CN110351118A - 根因告警决策网络构建方法、装置和存储介质 - Google Patents

根因告警决策网络构建方法、装置和存储介质 Download PDF

Info

Publication number
CN110351118A
CN110351118A CN201910451935.4A CN201910451935A CN110351118A CN 110351118 A CN110351118 A CN 110351118A CN 201910451935 A CN201910451935 A CN 201910451935A CN 110351118 A CN110351118 A CN 110351118A
Authority
CN
China
Prior art keywords
alarm
topological structure
alarm type
type
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910451935.4A
Other languages
English (en)
Other versions
CN110351118B (zh
Inventor
张可力
文勇
张思远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201910451935.4A priority Critical patent/CN110351118B/zh
Publication of CN110351118A publication Critical patent/CN110351118A/zh
Application granted granted Critical
Publication of CN110351118B publication Critical patent/CN110351118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
    • H04L41/0613—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time based on the type or category of the network elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
    • H04L41/0618—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time based on the physical or logical position
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/064—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/065—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving logical or physical relationship, e.g. grouping and hierarchies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供一种根因告警决策网络构建方法、装置和存储介质，该方法包括：获取预设时间段内网络中出现的多个告警数据；确定所述多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型；根据所述多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构；根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，以生成所述根因告警决策网络。本申请提供的根因告警决策网络构建方法、装置和存储介质，不仅可以提高根因告警决策网络构建的效率，而且当网络系统中告警行为形态和告警类型数目发生变化时，可以不需要重构网络拓扑，从而有利于提高根因告警决策网络的可实施性。

Description

根因告警决策网络构建方法、装置和存储介质
技术领域
本申请实施例涉及通信技术领域，尤其涉及一种根因告警决策网络构建方法、装置和存储介质。
背景技术
在网络系统中常常会出现故障，为了便于网络系统的管理，往往通过故障告警方式来定位故障点，但是随着网络系统中设备的增加，网络系统的规模和复杂程度呈现出指数级的增长。
在实际应用中，网络管理系统接收到大量来自网络系统的告警信息，而在大量的告警信息中往往只有少量告警信息是根因告警信息，但是技术人员难以在大量的告警信息中找到根因告警信息。为了能够找到根因告警信息，现有技术中通常通过以下两种方式进行：第一种是业务专家通过数据探索工具对告警数据进行分析，结合领域知识总结出告警与告警之间的因果关系和优先级，构建一个因果决策网络，最终基于该因果决策网络来对根因告警进行定位。第二种是基于告警数据和专家领域知识生成贝叶斯信念网络(bayesian belief network，BBN)的网络拓扑结构，然后基于告警数据之间同时出现的频次关系来计算其条件概率，从而生成BBN的条件概率表，最终根据BBN来做根因告警推断。
然而，由于上述两种方式中，都需要业务专家提供足够的先验知识来构建网络拓扑，使得网络拓扑构建的效率较低。另外，当网络系统中告警行为形态和告警类型数目发生变化时，均需要重构网络拓扑，从而造成上述网络拓扑的可实施性较差。
发明内容
本申请实施例提供一种根因告警决策网络构建方法、装置和存储介质，不仅可以提高根因告警决策网络构建的效率，而且当网络系统中告警行为形态和告警类型数目发生变化时，可以不需要重构网络拓扑，从而有利于提高根因告警决策网络的可实施性。
一方面，本申请实施例提供一种根因告警决策网络构建方法，包括：
获取预设时间段内网络中出现的多个告警数据；
确定所述多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型；
根据所述多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构；
根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，以生成所述根因告警决策网络。
在本实施例中，由于根据获取到的多个告警数据之间的时序关系，以告警数据对应的告警类型为节点构建拓扑结构，并根据拓扑结构和告警类型出现的频次，确定拓扑结构中的权重值，以生成构建出根因告警决策网络，从而可以提高根因告警决策网络构建的效率。另外，当网络系统中告警行为形态和告警类型数目发生变化时，可以不需要重构网络拓扑，从而有利于提高根因告警决策网络的可实施性。
在一个可能的设计中，所述根据所述多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构，包括：
根据所述多个告警数据之间的时序关系，确定第一告警类型和第二告警类型之间的边的方向，所述第一告警类型和所述第二告警类型为所述多个告警类型中的任意两个告警类型；
根据所述第一告警类型和所述第二告警类型之间的边的方向，以各告警类型为节点构建所述决策网络的拓扑结构。
在本实施例中，每个告警数据中均包括有该告警数据产生的时间，根据产生的时间，即可确定出多个告警数据之间的时序关系。在确定出多个告警数据之间的时序关系后，将以每个告警数据对应的告警类型为节点，构建决策网络的拓扑结构。由于根据各个告警数据产生的时间，构建决策网络的拓扑结构，从而可以提高拓扑结构的准确性。
在一个可能的设计中，所述根据所述多个告警数据之间的时序关系，确定第一告警类型和第二告警类型之间的边的方向，包括：
判断在连续的n个时间窗口内，所述第一告警类型出现时间早于所述第二告警类型出现时间的次数是否超过预设次数，其中，n为正整数；
若超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第一告警类型指向所述第二告警类型；
若未超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第二告警类型指向所述第一告警类型。
在本方案中，由于通过判断在连续的n个时间窗口内，第一告警类型出现时间早于第二告警类型出现时间的次数是否超过预设次数，从而确定第一告警类型和第二告警类型之间的边的方向，从而有利于提高拓扑结构的精确度。
在一个可能的设计中，所述根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，包括：
分别确定每种告警类型在n个时间窗口内出现的频次；
根据每种告警类型的频次，确定所述拓扑结构中每条边的初始权重；
根据所述拓扑结构和每条边的初始权重，计算所述每条边的所述目标权重。
在一个可能的设计中，所述根据所述拓扑结构和每条边的初始权重，计算所述每条边的所述目标权重，包括：
根据所述拓扑结构和每条边的初始权重，计算所述每个告警类型的特征向量；
获取多个根因告警反馈数据，每个所述根因告警反馈数据中包括有至少一个告警数据，以及根因告警数据的标识信息，所述根因告警数据为所述至少一个告警数据中的一个；
根据每个告警类型的特征向量和所述根因告警反馈数据，计算所述每条边的所述目标权重。
在一个可能的设计中，所述根据每个告警类型的特征向量和所述根因告警反馈数据，计算所述每条边的所述目标权重，包括：
根据所述根因告警反馈数据，确定所述拓扑结构中的正样本和负样本，所述正样本和所述负样本均为所述拓扑结构中的边；
根据每个所述告警类型的特征向量、所述正样本和所述负样本，计算所述每条边的所述目标权重。
在一个可能的设计中，所述根据每个所述告警类型的特征向量、所述正样本和所述负样本，计算所述每条边的所述目标权重，包括：
