CN113360350A - 定位网络设备根因告警的方法、装置、设备和存储介质 - Google Patents
定位网络设备根因告警的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113360350A CN113360350A CN202010140918.1A CN202010140918A CN113360350A CN 113360350 A CN113360350 A CN 113360350A CN 202010140918 A CN202010140918 A CN 202010140918A CN 113360350 A CN113360350 A CN 113360350A
- Authority
- CN
- China
- Prior art keywords
- alarm data
- root cause
- alarm
- data
- association rule
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims description 20
- 238000012216 screening Methods 0.000 claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 230000001364 causal effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 43
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 230000002596 correlated effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
Abstract
本发明提供了一种定位网络设备根因告警的方法和装置,包括:按照目标网络设备的告警数据的发生时间对告警数据进行聚类,得到多个数据集合后,基于多个数据集合中包含的告警数据,构建目标网络设备对应的告警数据关联规则,通过预设的置信度计算方式,计算各个告警数据关联规则的置信度,根据各个告警数据关联规则的置信度,确定网络设备对应的至少一个待选根因告警数据,通过预先训练的根因告警筛选模型,在待选根因告警数据中选取目标网络设备对应的目标根因告警数据。能够从发生时间在秒级别相同的告警中进一步确定出根因告警,提高了根因告警确定时的准确度,再使用模型对根因告警数据准确性进行验证,又再进一步提高了确定根因告警时准确度。
Description
技术领域
本文件涉及通信技术领域,尤其涉及一种定位网络设备根因告警的方法、装置、设备和存储介质。
背景技术
随着通信网络设备的海量增长,当网络设备出现故障时,故障告警量也在急剧增加,为了迅速的处理大量的告警,需要在众多的告警中找出根本原因,解决核心问题,因此,及时定位出网络设备的根因告警对解决设备故障尤为重要。
目前主要采用时间序列算法的方式定位根因告警,即将同一网络设备的所有的告警按照时间进行排序,根据告警发生先后顺序判断根因告警,比如将在时间顺序上先出现的告警确认为根因告警。
但是在网络设备中,有部分告警发生的时间都集中在同一秒,使用时间序列判断方法无法从发生时间在秒级别相同的告警中进一步分辨出根因告警,导致确定根因告警时准确度较低。
发明内容
本说明书一个实施例的目的是提供一种定位网络设备根因告警的方法、装置、设备和存储介质,以解决确定根因告警时精确度较低的问题。
为解决上述技术问题,本说明书一个实施例是这样实现的:
第一方面,本说明书一个实施例提供了一种定位网络设备根因告警方法,包括:获取目标网络设备的告警数据,按照告警数据的发生时间对告警数据进行聚类,得到多个数据集合;同一数据集合中的告警数据的发生时间相同;基于多个数据集合中包含的告警数据,构建目标网络设备对应的告警数据关联规则,告警数据关联规则用于表示目标网络设备的告警数据之间的因果关系;通过预设的置信度计算方式,计算各个告警数据关联规则的置信度,根据各个告警数据关联规则的置信度,确定网络设备对应的至少一个待选根因告警数据;通过预先训练的根因告警筛选模型,基于待选根因告警数据的词向量特征,在待选根因告警数据中选取目标网络设备对应的目标根因告警数据。
第二方面,本说明书另一个实施例提供了一种定位网络设备根因告警的装置,包括:聚类模块:用于获取目标网络设备的告警数据,按照告警数据的发生时间对告警数据进行聚类,得到多个数据集合;同一数据集合中的告警数据的发生时间相同;构建模块:用于基于多个数据集合中包含的告警数据,构建目标网络设备对应的告警数据关联规则,告警数据关联规则用于表示目标网络设备的告警数据之间的因果关系;计算模块:用于通过预设的置信度计算方式,计算各个告警数据关联规则的置信度,根据各个告警数据关联规则的置信度,确定网络设备对应的至少一个待选根因告警数据;选取模块:用于通过预先训练的根因告警筛选模型,基于待选根因告警数据的词向量特征,在待选根因告警数据中选取目标网络设备对应的目标根因告警数据。
第三方面,本说明书又一个实施例提供了一种定位网络设备根因告警的设备,包括:存储器、处理器和存储在存储器上并可在处理器上运行的计算机可执行指令,计算机可执行指令被处理器执行时实现如上述第一方面的定位网络设备根因告警的方法的步骤。
