基于图注意力网络的切片误告警识别方法及装置制造方法及图纸

本发明专利技术实施例涉及通信技术领域，公开了一种基于图注意力网络的切片误告警识别方法及装置，该方法包括：从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性，包括告警文本特征和KPI运行指标特征；根据切片误告警识别模型将网络切片节点的第一告警文本特征与邻居节点的第二告警文本特征进行融合得到属性融合特征；将网络切片节点的第一KPI运行指标特征与邻居节点的第二KPI运行指标特征进行融合得到KPI运行指标融合特征；将属性融合特征和KPI运行指标融合特征进行注意力聚合，确定网络切片节点产生的告警是否属于误告警。通过上述方式，本发明专利技术实施例能够提高网络切片误告警识别的准确率，提升运维人员排查告警的效率。率。率。

【技术实现步骤摘要】
基于图注意力网络的切片误告警识别方法及装置


[0001]本专利技术实施例涉及通信
，具体涉及一种基于图注意力网络的切片误告警识别方法及装置。

技术介绍

[0002]随着无线通信技术的飞速发展，第五代(5
th Generation，5G)无线通信技术已是目前业界的热点。5G将支持多样化的应用需求，其中包括支持更高速率体验和更大带宽的接入能力、更低时延和高可靠的信息交互、以及更大规模且低成本的机器类通信设备的接入和管理等。5G网络不再遵循传统网络的组网模式，而是采用网络切片技术，使运营商能够基于一个共用的底层物理网络之上，构建多个专用的虚拟化的、隔离的逻辑网络，网络切片保证了不同需求的客户都能获得不同类型端到端的最佳的网络服务。
[0003]目前5G网络切片误告警包含了无线网子切片、传输网子切片、核心网子切片三个子域的告警，告警量庞大、种类多样，这给误告警的精准识别提出了挑战，现有技术中网络切片误告警需要在告警发生后，经过人工排查才能确认其是否为误告警，效率低下、费时费力。