对每个所述告警类型的特征向量、所述正样本和所述负样本进行训练，得到边权重生成器；
根据所述边权重生成器，计算所述每条边的所述目标权重。
在上述各方案中，通过先确定拓扑结构中每条边的初始权重，再根据拓扑结构和每条边的初始权重，计算每条边的目标权重，从而可以提高目标权重的准确性。
在一个可能的设计中，根据所述根因告警反馈数据，确定所述拓扑结构中的正样本，包括：
判断所述根因告警反馈数据中的根因告警数据到非根因告警数据在所述拓扑结构中是否存在有向路径；
若根因告警数据到第一非根因告警数据在所述拓扑结构中存在第一有向路径，则将所述第一有向路径上的所有有向边确定为所述正样本。
其中，根因告警数据到非根因告警数据在拓扑结构中是否存在有向路径，可以为根因告警数据到非根因告警数据在拓扑结构中是否有向联通。
在一个可能的设计中，根据所述根因告警反馈数据，确定所述拓扑结构中的负样本，包括：
判断所述根因告警反馈数据中的非根因告警数据到根因告警数据在所述拓扑结构中是否存在有向路径；
若第二非根因告警数据到所述根因告警数据在所述拓扑结构中存在第二有向路径，则将所述第二有向路径上的所有有向边确定为所述负样本。
其中，非根因告警数据到根因告警数据在拓扑结构中是否存在有向路径，可以为非根因告警数据到根因告警数据在拓扑结构中是否有向联通。
在一个可能的设计中，所述根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重之前，所述方法还包括：
根据预设规则，对所述拓扑结构进行调整，得到调整后的拓扑结构；
所述根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，包括：
根据所述拓扑结构和各告警类型出现的频次，确定所述调整后的拓扑结构中每条边的目标权重。
在本方案中，在确定拓扑结构中每条边的目标权重之前，还可以根据预设规则，对拓扑结构进行调整，得到调整后的拓扑结构，这样可以提高确定出的根因告警决策网络的准确性，降低后续确定目标权重的计算量。
在一个可能的设计中，所述根据每种告警类型的频次，确定所述拓扑结构中每条边的初始权重，包括：
通过统计学方法，计算与所述每条边相关联的告警类型的频次分布的相似性值，并将所述相似性值确定为所述边的初始权重。
其中，可以通过pearson相关系数、coisne余弦或lift等方式，确定拓扑结构中每条边的初始权重。
在一个可能的设计中，所述根据所述拓扑结构和每条边的初始权重，计算所述每个告警类型的特征向量，包括：
通过网络嵌入方法，将所述每个告警类型在所述拓扑结构中的位置以及与所述告警类型关联的边的初始权重进行编码，得到每个所述告警类型的特征向量。
在本方案中，通过网络嵌入方法(network embedding)确定告警类型的特征向量的方式，可实现各拓扑结构向低维向量空间转换，且能够最大限度的保持各告警类型在各拓扑结构中的结构信息，如权重信息以及连接关系信息。
另一方面，本申请实施例提供一种根因告警决策网络构建装置，包括：
获取模块，用于获取预设时间段内网络中出现的多个告警数据；
确定模块，用于确定所述多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型；
构建模块，用于根据所述多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构；
所述确定模块，还用于根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，以生成所述根因告警决策网络。
在一个可能的设计中，所述构建模块，具体用于：
根据所述多个告警数据之间的时序关系，确定第一告警类型和第二告警类型之间的边的方向，所述第一告警类型和所述第二告警类型为所述多个告警类型中的任意两个告警类型；
根据所述第一告警类型和所述第二告警类型之间的边的方向，以各告警类型为节点构建所述决策网络的拓扑结构。
在一个可能的设计中，所述确定模块，具体用于：
判断在连续的n个时间窗口内，所述第一告警类型出现时间早于所述第二告警类型出现时间的次数是否超过预设次数，其中，n为正整数；
若超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第一告警类型指向所述第二告警类型；
若未超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第二告警类型指向所述第一告警类型。
在一个可能的设计中，所述确定模块，具体用于：
分别确定每种告警类型在n个时间窗口内出现的频次；
根据每种告警类型的频次，确定所述拓扑结构中每条边的初始权重；
根据所述拓扑结构和每条边的初始权重，计算所述每条边的所述目标权重。
在一个可能的设计中，所述确定模块，具体用于：
根据所述拓扑结构和每条边的初始权重，计算所述每个告警类型的特征向量；
获取多个根因告警反馈数据，每个所述根因告警反馈数据中包括有至少一个告警数据，以及根因告警数据的标识信息，所述根因告警数据为所述至少一个告警数据中的一个；
根据每个告警类型的特征向量和所述根因告警反馈数据，计算所述每条边的所述目标权重。
在一个可能的设计中，所述确定模块，具体用于：
根据所述根因告警反馈数据，确定所述拓扑结构中的正样本和负样本，所述正样本和所述负样本均为所述拓扑结构中的边；
根据每个所述告警类型的特征向量、所述正样本和所述负样本，计算所述每条边的所述目标权重。
在一个可能的设计中，所述确定模块，具体用于：
对每个所述告警类型的特征向量、所述正样本和所述负样本进行训练，得到边权重生成器；
根据所述边权重生成器，计算所述每条边的所述目标权重。
在一个可能的设计中，所述确定模块，具体用于：
判断所述根因告警反馈数据中的根因告警数据到非根因告警数据在所述拓扑结构中是否存在有向路径；
若根因告警数据到第一非根因告警数据在所述拓扑结构中存在第一有向路径，则将所述第一有向路径上的所有有向边确定为所述正样本。
在一个可能的设计中，所述确定模块，具体用于：
判断所述根因告警反馈数据中的非根因告警数据到根因告警数据在所述拓扑结构中是否存在有向路径；
若第二非根因告警数据到所述根因告警数据在所述拓扑结构中存在第二有向路径，则将所述第二有向路径上的所有有向边确定为所述负样本。
在一个可能的设计中，所述装置还包括：
调整模块，用于根据预设规则，对所述拓扑结构进行调整，得到调整后的拓扑结构；
所述确定模块，具体用于：
根据所述拓扑结构和各告警类型出现的频次，确定所述调整后的拓扑结构中每条边的目标权重。
在一个可能的设计中，所述确定模块，具体用于：
通过统计学方法，计算与所述每条边相关联的告警类型的频次分布的相似性值，并将所述相似性值确定为所述边的初始权重。
在一个可能的设计中，所述确定模块，具体用于：
通过网络嵌入方法，将所述每个告警类型在所述拓扑结构中的位置以及与所述告警类型关联的边的初始权重进行编码，得到每个所述告警类型的特征向量。
再一方面，本申请实施例提供一种计算机可读存储介质，包括：计算机软件指令；
当所述计算机软件指令在根因告警决策网络构建装置或内置在根因告警决策网络构建装置的芯片中运行时，使得所述装置执行如第一方面所述的根因告警决策网络构建方法。
本申请实施例提供一种根因告警决策网络构建方法、装置和存储介质，计算设备或计算设备集群通过获取预设时间段内网络中出现的多个告警数据，并确定多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型，然后根据多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构，再根据拓扑结构和各告警类型出现的频次，确定拓扑结构中每条边的目标权重，以生成根因告警决策网络。由于根据获取到的多个告警数据之间的时序关系，以告警数据对应的告警类型为节点构建拓扑结构，并根据拓扑结构和告警类型出现的频次，确定拓扑结构中的权重值，以生成构建出根因告警决策网络，从而可以提高根因告警决策网络构建的效率。另外，当网络系统中告警行为形态和告警类型数目发生变化时，可以不需要重构网络拓扑，从而有利于提高根因告警决策网络的可实施性。
附图说明
图1为本申请实施例提供的一种系统架构图；
图2是本申请实施例提供的一种计算设备的结构示意图；
图3是本申请实施例提供的一种计算设备集群的系统架构图；
图4为本申请根因告警决策网络构建方法的一种流程示意图；
图5a为决策网络的拓扑结构示意图；
图5b为对图5a所示的拓扑结构进行调整后的拓扑结构示意图；
图6为确定拓扑结构中每条边的初始权重的示意图；
图7为确定图6中的拓扑结构对应的特征向量的示意图；
图8为本申请实施例提供的根因告警决策网络构建装置实施例一的结构示意图；
图9为本申请实施例提供的根因告警决策网络构建装置实施例二的结构示意图。
具体实施方式
以下，对本申请中的部分用语进行解释说明，以便于本领域技术人员理解。
1)告警压缩：是用来把网络中在某一个时间段内相关联的告警组合在一起的一种处理方式，可以有效提高告警处理效率。
2)告警压缩规则：也称为告警关联规则，是用来实现告警压缩的规则，一般通过对历史告警数据进行频繁项挖掘所获得。
3)本申请中的单元是指功能单元或逻辑单元。其可以为软件形式，通过处理器执行程序代码来实现其功能；也可以为硬件形式。
4)“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系；在公式中，字符“/”，表示前后关联对象是一种“相除”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中，a，b，c可以是单个，也可以是多个。