第四方面,本说明书再一个实施例提供了一种计算机可读存储介质,计算机可读存储介质用于存储计算机可执行指令,计算机可执行指令被处理器执行时实现如上述第一方面的定位网络设备根因告警的方法的步骤。
在本说明书一个实施例中,通过先按照获取目标网络设备的告警数据的发生时间对告警数据进行聚类,得到多个数据集合,然后基于多个数据集合中包含的告警数据,构建目标网络设备对应的告警数据关联规则,再通过预设的置信度计算方式,计算各个告警数据关联规则的置信度,根据各个告警数据关联规则的置信度,确定网络设备对应的至少一个待选根因告警数据,最后通过预先训练的根因告警筛选模型,基于待选根因告警数据的词向量特征,在待选根因告警数据中选取目标网络设备对应的目标根因告警数据。由于根因告警往往较其他告警的出现次数更低,而置信度计算与根因告警出现概率成正相关,因此从按照时间对告警数据进行聚类后得到数据集合中挖掘出告警数据关联规则后,通过计算告警数据关联规则的置信度可以确定出待选根因告警数据,能够从发生时间在秒级别相同的告警中进一步确定出根因告警,提高了根因告警确定时的准确度,并且使用模型对根因告警数据准确性进行验证,又再进一步提高了确定根因告警时准确度。
附图说明
为了更清楚地说明本说明书一个或多个实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个实施例提供的定位网络设备根因告警的方法的流程示意图;
图2为本说明书一个实施例提供的定位网络设备根因告警的装置的模块示意图;
图3为本说明书一个实施例提供的定位网络设备根因告警的设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
考虑到现有技术中,通过时间序列算法的方式定位根因告警,具有确定根因告警时精确度低的问题,本说明书一实施例提供了一种定位网络设备根因告警的方法和装置,以解决该问题,提高确定根因告警的精确度。
图1为本说明书一实施例提供的定位网络设备根因告警的方法的流程示意图,如图1所示,该流程包括以下步骤:
步骤S102,获取目标网络设备的告警数据,按照所述告警数据的发生时间对所述告警数据进行聚类,得到多个数据集合;同一数据集合中的告警数据的发生时间相同;
步骤S104,基于所述多个数据集合中包含的告警数据,构建所述目标网络设备对应的告警数据关联规则,所述告警数据关联规则用于表示所述目标网络设备的告警数据之间的因果关系;
步骤S106,通过预设的置信度计算方式,计算各个所述告警数据关联规则的置信度,根据各个所述告警数据关联规则的置信度,确定所述网络设备对应的至少一个待选根因告警数据;
步骤S108,通过预先训练的根因告警筛选模型,基于所述待选根因告警数据的词向量特征,在所述待选根因告警数据中选取所述目标网络设备对应的目标根因告警数据。
在本说明书一个实施例中,通过先按照获取目标网络设备的告警数据的发生时间对告警数据进行聚类,得到多个数据集合,然后基于多个数据集合中包含的告警数据,构建目标网络设备对应的告警数据关联规则,再通过预设的置信度计算方式,计算各个告警数据关联规则的置信度,根据各个告警数据关联规则的置信度,确定网络设备对应的至少一个待选根因告警数据,最后通过预先训练的根因告警筛选模型,基于待选根因告警数据的词向量特征,在待选根因告警数据中选取目标网络设备对应的目标根因告警数据。由于根因告警往往较其他告警的出现次数更低,而置信度计算与根因告警出现概率成正相关,因此从按照时间对告警数据进行聚类后得到数据集合中挖掘出告警数据关联规则后,通过计算告警数据关联规则的置信度可以确定出待选根因告警数据,能够从发生时间在秒级别相同的告警中进一步确定出根因告警,提高了根因告警确定时的准确度,并且使用模型对根因告警数据准确性进行验证,又再进一步提高了确定根因告警时准确度。
上述步骤102中,获取目标网络设备的告警数据,按照所述告警数据的发生时间对所述告警数据进行聚类,得到多个数据集合;同一数据集合中的告警数据的发生时间相同。
具体的,本实施例中的目标网络设备为需要分析根因告警的网络设备,网络设备具体可以为网元设备,基站设备等。目标网络设备的告警数据指的是网络设备在运行过程中发生故障时产生的告警数据。一般情况下,所有网络设备的告警数据都会显示在告警界面,在获取到所有网络设备的告警数据后,需要先对所有的告警数据进行数据清洗,清洗的过程可以为,剔除4级数据、剔除衍生告警数据、剔除主次警告数据、剔除脏数据等。数据清洗的主要目的是先剔除一些无用的告警数据,使得能及时对重要的告警数据进行处理。例如,4级以下的告警数据为告警级别较低的数据,对设备性能的影响较小,可以予以剔除,优先对告警级别较高的数据进行处理。对告警数据进行数据清洗后,需要按照网络设备的名称对所有的告警数据进行聚类,得到每个网络设备的告警数据,选取一个设备的所有告警数据作为目标网络设备的告警数据。告警数据的形式可以为:S1接口故障,基站S1控制面传输中断告警等。每个告警数据有对应的发生时间。
按照告警数据的发生时间对所述告警数据进行聚类后,可以得到多个数据集合。一个数据集可以看做一个项集,每个项集对应一个时间点,每个项集中包含几个发生时间相同的告警数据。例如:假设告警数据为a、b、c,d,按照时间聚类后发现在2019/8/20 1:43发生了三个告警,分别为a,b,c,在2019/8/20 1:44发生了告警a,b,在2019/8/20 1:45发生了告警a。得到的数据集合可以为下表1:
表1
发生时间 | 告警数据 |
2019/8/20 1:43 | {a、b、c} |
2019/8/20 1:44 | {a、b} |
