基于知识发现的告警相关性分析关键问题研究

论文摘要

现代电信网络的特点是大规模、复杂、异构，这就要求必须对网络进行有效地管理以维持其高可靠性和高可用性。告警相关性分析作为网络故障管理中的重要内容，可以辅助网管人员删除冗余告警、定位故障以及预测故障的发生。传统的相关性分析方法由于过多地依赖专家知识而难以适应网络复杂、多变的情况，采用知识发现的方法则可以弥补这方面的不足。本文将知识发现技术应用到告警相关性分析中，研究了情景规则的增量式挖掘、告警预测模式挖掘以及挖掘的实时性等关键问题，取得了一定的成果。主要工作包括： 第一，研究了情景规则的增量式挖掘问题。情景规则是一种重要的告警相关性知识，目前的情景规则挖掘方法大多是基于WINEPI的算法框架。然而，在挖掘参数改变导致的重复挖掘情况下，WINEPI算法的效率很低。本文针对一个重要的参数——时间窗改变而导致的重复挖掘，提出了一种增量式情景规则挖掘算法TWIER，利用原时间窗下的挖掘结果构造约束条件，使之对新时间窗下的候选情景集进行削减，实验结果表明TWIER在重复挖掘的情况下具有比WINEPI更高的挖掘效率； 第二，针对告警数据增加而导致的重复挖掘，本文提出了另一种增量式情景规则挖掘算法IERMA，通过利用原告警序列的挖掘结果构造约束条件，使之对新的告警序列下的候选情景集进行削减，在IERMA上我们也取得了比WINEPI更好的实验结果； 第三，预测模式是另一种重要的告警相关性知识，可用于预测故障的发生。传统方法大多是把预测模式挖掘作为机器学习的问题来研究，基于待预测告警(称为target)构造学习样本。然而由于target代表了故障，通常发生次数比较稀少，采用传统方法难以在少量target样本上获得好的学习效果。本文根据SVM在小样本条件下训练推广

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 论文的研究背景
• 1.1.1 告警相关性分析的定义
• 1.1.2 告警相关性的类型
• 1.1.3 告警相关性分析的难点
• 1.1.4 告警相关性分析的方法
• 1.1.5 知识发现方法的优势
• 1.2 论文的研究内容
• 1.2.1 仍待研究的问题
• 1.2.2 研究方法
• 1.2.3 研究内容
• 1.2.4 实验数据
• 1.3 论文的组织安排
• 参考文献
• 第二章 知识发现的概念与方法
• 2.1 引言
• 2.2 知识发现的定义
• 2.3 知识发现的过程
• 2.4 知识发现的任务
• 2.5 序列模式挖掘
• 2.5.1 序列挖掘的参数
• 2.5.2 序列模式挖掘的算法
• 2.6 支持向量机
• 2.6.1 统计学习理论
• 2.6.2 线性支持向量机
• 2.6.3 非线性支持向量机
• 2.7 本章小结
• 参考文献
• 第三章 网络告警的增量式情景规则挖掘
• 3.1 引言
• 3.2 情景规则的基木概念
• 3.3 情景规则挖掘的基本方法—WINEPI算法
• 3.3.1 WINEPI的基本原理
• 3.3.2 WINEPI的算法框架
• 3.4 时间窗改变时的增量式情景规则挖掘
• 3.4.1 TWIER的基本原理
• 3.4.2 TWIER的算法框架
• 3.4.3 实验与结果分析
• 3.5 告警数据增加时的增量式情景规则挖掘
• 3.5.1 IERMA的基本原理
• 3.5.2 IERMA的算法框架
• 3.5.3 实验与结果分析
• 3.6 本章小结
• 参考文献
• 第四章 基于支持向量机的告警预测模式挖掘
• 4.1 引言
• 4.2 告警预测的数学模型
• 4.3 现有的研究方法
• 4.3.1 基于序列模式挖掘的方法
• 4.3.2 基于遗传算法的方法
• 4.3.3 基于分类的方法
• 4.4 基于支持向量机的告警预测模式挖掘
• 4.4.1 特征提取
• 4.4.2 预处理
• 4.4.3 SVM分类器训练
• 4.4.4 实验与结果分析
• 4.5 利用虚样本提高预测的性能
• 4.5.1 虚样本方法
• 4.5.2 基于虚 SV方法构造target虚样本
• 4.5.3 实验与结果分析
• 4.6 本章小结
• 参考文献
• 第五章 基于临近支持向量机的告警预测模式挖掘
• 5.1 引言
• 5.2 PSVM的基本原理
• 5.2.1 线性核函数条件下的PSVM
• 5.2.2 非线性核函数条件下的PSVM
• 5.3 基于 PSVM的告警预测模式挖掘
• 5.3.1 对 PSVM的改进—基于非平衡惩罚的PSVM
• 5.3.1.1 问题的提出
• 5.3.1.2 PSVM-UP的基本原理
• 5.3.1.3 PSVM与PSVM-UP的计算复杂度分析
• 5.3.2 基于 PSVM的告警预测模式挖掘
• 5.3.3 基于 PSVM的重大告警预测系统模型
• 5.3.4 实验与结果分析
• 5.4 利用低秩估计提高非线性 PSVM的训练速度
• 5.4.1 低秩估计
• 5.4.2 基于 Nystrom估计的快速非线性 PSVM训练方法
• 5.4.3 实验与结果分析
• 5.5 本章小结
• 参考文献
• 第六章 结束语
• 6.1 本文的总结
• 6.2 进一步的工作
• 博士期间发表的论文
• 致谢