本领域技术人员可以理解，本申请实施例提供的根因告警决策网络构建方法可以应用于无线通信网络中的告警分析与管理的场景中，其中，无线通信网络包括但不限于：窄带物联网系统(Narrow Band-Internet of Things，NB-IoT)、全球移动通信系统(GlobalSystem for Mobile Communications，GSM)、增强型数据速率GSM演进系统(Enhanced Datarate for GSM Evolution，EDGE)、宽带码分多址系统(Wideband Code Division MultipleAccess，WCDMA)、码分多址2000系统(Code Division Multiple Access，CDMA2000)、时分同步码分多址系统(Time Division-Synchronization Code Division Multiple Access，TD-SCDMA)，长期演进系统(Long Term Evolution，LTE)，第五代移动通信(the 5thGeneration mobile communication technology，5G)移动通信系统、下一代移动通信系统以及后续演进通信系统中等，也可以运用到其他无线通信网络中。
图1为本申请实施例提供的一种系统架构图，该系统中包括网络系统、告警收集节点、以及计算设备或计算设备集群。其中，该网络系统包括至少一个网络设备，每个网络设备在运行中均可能产生告警数据。其中，网络设备可以为网络系统中需要管理的任一对象。网络设备可以采用软件实现，例如，网络设备可以为虚拟机、容器、应用、服务、微服务、模块、子模块、类或函数等。其中，网络设备可以为一个设备中运行的软件，也可以为多个设备中运行的软件的集合；网络设备也可以采用硬件实现，例如，可以为服务器、基站、交换机、路由器、中继、网桥、防火墙、移动终端、个人电脑、笔记本电脑、磁盘、固态硬盘(SolidState Drives，SSD)、磁盘阵列(Redundant Arrays of Independent Disks，RAID)、存储区域网络(Storage Area Network，SAN)、网络互连协议(Internet Protocol，IP)SAN、光纤通道(Fiber Channel，FC)SAN、网络附属存储(Network Attached Storage，NAS)、负载均衡器、移动性管理实体(mobility management entity，MME)、归属签约用户服务器(homesubscriber server，HSS)、服务网关(serving-gateway，SGW)、分组数据网网关(packetdata network gateway，PGW)、策略和计费规则功能(policy and charging rulesfunction，PCRF)网元、光网络终端(Optical network terminal，ONT)、光网络单元(Optical Network Unit，ONU)、分光器、物联网终端、传感器等；网络设备可以采用一个独立的硬件实现，也可以采用多个通过有线或无线网络连接的硬件实现。本实施例对网络设备的具体形态不做限定。
告警收集节点用于收集并管理该网络系统中每个网络设备的告警数据。具体来说，告警收集节点可以和网络系统连接，当网络系统中的任一网络设备生成告警数据时，网络设备可以将告数据警发送至告警收集节点，告警收集节点可以接收网络设备发送的告警数据，以便后续将告警数据提供给计算设备或计算设备集群。可选地，告警收集节点可以视为图1所示的系统中的存储源，告警收集节点可以通过自身或者外部的存储介质，来存储大量的告警。例如，告警收集节点可以为数据库、硬盘、数据库硬盘、数据库、文件传输协议(File Transfer Protocol，FTP)服务器、磁盘、SSD、RAID、SAN、IPSAN、FC SAN、NAS等。
计算设备或计算设备集群用于通过执行本申请实施例提供的方法，来构建根因告警决策网络，以对网络系统中网络设备的告警数据进行根因分析，以从网络系统中海量的告警数据中确定根因告警，从而通过根因告警快速定位故障。具体来讲，告警收集节点可以将告警数据发送至计算设备或计算设备集群，计算设备或计算设备集群可以接收告警收集节点发送的告警数据，从而根据告警压缩规则，对告警数据进行告警压缩，并创建问题清单，将创建的问题清单通过构建的根因告警决策网络，以对告警数据进行根因分析。
图2是本申请实施例提供的一种计算设备的结构示意图，该计算设备200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processingunits，CPU)201和一个或一个以上的存储器202，其中，该存储器202中存储有至少一条指令，该至少一条指令由该处理器201加载并执行以实现本申请实施例提供的根因告警决策网络构建方法。当然，该计算设备200还可以具有有线或无线网络接口以及输入输出接口等部件，以便进行输入输出，该计算设备200还可以包括其他用于实现设备功能的部件，在此不做赘述。其中，计算设备200可以为云环境中的计算设备，或边缘环境中的计算设备，或终端环境中的计算设备，对此不做限定。另外，该计算设备200还可以为服务器。
图3是本申请实施例提供的一种计算设备集群的系统架构图，如图3所示，该计算设备集群包括至少一个计算设备300，每个计算设备300可以执行本申请实施例提供的根因告警决策网络构建方法中的任一个步骤或任多个步骤，不同的步骤可以由不同的计算设备300执行。
每个计算设备300的结构与图2实施例中计算设备200的结构相同。具体来说，每个计算设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器301和一个或一个以上的存储器302，其中，该存储器302中存储有至少一条指令，该至少一条指令由该处理器301加载并执行以实现本申请实施例提供的根因告警决策网络构建方法中的任一个步骤或任多个步骤。当然，每个计算设备300还可以具有有线或无线网络接口以及输入输出接口等部件，以便进行输入输出，每个计算设备300还可以包括其他用于实现设备功能的部件，在此不做赘述。其中，每个计算设备300可以为云环境中的计算设备，或边缘环境中的计算设备，或终端环境中的计算设备，对此不做限定。另外，该计算设备集群还可以为服务器集群。
其中，上述的服务器是指安装了操作系统(如unix或windows)的通用计算机系统。
随着网络规模的不断增大，网络中产生的告警数目及告警种类不断增加，当网络中出现大量告警数据时，如何及时定位出这些告警数据中的根因告警数据，以便以最小的成本消除这些告警，具有很大的研究价值。现有技术中通常通过以下两种方式确定根因告警：第一种是业务专家通过数据探索工具对告警数据进行分析，结合领域知识总结出告警与告警之间的因果关系和优先级，构建一个因果决策网络，最终基于该因果决策网络来对根因告警进行定位。第二种是基于告警数据和专家领域知识生成BBN的网络拓扑结构，然后基于告警数据之间同时出现的频次关系来计算其条件概率，从而生成BBN的条件概率表，最终根据BBN来做根因告警推断。然而，由于上述两种方式中，都需要业务专家提供足够的先验知识来构建网络拓扑，使得网络拓扑构建的效率较低。另外，当网络系统中告警行为形态和告警类型数目发生变化时，均需要重构网络拓扑，从而造成上述网络拓扑的可实施性较差。
本申请实施例考虑到这些情况，提出一种根因告警决策网络构建方法，计算设备或计算设备集群通过获取预设时间段内网络中出现的多个告警数据，并确定多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型，然后根据多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构，再根据拓扑结构和各告警类型出现的频次，确定拓扑结构中每条边的目标权重，以生成根因告警决策网络。由于根据获取到的多个告警数据之间的时序关系，以告警数据对应的告警类型为节点构建拓扑结构，并根据拓扑结构和告警类型出现的频次，确定拓扑结构中的权重值，以生成构建出根因告警决策网络，从而可以提高根因告警决策网络构建的效率。另外，当网络系统中告警行为形态和告警类型数目发生变化时，可以不需要重构网络拓扑，从而有利于提高根因告警决策网络的可实施性。
需要进行说明的是，如下实施例中的“告警数据”也可描述为“告警记录”，“告警类型”也可直接描述为“告警”。例如“某告警的某条记录”，其表示“某种告警类型对应的某条告警记录”。
图4为本申请根因告警决策网络构建方法的一种流程示意图。本申请实施例提供的根因告警决策网络构建方法的执行主体可以是计算设备或计算设备集群。在上述图1所示系统架构的基础上，如图4所示，本实施例的方法可以包括：
步骤401、获取预设时间段内网络中出现的多个告警数据。
在本步骤中，在网络系统中的任一网络设备发生故障或者发生错误时，网络设备将会产生告警数据，并且网络设备会将预设时间段内产生的告警数据发送给计算设备或计算设备集群。其中，预设时间段可以为15小时、一天或者一个月等，对于预设时间段的具体取值，本申请实施例在此不做限制。
步骤402、确定多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型。
在本实施例中，告警类型可以和触发告警的异常事件对应，对于任一告警源来说，该告警源的每种异常事件可以映射为一个告警类型。以告警源为磁盘为例，告警类型可以包括磁盘坏道、元数据丢失或读写速度过慢等。以告警源为路由器为例，告警类型可以包括端口故障、链路断开或网卡故障等。以告警源为传感器为例，告警类型可以包括温度过高、湿度过高或检测到烟雾等。以告警源为服务器为例，告警类型可以包括负载过大、流量过大或业务处理失败等。当然，上述告警类型仅是举例说明，具体的告警类型可以根据网络设备的形态确定，本实施例对此不做限定。
因此，每个网络设备上报的告警数据均会对应一种告警类型，但是，有可能会出现多个告警数据对应同一种告警类型。计算设备或计算设备集群在获取到多个告警数据之后，将可以确定出每个告警数据所对应的告警类型，从而可以得到多个告警类型。
例如：若获取到的告警数据分别为告警数据1、告警数据2、告警数据3、告警数据4和告警数据5，且确定出的告警数据1所对应的告警类型为告警类型A、告警数据2所对应的告警类型为告警类型B、告警数据3所对应的告警类型为告警类型C、告警数据4所对应的告警类型为告警类型C，告警数据5所对应的告警类型为告警类型D，则得到的多个告警类型包括有告警类型A、告警类型B、告警类型C和告警类型D。