2019/8/20 1:45 | {a} |
2019/8/20 1:47 | {a、c} |
2019/8/20 1:48 | {b、c、d} |
2019/8/20 1:49 | {a、b} |
2019/8/20 1:50 | {a、b、c} |
上述步骤104中,基于所述多个数据集合中包含的告警数据,构建所述目标网络设备对应的告警数据关联规则,所述告警数据关联规则用于表示所述目标网络设备的告警数据之间的因果关系。
关联规则是形如的蕴涵式,其中,X和Y分别称为关联规则的先导(antecedent或left-hand-side,LHS)和后继(consequent或right-hand-side,RHS)。从数据集合中挖掘出的关联规则可以为也可以为在的关联规则中,X为根因,在的关联规则中,Y为根因。
步骤104中,基于所述多个数据集合中包含的告警数据,构建所述目标网络设备对应的告警数据关联规则,包括:
按照预设的频繁项集挖掘算法,基于所述多个数据集合挖掘频繁项集;所述频繁项集包括多个告警数据,所述频繁项集中包括的各个告警数据的支持度均大于预设支持度阈值;
将所述频繁项集中的至少一个告警数据确定为第一告警数据,将所述频繁项集中的其他告警数据确定为第二告警数据,构建包括第一告警数据和第二告警数据的告警数据关联规则,所述告警数据关联规则用于表示所述第一告警数据的产生导致所述第二告警数据的产生。
频繁项集的挖掘过程是从组成各个数据集合的多个告警数据中挖掘出经常出现的多个告警数据。频繁项集挖掘算法可以为Apriori算法和FP-growth算法等算法,本发明实施例不做具体限定。频繁项集可以反映数据集合中经常一起出现的变量,本申请中的数据集合为告警数据集合,则频繁项集中的数据为一起出现的多个告警数据。在频繁项集挖掘算法中,支持度(Support)的公式是:Support(A->B)=P(AUB),即A和B这两个项集在数据合集D中同时出现的概率。支持度阈值可以根据经验值进行预先设定,例如,可以将支持度大于百分之60%的项集判定为频繁项集。挖掘出的频繁项集中可以包含若干个告警数据。将频繁项集中的告警数据进行组合后得到关联规则。第一告警数据为关联规则的先导,即关联规则的根因,第二告警数据为关联规则的后继,为导致出的结果。
下面以频繁项集挖掘算法为Apriori算法为例,来说明挖掘数据集合的关联规则的过程。
先由数据集合生成候选项集C1(1表示每个候选项仅有一个数据项);再由C1通过支持度过滤,生成频繁项集L1(1表示每个频繁项仅有一个数据项)。将L1的数据项两两拼接成C2。从候选项集C2开始,通过支持度过滤生成L2。L2根据Apriori原理拼接成候选项集C3;C3通过支持度过滤生成L3……直到Lk中仅有一个或没有数据项为止。
具体的,以表1中的数据集合为例,生成的候选项集C1为{a}{b}{c}{d},通过支持度过滤的过程为:计算项集{a}在所有数据集合中出现过的次数为6,数据集合的总数为7,则项集{a}的支持度为0.86,大于预设值0.5,依次计算出项集{b}的支持度为0.71,项集{c}的支持度为0.57,项集{d}的支持度为0.14,筛选出频繁项集L1为{a}{b}{c},将L1中两两进行拼接得到C2为{ab}{ac}{bc},依次计算{ab}的支持度,{ab}在数据集合中同时出现的次数为4,数据集合总数为7,计算得出{ab}的支持度为0.57,{ac}的支持度为0.42,{bc}的支持度为0.42,按照支持度大于0,5进行过滤得到的项集为{ab},则可以确定{ab}为频繁项集。
步骤S106,通过预设的置信度计算方式,计算各个所述告警数据关联规则的置信度,根据各个所述告警数据关联规则的置信度,确定所述网络设备对应的至少一个待选根因告警数据;
在数据挖掘领域中,置信度(Confidence)的公式是:Confidence(A->B)=P(A|B),即在出现项集A的数据集合D中,项集B也同时出现的概率。
本实施例中,所述告警数据关联规则包括第一告警数据和第二告警数据,所述告警数据关联规则用于表示所述第一告警数据的产生导致所述第二告警数据的产生。步骤S106中,计算各个所述告警数据关联规则的置信度,包括:针对每个所述告警数据关联规则,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据和第二告警数据的数据集合的数量,将该数量作为第一数量,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据的数据集合的数量,将该数量作为第二数量;
计算所述第一数量与所述第二数量的比值,将所述比值作为该告警数据关联规则的置信度。
步骤S106中,根据各个所述告警数据关联规则的置信度,确定所述网络设备对应的至少一个待选根因告警数据;
在各个所述告警数据关联规则中,选取置信度大于等于第一预设置信度阈值且小于等于第二预设置信度阈值的目标关联规则,将所述目标关联规则中的第一告警数据确定为待选根因告警数据。
对于根据频繁项集挖掘出的关联规则,需要先根据置信度进行第一次筛选,将置信度大于第一预设置信度阈值的关联规则筛选出来。
由于根因告警往往较其伴随告警出现次数更低,而置信度计算与根因告警元素出现概率成正相关。所以我们选择置信度相对较低的规则的根因作为频繁项集的根因告警。因此,需要对根据第一预设阈值筛选后的关联规则进行置信度排序,对于排序后的关联规则,选取置信度较小的几个关联规则作为目标关联规则。
