CN111010306A - 动态网络告警分析方法、装置、计算机设备及存储介质 - Google Patents

动态网络告警分析方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111010306A
CN111010306A CN202010159923.7A CN202010159923A CN111010306A CN 111010306 A CN111010306 A CN 111010306A CN 202010159923 A CN202010159923 A CN 202010159923A CN 111010306 A CN111010306 A CN 111010306A
Authority
CN
China
Prior art keywords
fault
fault alarm
alarm information
network
information
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
CN202010159923.7A
Other languages
English (en)
Other versions
CN111010306B (zh
Inventor
王剑
杜军
王景璟
任勇
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010159923.7A priority Critical patent/CN111010306B/zh
Publication of CN111010306A publication Critical patent/CN111010306A/zh
Application granted granted Critical
Publication of CN111010306B publication Critical patent/CN111010306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L41/0631—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
    • H04L41/0636—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 based on a decision tree 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
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0677—Localisation of faults
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供动态网络告警分析方法、装置、计算机设备及存储介质，该方法包括：对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量，将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息，对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量，对所述第二故障报警特征向量进行运算处理，并将运算处理后的结果输入所述目标梯度提升树中，获取所述故障所在的目标位置信息；以上方法实现了动态异构网络告警分析，以快速准确查找动态异构网络中的具体故障发生位置信息，从而提高了告警分析方法对于不同网络的适用性。

Description

动态网络告警分析方法、装置、计算机设备及存储介质
本申请涉及网络技术领域，特别是涉及一种动态网络告警分析方法、装置、计算机设备及存储介质。
背景技术
随着网络服务的日趋完善，经济与社会对于网络的依赖性不断加强，从而导致网络故障的破坏性不断加剧。因此，如何在复杂的网络环境下快速高效地完成故障诊断，是目前一项极为艰巨和重要的任务。
传统技术中，根据网络设备产生的原始告警，采用告警关联分析方法分析出各告警背后的逻辑关系，还原出故障位置，以确定当前网络出现的故障。但是，传统的告警分析方法仅适用于拓扑不变、同介质的固定网络，导致采用传统的告警分析方法对于网络的适用性降低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高传统的告警分析方法对于网络适用性的动态网络告警分析方法、装置、计算机设备及存储介质。
本申请实施例提供一种动态网络告警分析方法，所述方法包括：
对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在的初始位置信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息；
根据所述初始位置信息，获取所述第一故障报警信息中出现故障的子网产生的所述故障报警信息，并将所述故障报警信息作为第二故障报警信息；
对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
在其中一个实施例，所述网络包括多个子网；
所述对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量，包括：
获取每个子网产生的故障报警信息在所述第一故障报警信息中的占比信息，并对所述占比信息进行运算处理后的结果作为所述第一故障报警特征向量。
在其中一个实施例，所述占比信息包括第一占比和第二占比；所述获取每个子网产生的故障报警信息在所述第一故障报警信息中的占比信息，并对所述占比信息进行运算处理后的结果作为所述第一故障报警特征向量，包括：
获取每个子网产生的第三故障报警信息在所述第一故障报警信息中的所述第一占比；其中，所述第三故障报警信息表征所述第一故障报警信息中，出现故障的每个子网产生的所述故障报警信息；
获取每个子网产生的每类第四故障报警信息在所述第一故障报警信息中的所述第二占比；其中，所述第四故障报警信息表征所述第三故障报警信息中的同一类故障报警信息；
将所述第一占比及第二占比进行运算处理，得到所述第一故障报警特征向量；
其中，所述第一占比表征从所有故障报警信息对应的网络中，每个子网产生的所述第三故障报警信息的数量分别所占所述第一故障报警信息的总数量的比例，所述第二占比表征从所有故障报警信息对应的网络中，每个子网产生的每一类故障报警信息的数量分别所占所述第一故障报警信息的总数量的比例。
