基于动态图表示学习推理的通信运维风险检测方法及装置制造方法及图纸

本申请涉及一种基于动态图表示学习推理的通信运维风险检测方法及装置

【技术实现步骤摘要】
基于动态图表示学习推理的通信运维风险检测方法及装置


[0001]本申请涉及通信运维
，特别是涉及一种基于动态图表示学习推理的通信运维风险检测方法及装置
。

技术介绍

[0002]随着移动通信
、
互联网和其他通信技术的不断发展，确保通信网络的正常运行和提高通信服务的质量，对于经济
、
军事
、
航空航天
、
科研和日常生活都至关重要
。
在全力推进网络强国和数字中国建设的征途中，面对巨大的通信规模和日益增多的通信设备，通信过程中难免出现各种故障问题，如果无法迅速确定故障发生的根本原因或者缺乏预防通信亚健康状态的能力，随之而来的经济损失甚至是军事战场上的代价都将是无法估量的
。
因此，如何利用人工智能技术对通信过程进行智能运维是各行各业的研究重点
。
基于知识图谱的运维方法主要是通过专家知识图谱或者故障知识图谱，借助图方法和机器学习方法推理出故障的“根因”，协助运维人员解决问题
。
通信设备处于一个动态变化的状态，在通信运维场景中，面对故障预测和诊断任务，动态知识图谱相比静态知识图谱主要有以下三点优势：实时性：动态知识图谱能够实时更新和整合新的信息，更好地满足通信运维的实时性需求
。
这有助于快速响应故障和异常事件，提高运维效率
。
可预测性：动态知识图谱可以利用历史数据和时序信息进行故障和异常的预测，提前发现潜在问题，从而提高通信运维的预防性和主动性
。
可扩展性：通信运维需要适应不断发展的通信技术和业务需求
。
动态知识图谱具有较强的可扩展性，可以方便地添加新的实体
、
关系和属性，以适应通信运维的变化和发展
。
[0003]目前，面向知识图谱的推理方法主要有以下三种：基于图结构的推理
、
基于表示学习的推理
、
基于神经网络的推理
。
基于图结构推理方法中的代表方法是路径排序方法
(Path Ranking Algorithm,PRA)
，路径排序方法是一种将关系路径作为特征的推理方法，关系路径可以理解成某设备状态和某故障之间的关系，通过路径排序方法可以预测故障和设备之间是否存在因果关系
。
基于路径排序方法的知识推理主要是利用实体之间存在的路径去挖掘新的
、
还未出现的知识
。
基于表示学习推理的常见方法有
TransE(Translating Embedding)
系列方法
、
双线性模型
(RESCAL)
等，主要思想是将衡量向量化后的知识图谱中三元组合理性的问题，转化成衡量头实体和尾实体之间距离的问题
。
基于神经网络推理的关系图卷积网络
(R
‑
GCN)
模型方法首次将图卷积网络引入知识推理领域
。
[0004]上述方法虽然在一定程度上能够有效地推理出故障发生的原因，但依旧还存在一些问题
。
首先是随着待运维系统的规模越来越大，运维和故障知识图谱的规模也快速增长，上述方法的推理速度和准确度会随之下降
。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高通信运维风险检测准确率的基于动态图表示学习推理的通信运维风险检测方法及装置
。
[0006]一种基于动态图表示学习推理的通信运维风险检测方法，所述方法包括：
[0007]获取故障文本；将故障文本中的案例抽象为实体节点和属性边的关系导入到图数据库中构建知识图谱；
[0008]根据跟踪故障信息产生的设备实时对知识图谱中的节点信息进行更新形成实时的故障推理知识图谱；
[0009]利用
Transformer
模型从实时的故障推理知识图谱中获取图谱表示，将图谱表示中实体及实体间的关系映射到向量表示空间，在向量表示空间中进行推理，根据一定概率推理出要发生的故障，得到通信运维风险检测结果
。
[0010]在其中一个实施例中，将故障文本中的案例抽象为实体节点和属性边的关系导入到图数据库中构建知识图谱，包括：
[0011]将故障文本中的案例抽象为实体节点和属性边的关系导入到
NebulaGraph
图数据库中，根据
NebulaGraph
建立数据模型，在数据模型中根据节点和属性边构建知识图谱；数据模型能够自由增加属性边
、
更新属性边和删除属性边
。
[0012]在其中一个实施例中，利用
Transformer
模型从实时的故障推理知识图谱中获取图谱表示，包括：
[0013]从实时的故障推理知识图谱中提取任意交互的源节点
