异常干扰源的识别方法、系统、终端设备及介质与流程

1.本发明涉及终端设备技术领域，尤其是涉及一种异常干扰源的识别方法、 系统、终端设备以及计算机可读存储介质。


背景技术：

2.随着智能终端的普及，无线网络及其用户规模的不断扩大，网络中的干 扰越来越多样化与复杂化。特别是外部因素导致的干扰，由于其干扰强度大、 难以定位等特点，严重的影响着网络质量与用户感知。目前网络正处于4g网 络趋于成熟，5g网络高速发展时期。网络中或多或少的存在一些弱覆盖问题， 在这种情况下部分用户选择私自安装劣质信号放大设备的方式来提升信号强 度。该方法虽然对安装者个人的通信质量有提升，但由于私装信号放大器技 术指标较为恶劣，而且没有经过专业调测，设备工作在非线性范围，会造成 上行噪声和交调干扰，严重影响周边其他用户的通信感知。
3.目前网络中类似的5g干扰问题较为严重且呈现着一种快速增长的态势， 而同时4g网络也受到类似网络问题的困扰。目前对于干扰源的定位主要通过 受干扰小区的位置进行汇聚得到一个大致的二维位置，外场测试人员携带扫 频设备，在该大致的位置区域进行干扰源定位，并进行现场查看。
4.现有干扰源定位技术存在以下问题：目前并无专门判断某个区域是否存 在私装4g/5g无线放大器的分析方法，无法对网络中上述干扰问题进行集中 化处理；现有的通过后台数据定位方法准确度严重不足，且仍然为二维定位； 现有的定位方法无法给出私装信号放大器设备大致的数量，致使现场处理不 够彻底。
5.综上所述，现有干扰源定位技术存在定位方法匮乏、定位不准确以及定 位信息不完善等问题。


技术实现要素：

6.本发明的主要目的在于提供一种异常干扰源的识别方法、系统、终端设 备以及计算机可读存储介质，旨在提升针对异常干扰源的定位识别精度。
7.为实现上述目的，本发明提供一种异常干扰源的识别方法，所述异常干 扰源的识别包括：
8.确定上行干扰小区，并提取所述上行干扰小区的三维位置信息和信号特 征信息；
9.根据所述三维位置信息和所述信号特征信息生成三维点云数据，并对所 述三维点云数据进行分割得到多个点云块；
10.基于各个所述点云块确定异常干扰源的位置集合，以识别所述异常干扰 源。
11.可选地，所述提取所述上行干扰小区的三维位置信息和信号特征信息的 步骤，包括：
12.通过最小化测路技术，从预设定位平台提取所述上行干扰小区的包括经 度、纬度和海拔的三维位置信息和包括上行信号强度、上行信噪比和终端发 射功率的信号特征信
息。
13.可选地，所述提取所述上行干扰小区的三维位置信息和信号特征信息的 步骤，包括：
14.将预设的ott定位数据与所述上行干扰小区的网络数据进行关联得到包 括经度、纬度和海拔的三维位置信息和包括上行信号强度、上行信噪比和终 端发射功率的信号特征信息，其中，所述ott定位数据为所述上行干扰小区 进行互联网业务所产生的位置信息数据。
15.可选地，所述根据所述三维位置信息和所述信号特征信息生成三维点云 数据的步骤，包括：
16.将所述上行干扰小区的经度、维度和维度确定为三维位置表征；
17.并将所述上行信号强度、所述上行信噪比和所述终端发射功率通过均匀 分布方式映射至预设空间得到所述点云数据的颜色rgb表征；
18.根据所述三维位置表征和所述颜色rgb表征确定三维点云数据。
19.可选地，所述对所述三维点云数据进行分割得到多个点云块的步骤，包 括：
20.通过pointnet++将所述三维点云数据划分为多个子区域，并通过pointnet 针对所述子区域进行特征提取和迭代得到高维云点，并将所述高维云点进行 反距离权重差值得到对应的低维云点；
21.针对所述低维云点进行特征融合和特征提取，并将特征融合和特征提取 后的各个云点的权重进行全局归一化处理得到多个点云块。
22.可选地，所述基于各个所述点云块确定所述异常干扰源的位置集合，以 完成对所述异常干扰源的识别的步骤，包括：
23.获取各个所述点云块的中心位置和上行链路特征值；
24.基于所述特征值对所述点云块进行分类，并根据所述中心位置从分类后 的点云块中确定异常点云块；
25.根据所述异常点云块的三维中心位置确定异常干扰源的位置集合，以完 成对所述异常干扰源的识别。
26.可选地，所述中心位置包括：经度中心位置、纬度中心位置和海拔中心 位置，所述上行链路特征值包括：上行平均信号强度、上行平均信噪比和上 行终端平均发射功率；
27.所述基于所述特征值对所述点云块进行分类，并根据所述中心位置从分 类后的点云块中确定异常点云块的步骤，包括：
28.基于各个所述点云块的所述上行平均信号强度、所述上行平均信噪比和 所述上行终端平均发射功率，根据预设分类标签将各个所述点云块进行分组 得到多个目标点云块组，所述目标点云块组包括：所述上行平均信号强度与 所述上行平均信噪比满足预设第一分类阈值的第一目标点云块组，和，所述 上行平均信号强度与所述上行平均信噪比满足预设第二分类阈值的第二目标 点云块组；
29.将所述经度中心位置、纬度中心位置和海拔中心位置进行近似笛卡尔等 价点转换；
30.基于近似笛卡尔等价点转换后的经度中心位置、纬度中心位置和海拔中 心位置，通过knn算法，确定在距离所述第一目标点云块组中待检测点云块 最近的预设数量的点云
块中，属于所述第二目标点云块组的点云块的比例， 并在所述比例超过预设比例阈值时，将所述待检测点云块确定为异常点云块。
31.可选地，所述确定上行干扰小区的步骤，包括：
32.收集各个小区的干扰电平指标，并将所述干扰电平指标导入预设数据库， 以从所述预设数据库中预设时段内的平均干扰电平，并将满足上行干扰小区 筛选条件的平均干扰电平所对应的小区确定为上行干扰小区。
33.为实现上述目的，本发明还提供一种异常干扰源的识别系统，所述异常 干扰源的识别系统，包括：
34.提取信息模块，用于确定上行干扰小区，并提取所述上行干扰小区的三 维位置信息和信号特征信息；
35.分割模块，用于根据所述三维位置信息和所述信号特征信息生成三维点 云数据，并对所述三维点云数据进行分割得到多个点云块；