具体的,第一置信度阈值预设的置信度阈值,根据经验数据设置为0.6,则从两条关联规则中筛选出的目标关联规则为和将两条目标关联规则进行排序后,选择置信度排序较低的关联规则的根因为为频繁项集,则,的置信度比的置信度低,可以选定为目标关联规则,a为待选根因告警数据。
上述步骤S108中,通过预先训练的根因告警筛选模型,基于所述待选根因告警数据的词向量特征,在所述待选根因告警数据中选取所述目标网络设备对应的目标根因告警数据。
具体的,通过上述方法生产的根因告警不能保证其正确性,还需要根据根因告警筛选模型对待选根因告警进行验证,根因告警筛选模型包括的神经网络模型可以为CNN卷积模型,在使用模型之前可以利用人工已确定的根因告警进行模型训练,具体训练过程为,将告警数据进行合并,分词,和编码后输入模型进行训练。因为告警数据为一段描述异常数据的文字,例如为S1接口故障,因此,训练后的模型可以通过词向量特征的相似度对比确定出目标根因告警数据。
具体的,步骤S108中通过预先训练的根因告警筛选模型,基于所述待选根因告警数据的词向量特征,在所述待选根因告警数据中选取所述目标网络设备对应的目标根因告警数据,包括:
将所述待选根因告警数据输入至所述根因告警筛选模型,通过所述根因告警筛选模型中的词向量特征提取层,提取所述待选根因告警数据的词向量特征;
通过所述根因告警筛选模型中的特征比对层,计算提取的所述词向量特征与预先存储的标准词向量特征之间的距离;
通过所述根因告警筛选模型中的筛选层,将所述距离小于等于预设距离阈值的所述待选根因告警数据选取为所述目标根因告警数据。
具体的,将待选根因告警数据输入根因告警筛选模型之前,需要先对待选告警数据进行合并,再对合并后的文本进行分词后输入根因告警筛选模型,根因告警筛选模型提取出待选根因告警数据词向量特征。
计算待选根因告警数据的词向量特征与存储的所有已确认待选根因告警的词向量特征的特征距离,设置一个最小特征距离,将大于最小特征距离的根因告警数据选取为目标根因告警数据,说明该根因告警以前出现过,则可以确定为目标根因告警。
具体的,上述步骤中的所述根因告警筛选模型包括神经网络模型;本实施例中的方法还包括:将选取到的所述目标根因告警数据作为所述根因告警筛选模型的优化样本数据,通过所述优化样本数据对所述根因告警筛选模型进行优化。
将新确定出告警根因数据再输入根因告警筛选模型,充实根因告警筛选模型的数据库,对模型进行调整和优化,进而使得模型能更加精确的判断出根因告警。
具体的,本实施例中的方法还包括:输出所述待选根因告警数据中未被选取为所述目标根因告警数据的其他告警数据,以通过人工的方式对该其他告警数据进行处理。
通过根因告警数据筛选模型选择完后数据后,一些未识别出的数据,可能为以前从未出现过的告警数据,因此,还需通过人工进行判断,对于人工判断后确认的目标告警数据,可以将其作为根因告警筛选模型的优化样本数据,输入根因告警筛选模型,对根因告警筛选模型进行调整和优化。
具体应用中,平台通过运行环境进行支撑,通过持久层进行存储,通过预处理和业务层配合首先挖掘告警关联规则,然后将告警关联规则输入根因告警判断模块,通过时间序列、金字塔和CNN卷积后,输出根因告警表,在表示层进行呈现。
在本说明书一个实施例中,通过先按照获取目标网络设备的告警数据的发生时间对告警数据进行聚类,得到多个数据集合,然后基于多个数据集合中包含的告警数据,构建目标网络设备对应的告警数据关联规则,再通过预设的置信度计算方式,计算各个告警数据关联规则的置信度,根据各个告警数据关联规则的置信度,确定网络设备对应的至少一个待选根因告警数据,最后通过预先训练的根因告警筛选模型,基于待选根因告警数据的词向量特征,在待选根因告警数据中选取目标网络设备对应的目标根因告警数据。由于根因告警往往较其他告警的出现次数更低,而置信度计算与根因告警出现概率成正相关,因此从按照时间对告警数据进行聚类后得到数据集合中挖掘出告警数据关联规则后,通过计算告警数据关联规则的置信度可以确定出待选根因告警数据,能够从发生时间在秒级别相同的告警中进一步确定出根因告警,提高了根因告警确定时的准确度,并且使用模型对根因告警数据准确性进行验证,又再进一步提高了确定根因告警时准确度。
图2为本说明书一实施例提供的定位网络设备根因告警的装置的模块组成示意图。如图2所示,本说明书一实施例提供的一种定位网络设备根因告警的装置,该装置包括:
聚类模块201:用于获取目标网络设备的告警数据,按照所述告警数据的发生时间对所述告警数据进行聚类,得到多个数据集合;同一数据集合中的告警数据的发生时间相同;
构建模块202:用于基于所述多个数据集合中包含的告警数据,构建所述目标网络设备对应的告警数据关联规则,所述告警数据关联规则用于表示所述目标网络设备的告警数据之间的因果关系;
计算模块203:用于通过预设的置信度计算方式,计算各个所述告警数据关联规则的置信度,根据各个所述告警数据关联规则的置信度,确定所述网络设备对应的至少一个待选根因告警数据;
选取模块204:用于通过预先训练的根因告警筛选模型,基于所述待选根因告警数据的词向量特征,在所述待选根因告警数据中选取所述目标网络设备对应的目标根因告警数据。
可选地,构建模块202还用于,按照预设的频繁项集挖掘算法,基于所述多个数据集合挖掘频繁项集;所述频繁项集包括多个告警数据,所述频繁项集中包括的各个告警数据的支持度均大于预设支持度阈值;将所述频繁项集中的至少一个告警数据确定为第一告警数据,将所述频繁项集中的其他告警数据确定为第二告警数据,构建包括第一告警数据和第二告警数据的告警数据关联规则,所述告警数据关联规则用于表示所述第一告警数据的产生导致所述第二告警数据的产生。
