Jun, 2024
利用图神经网络和 Transformer 对 5G RAN 中的异常进行根本原因分析
Root Cause Analysis of Anomalies in 5G RAN Using Graph Neural Network and Transformer
Antor Hasan, Conrado Boeira, Khaleda Papry, Yue Ju, Zhongwen Zhu...
TL;DR5G 技术带来了重大的里程碑发展，允许新的应用，如增强现实和自动驾驶车辆。然而，这些改进带来了管理复杂性的增加和对故障处理的特别关注，因为 5G 旨在支持的应用程序严重依赖于高网络性能和低延迟。因此，自动自愈解决方案已经成为处理这一要求的有效方式，允许基于学习的系统自动检测异常并执行根本原因分析 (RCA)。然而，实施这种智能系统存在固有的挑战。首先，在异常检测和 RCA 方面缺乏合适的数据，因为故障场景的标记数据不常见。其次，当前的智能解决方案针对 LTE 网络定制，没有完全捕捉到数据中存在的时空特征。鉴于此，我们利用一个校准的模拟器 Simu5G，生成开源的正常和故障场景数据。使用该数据，我们提出了 Simba，一个在 5G 无线接入网络 (RANs) 中进行异常检测和根本原因分析的最先进方法。我们利用图神经网络来捕捉空间关系，而 Transformer 模型则用于学习数据的时间依赖性。我们实现了 Simba 的原型并对多个故障进行了评估。将结果与现有解决方案进行比较，验证了 Simba 的优越性。