移动通信网络论文提纲,生成对抗网络论文提纲

基于大数据挖掘的移动通信网络故障诊断方法研究

摘要：随着移动通信网络的发展,未来网络将不是单一存在或仅使用单一技术,而是多种技术的共存互补,共同发展。在这种网络异构化、密集化的发展趋向下,如何对网络故障进行高效的检测与诊断成为一个巨大挑战。对于传统的网络故障检测与诊断算法研究,在进行故障检测与诊断过程中,需要依赖海量数据集,但是实际情况中,则面临对历史数据集进行人工类别标注的成本太高、历史数据集过少以及如何高效利用数据集进行故障检测与诊断的问题。针对这些问题,本文深入研究了移动通信网络的智能化故障诊断算法。本文在介绍了未来网络发展趋势以及现有的网络故障诊断方法的基础上,主要开展了以下三个方面的研究:（1）针对在小样本情况下如何提高网络故障诊断效果,提出了一种基于生成对抗网络（Generative Adversarial Network,GAN）思想的异构无线网络故障检测与诊断方法。首先分析了异构无线网络环境下的常见网络故障来源,通过生成对抗网络思想,基于网络故障的小数据量得到大量可靠数据集,然后,基于这些数据,利用极端梯度提升（e Xtreme Gradient Boosting,XGBoost）算法,选择故障检测阶段输入参数的最优特征组合,并完成故障诊断与预测。仿真结果表明,该算法可以实现在小样本情况下对网络更加准确而高效的故障检测和诊断。（2）针对如何避免生成模型产生的误差以及提高网络故障诊断模型的稳健性、普适性、准确性,基于真实网络环境提出了基于AWGAN-GP（Average Wasserstein GAN with Gradient Penalty）的网络故障检测与诊断算法。首先将原始数据库的故障数据进行数据预处理,即首先进行数据标准化,然后通过设置一个特征权重阈值,仅仅抽取样本权重大于设定阈值的样本,达到特征筛选的效果。基于筛选后的数据,将数据用在优化后的生成对抗网络中进行不同网络状态下的数据拟合,从而得到不同网络状态下大量带有标记的虚拟数据,此外将其作为故障检测与诊断模型中的测试数据,进行模型测试,另外将通过生成对抗网络产生的虚拟数据作为训练数据进行故障检测与诊断模型的训练,结果表明,此算法可以使故障诊断模型更加稳健、普适、准确。（3）创新性地将深度学习和强化学习结合起来应用在网络故障检测与诊断领域,提出了基于深度Q学习的网络故障检测与诊断算法,实现在面临复杂网络结构导致网络故障复杂多样的问题上仍可以用较少的特征对一些明显的网络状态进行分类。仿真结果表明,与传统算法相比,该算法能够实现对复杂网络故障有效的故障检测和诊断。 

关键词：移动通信网络;生成对抗网络

文章目录

摘要

abstract

第一章 绪论

    1.1 课题研究背景和意义

    1.2 国内外研究现状

    1.3 研究内容

    1.4 论文安排

第二章 移动通信网络发展及网络故障诊断相关技术

    2.1 4G网络

        2.1.1 4G网络架构

        2.1.2 4G网络关键技术

    2.2 5G网络

        2.2.1 5G网络新架构

        2.2.2 5G网络关键技术

    2.3 5G网络故障及相关参数分析

        2.3.1 网络故障分析

        2.3.2 网络参数选择

    2.4 网络故障检测与诊断理论综述

    2.5 常见网络故障诊断方法

        2.5.1 专家系统故障诊断方法

        2.5.2 人工神经网络故障诊断方法

        2.5.3 模糊逻辑网络故障诊断方法

        2.5.4 其他网络故障诊断方法

第三章 基于GAN的网络故障检测与诊断方法

    3.1 引言

    3.2 系统模型

        3.2.1 网络参数选择

        3.2.2 网络故障分析

    3.3 生成对抗网络概述

    3.4 基于生成对抗网络的网络故障检测与诊断流程

        3.4.1 数据处理

        3.4.2 网络故障检测与诊断模型

        3.4.3 XGBoost框架

    3.5 性能分析

        3.5.1 模拟数据集

        3.5.2 仿真结果

    3.6 本章小结

第四章 基于AWGAN-GP的网络故障检测与诊断

    4.1 引言

    4.2 系统模型

        4.2.1 网络场景

        4.2.2 网络故障数据集

    4.3 基于AWGAN-GP的网络故障检测与诊断流程

        4.3.1 数据预处理

        4.3.2 AWGAN-GP算法

    4.4 性能分析

        4.4.1 数据标准化

        4.4.2 特征的筛选

        4.4.3 网络故障检测与诊断结果

    4.5 本章小结

第五章 基于深度Q学习的网络故障检测与诊断算法研究

    5.1 引言

    5.2 系统模型

        5.2.1 网络场景

        5.2.2 网络故障数据集

    5.3 深度Q学习概述

        5.3.1 马尔可夫决策过程

        5.3.2 强化学习

        5.3.3 深度Q学习

    5.4 基于深度Q学习的网络故障检测与诊断

        5.4.1 网络故障识别的马尔可夫决策过程

        5.4.2 基于深度Q学习的网络故障检测与诊断算法

    5.5 性能分析

    5.6 本章小结

第六章 总结与展望

    6.1 总结

    6.2 展望

参考文献

[1]SDN体系结构[J]. 付志英,李鹏.  计算机与网络. 2019(17)

[2]5G移动通信技术的特点及应用探讨[J]. 冯堪为.  通讯世界. 2018(11)

[3]移动通信的发展及关键技术介绍[J]. 李平安.  长江大学学报(自科版). 2017(09)

[4]SDN和NFV:定义网络未来发展的两个不同方面[J]. 张宇峰.  办公自动化. 2016(15)

[5]基于信任评估的虚拟网故障诊断算法[J]. 刘娜,张顺利,王向东.  电视技术. 2016(04)

[6]代谢灵敏度分析在网络故障诊断与自愈中的应用[J]. 胡扬,桂卫华.  湖南大学学报(自然科学版). 2009(06)