CN113051407A - 一种网络智能运维知识图谱协同构建和共享方法与装置 - Google Patents
一种网络智能运维知识图谱协同构建和共享方法与装置 Download PDFInfo
- Publication number
- CN113051407A CN113051407A CN202110323968.8A CN202110323968A CN113051407A CN 113051407 A CN113051407 A CN 113051407A CN 202110323968 A CN202110323968 A CN 202110323968A CN 113051407 A CN113051407 A CN 113051407A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- graph
- map
- maintenance
- operator
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
- G06F16/345—Summarisation for human users
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种网络智能运维知识图谱协同构建和共享方法:构建高维空间统一表示模型;构建网络运维知识图谱高维协同模型;在网络运维知识图谱高维协同模型内,将实体的特征输入高维空间多因素赋权距离度量公式,输出实体语义相似度集合;遍历实体语义相似度集合,利用增量图谱标识算子对图谱的实体关系进行重新标识,形成包括所有增量的全量知识图谱;基于全量知识图谱生成图谱摘要。本发明采用协同处理和可信共享方法构建通信网络运营维护知识图谱,实现对网络运维技术、经验、流程的形式化和统一化描述,从而为通信网络的运营维护向智能化、自动化演进奠定基础。本发明还提供了相应的网络智能运维知识图谱协同构建和共享装置。
Description
技术领域
本发明属于光通信技术领域,更具体地,涉及一种网络智能运维知识图谱协同构建和共享方法与装置。
背景技术
传统通信网络的运营和维护主要依赖运维专家的经验,通过人工模式实现网络规划、业务开通、性能优化、故障排查、扩容割接等操作。传统网络运维模式面临周期长、成本高、效率低等诸多问题。随着人工智能技术的发展,以及深度学习等技术在图像识别、语音处理、棋类博弈等领域的成功应用,基于深度学习、人工智能等新型技术实现通信网络智能运营和维护成为新的研究热点。
网络智能运营与维护的核心技术之一是构建智能运维知识图谱。知识图谱主要技术包括知识提取、知识融合、知识推理。知识提取技术从各种类型的数据中识别关键信息,挖掘出隐藏在数据内部的核心内容,构建实体、关系、属性。经典知识提取方法包括基于规则和模板的提取方法、基于数据分析统计的提取方法、基于机器学习的提取方法等。知识融合主要解决概念与关系的不一致和歧义等问题,解决各个局部知识库合并成一个整体知识库所面临的定义冲突、内容重复、指代不明、层次混乱等问题。在知识融合过程中将采用聚类、相似度分析、概率统计分析等多项技术,最终构建出简洁、清晰、完备的全局知识库。知识推理的目标是通过一系列方法获得新的知识或者相关结论,常用方法包括基于描述逻辑的推理、基于图结构的推理、基于统计规则的推理、基于概率逻辑的推理等。目前知识图谱相关技术在搜索、推荐、问答等领域有比较广泛和成功的应用,在网络智能运维领域的落地和实践处于起步阶段。
通信网络由不同厂商、不同类型的设备连结而成,所以网络的运营与维护涉及多源异构设备运维流程和经验的整合与协同。如何实现知识图谱可信共享,面向整个通信网络构建端到端统一的可信知识图谱,是网络智能运维需要解决的关键问题。基于区块链技术实现数据安全可信共享是当前研究热点,基于区块链去中心化的模式可以实现网络运维知识图谱的协同共享。区块链通过四类关键技术实现分布式记账以及不可篡改的目标,这四类技术为点对点动态组网、非对称加密技术、共识算法、智能合约。目前区块链技术得到国内外众多研究人员的关注,各行业也提出很多基于区块链的应用场景。基于区块链相关技术实现通信网络智能运维知识图谱的可信共享是可行的、有潜力的技术方案。
通信网络运营与维护的智能化自动化需要采用知识图谱和区块链相关技术,这两类技术虽然已经得到广泛研究,但是应用到网络智能运维过程中仍旧面临跨域多层知识图谱协同构建、跨厂商知识图谱可信共享等问题。
发明内容
针对上述问题,本发明提出一种网络智能运维知识图谱协同构建和共享方法与装置,在四维空间协同模型中实现知识图谱的整合,采用安全可信发布方法实现知识图谱共享。基于本发明提出的方法,通信网络运营商和设备制造商可以协同合作,共同构建网络智能运维知识图谱,推动网络运维向自动化、智慧化迈进。
为实现上述目的,按照本发明的一个方面,提供了一种网络智能运维知识图谱协同构建和共享方法,包括:
S1、构建高维空间统一表示模型;
S2、以高维空间统一表示模型作为基础,将不同时刻、不同厂商、不同网络设备所对应的知识图谱表示为知识图谱增量,并在高维空间中依据维度有序排列,构建网络运维知识图谱高维协同模型;
S3、在网络运维知识图谱高维协同模型内,将实体的特征输入高维空间多因素赋权距离度量公式,输出实体语义相似度集合;
S4、遍历实体语义相似度集合,输入图谱内容判定算子,如果实体相似,则通过增量图谱合并算子进行嵌入,否则通过增量图谱舍弃算子去掉一个增量图谱;完成上述处理以后,利用增量图谱标识算子对图谱的实体关系进行重新标识,形成包括所有增量的全量知识图谱;