36.异常干扰源识别模块，用于基于各个所述点云块确定所述异常干扰源的 位置集合，以识别所述异常干扰源。
37.其中，本发明异常干扰源的识别系统的各个功能模块各自在运行时均实 现如上所述的异常干扰源的识别方法的步骤。
38.为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存 储器、处理器和存储在所述存储器上并可在所述处理器上运行的异常干扰源 的识别程序，所述异常干扰源的识别程序被所述处理器执行时实现如上所述 的异常干扰源的识别方法的步骤。
39.此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述 计算机可读存储介质上存储有异常干扰源的识别程序，所述异常干扰源的识 别程序被处理器执行时实现如上所述的异常干扰源的识别方法的步骤。
40.此外，为实现上述目的，本发明还提供计算机程序产品，所述计算机程 序产品包括计算机程序，所述计算机程序被处理器执行时实现如上所述的异 常干扰源的识别方法的步骤。
41.本发明提供一种异常干扰源的识别方法、系统、终端设备、计算机可读 存储介质以及计算机程序产品，异常干扰源的识别方法包括以下步骤：确定 上行干扰小区，并提取所述上行干扰小区的三维位置信息和信号特征信息； 根据所述三维位置信息和所述信号特征信息生成三维点云数据，并对所述三 维点云数据进行分割得到多个点云块；基于各个所述点云块确定异常干扰源 的位置集合，以识别所述异常干扰源。
42.相比于现有技术中的异常干扰源的识别方法，在本发明中，以提取的上 行干扰小区的三维位置信息和信号特征信息作为异常干扰源的样本分析体 系，较大程度的节约分析成本；基于上行链路的点云特征场景分割方法，实 现干扰定位由二维向三维的提升，提升了异常干扰源的定位精度；通过对区 域内疑似私装异常干扰源的位置点判断，实现了区域内问题的集中化定位， 并进一步与确定异常干扰源数量，提升了对异常干扰源的排查效率。
附图说明
43.图1为本发明实施例方案涉及的硬件运行环境的结构示意图；
44.图2为本发明异常干扰源的识别方法一实施例的流程示意图；
45.图3为本发明异常干扰源的识别方法一实施例的异常干扰源的识别系统 整体流程示意图；
46.图4为本发明异常干扰源的识别方法一实施例的三维点云数据分割示意 图；
47.图5为本发明异常干扰源的识别系统一实施例的功能模块示意图。
48.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
49.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限 定本发明。
50.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构 示意图。
51.需要说明的是，本发明实施例终端设备可以是用于实现异常干扰源的识 别的终端设备，该终端设备具体可以是手机，计算机，服务器，或者网络设 备等。
52.如图1所示，该设备可以包括：处理器1001，例如cpu，网络接口1004， 用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现 这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入 单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、 无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi 接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器 (non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立 于前述处理器1001的存储装置。
53.本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限 定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部 件布置。
54.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系 统、网络通信模块、用户接口模块以及异常干扰源的识别程序。操作系统是 管理和控制设备硬件和软件资源的程序，支持异常干扰源的识别程序以及其 它软件或程序的运行。在图1所示的设备中，用户接口1003主要用于与客户端 进行数据通信；网络接口1004主要用于与服务器建立通信连接；而处理器1001 可以用于调用存储器1005中存储的异常干扰源的识别程序，并执行以下操作：
55.确定上行干扰小区，并提取所述上行干扰小区的三维位置信息和信号特 征信息；
56.根据所述三维位置信息和所述信号特征信息生成三维点云数据，并对所 述三维点云数据进行分割得到多个点云块；
57.基于各个所述点云块确定异常干扰源的位置集合，以识别所述异常干扰 源。
58.进一步地，处理器1001还可以用于调用存储器1005中存储的异常干扰 源的识别程序，还执行以下操作：
59.通过最小化测路技术，从预设定位平台提取所述上行干扰小区的包括经 度、纬度和海拔的三维位置信息和包括上行信号强度、上行信噪比和终端发 射功率的信号特征信息。
60.进一步地，处理器1001还可以用于调用存储器1005中存储的异常干扰 源的识别程序，还执行以下操作：
61.将预设的ott定位数据与所述上行干扰小区的网络数据进行关联得到包 括经度、纬度和海拔的三维位置信息和包括上行信号强度、上行信噪比和终 端发射功率的信号特征信息，其中，所述ott定位数据为所述上行干扰小区 进行互联网业务所产生的位置信息数据。
