告警监控方法、系统、计算机可读存储介质及电子设备技术方案

本发明专利技术实施例提供了一种基于局部异常点校验约束的神经网络告警监控方法、系统、计算机可读存储介质及电子设备，利用历史系统、设备告警数据进行数据预处理，实现脏数据的数据清洗、数据变换，制作成系统、设备告警训练集，利用神经网络目标函数进行系统、设备告警数据集训练，优化损失函数值，建立系统、设备告警预测模型。采集系统、设备当前状态信息，并输入告警预测模型中，实现告警预测，利用FP-Growth算法进行当前和预测告警关联、聚合，基于整网跨专业、机房、机楼级网络拓扑利用局部异常点校验方法进行告警关联校验，如校验告警有误则进行神经网络继续优化以调整得到最优权值和偏置值，如校验告警无误则进行告警分类、分级输出并进行数据库备份。出并进行数据库备份。出并进行数据库备份。

【技术实现步骤摘要】
告警监控方法、系统、计算机可读存储介质及电子设备


[0001]本专利技术涉及通信
，尤其涉及一种告警监控方法、系统、计算机可读存储介质及电子设备。

技术介绍

[0002]随着通信信息技术的高速发展，电信网络愈加丰富，但是网络的规模、复杂性也愈加严峻。电信级网络通常包括多厂商成千上万的系统和设备，系统和设备之间又通过多种媒介互联，彼此之间存在着复杂的关联关系，这使得故障告警管理成为电信网络中一个难题。
[0003]在现有运营商监控方案中，运营商暂未通过告警名称、告警等级、告警频度、告警诱因系统及设备状态、是否转故障、产生告警的设备类型和站点等实时数据进行告警预测监控，仅能通过已发生故障告警、用户报障、用户投诉等方式掌握网络运行状态，缺乏一种科学有效的预测监控方法，针对现网未发生故障但是质差或将发生故障没有有效手段提前预警处理影响客户感知的场景，给网络运维工作带来了极大的挑战。
[0004]当前实现告警预测方案有基于告警日志的网络故障预测、序列模式挖掘实现网络告警预测。
[0005]基于告警日志的网络故障预测：数量化表示网络系统以及网络设备的运行特征，以时间窗口中告警事件的统计特征来表示该时段内网络系统或者网络设备的运行特征，建立分类预测模型实现告警预测。
[0006]序列模式挖掘实现网络告警预测：将网络拓扑约束数据库和预处理后的历史告警数据作为输入，使用基于拓扑约束的序列模式挖掘从告警数据中挖掘出告警序列模式。利用基于拓扑约束的告警序列模式挖掘建立的告警预测模型，用于网络告警预测。
[0007]但是，现有技术的告警预测方案存在以下缺点。
[0008]基于告警日志的网络故障预测：该技术方案需要利用历史数据、日志数据，针对历史数据的依赖性强，若历史、日志数据丢失或不完整将导致该技术方案预测结果的准确性大幅降低；以时间窗口进行告警事件的统计特征来建立分类预测模型实现告警预测，与系统、设备运行时间窗内状态的耦合性强，独立性相对较差。
[0009]序列模式挖掘实现网络告警预测：该技术方案是利用整网拓扑进行数据特征统计或数据挖掘，依赖原始数据，预测准确性受到整网拓扑准确性和周期迭代性制约，网络拓扑准确性和变更将导致该技术方案预测结果的准确性大幅降低，该技术方案与网络拓扑耦合性过强，灵活性和适用性较低，不适用于现网中复杂且灵活的组网。