步骤403、根据多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构。
在本步骤中，每个告警数据中均包括有该告警数据产生的时间，根据产生的时间，即可确定出多个告警数据之间的时序关系。示例性的，以告警数据1和告警数据2为例进行说明，若告警数据1的发生时间T1大于告警数据2的发生时间T2，则确定告警数据2先发生，告警数据1后发生。另外，为了提高时序关系确定的准确性，在实际应用中，可以将预设时间段划分为多个时间窗口，分别统计各个时间窗口内告警数据1的发生时间T1大于告警数据2的发生时间T2的次数，以及告警数据2的发生时间T2大于告警数据1的发生时间T1的次数，若在多个时间窗口内，T1大于T2的次数，高于T2大于T1的次数，则确定告警数据2先发生，告警数据1后发生，否则，可以确定出告警数据1先发生，告警数据2后发生。
在确定出多个告警数据之间的时序关系后，将以每个告警数据对应的告警类型为节点，构建决策网络的拓扑结构。
在一种可能的实现方式中，可以通过如下方式构建决策网络的拓扑结构：根据多个告警数据之间的时序关系，确定第一告警类型和第二告警类型之间的边的方向，其中，第一告警类型和第二告警类型为多个告警类型中的任意两个告警类型，并根据第一告警类型和第二告警类型之间的边的方向，以各告警类型为节点构建决策网络的拓扑结构。
具体地，在确定出告警数据之间的时序关系之后，将可以确定各个告警类型之间的边的方向，也即确定出各个节点之间的边的方向。以确定第一告警类型和第二告警类型之间的边的方向为例，可以通过判断在连续的n个时间窗口内，第一告警类型出现时间早于第二告警类型出现时间的次数是否超过预设次数，若超过预设次数，则确定第一告警类型和第二告警类型之间的边的方向为第一告警类型指向第二告警类型；若未超过预设次数，则确定第一告警类型和第二告警类型之间的边的方向为第二告警类型指向第一告警类型。
其中，第一告警类型和第二告警类型分别为步骤402中得到的多个告警类型中的任意两个不同的告警类型。
另外，连续的n个时间窗口可以是前述的预设时间段，也可以是预设时间段之内的一段时间，其中，n为正整数。
具体地，每个告警类型都有对应的告警数据，根据各告警数据之间的时序关系，即可确定出各个告警类型之间的时序关系，然后根据各个告警类型之间的时序关系，从而可以确定出各个告警类型之间的边的方向。
举例来说，图5a为决策网络的拓扑结构示意图，如图5a所示，若告警类型包括告警类型A、告警类型B、告警类型C和告警类型D，其中，和告警类型A对应的告警数据包括告警数据1、告警类型B对应的告警数据包括告警数据2、告警类型C对应的告警数据包括告警数据3和告警数据4，告警类型D对应的告警数据包括告警数据5。假设告警数据2发生的时间早于告警数据1，说明告警类型B出现的时间早于告警类型A出现的时间，则可以确定出告警类型A和告警类型B之间的边的方向为告警类型B指向告警类型A。假设告警数据1发生的时间早于告警数据5，说明告警类型A出现的时间早于告警类型D出现的时间，则可以确定出告警类型A和告警类型D之间的边的方向为告警类型A指向告警类型D。告警类型A和告警类型C之间边的方向的确定方式、以及告警类型B和告警类型C之间边的方向的确定方式，与上述方式类似，此处不再赘述。
进一步地，为了提高确定出的第一告警类型和第二告警类型之间的边的方向的准确性，可以判断在连续的n个时间窗口内，第一告警类型出现时间早于第二告警类型出现时间的次数是否超过预设次数，例如，可以判断在连续的n个时间窗口内，告警类型B出现的时间早于告警类型A出现的时间的次数是否超过预设次数等。其中，预设次数可以根据实际情况或者经验进行设置，例如可以设置为3或5，对于预设次数的具体取值，本申请实施例在此不做限制。
如图5a所示，在确定出各个告警类型之间的边的方向之后，以告警类型为节点，可以构建出决策网络的拓扑结构。
步骤404、根据拓扑结构和各告警类型出现的频次，确定拓扑结构中每条边的目标权重，以生成根因告警决策网络。
在本步骤中，各告警类型出现的频次也即各告警类型出现的次数，根据确定出的拓扑结构和各告警类型出现的频次，为拓扑结构中的每条边添加目标权重，从而可以构造出根因告警决策网络。这样，后续可以根据构造出的根因告警决策网络，确定多个告警数据中的根因告警数据。
进一步地，为了提高确定出的根因告警决策网络的准确性，降低后续确定目标权重的计算量，在确定拓扑结构中每条边的目标权重之前，还可以根据预设规则，对拓扑结构进行调整，得到调整后的拓扑结构。这样，计算设备或计算设备集群可以根据拓扑结构和各告警类型出现的频次，确定调整后的拓扑结构中每条边的目标权重。
具体地，预设规则可以是本领域技术人员通过大量的经验总结得到的，例如，本领域技术人员通过大量的经验总结得到，某两个告警类型之间不可能存在时序关系，或者存在时序关系的概率小于预设值，此时，可以对拓扑结构进行调整，如将拓扑结构中这两个告警类型之间的边去掉，从而得到调整后的拓扑结构。
举例来说，图5b为对图5a所示的拓扑结构进行调整后的拓扑结构示意图，如图5b所示，在图5a所示的拓扑结构的基础上，若预设规则为告警类型C和告警类型D之间不可能存在时序关系，或者存在时序关系的概率小于预设值，则可以将告警类型C和告警类型D之间的边去掉，从而得到图5b所示的调整后的拓扑结构。这样，后续可以确定调整后的拓扑结构中每条边的目标权重，从而可以降低计算量，提高根因告警决策网络构建的效率。
示例性的，在确定拓扑结构中每条边的目标权重时，可以分别确定每种告警类型在n个时间窗口内出现的频次，并根据每种告警类型的频次，确定拓扑结构中每条边的初始权重，然后根据拓扑结构和每条边的初始权重，计算每条边的目标权重。
具体地，每种告警类型在n个时间窗口内出现的频次，是指每种告警类型分别在n个时间窗口中的每个时间窗口内出现的次数，其中，n个时间窗口可以是前述的预设时间段，也可以是预设时间段之内的一段时间，n为正整数。
在确定出每种告警类型在n个时间窗口内出现的频次后，可以通过统计学方法，计算与每条边相关联的告警类型的频次分布的相似性值，并将该相似性值确定为边的初始权重。例如可以通过pearson相关系数、coisne余弦或lift等方式，确定拓扑结构中每条边的初始权重。
进一步地，为了提高计算出的目标权重的准确性，可以采用多种方式同时确定初始权重。例如：图6为确定拓扑结构中每条边的初始权重的示意图，如图6所示，假设在时间窗口1内，告警类型出现的顺序为ABA，也即告警类型A出现了两次，告警类型B出现了一次，在时间窗口2内，告警类型出现的顺序为AAAB，在时间窗口3内，告警类型出现的顺序为BBA，……在时间窗口n内，告警类型出现的顺序为BBB，由此可以确定出告警类型A的频次向量为[2,3,1，……0]，告警类型B的频次向量为[1,1,2，……3]，按照coisne余弦的方式，计算出告警类型A和告警类型B之间边的初始权重为0.3，按照pearson相关系数的方式，计算出告警类型A和告警类型B之间边的初始权重为0.3，按照lift的方式，计算出告警类型A和告警类型B之间边的初始权重为0.1，其他告警类型之间的边的初始权重的计算方式，与告警类型A和告警类型B之间边的初始权重的计算方式类似，此处不再赘述。
在确定出拓扑结构中每条边的初始权重后，可以根据拓扑结构和每条边的初始权重，计算每条边的目标权重。在一种可能的实现方式中，可以根据拓扑结构和每条边的初始权重，计算每个告警类型的特征向量，并获取多个根因告警反馈数据，每个根因告警反馈数据中包括有至少一个告警数据，以及根因告警数据的标识信息，根因告警数据为至少一个告警数据中的一个，然后根据每个告警类型的特征向量和根因告警反馈数据，计算每条边的目标权重。
具体地，针对拓扑结构中的每一条边，通过前述的不同方式计算出多个初始权重之后，需要将多个初始权重进行融合，以得到目标权重，从而生成根因告警决策网络。在实际应用中，可以通过网络嵌入方法，将每个告警类型在拓扑结构中的位置以及与告警类型关联的边的初始权重进行编码，得到一个低维向量，对于多个告警类型，按照这种方式可以得到多个低维向量，将得到的这些低维向量进行拼接，从而可以得到每个告警类型的特征向量。
例如：图7为确定图6中的拓扑结构对应的特征向量的示意图，如图7所示，对于按照coisne余弦的方式确定初始权重的拓扑结构，得到的告警类型A的特征向量为[1,1,2,0,……,0,1]，对于按照pearson相关系数的方式确定初始权重的拓扑结构，得到的告警类型A的特征向量为[0,1,2,0,……,0,1]，对于按照lift的方式确定初始权重的拓扑结构，得到的告警类型A的特征向量为[1,1,1,0,……,0,2]，将这些特征向量进行拼接，从而可以得到告警类型A的特征向量为[1,1,2,0,……,0,1,0,1,2,0,……,0,1,1,1,1,0,……,0,2]。对于其他告警类型的特征向量的计算方式，与告警类型A的特征向量的计算方式类似，此处不再赘述。
需要进行说明的是，通过网络嵌入方法(network embedding)确定告警类型的特征向量的方式，可实现各拓扑结构向低维向量空间转换，且能够最大限度的保持各告警类型在各拓扑结构中的结构信息，如权重信息以及连接关系信息。
另外，计算设备或计算设备集群获取由运维人员或业务专家提供的多个根因告警反馈数据，每个根因告警反馈数据中均包括有一个或多个告警数据，以及根因告警数据的标识信息，其中，根因告警数据为根因告警反馈数据中包括的告警数据中的一个。例如：根因告警反馈数据中包括告警数据1、告警数据2、告警数据3、告警数据4和告警数据5，以及告警数据3的标识信息，其中，告警数据3的标识信息表示告警数据3为根因告警数据。
在获取到多个根因告警反馈数据之后，根据确定出的每个告警类型的特征向量和根因告警反馈数据，计算每条边的目标权重。在一种可能的实现方式中，可以根据根因告警反馈数据，确定拓扑结构中的正样本和负样本，其中，正样本和负样本均为拓扑结构中的边，然后根据每个告警类型的特征向量、正样本和负样本，计算每条边的目标权重。