62.进一步地，处理器1001还可以用于调用存储器1005中存储的异常干扰 源的识别程序，还执行以下操作：
63.将所述上行干扰小区的经度、维度和维度确定为三维位置表征；
64.并将所述上行信号强度、所述上行信噪比和所述终端发射功率通过均匀 分布方式映射至预设空间得到所述点云数据的颜色rgb表征；
65.根据所述三维位置表征和所述颜色rgb表征确定三维点云数据。
66.进一步地，处理器1001还可以用于调用存储器1005中存储的异常干扰 源的识别程序，还执行以下操作：
67.通过pointnet++将所述三维点云数据划分为多个子区域，并通过pointnet 针对所述子区域进行特征提取和迭代得到高维云点，并将所述高维云点进行 反距离权重差值得到对应的低维云点；
68.针对所述低维云点进行特征融合和特征提取，并将特征融合和特征提取 后的各个云点的权重进行全局归一化处理得到多个点云块。
69.进一步地，处理器1001还可以用于调用存储器1005中存储的异常干扰 源的识别程序，还执行以下操作：
70.获取各个所述点云块的中心位置和上行链路特征值；
71.基于所述特征值对所述点云块进行分类，并根据所述中心位置从分类后 的点云块中确定异常点云块；
72.根据所述异常点云块的三维中心位置确定异常干扰源的位置集合，以完 成对所述异常干扰源的识别。
73.进一步地，所述中心位置包括：经度中心位置、纬度中心位置和海拔中 心位置，所述上行链路特征值包括：上行平均信号强度、上行平均信噪比和 上行终端平均发射功率；
74.处理器1001还可以用于调用存储器1005中存储的异常干扰源的识别程 序，还执行以下操作：
75.基于各个所述点云块的所述上行平均信号强度、所述上行平均信噪比和 所述上行终端平均发射功率，根据预设分类标签将各个所述点云块进行分组 得到多个目标点云块组，所述目标点云块组包括：所述上行平均信号强度与 所述上行平均信噪比满足预设第一分类阈值的第一目标点云块组，和，所述 上行平均信号强度与所述上行平均信噪比满足预设第二分类阈值的第二目标 点云块组；
76.将所述经度中心位置、纬度中心位置和海拔中心位置进行近似笛卡尔等 价点转换；
77.基于近似笛卡尔等价点转换后的经度中心位置、纬度中心位置和海拔中 心位置，通过knn算法，确定在距离所述第一目标点云块组中的待检测点云 块最近的预设数量的点云块中，属于所述第二目标点云块组的点云块的比例， 并在所述比例超过预设比例阈值时，将所述待检测点云块确定为异常点云块。
78.进一步地，处理器1001还可以用于调用存储器1005中存储的异常干扰 源的识别程序，还执行以下操作：
79.收集各个小区的干扰电平指标，并将所述干扰电平指标导入预设数据库， 以从所述预设数据库中预设时段内的平均干扰电平，并将满足上行干扰小区 筛选条件的平均干扰电平所对应的小区确定为上行干扰小区。
80.参照图2，图2为本发明异常干扰源的识别方法第一实施例的流程示意图。
81.在本实施例中，提供了异常干扰源的识别方法的实施例，需要说明的是， 虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以不同于此处的顺 序执行所示出或描述的步骤。
82.本实施例基于pointnet++对4g/5g信号的异常干扰源进行三维 定位，以对异常干扰源进行识别。深度学习已经成为了计算机视觉领 域的一大强有力的工具，尤其在图像领域，基于卷积神经网络的深度 学习方法已经占据了绝大多数问题的高点。然而针对无序点云数据的 深度学习方法研究则进展相对缓慢。这主要是因为点云具有三个特征： 无序性、稀疏性、信息量有限。以往用深度学习方法在处理点云时， 往往将其转换为特定视角下的深度图像或者体素(voxel)等更为规 整的格式以便于定义权重共享的卷积操作等。pointnet则是直接输入 点云进行处理的一种深度学习方法，pointnet是深度学习在3d点集 应用的先驱。然而，pointnet并不能捕捉到由度量(metric)空间点 所产生的局部结构，从而限制了它识别分类精密模型(fine-grainedpatterns)和对复杂场景的通用性。在pointnet++中进行了改进，引入 了一个多层次神经网络模型，该模型将pointnet循环应用于输入点集 的内嵌分组，通过度量空间距离，深度网络能够通过增加相关尺度来 学习局部特征(local features)。在学习过程中点集通常以不同的密度 被采样，这大大降低了网络在训练密度均匀的点云的性能，而 pointnet++则能够有效地学习深度点集的特征。pointnet++在具有挑 战性的3d点云基准测试(benchmarks of 3d point clouds)中获得的 结果也明显优于其他技术。pointnet++目前主要应用于3d物体识别、 物体分类、场景语义分割及点云数据分割等技术领域。
83.在本实施例中，如图3所示，首先根据小区忙时上行干扰平均电平对所 分析区域内的小区进行筛选；对于上行干扰电平达到门限的小区，从定位平 台提取其三维定位数据及关联的信号特征数据并入库；而后将干扰小区用户 三维位置信息数据及干扰特征数据进行梳理，获取三维点云数据；而后利用 pointnet++网络对用户位置的三维点云数据进行分割，生成不同场景的点云 块；最后利用最近邻算法对点云块进行检测，识别异常干扰源位置。
84.步骤s10，确定上行干扰小区，并提取所述上行干扰小区的三维位置信息 和信号特征信息；
85.终端设备从多个小区中筛选出上行干扰小区，为了从多个上行干扰小区 中确定4g/5g信号的异常干扰源，需要进一步确定各个上行干扰小区的三维 位置信息和信号特征信息。
86.步骤s20，根据所述三维位置信息和所述信号特征信息生成三维点云数 据，并对所述三维点云数据进行分割得到多个点云块；
87.终端设备在获取到上行干扰小区对应的三维位置信息和对应的信号特征 信息
