滕祖伟，周杰华

（中国联合网络通信有限公司湖北分公司，湖北 武汉 430020）

0 引言

在智能运维领域中，由于缺少异常样本，有监督方法的使用场景受限。因此，如何利用无监督方法对海量KPI进行异常检测是智能运维领域探索的方向之一。智能运维就是采用机器学习、数据挖掘等方法，来解决异常小区检测、故障根因分析、容量预测等运维领域中的关键问题。其中异常小区检测是在运维领域中非常重要的一个环节。

移动网络小区问题类型涉及多个方面，如无线覆盖、干扰、容量等。传统网优一般采集PM、配置等数据，再结合网优工程师的专家知识和经验，对各项指标分别设置阈值的方式，来发现网元是否存在高负荷、高干扰、覆盖差等异常问题。在网络复杂化和业务多样化的趋势下，网元运行指标众多，KPI数量一般达到30～60维度，传统工作模式简单粗放，存在准确率低、不能适应网络动态调整的问题。

本文提出了一种基于变分自编码器的异常小区检测方法，其基本原理是利用异常小区的KPI数据在通过变分自编码器编码与解码过程中所产生的较大波动来实现异常检测。一般说来，在机器学习中不平衡的训练样本会导致训练模型侧重样本数目较多的类别，而“轻视”样本数目较少类别。在异常小区检测场景中，普遍存在的现象是正常样本数量远远大于异常样本数量，因此，当把不平衡的正常样本和异常样本都输入机器学习算法一起训练时，采用无监督方法就能把异常值检测出来。……