通信网络相关技术在我国发展迅猛,光缆通信、电缆通信、无线电波等通信方式为人们日常通信联络保驾护航。同时,网络管理软件中提供大量的KPI(Key Performance Indicator)数据,对于网络异常检测、故障诊断并以此提醒督促工作人员对网络策略进行调整有着重要作用。KPI数据的异常波动由报警阈值进行辅助监测,这类阈值往往由人工设定,简单粗糙,不具有针对性,报警效果不理想。为解决通信网络KPI报警阈值的自我调节问题,使其准确报警,达到工程作业标准,本文的研究内容和相关工作如下:(1)通过分析KPI时序数据的特点,提出两段式计算架构模型:基于半监督学习和多目标优化的报警阈值自学习方法LTSO(Learning Threshold Parameters by Semi-supervised Learning and Optimization)。该方法包括:网管KPI数据收集处理,网元(e.g.基站)相似性模块分析,模型阈值/参数初始化,KPI样例聚集,半监督学习标签扩充,多目标优化阈值自学习,阈值共享等步骤。(2)相似性网元/基站的阈值共享能够节省人工成本,为此,提出针对于不同类型KPI阈值数据的网元/基站层次聚类特征选择方法。针对接收信号强度(RSRP)阈值,选择基站挂高,基站发射功率等强相关特征,以及地理场景中各类建筑物、树林、水域地物对象占比。针对业务量(Traffic)阈值,将基站频点配置,基站容量,基站话务量和用户相关行为数据作为聚类特征。在此基础上,从本质特征和历史时序特征两方面对网元/基站的类型进行精准聚类划分。(3)针对阈值优化过程中,漏报和误报学习样本标签的严重稀缺问题,提出了基于树模型基学习器的半监督直推式标签扩充方法。通过构造KPI时序数据中的统计特征、熵特征和分段特征,充分描述KPI各项指标,并用树模型进行特征域中的高阶组合,构造基准确率较高的集成基学习器。提出简单的分歧式半监督投票方式,预测出最终高准确率的标签,实现半监督式学习样本扩充。(4)设计实现了基于NSGA-II的多目标阈值优化算法,以误报与漏报的数量和面积作为优化目标,构造出多种应用场景下的适应度函数。通过不断输入的KPI时间序列数据段,进行优化迭代,计算出最终模型报警阈值。最后依据上述研究内容,设计实现了 KPI阈值监控软件,结果采用实际电信网络中的KPI数据验证了上述工作的有效性,并达到了阈值自学习调整监控的目的。