无线通信的干扰定位方法和装置、电子设备与流程

1.本公开涉及无线通信技术领域，具体而言，涉及一种无线通信的干扰定位方法和装置、电子设备。


背景技术：

2.对于无线通信来讲，通信过程中的干扰是影响无线网络质量和用户感知的关键因素。干扰的排查对减少掉话率、负载均衡、提升上网速率等均有着重要作用。
3.相关技术中，对干扰的排查定位大多通过人工地毯式搜索的方式来完成，存在干扰定位准确度低，干扰的排查定位效率低，耗时耗力的问题。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开实施例的目的在于提供一种无线通信的干扰定位方法和装置、电子设备，进而在一定程度上解决了无线通信中干扰定位准确度低和效率低的问题。
6.根据本公开的第一方面，提供了一种无线通信的干扰定位方法，所述方法包括：获取目标小区的干扰特征数据；根据所述干扰特征数据识别出目标小区的干扰类别结果；所述干扰类别结果包括一个或多个干扰类别；当所述干扰类别结果包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域；所述第一小区为与目标小区具有相同干扰类别的邻近小区；获取所述干扰区域内多个第二小区的测量数据，所述测量数据包括第二小区的地理位置信息；根据所述测量数据，对多个所述第二小区的地理位置信息进行融合处理，确定目标小区的干扰源位置。
7.可选地，所述根据所述干扰特征数据识别出目标小区的干扰类别结果，包括：利用训练好的变分自编码器对所述干扰特征数据进行编码，以获得对应的重建概率；利用训练好的多个分类器分别对所述重建概率进行分类，获得每个分类器对应标签的分类结果；每个分类器对应一个干扰类别标签；根据每个分类器的分类结果，确定目标小区的干扰类别。
8.可选地，所述变分自编码器包括编码器和解码器，所述变分自编码器的训练过程，包括：获取历史干扰样本数据；将所述历史干扰样本数据输入所述编码器进行编码，获得所述历史干扰样本数据的隐编码数据；利用所述解码器对所述隐编码数据进行还原，获得还原数据；以最小化所述还原数据与所述编码器的输入数据之间的第一损失函数为目标，更新所述变分自编码器的模型参数。
9.可选地，所述多个分类器的训练过程包括：利用训练好的编码器对所述历史干扰样本数据进行编码，获得对应隐编码数据；利用所述多个分类器对所述隐编码数据进行分类，获得预测结果；根据所述预测结果和对应类别标签，计算第二损失函数；根据所述第二损失函数，更新所述多个分类器的模型参数。
10.可选地，所述获取目标小区的干扰特征数据，包括：从工程参数中获取目标小区的
通信资源数据；从网络管理系统中获取目标小区的资源使用情况；根据所述通信资源数据和所述资源使用情况，提取出目标小区的时频域资源波动数据；将所述通信资源数据、所述资源使用情况和时频域资源波动数据作为目标小区的干扰特征数据。
11.可选地，所述根据所述测量数据，对多个所述第二小区的地理位置信息进行融合处理，包括：获取多个第二小区的所述测量数据中的指标数据，并确定所述指标数据的衰减程度；根据所述衰减程度，确定多个所述第二小区的位置权重；根据多个所述第二小区的地理位置信息和所述位置权重，确定目标小区的干扰源位置。
12.可选地，所述方法还包括：获取待识别区域内所有小区的通信资源数据和资源使用情况；利用预设规则对所有小区的所述通信资源数据和/或所述资源使用情况进行筛选，确定目标小区。
13.可选地，所述方法还包括：当所述干扰类别结果不包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定目标小区的干扰源位置。
14.根据本公开的第二方面，提供了一种无线通信的干扰定位装置，所述装置包括：识别模块、第一确定模块、获取模块和融合定位模块；识别模块，用于获取目标小区的干扰特征数据；根据所述干扰特征数据识别出目标小区的干扰类别结果；所述干扰类别结果包括一个或多个干扰类别；第一确定模块，用于当所述干扰类别结果包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域；所述第一小区为与目标小区具有相同干扰类别的邻近小区；获取模块，用于获取所述干扰区域内多个第二小区的测量数据，所述测量数据包括第二小区的地理位置信息；融合定位模块，用于根据所述测量数据，对多个所述第二小区的地理位置信息进行融合处理，确定目标小区的干扰源位置。
15.根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例的方法。
16.根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任一实施例的方法。