S5、基于全量知识图谱生成图谱摘要,利用公钥加密知识图谱摘要,形成密文摘要,将密文摘要和全量知识图谱上传至网络运维平台,利用私钥对密文摘要进行解密,并判断全量知识图谱在共享过程中是否被第三方篡改,如果没被篡改,则进行存储并启动后续流程。
本发明的一个实施例中,所述步骤S1包括:
将构建的高维空间统一表示模型形式化描述为S=Iabcd…,其中I表示整数域,abcd…表示协同模型的各个维度,其中维度Ia与维度Ib表示网络运维知识图谱的实体标识,维度Ic表示实体之间的关系,维度Id表示不同的知识图谱增量。。
本发明的一个实施例中,所述高维空间统一表示模型还可以根据实际需要添加新的维度。
本发明的一个实施例中,所述步骤S3中的实体包括网络运营与维护过程中涉及的概念和实例。
本发明的一个实施例中,在所述步骤S2中:每一个知识图谱增量有序地部署在高维协同模型中,高维协同模型维度Id的长度等于知识图谱增量的个数。
本发明的一个实施例中,所述步骤S3中的高维空间多因素赋权距离度量公式为:
其中,N为空间维度,S=Iabcd…N和S’=Ia’b’c’d’…N’为N维空间协同模型中存在两个点,d为点S与点S’的多因素赋权距离,系数ε表示厂商间实体语义相似度权重,系数β表示实体语义量纲配平权重。
本发明的一个实施例中,在所述步骤S4中:
所述图谱内容判定算子形式化描述为r=▽(s1,s2),这个算子用于判定两个知识图谱增量所描述的内容是否相似,其中s1和s1表示两个增量知识图谱,▽表示判定算子,r表示判定结果,判定结果为布尔数值,true表示两个增量图谱内容相似,false表示内容不相似;
所述增量图谱合并算子形式化描述为s3=⊕(s1,s2),这个算子用于将两个知识图谱增量合并为一个新的知识图谱增量,其中增量图谱s1和s2表示两个自变量,增量图谱s3表示因变量。增量图谱合并算子将增量图谱s1和s2中的实体与关系取并集,如果重复则只保留一份实体和对应的关系,基于新的实体与关系并集构建因变量知识图谱s3;
所述增量图谱舍弃算子形式化描述为s=⊙(s1,s2),这个算子对两个知识图谱增量进行分析,根据图谱包括的实体和关系判定增量之间的包含特性,如果一个图谱增量涵盖的信息内容包含另一个图谱增量,则保留这个图谱增量,并将另外一个图谱增量去掉,在上述取舍算子的形式化公式中,因变量s的值域为{s1,s2},即s取值要么是s1,要么是s2;
所述增量图谱标识算子形式化描述为s2=∮(s1),这个算子对知识图谱增量s1中的实体与关系进行重新标识,包括标识实体名称或标识实体之间的关系,经过标识算子处后的增量图谱表示为s2。
本发明的一个实施例中,在所述步骤S5中基于全量知识图谱生成图谱摘要,利用公钥加密知识图谱摘要,形成密文摘要,包括:
基于知识图谱增量s创建图谱摘要s’,基于非对称加密机制,利用公钥加密知识图谱摘要s’,加密后的结果表示为s*;
上述加密过程形式化描述为s*=f(s’,kpub),其中f为加密函数,kpub为公钥。
本发明的一个实施例中,在所述步骤S5中进行存储并启动后续流程,包括:
网络运维平台将这个知识图谱增量嵌入到四维协同模型中,执行后续的图谱整合、知识推理、网维运营与维护操作。
按照本发明的另一方面,还提供了一种网络智能运维知识图谱协同构建和共享装置,包括高维空间统一表示模型构建模块、网络运维知识图谱高维协同模型构建模块、实体语义相似度集合构建模块、全量知识图谱构建模块和全量知识图谱上传模块,其中:
所述高维空间统一表示模型构建模块,用于构建高维空间统一表示模型;
所述网络运维知识图谱高维协同模型构建模块,用于以高维空间统一表示模型作为基础,将不同时刻、不同厂商、不同网络设备所对应的知识图谱表示为知识图谱增量,并在高维空间中依据维度有序排列,构建网络运维知识图谱高维协同模型;
所述实体语义相似度集合构建模块,用于在网络运维知识图谱高维协同模型内,将实体的特征输入高维空间多因素赋权距离度量公式,输出实体语义相似度集合;
所述全量知识图谱构建模块,用于遍历实体语义相似度集合,输入图谱内容判定算子,如果实体相似,则通过增量图谱合并算子进行嵌入,否则通过增量图谱舍弃算子去掉一个增量图谱;完成上述处理以后,利用增量图谱标识算子对图谱的实体关系进行重新标识,形成包括所有增量的全量知识图谱;
所述全量知识图谱上传模块,用于基于全量知识图谱生成图谱摘要,利用公钥加密知识图谱摘要,形成密文摘要,将密文摘要和全量知识图谱上传至网络运维平台,利用私钥对密文摘要进行解密,并判断全量知识图谱在共享过程中是否被第三方篡改,如果没被篡改,则进行存储并启动后续流程。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有如下有益效果:
(1)本发明采用协同处理和可信共享方法构建通信网络运营维护知识图谱,实现对网络运维技术、经验、流程的形式化和统一化描述,从而为通信网络的运营维护向智能化、自动化演进奠定基础;
(2)本发明提出的方法能够解决通信网络运维与维护过程中面临的跨域跨厂商知识图谱协同构建、知识图谱安全可信共享等问题;
(3)本发明构建高维协同模型,提出分式增量式表示方法,通过实体、实体、关系、增量构建四个维度,实现网络运维知识图谱所有内容在高维空间中的统一有序表示,这个四维空间为通信网络智能运维过程中跨域、多层、跨厂商、异构设备知识图谱的协同构建提供了一个简洁高效的数学模型;
(4)在高维协同模型中,本发明提出四类操作算子实现知识图谱增量的整合。这四类算子构成一个完备的图谱整合操作功能集合,解决增量内容重复判定、增量图谱取舍、增量图谱合并、增量图谱标识四大关键问题;
