[發(fā)明專利]基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011084942.4
• 申請(qǐng)日: 2020-10-12
• 公開（公告）號(hào): CN112217674B
• 公開（公告）日: 2021-12-28
• 發(fā)明（設(shè)計(jì)）人: 張和先;楊樹森;楊煜乾;田曉慧;王楠斌;徐宗本;秦剛
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué);華為技術(shù)有限公司
• 主分類號(hào): H04L12/24
• 分類號(hào): H04L12/24;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 閔岳峰

1.基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識(shí)別方法，其特征在于，該方法結(jié)合最大最小爬山算法以及圖注意力算法來對(duì)告警數(shù)據(jù)進(jìn)行準(zhǔn)確的根因告警識(shí)別；前者用于挖掘告警之間的因果關(guān)系網(wǎng)絡(luò)，后者則結(jié)合已有因果圖，以及告警數(shù)據(jù)的特征對(duì)模型進(jìn)行訓(xùn)練與學(xué)習(xí)；該方法具體包括以下步驟：

1）數(shù)據(jù)清洗以及數(shù)據(jù)分組處理：

對(duì)上報(bào)的原始告警數(shù)據(jù)進(jìn)行缺失值以及無效值處理，并對(duì)處理后的告警數(shù)據(jù)進(jìn)行分組預(yù)處理；

2）特征處理模型訓(xùn)練之word2vec模型：

即通過word2vec模型對(duì)步驟1）處理后的告警數(shù)據(jù)中alarm name屬性中的詞進(jìn)行特征的初步提取，即將步驟1）處理后的告警數(shù)據(jù)中alarm name屬性中涉及的每一個(gè)單詞表示為40維的詞向量；

3）特征處理模型訓(xùn)練之seq2seq模型：

即使用LSTM學(xué)習(xí)訓(xùn)練seq2seq模型并將最終訓(xùn)練得到的Encoder作為特征提取模型，得到步驟1）處理后的告警數(shù)據(jù)中所有alarm name屬性的特征表示；

4）因果網(wǎng)絡(luò)挖掘之最大最小爬山法：

首先使用步驟1）處理后的告警數(shù)據(jù)，將其處理為0、1形式的向量；其次通過最大最小爬山法挖掘告警之間的因果關(guān)系網(wǎng)絡(luò)，最終得到告警之間因果關(guān)系的矩陣表示，最大最小爬山法以下簡(jiǎn)稱為MMHC，其中使用搜索算法為禁忌搜索，使用的評(píng)分函數(shù)為AIC評(píng)分，并設(shè)置相應(yīng)的置信水平為0.05；

5）根因識(shí)別之注意力神經(jīng)網(wǎng)絡(luò)模型：

使用步驟2）以及步驟3）最終得到的所有alarm name屬性的特征表示以及通過步驟4）挖掘出的因果關(guān)系網(wǎng)絡(luò)，對(duì)注意力神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與學(xué)習(xí)，注意力神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)稱為GAT。

2.根據(jù)權(quán)利要求1所述的基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識(shí)別方法，其特征在于，步驟1）的具體操作為：對(duì)上報(bào)的原始告警數(shù)據(jù)進(jìn)行缺失值以及無效值處理，對(duì)缺失值進(jìn)行補(bǔ)零操作，對(duì)無效值進(jìn)行刪除操作；并對(duì)數(shù)據(jù)進(jìn)行分組預(yù)處理，具體以p告警為中心截取前后五分鐘內(nèi)上報(bào)的告警為一組告警樣本，用于對(duì)告警數(shù)據(jù)的alarm name屬性進(jìn)行處理；并設(shè)置滑動(dòng)窗口為一分鐘，截取原始告警數(shù)據(jù)，將每分鐘內(nèi)的告警看作一個(gè)樣本，用于因果網(wǎng)絡(luò)挖掘。

