[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

本發明公開了一種基于深度學習的網絡告警定位方法，先對歷史的告警信息數據進行預處理；構建根因節點告警信息類別知識庫；使用基于分布式假設的詞表示模型將節點與告警信息組合映射成特征表示；將根因節點樣本集合數據擴充至與非根因節點樣本集合的樣本數相同；將擴充后的數據集作為訓練集，訓練LSTM模型；對新的數據樣本用同樣的方法得到特征表示，輸入保存好的模型，得到預測樣本為根因節點的概率值集合；將預測概率大于閾值的樣本篩選出來并存入疑似根因節點集合；根據疑似根因節點集合連接關系確定根因節點。該方法可提高網絡運維的效率，節省成本。

技術領域

本發明涉及計算機網絡運維，特別涉及一種基于深度學習的網絡告警定位方法。

背景技術

故障管理是網絡管理的一個重要組成部分，包括故障發現、故障診斷和故障修復，難點在于確定故障的根源，即故障根因節點。目前各種大型平臺的內部涉及到了上百個系統間相互調用，其網絡節點之間會產生大量的告警信息。而在網絡中如果一個節點出現故障，調用該節點或者需要利用該節點資源的節點可能也會繼而發生故障，從而產生大量的告警信息，而且可能比根因故障節點還早發出告警信息。這些問題的存在導致故障定位十分困難。每次網絡出現告警時，需要有運維人員在最短時間內正確地判斷出告警的關聯關系，篩選出根因節點，然后采取相應的措施。如果有海量的告警信息發生，那么對于這些告警信息的人工處理將會占據大量人力資源，而且效率低下，甚至可能有重復告警信息。所以設計出網絡告警信息根因定位自動化技術十分有必要。由于網絡實在過于龐大，所以故障的發生在網絡的運行中是不可能避免的。一般的做法是通過告警信息的告警關聯方法，將告警之間的關系找出來，篩選掉不相關的告警信息，留下相關的告警信息。

一般的告警關聯方法有基于規則推理的方法、人工智能方法、因果圖方法等。基于規則推理的方法需要設計一套告警信息出現的規則，實現起來十分困難，并且無法應對事先沒有考慮到的情況，穩定性不足。而一般的人工智能方法，難以搜集到包含一堆關聯的告警信息數據集，而且對告警信息數據的特征難以確定。而且根因告警信息樣本數據一般比較少，所以還有數據不平衡的問題產生，導致模型過擬合，最終效果不佳。因果圖方法也是對告警信息的連接關系進行規則推理得出根因節點。但是這些方法都不具備實時性，若產生了新的告警信息，無法實時匹配其中是否包含有成立的關聯規則，難以滿足告警關聯分析實時性需求。

發明內容

發明目的：本發明目的是提供一種提高網絡運維的效率，降低網絡故障所造成的損失的基于深度學習的網絡告警定位方法。該方法在網絡節點互相調用而產生大量告警數據的環境下，將非根因節點所發出的告警信息進行篩選，最終實時定位出根因節點。

技術方案：本發明提供的一種基于深度學習的網絡告警定位方法，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；