(5)本发明提出的共享方法有效地解决了网络运维知识图谱的安全可信发布问题,通过增量知识图谱摘要创建、基于非对称加密机制创建密文并上传、在网络运维中心进行摘要比对和嵌入整合等一系列操作流程,保证了不同厂商上传的多源异构网络运维知识图谱内容的真实性和可靠性。
附图说明
图1为本发明实施例中知识图谱协同构建和共享整体流程示意图;
图2为本发明实施例中知识图谱高维空间协同表示示意图;
图3为本发明实施例中高维协同模型中知识图谱分布示意图;
图4为本发明实施例中高维协同模型中知识图谱整合流程示意图;
图5为本发明实施例中高维协同模型中知识图谱增量嵌入示意图;
图6为本发明实施例中网络运维知识图谱可信共享流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可相互组合。
本发明要解决的问题是:在网络运营维护过程中,如何实现知识图谱跨域协同构建,如果保障知识图谱安全共享的问题。为了解决上述技术问题,本发明提出一种基于高维空间的分布增量式知识图谱协同构建方法,实现不同厂商不同设备网络运维知识图谱的统一表示。针对高维空维中知识图谱关系度量不准确的问题,本发明提出一种多因素赋权距离度量方法,实现不同厂商知识图谱实体相似度的精确度量。为了解决增量知识图谱融合过程中出现的实体和关系之间冲突、不一致等问题,本发明提出一种新型的知识图谱整合方法,并且提供知识图谱判定、合并、取舍、标识四种算子,用于对增量图谱进行处理。针对知识图谱在共享过程中所面临的安全传送问题,本发明提出基于区块链和非对称加密机制的知识图谱安全共享方法。
实施例1
如图1所示为本发明提供的一种网络智能运维知识图谱协同构建和共享方法,包括:
S1、构建高维空间统一表示模型;
S2、以高维空间统一表示模型作为基础,将不同时刻、不同厂商、不同网络设备所对应的知识图谱表示为知识图谱增量,并在高维空间中依据维度有序排列,构建网络运维知识图谱高维协同模型;
S3、在网络运维知识图谱高维协同模型内,将实体的特征输入多因素赋权距离度量公式,输出实体语义相似度集合;
S4、遍历实体语义相似度集合,输入图谱内容判定算子,如果实体相似,则通过增量图谱合并算子进行嵌入,否则通过增量图谱舍弃算子去掉一个增量图谱;完成上述处理以后,利用增量图谱标识算子对图谱的实体关系进行重新标识,形成包括所有增量的全量知识图谱;
S5、基于全量知识图谱生成图谱摘要,利用公钥加密知识图谱摘要,形成密文摘要,将密文摘要和全量知识图谱上传至网络运维平台,利用私钥对密文摘要进行解密,并判断全量知识图谱在共享过程中是否被第三方篡改,如果没被篡改,则进行存储并启动后续流程。
以下对本发明提出的知识图谱高维空间协同表示方法、多因素赋权距离度量方法、知识图谱整合方法、知识图谱安全共享方法进行详细描述。知识图谱高维空间协同表示方法
为了实现不同厂商不同设备的网络运维知识图谱统一表示,本发明提出高维空间协同模型,并将这个模型形式化描述为S=Iabcd…,其中I表示整数域,abcd…表示协同模型的各个维度,其中维度Ia与维度Ib表示网络运维知识图谱的实体标识,维度Ic表示实体之间的关系,维度Id表示不同的知识图谱增量。本模型是一个通用基础模型,在具体使用过程中,可以根据实际需要添加新的维度,例如添加维度Ie、If等。本发明中,实体包括网络运营与维护过程中涉及的概念和实例,例如光传送设备OTN(Optical Transport Network),长短期记忆神经网络LSTM(Long Short Term Memory Network)都定义为实体。四维协同模型中,维度Ia与维度Ib的长度等于实体的个数。假如一个知识图谱中实体数量为n,则|Ia|=|Ib|=n。在本发明中,整体的知识图谱由各个增量合并而成,不同时刻、不同厂商、不同网络设备对应的知识图谱都定义为一个知识图谱增量。这些知识图谱增量依据维度有序排列,构建起统一的高维知识图谱全量空间。
本发明中,每一个知识图谱增量有序地部署在高维协同模型中,高维协同模型维度Id的长度等于知识图谱增量的个数。假如模型中通信网络运维整体知识图谱由三个知识图谱增量组成,这三个增量按创建时间的先后顺序表示为Iabc,d1,Iabc,d2,Iabc,d3,本发明采用公式Iabcd=Iabc,d1∪Iabc,d2∪Iabc,d3对上述的组合过程进行形式化描述,每一个知识图谱增量有序地分布在维度Id所限定的子空间位置上。
多因素赋权距离度量方法
传统的知识图谱构建于二维空间数据模型基础之上,采用欧式距离度量实体之间的相似程度,提取关系规划。欧式距离公式为这个二维空间欧式距离难以在高维空间中实现多因素度量,针对上述挑战,本发明提出高维空间多因素赋权距离计算公式。以N维空间为例,设N维空间协同模型中存在两个点S=Iabcd…N,S’=Ia ’b’c’d’…N’,则点S与点S’的多因素赋权距离计算公式定义为:
在公式(3)中,系数ε表示厂商间实体语义相似度权重,系数β表示实体语义量纲配平权重。举例来说,在光网络智能优化过程中,如果发现光传输通性能劣化,需要查看光信噪比OSNR(Optical Signal Noise Ratio)和比特出错概率BER(Bit Error Ratio),根据这两个因素的劣化程度,A厂商将光网络健康度定义为健康、亚健康、不健康三种类型,B厂商将光网络健康度定义为一至五级。在端到端光网优化过程中,需要构建跨域优化知识图谱,在本发明提出的多因素赋权距离度量公式中,系数ε用来处理A与B两个厂商的健康度级别定义不同问题,而系数β用来处理光信噪比OSNR与比特出错概率BER量纲不同的问题。
高维协同模型中知识图谱整合方法
