[發明專利]一種網絡故障分析方法、裝置、電子設備及存儲介質在審
| 申請號: | 202211310740.6 | 申請日: | 2022-10-25 |
| 公開(公告)號: | CN115996169A | 公開(公告)日: | 2023-04-21 |
| 發明(設計)人: | 芮蘭蘭;梁妤瑄;徐孝忠;安磊;劉鵬;李建剛;王猛;趙冰冰;朱一欣;吳笑;章立偉;吳忠平;喻琰;邵淦;婁一艇;王勇;葉明達;陳曉杰;陳迎陽;俞佳捷;吳昊;柳敏;任赟;張文博;費武;鄒翔;黃志華;韋鵬;張佳凱 | 申請(專利權)人: | 北京郵電大學;國網浙江省電力有限公司寧波供電公司;北京郵科科技有限公司;寧波送變電建設有限公司永耀科技分公司 |
| 主分類號: | H04L41/0631 | 分類號: | H04L41/0631;H04L41/14 |
| 代理公司: | 北京柏杉松知識產權代理事務所(普通合伙) 11413 | 代理人: | 丁蕓;馬敬 |
| 地址: | 100876 *** | 國省代碼: | 北京;11 |
| 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 網絡故障 分析 方法 裝置 電子設備 存儲 介質 | ||
1.一種網絡故障分析方法,其特征在于,所述方法包括:
基于獲取的網絡設備報警數據集和網絡設備故障數據集,建立網絡故障知識圖譜,其中,所述網絡故障知識圖譜包括:多個節點和連接每兩個節點的邊,每個所述節點表示故障信息或報警信息,每條邊表示所述故障信息與所述報警信息之間的關聯關系、任兩個所述報警信息之間的關聯關系或任兩個所述故障信息之間的關聯關系;
基于所述網絡故障知識圖譜對預先設置的門控圖神經網絡GGNN模型進行訓練,得到訓練完成的GGNN模型;
獲取待分析網絡信息,并將所述待分析網絡信息輸入至所述訓練完成的GGNN模型,對所述待分析網絡信息進行故障分析,得到分析結果。
2.根據權利要求1所述的方法,其特征在于,所述基于獲取的網絡設備報警數據集和網絡設備故障數據集,建立網絡故障知識圖譜,包括:
獲取網絡設備報警數據集和網絡設備故障數據集;所述網絡設備報警數據集中包括報警描述信息和報警處理信息;所述網絡設備故障數據集包括故障描述信息和故障處理信息;
對所述網絡設備報警數據集和所述網絡設備故障數據集進行數據處理,得到對應的命名實體和所述命名實體之間的關聯關系;其中,所述命名實體包括:報警信息或故障信息;其中,所述報警信息包括:報警名稱、報警等級、報警設備名稱;所述故障信息包括:故障名稱、故障等級、故障設備名稱,所述關聯關系包括導致關系和衍生關系;
基于所述命名實體識別結果和所述命名實體識別結果之間的關聯關系,建立所述網絡故障知識圖譜。
3.根據權利要求1或2所述的方法,其特征在于,所述網絡故障知識圖譜為多個,且多個所述網絡故障知識圖譜為待融合的異構知識圖譜;
在所述基于獲取的網絡設備報警數據集和網絡設備故障數據集,建立網絡故障知識圖譜之后,所述方法還包括:
對多個所述待融合的異構知識圖譜進行知識融合,得到融合后的網絡故障知識圖譜;
所述基于所述網絡故障知識圖譜對預先設置的門控圖神經網絡GGNN模型進行訓練,得到訓練完成的GGNN模型,包括:
基于所述融合后的網絡故障知識圖譜對所述預先設置的GGNN模型進行訓練,得到訓練完成的GGNN模型。
4.根據權利要求1或2所述的方法,其特征在于,在所述基于獲取的網絡設備報警數據集和網絡設備故障數據集,建立網絡故障知識圖譜之后,所述方法還包括:
將所述網絡故障知識圖譜存儲于圖形數據庫中;
所述基于所述網絡故障知識圖譜對預先設置的門控圖神經網絡GGNN模型進行訓練,得到訓練完成的GGNN模型,包括:
基于從所述圖形數據庫中獲取的所述網絡故障知識圖譜,對預先設置的GGNN模型進行訓練,得到訓練完成的GGNN模型。
5.根據權利要求1所述的方法,其特征在于,所述基于所述網絡故障知識圖譜對預先設置的門控圖神經網絡GGNN模型進行訓練,得到訓練完成的GGNN模型,包括:
對所述網絡故障知識圖譜進行獨熱編碼,得到所述網絡故障知識圖譜對應的特征向量,所述特征向量用于表征所述故障信息、所述報警信息、所述故障信息與所述報警信息之間的關聯關系以及任兩個所述報警信息之間的關聯關系;
將所述網絡故障知識圖譜對應的特征向量輸入至所述預先設置的GGNN模型,對所述預先設置的GGNN模型進行迭代訓練,得到訓練完成的GGNN模型。
6.一種網絡故障分析裝置,其特征在于,所述裝置包括:
建立模塊,用于基于獲取的網絡設備報警數據集和網絡設備故障數據集,建立網絡故障知識圖譜,其中,所述網絡故障知識圖譜包括:多個節點和連接每兩個節點的邊,每個所述節點表示故障信息或報警信息,每條邊表示所述故障信息與所述報警信息之間的關聯關系、任兩個所述報警信息之間的關聯關系或任兩個所述故障信息之間的關聯關系;
訓練模塊,用于基于所述網絡故障知識圖譜對預先設置的門控圖神經網絡GGNN模型進行訓練,得到訓練完成的GGNN模型;
分析模塊,用于獲取待分析網絡信息,并將所述待分析網絡信息輸入至所述訓練完成的GGNN模型,對所述待分析網絡信息進行故障分析,得到分析結果。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于北京郵電大學;國網浙江省電力有限公司寧波供電公司;北京郵科科技有限公司;寧波送變電建設有限公司永耀科技分公司,未經北京郵電大學;國網浙江省電力有限公司寧波供電公司;北京郵科科技有限公司;寧波送變電建設有限公司永耀科技分公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202211310740.6/1.html,轉載請聲明來源鉆瓜專利網。





