Root Cause Analysis of Anomalies in 5G RAN Using Graph Neural Network and Transformer

5G技术的出现标志着发展电信网络的重要里程碑，使增强现实和自动驾驶等令人兴奋的新应用成为可能。然而，这些改进带来了更高的管理复杂性和特殊的关注点，需要处理故障，因为5G旨在支持的应用程序严重依赖于高网络性能和低延迟。因此，自动自愈解决方案已成为处理此要求的有效方法，允许基于学习的系统自动检测异常并执行根本原因分析（RCA）。然而，实现这种智能系统存在固有的挑战。首先，缺乏适合异常检测和RCA的数据，因为故障场景的标记数据不常见。其次，当前的智能解决方案是针对LTE网络量身定制的，没有完全捕捉到数据中存在的时空特征。考虑到这一点，我们利用校准的模拟器Simu5G，并生成正常和故障场景的开源数据。利用这些数据，我们提出了Simba，这是一种在5G无线接入网络（RANs）中进行异常检测和根本原因分析的最先进方法。我们利用图神经网络来捕捉空间关系，而Transformer模型用于学习数据的时间依赖性。我们实现了Simba的原型，并对多个故障进行了评估。结果与现有解决方案进行比较，以确认Simba的优越性。

论文旨在解决5G网络中自动化自愈系统的实现问题，其中数据不足和智能方案不足以完全捕捉数据中的时空特征是主要挑战。

论文提出了一种名为Simba的新方法，利用图神经网络和Transformer模型来捕捉时空特征，实现5G无线接入网络中的异常检测和根本原因分析。

论文使用Simu5G模拟器生成了开源数据集，用于正常和故障场景的异常检测和根本原因分析。Simba的原型实现在多个故障情况下进行了评估，证实了其优越性。

最近在这个领域中，还有一些相关研究，如“5G网络中的自动化故障管理：现状和未来展望”和“利用深度学习技术进行5G网络中的异常检测和根本原因分析”。