针对高维协同模型中排列的各个增量知识图谱,本发明提出一种新的知识图谱整合方法,基于知识图谱增量构建整体的网络运维知识图谱。知识图谱增量是由不同厂商基于不同设备构建的,图谱所包括的实体和关系存在重复、不一致、不完备等问题,针对上述问题,本发明提出四种操作算子,分别为图谱内容判定算子、增量图谱合并算子、增量图谱舍弃算子、增量图谱标识算子。
本发明提出的图谱内容判定算子形式化描述为r=▽(s1,s2),这个算子用于判定两个知识图谱增量所描述的内容是否相似。在上述公式中,s1和s1表示两个增量知识图谱,▽表示判定算子,r表示判定结果,判定结果为布尔数值,true表示两个增量图谱内容相似,false表示内容不相似。
本发明提出的增量图谱合并算子形式化描述为s3=⊕(s1,s2),这个算子用于将两个知识图谱增量合并为一个新的知识图谱增量,其中增量图谱s1和s2表示两个自变量,增量图谱s3表示因变量。增量图谱合并算子将增量图谱s1和s2中的实体与关系取并集,如果重复则只保留一份实体和对应的关系,基于新的实体与关系并集构建因变量知识图谱s3。
本发明提出的增量图谱舍弃算子形式化描述为s=⊙(s1,s2),这个算子对两个知识图谱增量进行分析,根据图谱包括的实体和关系判定增量之间的包含特性,如果一个图谱增量涵盖的信息内容包含另一个图谱增量,则保留这个图谱增量,并将另外一个图谱增量去掉。在上述取舍算子的形式化公式中,因变量s的值域为{s1,s2},即s取值要么是s1,要么是s2。
本发明提出的增量图谱标识算子形式化描述为s2=∮(s1),这个算子对知识图谱增量s1中的实体与关系进行重新标识,包括标识实体名称,标识实体之间的关系等,经过标识算子处后的增量图谱表示为s2。
本发明提出的图谱内容判定算子▽、增量图谱合并算子⊕、增量图谱舍弃算子⊙、增量图谱标识算子∮共同组成算子集合{▽,⊕,⊙,∮},在网络运维知识图谱整合过程中,根据实际情况灵活运用上述算子,可以将知识图谱增量整合为新的整体的知识图谱。
知识图谱可信共享方法
通信网络端到端协同智能运维需要运营商和厂商共享知识图谱,基于共享的知识图谱解决网络智能运维过程中所面临的告警、故障、优化等各种问题。如何实现知识图谱的可信共享,业界一直面临巨大的挑战。本发明提出高维协同模型知识图谱可信共享方法,实现跨域、跨厂商知识图谱的安全可信共享。
本发明提出的可信共享方法包括三个主要步骤。首先,基于知识图谱增量s创建图谱摘要s’。然后,基于非对称加密机制,利用公钥加密知识图谱摘要s’,加密后的结果表示为s*。假如加密函数为f,公钥为kpub,则上述加密过程可以形式化描述为s*=f(s’,kpub)。加密后的知识图谱摘要s*与知识图谱增量s一起上传至运营商网络运维平台。最后,运维平台基于私钥对密文摘要s*进行解密,根据解密后的图谱摘要判断上传的知识图谱是否被修改。如果没有被修改,则表示知识图谱增量是安全可信的,网络运维平台将这个知识图谱增量嵌入到四维协同模型中,执行后续的图谱整合、知识推理、网维运营与维护等操作。
实施例2
如图2所示,为本发明实施例中一种网络运维知识图谱高维协同表示方法。为了清楚的描述高维空间构建方法,本发明以四维空间为例进行阐述,更高维空间的构建方法与四维空间构建是一致的,而空间的维数是由知识图谱实体和关系的数量决定的。
专利提出的四维协同表示模型为S=Iabcd,维度Id指定不同知识图谱增量在高维空间中的嵌入位置,图2右边的知识图谱增量嵌入在维度Id值为1所对应的位置,在本发明中表示为Iabc,1。
在知识图谱构建过程中,为了生成图2右边的知识图谱增量,需要首先确定实体和对应关系,这些实体和关系可以采用表1这种形式进行描述。
表1网络智能运维知识图谱增量实体与关系示例
表2知识图谱增量整合过程中的实体与关系
表1第二行包含八个实体,实体Equipment、Fault_Alarm、MaintenanceStaff、OTN表示概念,Fonst 5K、OOPM_HIGH、San Zhang表示具体的实例,OMU40/48是单盘示例。表2第二行包含五类二元关系,例如OOPM_HIGH与Fault_Alarm是一个实例关系,表示光功率过高是一种具体的告警。表1中的每一个实体与每一个关系都有特定的坐标,这个坐标就是实体与关系在四维协同模型中对应维度上的坐标值。基于表1中的八个实体与五个对应关系生成知识图谱增量,然后将增量嵌入到维度坐标轴Id取值为1的位置。表1第二行中实体Equipment和OTN的坐值分别为1和2,表1第三行中关系Instance-of的坐标为4,所以在图3的四维协同模型中S(1,2,4,1)=1,其中S(1,2,4,1)表示一个元素,这个元素的值为1,这个元素的四维协同模型各个维度上的坐标分别为Ia=1,Ib=2,Ic=4,Id=1。在本发明中,如果知识图谱增量中实体与实体之间没有对应关系,则四维协同模型中相关联的所有元素的值为0。假如表1中坐标为2的实体OTN和坐标为8的实体San Zhang不存在对应关系,则四维协同模型中S(2,8,:,:)=0。其中后边的两个冒号表示四维协同模型中Ic和Id两个维度对应的所有元素。
如图3所示,本发明提供了一种高维协同模型中知识图谱的分布方法。在图3所示的四维协同模型中,维度Id一共分布着六个知识图谱增量,其中A厂商第一次上传的知识图谱增量嵌入到维度Id坐标值为1的位置,在本发明中描述为Iabc,1。A厂商第二次上传的知识图谱增量嵌入到维度Id坐标值为2的位置,在本发明中描述为Iabc,2。在维度Id坐标值为9和10的位置,分别嵌入B厂商第二次和第三次上传的知识图谱增量,在本发明中分别描述为Iabc,9和Iabc,10。同理,其中A厂商第三次上传的知识图谱增量和其中B厂商第一次上传的知识图谱增量分别描述为Iabc,3和Iabc,8。在实际构建过程中,不同厂商不同时刻上传的网络运维知识图谱增量沿着维度Id有序嵌入到四维协同模型中。