后，将根据该三维位置信息和信号特征信息确定上行干扰小区的三维点 云数据，并进一步对该三维点云数据进行分割得到多个点云块。
88.需要说明的是，在本实施例中，点云数据是指在一个三维坐标系统中的 一组向量的集合。这些向量通常以x,y,z三维坐标的形式表示，而且一般主 要用来代表一个物体的外表面形状。并且，除(x,y,z)代表的几何位置信息 之外，点云数据还可以表示一个点的rgb颜色，灰度值，深度，分割结果等。 例如，pi＝{xi,yi,zi,
……
}表示空间中的一个点，而point cloud＝{p1,p2,p3,
…ꢀ
pn}则表示一组点云数据。
89.步骤s30，基于各个所述点云块确定所述异常干扰源的位置集合，以识别 所述异常干扰源。
90.终端设备在将三维点云数据分割成多个点云块之后，将针对多个点云块 执行分类和距离计算等操作后，能够从多个点云块中的三维中心位置确定异 常干扰源的位置集合，以实现对异常干扰源的识别，提升了技术人员对异常 干扰源的排查效率。
91.在本实施例中，终端设备从多个小区中筛选出上行干扰小区，进一步确 定各个上行干扰小区的三维位置信息和信号特征信息，针对多个点云块执行 分类和距离计算等操作后，能够从多个点云块中的三维中心位置确定异常干 扰源的位置集合，以实现对异常干扰源的识别将根据该三维位置信息和信号 特征信息确定上行干扰小区的三维点云数据，并进一步对该三维点云数据进 行分割得到多个点云块。
92.相比于现有技术中的异常干扰源的识别方法，在本发明中，以提取的上 行干扰小区的三维位置信息和信号特征信息作为分析私装4g/5g信号放大器 异常干扰源的样本分析体系，较大程度的节约分析成本；基于上行链路的点 云特征场景分割方法，实现干扰定位由二维向三维的提升，提升了异常干扰 源的定位精度；通过对区域内疑似私装4g/5g信号放大器，即异常干扰源的 位置点判断，实现了区域内问题的集中化定位，并进一步与确定异常干扰源 数量，提升了对异常干扰源的排查效率。
93.进一步地，基于上述本发明异常干扰源的识别方法的第一实施例，提出 本发明异常干扰源的识别方法的第二实施例。
94.相比于第一实施例，在本实施例中，上述步骤s10中，“确定上行干扰 小区”，可以包括：
95.步骤s101，收集各个小区的干扰电平指标，并将所述干扰电平指标导入 预设数据库，以从所述预设数据库中预设时段内的平均干扰电平，并将满足 上行干扰小区筛选条件的平均干扰电平所对应的小区确定为上行干扰小区。
96.终端设备为了得到上行干扰小区，首先收集各个小区的上行干扰电平指 标，并将该上行干扰电平指标导入数据库，进而从数据库中抽取相应时段的 各小区的平均上行干扰电平，进而将满足上行干扰小区筛选条件的平均干扰 电平所对应的小区确定为上行干扰小区。
97.具体地，例如，每天凌晨1:00从运营商网管大数据平台提取各小区前一 天小时粒度上行干扰电平指标并入库；进而抽取早上8:00至11:00和晚上 18:00至21:00的6个小时各小区平均上行干扰电平；若上行平均干扰电平≥ int_up_high，则将此时上行平均干扰电平对对饮拐点小区确定为为上行干扰小 区，其中，门限int_up_high为可灵活设置。
98.进一步地，上述步骤s10中，“提取所述上行干扰小区的三维位置信息 和信号特征
信息”，包括：
99.步骤s102，通过最小化测路技术，从预设定位平台提取所述上行干扰小 区的包括经度、纬度和海拔的三维位置信息和包括上行信号强度、上行信噪 比和终端发射功率的信号特征信息。
100.需要说明的是，在本实施例中，上行干扰小区的三维位置信息包括：经 度(longitude)、纬度(latitude)和海拔(altitude)，上行干扰小区的信号 特征信息包括：上行信号强度(scrsrpul)、上行信噪比(scsinrul)和终 端发射功率(scphr)。最小化测路技术(minimization of drive tests，mdt) 是3gpp 4g r13推出的一种最小化路测技术，需向上报终端gps经纬度信息， 作为精准的位置服务应用具有极大的优势。mdt技术作为5g r16最优先应 用的技术之一被对待。该定位数据具有协议标准适用性广、包含多种定位信 息准确性高、数据量大及关联难度低的特点。
101.具体地，例如，终端设备在确定上行干扰小区后，通过mdt，从预设定 位平台获取上行干扰小区包含经度、纬度、海拔的三维位置信息，和包含 scrsrpul、scsinrul和scphr的信号特征信息。另外，除了上述参数，终 端设备还能够获取生成测量采样点的时间(timestamp)、终端身份标识(ueid) 以及小区全球唯一标识(ecgi)。在本实施例中的预设定位平台是用于存储用 户位置信息及其无线网络特征信息的平台。
102.进一步地，上述步骤s10中，“提取所述上行干扰小区的三维位置信息 和信号特征信息”，还包括：
103.步骤s103，将预设的ott定位数据与所述上行干扰小区的网络数据进行 关联得到包括经度、纬度和海拔的三维位置信息和包括上行信号强度、上行 信噪比和终端发射功率的信号特征信息，其中，所述ott定位数据为所述上 行干扰小区进行互联网业务所产生的位置信息数据。
104.ott(over the top)定位数据是指用户进行互联网业务所产生的位置信息 数据，通过将该数据与用户的网络数据，如mr(measurement report)数据 进行关联，形成可用于构建指纹库的特征数据。
105.具体地，例如，终端设备能够将ott数据与上行干扰小区的mr数据进 行关联，同样可获取包含经纬度、海拔等三维位置信息和包含scrsrpul、 scsinrul和scphr等信号特征信息。运营商的用户定位能力逐渐的由二维向 三维发展。
