System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据挖掘,尤其是一种基于频繁项集的告警关联规则构建方法、设备及介质。
技术介绍
1、随着科学技术的发展,企业内部的业务管理系统趋于复杂和异构,使得运维人员对系统内的异常行为监控和故障定位所花费的工作量越来越大。为此,很多公司通过集中式的监控系统对系统内中潜在和已经发生的故障进行跟踪,同时生成相应的告警信息发送给运维人员提示处理。
2、企业希望运维人员能够从告警信息直接定位到每种告警产生的根本问题并加以解决,然而这种可能性仅存在于理论上。其原因在于告警信息是在数据处理链条的末端形成的,想对告警信息进行溯源处理存在技术困难。因此运维人员希望从时间、类型等维度挖掘告警信息之间的关联规则,并根据这种关联规则实现告警信息的分组,以加速故障定位的过程。
3、在告警关联分析中,如何构建关联规则是关联分析的关键问题。但随着运营商级的网络日益复杂,尤其是5g网络的建设,人工总结规则的方法已经无法适应从网络静态向动态演进的变化。
技术实现思路
1、有鉴于此,本专利技术实施例提供一种基于频繁项集的告警关联规则构建方法、设备及介质。
2、本专利技术的第一方面提供了一种基于频繁项集的告警关联规则构建方法,包括以下步骤:
3、根据历史告警信息生成多个告警时间窗;
4、将所述多个告警时间窗输入告警神经元网络模型,通过告警神经元网络模型生成多个预期关联规则;所述预期关联规则用于表示所述告警信息互相之间的关联性;
5、对所述预期关
6、进一步地,所述根据历史告警信息生成多个告警时间窗,具体包括以下步骤:
7、获取历史告警信息,所述历史告警信息中记录有告警信息的告警类型和告警时间;
8、计算所述历史告警信息中每种告警类型的支持度,去除支持度小于预设支持度阈值的告警信息;
9、根据所述告警时间将告警信息以预设时间间隔分隔,得到多个告警时间窗。
10、进一步地,所述通过告警神经元网络模型生成多个表示所述告警信息互相之间关联性的预期关联规则,具体包括以下步骤:
11、计算告警时间窗中每种告警类型的支持度,根据每种告警类型的支持度对告警时间窗中的告警信息进行排序;
12、建立以所述告警类型和支持度为参数的频繁项表;
13、根据所述频繁项表生成以告警类型为节点的总频繁模式树,在所述总频繁模式树中,拥有越高告警类型支持度的节点距离根节点越近;
14、根据所述总频繁模式树,确定每种告警类型的预期关联规则。
15、进一步地,所述根据所述告警时间窗生成以告警类型为节点的总频繁模式树,具体包括以下步骤:
16、将每个告警时间窗中的告警类型作为节点按所述出现频次降序连接,作为一个频繁模式树与根节点连接,得到多个频繁模式树;其中,频繁模式树中每个告警类型节点的初始支持度为1;
17、从根节点出发,将多个频繁模式树中告警类型相同的节点部分作合并处理;
18、根据合并的节点数量增加告警类型节点的支持度,得到总频繁模式树。
19、进一步地,所述对所述预期关联规则进行筛选,具体包括以下步骤:
20、计算预期关联规则里每种告警类型互相之间的可信度;
21、根据所述可信度,计算每种告警类型互相之间的kulc指标;
22、计算预期关联规则里每种告警类型互相之间的提升度;
23、根据所述提升度,计算每种告警类型互相之间的ir指标;
24、根据计算得到的kulc指标和ir指标,对预期关联规则进行筛选,得到告警关联规则。
25、进一步地,所述告警类型之间的可信度和kulc指标通过如下步骤计算:
26、确定参与计算的告警类型am和an;
27、在所有预期关联规则中统计同时出现am和an的预期关联规则数量,作为s(am+an);
28、在所有预期关联规则中统计出现am的预期关联规则数量,作为s(am);
29、在所有预期关联规则中统计出现an的预期关联规则数量,作为s(an);
30、则am对an的可信度(am|an)=s(am+an)/s(am);
31、则an对am的可信度(an|am)=s(am+an)/s(an);
32、am和an之间的kulc指标为kulc(am,an)=0.5×(am|an)+0.5×(an|am)。
33、进一步地,所述告警类型之间的提升度和ir指标通过如下步骤计算:
34、在所有预期关联规则中统计am出现在预期关联规则中的概率,作为p(am);
35、在所有预期关联规则中统计an出现在预期关联规则中的概率,作为p(an);
36、am对an的提升度p(am|an)为p(am|an)=(am|an)/p(am);
37、am对an的提升度p(an|am)为p(an|am)=(an|am)/p(an);
38、am和an之间的ir指标为ir(am,an)=p(am|an)/p(an|am)。
39、进一步地,在得到告警关联规则之后,还包括以下步骤:
40、将所得到告警关联规则加入关联规则库;
41、根据所匹配的告警数量,对所述告警关联规则进行命中度评估;
42、将命中度低于预设命中度阈值的告警关联规则移除出关联规则库
43、本专利技术第二方面公开一种电子设备,包括处理器以及存储器;
44、所述存储器用于存储程序;
45、所述处理器执行所述程序实现一种基于频繁项集的告警关联规则构建方法。
46、本专利技术第三方面一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现一种基于频繁项集的告警关联规则构建方法。
47、本专利技术实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
48、本专利技术的实施例具有如下方面有益效果:本专利技术一种基于频繁项集的告警关联规则构建方法、设备及介质,通过告警神经元网络模型进行频繁项集挖掘动态生成告警关联规则,并将这些规则加入到告警规则库中,从而实现告警规则库的自动构建,克服了依赖人工操作构建告警关联规则的问题。本专利技术有效提升告警信息分发的准确率与合理性,提升告警自动发现、自动排查、自动处置与闭环能力,提升告警处理工作效率。
49、本专利技术的附加方面和优点将在下面的描述部分中给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于频繁项集的告警关联规则构建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述根据历史告警信息生成多个告警时间窗,具体包括以下步骤:
3.根据权利要求2所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述通过告警神经元网络模型生成多个表示所述告警信息互相之间关联性的预期关联规则,具体包括以下步骤:
4.根据权利要求3所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述根据所述告警时间窗生成以告警类型为节点的总频繁模式树,具体包括以下步骤:
5.根据权利要求3所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述对所述预期关联规则进行筛选,具体包括以下步骤:
6.根据权利要求5所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述告警类型之间的可信度和Kulc指标通过如下步骤计算:
7.根据权利要求6所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述告警类型之间的提升度和IR指标通过如下步骤
8.根据权利要求1所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,在得到告警关联规则之后,还包括以下步骤:
9.一种电子设备,其特征在于,包括处理器以及存储器;
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1-8中任一项所述的方法。
...【技术特征摘要】
1.一种基于频繁项集的告警关联规则构建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述根据历史告警信息生成多个告警时间窗,具体包括以下步骤:
3.根据权利要求2所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述通过告警神经元网络模型生成多个表示所述告警信息互相之间关联性的预期关联规则,具体包括以下步骤:
4.根据权利要求3所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述根据所述告警时间窗生成以告警类型为节点的总频繁模式树,具体包括以下步骤:
5.根据权利要求3所述的一种基于频繁项集的告警关联规则构建方法,其特征在于,所述对...
【专利技术属性】
技术研发人员:刘帅,王静涛,张婷,傅方亮,许哲,王子杰,
申请(专利权)人:中国电信股份有限公司,
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。