实施例3
本发明提出一种多因素赋权距离度量方法,包含两个系数ε和β。表3用于阐述系数ε的赋值方法。本实施例中,A厂商光网健康度定义为三类,B厂商光网健康度分为五级。
表3两个厂商光网络健康度分类示例
在上表中,将两个厂商的健康度数量相乘,可以得到15个类别(3乘以5),按照健康度分类乘积引起的网络劣化可能性进行排度,然后赋值。在表2中,给出一个排序示例如下:(健康,一级)、(健康,二级),(亚健康,一级)、(亚健康,二级)、(健康,三级)……(不健康,五级),这个排序可以基于网络运维专家的经验进行调整完善。基于十五项排序,按大体一致的下降程度从大到小赋给权重。本例子中,赋值示例为(1,0.93,0.86,0.79,0.73,……,0.1)。
本发明提出的多因素赋权距离度量方法中,高维空间赋权距离度量可能涉及到不同的量纲,例如光信噪比的度量单位为dB,而比特误码率可能是一个标量,例如10-9。为了实现不同量纲因素之间的距离叠加,本发明给出量纲配平系数β。这个系数通过网络运维专家经验进行计算评估,然后赋值。例如,x维度表示光信噪比,y维度表示比特误码率,量纲配平系数取值β1=0.8,β2=0.3。如果综合前边的权重系数ε,以序列前二项为例,则赋权距离公式为:
实施例4
如图4所示,本发明提出一种知识图谱整合方法,本方法包括四类知识图谱算子,包括判定算子、整合算子、取舍算子、标识算子。图4左边矩形②中的知识图谱增量表示运维人员San Zhang有八年(Eight Years)工作经验,右上角矩形③中的知识图谱增量表示运维人员Wu Wang有七年(Seven Years)工作经验。矩形①和矩形③都包含实体MaintenanceStaff,因此采用本发明提出的判定算子▽对图4中的知识图谱增量进行判定,会得到实体Maintenance Staff相似,判定值为true,而San Zhang与Wu Wang不相似,Eight Years与Seven Years不相似,判定值为false。将图4中矩形①和矩形③中的实体与关系输入增量图谱舍弃算子⊙,操作结果为矩形③中的实体与关系。采用本发明提出的增量图谱合并算子⊕,对图4左边的知识图谱增量(即左边矩形①与矩形②中的三个实体与两个对应关系)和图4右上角的知识图谱增量(即右边矩阵③中的五个实体与六个对应关系)进行合并,得到图4右边的知识图谱(右边七个实体与八个对应关系)。如果在知识图谱增量整合过程中出现实体或关系名称重复,但是这些重复的实体或关系在不同厂商的知识图谱中的含义不相同,则可以采用本发明提出的增量图谱标识算子∮进行解决。例如,厂商A有一个运维人员叫San Zhang,厂商B也有一个运维人员叫San Zhang,这是两个不同的运维人员。用本发明提出的标识算子∮可以将厂商A的运维人员实体重新标识为San Zhang-A,同样厂商B的运维人员实体重新标识为San Zhang-B。采用增量图谱标识算子对存在冲突的实体或关系进行重新标识,可以解决知识图谱增量在整合过程中的冲突或者不一致等问题。另外,在网络运维过程中,随着新设备、新流程的引入,知识图谱中将会引入新的实体与对应关系,厂商可以采用本发明提出的知识图谱整合算子,在本地保存本厂商的整体知识图谱,而将知识图谱增量上传至运营商的网络运维中心进行整合。
图5右下角表示一个厂商的整体知识图谱,左上角是构建的知识图谱增量,这个图谱增量被上传到运维平台的四维协同模型中(图5左下角部分),嵌入至对应位置,然后与其他厂商的知识图谱增量进行整合,构建跨域跨厂商的网络运维知识图谱。
实施例5
如图6所示,本发明提出一种网络智能运维知识图谱安全可信共享方法,包括生成知识图谱摘要、基于公钥进行加密、密文摘要和全量图谱上传网络运维平台、基于私钥对密文摘要进行解密、判定是否补三方篡改并执行后续知识图谱处理流程。
图6通过二个厂商和一个运营商作为示例来阐述网络运维知识图谱可信共享流程。运营商C首先生成公钥和私钥,将公钥公开给厂商A和厂商B,运营商C保留私钥。在图6最上边,厂商A创建知识图谱增量,然后通过消息摘要算法生成知识图谱增量的摘要,接着通过非对称加密算法利用运营商C的公钥加密图谱摘要,然后将知识图谱增量与加密后的图谱摘要一起上传运营商C的网络运维平台。在图6最下边,运营商C接收到厂商A上传的相关内容以后,利用私钥解密图谱摘要,验证知识图谱增量是否被篡改。如果没有被篡改,则将知识图谱增量嵌入到四维协同模型,与厂商B通过上述方式提交的知识图谱进行整合,建构跨域跨厂商的网络运维知识图谱,然后基于本知识图谱进行推理,开展网络运营与维护相关工作。以表1中的知识图谱实体与关系作为例子,将第二行的八个实体以分号作为间隔生成字符串如下:
Equipment;OTN;Fonst 5K;OMU40/48;OOPM_HIGH;Fault_Alarm;
Maintenance Staff;San Zhang
将第三行的五个关系以分号作为间隔生成字符串如下:
Type-of;Solve;Generate;Instance-of;Component-of
上述实体与关系嵌入到四维协同模型维度Id坐标值为1的位置,实体与实体之间有对应关系的四维模型元素值为1,其他元素值为0,将所有值为1的元素用逗号隔开生成字符串如下:
S(1,2,1,1);S(2,3,4,1);S(6,2,3,1);S(6,7,2,1);S(6,5,4,1);S(5,8,2,1);S(5,4,3,1);S
(3,4,5,1);S(7,8,4,1)
