【技术实现步骤摘要】
一种根因分析频繁子图置信度预测方法及系统
[0001]本专利技术涉及智能运维根因分析
，尤其涉及一种根因分析频繁子图置信度预测方法及系统。
技术介绍
[0002]根因分析频繁子图置信度预测可以借鉴社会网络链接预测的方法。链接预测问题作为社会网络分析相关领域中的一项重要的研究课题之一，虽然单条的关系数据没有包含太多的信息，很多的网络数据的每一条仅仅只是表示两个节点之间关系的存在性，更复杂的可能会有方向性，权重等。但是网络中的关系链接成千上万之后，往往就能包含很多统计学上的一些规律性的信息了，这些信息通过链接的聚集性，节点的聚集性，以及整体的方向性等形式表现出来。而链接预测的工作就是要从纷繁杂乱的链接数据的表象之中，尽可能全面的，准确的发掘这些信息。早期的基于节点局部信息和网络拓扑信息的相似性方法意在于通过节点的路径相似性，周围环境相似性，节点度数相似性等具体属性来评估两个节点最终的相似性。经过已有文献信息以及相应对照实验的结果可以表明，现有的基于局部/全局信息的节点相似度方法不管是基于节点周围结构信息的方法，如CN方法，...
【技术保护点】
【技术特征摘要】
1.一种根因分析频繁子图置信度预测方法，其特征在于，包括：确定待预测置信度的根因图谱网络中两个节点；将所述待预测置信度的根因图谱网络中两个节点输入至根因分析频繁子图置信度预测模型，得到所述根因图谱网络中两个节点的置信度预测结果；其中，所述根因分析频繁子图置信度预测模型是基于根因图谱网络边集数据生成的关系网络节点向量数据集构建标签化数据集后对SVM分类模型进行调参训练得到的。2.根据权利要求1所述的根因分析频繁子图置信度预测方法，其特征在于，所述根因分析频繁子图置信度预测模型是基于当前网络故障拓扑图生成的关系网络节点向量数据集构建标签化数据集后对SVM分类模型进行调参训练得到的，包括：获取根因图谱网络边集数据；基于所述根因图谱网络边集数据采用Node2Vec对网络节点进行嵌入向量化得到节点特征向量；基于所述节点特征向量生成的关系网络节点向量数据集构建标签化数据集；通过SVM分类模型对所述标签化数据集进行标签分类后完成调参训练，得到所述根因分析频繁子图置信度预测模型。3.根据权利要求2所述的根因分析频繁子图置信度预测方法，其特征在于，所述基于所述根因图谱网络边集数据采用Node2Vec对网络节点进行嵌入向量化得到节点特征向量，包括：基于所述根因图谱网络边集数据从拓扑图中一个预定起始节点开始使用随机游走生成序列数据；将所述生成的序列数据输入到word2vec模型，基于skip gram训练所述word2vec模型得到多维的节点特征向量。4.根据权利要求3所述的根因分析频繁子图置信度预测方法，其特征在于，所述基于所述根因图谱网络边集数据从拓扑图中一个预定起始节点开始使用随机游走生成序列数据，包括：在拓扑图中设定一个起始节点c0＝t，并以固定长度随机游走，节点c
i
‑1走到节点c
i
的概率为：其中，π
vx
是节点之间非归一化概率，Z是用于归一化的节点之间的概率之和；若游走路径已从节点t走到节点v，从节点v走到下一个节点x按照转移概率π
vx
＝α
pq
(t,x)*w
vx
选择对应的节点；其中，α
pq
(t...
【专利技术属性】
技术研发人员：易存道，
申请(专利权)人：北京宝兰德软件股份有限公司，
类型：发明
国别省市：
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。