢預(yù)測和故障根因診斷。例如，通過和識別故障傳播路徑，結(jié)合評估故障相關(guān)性，顯著提升故障定位的準(zhǔn)確率和效率。相比現(xiàn)有技術(shù)，本發(fā)明克服了單一數(shù)據(jù)源分析的局限，能夠預(yù)測潛在故障(如設(shè)備負(fù)載異常、業(yè)務(wù)質(zhì)量下降),為預(yù)測性維護(hù)和網(wǎng)絡(luò)優(yōu)化提供強(qiáng)有力的支持；

79、3、本發(fā)明通過可視化技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)告警、運(yùn)用質(zhì)量、運(yùn)維和資源管理的多維度展示，利用kl散度(如)和信息熵(如)評估數(shù)據(jù)分大結(jié)合ch數(shù)據(jù)生成網(wǎng)絡(luò)打撲圖若日鐘歐三維人目對空時(shí)。交后一世收驚的需求阿如其tdamber布，結(jié)合gis數(shù)據(jù)生成網(wǎng)絡(luò)拓?fù)鋱D，滿足鐵路運(yùn)維人員對實(shí)時(shí)、交互式監(jiān)控的需求。例如，基于boxplot和n-sigma(如)檢測性能異常，通過大屏展示告警統(tǒng)計(jì)和資源利用率，顯著提升運(yùn)維效率和決策支持能力，克服現(xiàn)有技術(shù)可視化支持薄弱的不足。