摘要
随着信息通信技术与智能终端的不断发展，为了满足智慧城市、元宇宙和空天地网络一体化等新兴业务的需求，光与无线融合网络越来越被广泛使用。在实际的网络运维过程中，光无线网络异常检测能够有效避免网络冲突、网络崩溃等问题，进而保证光与无线融合网络提供稳定的服务质量。现有主流的光无线网络异常检测方法主要依靠预设阈值系统与人工识别推理，没有实现大规模的自动化和智能化检测，也不能提前预测网络异常的发生时刻点。此外，针对光与无线融合网络数据集中是否带有真实异常标签的情况，现有的技术方案中并没有提出统一的解决方法。 为了解决以上的问题，本文引入深度学习算法，围绕提高光无线网络指标预测准确率、光无线网络异常检测准确率展开研究，提出了基于深度学习的光无线网络异常检测架构，主要内容如下: 第一，针对新兴业务中结构更加复杂的光与无线融合网络，本文提出了基于深度学习算法的光无线网络异常检测架构，使用统计学相关性分析算法从海量网络指标中筛选出与引起异常因素强关联的指标，同时搭建长短期记忆神经网络预测模型用于预测光无线网络指标未来时序数据。仿真结果表明，在真实的光与无线融合网络数据集上，该模型能较为准确地预测光无线网络指标未来的时序数值，预测准确率可达到93％。 第二，针对带有真实异常标签的光无线网络节点，本文分析引起异常因素的强关联指标，使用深度神经网络算法，搭建了有监督的光无线网络异常检测分类模型，在前一步得到的预测时序数据基础上，对其进行准确分类，避免了传统聚类模型中新数据重新计算的过程。同时，仿真结果表明，在真实的光与无线融合网络数据集上，该分类模型能够以98％的准确率完成对异常数据的检测，相比传统机器学习分类算法提高了13％的准确率。 第三，本文所提出的基于深度学习算法的光无线网络异常检测架构也考虑了缺失真实异常标签的网络节点情况，该架构使用基于密度的聚类算法搭建了无监督的光无线网络异常聚类模型，通过建立合适的训练标准和评估体系，有效完成了缺失真实异常标签的光无线网络异常检测任务。 综上所述，本文所提出的基于深度学习的光与无线融合网络异常检测架构具有较高的适用性，实现了光无线网络异常检测的自动化和智能化，提升了光与无线融合网络在新兴网络业务场景中的稳定性和健壮性。
NETL