可选地,计算模块203还用于针对每个所述告警数据关联规则,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据和第二告警数据的数据集合的数量,将该数量作为第一数量,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据的数据集合的数量,将该数量作为第二数量;计算所述第一数量与所述第二数量的比值,将所述比值作为该告警数据关联规则的置信度。
可选地,计算模块203还用于在各个所述告警数据关联规则中,选取置信度大于等于第一预设置信度阈值且小于等于第二预设置信度阈值的目标关联规则,将所述目标关联规则中的第一告警数据确定为待选根因告警数据。
可选地,选取模块204还用于将所述待选根因告警数据输入至所述根因告警筛选模型,通过所述根因告警筛选模型中的词向量特征提取层,提取所述待选根因告警数据的词向量特征;通过所述根因告警筛选模型中的特征比对层,计算提取的所述词向量特征与预先存储的标准词向量特征之间的距离;通过所述根因告警筛选模型中的筛选层,将所述距离小于等于预设距离阈值的所述待选根因告警数据选取为所述目标根因告警数据。
可选地,选取模块204还具体用于将选取到的所述目标根因告警数据作为所述根因告警筛选模型的优化样本数据,通过所述优化样本数据对所述根因告警筛选模型进行优化。
可选地,选取模块204还具体用于输出所述待选根因告警数据中未被选取为所述目标根因告警数据的其他告警数据,以通过人工的方式对该其他告警数据进行处理。
在本说明书一个实施例中,通过先按照获取目标网络设备的告警数据的发生时间对告警数据进行聚类,得到多个数据集合,然后基于多个数据集合中包含的告警数据,构建目标网络设备对应的告警数据关联规则,再通过预设的置信度计算方式,计算各个告警数据关联规则的置信度,根据各个告警数据关联规则的置信度,确定网络设备对应的至少一个待选根因告警数据,最后通过预先训练的根因告警筛选模型,基于待选根因告警数据的词向量特征,在待选根因告警数据中选取目标网络设备对应的目标根因告警数据。由于根因告警往往较其他告警的出现次数更低,而置信度计算与根因告警出现概率成正相关,因此从按照时间对告警数据进行聚类后得到数据集合中挖掘出告警数据关联规则后,通过计算告警数据关联规则的置信度可以确定出待选根因告警数据,能够从发生时间在秒级别相同的告警中进一步确定出根因告警,提高了根因告警确定时的准确度,并且使用模型对根因告警数据准确性进行验证,又再进一步提高了确定根因告警时准确度。
本说明书一实施例提供的定位网络设备根因告警的装置能够实现前述方法实施例中的各个过程,并达到相同的功能和效果,这里不再重复。
进一步地,本说明书一个实施例还提供了一种定位网络设备根因告警的设备,图3为本说明书一实施例提供的定位网络设备根因告警的设备的结构示意图,如图3所示,该设备包括:存储器301、处理器302、总线303和通信接口304。存储器301、处理器302和通信接口304通过总线303进行通信,通信接口304可以包括输入输出接口,输入输出接口包括但不限于键盘、鼠标、显示器、麦克风、扩音器等。
图3中,所述存储器301上存储有可在所述处理器302上运行的计算机可执行指令,所述计算机可执行指令被所述处理器302执行时实现以下流程:
获取目标网络设备的告警数据,按照所述告警数据的发生时间对所述告警数据进行聚类,得到多个数据集合;同一数据集合中的告警数据的发生时间相同;
基于所述多个数据集合中包含的告警数据,构建所述目标网络设备对应的告警数据关联规则,所述告警数据关联规则用于表示所述目标网络设备的告警数据之间的因果关系;
通过预设的置信度计算方式,计算各个所述告警数据关联规则的置信度,根据各个所述告警数据关联规则的置信度,确定所述网络设备对应的至少一个待选根因告警数据;
通过预先训练的根因告警筛选模型,基于所述待选根因告警数据的词向量特征,在所述待选根因告警数据中选取所述目标网络设备对应的目标根因告警数据。
可选地,所述计算机可执行指令被所述处理器执行时,按照预设的频繁项集挖掘算法,基于所述多个数据集合挖掘频繁项集;所述频繁项集包括多个告警数据,所述频繁项集中包括的各个告警数据的支持度均大于预设支持度阈值;将所述频繁项集中的至少一个告警数据确定为第一告警数据,将所述频繁项集中的其他告警数据确定为第二告警数据,构建包括第一告警数据和第二告警数据的告警数据关联规则,所述告警数据关联规则用于表示所述第一告警数据的产生导致所述第二告警数据的产生。
可选地,所述计算机可执行指令被所述处理器执行时,针对每个所述告警数据关联规则,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据和第二告警数据的数据集合的数量,将该数量作为第一数量,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据的数据集合的数量,将该数量作为第二数量;计算所述第一数量与所述第二数量的比值,将所述比值作为该告警数据关联规则的置信度。
可选地,所述计算机可执行指令被所述处理器执行时,在各个所述告警数据关联规则中,选取置信度大于等于第一预设置信度阈值且小于等于第二预设置信度阈值的目标关联规则,将所述目标关联规则中的第一告警数据确定为待选根因告警数据。