106.在本实施例中，终端设备为了得到上行干扰小区，首先收集各个小区的 上行干扰电平指标，并将该上行干扰电平指标导入数据库，进而从数据库中 抽取相应时段的各小区的平均上行干扰电平，进而将满足上行干扰小区筛选 条件的平均干扰电平所对应的小区确定为上行干扰小区。进一步，终端设备 可通过mdt获取包含经纬度、海拔等三维位置信息和包含scrsrpul、 scsinrul和scphr等信号特征信息；或者，终端设备也能够将ott数据与 上行干扰小区的mr数据进行关联，同样可获取包含经纬度、海拔等三维位 置信息和包含scrsrpul、scsinrul和scphr等信号特征信息。
107.在本发明中，将满足上行干扰小区筛选条件的平均干扰电平所对应的小 区确定为上行干扰小区，并基于mdt或者ott数据获取各个上行干扰小区 的经纬度、海拔等三维位置信息和scrsrpul、scsinrul和scphr等信号特 征信息。因此，本发明充分利用了现有的定位数据资料，通过数据处理生成 包含三维位置信息及上行链路的信号特征信息的点云数
据，降低了分析资料 获取的成本，进而提升了异常干扰源的识别准确性和识别效率。
108.进一步地，基于上述本发明异常干扰源的识别方法的第一实施例和第二 实施例，提出本发明异常干扰源的识别方法的第三实施例。
109.在本实施例中，在上述步骤s20中，“根据所述三维位置信息和所述信 号特征信息生成三维点云数据”，可以包括：
110.步骤s201，将所述上行干扰小区的经度、维度和维度确定为三维位置表 征；
111.步骤s202，并将所述上行信号强度、所述上行信噪比和所述终端发射功 率通过均匀分布方式映射至预设空间得到所述点云数据的颜色rgb表征；
112.步骤s203，根据所述三维位置表征和所述颜色rgb表征确定三维点云数 据。
113.终端设备在获取到上行干扰小区的经纬度、海拔等三维位置信息和 scrsrpul、scsinrul和scphr等信号特征信息后，将longitude、latitude、 altitude作为三维点云数据的三维位置表征，将scrsrpul、scsinrul、scphr 利用均匀分布映射至0～255区间得到三维点云数据的颜色rgb表征。在本实 施例中为了保证数据充足，可使用上行干扰小区t天内的数据信息，t的取值 可根据实际情况灵活设置，在本实施例中默认t取7。
114.具体地，例如，在将scrsrpul、scsinrul、scphr利用均匀分布映射至 0～255区间时，输出映射后的值：
115.x
new
＝255*(x-x
min
)/(x
max
–
x
min
)
116.其中，x
min
、x
max
和x分别为最小值、最大值、各样本值。
117.进一步地，上述步骤s20中，“对所述三维点云数据进行分割得到多个 点云块”，可以包括：
118.步骤s204，通过pointnet++将所述三维点云数据划分为多个子区域，并 通过pointnet针对所述子区域进行特征提取和迭代得到高维云点，并将所述 高维云点进行反距离权重差值得到对应的低维云点；
119.步骤s205，针对所述低维云点进行特征融合和特征提取，并将特征融合 和特征提取后的各个低维云点的权重进行全局归一化处理得到多个点云块。
120.需要说明的是，在本实施例中，如图4所示，在根据三维位置信息和信 号特征信息确定三维点云数据后，利用pointnet++的三维点云数据分割能力， 对小区带有上行链路的信号特征信息的点云数据进行分割，根据其位置属性 特征及上行链路的rgb特征在三维空间中生成多个点云块。
121.具体地，例如，输入为包括经度、维度和海拔等三位位置特征及上行信 号强度、上行信噪比、及手机发射功率等上行信号特征，共六个通道点云数 据。pointnet++会先对点云进行采样和划分区域，在各个小区域内用基础的 pointnet网络进行特征提取并不断迭代得到高维云点，而后将高维云点进行反 距离插值得到对应的低维云点，再针对该低维云点再进行特征融合和提取特 征得到高维云点，并将特征融合和特征提取后的各个低维云点的权重进行全 局归一化处理得到多个点云块，最终分割成n个点云块。在本实施例中能够 将所分析区域的上行链路特征与位置特征相似的样本实现三维聚类与分割。
122.在本实施例中，终端设备将longitude、latitude、altitude作为三维点云 数据的三维位置表征，将scrsrpul、scsinrul、scphr利用均匀分布映射至 0～255区间得到三维点云数据的颜色rgb表征，以根据三维位置表征和颜色 rgb表征确定三维点云数据，进而通过
pointnet++的对带有信号特征信息的 点云数据进行分割，根据其位置属性特征及上行链路的rgb特征在三维空间 中生成多个点云块。本发明能够利用pointnet++深度网络进行上行链路场景 分割的方法，将上行干扰定位的维度由二维提升至了三维，提升了异常干扰 源的识别的准确性和识别效率。
123.进一步地，基于上述本发明异常干扰源的识别方法的第一实施例、第二 实施例和第三实施例，提出本发明异常干扰源的识别方法的第四实施例。
124.在本实施例中，在上述步骤s30中，“基于各个所述点云块确定所述异 常干扰源的位置集合，以完成对所述异常干扰源的识别”，可以包括：
125.步骤s301，获取各个所述点云块的中心位置和上行链路特征值；
126.步骤s302，基于所述特征值对所述点云块进行分类，并根据所述中心位 置从分类后的点云块中确定异常点云块；
127.步骤s303，根据所述异常点云块的三维中心位置确定异常干扰源的位置 集合，以完成对所述异常干扰源的识别。
128.终端设备在对三维点云数据进行分割得到多个点云块后，将获取各个点 云块的中心位置以及各点云块的上行链路特征值，进而根据各个点云块的上 行链路特征值对点云块进行分类，再根据各个点云块的中心位置对分类后的 点云块进行判断，以从多个分类后的点云块中确定异常点云块，并在确定异 常点云块后得到该异常点云块的三维中心位置，此时异常点云块的三维中心 位置即为异常干扰源的位置集合，从而实现对异常干扰源的识别。
129.进一步地，上述步骤s302中，“基于所述特征值对所述点云块进行分类， 并根据所述中心位置从分类后的点云块中确定异常点云块”，可以包括：
130.步骤s3021，基于各个所述点云块的所述上行平均信号强度、所述上行平 均信噪比和所述上行终端平均发射功率，根据预设分类标签将各个所述点云 块进行分组得到多个目标点云块组，所述目标点云块组包括：所述上行平均 信号强度与所述上行平均信噪比满足预设第一分类阈值的第一目标点云块 组，和，所述上行平均信号强度与所述上行平均信噪比满足预设第二分类阈 值的第二目标点云块组；
131.步骤s3022，将所述经度中心位置、纬度中心位置和海拔中心位置进行近 似笛卡尔等价点转换；
132.步骤s3023，基于近似笛卡尔等价点转换后的经度中心位置、纬度中心位 置和海拔中心位置，通过knn算法，确定在距离所述第一目标点云块组中的 待检测点云块最近的预设数量的点云块中，属于所述第二目标点云块组的点 云块的比例，并在所述比例超过预设比例阈值时，将所述待检测点云块确定 为异常点云块。
133.需要说明的是，在本实施例中，中心位置包括：经度中心位置、纬度中 心位置和海拔中心位置，在本实施例中，经度中心位置即为点云块的经度均 值，同样的，纬度中心位置即为点云块的纬度均值，海拔中心位置即为点云 块的海拔均值；而上行链路特征值包括：上行平均信号强度、上行平均信噪 比和上行终端平均发射功率。
134.终端设备基于上行平均信号强度、上行平均信噪比和上行终端平均发射 功率，根据预设分类标签对各个点云块进行分组，将上行平均信号强度与上 行平均信噪比满足预设第一分类阈值的点云块确定为第一目标点云块组，将 将上行平均信号强度与上行平均
信噪比满足预设第二分类阈值的点云块确定 为第二目标点云块组，即，在第一目标点云块组中点云块的信号强度与信号 质量，即信噪比都很好，而在第二目标点云块组中点云块的信号强度与信号 质量都较差。
135.其中，预设第一分类阈值为：
136.rsrpul》rsrp_high，sinrul》sinr_high
137.而预设第二分类阈值为：
138.rsrpul《rsrp_low，sinrul《sinr_low
139.其中，rsrpul为上行平均信号强度，sinrul为上行平均信噪比。另外， 在本实施例中，将既不满足预设第一分类阈值，也不满足预设第二分类阈值 的点云块，确定为第三目标点云块组。
140.需要说明的是，在本实施例中，私装信号放大器的特征为占用同一小区 信号，导致在用户聚集的相邻位置，大部分用户信号强度与信号质量都较差， 而小部分用户信号强度与信号质量很好。因此，在本实施例中，可利用knn (k-nearest neighbor，k相邻算法)算法对小区信号强度与信号质量均较好 标记为第一目标点云块组的点云块进行检测，判断其最近的k个点云块是否 大部分为信号强度与信号质量均较差的第二目标点云块组的点云块，从而识 别该种孤立特征，进而定位出私装信号放大器，即异常干扰源的具体三维位 置信息。
141.具体地，例如，将所述经度中心位置、纬度中心位置和海拔中心位置进 行近似笛卡尔等价点转换；基于近似笛卡尔等价点转换后的经度中心位置、 纬度中心位置和海拔中心位置，通过knn算法，确定在距离第一目标点云块 组中的待检测点云块最近的预设数量的点云块中，属于第二目标点云块组的 点云块的比例，并在该比例超过预设比例阈值时，则将该待检测点云块确定 为异常点云块。在本实施例中，预设数量设置为10，也可根据实际情况灵活 设置，预设比例阈值也可根据实际情况灵活设置。
142.需要说明的是，在本实施例中，在针对经度中心位置、纬度中心位置和 海拔中心位置进行近似笛卡尔等价点转换时，循序以下规则：
143.x＝alt*cos(lat)*sin(lon)
144.y＝alt*sin(lat)
145.z＝alt*cos(lat)*cos(lon)
146.其中，alt为海拔中心位置，lat为纬度中心位置，lon为经度中心位置。
147.在本实施例中，终端设备基于上行平均信号强度、上行平均信噪比和上 行终端平均发射功率，根据预设分类标签对各个点云块进行分组，将信号强 度与信号质量都很好的点云块标记为第一目标点云块组，将信号强度与信号 质量都较差的点云块标记为第二目标点云块组，将所述经度中心位置、纬度 中心位置和海拔中心位置进行近似笛卡尔等价点转换，基于近似笛卡尔等价 点转换后的经度中心位置、纬度中心位置和海拔中心位置，通过knn算法， 确定在距离第一目标点云块组中的待检测点云块最近的预设数量的点云块 中，属于第二目标点云块组的点云块的比例，并在该比例超过预设比例阈值 时，则将该待检测点云块确定为异常点云块。并在确定异常点云块后得到该 异常点云块的三维中心位置，此时异常点云块的三维中心位置即为异常干扰 源的位置集合，以完成对异常干扰源的识别。
148.在本发明中，根据预设分类标签对各个点云块进行分类，并通过knn算 法对分类后的点云块进行检测，以从多个点云块中确定异常点云块，并将异 常点云块后得到该异常点云块的三维中心位置确定为异常干扰源的位置集 合，实现了对异常干扰源的快速定位，使得检测人员能够快速锁定异常干扰 源的位置，同时也确定了异常干扰源的数量，提升了异常干扰源的排查效率。 本发明也通过建立了异常干扰源定位识别包括数据准备、标签准备及模型识 别等一整套分析流程，填补了现有技术空白。
149.此外，本发明实施例还提出一种异常干扰源的识别系统，参照图3，图3 为本发明异常干扰源的识别一实施例的功能模块示意图。如图3所示，本发 明异常干扰源的识别系统，包括：
150.提取信息模块10，用于确定上行干扰小区，并提取所述上行干扰小区的 三维位置信息和信号特征信息；
151.分割模块20，用于根据所述三维位置信息和所述信号特征信息生成三维 点云数据，并对所述三维点云数据进行分割得到多个点云块；
152.异常干扰源识别模块30，用于基于各个所述点云块确定所述异常干扰源 的位置集合，以识别所述异常干扰源。
153.进一步地，所述提取信息模块10，包括：