具体地，在确定拓扑结构中的正样本时，可以通过判断根因告警反馈数据中的根因告警数据到非根因告警数据在拓扑结构中是否存在有向路径，若根因告警数据到第一非根因告警数据在拓扑结构中存在第一有向路径，则将第一有向路径上的所有有向边确定为正样本。其中，第一非根因告警数据为根因告警反馈数据中的所有非根因告警数据中的任意一个。
可以理解的是，根因告警数据到非根因告警数据在拓扑结构中是否存在有向路径，可以为根因告警数据到非根因告警数据在拓扑结构中是否有向联通。若判断出根因告警数据到某个非根因告警数据在拓扑结构中有向联通，也即存在第一有向路径，则可以将该第一有向路径上的所有有向边确定为正样本。以图5b中的拓扑结构为例，若获取的根因告警反馈数据中包括的告警数据为告警类型A对应的告警数据、告警类型B对应的告警数据和告警类型D对应的告警数据，且根因告警数据为告警类型A对应的告警数据，非根因告警数据为告警类型B和D对应的告警数据。分别判断告警类型A到告警类型B，以及告警类型A到告警类型D之间是否存在有向路径。可以理解，在图5b的拓扑结构中，告警类型A到告警类型B之间不存在有向路径，而告警类型A到告警类型D之间存在有向路径，因此，可以将告警类型A到告警类型D之间的有向路径上的所有有向边确定为正样本，可以标记为(A->D,1)。
另外，在确定拓扑结构中的负样本时，可以通过判断根因告警反馈数据中的非根因告警数据到根因告警数据在拓扑结构中是否存在有向路径，若第二非根因告警数据到根因告警数据在拓扑结构中存在第二有向路径，则将第二有向路径上的所有有向边确定为负样本。其中，第二非根因告警数据为根因告警反馈数据中的所有非根因告警数据中的任意一个。
可以理解的是，非根因告警数据到根因告警数据在拓扑结构中是否存在有向路径，可以为非根因告警数据到根因告警数据在拓扑结构中是否有向联通。若判断出某个非根因告警数据到根因告警数据在拓扑结构中有向联通，也即存在第二有向路径，则可以将该第二有向路径上的所有有向边确定为负样本。以图5b中的拓扑结构为例，若获取的根因告警反馈数据中包括的告警数据为告警类型A对应的告警数据、告警类型B对应的告警数据和告警类型D对应的告警数据，且根因告警数据为告警类型A对应的告警数据，非根因告警数据为告警类型B和D对应的告警数据。分别判断告警类型B到告警类型A，以及告警类型D到告警类型A之间是否存在有向路径。可以理解，在图5b的拓扑结构中，告警类型B到告警类型A之间存在有向路径，而告警类型D到告警类型A之间不存在有向路径，因此，可以将告警类型B到告警类型A之间的有向路径上的所有有向边确定为负样本，可以标记为(B->A,-1)。
对于边A->D和B->A特征使用告警全局特征向量计算获得，其中，一种可能的计算方式为：如A＝[1,1,3,0,1,1…]，B＝[1,1,0,0,1,1…]，D＝[0,0,1,2,2,2…]，通过公式f(A->B)＝[(xA-xB)2]n可以计算出正样本为([1,1,4,4,1,1…]，1)，负样本为([0,0,9,0,0,0…]，-1)。
在确定出拓扑结构中的正样本、负样本之后，结合计算出的每个告警类型的特征向量，可以计算每条边的目标权重。
示例性的，可以对每个告警类型的特征向量、正样本和负样本进行训练，得到边权重生成器，然后根据边权重生成器，计算每条边的目标权重。
具体地，对每个告警类型的特征向量、正样本和负样本通过监督学习训练全局边权重生成器，然后通过训练出的边权重生成器，计算拓扑结构中每条边的权重，并将该权重作为每条边的目标权重，也即全局权重。在确定出拓扑结构中每条边的目标权重之后，即可得到根因告警决策网络。
本申请实施例提供一种根因告警决策网络构建方法，计算设备或计算设备集群通过获取预设时间段内网络中出现的多个告警数据，并确定多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型，然后根据多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构，再根据拓扑结构和各告警类型出现的频次，确定拓扑结构中每条边的目标权重，以生成根因告警决策网络。由于根据获取到的多个告警数据之间的时序关系，以告警数据对应的告警类型为节点构建拓扑结构，并根据拓扑结构和告警类型出现的频次，确定拓扑结构中的权重值，以生成构建出根因告警决策网络，从而可以提高根因告警决策网络构建的效率。另外，当网络系统中告警行为形态和告警类型数目发生变化时，可以不需要重构网络拓扑，从而有利于提高根因告警决策网络的可实施性。
图8为本申请实施例提供的根因告警决策网络构建装置实施例一的结构示意图。该根因告警决策网络构建装置可以应用于上述计算设备或计算设备集群，如图8所示，该根因告警决策网络构建装置可以包括：获取模块11、确定模块12和构建模块13，其中：
获取模块11用于获取预设时间段内网络中出现的多个告警数据；
确定模块12用于确定所述多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型；
构建模块13用于根据所述多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构；
所述确定模块12还用于根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，以生成所述根因告警决策网络。
做为一个示例，所述装置还可以包括存储模块，用于存储程序指令。
示例性的，在本申请实施例的一种可能实现方式中，所述构建模块13，具体用于：
根据所述多个告警数据之间的时序关系，确定第一告警类型和第二告警类型之间的边的方向，所述第一告警类型和所述第二告警类型为所述多个告警类型中的任意两个告警类型；
根据所述第一告警类型和所述第二告警类型之间的边的方向，以各告警类型为节点构建所述决策网络的拓扑结构。
示例性的，在本申请实施例的另一种可能实现方式中，所述确定模块12，具体用于：
判断在连续的n个时间窗口内，所述第一告警类型出现时间早于所述第二告警类型出现时间的次数是否超过预设次数，其中，n为正整数；
若超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第一告警类型指向所述第二告警类型；
若未超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第二告警类型指向所述第一告警类型。
示例性的，在本申请实施例的再一种可能实现方式中，所述确定模块12，具体用于：
分别确定每种告警类型在n个时间窗口内出现的频次；
根据每种告警类型的频次，确定所述拓扑结构中每条边的初始权重；
根据所述拓扑结构和每条边的初始权重，计算所述每条边的所述目标权重。
示例性的，在本申请实施例的再一种可能实现方式中，所述确定模块12，具体用于：
根据所述拓扑结构和每条边的初始权重，计算所述每个告警类型的特征向量；
获取多个根因告警反馈数据，每个所述根因告警反馈数据中包括有至少一个告警数据，以及根因告警数据的标识信息，所述根因告警数据为所述至少一个告警数据中的一个；
根据每个告警类型的特征向量和所述根因告警反馈数据，计算所述每条边的所述目标权重。
示例性的，在本申请实施例的再一种可能实现方式中，所述确定模块12，具体用于：
根据所述根因告警反馈数据，确定所述拓扑结构中的正样本和负样本，所述正样本和所述负样本均为所述拓扑结构中的边；
根据每个所述告警类型的特征向量、所述正样本和所述负样本，计算所述每条边的所述目标权重。
示例性的，在本申请实施例的再一种可能实现方式中，所述确定模块12，具体用于：
对每个所述告警类型的特征向量、所述正样本和所述负样本进行训练，得到边权重生成器；
根据所述边权重生成器，计算所述每条边的所述目标权重。
示例性的，在本申请实施例的再一种可能实现方式中，所述确定模块12，具体用于：
判断所述根因告警反馈数据中的根因告警数据到非根因告警数据在所述拓扑结构中是否存在有向路径；
若根因告警数据到第一非根因告警数据在所述拓扑结构中存在第一有向路径，则将所述第一有向路径上的所有有向边确定为所述正样本。
示例性的，在本申请实施例的再一种可能实现方式中，所述确定模块12，具体用于：
判断所述根因告警反馈数据中的非根因告警数据到根因告警数据在所述拓扑结构中是否存在有向路径；
若第二非根因告警数据到所述根因告警数据在所述拓扑结构中存在第二有向路径，则将所述第二有向路径上的所有有向边确定为所述负样本。
图9为本申请实施例提供的根因告警决策网络构建装置实施例二的结构示意图。如图9所示，在图8所示实施例的基础上，该根因告警决策网络构建装置还可以包括：调整模块14，其中：
调整模块14，用于根据预设规则，对所述拓扑结构进行调整，得到调整后的拓扑结构；
所述确定模块12，具体用于：
根据所述拓扑结构和各告警类型出现的频次，确定所述调整后的拓扑结构中每条边的目标权重。
示例性的，在本申请实施例的再一种可能实现方式中，所述确定模块12，具体用于：
通过统计学方法，计算与所述每条边相关联的告警类型的频次分布的相似性值，并将所述相似性值确定为所述边的初始权重。
示例性的，在本申请实施例的再一种可能实现方式中，所述确定模块12，具体用于：
通过网络嵌入方法，将所述每个告警类型在所述拓扑结构中的位置以及与所述告警类型关联的边的初始权重进行编码，得到每个所述告警类型的特征向量。
本实施例的根因告警决策网络构建装置可用于执行图4所示方法实施例中的实现方案，具体实现方式和技术效果类似，这里不再赘述。
需要特别说明的是，图8所示实施例中获取模块、确定模块和构建模块对应的实体设备为处理器，存储模块对应的实体设备为存储器。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，确定模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