17.本公开示例性实施例可以具有以下部分或全部有益效果：
18.在本公开示例实施方式所提供的无线通信的干扰定位方法中，一方面，对于干扰类别结果包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域；进一步通过获取干扰区域内的测量数据，对干扰区域内的多个第二小区的地理位置信息进行融合处理，确定目标小区的干扰源位置。可以通过两步定位的方式，提高干扰定位的准确度和定位效率。另一方面，实现时延异常的自动归因，提高时延异常归因的效率，减少人工资源的占用。另一方面，可以根据干扰特征数据识别出目标小区的干扰类别结果，实现干扰类别的自动识别，节省人力物力，提高干扰识别的效率，进而提高干扰定位效率。此外，本公开识别的干扰类别结果可以包括一个或多个干扰类别，即可以对实际通信中多种干扰混合相伴的情况进行准确识别，提高识别准确度，可以应用于多种干扰类别混合的复杂场景。
19.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1示意性示出了根据本公开的一个实施例的无线通信的干扰定位方法及装置的系统架构示意图。
22.图2示意性示出了根据本公开的一个实施例的无线通信的干扰定位方法的流程示意图之一。
23.图3示意性示出了根据本公开的一个实施例的干扰类型识别过程的流程示意图。
24.图4示意性示出了根据本公开的一个实施例的干扰识别模型的训练过程流程示意图。
25.图5示意性示出了根据本公开的一个实施例的无线通信的干扰定位方法的流程示意图之二。
26.图6示意性示出了根据本公开的一个实施例的无线通信的干扰定位装置的结构框图。
27.图7示意性示出了根据本公开的一个实施例的示例性电子设备框图。
具体实施方式
28.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
29.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
30.图1示出了可以应用本公开实施例的一种无线通信的干扰定位方法及装置的示例性系统架构100的示意图。如图1所示，系统架构100可以包括终端设备110、服务器120和接入设备130。终端设备110包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、测试终端等，如可以是频谱仪或专门的测试终端、计算机等任意能够实现无线通信的用户终端电子设备，本示例对此不做限定。
31.终端设备110可以产生mr(measurement report，测量报告)数据，用以反映网络质量、用户行为习惯及周边环境等信息。
32.终端100能将mr数据实时传输至服务器120，服务器120可以从基站130获取待识别区域的工程参数，也可以从网络管理系统获取目标小区的资源使用情况，并提取出目标小区的时频域资源波动数据，获取目标小区的干扰特征数据；根据干扰特征数据识别出目标小区的干扰类别结果；干扰类别结果包括一个或多个干扰类别；当干扰类别结果包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域；第一小区为与目标小区具有相同干扰类别的邻近小区；获取干扰区域内多个第二小区的测量数据，测量数据包括第二小区的地理位置信息；根据测量数据，对多个第二小区的地理位置信息进行融合处理，确定目标小区的干扰源位置。
33.本示例中，服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，其中多个服务器可组成一区块链，而服务器为区块链上的节点，服务器120还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(contentdeliverynetwork，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。
34.接入设备130可以是基站，如4g基站或5g基站；基站作为用户终端接入运营商网络的接入设备，能够为终端设备110提供通讯服务。服务器120若定位到干扰源位置，可以将该干扰源位置发送给终端或传输给基站进行相应抗干扰处理。
35.本公开实施例所提供的无线通信的干扰定位方法可以在服务器120执行，相应地，无线通信的干扰定位方法装置一般设置于服务器120中。
36.以下对本公开实施例的技术方案进行详细阐述：
37.参考图2所示，本公开提供的一种示例实施方式的无线通信的干扰定位方法可以包括以下步骤s210-s240。
38.步骤s210，获取目标小区的干扰特征数据；根据干扰特征数据识别出目标小区的干扰类别结果。
