李 静
(中国移动通信集团福建有限公司福州分公司,福建 福州 350000)
当前5G网络已经融入到人们生活的各个方面,在信息传播便捷的同时,网络全云化给电信运营商带来机遇,也带来了挑战。一方面,网络升级操作影响面大、割接频次高、割接风险大;另一方面,大区制云化核心网运维分工对人力需求更大,相关专业均要求核心侧配合观察[1]。传统割接工作主要依赖技术人员的判断与分析,运维人员工作强度高、任务重且压力大。传统割接调度事中,流程管控通常采用excel表格步骤方式,在涉及多厂家、多部门流程复杂的割接等操作流程中,存在前后步骤关联脱钩、总体步骤阶段不清晰、流程管控不到位以及无法清晰体现割接整体过程等痛点。
为安全有效地进行网络割接,提高维护人员处理网络业务的效率,减少人为、主观因素的负面影响,本文采用层次分析法计算评价指标的权重,筛选出对评价结果有重要影响的指标作为BP神经网络的输入,经过训练后得出基于神经网络的网络割接风险评估模型[2]。
网络割接需求优先级分析是一个多层次、多因素的复杂系统,AHP以其系统性、灵活性、实用性等特点适合于多层次、多因素的复杂系统的决策。本文研究针对网络割接特点提出的34项评价指标,指标体系如图1所示。
图1 网络割接风险评价模型
1.2.1 构建指标判断矩阵
评价模型共分为3层。最上层为目标层,即网络割接风险评价层A。中间层为准则层B,按照割接单位分为移动、中兴、华为、诺基亚以及上海贝尔等。最底层为子准则层C,共包含28个子标。为了实现目标层、准则层以及子准则层中各元素进行成对比较的量化判断依据,构造两两比较矩阵,引入九级分制,分制由5个因素组成,如表1所示[3-5]。
表1 九级分制
假设某一层有n个元素,可构造出如下评估指标判断矩阵A:
1.2.2 指标权重计算及一致性检验
对于式(1)的判断矩阵A,元素Ai=(i=1,2,…,n)的权重:
式中,aij表示第i个元素相对于第j个元素的比较结果。
则A的最大特征值为:
为确保多个元素相互比较时的一致性,对最大特征根为λmax的n阶矩阵CR值进行校验[6]:
式中,CI和RI分别为一致性指标和平均随机一致性指标。若CR<0.1则认为判断矩阵具有一致性,否则需对判断矩阵进行调整再合成总指标权重,计算结果见表2[7]。
表2 部分网络割接风险评分赋权状况表
人工神经网络仅需要学习某种规则,通过自身的训练便可在输出值确定时找到最优的输出值,无需事先给定输入值与输出值之间的数学关系。将输入数据经过神经网络训练,从而建立有效的评价模型。BP神经网络结构模型分为输入层、隐藏层以及输出层,如图2所示。
图2 BP神经网络结构模型
BP神经网络可以有一个或多个隐藏层,任意闭区间的非线性n×m维映射关系的连续函数都可以用单隐藏层的BP神经网络完成[8]。
2.1.1 确定人工神经网络各层级节点数量
输入层的作用在于接收外部的输入数据和预测模型的输入参数。为简化神经网络结构,提高评价的精准度和效率,本文筛选综合权重≥0.0200的指标作为输入层节点数量,即一共有17种信号作为神经网络的输入信号。输出层则用于评定网络割接风险的综合评价指数,本文输出层节点数目设置为1。
近期,知名旅游网站——去哪儿网公布大数据显示:2018年最受大学生喜爱的境内目的地排行榜中,昆明首次超过北京,位居第二。在最受老年人喜爱的目的地排名中,以四季如春而闻名的昆明同样名列前茅。
隐含层节点数量影响数据收敛速度和网络的容错性,且一个单层隐藏层能模拟任意的非线性关系,其隐藏层节点数目[9]可表示为:
式中,l为隐藏层的节点数,n为输入层的节点数,m为输出层节点数量,a为1~10之间的整数。结合本文实际情况,划定l在6~15之间,设计隐藏层节点数目可变BP神经网络运行结果如表3所示。
对比表3网络误差结果,本文选择使用BP神经网络评价系统的隐藏层神经元个数为8个。
2.1.2 BP神经网络建立网络割接风险评价模型
确定BP神经网络各层节点数量后,搭建网络割接风险评价模型的主要步骤如下[10,11]。
步骤一:对于网络割接风险评价的学习样本xi,BP网络的隐含层和输出层公式为:
式中,vi表示输入层和隐藏层节点之间的连接权值,wj表示隐藏层与输出层节点之间的连接权值,f1与f2分别表示隐藏层与输出层传递函数,xi与yj分别表示隐含层与输出层样本数据,b1与bv分别表示隐含层与输出层阈值。
步骤二:对连接权值vi和wj进行如下调整:
式中,η表示神经经网络的学习速度,δi表示阈值。
步骤三:在迭代次数为t+1时,神经网络权值变为:
步骤四:计算BP神经网络的输出误差,直至满足实际应用要求时即可终止神经网络的学习,得到网络割接风险评价的输出值。
2.2.1 数据来源
为了检验AHP-BP评价模型的准确性,运用Matlab进行仿真实验。利用30组归一化后的AHP数据作为神经网络的输入值进行训练,部分AHP数据如表4所示。
2.2.2 结果分析及预测效果评判
设置学习速率为0.02,学习精度为0.001,输入节点数量17,输出节点数量为1。Matlab运行程序如图3所示。通过观察图3的预测值与实际值,可以看到预测值和实测值基本吻合,大部分的预测值和实际值一致,建立的网络割接风险评价模型的误差在允许范围内,说明模型较好,能够有效地对风险进行评估。
图3 BP神经网络训练结果
结合层次分析法和神经网络建立了网络割接操作风险自动评价模型,通过层次分析法确定不同厂家的割接操作步骤指标体系,筛选出对评价结果有重要影响的指标数据,再采用BP神经网络模型对网络割接操作风险进行训练,完成网络割接风险的安全评估。结果表明,该评估模型可以更准确、客观地对网络割接操作风险进行评价,克服了传统方法凭经验确定权重值的盲目性和主观随便性,这种网络割接评估模型对当前电信运营商的割接操作具有较高的参考意义和推广价值。