示例性的，本申请实施例还提供一种计算机可读存储介质，该存储介质中存储有计算机软件指令，当计算机软件指令在根因告警决策网络构建装置或内置在根因告警决策网络构建装置的芯片中运行时，使得根因告警决策网络构建装置执行如上述图4所示实施例中的方法。
示例性的，本申请实施例还提供一种运行指令的芯片，所述芯片用于执行上述图4所示实施例中的方法。
可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。
可以理解的是，在本申请的实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请的实施例的实施过程构成任何限定。
在本申请实施例中，处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
在本申请实施例中，存储器可以是非易失性存储器，比如硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)等，还可以是易失性存储器(volatilememory)，例如随机存取存储器(random-access memory，RAM)。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本申请实施例提供的方法中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、终端或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，数字视频光盘(digital video disc，DVD))、或者半导体介质(例如，SSD)等。

Claims (25)

1.一种根因告警决策网络构建方法，其特征在于，包括：
获取预设时间段内网络中出现的多个告警数据；
确定所述多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型；
根据所述多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构；
根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，以生成所述根因告警决策网络。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构，包括：
根据所述多个告警数据之间的时序关系，确定第一告警类型和第二告警类型之间的边的方向，所述第一告警类型和所述第二告警类型为所述多个告警类型中的任意两个告警类型；
根据所述第一告警类型和所述第二告警类型之间的边的方向，以各告警类型为节点构建所述决策网络的拓扑结构。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个告警数据之间的时序关系，确定第一告警类型和第二告警类型之间的边的方向，包括：
判断在连续的n个时间窗口内，所述第一告警类型出现时间早于所述第二告警类型出现时间的次数是否超过预设次数，其中，n为正整数；
若超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第一告警类型指向所述第二告警类型；
若未超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第二告警类型指向所述第一告警类型。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，包括：
分别确定每种告警类型在n个时间窗口内出现的频次；
根据每种告警类型的频次，确定所述拓扑结构中每条边的初始权重；
根据所述拓扑结构和每条边的初始权重，计算所述每条边的所述目标权重。
5.根据权利要求4所述的方法，其特征在于，所述根据所述拓扑结构和每条边的初始权重，计算所述每条边的所述目标权重，包括：
根据所述拓扑结构和每条边的初始权重，计算所述每个告警类型的特征向量；
获取多个根因告警反馈数据，每个所述根因告警反馈数据中包括有至少一个告警数据，以及根因告警数据的标识信息，所述根因告警数据为所述至少一个告警数据中的一个；
根据每个告警类型的特征向量和所述根因告警反馈数据，计算所述每条边的所述目标权重。
6.根据权利要求5所述的方法，其特征在于，所述根据每个告警类型的特征向量和所述根因告警反馈数据，计算所述每条边的所述目标权重，包括：
根据所述根因告警反馈数据，确定所述拓扑结构中的正样本和负样本，所述正样本和所述负样本均为所述拓扑结构中的边；
根据每个所述告警类型的特征向量、所述正样本和所述负样本，计算所述每条边的所述目标权重。
7.根据权利要求6所述的方法，其特征在于，所述根据每个所述告警类型的特征向量、所述正样本和所述负样本，计算所述每条边的所述目标权重，包括：
对每个所述告警类型的特征向量、所述正样本和所述负样本进行训练，得到边权重生成器；
根据所述边权重生成器，计算所述每条边的所述目标权重。
8.根据权利要求6或7所述的方法，其特征在于，根据所述根因告警反馈数据，确定所述拓扑结构中的正样本，包括：
判断所述根因告警反馈数据中的根因告警数据到非根因告警数据在所述拓扑结构中是否存在有向路径；
若根因告警数据到第一非根因告警数据在所述拓扑结构中存在第一有向路径，则将所述第一有向路径上的所有有向边确定为所述正样本。
9.根据权利要求6-8任一项所述的方法，其特征在于，根据所述根因告警反馈数据，确定所述拓扑结构中的负样本，包括：
判断所述根因告警反馈数据中的非根因告警数据到根因告警数据在所述拓扑结构中是否存在有向路径；
若第二非根因告警数据到所述根因告警数据在所述拓扑结构中存在第二有向路径，则将所述第二有向路径上的所有有向边确定为所述负样本。
10.根据权利要求1-9任一项所述的方法，其特征在于，所述根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重之前，所述方法还包括：
根据预设规则，对所述拓扑结构进行调整，得到调整后的拓扑结构；
所述根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，包括：
根据所述拓扑结构和各告警类型出现的频次，确定所述调整后的拓扑结构中每条边的目标权重。
11.根据权利要求4-9任一项所述的方法，其特征在于，所述根据每种告警类型的频次，确定所述拓扑结构中每条边的初始权重，包括：
通过统计学方法，计算与所述每条边相关联的告警类型的频次分布的相似性值，并将所述相似性值确定为所述边的初始权重。
12.根据权利要求5-9任一项所述的方法，其特征在于，所述根据所述拓扑结构和每条边的初始权重，计算所述每个告警类型的特征向量，包括：
通过网络嵌入方法，将所述每个告警类型在所述拓扑结构中的位置以及与所述告警类型关联的边的初始权重进行编码，得到每个所述告警类型的特征向量。
13.一种根因告警决策网络构建装置，其特征在于，包括：
获取模块，用于获取预设时间段内网络中出现的多个告警数据；
确定模块，用于确定所述多个告警数据中每个告警数据所对应的告警类型，得到多个告警类型；
构建模块，用于根据所述多个告警数据之间的时序关系，以多个告警类型中的每个告警类型为节点构建决策网络的拓扑结构；
所述确定模块，还用于根据所述拓扑结构和各告警类型出现的频次，确定所述拓扑结构中每条边的目标权重，以生成所述根因告警决策网络。
14.根据权利要求13所述的装置，其特征在于，所述构建模块，具体用于：
根据所述多个告警数据之间的时序关系，确定第一告警类型和第二告警类型之间的边的方向，所述第一告警类型和所述第二告警类型为所述多个告警类型中的任意两个告警类型；
根据所述第一告警类型和所述第二告警类型之间的边的方向，以各告警类型为节点构建所述决策网络的拓扑结构。
15.根据权利要求14所述的装置，其特征在于，所述确定模块，具体用于：
判断在连续的n个时间窗口内，所述第一告警类型出现时间早于所述第二告警类型出现时间的次数是否超过预设次数，其中，n为正整数；
若超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第一告警类型指向所述第二告警类型；
若未超过预设次数，则确定所述第一告警类型和所述第二告警类型之间的边的方向为所述第二告警类型指向所述第一告警类型。
16.根据权利要求13-15任一项所述的装置，其特征在于，所述确定模块，具体用于：
分别确定每种告警类型在n个时间窗口内出现的频次；
根据每种告警类型的频次，确定所述拓扑结构中每条边的初始权重；
根据所述拓扑结构和每条边的初始权重，计算所述每条边的所述目标权重。
17.根据权利要求16所述的装置，其特征在于，所述确定模块，具体用于：
根据所述拓扑结构和每条边的初始权重，计算所述每个告警类型的特征向量；
获取多个根因告警反馈数据，每个所述根因告警反馈数据中包括有至少一个告警数据，以及根因告警数据的标识信息，所述根因告警数据为所述至少一个告警数据中的一个；
根据每个告警类型的特征向量和所述根因告警反馈数据，计算所述每条边的所述目标权重。
18.根据权利要求17所述的装置，其特征在于，所述确定模块，具体用于：
根据所述根因告警反馈数据，确定所述拓扑结构中的正样本和负样本，所述正样本和所述负样本均为所述拓扑结构中的边；
根据每个所述告警类型的特征向量、所述正样本和所述负样本，计算所述每条边的所述目标权重。
19.根据权利要求18所述的装置，其特征在于，所述确定模块，具体用于：
对每个所述告警类型的特征向量、所述正样本和所述负样本进行训练，得到边权重生成器；
根据所述边权重生成器，计算所述每条边的所述目标权重。
20.根据权利要求18或19所述的装置，其特征在于，所述确定模块，具体用于：
判断所述根因告警反馈数据中的根因告警数据到非根因告警数据在所述拓扑结构中是否存在有向路径；
若根因告警数据到第一非根因告警数据在所述拓扑结构中存在第一有向路径，则将所述第一有向路径上的所有有向边确定为所述正样本。