在其中一个实施例，所述将所述第一占比及第二占比进行运算处理，得到所述第一故障报警特征向量，包括：
对所述第一占比与所述第二占比分别进行转置运算，对所述转置运算结果进行融合，并对融合结果进行转置运算得到所述第一故障报警特征向量。
在其中一个实施例，所述网络包括主干网和子网；所述方法还包括：
对主干网初始梯度提升树进行训练，得到主干网目标梯度提升树；
对子网初始梯度提升树进行训练，得到子网目标梯度提升树。
在其中一个实施例，所述将所述第一故障报警特征向量输入所述目标梯度提升树中，获取故障所在的初始位置信息，包括：
将所述第一故障报警特征向量输入所述主干网目标梯度提升树中，获取所述故障所在的所述初始位置信息；其中，所述初始位置信息包括所述故障所在的子网信息。
在其中一个实施例，所述根据所述初始位置信息，获取所述第一故障报警信息中出现故障的子网产生的所述故障报警信息，并将所述故障报警信息作为所述第二故障报警信息，包括：
根据所述故障所在的所述子网信息，从所述第一故障报警信息中获取所述故障所在子网产生的所述第二故障报警信息。
在其中一个实施例，所述将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息，包括：
对所述第二故障报警特征向量与网络拓扑特征向量分别进行转置运算，对转置运算结果进行融合得到融合向量，并对所述融合向量进行转置运算得到目标特征向量；
将所述目标特征向量输入所述目标梯度提升树中，获取所述故障所在的所述目标位置信息。
本申请实施例提供一种动态网络告警分析方法，所述方法包括：
对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息，所述第二故障报警信息表征所述第一故障报警信息中，出现故障的子网产生的所述故障报警信息；
对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
本申请实施例提供一种动态网络告警分析装置，所述动态网络告警分析装置包括：
第一向量提取模块，用于对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
报警信息获取模块，用于将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息，所述第二故障报警信息表征所述第一故障报警信息中，出现故障的子网产生的所述故障报警信息；
第二向量提取模块，用于对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
目标位置获取模块，用于将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
本申请实施例提供一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息，所述第二故障报警信息表征所述第一故障报警信息中，出现故障的子网产生的所述故障报警信息；
对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息，所述第二故障报警信息表征所述第一故障报警信息中，出现故障的子网产生的所述故障报警信息；
对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
本实施例提供的动态网络告警分析方法，该方法可以对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量，将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息，对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量，将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息；以上方法实现了动态异构网络告警分析，以快速准确查找动态异构网络中的具体故障发生位置信息，从而提高了告警分析方法对于不同网络的适用性。
附图说明
图1为一实施例提供的动态网络告警分析系统的结构示意图；
图2为一实施例提供的动态网络告警分析方法的流程示意图；
图3为另一实施例提供的主干网的拓扑结构的示意图；
图4为一实施例提供的子网的拓扑结构的结构示意图；
图5为一实施例提供的动态网络告警分析装置的结构示意图；
图6为一个实施例提供的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供的动态网络告警分析方法，可适用于如图1所示的动态网络告警分析系统中，动态网络告警分析系统可以包括网管系统以及后台服务器。可选的，网管系统可以为计算机设备，网管系统可以将检测到的故障报警信息发送给后台服务器，后台服务器对故障报警信息进行一系列处理，以确定故障所在的具体位置。其中，网管系统和后台服务器可以通过无线连接进行通信，还可以通过有线连接进行通信。可选的，无线连接的方式可以是Wi-Fi，移动网络或蓝牙连接。在本实施例中，后台服务器可以对主干网信息和子网信息分别进行检测，以确定故障所在的具体位置。下述方法实施例的执行主体以动态网络告警分析装置为例来进行说明。
为了使本申请的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本申请实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定发明。
图2为一实施例提供的动态网络告警分析方法的流程示意图。本实施例涉及的是如何分析故障所在的目标位置的过程。如图2所示，该方法包括：
步骤S101、对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量。
具体的，当网络发生故障时，网络系统可以将第一故障报警信息发送给后台服务器；第一故障报警信息可以表征所有故障所在网络产生的故障报警信息的集合。可选的，网络可以包括主干网和子网，其中，将网络中不变的主体部分可以称为主干网，将网络拓扑时变的部分可以称为子网。可选的，网络中主干网的拓扑结构可以如图3所示（图3仅是示出了包含三个子网的网络拓扑结构，即子网A、子网B和子网C），建模为静态的；网络中子网的拓扑结构可以如图4所示，建模为动态的，动态体现在两两子网之间的连线所代表的链路可能存在，也可能不存在（图4中仅示出了链路1、2、...、8）。
需要说明的是，第一故障报警信息可以通过集合Y（
Figure 35288DEST_PATH_IMAGE001
）表示，其中，
Figure 250500DEST_PATH_IMAGE002
表示 来自网络中子网i的第j条报错信息。可选的，上述特征向量提取可以表征为对信息进行分 析，按照不同类信息得到特征向量的过程。在本实施例中，上述第一故障报警特征向量可以 用表示f（Y）。
步骤S102、将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息。
具体的，后台服务器可以将第一故障报警特征向量输入目标梯度提升树中，获取故障所在的所有子网产生的第二故障报警信息。可选的，目标梯度提升树为一种迭代的决策树算法，泛化能力较强；该算法可以包括拟合负梯度和决策回归树组合而成，该算法由多颗决策树组成，多颗决策树的结果加起来作为目标结果。可选的，目标梯度提升树可以包括主干网对应的主干网目标梯度提升树和子网对应的子网目标梯度提升树。可选的，目标梯度提升树可以对输入的故障报警特征向量进行分析，输出的分析结果表示网络故障所在的位置信息，即表示网络中哪个子网出现故障。可选的，第二故障报警信息可以表征第一故障报警信息中来自出现故障的所有子网产生的所有故障报警信息。
步骤S103、对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量。
具体的，步骤S103中的特征向量提取过程与步骤S101中的特征向量提取过程类似，对此本实施例不再赘述。
步骤S104、将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
进一步地，后台服务器可以将第二故障报警特征向量输入目标梯度提升树中，获取故障所在的目标位置信息。可选的，目标位置信息可以表征发生故障的具体子网的具体位置。
本实施例提供的动态网络告警分析方法，该方法可以对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量，将第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息，对第二故障报警信息进行特征向量提取，得到第二故障报警特征向量，将第二故障报警特征向量输入目标梯度提升树中，获取故障所在的目标位置信息；该方法可以实现动态异构网络告警分析，以快速准确查找动态异构网络中的具体故障发生位置信息，从而提高了告警分析方法对于不同网络的适用性。
作为其中一个实施例，所述网络包括多个子网；上述步骤S101中对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量的过程，具体可以包括：
步骤S1011、获取每个子网产生的故障报警信息在所述第一故障报警信息中的占比信息，并对所述占比信息进行运算处理后的结果作为所述第一故障报警特征向量。
具体的，第一故障报警信息可以包括主干网产生的故障报警信息和子网产生的故障报警信息。
可选的，所述占比包括第一占比和第二占比；上述步骤S1011中获取每个子网产生的故障报警信息在所述第一故障报警信息中的占比信息，并将所述占比信息进行运算处理后的结果作为所述第一故障报警特征向量的过程，具体可以包括以下步骤：
步骤S1111、获取每个子网产生的第三故障报警信息在所述第一故障报警信息中的所述第一占比；其中，所述第三故障报警信息表征所述第一故障报警信息中出现故障的每个子网产生的所述故障报警信息。
需要说明的是，不同网络上报的故障报警信息分别用
Figure 716117DEST_PATH_IMAGE003
、
Figure 443901DEST_PATH_IMAGE004
、...，每个网络可 以包括K个子网，则后台服务器可以获取从故障报警信息
Figure 729389DEST_PATH_IMAGE005
对应的网络中的每个子网产生 的第三故障报警信息分别所占第一故障报警信息的比例（即第一占比），其中，每个子网对 应的第一占比分别表示为
Figure 263139DEST_PATH_IMAGE006
、
Figure 65485DEST_PATH_IMAGE007
、...、
Figure 229750DEST_PATH_IMAGE008
；可以获取从故障报警信息
Figure 268113DEST_PATH_IMAGE009
对应的网络 中的每个子网产生的第三故障报警信息分别所占第一故障报警信息的比例（即第一占比）， 其中，每个子网对应的第一占比分别表示为
Figure 74395DEST_PATH_IMAGE010
、
Figure 452287DEST_PATH_IMAGE011
、...、
Figure 318612DEST_PATH_IMAGE012
、...、
Figure 595003DEST_PATH_IMAGE013
；依次类推，得 到每个网络中的每个子网产生的第三故障报警信息分别所占第一故障报警信息的比例。
步骤S1211、获取每个子网产生的每类第四故障报警信息在所述第一故障报警信息中的所述第二占比。其中，所述第四故障报警信息表征所述第三故障报警信息中的同一类故障报警信息。
进一步地，若网络可以产生M（M大于等于1）类报警信息，则后台服务器可以获取从 故障报警信息
Figure 408239DEST_PATH_IMAGE014
对应的网络中的子网1产生的M类故障报警信息分别所占第一故障报警信 息的比例（即第二占比），其中，子网1对应的第二占比分别表示为
Figure 702954DEST_PATH_IMAGE015
、
Figure 209021DEST_PATH_IMAGE016
、...、
Figure 690818DEST_PATH_IMAGE017
、...、
Figure 370061DEST_PATH_IMAGE018
；后台服务器可以获取从故障报警信息
Figure 535595DEST_PATH_IMAGE019
对应的网络中的子网2产生的M类故 障报警信息分别所占第一故障报警信息的比例（即第二占比），其中，子网2对应的第二占比 分别表示为
Figure 212564DEST_PATH_IMAGE020
、
Figure 181657DEST_PATH_IMAGE021
、...、
Figure 399011DEST_PATH_IMAGE022
、...、
Figure 606002DEST_PATH_IMAGE023
；依次类推，得到故障报警信息
Figure 266921DEST_PATH_IMAGE019
对应的 网络中的每个子网产生的每类第四故障报警信息分别所占第一故障报警信息的比例；同 时，后台服务器还可以获取不同故障报警信息对应的不同网络中的不同子网产生的M类故 障报警信息分别所占第一故障报警信息的比例。可选的，第三故障报警信息可以包括M种类 别的故障报警信息，第四故障报警信息可以表征第三故障报警信息中某一类故障报警信 息。
步骤S1311、将所述第一占比及第二占比进行运算处理，得到所述第一故障报警特征向量。
可选的，上述步骤S1311中将所述第一占比及第二占比进行运算处理，得到所述第一故障报警特征向量的过程，具体可以包括：对所述第一占比与所述第二占比分别进行转置运算，对所述转置运算结果进行融合，并对融合结果进行转置运算得到所述第一故障报警特征向量。
具体的，后台服务器可以对第一占比与第二占比分别进行转置运算，得到转置运 算结果，然后对转置运算结果进行融合，最后对融合结果进行转置运算得到第一故障报警 特征向量。可选的，后台服务器得到的故障报警信息
Figure 926573DEST_PATH_IMAGE019
对应的第一故障报警特征向量
Figure 947618DEST_PATH_IMAGE024
可以表示为
Figure 743536DEST_PATH_IMAGE025
。
同理，后台服务器可以得到的其它故障报警信息对应的每个网络对应的第一故障 报警特征向量
Figure 824625DEST_PATH_IMAGE026
、
Figure 971572DEST_PATH_IMAGE027
、...。其中，
Figure 796309DEST_PATH_IMAGE028
可以表示为
Figure 712312DEST_PATH_IMAGE029
，
Figure 180946DEST_PATH_IMAGE027
的 表达式与
Figure 877507DEST_PATH_IMAGE030
、
Figure 178038DEST_PATH_IMAGE031
的表达式均类似，对此不再表示。
进一步地，后台服务器可以对第二故障报警信息进行特征向量提取，得到第二故 障报警特征向量。可选的，若不同子网上报的第二故障报警信息分别可以表示为
Figure 276444DEST_PATH_IMAGE032
，
Figure 371439DEST_PATH_IMAGE033
可以等于
Figure 555296DEST_PATH_IMAGE034
，其中，S表示由出现故障的子网B产生的所有故障报 警信息的总数量，
Figure 659518DEST_PATH_IMAGE035
表示由子网B产生的故障对应的故障报警信息的集合，则对第二故障 报警信息进行特征向量提取后每个第二故障报警信息得到的对应第二故障报警特征向量 分别可以表示为
Figure 97584DEST_PATH_IMAGE036
、
Figure 425797DEST_PATH_IMAGE037
、...、
Figure 769054DEST_PATH_IMAGE038
，即
Figure 739284DEST_PATH_IMAGE039
。可选的，若子网B中共有c个可能 的报警位置，每个报警位置可能有d中报错信息，则后台服务器得到的第二故障报警信息对 应的第二故障报警特征向量
Figure 484386DEST_PATH_IMAGE040
可以表示为
Figure 249079DEST_PATH_IMAGE041
，
Figure 79632DEST_PATH_IMAGE042
等于1表示第c个报警位置发生了第d中错误信息，
Figure 73127DEST_PATH_IMAGE043
等于0表示第c个报警位置未发 生第d中错误信息，将第二故障报警特征向量
Figure 735053DEST_PATH_IMAGE044
与当前网络拓扑特征向量
Figure 608331DEST_PATH_IMAGE045
先进行 转置运算，再将各转置结果组合后再次进行转置运算得到一个向量
Figure 988496DEST_PATH_IMAGE046
。其中，
Figure 972633DEST_PATH_IMAGE047
，i=1，2，、、、，I，I表示当前网络拓扑特征向量中的总数量，
Figure 754644DEST_PATH_IMAGE046
表示
Figure 798823DEST_PATH_IMAGE048
。
另外，所述网络包括主干网和子网。在步骤S102之前，所述动态网络告警分析方法还可以包括以下步骤：
步骤S105、对主干网初始梯度提升树进行训练，得到主干网目标梯度提升树。
具体的，后台服务器可以通过历史网络报警信息中的历史主干网报警信息，对主干网初始梯度提升树进行训练。在本实施例中，假设主干网初始梯度提升树的表达式可以通过公式（1）表示，即
Figure 417018DEST_PATH_IMAGE049
（1）；
其中，
Figure 204845DEST_PATH_IMAGE050
表示计算得到的主干网的初始梯度提升树，L表示网络训练中的损失函 数，
Figure 575784DEST_PATH_IMAGE051
表示第n（n等于1，...，n，...，N）个网络报警信息的输出值（即第二故障报警信息），N表示网络的数量，x表示历史网络报警信息，c表示梯度提升树。在本实施例中，损失函数可 以为平方误差损失函数。
进而，针对每个网络计算负梯度，即残差
Figure 853181DEST_PATH_IMAGE052
，
Figure 880043DEST_PATH_IMAGE053
可以通过公式（2）表示，即
Figure 533878DEST_PATH_IMAGE054
（2）；
其中，
Figure 507126DEST_PATH_IMAGE055
表示第n个历史网络报警信息。之后，将残差作为网络报警信息新的真实值， 并将
Figure 893108DEST_PATH_IMAGE056
作为下颗树的训练数据，得到一颗新的回归树
Figure 735162DEST_PATH_IMAGE057
，新的回归树
Figure 864792DEST_PATH_IMAGE058
可以通过公式（3）表示，其对应回归树的叶子节点区域为
Figure 210323DEST_PATH_IMAGE059
，j等于1，...，J，J表示回归树 的叶子节点的数量。
Figure 32785DEST_PATH_IMAGE060
（3）；
其中，上述
Figure 830977DEST_PATH_IMAGE061
表示置信函数，当
Figure 577347DEST_PATH_IMAGE062
满足时，
Figure 715068DEST_PATH_IMAGE063
为数值1，否则为数值0。
可选的，对于叶子节点区域计算最佳拟合值
Figure 770748DEST_PATH_IMAGE064
，
Figure 56236DEST_PATH_IMAGE064
可以通过公式（4）表示，即
Figure 527669DEST_PATH_IMAGE065
（4）；
其中，
Figure 847792DEST_PATH_IMAGE066
表示拟合值。
进一步，得到的目标学习器（即主干网目标梯度提升树）可以表示为
Figure 12057DEST_PATH_IMAGE067
（5）。
步骤S106、对子网初始梯度提升树进行训练，得到子网目标梯度提升树。
具体的，后台服务器可以对每个子网对应的子网初始梯度提升树进行训练，得到子网目标梯度提升树。其中，后台服务器可以对每个子网对应的子网初始梯度提升树进行训练，训练过程与步骤S105中对主干网初始梯度提升树进行训练的过程相同。
本实施例提供的动态网络告警分析方法，该方法可以实现动态异构网络告警分析，以快速准确查找动态异构网络中的具体故障发生位置信息，从而提高了告警分析方法对于不同网络的适用性。
作为其中一个实施例，上述步骤S102中将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息的过程，可以包括以下步骤：
步骤S1021、将所述第一故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的初始位置信息。
具体的，后台服务器可以将第一故障报警特征向量输入目标梯度提升树中，获取故障所在的初始位置信息。
可选的，上述步骤S1021中将所述第一故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的初始位置信息的过程，具体可以包括：将所述第一故障报警特征向量输入所述主干网目标梯度提升树中，获取所述故障所在的所述初始位置信息；其中，所述初始位置信息包括所述故障所在的子网信息。
需要说明的是，后台服务器可以将第一故障报警特征向量输入主干网目标梯度提升树中，获取故障所在的初始位置信息。可选的，初始位置信息可以表征网络故障所在的具体子网信息。
步骤S1022、根据所述初始位置信息，获取所述第一故障报警信息中出现故障的子网产生的所述故障报警信息，并将所述故障报警信息作为第二故障报警信息。
可选的，上述步骤S1022中根据所述初始位置信息，获取所述第一故障报警信息中出现故障的子网产生的所述故障报警信息，并将所述故障报警信息作为第二故障报警信息的过程，具体可以包括：根据所述故障所在的所述子网信息，从所述第一故障报警信息中获取所述故障所在子网产生的所述第二故障报警信息。
需要说明的是，后台服务器可以根据获取的初始位置信息，从第一故障报警信息中筛选出来自初始位置信息对应子网的第二故障报警信息。
进一步地，上述步骤S104中将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息的过程，具体可以包括：
步骤S1041、对所述第二故障报警特征向量与网络拓扑特征向量分别进行转置运算，对转置运算结果进行融合得到融合向量，并对所述融合向量进行转置运算得到目标特征向量。
在本实施例中，后台服务器可以对第二故障报警特征向量
Figure 535573DEST_PATH_IMAGE068
与网络拓扑特征 向量
Figure 810697DEST_PATH_IMAGE069
分别进行转置运算，对转置运算结果进行融合，并对融合结果进行转置运算得到目 标特征向量
Figure 250905DEST_PATH_IMAGE070
，
Figure 320492DEST_PATH_IMAGE070
可以表示为
Figure 846152DEST_PATH_IMAGE071
。其中，
Figure 456125DEST_PATH_IMAGE072
表示从第一故障报警信息中筛 选出来自初始位置信息对应子网的第二故障报警信息，对应的第二故障报警特征向量；网 络拓扑特征向量可以为网络状态信息，该网络状态信息可以通过网管系统获取，并发送给 后台服务器。
步骤S1042、将所述目标特征向量输入所述目标梯度提升树中，获取所述故障所在的所述目标位置信息。
可选的，步骤S1042中将所述目标特征向量输入所述目标梯度提升树中，获取所述故障所在的所述目标位置信息的过程，可以包括：将所述目标特征向量输入所述子网目标梯度提升树中，获取所述故障所在的所述目标位置信息。
需要说明的是，后台服务器可以将目标特征向量输入子网目标梯度提升树中，获取故障所在的目标位置信息；该目标位置信息可以表征故障所在子网的具体位置。
可选的，在网络系统运行一段时间后，可以将新保存的网络报警信息作为训练样本，对主干网和子网对应的梯度提升树进行训练，更新主干网目标梯度提升树和子网目标梯度提升树，将更新后的主干网目标梯度提升树和子网目标梯度提升树，作为下次检测主干网故障和子网故障的回归树。
本实施例提供的动态网络告警分析方法，该方法可以实现动态异构网络告警分析，以快速准确查找动态异构网络中的具体故障发生位置信息，从而提高了告警分析方法对于不同网络的适用性。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
关于动态网络告警分析装置的具体限定可以参见上文中对于动态网络告警分析方法的限定，在此不再赘述。上述计算机设备中动态网络告警分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图5为一实施例提供的动态网络告警分析装置结构示意图。如图5所示，该装置可以包括：第一向量提取模块11、报警信息获取模块12、第二向量提取模块13以及目标位置获取模块14。
具体的，所述第一向量提取模块11，用于对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
所述报警信息获取模块12，用于将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息，所述第二故障报警信息表征所述第一故障报警信息中，出现故障的子网产生的所述故障报警信息；
所述第二向量提取模块13，用于对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
所述目标位置获取模块14，用于将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
本实施例提供的动态网络告警分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述网络包括多个子网；所述第一向量提取模块11包括第一获取单元。
具体的，所述第一获取单元，用于获取每个子网产生的故障报警信息在所述第一故障报警信息中的占比信息，并将所述占比信息进行运算处理后的结果作为所述第一故障报警特征向量。
本实施例提供的动态网络告警分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述占比包括第一占比和第二占比；第一获取单元包括：第一获取子单元、第二获取子单元以及运算子单元。
具体的，所述第一获取子单元，用于获取每个子网产生的第三故障报警信息在所述第一故障报警信息中的所述第一占比；其中，所述第三故障报警信息表征所述第一故障报警信息中，出现故障的每个子网产生的所述故障报警信息；
所述第二获取子单元，用于获取每个子网产生的每类第四故障报警信息在所述第一故障报警信息中的所述第二占比；其中，所述第四故障报警信息表征所述第三故障报警信息中的同一类故障报警信息；
所述运算子单元，用于将所述第一占比及第二占比进行运算处理，得到所述第一故障报警特征向量；
其中，所述第一占比表征从所有故障报警信息对应的网络中，每个子网产生的所述第三故障报警信息的数量分别所占所述第一故障报警信息的总数量的比例，所述第二占比表征从所有故障报警信息对应的网络中，每个子网产生的每一类故障报警信息的数量分别所占所述第一故障报警信息的总数量的比例。
本实施例提供的动态网络告警分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述运算子单元具体用于对所述第一占比与所述第二占比分别进行转置运算，对所述转置运算结果进行融合，并对融合结果进行转置运算得到所述第一故障报警特征向量。
本实施例提供的动态网络告警分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述报警信息获取模块12包括：第二获取单元以及第三获取单元。
具体的，所述第二获取单元，用于将所述第一故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的初始位置信息；
所述第三获取单元，用于根据所述初始位置信息，获取所述第一故障报警信息中出现故障的子网产生的所述故障报警信息，并将所述故障报警信息作为所述第二故障报警信息。
本实施例提供的动态网络告警分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述网络包括主干网和子网；所述动态网络告警分析装置还包括：第一训练模块以及第二训练模块。
具体的，所述第一训练模块，用于对主干网初始梯度提升树进行训练，得到主干网目标梯度提升树；
所述第二训练模块，用于对子网初始梯度提升树进行训练，得到子网目标梯度提升树。
本实施例提供的动态网络告警分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述第二获取单元具体用于将所述第一故障报警特征向量输入所述主干网目标梯度提升树中，获取所述故障所在的所述初始位置信息；其中，所述初始位置信息包括所述故障所在的子网信息。
本实施例提供的动态网络告警分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述第三获取单元具体用于根据所述故障所在的所述子网信息，从所述第一故障报警信息中获取所述故障所在子网产生的所述第二故障报警信息。
本实施例提供的动态网络告警分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述目标位置获取模块14包括：融合单元和第四获取单元。
具体的，所述融合单元，用于对将所述第二故障报警特征向量与网络拓扑特征向量分别进行转置运算，对转置运算结果进行融合得到融合向量，并对所述融合向量进行转置运算得到目标特征向量；
所述第四获取单元，用于将所述目标特征向量输入所述目标梯度提升树中，获取所述故障所在的所述目标位置信息。
本实施例提供的动态网络告警分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种动态网络告警分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息；
对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
在一个实施例中，提供了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息；
对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
将所述第二故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种动态网络告警分析方法，其特征在于，所述方法包括：
对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在的初始位置信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息；
根据所述初始位置信息，获取所述第一故障报警信息中出现故障的子网产生的所述故障报警信息，并将所述故障报警信息作为第二故障报警信息；
对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
对所述第二故障报警特征向量进行运算处理，并将运算处理后的结果输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
2.根据权利要求1所述的方法，其特征在于，所述网络包括多个子网；
所述对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量，包括：
获取每个子网产生的故障报警信息在所述第一故障报警信息中的占比信息，并对所述占比信息进行运算处理后的结果作为所述第一故障报警特征向量。
3.根据权利要求2所述的方法，其特征在于，所述占比信息包括第一占比和第二占比；所述获取每个子网产生的故障报警信息在所述第一故障报警信息中的占比信息，并对所述占比信息进行运算处理后的结果作为所述第一故障报警特征向量，包括：
获取每个子网产生的第三故障报警信息在所述第一故障报警信息中的所述第一占比；其中，所述第三故障报警信息表征所述第一故障报警信息中，出现故障的每个子网产生的所述故障报警信息；
获取每个子网产生的每类第四故障报警信息在所述第一故障报警信息中的所述第二占比；其中，所述第四故障报警信息表征所述第三故障报警信息中的同一类故障报警信息；
将所述第一占比及第二占比进行运算处理，得到所述第一故障报警特征向量；
其中，所述第一占比表征从所有故障报警信息对应的网络中，每个子网产生的所述第三故障报警信息的数量分别所占所述第一故障报警信息的总数量的比例，所述第二占比表征从所有故障报警信息对应的网络中，每个子网产生的每一类故障报警信息的数量分别所占所述第一故障报警信息的总数量的比例。
4.根据权利要求3所述的方法，其特征在于，所述将所述第一占比及第二占比进行运算处理，得到所述第一故障报警特征向量，包括：
对所述第一占比与所述第二占比分别进行转置运算，对所述转置运算结果进行融合，并对融合结果进行转置运算得到所述第一故障报警特征向量。
5.根据权利要求1所述的方法，其特征在于，所述网络包括主干网和子网；所述方法还包括：
对主干网初始梯度提升树进行训练，得到主干网目标梯度提升树；
对子网初始梯度提升树进行训练，得到子网目标梯度提升树。
6.根据权利要求5所述的方法，其特征在于，所述将所述第一故障报警特征向量输入所述目标梯度提升树中，获取所述故障所在的初始位置信息，包括：
将所述第一故障报警特征向量输入所述主干网目标梯度提升树中，获取所述故障所在的所述初始位置信息；其中，所述初始位置信息包括所述故障所在的子网信息。
7.根据权利要求6所述的方法，其特征在于，所述根据所述初始位置信息，获取所述第一故障报警信息中出现故障的子网产生的所述故障报警信息，并将所述故障报警信息作为第二故障报警信息，包括：
根据所述故障所在的所述子网信息，从所述第一故障报警信息中获取所述故障所在子网产生的所述第二故障报警信息。
8.根据权利要求1所述的方法，其特征在于，所述对所述第二故障报警特征向量进行运算处理，并将运算处理后的结果输入所述目标梯度提升树中，获取所述故障所在的目标位置信息，包括：
对所述第二故障报警特征向量与网络拓扑特征向量分别进行转置运算，对转置运算结果进行融合得到融合向量，并对所述融合向量进行转置运算得到目标特征向量；
将所述目标特征向量输入所述目标梯度提升树中，获取所述故障所在的所述目标位置信息。
9.一种动态网络告警分析方法，其特征在于，所述方法包括：
对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息，所述第二故障报警信息表征所述第一故障报警信息中，出现故障的子网产生的所述故障报警信息；
对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
对所述第二故障报警特征向量进行运算处理，并将运算处理后的结果输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
10.一种动态网络告警分析装置，其特征在于，所述装置包括：
第一向量提取模块，用于对第一故障报警信息进行特征向量提取，得到第一故障报警特征向量；其中，所述第一故障报警信息表征网络出现故障时所述网络产生的故障报警信息的集合；
报警信息获取模块，用于将所述第一故障报警特征向量输入目标梯度提升树中，获取故障所在子网产生的第二故障报警信息；其中，所述目标梯度提升树用于分析网络故障所在的位置信息，所述第二故障报警信息表征所述第一故障报警信息中，出现故障的子网产生的所述故障报警信息；
第二向量提取模块，用于对所述第二故障报警信息进行特征向量提取，得到第二故障报警特征向量；
目标位置获取模块，用于对所述第二故障报警特征向量进行运算处理，并将运算处理后的结果输入所述目标梯度提升树中，获取所述故障所在的目标位置信息。
11.一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述方法的步骤。
12.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述方法的步骤。
CN202010159923.7A 2020-03-10 2020-03-10 动态网络告警分析方法、装置、计算机设备及存储介质 Active CN111010306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010159923.7A CN111010306B (zh) 2020-03-10 2020-03-10 动态网络告警分析方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010159923.7A CN111010306B (zh) 2020-03-10 2020-03-10 动态网络告警分析方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN111010306A true CN111010306A (zh) 2020-04-14
CN111010306B CN111010306B (zh) 2020-06-02

Family

ID=70121078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010159923.7A Active CN111010306B (zh) 2020-03-10 2020-03-10 动态网络告警分析方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111010306B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114760186A (zh) * 2022-03-23 2022-07-15 深信服科技股份有限公司 告警分析方法、装置、电子设备及存储介质
CN114760186B (zh) * 2022-03-23 2024-05-28 深信服科技股份有限公司 告警分析方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0549937A1 (en) * 1992-01-03 1993-07-07 International Business Machines Corporation Methods and systems for alarm correlation and fault localization in communication network
US20140189436A1 (en) * 2013-01-02 2014-07-03 Tata Consultancy Services Limited Fault detection and localization in data centers
CN106470122A (zh) * 2016-09-20 2017-03-01 北京汇通金财信息科技有限公司 一种网络故障定位方法及装置
CN109460588A (zh) * 2018-10-22 2019-03-12 武汉大学 一种基于梯度提升决策树的设备故障预测方法
CN109617715A (zh) * 2018-11-27 2019-04-12 中盈优创资讯科技有限公司 网络故障诊断方法、系统
CN109993189A (zh) * 2018-01-02 2019-07-09 中国移动通信有限公司研究院 一种网络故障预警方法、装置和介质
CN109992484A (zh) * 2018-01-02 2019-07-09 中国移动通信有限公司研究院 一种网络告警相关性分析方法、装置和介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0549937A1 (en) * 1992-01-03 1993-07-07 International Business Machines Corporation Methods and systems for alarm correlation and fault localization in communication network
US20140189436A1 (en) * 2013-01-02 2014-07-03 Tata Consultancy Services Limited Fault detection and localization in data centers
CN106470122A (zh) * 2016-09-20 2017-03-01 北京汇通金财信息科技有限公司 一种网络故障定位方法及装置
CN109993189A (zh) * 2018-01-02 2019-07-09 中国移动通信有限公司研究院 一种网络故障预警方法、装置和介质
CN109992484A (zh) * 2018-01-02 2019-07-09 中国移动通信有限公司研究院 一种网络告警相关性分析方法、装置和介质
CN109460588A (zh) * 2018-10-22 2019-03-12 武汉大学 一种基于梯度提升决策树的设备故障预测方法
CN109617715A (zh) * 2018-11-27 2019-04-12 中盈优创资讯科技有限公司 网络故障诊断方法、系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YE YUAN: "《2018 IEEE International Conference on Software Quality, Reliability and Security Companion》", 31 December 2018 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114760186A (zh) * 2022-03-23 2022-07-15 深信服科技股份有限公司 告警分析方法、装置、电子设备及存储介质
CN114760186B (zh) * 2022-03-23 2024-05-28 深信服科技股份有限公司 告警分析方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111010306B (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
EP2924579B1 (en) Event correlation
CN110995468B (zh) 待分析系统的系统故障处理方法、装置、设备和存储介质
CN114846468A (zh) 检测异常网络活动
CN111193608B (zh) 网络质量探测监控方法、装置、系统和计算机设备
Tertytchny et al. Classifying network abnormalities into faults and attacks in IoT-based cyber physical systems using machine learning
DE102022201746A1 (de) Verwaltung von rechenzentren mit maschinellem lernen
US11856426B2 (en) Network analytics
CN111884859B (zh) 一种网络故障诊断方法、装置及可读存储介质
CN112817785A (zh) 一种微服务系统的异常检测方法及装置
CN116310914B (zh) 基于人工智能的无人机监控方法及系统
CN114861172A (zh) 一种基于政务服务系统的数据处理方法及系统
CN110601909B (zh) 网络维护方法、装置、计算机设备和存储介质
CN111010306B (zh) 动态网络告警分析方法、装置、计算机设备及存储介质
CN111198921A (zh) 数据库的切换方法、装置、计算机设备和存储介质
CN111934937B (zh) 基于重要性迭代的相依网络节点重要度评估方法和装置
Scheffel et al. Increasing sensor reliability through confidence attribution
CN116582414A (zh) 故障根因定位方法、装置、设备及可读存储介质
CN110838940A (zh) 地下电缆巡检任务配置方法和装置
CN114327988B (zh) 一种可视化网络故障关系确定方法和装置
Perusich Using fuzzy cognitive maps to identify multiple causes in troubleshooting systems
CN111949516A (zh) 页面测试方法、装置及电子设备
CN110781366A (zh) 网页数据处理方法、装置、计算机设备和存储介质
CN113660107B (zh) 故障定位方法、系统、计算机设备和存储介质
Camacho-Magriñan et al. PTTAC: passive testing tool for asynchronous systems
CN112257075A (zh) 内网环境下的系统漏洞检测方法、装置、设备及存储介质

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