一种基于模型检测的网络流量时空特征挖掘方法

本发明涉及网络流量异常检测的，具体而言，涉及一种基于模型检测的网络流量时空特征挖掘方法。

背景技术：

1、随着无线通信技术的发展，移动设备也开始日益普及和多样化，急剧增长的数据业务量促进了5g技术的发展和商业化进程，5g技术作为新一代无线通信标准，不仅在车联网、无线家庭娱乐、无线医疗等与日常生活息息相关的应用场景给出了高效的解决方案，更为云ar/vr、ai智慧城市、工业物联网的发展提供了重要的通信基础。

2、伴随着近年来大数据技术的迅猛发展，运营商已经意识到自身网络中大量数据记录的重要性，并致力于让它们尽可能发挥出更大的作用，目前来看，越来越多的实测数据被运营商本身或者转交给对应的研究人员进行信息挖掘，以期能够发现出隐藏在移动用户行为和数据流量分布中的生成模式，蜂窝网络和其他与人类活动有关的系统，如交通运输系统、社交网络和住宅规划都非常相关，这些系统的运行特点本质上都根植于人类的日常行为。

3、在通信宏基站部署密集的区域中，流量负载会在某些时空间上表现出明显的特征，空间特征意味着业务量在不同的地理位置差异巨大，小部分宏基站可能会占用大部分的总体流量；时间特征意味着同一区域流量需求在不同的时间内规律变化，流量大小存在峰谷值，而流量的时空特征则表示流量需求在空间维度上在不同的时间段(如办公时间和晚餐时间)表现出有所区别的特殊规律，比如学校、医院，由于其日夜人流差距巨大，同时远程医疗、远程教育等5g新应用的普及，导致5g基站在日间需要满足庞大的流量需求，但在夜间则出现宏基站普遍低负载的情况，产生能源的浪费。

4、在现有的技术方案中，针对网络流量异常特征的检测，通常是通过机器学习方法或网络流量监测器来分析历史流量数据得到检测结果，但是机器学习方法需要大量实测数据作为模型训练的基础，而网络流量数据的采集和预处理并没有统一的标准，这将使得不同的机器学习方法没有统一的前置条件，会影响最后得到的检测结果的精准性，而网络流量监测器需要专业且复杂的架构，根据相关的检测需求编写复杂的业务代码来实现历史流量数据分析，一旦检测需求发生变化需要重新编写业务代码，分析过程复杂且工作量较大。

技术实现思路

1、本发明要解决的问题是：提供一种基于模型检测的网络流量时空特征挖掘方法，能够简化分析流程并精确寻找到网络流量异常特征。

2、为解决上述问题，本发明提供一种基于模型检测的网络流量时空特征挖掘方法，包括以下步骤：

3、步骤s1，以每个蜂窝网络系统小区的宏基站为中心将每个所述蜂窝网络系统小区分别构建为六边形单元，并使两两相邻的所述六边形单元相接得到闭包空间；

4、步骤s2，基于所述闭包空间和各所述蜂窝网络系统小区对应的蜂窝流量数据构建得到多组网络空间模型，每组所述网络空间模型分别对应一时空快照，并根据各所述时空快照的数据内容构建得到时空快照模型；

5、步骤s3，基于kripke结构，根据所述时空快照模型构建得到网络时空模型；

6、步骤s4，获取stmcp时空模型检测器并为所述stmcp时空模型检测器添加多个时空性质规约；

7、步骤s5，将所述网络时空模型输入至所述stmcp时空模型检测器中，并控制所述stmcp时空模型检测器基于各所述时空性质规约对所述网络空间模型进行检测得到对应的网络流量异常特征挖掘结果。