21.根据权利要求18-20任一项所述的装置，其特征在于，所述确定模块，具体用于：
判断所述根因告警反馈数据中的非根因告警数据到根因告警数据在所述拓扑结构中是否存在有向路径；
若第二非根因告警数据到所述根因告警数据在所述拓扑结构中存在第二有向路径，则将所述第二有向路径上的所有有向边确定为所述负样本。
22.根据权利要求13-21任一项所述的装置，其特征在于，所述装置还包括：
调整模块，用于根据预设规则，对所述拓扑结构进行调整，得到调整后的拓扑结构；
所述确定模块，具体用于：
根据所述拓扑结构和各告警类型出现的频次，确定所述调整后的拓扑结构中每条边的目标权重。
23.根据权利要求15-20任一项所述的装置，其特征在于，所述确定模块，具体用于：
通过统计学方法，计算与所述每条边相关联的告警类型的频次分布的相似性值，并将所述相似性值确定为所述边的初始权重。
24.根据权利要求17-21任一项所述的装置，其特征在于，所述确定模块，具体用于：
通过网络嵌入方法，将所述每个告警类型在所述拓扑结构中的位置以及与所述告警类型关联的边的初始权重进行编码，得到每个所述告警类型的特征向量。
25.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得根因告警决策网络构建装置执行权利要求1-12任一项所述的方法。
CN201910451935.4A 2019-05-28 2019-05-28 根因告警决策网络构建方法、装置和存储介质 Active CN110351118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910451935.4A CN110351118B (zh) 2019-05-28 2019-05-28 根因告警决策网络构建方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910451935.4A CN110351118B (zh) 2019-05-28 2019-05-28 根因告警决策网络构建方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN110351118A true CN110351118A (zh) 2019-10-18
CN110351118B CN110351118B (zh) 2020-12-01

Family

ID=68174072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910451935.4A Active CN110351118B (zh) 2019-05-28 2019-05-28 根因告警决策网络构建方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN110351118B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855480A (zh) * 2019-11-01 2020-02-28 中盈优创资讯科技有限公司 一种网络故障定因分析方法及装置
CN110995482A (zh) * 2019-11-27 2020-04-10 深圳市商汤科技有限公司 告警分析方法、装置、计算机设备及计算机可读存储介质
CN111106956A (zh) * 2019-12-18 2020-05-05 成都西加云杉科技有限公司 物联网的传感器信息添加方法、装置、设备及存储介质
CN111555921A (zh) * 2020-04-29 2020-08-18 平安科技（深圳）有限公司 告警根因的定位方法、装置、计算机设备和存储介质
CN111756587A (zh) * 2020-07-29 2020-10-09 南昌航空大学 一种采用GraphSAGE预测时序网络链路的方法
CN111970157A (zh) * 2020-08-27 2020-11-20 广州华多网络科技有限公司 网络故障根因检测方法、装置、计算机设备及存储介质
CN112087334A (zh) * 2020-09-09 2020-12-15 中移（杭州）信息技术有限公司 告警根因分析方法、电子设备和存储介质
CN112104495A (zh) * 2020-09-09 2020-12-18 四川信息职业技术学院 一种基于网络拓扑的系统故障根因定位算法
CN112612685A (zh) * 2020-12-24 2021-04-06 威创集团股份有限公司 一种处理器告警消息处理方法、装置、终端及存储介质
CN112953738A (zh) * 2019-11-26 2021-06-11 中国移动通信集团山东有限公司 根因告警的定位系统、方法、装置、计算机设备
CN113285840A (zh) * 2021-06-11 2021-08-20 云宏信息科技股份有限公司 存储网络故障根因分析方法及计算机可读存储介质
CN113780597A (zh) * 2021-09-16 2021-12-10 睿云奇智(重庆)科技有限公司 影响传播关系模型构建和告警影响评估方法、计算机设备、存储介质
CN113822431A (zh) * 2021-03-19 2021-12-21 京东科技控股股份有限公司 贝叶斯网络的结构学习方法、装置及电子设备
CN113923099A (zh) * 2021-09-03 2022-01-11 华为技术有限公司 一种通信网络故障的根因定位方法及相关设备
WO2022007108A1 (zh) * 2020-07-07 2022-01-13 南京邮电大学 一种基于深度学习的网络告警定位方法
CN114500227A (zh) * 2020-11-13 2022-05-13 中国移动通信集团安徽有限公司 一种告警分析方法、装置、设备及计算机存储介质
CN114978878A (zh) * 2022-05-12 2022-08-30 亚信科技（中国）有限公司 定位方法、装置、电子设备及计算机可读存储介质
CN115174251A (zh) * 2022-07-19 2022-10-11 深信服科技股份有限公司 一种安全告警的误报识别方法、装置以及存储介质
CN117636253A (zh) * 2023-11-30 2024-03-01 江苏圣创半导体科技有限公司 一种智能灯故障识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101577636A (zh) * 2009-06-05 2009-11-11 中兴通讯股份有限公司 告警的相关性矩阵确定、告警相关性分析方法与装置
CN102938708A (zh) * 2012-11-05 2013-02-20 国网电力科学研究院 基于告警传播模式的告警相关性分析系统及其分析方法
EP3026518A1 (en) * 2014-11-25 2016-06-01 ABB Technology AG Method for Root analysis of an alarm flood sequence
CN108322318A (zh) * 2017-01-16 2018-07-24 华为技术有限公司 告警分析方法及设备
CN108923993A (zh) * 2018-09-06 2018-11-30 北京天元创新科技有限公司 网络告警关联方法及装置
CN109450677A (zh) * 2018-10-29 2019-03-08 中国联合网络通信集团有限公司 一种根源故障的定位方法和装置
CN109510718A (zh) * 2017-09-15 2019-03-22 华为技术有限公司 告警信息的处理方法及装置
CN109684181A (zh) * 2018-11-20 2019-04-26 华为技术有限公司 告警根因分析方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101577636A (zh) * 2009-06-05 2009-11-11 中兴通讯股份有限公司 告警的相关性矩阵确定、告警相关性分析方法与装置
CN102938708A (zh) * 2012-11-05 2013-02-20 国网电力科学研究院 基于告警传播模式的告警相关性分析系统及其分析方法
EP3026518A1 (en) * 2014-11-25 2016-06-01 ABB Technology AG Method for Root analysis of an alarm flood sequence
CN108322318A (zh) * 2017-01-16 2018-07-24 华为技术有限公司 告警分析方法及设备
CN109510718A (zh) * 2017-09-15 2019-03-22 华为技术有限公司 告警信息的处理方法及装置
CN108923993A (zh) * 2018-09-06 2018-11-30 北京天元创新科技有限公司 网络告警关联方法及装置
CN109450677A (zh) * 2018-10-29 2019-03-08 中国联合网络通信集团有限公司 一种根源故障的定位方法和装置
CN109684181A (zh) * 2018-11-20 2019-04-26 华为技术有限公司 告警根因分析方法、装置、设备及存储介质

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855480A (zh) * 2019-11-01 2020-02-28 中盈优创资讯科技有限公司 一种网络故障定因分析方法及装置
CN112953738A (zh) * 2019-11-26 2021-06-11 中国移动通信集团山东有限公司 根因告警的定位系统、方法、装置、计算机设备
CN110995482A (zh) * 2019-11-27 2020-04-10 深圳市商汤科技有限公司 告警分析方法、装置、计算机设备及计算机可读存储介质
