本發明涉及5g-r網絡檢測監測，具體而言，涉及基于分布式監測和多源信息融合的5g-r網絡態勢感知方法。
背景技術：
1、隨著5g網絡的快速發展和5g-r（鐵路5g專用移動通信）技術的逐步部署，網絡的規模和復雜性日益增加。5g-r網絡作為未來智能鐵路通信基礎設施的重要組成部分，承載著行車安全數據傳輸、低延遲通信及海量設備連接的關鍵任務，廣泛應用于高速鐵路、重載鐵路、普速鐵路，尤其要滿足在鐵路復雜場景中支持高速列車通信、列車運行控制和車地協同等高可靠性需求。因此，確保5g-r網絡的穩定性、可靠性和高效性已成為亟待解決的技術難題。
2、傳統的網絡監測系統主要依賴集中式監控和單一數據源的方式，通過網絡管理中心（omc）或網管工具（如snmp、syslog協議）對網絡的基本狀態進行實時監控。盡管這種方法能夠在小型網絡中滿足基本需求，但在應對大規模、動態變化的5g-r網絡時面臨諸多挑戰：
3、數據來源有限：傳統系統多依賴低密度數據源，如單一設備日志或性能指標，難以覆蓋5g-r網絡的全網運行狀態，尤其在跨鐵路局、跨區域場景下數據采集不完整。
4、實時性不足：集中式監控導致數據傳輸和處理延遲，難以滿足5g-r網絡低延遲（<1ms）和高實時性的要求，例如高速列車通信對信號質量的即時感知。
5、復雜性管理困難：5g-r網絡涉及核心網、無線網、專用設備和接口監測等多維度數據源，其異構性和高動態性（如網絡切片、業務流量波動）增加了監測難度，傳統方法難以實現多源數據的全面融合和智能分析。
6、故障定位效率低：現有系統多圍繞單一方面開展監測，缺乏跨區域、多模塊協同決策和全網態勢感知的能力，導致故障根因診斷耗時長、準確率低。
7、近年來，我國在鐵路專網檢測監測技術領域取得了多項技術突破，例如在鐵路基礎設施全生命周期監測和網絡安全威脅感知方面取得進展。然而，對于5g-r網絡的監測，特別是多源數據采集與分析，仍需在分布式監測、數據融合和智能分析的重大關鍵技術上實現突破，以滿足鐵路專用網絡的高效、穩定運行需求。
8、現有技術中，已公開的專利和研究為網絡監測提供了部分解決方案，但仍存在以下不足：
9、如公開號cn111641653a的中國專利提出了一種基于云平臺的網絡安全威脅態勢感知系統，其功能層包括數據采集層、態勢分析層、態勢評估層和態勢展示層。數據采集層通過syslog協議、snmp協議及網絡安全管理工具，采集網絡基礎數據，并采用特征融合方法評估安全態勢。然而，該系統針對傳統計算機網絡設計，與5g-r網絡的特性（如低延遲、高并發、海量設備連接）差異較大，且在數據采集對象（僅限安全日志）和方法上與本發明不同，無法滿足5g-r網絡多源異構數據的實時監測需求。
10、再有公開號cn113159475a的中國專利提供了一種基礎設施全生命周期監測平臺，包含狀態感知系統、網絡傳輸系統和數據分析系統，聚焦高原高寒環境下鐵路基礎設施（如橋梁、隧道）多源數據的狀態評估。雖涉及鐵路場景，但其主要關注物理基礎設施狀態，未涉及5g-r專用網絡的監測和網絡設備的動態檢測，缺乏分布式監測和多源信息融合的能力。
11、再有公開號cn116896462a的專利提出了一種基于網絡安全管理的智慧礦山網絡態勢感知系統，通過接收網絡設備生成的安全日志（如syslog、netflow），利用關聯分析（如apriori、fp-growth算法）和圖數據庫挖掘數據關聯，識別網絡攻擊相關數據。盡管該系統在數據關聯和分析方面有一定創新，但其應用場景局限于智慧礦山網絡，與5g-r網絡的鐵路專用需求（如車地協同、低延遲通信）不匹配，且未解決分布式監測和全網態勢感知的難題。
12、此外，當前5g-r網絡監測工作多聚焦單一方面，如網絡性能或安全威脅，未形成跨路局、多源數據融合、多模塊協同決策及多層次網絡感知的整體方案。現有技術在以下方面仍存在局限：
13、多源數據融合不足：難以整合來自核心網、無線網、接口監測、檢測設備及gis等多維度異構數據，導致態勢感知不全面。
14、智能分析能力有限：缺乏基于人工智能（如機器學習、深度學習）和高級統計模型（如時序點過程、霍克斯理論）的智能分析，難以實現精準的異常檢測、趨勢預測和故障根因診斷。
15、可視化支持薄弱：現有系統多以報表或簡單圖表展示數據，缺乏多維度、可視化的態勢感知能力，難以滿足鐵路運維人員對實時、交互式監控的需求。