3.根據(jù)權(quán)利要求1所述的基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識(shí)別方法，其特征在于，步驟2）的具體操作為：對(duì)所有告警數(shù)據(jù)的alarm name屬性進(jìn)行處理，將所有的alarm name進(jìn)行分詞操作并將涉及的所有詞作為一個(gè)語料庫；設(shè)置滑動(dòng)窗口為默認(rèn)值，遍歷語料庫并使用輸入數(shù)據(jù)對(duì)skip-gram模型進(jìn)行訓(xùn)練與學(xué)習(xí)，最終得到語料庫中每個(gè)單詞的特征表示向量并保存訓(xùn)練模型；用作下一步特征提取。

4.根據(jù)權(quán)利要求1所述的基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識(shí)別方法，其特征在于，步驟3）的具體操作為：建立seq2seq模型，其中Encoder使用LSTM模型，Decoder使用另外一個(gè)LSTM模型；對(duì)于原始告警數(shù)據(jù)的alarm name屬性，每個(gè)告警由唯一的alarmname屬性來標(biāo)識(shí)，將每個(gè)alarm name 中涉及的詞對(duì)應(yīng)的詞向量特征表示依次作為L(zhǎng)STM的輸入，設(shè)置默認(rèn)超參數(shù)學(xué)習(xí)并訓(xùn)練模型，最終得到的Encoder作為最終的特征提取模型。

5.根據(jù)權(quán)利要求1所述的基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識(shí)別方法，其特征在于，步驟4）的具體操作為：首先使用步驟1）按照滑動(dòng)窗口一分鐘截取的分組數(shù)據(jù)樣本，將每個(gè)告警名稱看作變量，并將每一組數(shù)據(jù)看作一個(gè)樣本；然后將樣本變?yōu)殚L(zhǎng)度為L(zhǎng)的向量，L為原始數(shù)據(jù)涉及的所有變量的總數(shù)，其中向量的值表示在此樣本中對(duì)應(yīng)位置的變量是否出現(xiàn)，出現(xiàn)則為1，否則為0；其次MMHC算法分為兩個(gè)階段：第一階段：利用MMPC算法構(gòu)建貝葉斯網(wǎng)絡(luò)的框架即無向圖；第二階段：執(zhí)行評(píng)分搜索確定網(wǎng)絡(luò)結(jié)構(gòu)的邊以及邊的方向；

其中第一階段MMPC算法由算法和額外的對(duì)稱校驗(yàn)組成，算法貪婪的求得每個(gè)變量的父節(jié)點(diǎn)以及子節(jié)點(diǎn)；對(duì)稱校驗(yàn)即如果變量T不在變量X的候選父子節(jié)點(diǎn)集CPC中，則從目標(biāo)變量T的候選父子節(jié)點(diǎn)集CPC中去除X；最終得到網(wǎng)絡(luò)的初始框架圖即無向圖；第二階段通過搜索算法并設(shè)置相應(yīng)參數(shù)來調(diào)整邊的方向生成變量間的因果關(guān)系圖；將得到的因果關(guān)系圖轉(zhuǎn)換為告警之間因果關(guān)系的矩陣表示。

6.根據(jù)權(quán)利要求1所述的基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識(shí)別方法，其特征在于，步驟5）的具體操作為：對(duì)于每個(gè)包含多個(gè)alarm name的樣本，依次使用訓(xùn)練好的word2vec模型以及seq2seq模型得到樣本的特征矩陣作為GAT的輸入；同時(shí)使用步驟4）得到的全量告警之間的因果關(guān)系圖的鄰接矩陣作為輸入；通過圖注意力網(wǎng)絡(luò)來更新每個(gè)樣本中告警序列對(duì)應(yīng)的子圖上每個(gè)告警的特征表示，并通過attention機(jī)制來有選擇的處理鄰居節(jié)點(diǎn)的特征對(duì)自身的影響；最終得到傳播后的每個(gè)告警的特征表示，將其輸入softmax層并得到每個(gè)告警是根因告警的概率，取概率最大的告警為根因告警。