技术实现思路

[0010]有鉴于此，本专利技术实施例提供了一种告警监控方法、系统、计算机可读存储介质及电子设备，用以解决现有技术存在的上述技术问题。
[0011]第一方面，本专利技术实施例提供了一种告警监控方法，所述方法包括以下步骤：训
练，建立预测神经网络初始模型，对历史告警数据进行预处理以创建告警训练集，并基于该告警训练集训练和优化预测神经网络；告警，基于训练后的预测神经网络和告警数据对神经网络进行预测告警，关联、聚合所获取的告警数据，利用局部异常点校验方法对告警数据进行校验。
[0012]通过本实施例提供的方案，通过训练和告警步骤，训练和优化预测神经网络，再利用局部异常点校验方法实现预测神经网络告警的准确性校验，提高了告警预测值和告警关联的准确性。
[0013]在一种优选的实施方案中，所述训练包括以下步骤：建立预测神经网络初始模型，采集系统、设备的历史告警数据；将采集到的所述历史告警数据进行数据预处理；基于经过预处理的历史告警数据创建告警训练集，获取预测神经网络的整体目标函数；基于该整体目标函数，从预测神经网络的输出层开始计算获取输出层的预测值以及最优损失函数，对该预测值进行优化网络迭代训练，获得最优损失函数的权值W和偏置值b，从而获取预测神经网络的网络参数的更新值W
l
、b
l
。
[0014]通过本实施例提供的方案，能够不依赖于历史数据对预测神经网络进行训练，实现与整网拓扑解耦，使得对于预测神经网络的训练能够通过对整体目标函数的输出层的预测值进行迭代实现。
[0015]在一种优选的实施方案中，所述告警包括以下步骤；采集系统、设备的当前状态，将该当前状态提供给预测神经网络，所述当前状态包括告警名称、告警等级、告警频度、告警诱因系统及设备状态、是否转故障、产生告警的设备类型和站点信息；神经网络预测告警，基于已获取最优损失函数值的权值W和偏置值b的神经网络预测模型进行系统、设备故障告警预测，得到告警预测值；告警数据关联、聚合，利用FP-Growth算法对告警预测值进行关联，从而关联到k个告警，并得到每个所述告警所分布的网元；局部异常点校验，根据每个所述网元的坐标及每个所述网元的级联的重要性级别计算出每个所述告警所分布的网元的质心的质心坐标，计算每个所述网元与所述质心之间的平均欧氏距离，并计算每个所述网元的网元欧氏距离，当所述网元的网元欧氏距离大于或等于所述平均欧氏距离的三倍时，则认为所述网元为局部异常点并进行剔除，当所述网元的网元欧氏距离小于所述平均欧氏距离的三倍时，则认为告警关联准确，若告警校验正确则输出告警数据，若告警校验错误则重新执行神经网络预测告警，进行迭代优化；告警分类、分级输出，通过对输出的告警数据进行分类、分级，从而进行故障告警通知；数据库备份，将输出的告警数据添加到数据库。
[0016]通过本实施例提供的方案，通过局部异常点校验方法，利用关联告警所分布的网元的质心与网元之间的平均欧氏距离与网元自身的网元欧氏距离之间的大小关系来判断网元是否为局部异常点，进而作为判断告警数据关联的正确性的依据，对采集到的系统、设备的历史告警数据放入预测神经网络进行迭代训练和迭代优化，无需实时获取、分析历史日志数据，预测方法与整网拓扑解耦，不依赖于整网拓扑准确性和周期变更迭代告警预测，但是基于整网跨专业、机房、机楼级网络拓扑利用局部异常点校验方法进行告警关联验证，提高了告警预测和告警关联的准确性。
[0017]在一种优选的实施方案中，所述方法还包括以下步骤：预测神经网络调优，在进行所述迭代优化时，将误判或关联、聚合告警错误的系统、设备告警信息分析后，进行预测神
经网络调参、调优，以获得最优损失函数值，得到更优的权值W的值和偏置值b的值。
[0018]通过本实施例提供的方案，完善了局部异常点校验中权值和偏值的准确性和优化，使得告警预测的准确性更高。
[0019]第二方面，本专利技术实施例提供了一种告警监控系统，包括：训练模块，用于建立预测神经网络初始模型，对历史告警数据进行预处理以创建告警训练集，并基于该告警训练集训练和优化预测神经网络；告警模块，基于经过所述训练模块训练后的预测神经网络和告警数据对神经网络进行预测告警，关联、聚合所获取的告警数据，利用局部异常点校验方法对告警数据进行校验。
[0020]通过本实施例提供的方案，通过训练和告警步骤，训练和优化预测神经网络，再利用局部异常点校验方法实现预测神经网络告警的准确性校验，提高了告警预测值和告警关联的准确性。
[0021]在一种优选的实施方案中，所述训练模块包括：建立单元，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种告警监控方法，其特征在于，所述方法包括以下步骤：训练，建立预测神经网络初始模型，对历史告警数据进行预处理以创建告警训练集，并基于该告警训练集训练和优化预测神经网络；告警，基于训练后的预测神经网络和告警数据对神经网络进行预测告警，关联、聚合所获取的告警数据，利用局部异常点校验方法对告警数据进行校验。2.根据权利要求1所述的告警监控方法，其特征在于，所述训练包括以下步骤：建立预测神经网络初始模型，采集系统、设备的历史告警数据；将采集到的所述历史告警数据进行数据预处理；基于经过预处理的历史告警数据创建告警训练集，获取预测神经网络的整体目标函数；基于该整体目标函数，从预测神经网络的输出层开始计算获取输出层的预测值以及最优损失函数，对该预测值进行优化网络迭代训练，获得最优损失函数的权值W和偏置值b，从而获取预测神经网络的网络参数的更新值W
l
、b
l
。3.根据权利要求1所述的告警监控方法，其特征在于，所述告警包括以下步骤；采集系统、设备的当前状态，将该当前状态提供给预测神经网络，所述当前状态包括告警名称、告警等级、告警频度、告警诱因系统及设备状态、是否转故障、产生告警的设备类型和站点信息；神经网络预测告警，基于已获取最优损失函数值的权值W和偏置值b的神经网络预测模型进行系统、设备故障告警预测，得到告警预测值；告警数据关联、聚合，利用FP-Growth算法对告警预测值进行关联，从而关联到k个告警，并得到每个所述告警所分布的网元；局部异常点校验，根据每个所述网元的坐标及每个所述网元的级联的重要性级别计算出每个所述告警所分布的网元的质心的质心坐标，计算每个所述网元与所述质心之间的平均欧氏距离，并计算每个所述网元的网元欧氏距离，当所述网元的网元欧氏距离大于或等于所述平均欧氏距离的三倍时，则认为所述网元为局部异常点并进行剔除，当所述网元的网元欧氏距离小于所述平均欧氏距离的三倍时，则认为告警关联准确，若告警校验正确则输出告警数据，若告警校验错误则重新执行神经网络预测告警，进行迭代优化；告警分类、分级输出，通过对输出的告警数据进行分类、分级，从而进行故障告警通知；数据库备份，将输出的告警数据添加到数据库。4.根据权利要求3所述的告警监控方法，其特征在于，所述方法还包括以下步骤：预测神经网络调优，在进行所述迭代优化时，将误判或关联、聚合告警错误的系统、设备告警信息分析后，进行预测神经网络调参、调优，以获得最优损失函数值，得到更优的权值W的值和偏置值b的值。5.一种告警监控系统，其特征在于，包括：训练模块，用于建立预测神经网络初始模型，对历史告警数据进行预处理以创建告警训练集，并基于该告警训练集训练和优化预测神经网络；告警模块，基于经过所述训练模块训练后的预测神经网络和告警数据对神经网络进行预...

【专利技术属性】
技术研发人员：贾明明，孙晓辉，宋春咏，桑丙文，王林，崔冲，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：