CN111106956A (zh) * 2019-12-18 2020-05-05 成都西加云杉科技有限公司 物联网的传感器信息添加方法、装置、设备及存储介质
CN111555921A (zh) * 2020-04-29 2020-08-18 平安科技（深圳）有限公司 告警根因的定位方法、装置、计算机设备和存储介质
CN111555921B (zh) * 2020-04-29 2023-04-07 平安科技（深圳）有限公司 告警根因的定位方法、装置、计算机设备和存储介质
WO2022007108A1 (zh) * 2020-07-07 2022-01-13 南京邮电大学 一种基于深度学习的网络告警定位方法
CN111756587A (zh) * 2020-07-29 2020-10-09 南昌航空大学 一种采用GraphSAGE预测时序网络链路的方法
CN111756587B (zh) * 2020-07-29 2021-06-15 南昌航空大学 一种采用GraphSAGE预测时序网络链路的方法
CN111970157B (zh) * 2020-08-27 2023-04-18 广州华多网络科技有限公司 网络故障根因检测方法、装置、计算机设备及存储介质
CN111970157A (zh) * 2020-08-27 2020-11-20 广州华多网络科技有限公司 网络故障根因检测方法、装置、计算机设备及存储介质
CN112104495A (zh) * 2020-09-09 2020-12-18 四川信息职业技术学院 一种基于网络拓扑的系统故障根因定位算法
CN112087334A (zh) * 2020-09-09 2020-12-15 中移（杭州）信息技术有限公司 告警根因分析方法、电子设备和存储介质
CN112104495B (zh) * 2020-09-09 2022-07-05 四川信息职业技术学院 一种基于网络拓扑的系统故障根因定位方法
CN114500227B (zh) * 2020-11-13 2023-11-21 中国移动通信集团安徽有限公司 一种告警分析方法、装置、设备及计算机存储介质
CN114500227A (zh) * 2020-11-13 2022-05-13 中国移动通信集团安徽有限公司 一种告警分析方法、装置、设备及计算机存储介质
CN112612685A (zh) * 2020-12-24 2021-04-06 威创集团股份有限公司 一种处理器告警消息处理方法、装置、终端及存储介质
CN113822431A (zh) * 2021-03-19 2021-12-21 京东科技控股股份有限公司 贝叶斯网络的结构学习方法、装置及电子设备
CN113822431B (zh) * 2021-03-19 2024-04-16 京东科技控股股份有限公司 贝叶斯网络的结构学习方法、装置及电子设备
CN113285840B (zh) * 2021-06-11 2021-09-17 云宏信息科技股份有限公司 存储网络故障根因分析方法及计算机可读存储介质
CN113285840A (zh) * 2021-06-11 2021-08-20 云宏信息科技股份有限公司 存储网络故障根因分析方法及计算机可读存储介质
CN113923099A (zh) * 2021-09-03 2022-01-11 华为技术有限公司 一种通信网络故障的根因定位方法及相关设备
CN113923099B (zh) * 2021-09-03 2022-12-27 华为技术有限公司 一种通信网络故障的根因定位方法及相关设备
CN113780597A (zh) * 2021-09-16 2021-12-10 睿云奇智(重庆)科技有限公司 影响传播关系模型构建和告警影响评估方法、计算机设备、存储介质
CN114978878A (zh) * 2022-05-12 2022-08-30 亚信科技（中国）有限公司 定位方法、装置、电子设备及计算机可读存储介质
CN114978878B (zh) * 2022-05-12 2024-03-08 亚信科技（中国）有限公司 定位方法、装置、电子设备及计算机可读存储介质
CN115174251A (zh) * 2022-07-19 2022-10-11 深信服科技股份有限公司 一种安全告警的误报识别方法、装置以及存储介质
CN115174251B (zh) * 2022-07-19 2023-09-05 深信服科技股份有限公司 一种安全告警的误报识别方法、装置以及存储介质
CN117636253A (zh) * 2023-11-30 2024-03-01 江苏圣创半导体科技有限公司 一种智能灯故障识别方法及系统

Also Published As

Publication number Publication date
CN110351118B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN110351118A (zh) 根因告警决策网络构建方法、装置和存储介质
CN109684181A (zh) 告警根因分析方法、装置、设备及存储介质
US10505814B2 (en) Centralized resource usage visualization service for large-scale network topologies
Liang et al. Intrusion detection system for Internet of Things based on a machine learning approach
Sahneh et al. Generalized epidemic mean-field model for spreading processes over multilayer complex networks
EP4203349A1 (en) Training method for detection model, system, device, and storage medium
Grindrod et al. Evolving graphs: dynamical models, inverse problems and propagation
Ji et al. An algorithmic framework for estimating rumor sources with different start times
US11281518B2 (en) Method and system for fault localization in a cloud environment
Tertytchny et al. Classifying network abnormalities into faults and attacks in IoT-based cyber physical systems using machine learning
CN108989136A (zh) 业务端到端性能监控方法及装置
de Souza et al. Intrusion detection and prevention in fog based IoT environments: A systematic literature review
Liu et al. Keep your data locally: Federated-learning-based data privacy preservation in edge computing
Tanwar et al. Fog data analytics for Iot applications
CN109313841A (zh) 用于在传感器网络中实现自适应聚类的方法和系统
Yousefi et al. Applications of big data analytics and machine learning in the internet of things
US20230132116A1 (en) Prediction of impact to data center based on individual device issue
Qi et al. A blockchain-driven IIoT traffic classification service for edge computing
Leus et al. Topological volterra filters
Mitropoulou et al. Anomaly Detection in Cloud Computing using Knowledge Graph Embedding and Machine Learning Mechanisms
Gawali et al. Anomaly detection system in 5G networks via deep learning model
US20230132213A1 (en) Managing bias in federated learning
Abed et al. Efficient failure prediction in autonomic networks based on trend and frequency analysis of anomalous patterns
Kilinçer et al. Automatic fault detection with Bayes method in university campus network
Karuppiah et al. UIoTN‐PMSE: Ubiquitous IoT network‐based predictive modeling in smart environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant