AIOPS2022_题目

比赛名称：无线网络故障定位的根本原因分析

一、背景

当故障发生时，根本原因分析在无线网络运行和管理中起着重要作用。快速、准确的故障定位对于及时恢复网络至关重要。真实的网络往往有复杂的环境和部署场景，故障的发生是不规律的。因此，根据现有的知识来推断已经发生或即将发生的问题是很有挑战性的。

根源定位依赖于变量之间的依赖关系。关键是要确定因果关系。以下图为例，其中Y受变量 $X_1,X_2,X_3$的影响。当Y的值发生变化时，我们需要分析$X_1,X_2,X_3$中的哪个变量对Y有最重要的影响。目前的操作多以工程师的主观意见来完成，这有几个缺点。首先，估计的因果效应严重依赖于工程师的专业知识。与数据驱动的方法相比，这种方法不能灵活地推广到其他应用中，而且复杂的关系也很难把握。其次，工程师的专业知识通常是有限的，因此有可能忽略了某些因素。例如，在说明性的例子中， $X_3$也会影响$X_2$。在测量$X_2$的影响时，我们也应该考虑到$X_3$。

在本次竞赛中，我们将提供如图1所示的因果关系图供参考。本次竞赛的目的是根据收集到的真实网络数据和图1中给出的相关因果关系图，学习一个通用的根本原因分析模型。

由于数据安全问题，我们对特征名称进行了匿名处理。我们已经建立了一个竞赛平台来支持这个活动，注册用户可以在这里下载数据，分享想法，并提交他们的结果。

二、描述

在电信网络中，feature0的性能低于预期始终是一个客户关心的问题。本次比赛主要是对feature0的不良表现（KPI低）进行根本原因分析。当它的值小于200时，我们需要分析影响因素并定位出原因。因果关系如图1所示。在电信网络中，每个特征feature都可以被解释为一个key performance indicator关键性能指标（KPI）。这些KPI的值随时间变化，并相互影响。根据图1中提供的关系，我们需要推断出feature0的低值的根本原因。

（图中）
1、资源不足Resource insufficient
2、边缘地区的信号较弱Weak signal in marginal areas
3、节点间的强干扰Strong interference among nodes
4、特征Y中的元素分辨力低Low discrimination of the elements in feature Y
5、特征Y对于n来说是不平衡的Feature Y is not balanced regarding to n
6、KPI的四个实体不平衡

三、数据集

提供的真实世界数据集包括：

• 因果关系图（见图1）。这个因果关系图来自一个标准的通信协议，在不同的场景下是通用的。椭圆代表一个变量或一组变量。白色椭圆代表观察到的变量。灰色椭圆代表一个中间变量（不可观察）。矩形代表可能的根本原因。在顶部，feature0是操作者关心的目标变量。变量之间的关系往往是非线性的。有些关系是决定性的，有些是概率性的。
• 特征数据集。这个数据集总共包含2984个样本。每个样本是一个从不同的5G道路测试中收集的时间片。**有23个可观察的变量（图1中的白色椭圆），携带着在时间片中测量的不同KPI的信息。**在2984个样本中，只有约45%的样本被标记为根源性故障，其他的仍未被标记。
  我们在数据会中留下了更详细的描述。

3.1数据集细节

Data in each time slice:

我们采用时间片分析，这意味着我们只需要 at the time slice level上定位根本原因。
例如，表1显示了从2020-08-18 18:24:40到2020-08-18 18:25:42的一个时间片（一分钟，每秒钟数据都会列出来）。数据点每秒钟都被记录下来。
特征0的值保持在一定范围内，允许有一些抖动。
在这里，这个时间片中feature0的值大约是300。我们根据这个时间片中的所有数据点来标注根本原因。注意，多个根本原因也可以同时出现，例如，表1中的时间片同时被标记为根本原因2和3。

一些备注：

• 特征值可以是连续的或离散的Feature values can be continuous or
  discrete：例如，特征0是连续的，特征15是离散的。
• 有些特征反映的是统计信息：例如，特征3_1-3_8表示特征3落在相应数值1~8的计数。
• 空间特征：例如，特征28_0-28_7表示特征28在0~7方向的数值。
• 时间特征：例如，特征19的波动将导致特征0的不稳定行为。
• 不同的数据收集粒度：例如，特征19每隔几秒钟报告一次，而特征0则是每秒钟记录一次。

注：数据是从不同的场景中收集的。在一些场景中，一些特征可能没有任何内在的值，这并不是由缺失的收集造成的。

部分标记的数据：

• 只有少数数据被贴上了标签：在现实中，所有的标签都应该由工程师来做，依靠专业知识因此很昂贵。大量的数据仍然没有被标注。
• 标签并不全面：在2984个样本中，我们对其中的45%进行了标注（可能是多标签）。未标记的样本也可能有缺陷。The unlabeled samples may also have faults.

3.2 特征细节

特征3_1-3_8表示特征3落在相应数值1~8的计数。

四、输出形式

参与者需要输出每个时间片的根本原因。最终结果应如下表所示，为CSV格式，代表一个带有指标函数的根本原因集。

五、判断指标

我们将抽取KaTeX parse error: Undefined control sequence: \epslion at position 4: N_t\̲e̲p̲s̲l̲i̲o̲n̲ ̲=150个样本作为测试集，参与者应该对每个根本原因作出判断，我们将把他们的预测$P_i$与我们的真实标签$I_i$进行比较。

分数为$S_i$初始值为0，预测对了加一分，预测不对减一分，最后得分除以真实标签分数（满分），相当于做了归一化操作得到一个比率值。
最后计算每个样本的平均分
备注 (1) 如果所有的预测都是正确的，你将得到最高的最终分数S=1。(2) 如果预测的输出结果留有空白（全部为零），最终得分将为S=0。 (3) 如果预测的根本原因不在标签集中，将被扣除一个分数，因此最终得分可能为负。
比如说本来六个原因是{1,1,1,0,0,0}，你预测的是{1,1,1,1,0,0}，得两分。你预测的是{0,0,0,1,1,1}得-3分。