39.在本示例实施方式中，目标小区是指可能存在干扰的小区，目标小区可包括一个或多个小区，小区是指一个基站的信号所能覆盖的范围，小区与基站一一对应。干扰特征数据可以包括小区的频段、频点、带宽、子载波间隔、经度、纬度等信息，还可以包括上行prb接收功率、prb利用率等数据。也可以分别从时域和频域的维度分别提取信号波动性特征作为干扰特征数据，本示例对此不做限定。
40.在本示例实施方式中，可以将干扰特征数据输入神经网络模型以识别干扰类别。神经网络模型可以是各种可以进行机器学习的神经网络模型，如卷积神经网络(convolutional neural networks,cnn)、人工神经网络等，可以在神经网络模型中添加分类器或分类层实现干扰分类。在本示例中，分类器是针对多个标签的多类别分类器，输入一组干扰特征数据，可以输出一个或多个干扰类别。
41.步骤s220，当干扰类别结果包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域。
42.在本示例实施方式中，可以根据干扰类别确定该干扰来源于通信系统的内部还是外部。示例性地，内部干扰源可以包括gps失步、帧头偏移配置错误、大气波导等。外部干扰源可以包括多路数字微波(multichannel microwave distribution system，mmds)干扰、视频监控干扰、伪基站干扰、干扰器干扰、卫星地球站干扰等，还可以包括可以对目标小区
产生干扰的其他干扰源，本示例对此不做限定。
43.在本示例实施方式中，干扰类别结果可以包括多个干扰类别，例如，既包括内部干扰源也包括外部干扰源，当该干扰类别包含外部干扰源时，可以筛选具有相同干扰类别的其他邻近小区(第一小区)，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域。
44.举例而言，当确定干扰类别包含外部干扰源后，提取该目标小区的一阶邻区以及二阶邻区，一阶邻区是与目标小区有重叠覆盖面积的邻区，二阶邻区是与一阶邻区有重叠覆盖的邻区。确定可能受到外部干扰影响的目标小区与邻区集合之后，接下来需要判断受到该干扰源干扰的干扰小区相互间是否存在干扰相关性，可以通过干扰变化一致性和区域相关性来确定。干扰变化一致性是判定小区间rssi(received signal strength indication，接收信号强度指示)指标变化是否存在一致性。区域相关性是判断受干扰小区间距离是否在一定的范围内(如1000米)。对于存在干扰相关性的干扰小区(即第一小区)，干扰源区域的确定如下：分别以同一干扰源影响的邻近小区为圆心，以预设长度(如r＝500)为半径画圆，得到多个圆，多个圆的重叠相交范围即为干扰源所在干扰区域。
45.步骤s230，获取干扰区域内多个第二小区的测量数据。
46.在本示例实施方式中，测量数据可以是用户终端上报的测量报告，该测量报告可以包括对应的第二小区的地理位置信息，例如可以通过携带辅助全球定位系统agps信息得到第二小区的地理位置信息。该地理位置信息可以是经纬度信息，也可以是由经纬度信息通过坐标转换得到的其他位置信息，本示例对此不做限定。
47.在本示例实施方式中，第二小区是位于干扰区域内，且与目标小区具有相同外部干扰源的干扰类别的小区。
48.步骤s240，根据测量数据，对多个第二小区的地理位置信息进行融合处理，确定目标小区的干扰源位置。
49.在本示例实施方式中，可以从测量数据中提取第二小区的信号能量变化情况，通过信号能量变化的程度，确定干扰源对每个第二小区的干扰大小。融合处理可以是将信号能量变化最大的第二小区的地理位置信息作为初始位置，再采用其他第二小区的地理位置信息，对该初始位置进行修正，最终确定干扰源位置。融合处理也可以是筛选信号能量变化程度较大的若干个第二小区，通过筛选的小区构成的几何形状的中心作为干扰源位置。还可以通过其他方式进行融合处理，本示例对此不做限定。
50.本公开实施例提供的无线通信的干扰定位方法中，一方面，对于干扰类别结果包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域；进一步通过获取干扰区域内的测量数据，对干扰区域内的多个第二小区的地理位置信息进行融合处理，确定目标小区的干扰源位置。可以通过两步定位的方式，提高干扰定位的准确度和定位效率。另一方面，实现时延异常的自动归因，提高时延异常归因的效率，减少人工资源的占用。另一方面，可以根据干扰特征数据识别出目标小区的干扰类别结果，实现干扰类别的自动识别，节省人力物力，提高干扰识别的效率，进而提高干扰定位效率。此外，本公开识别的干扰类别结果可以包括一个或多个干扰类别，即可以对实际通信中多种干扰混合相伴的情况进行准确识别，提高识别准确度，可以应用于多种干扰类别混合的复杂场景。
51.在一些实施例中，参考图3，干扰识别模型可以包括变分自编码器310和多个分类器320，根据干扰特征数据识别出目标小区的干扰类别结果，包括：
52.利用训练好的变分自编码器对干扰特征数据进行编码，以获得对应的重建概率。
53.在本示例实施方式中，变分自编码器(vae)作为深度生成模型的一种形式，是基于变分贝叶斯推断的生成式网络结构。变分自编码器由编码器(encoder)和解码器(decoder)组成。编码器的作用是将观测空间中的样本数据投射到隐藏层空间，获得数据在隐空间的表示，解码器的作用是将隐空间的表示解码成原始表示。
54.在本示例实施方式中，可以利用训练好的变分自编码器的编码器学习干扰特征数据的隐藏层特征，即对干扰特征数据进行隐藏层编码，得到干扰特征数据对应的重建概率。编码器可以包括cnn、批归一化和激活层。
55.利用训练好的多个分类器分别对重建概率进行分类，获得每个分类器对应标签的分类结果；每个分类器对应一个干扰类别标签。
56.在本示例实施方式中，多个分类器可以是多层感知器(multilayer perceptron，mlp)，多个分类器还可以是多个全连接层，每个分类器进行一个标签的二分类处理，通过训练好的多个分类器对重建概率进行多个二分类处理，确定目标小区是否具有每个分类器对应标签的干扰类别。
57.根据每个分类器的分类结果，确定目标小区的干扰类别。
58.在本示例实施方式中，可以将每个分类器确定的干扰类别作为目标小区的一个干扰类别，目标小区可以具有多个干扰类别，这样可以识别目标小区的所有干扰类别，更符合实际情况中多个干扰相伴相生的情况，增强本公开方法的实用性。
59.在一些实施例中，参考图4，干扰识别模型可以包括变分自编码器和多个分类器，变分自编码器包括编码器和解码器，干扰识别模型的训练过程可以包括以下两个部分的步骤。
60.第一部分为变分自编码器的训练：
61.第一步，获取历史干扰样本数据。
62.在本示例实施方式中，历史干扰样本数据可以是带有干扰类别标签的基站小区的历史干扰数据。可以包括历史某时段的小区频段、频点、带宽、子载波间隔、经度、纬度等通信资源数据，上行prb接收功率、prb利用率等资源使用情况数据。还可以从通信资源数据和资源使用情况数据中提取时频域资源波动数据，将以上数据作为干扰样本数据。本示例中，历史某时段可以根据具体情况来确定，例如可以是当前时刻往前的若干天、一个月或几个月，也可以是往年的同时期数据。
63.在本示例实施方式中，还可以对通信资源数据、资源使用情况数据和时频域资源波动数据进行一系列的预处理，将预处理后数据作为干扰样本数据。示例性地，预处理可以包括剔除空值过多的数据、对数据中的空值采用均值填充及归一化等中的一种或多种，还可以包括其他预处理手段，本示例对此不做限定。
64.第二步，将历史干扰样本数据输入编码器进行编码，获得历史干扰样本数据的隐编码数据。
65.在本示例实施方式中，可以采用变分自编码器中的编码器对历史干扰样本数据进行编码，将高维空间数据映射为低维空间数据，获得隐编码数据。
66.第三步，利用解码器对隐编码数据进行还原，获得还原数据。
67.在本示例实施方式中，可以利用解码器对编码器的输出数据进行还原，将隐编码数据还原到输入空间，获得与编码器输入数据维度相同的还原数据。
68.第四步，以最小化还原数据与编码器的输入数据之间的第一损失函数为目标，更新变分自编码器的模型参数。
69.在本示例实施方式中，第一损失函数可以是交叉熵损失函数，也可以利用kl散度与均方误差确定第一损失函数，本示例对此不做限定。可以采用现有的参数更新算法，如随机梯度下降算法更新变分自编码器的模型参数。
70.第二部分是多个分类器的训练，在该部分训练过程中可以保持变分自编码器的模型参数不变。
71.第五步，利用训练好的编码器对历史干扰样本数据进行编码，获得对应隐编码数据。
72.第六步，利用多个分类器对隐编码数据进行分类，获得预测结果。
73.在本示例实施方式中，多个分类器输出干扰类别标签的概率向量，将该概率向量作为预测结果。
74.第七步，根据预测结果和对应类别标签，计算第二损失函数。
75.在本示例实施方式中，第二损失函数可以是交叉熵损失函数或采用预测结果和对应类别标签的均方误差mse作为第二损失函数，本示例对此不做限定。
76.第八步，根据第二损失函数，更新多个分类器的模型参数。
77.在本示例实施方式中，可以根据现有的参数更新算法，如随机梯度下降算法更新多个分类器的模型参数。
