-
公开(公告)号：CN119172259A
公开(公告)日：2024-12-20
申请号：CN202411395089.6
申请日：2024-10-08
Applicant: 厦门大学
IPC: H04L41/147 , H04L41/142 , H04L41/16 , H04L43/08
Abstract: 一种基于大模型的通信网络性能预测方法及系统，涉及通信网络及人工智能。从网络管理系统历史数据库获取性能时间序列数据，离线训练阶段对数据预处理，根据提示结构生成数据描述；预处理后的性能时间序列数据分别输入时序大模型TimeGPT进行模型微调及补丁重编程模块生成一组新的向量表示；利用预训练的大语言模型将数据描述转换为时间序列提示前缀，与补丁重编程模块输出的向量拼接成新的时序表示再次输入预训练的大语言模型训练模型对时序数据的理解能力；实时阶段TimeGPT根据输入的性能时间序列数据进行异常及性能预测，将检测及预测结果输入预训练的大语言模型，输出高效准确的检测结果及异常描述、预测结果及潜在故障描述。
-
公开(公告)号：CN117932373A
公开(公告)日：2024-04-26
申请号：CN202311706854.7
申请日：2023-12-12
Applicant: 厦门大学 , 京信网络系统股份有限公司
IPC: G06F18/2321 , G06F18/2433
Abstract: 本申请的实施例提供了一种多维KPI数据异常检测模型的训练、识别方法及装置。该方法包括：根据采集到的若干KPI的初始数据，确定若干所述KPI两两之间的相关性值，以对若干所述KPI进行聚类，得到至少一个KPI集群及其中心KPI；对每一所述KPI的初始数据进行预处理，得到每一所述KPI对应的目标数据；采用每一所述中心KPI的目标数据对预先构建的初始异常检测模型进行训练，得到与该中心KPI对应的目标异常检测模型；根据同一所述KPI集群中所述中心KPI与其他KPI之间的相关性值，采用中心KPI异常检测模型全部或部分参数进行迁移以得到与每一所述其他KPI对应的目标异常检测模型。本申请实施例的技术方案可以提高多维KPI数据异常检测模型的训练效率，并保证检测结果的准确性。
-
Patent Agency Ranking
公开(公告)号：CN119155214A
公开(公告)日：2024-12-17
申请号：CN202411144834.X
申请日：2024-08-20
Applicant: 厦门大学
IPC: H04L43/0805 , H04L43/0829 , H04L43/50 , H04L43/04 , H04L43/062 , H04W24/02 , G06F18/10 , G06F18/213 , G06F18/23 , G06F18/24 , G06N3/0499 , G06N3/0895 , G06N3/0985 , G06F123/02
Abstract: 一种基于双分支模型的网络异常检测方法及装置，涉及无线通信、人工智能及大数据分析。首先从通信终端获取性能时间序列数据进行数据预处理，包括过采样、欠采样以及特征选取；然后构建异常检测网络进行离线训练，将历史数据分别输入对比学习分支以及注意力机制分支，学习数据结构内部关联、先验关联以及序列关联并计算对比损失以及重构损失，通过联合优化多任务损失函数，得到异常检测网络；在线检测阶段使用离线阶段训练得到的异常检测网络进行网络异常检测并进行周期性反馈，将网络异常时刻数据收集至历史数据库，周期性更新异常检测网络参数。
-
公开(公告)号：CN113642624A
公开(公告)日：2021-11-12
申请号：CN202110898063.3
申请日：2021-08-05
Applicant: 厦门大学 , 京信网络系统股份有限公司
Abstract: 本发明公开了一种移动通信网络故障的智能诊断方法、介质、设备及装置，其中方法包括：获取移动通信网络的关键性能指标数据，并对关键性能指标数据进行预处理，以生成训练样本和测试样本；获取初级网络和次级网络，并以初级网络的获胜神经元位置作为次级网络的输入构建串联神经网络模型；将训练样本输入到串联神经网络模型中，并采用粒子群算法对串联神经网络的初始权值和节点阈值进行寻优，以完成串联神经网络模型的训练；将测试样本输入到训练好的串联神经网络模型，以通过串联神经网络模型对移动通信网络进行故障诊断；能够有效降低训练样本的生成成本，降低神经网络模型的构建周期；同时，提高故障诊断的实时性和准确性。
-
公开(公告)号：CN115604745A
公开(公告)日：2023-01-13
申请号：CN202211040346.5
申请日：2022-08-29
Applicant: 厦门大学(CN) , 京信网络系统股份有限公司(CN)
Abstract: 本申请的实施例提供了一种高维KPI的异常检测方法、装置、计算机可读介质及设备。该方法包括：获取历史上出现的异常KPI的数据，并根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI；对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链；根据待检测KPI的实时数据分别与聚类中心KPI和异常波动传播链进行匹配，从而确定第一目标检测KPI和第二目标检测KPI，以分别调用与第一目标检测KPI和第二目标检测KPI相对应的异常检测模型对其进行异常检测。本申请实施例的技术方案提高KPI的异常检测效率，减少需要训练和维护模型的数量，并能保证异常检测结果的准确性。
-
公开(公告)号：CN115314963A
公开(公告)日：2022-11-08
申请号：CN202210936846.0
申请日：2022-08-05
Applicant: 厦门大学
Abstract: 基于无线接入网智能控制器的移动切换优化方法及装置，涉及无线与移动通信。获取CM、PM数据输入离线数据存储模块，若切换成功率小于设定阈值，将移动切换相关KPI数据输入近实时RIC的异常检测分析模块；提取导致移动切换问题的特征，筛选异常KPI原始数据输入非实时RIC模块，结合网络配置管理数据移动切换参数优化模型训练，下发至近实时RIC，设定时间内存在移动切换问题的小区对出现问题的次数超过设定阈值，将移动切换KPI数据输入参数优化模块；通过参数优化模块得最优参数配置，优化策略输入基站参数调优，若网络性能提升至预期，则将性能数据反馈至非实时RIC中的参数优化模型训练模块，否则撤回本次优化指令。
-
公开(公告)号：CN115314963B
公开(公告)日：2024-06-11
申请号：CN202210936846.0
申请日：2022-08-05
Applicant: 厦门大学
Abstract: 基于无线接入网智能控制器的移动切换优化方法及装置，涉及无线与移动通信。获取CM、PM数据输入离线数据存储模块，若切换成功率小于设定阈值，将移动切换相关KPI数据输入近实时RIC的异常检测分析模块；提取导致移动切换问题的特征，筛选异常KPI原始数据输入非实时RIC模块，结合网络配置管理数据移动切换参数优化模型训练，下发至近实时RIC，设定时间内存在移动切换问题的小区对出现问题的次数超过设定阈值，将移动切换KPI数据输入参数优化模块；通过参数优化模块得最优参数配置，优化策略输入基站参数调优，若网络性能提升至预期，则将性能数据反馈至非实时RIC中的参数优化模型训练模块，否则撤回本次优化指令。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