可选地,所述计算机可执行指令被所述处理器执行时,将所述待选根因告警数据输入至所述根因告警筛选模型,通过所述根因告警筛选模型中的词向量特征提取层,提取所述待选根因告警数据的词向量特征;通过所述根因告警筛选模型中的特征比对层,计算提取的所述词向量特征与预先存储的标准词向量特征之间的距离;通过所述根因告警筛选模型中的筛选层,将所述距离小于等于预设距离阈值的所述待选根因告警数据选取为所述目标根因告警数据。
可选地,所述计算机可执行指令被所述处理器执行时,将选取到的所述目标根因告警数据作为所述根因告警筛选模型的优化样本数据,通过所述优化样本数据对所述根因告警筛选模型进行优化。
可选地,所述计算机可执行指令被所述处理器执行时,输出所述待选根因告警数据中未被选取为所述目标根因告警数据的其他告警数据,以通过人工的方式对该其他告警数据进行处理。
在本说明书一个实施例中,通过先按照获取目标网络设备的告警数据的发生时间对告警数据进行聚类,得到多个数据集合,然后基于多个数据集合中包含的告警数据,构建目标网络设备对应的告警数据关联规则,再通过预设的置信度计算方式,计算各个告警数据关联规则的置信度,根据各个告警数据关联规则的置信度,确定网络设备对应的至少一个待选根因告警数据,最后通过预先训练的根因告警筛选模型,基于待选根因告警数据的词向量特征,在待选根因告警数据中选取目标网络设备对应的目标根因告警数据。由于根因告警往往较其他告警的出现次数更低,而置信度计算与根因告警出现概率成正相关,因此从按照时间对告警数据进行聚类后得到数据集合中挖掘出告警数据关联规则后,通过计算告警数据关联规则的置信度可以确定出待选根因告警数据,能够从发生时间在秒级别相同的告警中进一步确定出根因告警,提高了根因告警确定时的准确度,并且使用模型对根因告警数据准确性进行验证,又再进一步提高了确定根因告警时准确度。
本说明书一实施例提供的定位网络设备根因告警设备能够实现前述方法实施例中的各个过程,并达到相同的功能和效果,这里不再重复。
进一步地,本说明书另一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机可执行指令,所述计算机可执行指令被处理器执行时实现以下流程:
获取目标网络设备的告警数据,按照所述告警数据的发生时间对所述告警数据进行聚类,得到多个数据集合;同一数据集合中的告警数据的发生时间相同;
基于所述多个数据集合中包含的告警数据,构建所述目标网络设备对应的告警数据关联规则,所述告警数据关联规则用于表示所述目标网络设备的告警数据之间的因果关系;
通过预设的置信度计算方式,计算各个所述告警数据关联规则的置信度,根据各个所述告警数据关联规则的置信度,确定所述网络设备对应的至少一个待选根因告警数据;
通过预先训练的根因告警筛选模型,基于所述待选根因告警数据的词向量特征,在所述待选根因告警数据中选取所述目标网络设备对应的目标根因告警数据。
可选地,所述计算机可执行指令被所述处理器执行时,按照预设的频繁项集挖掘算法,基于所述多个数据集合挖掘频繁项集;所述频繁项集包括多个告警数据,所述频繁项集中包括的各个告警数据的支持度均大于预设支持度阈值;将所述频繁项集中的至少一个告警数据确定为第一告警数据,将所述频繁项集中的其他告警数据确定为第二告警数据,构建包括第一告警数据和第二告警数据的告警数据关联规则,所述告警数据关联规则用于表示所述第一告警数据的产生导致所述第二告警数据的产生。
可选地,所述计算机可执行指令被所述处理器执行时,针对每个所述告警数据关联规则,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据和第二告警数据的数据集合的数量,将该数量作为第一数量,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据的数据集合的数量,将该数量作为第二数量;计算所述第一数量与所述第二数量的比值,将所述比值作为该告警数据关联规则的置信度。
可选地,所述计算机可执行指令被所述处理器执行时,在各个所述告警数据关联规则中,选取置信度大于等于第一预设置信度阈值且小于等于第二预设置信度阈值的目标关联规则,将所述目标关联规则中的第一告警数据确定为待选根因告警数据。
可选地,所述计算机可执行指令被所述处理器执行时,将所述待选根因告警数据输入至所述根因告警筛选模型,通过所述根因告警筛选模型中的词向量特征提取层,提取所述待选根因告警数据的词向量特征;通过所述根因告警筛选模型中的特征比对层,计算提取的所述词向量特征与预先存储的标准词向量特征之间的距离;通过所述根因告警筛选模型中的筛选层,将所述距离小于等于预设距离阈值的所述待选根因告警数据选取为所述目标根因告警数据。
可选地,所述计算机可执行指令被所述处理器执行时,将选取到的所述目标根因告警数据作为所述根因告警筛选模型的优化样本数据,通过所述优化样本数据对所述根因告警筛选模型进行优化。
可选地,所述计算机可执行指令被所述处理器执行时,输出所述待选根因告警数据中未被选取为所述目标根因告警数据的其他告警数据,以通过人工的方式对该其他告警数据进行处理。