78.以上实施例中，第一损失函数与第二损失函数可以相同，也可以不同。变分自编码器与多层分类器的参数更新算法可以相同，也可以不同，本示例对此不做限定。每个训练部分的训练截止条件可以是模型收敛或达到最大训练轮次。每轮次训练数据规模、最大训练轮次batch参数更新优化算法和提前结束的相应设置等模型超参可以根据经验和需求进行设置。模型训练完成后都需要存储模型参数。为了保持模型的鲁棒性可以按周期使用新的干扰样本数据更新模型参数。
79.在一些实施例中，获取目标小区的干扰特征数据，包括：
80.从工程参数中获取目标小区的通信资源数据；从网络管理系统中获取目标小区的资源使用情况。
81.在本示例实施方式中，通信资源数据可以包括小区频段、频点、带宽、子载波间隔、经度、纬度等信息。资源使用情况可以包括上行物理资源块的资源接收功率、上行或下行prb利用率等数据。物理资源块(physical resource block，prb)，prb对应的是频域上12个连续的载波(在15k载波间隔的情况下是180k)，时域上是一个时系(半个子帧，0.5ms)。示例性地，将上行通信的频段按协议分成273个物理资源块。
82.根据通信资源数据和资源使用情况，提取出目标小区的时频域资源波动数据。
83.在本示例实施方式中，时频域资源波动数据可以包括频域波动数据、时域波动数据、频域变化率、最大平稳步长、频域极差、本小区上下行prb利用率之间的相关性(如相似度)，还可以包括其他反映时频域波动性的数据，本示例对此不做限定。
84.举例而言，频域波动数据可以由频域方差d
频域
衡量：
[0085][0086]
其中，e
频域
代表prb的频域均值，n为物理资源块数量，其取值取决于通信系统制式(如4g或5g)与子载波间隔。例如，5g通信中n＝273，4g通信中n＝100或50。i为物理资源块的序号，xi表示第i个物理资源块。
[0087]
时域波动数据可以由时域方差d
时域
衡量：
[0088][0089]
其中，e
时域
代表prb时域均值。
[0090]
频域变化率：
[0091][0092]
最大平稳步长为τ：
[0093]
对于变化率δi，在回溯步长为τ时，若满足|δ
i-δ
i-τ
|《η且|δ
i-δ
i-τ-1
|≥η，则认为i物理资源块的位置对应的最大平稳步长为τ；η为预设常数。
[0094]
频率极差r为：
[0095]
r＝max(prb)-min(prb)
[0096]
其中，max表示取最大值，min表示取最小值。
[0097]
频域与上下行prb利用率的相似度可以采用皮尔逊系数度量：
[0098][0099]
其中，表示prb的频域均值，yi表示上下行第i个物理资源块prb的利用率，表示prb利用率的平均值。
[0100]
可以将上述通信资源数据、资源使用情况和时频域资源波动数据作为目标小区的干扰特征数据。例如，将以上数据组成特征向量输入模型中。
[0101]
在另一些实施例中，方法还包括以下步骤：
[0102]
获取待识别区域内所有小区的通信资源数据和资源使用情况。
[0103]
利用预设规则对所有小区的通信资源数据和/或资源使用情况进行筛选，确定目标小区。
[0104]
在本示例实施方式中，可以利用预设规则筛选受干扰小区作为目标小区。预设规则可以是某时段上行prb平均接收功率大于预设阈值，且出现频次达到上限值，可以将该小区确定为受干扰小区。还可以利用上行或下行prb利用率设置预设规则，也可以将prb接收功率与利用率结合设置预设规则，本示例对此不做限定。通信资源数据用于确定小区频段、位置等信息。示例性地，可以按照一天的上行prb平均接收功率大于-97dbm/100mhz，并且最近7天连续出现4天及以上天数为预设规则，筛选出受干扰小区。
[0105]
在一些实施例中，根据测量数据，对多个第二小区的地理位置信息进行融合处理，可以包括以下步骤。
[0106]
获取多个第二小区的测量数据中的指标数据，并确定指标数据的衰减程度。
[0107]
在本示例实施方式中，指标数据可以包括测量(mr)指标和kpi(key performance indicator，关键绩效指标)，例如，指标数据可以为信号干扰加噪声比(signal-to-noise and interference ratio，sinr)和/或参考信号接收功率(reference signal received power，rsrp)。分析上述kpi和mr指标的由于干扰引起的衰减程度(劣化)。
[0108]
根据衰减程度，确定多个第二小区的位置权重。
[0109]
在本示例实施方式中，可以设置多个第二小区的位置权重之和为1，衰减程度可以采用kpi指标在衰减前后的差值来表示。衰减程度越大，说明该小区受干扰影响越大，则可以为该小区设置较大的位置权重。
[0110]