8、本方案中，通过所述闭包空间、所述kripke结构将所述蜂窝流量数据进行形式化建模，通过完整的形式化模型解决机器学习方法对于蜂窝流量数据的不统一性，同时考虑到网络中通信资源的消耗都带有时空相关的属性，通过对所述stmcp时空模型检测器添加多个所述时空性质规约可以描述时空异常特征即网络流量异常特征，将网络流量异常情况使用所述时空性质规约进行表述，并将所述时空性质规约作为所述stmcp时空模型检测器的输入，相当于一种更为高效的异常性质查询语句，可避免在数据分析过程中复杂的编程工作，从而简化分析流程。

9、进一步的，使用所述stmcp时空模型检测器可以自动、完备地检测网络时空模型中的流量分布特征,能够大大减轻工作量。

10、优选的，各所述蜂窝网络系统小区对应的所述蜂窝流量数据分别包括所述蜂窝网络系统小区对应的所述宏基站的覆盖范围内的网络流量数据、即时短消息接受数据、即时短消息发送数据、语音通话接入数据、语音通话呼出数据和宏基站电力消耗数据，则所述步骤s2中，基于所述闭包空间和各所述蜂窝网络系统小区对应的所述网络流量数据、所述即时短消息接受数据、所述即时短消息发送数据、所述语音通话接入数据、所述语音通话呼出数据和所述宏基站电力消耗数据构建得到多组所述网络空间模型。

11、本方案中，将所述网络流量数据、所述即时短消息接受数据、所述即时短消息发送数据、所述语音通话接入数据、所述语音通话呼出数据和所述宏基站电力消耗数据作为所述蜂窝网络系统小区对应的所述网络流量数据，丰富的数量种类及数据量可以提高所述网络流量异常特征挖掘结果的准确性。

12、优选的，所述步骤s2中，所述网络空间模型的定义如下所示：

13、

14、其中，

15、x表示所述闭包空间中各所述蜂窝网络系统小区的集合；

16、表示闭包算子；

17、表示各所述蜂窝网络系统小区之间邻接关系的集合；

18、表示一组赋值函数，对应每个所述蜂窝网络系统小区的原子属性。

19、优选的，所述步骤s2中，所述时空快照模型的定义如下所示：

20、

21、其中，

22、表示所述时空快照模型；

23、表示空间结构(x,c)；

24、表示在第i个时空快照时，赋值函数中基于原子属性所映射的原子命题。

25、优选的，所述步骤s3中，所述网络时空模型的定义如下所示：

26、

27、其中，

28、表示所述网络时空模型；

29、表示所述闭包空间组成的空间部分；

30、x表示所述闭包空间中各所述蜂窝网络系统小区的集合；

31、表示所述闭包算子；

32、(s,s0,r)表示所述kripke结构组成的时间部分；

33、s表示所述kripke结构中的状态节点集合；

34、s0表示初始状态节点；

35、r表示状态节点之间的状态变迁关系，且p表示所述赋值函数中各所述原子命题的集合；

36、表示时空中所有状态节点的流量分布状态。

37、优选的，所述步骤s4中，基于stlcs逻辑公式的形式化语法构建得到各所述时空性质规约，所述stlcs逻辑公式的形式化语法如下所示：

38、

39、

40、其中，

41、p表示原子命题；

42、表示空间内状态节点的邻接关系；

43、表示包围算子；

44、表示空间中满足φ1的状态节点被φ2的状态节点包围；

45、表示所有路径；

46、表示存在一条路径；

47、表示所述网络时空模型的下一个状态；

48、表示路径中存在满足φ的状态；

49、表示所检测路径所有状态节点都满足φ；

50、表示路径上的状态节点一直满足φ1直到满足φ2的状态节点出现。

51、优选的，各所述时空性质规约如下所示：

52、

53、其中，

54、φ3表示聚合在时间上的持续存在性；

55、φ4表示流量聚合在空间中的影响范围；

56、φ5表示动态扩张的流量聚合；

57、φ6表示动态萎缩的流量聚合；

58、φ7表示当前处于低负载状态的所述蜂窝网络系统小区在之后n步中始终处于低负载集群的中心；

59、φ8表示满足低负载的宏基站需要与大于2个的处于低负载状态的所述蜂窝网络系统小区相邻。