【技术实现步骤摘要】
结合语义的网络故障关联规则生成方法和网络故障检测方法
本专利技术属于网络故障检测领域，具体涉及一种结合语义的网络故障关联规则生成方法和网络故障检测方法。
技术介绍
网络故障是指由于硬件的问题、软件的漏洞、病毒的侵入等原因引起网络无法提供正常服务或降低服务质量的状态。网络故障检测是支持网络正常运行重要的一环，检测的正常运行则需要大量的网络故障关联规则作为辅助，因此归纳总结网络故障关联规则有助于网络故障的诊断及根因分析。目前的网络故障关联规则的归纳一般由公司内经验丰富的维护人员负责，但这一方式存在着成本高、难以泛化等问题。图神经网络作为一种基于深度学习的强大图表示技术，旨在扩展深度神经网络以处理任意图结构数据，已显示出了卓越的性能。图神经网络的目标是学习每个节点的低维向量表示，该向量低维向量表示可用于许多下游任务，例如节点分类，节点聚类和链接预测。考虑将实际场景中各个设备抽象为不同的节点，设备间的物理连接或软件调用关系抽象为边的连接，从而将问题建模为异构图上的链接预测问题。知识图谱作为一种特殊的图数据，是一种人类...
【技术保护点】
1.一种结合语义的网络故障关联规则生成方法，其特征在于，包括以下步骤：/n(1)以网络设备和告警信息作为节点，以网络设备之间的连接关系、网络设备与告警信息之间的产生关系，以及告警信息之间的触发关系作为连边，构建网络知识图谱；/n(2)构建网络故障场景的词表，对词表进行语义层面的预训练以优化词的向量表示，根据词的优化后向量表示构建网络知识图谱中节点的初始向量表示；/n(3)构建实现自动编码和解码的图神经网络，以节点的初始向量表示作为图神经网络的输入，以解码得到的重构图作为输出，根据重构图与输入图之间的距离值、编码得到的节点的向量表示分布与正态分布的散度值构建损失函数，利用损失...
【技术特征摘要】
1.一种结合语义的网络故障关联规则生成方法，其特征在于，包括以下步骤：
(1)以网络设备和告警信息作为节点，以网络设备之间的连接关系、网络设备与告警信息之间的产生关系，以及告警信息之间的触发关系作为连边，构建网络知识图谱；
(2)构建网络故障场景的词表，对词表进行语义层面的预训练以优化词的向量表示，根据词的优化后向量表示构建网络知识图谱中节点的初始向量表示；
(3)构建实现自动编码和解码的图神经网络，以节点的初始向量表示作为图神经网络的输入，以解码得到的重构图作为输出，根据重构图与输入图之间的距离值、编码得到的节点的向量表示分布与正态分布的散度值构建损失函数，利用损失函数更新图神经网络参数和优化节点的向量表示；
(4)根据节点的优化后向量表示，计算任意两个告警节点的相似度，依据该相似度值筛选获得网络故障关联规则并输出。
2.如权利要求1所述的结合语义的网络故障关联规则生成方法，其特征在于，所述构建网络故障场景的词表包括：
提取网络知识图谱中每个节点名称信息，对所有节点名称信息进行分词后，对分词结果整合、去重处理后得到网络故障场景的词表。
3.如权利要求1所述的结合语义的网络故障关联规则生成方法，其特征在于，所述对词表进行语义层面的预训练以优化词的向量表示包括：
针对每个节点对应的文档描述，遍历词表中的词，提取文档描述覆盖到的词，将文档描述覆盖词的初始向量表示与节点名称信息包含词的初始向量表示拼接成组合向量；
然后对该组合向量进行预训练以优化组合向量，从优化组合向量中提取获得词的优化后向量表示。
4.如权利要求1所述的结合语义的网络故障关联规则生成方法，其特征在于，所述根据词的优化后向量表示构建网络知识图谱中节点的初始向量表示包括：
对节点名称信息包含词的优化后向量表示进行求平均、取最大值或进行多层感知机操作，得到节点的初始向量表示。
5.如权利要求1所述的结合语义的网络故障关联规则生成方法，其特征在于，所述图神经网络包括由图卷积网络构建的编码器，用于编码节点的向量表示，获得节点的优化后向量表示；
还包含用于生成重构图的解码器，该解码器中通过计算两两节点之间存在边的概率来生成重构图。
6.如权利要求5所述的结合语义的网络故障关联规则生成方法，其特征在于，所述编码器通过以下过程实现对节点的向量表示的编码：
首先，利用第一图卷积网络对输入的节点特征矩阵X和为输入图的邻接矩阵A进行图卷积操作，获得编码的节点向量表示μ：
μ＝GCNμ(X，A)
然后，利用第二图卷积网络对输入的节点特征矩阵X和为输入图的邻接矩阵A进行图卷积操作，获得编码的节点向量表示的方差σ：
logσ＝GCNσ(X，A)
最后，根...
【专利技术属性】
技术研发人员：陈华钧，周虹廷，耿玉霞，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。