[發明專利]一種基于深度學習的網絡告警定位方法有效

申請號：	202010649254.1	申請日：	2020-09-25
公開（公告）號：	CN112003718B	公開（公告）日：	2021-07-27
發明（設計）人：	徐小龍;黃寄;趙娟;徐佳;姜宇;孫維	申請（專利權）人：	南京郵電大學
主分類號：	H04L12/24	分類號：	H04L12/24
代理公司：	南京蘇高專利商標事務所(普通合伙) 32204	代理人：	冒艷
地址：	210003 江蘇***	國省代碼：	江蘇;32
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于深度學習網絡告警定位方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種基于深度學習的網絡告警定位方法，其特征在于：包括如下步驟：

步驟1：搜集到歷史的一個具體的時間區間內的告警信息樣本數據，對這些樣本進行重復告警信息刪除數據預處理；

步驟2：去除重復告警信息以后，對孤立節點的樣本也進行篩選，篩選完以后對所有樣本中的節點的告警信息進行歸類，然后對根因告警信息種類進行統計，構建根因節點告警信息類別知識庫；

步驟3：將樣本的節點信息和告警信息組合后輸入基于分布式假設的詞表示模型，最終得到樣本的特征表示，每個樣本中都包含了特征表示和根因節點標記兩個信息；

步驟4：將樣本數據集中的根因標記按1和0分為兩個子集，針對根因標記為1的子集中的樣本，利用樣本擴充方法將其樣本數擴充至和根因標記為0的子集樣本數一致；

步驟5：將擴充后的數據集的樣本中的特征表示作為LSTM模型的輸入，擴充后數據集的樣本中的根因標記為LSTM模型的輸出，對模型進行訓練，并且將模型以及其參數保存下來，得到輸入為特征表示，輸出為將此樣本預測為根因節點的概率值的一個模型；

步驟6：取得實際中搜集到的新的一天內的告警信息樣本數據集，樣本中數據的存儲內容包含了該樣本的節點和該樣本的告警信息，按步驟3的方法，將新數據集中每個樣本的節點和告警信息組合后輸入基于分布式假設的詞表示模型中生成每個樣本的特征表示，得到其對應的特征表示集合；

步驟7：將所有樣本的特征表示輸入步驟5中存儲的模型，得到每個樣本被預測為疑似根因節點的概率集合，將所有概率大于閾值的樣本節點存儲起來作為疑似根因節點集合；

步驟8：將疑似根因節點集合中的節點所發出的告警信息與步驟2中所建立的根因節點告警信息類別知識庫中的告警信息種類進行比對，將不存在于知識庫中的節點刪除，若疑似根因節點集合中沒有元素，則說明這一天沒有根因節點，否則利用節點之間的距離關系和知識庫篩選出根因節點；

步驟7的疑似根因節點集合生成以后，將疑似根因節點集合設為S_s，則步驟8的具體過程為：

步驟81，新建一個空列表S_c，將S_s中所有節點的告警信息與步驟2中生成的根因節點告警信息類別知識庫進行比對，保留S_s中節點對應的告警信息種類存在于知識庫中的節點；

步驟82，若S_s為空集，則說明這一天中沒有根因節點，結束，若S_s只有一個節點，則此節點為根因節點，結束；

步驟83，將一天所有樣本中的節點的連接關系制作成鄰接矩陣，其中每條邊的權值設置為1，根據連接關系，計算出S_s與一天所有樣本的節點的最短距離，并統計在根因節點故障傳播范圍內的節點個數，然后形成包含節點和根因節點故障傳播范圍內節點數的二元組，并將其加入S_c中；

步驟84，取出S_c中根因節點故障傳播范圍內節點數最大的元素，若元素唯一，則其元組對應的節點即為根因節點，否則則根據節點的告警信息種類在知識庫中的出現頻率的大小來選取根因節點，其中頻率最大的告警信息種類對應的節點即為根因節點，

新創建一個空列表S_c，將S_s中所有節點的告警信息與V中的告警信息進行比對，去除掉不存在于V中告警信息種類節點，再判斷若S_s為空集，則說明這天沒有根因節點，否則若S_s只有一個元素，則那個節點即為根因節點，若S_s中不止一個元素，則將S_test中所有節點的連接關系制作成鄰接矩陣，每條邊的權值設置為1，為了得到節點之間的距離，利用Dijkstra方法計算S_s中的節點與S_test中的節點之間的距離，并統計距離小于根因節點故障傳播范圍的節點個數，本發明設定為2跳以內，最終形成元組，并將元組加入列表S_c，取出S_c中根因節點故障傳播范圍內節點數最多的元素集合v_max，若v_max中元素唯一，則那個節點則為根因節點，若元素不唯一，則根據V中告警信息出現頻率的大小選取根因節點，選取出現頻率最大的那個告警信息種類對應的節點即為根因節點。