在本说明书一个实施例中,通过先按照获取目标网络设备的告警数据的发生时间对告警数据进行聚类,得到多个数据集合,然后基于多个数据集合中包含的告警数据,构建目标网络设备对应的告警数据关联规则,再通过预设的置信度计算方式,计算各个告警数据关联规则的置信度,根据各个告警数据关联规则的置信度,确定网络设备对应的至少一个待选根因告警数据,最后通过预先训练的根因告警筛选模型,基于待选根因告警数据的词向量特征,在待选根因告警数据中选取目标网络设备对应的目标根因告警数据。由于根因告警往往较其他告警的出现次数更低,而置信度计算与根因告警出现概率成正相关,因此从按照时间对告警数据进行聚类后得到数据集合中挖掘出告警数据关联规则后,通过计算告警数据关联规则的置信度可以确定出待选根因告警数据,能够从发生时间在秒级别相同的告警中进一步确定出根因告警,提高了根因告警确定时的准确度,并且使用模型对根因告警数据准确性进行验证,又再进一步提高了确定根因告警时准确度。
本说明书一实施例提供的存储介质能够实现前述方法实施例中的各个过程,并达到相同的功能和效果,这里不再重复。
其中,所述的计算机可读存储介质包括只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种定位网络设备根因告警的方法,其特征在于,包括:
获取目标网络设备的告警数据,按照所述告警数据的发生时间对所述告警数据进行聚类,得到多个数据集合;同一数据集合中的告警数据的发生时间相同;
基于所述多个数据集合中包含的告警数据,构建所述目标网络设备对应的告警数据关联规则,所述告警数据关联规则用于表示所述目标网络设备的告警数据之间的因果关系;
通过预设的置信度计算方式,计算各个所述告警数据关联规则的置信度,根据各个所述告警数据关联规则的置信度,确定所述网络设备对应的至少一个待选根因告警数据;
通过预先训练的根因告警筛选模型,基于所述待选根因告警数据的词向量特征,在所述待选根因告警数据中选取所述目标网络设备对应的目标根因告警数据。
2.根据权利要求1所述的方法,其特征在于,基于所述多个数据集合中包含的告警数据,构建所述目标网络设备对应的告警数据关联规则,包括:
按照预设的频繁项集挖掘算法,基于所述多个数据集合挖掘频繁项集;所述频繁项集包括多个告警数据,所述频繁项集中包括的各个告警数据的支持度均大于预设支持度阈值;
将所述频繁项集中的至少一个告警数据确定为第一告警数据,将所述频繁项集中的其他告警数据确定为第二告警数据,构建包括第一告警数据和第二告警数据的告警数据关联规则,所述告警数据关联规则用于表示所述第一告警数据的产生导致所述第二告警数据的产生。
3.根据权利要求1所述的方法,其特征在于,所述告警数据关联规则包括第一告警数据和第二告警数据,所述告警数据关联规则用于表示所述第一告警数据的产生导致所述第二告警数据的产生;通过预设的置信度计算方式,计算各个所述告警数据关联规则的置信度,包括:
针对每个所述告警数据关联规则,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据和第二告警数据的数据集合的数量,将该数量作为第一数量,确定所述多个数据集合中包括该告警数据关联规则中的第一告警数据的数据集合的数量,将该数量作为第二数量;
计算所述第一数量与所述第二数量的比值,将所述比值作为该告警数据关联规则的置信度。
4.根据权利要求1所述的方法,其特征在于,所述告警数据关联规则包括第一告警数据和第二告警数据,所述告警数据关联规则用于表示所述第一告警数据的产生导致所述第二告警数据的产生;根据各个所述告警数据关联规则的置信度,确定所述网络设备对应的至少一个待选根因告警数据,包括
在各个所述告警数据关联规则中,选取置信度大于等于第一预设置信度阈值且小于等于第二预设置信度阈值的目标关联规则,将所述目标关联规则中的第一告警数据确定为待选根因告警数据。
5.根据权利要求1所述的方法,其特征在于,通过预先训练的根因告警筛选模型,基于所述待选根因告警数据的词向量特征,在所述待选根因告警数据中选取所述目标网络设备对应的目标根因告警数据,包括:
将所述待选根因告警数据输入至所述根因告警筛选模型,通过所述根因告警筛选模型中的词向量特征提取层,提取所述待选根因告警数据的词向量特征;
通过所述根因告警筛选模型中的特征比对层,计算提取的所述词向量特征与预先存储的标准词向量特征之间的距离;
通过所述根因告警筛选模型中的筛选层,将所述距离小于等于预设距离阈值的所述待选根因告警数据选取为所述目标根因告警数据。
6.根据权利要求5所述的方法,其特征在于,所述根因告警筛选模型包括神经网络模型;还包括:
将选取到的所述目标根因告警数据作为所述根因告警筛选模型的优化样本数据,通过所述优化样本数据对所述根因告警筛选模型进行优化。
7.根据权利要求6所述的方法,其特征在于,还包括:
输出所述待选根因告警数据中未被选取为所述目标根因告警数据的其他告警数据,以通过人工的方式对该其他告警数据进行处理。
8.一种定位网络设备根因告警的装置,其特征在于,包括:
聚类模块:用于获取目标网络设备的告警数据,按照所述告警数据的发生时间对所述告警数据进行聚类,得到多个数据集合;同一数据集合中的告警数据的发生时间相同;
构建模块:用于基于所述多个数据集合中包含的告警数据,构建所述目标网络设备对应的告警数据关联规则,所述告警数据关联规则用于表示所述目标网络设备的告警数据之间的因果关系;
计算模块:用于通过预设的置信度计算方式,计算各个所述告警数据关联规则的置信度,根据各个所述告警数据关联规则的置信度,确定所述网络设备对应的至少一个待选根因告警数据;
选取模块:用于通过预先训练的根因告警筛选模型,基于所述待选根因告警数据的词向量特征,在所述待选根因告警数据中选取所述目标网络设备对应的目标根因告警数据。