154.第一信息提取单元，用于通过最小化测路技术，从预设定位平台提取所 述上行干扰小区的包括经度、纬度和海拔的三维位置信息和包括上行信号强 度、上行信噪比和终端发射功率的信号特征信息。
155.进一步地，所述提取信息模块10，还包括：
156.第二信息提取字单元，用于将预设的ott定位数据与所述上行干扰小区 的网络数据进行关联得到包括经度、纬度和海拔的三维位置信息和包括上行 信号强度、上行信噪比和终端发射功率的信号特征信息，其中，所述ott定 位数据为所述上行干扰小区进行互联网业务所产生的位置信息数据。
157.进一步地，所述分割模块20，包括：
158.三维位置表征确定单元，用于将所述上行干扰小区的经度、维度和维度 确定为三维位置表征；
159.映射单元，用于并将所述上行信号强度、所述上行信噪比和所述终端发 射功率通过均匀分布方式映射至预设空间得到所述点云数据的颜色rgb表 征；
160.确定三维点云数据单元，用于根据所述三维位置表征和所述颜色rgb表 征确定三维点云数据。
161.进一步地，所述分割模块20，还包括：
162.反距离权重差值单元，用于通过pointnet++将所述三维点云数据划分为 多个子区域，并通过pointnet针对所述子区域进行特征提取和迭代得到高维 云点，并将所述高维云点进行反距离权重差值得到对应的低维云点；
163.全局归一化处理单元，用于针对所述低维云点进行特征融合和特征提取， 并将特征融合和特征提取后的各个云点的权重进行全局归一化处理得到多个 点云块。
164.进一步地，所述异常干扰源识别模块30，包括：
165.获取单元，用于获取各个所述点云块的中心位置和上行链路特征值；
166.确定异常点云块单元，用于基于所述特征值对所述点云块进行分类，并 根据所述中心位置从分类后的点云块中确定异常点云块；
167.异常干扰源识别单元，用于根据所述异常点云块的三维中心位置确定异 常干扰源的位置集合，以完成对所述异常干扰源的识别。
168.进一步地，所述中心位置包括：经度中心位置、纬度中心位置和海拔中 心位置，所述上行链路特征值包括：上行平均信号强度、上行平均信噪比和 上行终端平均发射功率；
169.所述确定异常点云块单元，包括：
170.分组子单元，用于基于各个所述点云块的所述上行平均信号强度、所述 上行平均信噪比和所述上行终端平均发射功率，根据预设分类标签将各个所 述点云块进行分组得到多个目标点云块组，所述目标点云块组包括：所述上 行平均信号强度与所述上行平均信噪比满足预设第一分类阈值的第一目标点 云块组，和，所述上行平均信号强度与所述上行平均信噪比满足预设第二分 类阈值的第二目标点云块组；
171.近似笛卡尔等价点转换字单元，用于将所述经度中心位置、纬度中心位 置和海拔中心位置进行近似笛卡尔等价点转换；
172.确定异常点云块子单元，用于基于近似笛卡尔等价点转换后的经度中心 位置、纬度中心位置和海拔中心位置，通过knn算法，确定在距离所述第一 目标点云块组中的待检测点云块最近的预设数量的点云块中，属于所述第二 目标点云块组的点云块的比例，并在所述比例超过预设比例阈值时，将所述 待检测点云块确定为异常点云块。
173.进一步地，所述提取信息模块10，包括：
174.确定为上行干扰小区单元，用于收集各个小区的干扰电平指标，并将所 述干扰电平指标导入预设数据库，以从所述预设数据库中预设时段内的平均 干扰电平，并将满足上行干扰小区筛选条件的平均干扰电平所对应的小区确 定为上行干扰小区。
175.本发明异常干扰源的识别系统的各个功能模块的具体实施方式与上述异 常干扰源的识别方法各实施例基本相同，在此不做赘述。
176.此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读 存储介质上存储有异常干扰源的识别程序，所述异常干扰源的识别程序被处 理器执行时实现如上所述的异常干扰源的识别方法的步骤。
177.本发明异常干扰源的识别系统和计算机可读存储介质的各实施例，均可 参照本发明异常干扰源的识别方法各个实施例，此处不再赘述。
178.此外，本发明实施例还提供一种计算机程序产品，所述计算机程序产品 包括计算机程序，所述计算机程序被处理器执行时实现如以上异常干扰源的 识别方法的任一项实施例所述的异常干扰源的识别方法的步骤。
179.本发明计算机程序产品的具体实施例与上述异常干扰源的识别方法的各 实施例基本相同，在此不作赘述。
180.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在 涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装 置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括 为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下， 由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物 品或者装置中还存在另外的相同要素。
181.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
182.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现 出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘) 中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器， 或者网络设备等)执行本发明各个实施例所述的方法。