根据多个第二小区的地理位置信息和位置权重，确定目标小区的干扰源位置。
[0111]
在本示例实施方式中，地理位置信息可以是小区的经纬度，可以通过多个第二小区经纬度的加权和，确定干扰源位置。
[0112]
在一些实施例中，方法还包括：当干扰类别结果不包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定目标小区的干扰源位置。
[0113]
在本示例实施方式中，不包含外部干扰源也就是只包含内部干扰源，当模型确定的干扰类别只包含内部干扰源时，可以筛选具有相同干扰类别的其他邻近小区(第一小区)，根据目标小区与第一小区的信号覆盖范围重叠区域，确定内部干扰源所在的位置。例如，可以将重叠区域的中心作为干扰源所在位置，也可以根据多个重叠区域确定该位置，如采用上述实施例的一阶邻区、二阶邻区的方式，本示例对此不做限定。
[0114]
在一些实施例中，参考图5，无线通信中干扰定位方法可以包括以下步骤s501-s511。
[0115]
步骤s501，获取历史干扰特征数据。
[0116]
步骤s502，采用变分自编码器和多层感知机构建干扰识别模型。
[0117]
步骤s503，采用历史干扰特征数据训练干扰识别模型。
[0118]
步骤s504，获取待识别区域通信资源数据和资源使用情况，并筛选确定目标小区。
[0119]
步骤s505，确定目标小区的干扰特征数据。
[0120]
步骤s506，将目标小区的干扰特征数据输入训练好的干扰识别模型，获得干扰类别结果。干扰类别结果包括一个或多个干扰类别。
[0121]
步骤s507，根据干扰类别结果，判断当前是否包含外部干扰源的干扰类别，若是，则转入步骤s508，否则，转至步骤s511。
[0122]
步骤s508，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域。
[0123]
步骤s509，获取干扰区域内多个第二小区的测量数据，测量数据包括第二小区的地理位置信息。
[0124]
步骤s510，根据测量数据，对多个第二小区的地理位置信息进行融合处理，确定目标小区的干扰源位置。
[0125]
步骤s511，根据目标小区与第一小区的信号覆盖范围重叠区域，确定内部干扰源
位置。
[0126]
上述实施例中的各个步骤的顺序只是示例性的，可以根据需要对步骤的顺序进行相应调整。上述实施例中各个步骤的详细介绍可以参照前述实施例中的相应描述，此处不再赘述。
[0127]
相关技术中的干扰分类算法主要依托于多分类模型，其一次只能预测出一种干扰类别。但从现场干扰排查经验来看，同一个基站小区往往受到多种干扰的影响，尤其是5g通信系统。5g通信系统的干扰与4g通信系统的干扰不同。在5g通信系统中，不同运营商的频段不同，导致其面对的干扰类型不同。相关技术中，由于干扰影响因素复杂、种类复杂、干扰源未知，导致干扰源位置定位精确度低。针对这种情况本发明提出一种基于变分自编码器(vae)的多标签分类模型，能够更全面的捕获小区的干扰类别，进而实现精确的干扰源定位。
[0128]
本公开提出了基于多标签分类的干扰分类方法与基于agps的干扰源精定位方法，首先通过神经网络模型学习干扰模式的规律，预测可能存在的多种干扰类型，再通过分析agps数据和kpi指标劣化程度得到干扰源精确位置。使用多标签分类可以更加全面的描述基站小区的干扰情况，使用agps和kpi数据可以更加准确的定位干扰源。
[0129]
本公开的干扰源定位分为粗定位和精定位两部分。粗定位部分是利用三角定位框选出干扰源可能存在的大概区域，精定位是在粗定位的基础上，进一步利用含有agps的mr数据，通过分析kpi和mr指标的劣化程度，对干扰源进行精确定位，提高了干扰源的定位精度。
[0130]
本公开方法可以用于干扰情况较复杂的4g/5g基站，可以解决4g/5g干扰分类和定位不够准确的问题。
[0131]
本公开可以应用于无线干扰排查场景，实现干扰源自动定位，减少人工参与。还可以应用于无线网络智能运维场景，通过干扰源的自动发现、排查、策略自动下发，实现无线干扰的智能运维。
[0132]
参见图6，本示例实施方式中还提供了一种无线通信的干扰定位装置600；装置600可以包括：识别模块610、第一确定模块620、获取模块630和融合定位模块640；识别模块610，用于获取目标小区的干扰特征数据；根据干扰特征数据识别出目标小区的干扰类别结果；干扰类别结果包括一个或多个干扰类别；第一确定模块620，用于当干扰类别结果包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域；第一小区为与目标小区具有相同干扰类别的邻近小区；获取模块630，用于获取干扰区域内多个第二小区的测量数据，测量数据包括第二小区的地理位置信息；融合定位模块640，用于根据测量数据，对多个第二小区的地理位置信息进行融合处理，确定目标小区的干扰源位置。
