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

有效

• 申請?zhí)枺?/td>: 202011084942.4
• 申請日: 2020-10-12
• 公開（公告）號: CN112217674B
• 公開（公告）日: 2021-12-28
• 發(fā)明（設(shè)計）人: 張和先;楊樹森;楊煜乾;田曉慧;王楠斌;徐宗本;秦剛
• 申請（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: H04L12/24
• 分類號: 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

本發(fā)明公開了一種基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識別方法，解決了大規(guī)模復(fù)雜通信網(wǎng)絡(luò)的故障快速準(zhǔn)確定位問題。從網(wǎng)絡(luò)設(shè)備告警的實(shí)際出發(fā)，使用最大最小爬山法(MMHC)來挖掘告警之間的因果觸發(fā)關(guān)系，并在此基礎(chǔ)上使用圖注意力網(wǎng)絡(luò)來對告警進(jìn)行精準(zhǔn)定位。此模型對挖掘的告警關(guān)系有一定的容錯性，通過Attention機(jī)制來調(diào)節(jié)不同鄰居節(jié)點(diǎn)的權(quán)重影響，使得根因告警的識別更加準(zhǔn)確，達(dá)到了93％的識別準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明屬于智能運(yùn)維(AIOPS)領(lǐng)域，具體涉及一種基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)(GAT)的告警根因識別方法。

背景技術(shù)

在大規(guī)模網(wǎng)絡(luò)運(yùn)維環(huán)境下，當(dāng)網(wǎng)絡(luò)設(shè)備發(fā)生故障時將會產(chǎn)生大量的告警信息，且由于設(shè)備間的關(guān)聯(lián)性極有可能在短時間內(nèi)引發(fā)與它關(guān)聯(lián)的設(shè)備告警。當(dāng)前在華為無線領(lǐng)域場景中，一個故障的出現(xiàn)往往會引發(fā)多個告警事件，從而使得與故障相關(guān)的設(shè)備以及業(yè)務(wù)過程都會產(chǎn)生告警信息。與此同時，這些告警信息(告警流)很有可能會疊加到一起，將真正的故障告警淹沒在其中，導(dǎo)致故障識別非常困難，因而對網(wǎng)絡(luò)故障進(jìn)行精準(zhǔn)的定位與快速的修復(fù)具有重要現(xiàn)實(shí)意義。

在故障定位和診斷領(lǐng)域最初應(yīng)用最為廣泛的技術(shù)是專家系統(tǒng)，在解決問題時，專家系統(tǒng)試圖反應(yīng)人類專家的行為。由于通信系統(tǒng)的復(fù)雜性、不可靠性以及非確定性，故障定位問題本就復(fù)雜。當(dāng)前故障定位定界診斷過程嚴(yán)重依賴于工程師的知識和經(jīng)驗(yàn)，隨著服務(wù)規(guī)模和復(fù)雜性的增長，過程就會變得越發(fā)冗繁并且容易出錯。最初依靠單一的專家系統(tǒng)的技術(shù)并不能實(shí)現(xiàn)良好的效果，算法逐漸向基于規(guī)則的專家系統(tǒng)+其它自動/半自動算法靠攏，為了更加高效和迅速的解決故障來提升用戶體驗(yàn)感，最近幾年開始使用基于機(jī)器學(xué)習(xí)和數(shù)據(jù)驅(qū)動的方式直接進(jìn)行根因定位，但故障識別的準(zhǔn)確率和故障的快速恢復(fù)仍有待提高。因而需要借助前沿技術(shù)來對告警信息進(jìn)行分析，以較為簡單、省力、高效的方式來準(zhǔn)確識別故障。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明的目的在于提供一種基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識別方法，該方法能夠有效地對上報的告警數(shù)據(jù)進(jìn)行分析處理，并能快速且精準(zhǔn)的對根因告警進(jìn)行識別。

為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案來實(shí)現(xiàn)的：

基于因果網(wǎng)絡(luò)挖掘和圖注意力網(wǎng)絡(luò)的告警根因識別方法，該方法結(jié)合最大最小爬山算法以及圖注意力算法來對告警數(shù)據(jù)進(jìn)行準(zhǔn)確的根因告警識別；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：

對上報的原始告警數(shù)據(jù)進(jìn)行缺失值以及無效值處理，并對處理后的告警數(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稱為MMHC，其中使用搜索算法為禁忌搜索，使用的評分函數(shù)為AIC評分，并設(shè)置相應(yīng)的置信水平為0.05；

5)根因識別之注意力神經(jīng)網(wǎng)絡(luò)模型：