将上述三个字符串用感叹号!分隔合并成最终的字符串,从而实现图2中知识图谱增量的字符串表示形式。经典的摘要算法包括MD5(Message Digest Algorithm 5)、SHA(Secure Hash Algorithm)等,采用MD5算法生成上述知识图谱摘要为e24c71c3d0a809ea8fcdd1e17ab69933。生成的知识图谱摘要可以采用RSA(Rivest Shamir Adlemen)等非对称加密算法进行加密,利用公钥加密摘要并与知识图谱增量一起上传。网络运维平台采用私钥进行解密,同时基于知识图谱增量生成图谱摘要,比较解密的图谱摘要与生成的图谱摘要,如果两份摘要一样,则说明知识图谱增量在传输过程中没有被篡改,可以执行知识图谱嵌入整合以及网络运维工作。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种网络智能运维知识图谱协同构建和共享方法,其特征在于,包括:
S1、构建高维空间统一表示模型;
S2、以高维空间统一表示模型作为基础,将不同时刻、不同厂商、不同网络设备所对应的知识图谱表示为知识图谱增量,并在高维空间中依据维度有序排列,构建网络运维知识图谱高维协同模型;
S3、在网络运维知识图谱高维协同模型内,将实体的特征输入高维空间多因素赋权距离度量公式,输出实体语义相似度集合;
S4、遍历实体语义相似度集合,输入图谱内容判定算子,如果实体相似,则通过增量图谱合并算子进行嵌入,否则通过增量图谱舍弃算子去掉一个增量图谱;完成上述处理以后,利用增量图谱标识算子对图谱的实体关系进行重新标识,形成包括所有增量的全量知识图谱;
S5、基于全量知识图谱生成图谱摘要,利用公钥加密知识图谱摘要,形成密文摘要,将密文摘要和全量知识图谱上传至网络运维平台,利用私钥对密文摘要进行解密,并判断全量知识图谱在共享过程中是否被第三方篡改,如果没被篡改,则进行存储并启动后续流程。
2.如权利要求1所述的网络智能运维知识图谱协同构建和共享方法,其特征在于,所述步骤S1包括:
将构建的高维空间统一表示模型形式化描述为S=Iabcd…,其中I表示整数域,abcd…表示协同模型的各个维度,其中维度Ia与维度Ib表示网络运维知识图谱的实体标识,维度Ic表示实体之间的关系,维度Id表示不同的知识图谱增量。
3.如权利要求2所述的网络智能运维知识图谱协同构建和共享方法,其特征在于,所述高维空间统一表示模型还可以根据实际需要添加新的维度。
4.如权利要求1或2所述的网络智能运维知识图谱协同构建和共享方法,其特征在于,所述步骤S3中的实体包括网络运营与维护过程中涉及的概念和实例。
5.如权利要求1或2所述的网络智能运维知识图谱协同构建和共享方法,其特征在于,在所述步骤S2中:每一个知识图谱增量有序地部署在高维协同模型中,高维协同模型维度Id的长度等于知识图谱增量的个数。
7.如权利要求1或2所述的网络智能运维知识图谱协同构建和共享方法,其特征在于,在所述步骤S4中:
所述图谱内容判定算子形式化描述为r=▽(s1,s2),这个算子用于判定两个知识图谱增量所描述的内容是否相似,其中s1和s1表示两个增量知识图谱,▽表示判定算子,r表示判定结果,判定结果为布尔数值,true表示两个增量图谱内容相似,false表示内容不相似;
所述增量图谱合并算子形式化描述为s3=⊕(s1,s2),这个算子用于将两个知识图谱增量合并为一个新的知识图谱增量,其中增量图谱s1和s2表示两个自变量,增量图谱s3表示因变量。增量图谱合并算子将增量图谱s1和s2中的实体与关系取并集,如果重复则只保留一份实体和对应的关系,基于新的实体与关系并集构建因变量知识图谱s3;
所述增量图谱舍弃算子形式化描述为s=⊙(s1,s2),这个算子对两个知识图谱增量进行分析,根据图谱包括的实体和关系判定增量之间的包含特性,如果一个图谱增量涵盖的信息内容包含另一个图谱增量,则保留这个图谱增量,并将另外一个图谱增量去掉,在上述取舍算子的形式化公式中,因变量s的值域为{s1,s2},即s取值要么是s1,要么是s2;
所述增量图谱标识算子形式化描述为s2=∮(s1),这个算子对知识图谱增量s1中的实体与关系进行重新标识,包括标识实体名称或标识实体之间的关系,经过标识算子处后的增量图谱表示为s2。
8.如权利要求1或2所述的网络智能运维知识图谱协同构建和共享方法,其特征在于,在所述步骤S5中基于全量知识图谱生成图谱摘要,利用公钥加密知识图谱摘要,形成密文摘要,包括:
基于知识图谱增量s创建图谱摘要s’,基于非对称加密机制,利用公钥加密知识图谱摘要s’,加密后的结果表示为s*;
上述加密过程形式化描述为s*=f(s’,kpub),其中f为加密函数,kpub为公钥。
9.如权利要求1或2所述的网络智能运维知识图谱协同构建和共享方法,其特征在于,在所述步骤S5中进行存储并启动后续流程,包括:
网络运维平台将这个知识图谱增量嵌入到四维协同模型中,执行后续的图谱整合、知识推理、网维运营与维护操作。
10.一种网络智能运维知识图谱协同构建和共享装置,其特征在于,包括高维空间统一表示模型构建模块、网络运维知识图谱高维协同模型构建模块、实体语义相似度集合构建模块、全量知识图谱构建模块和全量知识图谱上传模块,其中:
所述高维空间统一表示模型构建模块,用于构建高维空间统一表示模型;
所述网络运维知识图谱高维协同模型构建模块,用于以高维空间统一表示模型作为基础,将不同时刻、不同厂商、不同网络设备所对应的知识图谱表示为知识图谱增量,并在高维空间中依据维度有序排列,构建网络运维知识图谱高维协同模型;
所述实体语义相似度集合构建模块,用于在网络运维知识图谱高维协同模型内,将实体的特征输入高维空间多因素赋权距离度量公式,输出实体语义相似度集合;
