马敏，贾子寒，王磊

（1.中国移动通信集团设计院有限公司陕西分公司，陕西 西安 710065；2.中国移动通信集团设计院有限公司，北京 100080）

0 引言

目前，LTE 网络已经进入稳定发展阶段，形成了庞大的网络规模，要保证全网数以万计的基站正常、高效地运行，对网络运维提出了很高的要求[1]，尤其是随着5G 网络的规模部署和商用，基站数量将远远大于4G 网络[2]，网络运维面临更大的挑战。传统的移动网运维是以周期性巡检、故障派单等方式为主，存在着运维效率不高、运维资源投放时效性不足等问题，这种非预防性运维模式已完全不能满足当前网络运营的需要，运用人工智能和大数据等新技术，实现主动运维、快速运维和精准运维是网络运维发展的新趋势。基站异常检测是新型网络运维模式的一项重要内容，它的目标是要实时了解基站的健康状态，提前发现基站的隐性问题，有针对性地进行巡检，从而减少和避免基站退服类严重故障的发生，起到预防性网络维护的作用[3]。

目前基站异常检测的方法主要有网络指标阈值对比法[4]、基于机器学习的方法[5]和基于深度学习的方法[6]等，指标阈值法需要依赖人员经验，指标的统计分析也相当耗时耗力。采用有监督的机器学习方法，准确率较高，但需要大量的样本标注，这在大规模应用中很难做到。

本文提出一种基于深度自编码器模型进行基站异常度检测的方法，通过对基站故障告警、性能KPI、OMC运维指标等多维数据建立深度自编码器模型，挖掘基站正常运行时各类告警出现的频次规律、相关性能指标的波动规律，以此来进行当前基站异常度的检测。……