16、針對上述挑戰和現有技術的不足，本發明提出了基于分布式監測和多源信息融合的5g-r網絡態勢感知方法。
技術實現思路
1、本發明的目的在于解決上述背景技術中提出的相應技術問題，提供了基于分布式監測和多源信息融合的5g-r網絡態勢感知方法。
2、本發明的目的通過以下方案實現：
3、本發明的方案一方面提供了基于分布式監測和多源信息融合的5g-r網絡態勢感知方法，包括以下步驟：
4、（1）分布式數據采集：通過分布式采集設備從多個異構數據源獲取5g-r網絡的運行狀態信息，所述數據源包括網絡設備配置數據、告警數據、性能數據、接口監測數據、檢測數據及輔助數據；
5、（2）數據處理：對采集的多源數據進行集中處理，包括數據清理、數據計算、數據關聯和數據重構，利用數據挖掘技術提取關鍵特征、趨勢及模式；
6、（3）數據共享：通過統一存儲、管理和分發多源數據，實現跨區域和跨系統的數據無縫銜接，支持實時與歷史數據的協同分析；
7、（4）智能分析：基于人工智能技術對處理后的數據進行異常檢測、模式識別和趨勢預測；
8、（5）可視化態勢感知：基于智能分析結果，通過可視化技術實現網絡告警、網絡運用質量、網絡運維和資源管理的多維度態勢感知。
9、進一步的，所述步驟（1）中的分布式數據采集包括使用終端數據采集設備、網絡數據采集設備、接口監測設備、檢測設備及輔助采集設備，其中：
10、所述接口監測設備采集北向接口監測數據、全網信令和業務流量監測數據；
11、所述檢測設備包括動態檢測設備和靜態檢測工具，分別采集路測數據和第三方靜態檢測數據。
12、進一步的，所述步驟（2）中的數據處理包括：
13、數據清理：通過去噪和格式轉換處理多源數據；
14、數據關聯：采用皮爾遜相關系數算法計算告警數據與性能數據之間的線性關系，公式為：，其中，r示皮爾遜相關系數，用于衡量兩組數據之間的線性相關性；和分別表示兩組數據中的第個觀測值；和分別為和的均值；為數據樣本總數；
15、數據挖掘：使用fp-growth算法挖掘頻繁項集和關聯規則，步驟包括構建fp樹并遞歸挖掘頻繁模式。
16、進一步的，所述步驟（4）中的智能分析包括故障根因診斷，具體方法為：
17、采用貝葉斯離散度分析評估故障事件相關性，計算條件概率：
18、；
19、其中，表示在事件b發生條件下事件a的條件概率；表示在事件a發生條件下事件b的似然概率；和分別為事件a和b的先驗概率；
20、使用時序點過程（tpp）分析故障時間序列，強度函數為：
21、；
22、其中，表示時刻t的事件發生強度；為基線事件發生率，表示無觸發時的基礎強度；為觸發函數，描述前一次事件對當前時刻t的影響；n為歷史事件總數，為第i個歷史事件的時間；
23、基于霍克斯理論識別故障傳播路徑，觸發函數為：
24、；
25、其中，表示觸發強度參數，用于衡量事件觸發的影響大小；表示衰減速率參數，用于描述觸發影響隨時間衰減的速度；表示當前時間t與歷史事件時間的時間差；
26、使用邏輯回歸圖神經網絡預測故障概率，邏輯回歸公式為：
27、；
28、其中，表示給定輸入特征 x條件下故障發生的概率；為截距項（偏置項），為回歸系數，反映特征x對故障概率的影響；x為輸入特征變量。
29、進一步的，所述步驟（5）中的網絡告警態勢感知包括告警分析，具體方法為：通過皮爾遜算法和fp-growth算法分析告警關聯性；
30、采用時序分析檢測周期性異常，使用s-arima模型預測告警趨勢，公式為：
31、；
32、其中，表示時間序列在時刻t的值；c為常數項；為自回歸參數，表示過去p個時間步的滯后值對當前值的影響；為移動平均參數，表示過去q個時間步的白噪聲對當前值的影響；為時刻 t的白噪聲誤差項；
33、利用kl散度（kullback-leibler散度）評估數據分布差異，公式為：
34、；
35、其中，表示概率分布p相對于的kl散度，用于衡量兩分布之間的信息差異；和分別為兩個概率分布在事件x上的概率密度。
36、進一步的，所述步驟（5）中的網絡運用質量感知包括質差分析，具體方法為：
37、使用高斯混合模型（gmm）進行質差指標門限自學習，概率密度函數為：
38、；
39、其中，表示觀測值 x的概率密度；k為高斯分量數；為第k個高斯分量的混合權重，滿足為第k個高斯分量的概率密度函數，其中為均值向量，為協方差矩陣；
40、采用決策樹算法定界質差問題，基于信息熵計算分裂特征：
41、；
42、信息增益公式為：
43、；
44、其中，表示數據集s的信息熵；為類別i的概率；表示特征a帶來的信息增益；為特征a取值v的子集，和分別為子集和總集的樣本數。
45、進一步的，所述步驟（5）中的網絡運維態勢感知包括預測性維護和業務撥測驗證，具體方法為：
46、使用回歸分析預測故障趨勢，線性回歸模型為：
47、；
48、其中，y為預測的故障趨勢值；為截距（偏置項）；為回歸系數，反映自變量x對因變量y的影響；x為輸入特征變量，如設備運行時間或性能指標；為隨機誤差項；
49、采用神經網絡挖掘非線性故障模式，激活函數為：
50、；
51、其中，為sigmoid激活函數的輸出，x為輸入值，用于將輸入映射到[0,1]區間；
52、業務撥測驗證使用boxplot檢測異常值，四分位距公式為：
53、；
54、異常范圍為，其中，為四分位距；和分別為數據的第一四分位數和第三四分位數；
55、使用n-sigma方法識別波動，標準化得分公式為：
56、；
57、其中，z為標準化得分；x為觀測值；為均值；為標準差；
58、采用iforest算法檢測異常，異常得分公式為：
59、；
60、其中，為樣本 x的異常得分；為樣本 x在孤立森林中所有樹的平均路徑長度；為樣本數對應的平均路徑長度常數，為樣本總數。
61、進一步的，所述步驟（5）中的資源管理態勢感知包括動態資源可視化，具體方法為：
62、通過后臺算法計算網絡切片指標，利用n-sigma方法檢測異常波動，公式同上；
63、基于gis數據生成網絡拓撲可視化，使用信息熵評估數據分布：
64、；
65、其中，表示隨機變量 x的信息熵；為事件的概率；為可能事件總數。
66、進一步的，所述步驟（4）中的智能分析還包括異常檢測，具體方法為：
67、采用iforest算法識別異常模式，異常得分公式同上；
68、使用boxplot方法檢測性能指標離群點，公式同上；
69、利用kl散度評估異常分布差異，公式同上。
70、本發明還提供了一種5g-r網絡態勢感知系統，包括：
71、分布式數據采集設備，用于采集多源數據；
72、數據共享與處理平臺，用于數據預處理和共享；
73、智能分析模塊，集成皮爾遜算法、fp-growth、貝葉斯分析、時序點過程（tpp）、霍克斯理論、邏輯回歸圖神經網絡、高斯混合模型（gmm）、決策樹、s-arima、boxplot、n-sigma、iforest、回歸分析、神經網絡及kl散度技術，執行異常檢測與預測；
74、態勢感知模塊，提供網絡告警、質量、運維和資源管理的可視化展示；
75、用戶接口層，支持實時監控與決策。
76、與現有技術相比，本發明具備以下有益效果：
77、1、本發明通過分布式監測技術在5g-r網絡的多個節點(如核心網、無線網、基站、接口設備)部署監測設備，實時采集多源異構數據，包括網絡設備配置數據、告警數據、性能數據、接口監測數據、檢測數據及gis數據，確保全網覆蓋和低延遲數據獲取。結合多源信息融合技術(如皮爾遜相關系數、fp-growth算法),整合核心網、無線網和專用設備的多維度數據，克服傳統集中式監測數據來源有限、實時性不足的缺點，實現對5g-r網絡運行狀態的全面感知和快速響應，滿足鐵路場景中低延遲(<1ms)和高可靠性的需求；
78、2、本發明利用人工智能和高級統計模型(如貝葉斯離散度分析、時序點過程、霍克斯理論、邏輯回歸圖神經網絡、高斯混合模型、s-arima、iforest等)對多源數據進行智能分析，實現異常檢測、模式識別、趨勢預測和故障根因診斷。例如，通過和識別故障傳播路徑，結合評估故障相關性，顯著提升故障定位的準確率和效率。相比現有技術，本發明克服了單一數據源分析的局限，能夠預測潛在故障(如設備負載異常、業務質量下降),為預測性維護和網絡優化提供強有力的支持；
79、3、本發明通過可視化技術實現網絡告警、運用質量、運維和資源管理的多維度展示，利用kl散度(如)和信息熵(如)評估數據分大結合ch數據生成網絡打撲圖若日鐘歐三維人目對空時。交后一世收驚的需求阿如其tdamber布，結合gis數據生成網絡拓撲圖，滿足鐵路運維人員對實時、交互式監控的需求。例如，基于boxplot和n-sigma(如)檢測性能異常，通過大屏展示告警統計和資源利用率，顯著提升運維效率和決策支持能力，克服現有技術可視化支持薄弱的不足。