所述全量知识图谱构建模块,用于遍历实体语义相似度集合,输入图谱内容判定算子,如果实体相似,则通过增量图谱合并算子进行嵌入,否则通过增量图谱舍弃算子去掉一个增量图谱;完成上述处理以后,利用增量图谱标识算子对图谱的实体关系进行重新标识,形成包括所有增量的全量知识图谱;
所述全量知识图谱上传模块,用于基于全量知识图谱生成图谱摘要,利用公钥加密知识图谱摘要,形成密文摘要,将密文摘要和全量知识图谱上传至网络运维平台,利用私钥对密文摘要进行解密,并判断全量知识图谱在共享过程中是否被第三方篡改,如果没被篡改,则进行存储并启动后续流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110323968.8A CN113051407B (zh) | 2021-03-26 | 2021-03-26 | 一种网络智能运维知识图谱协同构建和共享方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110323968.8A CN113051407B (zh) | 2021-03-26 | 2021-03-26 | 一种网络智能运维知识图谱协同构建和共享方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113051407A true CN113051407A (zh) | 2021-06-29 |
CN113051407B CN113051407B (zh) | 2022-10-21 |
Family
ID=76515393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110323968.8A Active CN113051407B (zh) | 2021-03-26 | 2021-03-26 | 一种网络智能运维知识图谱协同构建和共享方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113051407B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113453257A (zh) * | 2021-08-30 | 2021-09-28 | 网络通信与安全紫金山实验室 | 无线通信网络性能优化方法及装置 |
CN113688252A (zh) * | 2021-08-09 | 2021-11-23 | 广西师范大学 | 基于多特征协同知识图谱和区块链的安全跨域推荐方法 |
CN116091045A (zh) * | 2023-02-28 | 2023-05-09 | 武汉烽火技术服务有限公司 | 一种基于知识图谱的通信网络运维方法和运维装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070073531A1 (en) * | 2000-09-05 | 2007-03-29 | Novell, Inc. | Intentional-stance characterization of a general content stream or repository |
CN110955801A (zh) * | 2019-12-06 | 2020-04-03 | 中国建设银行股份有限公司 | 一种cognos报表指标的知识图谱分析方法及系统 |
CN111897970A (zh) * | 2020-07-27 | 2020-11-06 | 平安科技(深圳)有限公司 | 基于知识图谱的文本比对方法、装置、设备及存储介质 |
CN112200317A (zh) * | 2020-09-28 | 2021-01-08 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多模态知识图谱构建方法 |
-
2021
- 2021-03-26 CN CN202110323968.8A patent/CN113051407B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070073531A1 (en) * | 2000-09-05 | 2007-03-29 | Novell, Inc. | Intentional-stance characterization of a general content stream or repository |
CN110955801A (zh) * | 2019-12-06 | 2020-04-03 | 中国建设银行股份有限公司 | 一种cognos报表指标的知识图谱分析方法及系统 |
CN111897970A (zh) * | 2020-07-27 | 2020-11-06 | 平安科技(深圳)有限公司 | 基于知识图谱的文本比对方法、装置、设备及存储介质 |
CN112200317A (zh) * | 2020-09-28 | 2021-01-08 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多模态知识图谱构建方法 |
Non-Patent Citations (1)
Title |
---|
高海翔等: "知识图谱及其在电力系统中的应用研究综述", 《广东电力》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688252A (zh) * | 2021-08-09 | 2021-11-23 | 广西师范大学 | 基于多特征协同知识图谱和区块链的安全跨域推荐方法 |