、
目标节点和两个节点的历史一阶交互序列，对历史一阶交互序列进行编码，得到编码后的序列；利用分块处理技术将各编码后的序列划分为多个块序列后再输入
Transformer
模型，得到源节点的表征和目标节点的表征；所有节点的表征构成图谱表示；块序列包括邻居特征
、
连边特征
、
时间特征以及邻居共现频率特征
。
[0014]在其中一个实施例中，对历史一阶交互序列进行编码，得到编码后的序列，包括：
[0015]对历史一阶交互序列进行编码，得到编码后的序列为
[0016][0017]其中，
*
表示源节点
u
或者目标节点
v
，
h
由
ReLU
激活的双层感知器组成，和分别表示
u
和
v
的邻居共现频率特征
。
[0018]在其中一个实施例中，利用分块处理技术将各编码后的序列划分为多个块序列后再输入
Transformer
模型，得到源节点的表征和目标节点的表征，包括
:
[0019]利用分块处理技术将各编码后的序列划分为多个块序列后再输入
Transformer
模型，得到源节点的表征和目标节点的表征为
[0020][0021][0022]其中，
W
out
和
b
out
是可训练权重，
R
t
为
t
时刻的表示，
l
为节点表示，
AVERAGE
为取均值操作
。
[0023]在其中一个实施例中，将图谱表示中实体及实体间的关系映射到向量表示空间，包括：
[0024]将图谱表示中实体及实体间的关系抽象为三元组
(h,r,t)
，
h
和
t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于动态图表示学习推理的通信运维风险检测方法，其特征在于，所述方法包括：获取故障文本；将所述故障文本中的案例抽象为实体节点和属性边的关系导入到图数据库中构建知识图谱；根据跟踪故障信息产生的设备实时对所述知识图谱中的节点信息进行更新形成实时的故障推理知识图谱；利用
Transformer
模型从所述实时的故障推理知识图谱中获取图谱表示，将图谱表示中实体及实体间的关系映射到向量表示空间，在所述向量表示空间中进行推理，根据一定概率推理出要发生的故障，得到通信运维风险检测结果
。2.
根据权利要求1所述的方法，其特征在于，将所述故障文本中的案例抽象为实体节点和属性边的关系导入到图数据库中构建知识图谱，包括：将所述故障文本中的案例抽象为实体节点和属性边的关系导入到
NebulaGraph
图数据库中，根据
NebulaGraph
建立数据模型，在所述数据模型中根据节点和属性边构建知识图谱；所述数据模型能够自由增加属性边
、
更新属性边和删除属性边
。3.
根据权利要求1所述的方法，其特征在于，利用
Transformer
模型从所述实时的故障推理知识图谱中获取图谱表示，包括：从所述实时的故障推理知识图谱中提取任意交互的源节点
、
目标节点和两个节点的历史一阶交互序列，对历史一阶交互序列进行编码，得到编码后的序列；利用分块处理技术将各编码后的序列划分为多个块序列后再输入
Transformer
模型，得到源节点的表征和目标节点的表征；所有节点的表征构成图谱表示；所述块序列包括邻居特征
、
连边特征
、
时间特征以及邻居共现频率特征
。4.
根据权利要求3所述的方法，其特征在于，对历史一阶交互序列进行编码，得到编码后的序列，包括：对历史一阶交互序列进行编码，得到编码后的序列为其中，
*
表示源节点
u
或者目标节点
v
，
h
由
ReLU
激活的双层感知器组成，和分别表示
u
和
v
的邻居共现频率特征
。5.
根据权利要求3所述的方法，其特征在于，利用分块处理技术将各编码后的序列划分为多个块序列后再输入
Transformer
模型，得到源节点的表征和目标节点的表征，包括
:
利用分块处理技术将各编码后的序列划分为多个块序列后再输入
Transformer
模型，得到源节点的表征和目标节点的表征为得到源节点的表征和目标节点的表征为其中，
W
out
和
b
out
是可训练权重，
R
t
为
t
时刻的表示，
l
为节点表示，
AVERAGE
为取均值操作
。6.
根据权利要求1所述的方法，其特征在于，将图谱表示中实体及实体间的关系映射到向量表示空间，包括：将图谱表示中实体及...

【专利技术属性】
技术研发人员：张慧，丁鲲，张骁雄，刘姗姗，刘茗，袁震，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：