CN112995995B 异常检测器、异常检测网络和用于检测异常活动的方法 （罗伯特·博世有限公司）

US2019072601A1,2019.03.07US2017310546A1,2017.10.26US2019239100A1,2019.08.01tracked".3GPPtsg_sa\W电信网络相关的多个网络测量（nm基于模型的映射单元（104被配置为经由机器训练的异常置为提供异常指示符（ai其指示电信网络中的21.一种用于检测电信网络(300)中异常活动的异常检测器(100)，其中异常检测器性能指示符映射单元(202)，被配置为将接收到的多个网络测量(nm)映射到至少一个基于模型的映射单元(104)，被配置为经由机器训练的异常检测模型(述至少一个网络性能指示符(npi)将接收到的多个网络测量(nm)映射到异常指示符(ai)；和解码器(DEC)接收所述潜在代码(lc)和所述至少3.根据权利要求1所述的异常检测器(100)，其中基于模型的映射单元(104)确定所述4.根据权利要求1或2所述的异常检测器(100)，其中，从分电部分中的多个第一网络探测器(P)以及从分布在电信网络(300)的有线部分中的多个第5.根据权利要求4所述的异常检测器(100)，其中网络探测器(P)中的至少一个是射频频谱分析仪，所述射频频谱分析仪被配置为确定电信网络(300)的无线电电信网络部分(RCN)的至少一个无线电资源使用模式(rrup1，rrup2)，其中所述无线电资源使用模式6.一种异常检测网络(302)，包括多个网络探测器(P)以及根经由机器训练的异常检测模型(106)并且依据所述至少一个网络性能指示符(npi)将其中机器训练的异常检测模型(106)包括自动编码器，所述自动编码器包括编码器(ENC)和解码器(DEC)，其中编码器(ENC)将接收到的多个网络测量(nm)压缩成潜在代码8.根据权利要求7所述的计算机实现的方法，其中9.一种包括根据权利要求1至5中任一项的异常检测器(100)和用于确定异常检测模型3聚集器单元(702)，被配置为聚集包括电信网络(300)的多个网络测量(nm)的训练数第一训练单元(500)，被配置为依据第一类型的训练集(ts1)来训练异常检测模型(106)的编码器(ENC)，其中第一类型的训练集(ts1)包括：多个网络测量(nm)第二训练单元(600)，被配置为依据第二类型的训练集(ts2)来训练异常检测模型(106)的解码器(DEC)，其中第二类型的训练集(ts2)包括：多个网络测量(nm11.根据权利要求9或10所述的系统，其中训练数据是在没有异常的电信网络(300)的4单元，被配置为经由机器训练的异常检测模型将接收到的多个网络测量映射到异常指示异常指示符检测到异常时做出适当反应来保障5机器训练的异常检测模型并且依据所述至少一个网络性能指示符将接收到的多个网络测动编码器从以潜在代码形式的缩减编码中确定尽可能接近其以网络测量形式的原始输入[0016]有利地，异常检测模型已经被训练成学习没有异常行为的电信网络的正常操其中输出单元依据网络测量的比较以及依据网络测量的[0020]这种映射至少部分平行于机器训练的异常检测模型的分支来完成。在注入位置[0022]有利地，潜在代码和所述至少一个网络性能指示符在解6[0035]描述的第五方面针对包括根据第一方面的异常指示符和根据第五方面的模型确[0044]图1描绘了异常检测器100的示意性框图，该异常检测器100被配置用于检测电信网络中的异常活动。接收器单元102被配置为接收与所观察的电信网络相关的多个网络测7[0046]已经利用表示电信网络或另外电信网络的正常行为的训练集学习了机器训练的关的多个网络测量nm；经由机器训练的异常检测模型106将接收到的多个网络测量nm映射[0051]导致异常检测的数据可以用于训练模型。这在预期在未来也出现异常的情况下[0053]图2更详细地描绘了异常检测器100的示意性框图。性能指示符映射单元202被配置为将接收到的多个网络测量nm映射到至少一个网络性能指示符npi。基于模型的映射单元104被配置为经由机器训练的异常检测模型106并且依据所述至少一个网络性能指示符[0054]基于模型的映射单元104确定多个网络测量nm的重建rec。输出单元108依据网络测量nm的比较并依据网络测量nm的重建rec被布置在机器训练的异常检测模型106的输入层[0056]接收器单元102选择网络测量nm并将其分发给基于模型的映射单元104和性能指[0059]铺展在电信网络300的无线电部分之上，异常检测网络302包括无线网络探测器8[0060]网络探测器Pspec1和Ppsec2是射频频谱分析仪，其被配置为确定电信网络300的[0062]图4描绘了用于经由包括人工神经网络的编码器ENC和包括人工神经网络的解码[0066]根据图5，由编码器ENC的输入接口502以输入数据id的形式提供训练集的网络测解码器DEC共同形成从自动编码器输入到其输出的身份映射的平凡解。选择潜在代码lc的[0068]在每个时间步长i中，训练函数508将学习过程约束到其中观察值lci与先验分布9据id的形式提供张量，该张量包括训练集的潜在代码lc的值lci并具有训练集的网络性能的输出区段的输出层606处输出张量rec(nm)i。在该示例中，输出节点被分配给每个预测示例中，损失函数LOSS是取决于与包括观察值rec(nm)i的张量值和训练张量nmitrain的偏的网络测量nm的低维表示并且依据网络性能指示符npi来提供编码器ENC的输入数据的重[0082]图7示意性地描绘了用于确定异常检测模型106的模型确定单元700。聚集器单元702被配置为聚集包括电信网络300的多个网络测量nm的训练数据。训练单元704被配置为[0084]第一训练单元500被配置为依据第一类型的训练集ts1来训练异常检测模型106的[0085]第二训练单元600被配置为依据第二类型的训练集ts2来训练异常检测模型106的