CN113688252B (zh) * | 2021-08-09 | 2023-09-26 | 广西师范大学 | 基于多特征协同知识图谱和区块链的安全跨域推荐方法 |
CN113453257A (zh) * | 2021-08-30 | 2021-09-28 | 网络通信与安全紫金山实验室 | 无线通信网络性能优化方法及装置 |
CN113453257B (zh) * | 2021-08-30 | 2021-12-28 | 网络通信与安全紫金山实验室 | 无线通信网络性能优化方法及装置 |
CN116091045A (zh) * | 2023-02-28 | 2023-05-09 | 武汉烽火技术服务有限公司 | 一种基于知识图谱的通信网络运维方法和运维装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113051407B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113051407B (zh) | 一种网络智能运维知识图谱协同构建和共享方法与装置 | |
Liefooghe et al. | Landscape-aware performance prediction for evolutionary multiobjective optimization | |
Etchells et al. | Orthogonal search-based rule extraction (OSRE) for trained neural networks: a practical and efficient approach | |
Gong et al. | Multiobjective immune algorithm with nondominated neighbor-based selection | |
CN113946461A (zh) | 一种故障根因分析的方法及装置 | |
CN110084377A (zh) | 用于构建决策树的方法和装置 | |
Qu et al. | Fedtwin: Blockchain-enabled adaptive asynchronous federated learning for digital twin networks | |
CN104246798A (zh) | 基于模糊专家系统的问题分析和优先级确定 | |
TW201807624A (zh) | 用於發掘與實體關係相關之行為及其他群集以增強去隨機化實體行為識別及分類之診斷引擎及分類器 | |
CN108763793A (zh) | 一种加权模糊型d-s证据理论框架 | |
CN116865952B (zh) | 一种数据的加密管理方法及系统 | |
CN114139202A (zh) | 基于联邦学习的隐私保护样本预测应用方法及系统 | |
CN117316409A (zh) | 一种基于大数据的医院信息管理方法及系统 | |
US20230252185A1 (en) | Apparatuses and methods for revealing user identifiers on an immutable sequential listing | |
CN116208340A (zh) | 一种基于隐私计算和区块链的可信数据流通平台系统方法 | |
CN115189966B (zh) | 区块链隐私数据加解密服务系统 | |
Yamaguchi et al. | Reviewing crisp, fuzzy, grey and rough mathematical models | |
Escoffier et al. | The convergence of iterative delegations in liquid democracy | |
Dieudonné et al. | Impact of knowledge on election time in anonymous networks | |
Zhao | Research on network security defence based on big data clustering algorithms | |
Zheng et al. | Reconstruction of tree network via evolutionary game data analysis | |
Hruschka Jr et al. | A feature selection Bayesian approach for extracting classification rules with a clustering genetic algorithm | |
CN114580087A (zh) | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 | |
Bárcena et al. | A federated fuzzy c-means clustering algorithm. | |
Srinivas et al. | A Comprehensive Survey of Big Data in the Age of AI |
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 |