[0133]
在本公开的一个实施例中，识别模块610还包括编码子模块、分类子模块、第一确定子模块，编码子模块用于利用训练好的变分自编码器对干扰特征数据进行编码，以获得对应的重建概率；分类子模块用于利用训练好的多个分类器分别对重建概率进行分类，获得每个分类器对应标签的分类结果；每个分类器对应一个干扰类别标签；确定子模块用于根据每个分类器的分类结果，确定目标小区的干扰类别。
[0134]
在本公开的一个实施例中，装置600还包括第一训练模块，第一训练模块用于：获
取历史干扰样本数据；将历史干扰样本数据输入编码器进行编码，获得历史干扰样本数据的隐编码数据；利用解码器对隐编码数据进行还原，获得还原数据；以最小化还原数据与编码器的输入数据之间的第一损失函数为目标，更新变分自编码器的模型参数。
[0135]
在本公开的一个实施例中，装置600还包括第二训练模块，第二训练模块用于：利用训练好的编码器对历史干扰样本数据进行编码，获得对应隐编码数据；利用多个分类器对隐编码数据进行分类，获得预测结果；根据预测结果和对应类别标签，计算第二损失函数；根据第二损失函数，更新多个分类器的模型参数。
[0136]
在本公开的一个实施例中，识别模块610还包括获取子模块、提取子模块和第二确定子模块，获取子模块用于从工程参数中获取目标小区的通信资源数据；从网络管理系统中获取目标小区的资源使用情况；提取子模块用于根据通信资源数据和资源使用情况，提取出目标小区的时频域资源波动数据；第二确定子模块用于将通信资源数据、资源使用情况和时频域资源波动数据作为目标小区的干扰特征数据。
[0137]
在本公开的一个实施例中，融合处理模块640还用于：获取多个第二小区的测量数据中的指标数据，并确定指标数据的衰减程度；根据衰减程度，确定多个第二小区的位置权重；根据多个第二小区的地理位置信息和位置权重，确定目标小区的干扰源位置。
[0138]
在本公开的一个实施例中，装置600还包括筛选模块，获取模块630还用于获取待识别区域内所有小区的通信资源数据和资源使用情况；筛选模块用于利用预设规则对所有小区的通信资源数据和/或资源使用情况进行筛选，确定目标小区。
[0139]
在本公开的一个实施例中，装置600还包括第二确定模块，第二确定模块用于当干扰类别结果不包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定目标小区的干扰源位置。
[0140]
上述实施例中的无线通信的干扰定位装置中涉及的各个模块/单元的具体细节已经在对应的无线通信的干扰定位方法中进行了详细的描述，因此此处不再赘述。
[0141]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备实现如下述实施例中的方法。例如，设备可以实现如图2-图5所示的各个步骤等。
[0142]
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于
由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0143]
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的设备。所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
[0144]
参见图7，图7是本技术实施例提供的一种电子设备的结构示意图。如图7所示，该电子设备700包括处理器710、存储器720、输入输出接口730以及通信总线740。处理器710连接到存储器720和输入输出接口730，例如处理器710可以通过通信总线740连接到存储器720和输入输出接口730。处理器710被配置为支持该电子设备执行图2-图5中无线通信的干扰定位方法中相应的功能。该处理器710可以是中央处理器(central processing unit，cpu)，网络处理器(network processor，np)，硬件芯片或者其任意组合。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)或其组合。上述pld可以是复杂可编程逻辑器件(complex programmable logic device，cpld)，现场可编程逻辑门阵列(field-programmable gate array，fpga)，通用阵列逻辑(generic array logic，gal)或其任意组合。存储器720用于存储程序代码等。存储器720可以包括易失性存储器(volatilememory，vm)，例如随机存取存储器(random access memory，ram)；存储器720也可以包括非易失性存储器(non-volatile memory，nvm)，例如只读存储器(read-only memory，rom)，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；存储器720还可以包括上述种类的存储器的组合。