技术实现思路

[0004]鉴于上述问题，本专利技术实施例提供了一种基于图注意力网络的切片误告警识别方法及装置，克服了上述问题或者至少部分地解决了上述问题。
[0005]根据本专利技术实施例的一个方面，提供了一种基于图注意力网络的切片误告警识别方法，所述方法包括：从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和KPI运行指标特征；根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；根据所述切片误告警识别模型将所述网络切片节点的第一KPI运行指标特征与所述邻居节点的第二KPI运行指标特征进行融合得到KPI运行指标融合特征；根据所述切片误告警识别模型将所述属性融合特征和所述KPI运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。
[0006]在一种可选的方式中，所述从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性，包括：当发现有网络切片节点产生告警时，从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性；根据不同属性将所述网络切片节点的特征属性拆分为所述第一告警文本特征和所述第一KPI运行指标特征；根据不同属性将所述邻居节点的特征属性拆分为所述第二告警文本特征和所述第二KPI运行指标特征。
[0007]在一种可选的方式中，所述从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性之后，包括：对网络切片节点及邻居节点的特征属性进行预处理，具体包括：分别将所述网络切片节点产生的所述第一告警文本特征和所述邻居节点产生的所述第二告警文本特征编码为序列表示；分别将所述网络切片节点产生的所述第一KPI运行指标特征和所
述邻居节点产生的所述第二KPI运行指标特征进行标准化处理。
[0008]在一种可选的方式中，所述根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征之前，包括：从NSMF中收集历史网络切片节点的特征属性集作为总数据集，并进行预处理，所述特征属性集包括网络切片节点和邻居节点的历史告警文本特征以及历史KPI运行指标特征；获取人工标记的历史网络切片节点所产生告警是否属于误告警，形成标签矩阵Y，形状为N*1，其中N为告警的个数；应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数。
[0009]在一种可选的方式中，所述应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数，包括：根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史KPI运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果；应用二元交叉熵损失函数作为目标函数对预测的网络切片节点误告警识别结果与正确的网络切片节点误告警识别结果之间的误差进行评估；应用梯度下降优化算法使所述切片误告警识别模型梯度下降，获取使所述目标函数最小的所述切片误告警识别模型的最优权重参数，所述最优权重参数为训练后的所述切片误告警识别模型的权重参数。
[0010]在一种可选的方式中，所述根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史KPI运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果，包括：应用所述切片误告警识别模型中的第一图注意力层将所述网络切片节点的历史第一告警文本特征与所述邻居节点的历史第二告警文本特征进行融合得到历史属性融合特征；应用所述切片误告警识别模型中的第二图注意力层将所述网络切片节点的历史第一KPI运行指标特征与所述邻居节点的历史第二KPI运行指标特征进行融合得到历史KPI运行指标融合特征；应用所述切片误告警识别模型的第三图注意力层将所述历史属性融合特征和所述历史KPI运行指标融合特征进行注意力聚合，学习不同属性对于判断所述网络切片节点的告警是否为误告警的重要性；应用输出层输出预测的所述网络切片节点误告警识别结果。
[0011]在一种可选的方式中，所述应用所述切片误告警识别模型中的第一图注意力层将所述网络切片节点的历史第一告警文本特征与所述邻居节点的历史第二告警文本特征进行融合得到历史属性融合特征之前，包括：分别利用词嵌入层将所述历史第一告警文本特征和所述历史第二告警文本特征中的每个词进行向量映射，转化为预设维度的向量，并输入所述第一图注意力层；分别利用映射层将所述历史第一KPI运行指标特征和所述历史第二KPI运行指标特征的维度转换为所述预设维度，并输入所述第二图注意力层。
[0012]根据本专利技术实施例的另一个方面，提供了一种基于图注意力网络的切片误告警识别装置，所述装置包括：数据获取单元，用于从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和KPI运行指标特征；属性融合单元，用于根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；指标融合单元，用于根据所述切片误告警识别模型将所述网络切片节点的第一KPI运行指标特征与所述邻居节点的第二KPI运行指标特征进行融合得到KPI运行指标融合特征；误告警确定单元，用于根据所述切片误告警识别
模型将所述属性融合特征和所述KPI运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。
[0013]根据本专利技术实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
[0014]所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于图注意力网络的切片误告警识别方法的步骤。
[0015]根据本专利技术实施例的又一方面，提供了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力网络的切片误告警识别方法，其特征在于，所述方法包括：从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和KPI运行指标特征；根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；根据所述切片误告警识别模型将所述网络切片节点的第一KPI运行指标特征与所述邻居节点的第二KPI运行指标特征进行融合得到KPI运行指标融合特征；根据所述切片误告警识别模型将所述属性融合特征和所述KPI运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。2.根据权利要求1所述的方法，其特征在于，所述从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性，包括：当发现有网络切片节点产生告警时，从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性；根据不同属性将所述网络切片节点的特征属性拆分为所述第一告警文本特征和所述第一KPI运行指标特征；根据不同属性将所述邻居节点的特征属性拆分为所述第二告警文本特征和所述第二KPI运行指标特征。3.根据权利要求1所述的方法，其特征在于，所述从NSMF中获取当前时刻网络切片节点及邻居节点的特征属性之后，包括：对网络切片节点及邻居节点的特征属性进行预处理，具体包括：分别将所述网络切片节点产生的所述第一告警文本特征和所述邻居节点产生的所述第二告警文本特征编码为序列表示；分别将所述网络切片节点产生的所述第一KPI运行指标特征和所述邻居节点产生的所述第二KPI运行指标特征进行标准化处理。4.根据权利要求1所述的方法，其特征在于，所述根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征之前，包括：从NSMF中收集历史网络切片节点的特征属性集作为总数据集，并进行预处理，所述特征属性集包括网络切片节点和邻居节点的历史告警文本特征以及历史KPI运行指标特征；获取人工标记的历史网络切片节点所产生告警是否属于误告警，形成标签矩阵Y，形状为N*1，其中N为告警的个数；应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数。5.根据权利要求4所述的方法，其特征在于，所述应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数，包括：根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史KPI运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果；
应用二元交叉熵损失函数作为目标函数对预测的网络切片节点误告警识别结果与正确的网络切片节点误告警识别结果之间的误差进行评估；应用梯度下降优化算法使所述切片误告警识别模型梯度下降，获取使所述目标函数最小的所述切片误告警...

【专利技术属性】
技术研发人员：邢彪，郑屹峰，陈维新，章淑敏，彭熙，
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：