183.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是 利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间 接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种异常干扰源的识别方法，其特征在于，所述异常干扰源的识别方法包括以下步骤：确定上行干扰小区，并提取所述上行干扰小区的三维位置信息和信号特征信息；根据所述三维位置信息和所述信号特征信息生成三维点云数据，并对所述三维点云数据进行分割得到多个点云块；基于各个所述点云块确定异常干扰源的位置集合，以识别所述异常干扰源。2.如权利要求1所述的异常干扰源的识别方法，其特征在于，所述提取所述上行干扰小区的三维位置信息和信号特征信息的步骤，包括：通过最小化测路技术，从预设定位平台提取所述上行干扰小区的包括经度、纬度和海拔的三维位置信息和包括上行信号强度、上行信噪比和终端发射功率的信号特征信息。3.如权利要求1所述的异常干扰源的识别方法，其特征在于，所述提取所述上行干扰小区的三维位置信息和信号特征信息的步骤，包括：将预设的ott定位数据与所述上行干扰小区的网络数据进行关联得到包括经度、纬度和海拔的三维位置信息和包括上行信号强度、上行信噪比和终端发射功率的信号特征信息，其中，所述ott定位数据为所述上行干扰小区进行互联网业务所产生的位置信息数据。4.如权利要求2或3所述的异常干扰源的识别方法，其特征在于，所述根据所述三维位置信息和所述信号特征信息生成三维点云数据的步骤，包括：将所述上行干扰小区的经度、维度和维度确定为三维位置表征；并将所述上行信号强度、所述上行信噪比和所述终端发射功率通过均匀分布方式映射至预设空间得到所述点云数据的颜色rgb表征；根据所述三维位置表征和所述颜色rgb表征确定三维点云数据。5.如权利要求1所述的异常干扰源的识别方法，其特征在于，所述对所述三维点云数据进行分割得到多个点云块的步骤，包括：通过pointnet++将所述三维点云数据划分为多个子区域，并通过pointnet针对所述子区域进行特征提取和迭代得到高维云点，并将所述高维云点进行反距离权重差值得到对应的低维云点；针对所述低维云点进行特征融合和特征提取，并将特征融合和特征提取后的各个低维云点的权重进行全局归一化处理得到多个点云块。6.如权利要求1所述的异常干扰源的识别方法，其特征在于，所述基于各个所述点云块确定所述异常干扰源的位置集合，以完成对所述异常干扰源的识别的步骤，包括：获取各个所述点云块的中心位置和上行链路特征值；基于所述特征值对所述点云块进行分类，并根据所述中心位置从分类后的点云块中确定异常点云块；根据所述异常点云块的三维中心位置确定异常干扰源的位置集合，以完成对所述异常干扰源的识别。7.如权利要求6所述的异常干扰源的识别方法，其特征在于，所述中心位置包括：经度中心位置、纬度中心位置和海拔中心位置，所述上行链路特征值包括：上行平均信号强度、上行平均信噪比和上行终端平均发射功率；所述基于所述特征值对所述点云块进行分类，并根据所述中心位置从分类后的点云块
中确定异常点云块的步骤，包括：基于各个所述点云块的所述上行平均信号强度、所述上行平均信噪比和所述上行终端平均发射功率，根据预设分类标签将各个所述点云块进行分组得到多个目标点云块组，所述目标点云块组包括：所述上行平均信号强度与所述上行平均信噪比满足预设第一分类阈值的第一目标点云块组，和，所述上行平均信号强度与所述上行平均信噪比满足预设第二分类阈值的第二目标点云块组；将所述经度中心位置、纬度中心位置和海拔中心位置进行近似笛卡尔等价点转换；基于近似笛卡尔等价点转换后的经度中心位置、纬度中心位置和海拔中心位置，通过knn算法，确定在距离所述第一目标点云块组中的待检测点云块最近的预设数量的点云块中，属于所述第二目标点云块组的点云块的比例，并在所述比例超过预设比例阈值时，将所述待检测点云块确定为异常点云块。8.如权利要求1所述的异常干扰源的识别方法，其特征在于，所述确定上行干扰小区的步骤，包括：收集各小区的干扰电平指标，并将所述干扰电平指标导入预设数据库，以从所述预设数据库中抽取预设时段内的平均干扰电平，并将满足上行干扰小区筛选条件的平均干扰电平所对应的小区确定为上行干扰小区。9.一种异常干扰源的识别系统，其特征在于，所述异常干扰源的识别系统包括：提取信息模块，用于确定上行干扰小区，并提取所述上行干扰小区的三维位置信息和信号特征信息；分割模块，用于根据所述三维位置信息和所述信号特征信息生成三维点云数据，并对所述三维点云数据进行分割得到多个点云块；异常干扰源识别模块，用于基于各个所述点云块确定所述异常干扰源的位置集合，以识别所述异常干扰源。10.一种终端设备，其特征在于，所述终端设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的异常干扰源的识别程序，所述异常干扰源的识别程序被所述处理器执行时实现如权利要求1至8中任一项所述的异常干扰源的识别方法的步骤。11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有异常干扰源的识别程序，所述异常干扰源的识别程序被处理器执行时实现如权利要求1至8中任一项所述的异常干扰源的识别方法的步骤。

技术总结
本发明公开了一种异常干扰源的识别方法、系统、终端设备以及计算机可读存储介质，该异常干扰源的识别方法的步骤包括：确定上行干扰小区，并提取所述上行干扰小区的三维位置信息和信号特征信息；根据所述三维位置信息和所述信号特征信息生成三维点云数据，并对所述三维点云数据进行分割得到多个点云块；基于各个所述点云块确定异常干扰源的位置集合，以识别所述异常干扰源。本发明能够提升针对异常干扰源的定位识别精度。的定位识别精度。的定位识别精度。


技术研发人员：方义成 薛晓宇 刘明健 任定君 蔡宗平 张洪伟 任媛 程俊怡 程思远 吴兵
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.03.11
技术公布日：2023/9/23