[0145]
该输入输出接口730用于输入或输出数据。
[0146]
处理器710可以调用上述程序代码以执行以下操作：
[0147]
获取目标小区的干扰特征数据；根据干扰特征数据识别出目标小区的干扰类别结果；干扰类别结果包括一个或多个干扰类别；当干扰类别结果包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定外部干扰源所在的干扰区域；第一小区为与目标小区具有相同干扰类别的邻近小区；获取干扰区域内多个第二小区的测量数据，测量数据包括第二小区的地理位置信息；根据测量数据，对多个第二小区的地理位置信息进行融合处理，确定目标小区的干扰源位置。
[0148]
可选的，上述处理器710还可以根据干扰特征数据识别出目标小区的干扰类别结果，执行以下操作：
[0149]
利用训练好的变分自编码器对干扰特征数据进行编码，以获得对应的重建概率；利用训练好的多个分类器分别对重建概率进行分类，获得每个分类器对应标签的分类结果；每个分类器对应一个干扰类别标签；根据每个分类器的分类结果，确定目标小区的干扰类别。
[0150]
可选的，上述处理器710还可以执行以下操作：
[0151]
获取历史干扰样本数据；将历史干扰样本数据输入编码器进行编码，获得历史干
扰样本数据的隐编码数据；利用解码器对隐编码数据进行还原，获得还原数据；以最小化还原数据与编码器的输入数据之间的第一损失函数为目标，更新变分自编码器的模型参数。
[0152]
可选的，上述处理器710还可以执行以下操作：
[0153]
利用训练好的编码器对历史干扰样本数据进行编码，获得对应隐编码数据；利用多个分类器对隐编码数据进行分类，获得预测结果；根据预测结果和对应类别标签，计算第二损失函数；根据第二损失函数，更新多个分类器的模型参数。
[0154]
可选地，上述处理器710还可以获取目标小区的干扰特征数据，执行以下操作：
[0155]
从工程参数中获取目标小区的通信资源数据；从网络管理系统中获取目标小区的资源使用情况；根据通信资源数据和资源使用情况，提取出目标小区的时频域资源波动数据；将通信资源数据、资源使用情况和时频域资源波动数据作为目标小区的干扰特征数据。
[0156]
可选的，上述处理器710还可以根据测量数据，对多个第二小区的地理位置信息进行融合处理，执行以下操作：
[0157]
获取多个第二小区的测量数据中的指标数据，并确定指标数据的衰减程度；根据衰减程度，确定多个第二小区的位置权重；根据多个第二小区的地理位置信息和位置权重，确定目标小区的干扰源位置。
[0158]
可选的，上述处理器710还可以执行以下操作：
[0159]
获取待识别区域内所有小区的通信资源数据和资源使用情况；利用预设规则对所有小区的通信资源数据和/或资源使用情况进行筛选，确定目标小区。
[0160]
可选的，上述处理器710还可以执行以下操作：
[0161]
当干扰类别结果不包含外部干扰源的干扰类别时，根据目标小区与第一小区的信号覆盖范围重叠区域，确定目标小区的干扰源位置。
[0162]
需要说明的是，各个操作的实现还可以对应参照图2-图5所示的方法实施例的相应描述；上述处理器710还可以与输入输出接口730配合执行上述方法实施例中的其他操作。
[0163]
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台设备执行根据本公开实施例的方法。
[0164]
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0165]
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等，均应视为本公开的一部分。
[0166]
应可理解的是，本说明书公开和限定的本公开延伸到文中和/或附图中提到或明显的两个或两个以上单独特征的所有可替代组合。所有这些不同的组合构成本公开的多个可替代方面。本说明书的实施方式说明了已知用于实现本公开的最佳方式，并且将使本领
域技术人员能够利用本公开。