9.一种定位网络设备根因告警的电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有计算机可执行指令,所述计算机可执行指令在上述处理器上运行时,能够实现上述权利要求1-7任一项所述的方法定位网络设备根因告警的步骤。
10.一种存储介质,该存储介质中存储有计算机可执行指令,其特征在于,所述计算机可执行指令在被处理器执行时,能够实现上述权利要求1-7任一项所述的定位网络设备根因告警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010140918.1A CN113360350A (zh) | 2020-03-03 | 2020-03-03 | 定位网络设备根因告警的方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010140918.1A CN113360350A (zh) | 2020-03-03 | 2020-03-03 | 定位网络设备根因告警的方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113360350A true CN113360350A (zh) | 2021-09-07 |
Family
ID=77523254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010140918.1A Pending CN113360350A (zh) | 2020-03-03 | 2020-03-03 | 定位网络设备根因告警的方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360350A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113542039A (zh) * | 2021-09-16 | 2021-10-22 | 浩鲸云计算科技股份有限公司 | 一种通过ai算法定位5g网络虚拟化跨层问题的方法 |
WO2022111659A1 (zh) * | 2020-11-30 | 2022-06-02 | 中兴通讯股份有限公司 | 告警方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937447A (zh) * | 2010-06-07 | 2011-01-05 | 华为技术有限公司 | 一种告警关联规则挖掘方法、规则挖掘引擎及系统 |
WO2017219855A1 (zh) * | 2016-06-24 | 2017-12-28 | 中兴通讯股份有限公司 | 根因定位方法及装置 |
US20180107695A1 (en) * | 2016-10-19 | 2018-04-19 | Futurewei Technologies, Inc. | Distributed fp-growth with node table for large-scale association rule mining |
CN108847994A (zh) * | 2018-07-25 | 2018-11-20 | 山东中创软件商用中间件股份有限公司 | 基于数据分析的告警定位方法、装置、设备以及存储介质 |
CN109412867A (zh) * | 2018-12-06 | 2019-03-01 | 国家电网有限公司信息通信分公司 | 一种告警关联合并方法、装置、系统、设备和存储介质 |
CN110222936A (zh) * | 2019-05-09 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 一种业务场景的根因定位方法、系统及电子设备 |
CN110609759A (zh) * | 2018-06-15 | 2019-12-24 | 华为技术有限公司 | 一种故障根因分析的方法及装置 |
-
2020
- 2020-03-03 CN CN202010140918.1A patent/CN113360350A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937447A (zh) * | 2010-06-07 | 2011-01-05 | 华为技术有限公司 | 一种告警关联规则挖掘方法、规则挖掘引擎及系统 |
WO2017219855A1 (zh) * | 2016-06-24 | 2017-12-28 | 中兴通讯股份有限公司 | 根因定位方法及装置 |
US20180107695A1 (en) * | 2016-10-19 | 2018-04-19 | Futurewei Technologies, Inc. | Distributed fp-growth with node table for large-scale association rule mining |
CN110609759A (zh) * | 2018-06-15 | 2019-12-24 | 华为技术有限公司 | 一种故障根因分析的方法及装置 |
CN108847994A (zh) * | 2018-07-25 | 2018-11-20 | 山东中创软件商用中间件股份有限公司 | 基于数据分析的告警定位方法、装置、设备以及存储介质 |
CN109412867A (zh) * | 2018-12-06 | 2019-03-01 | 国家电网有限公司信息通信分公司 | 一种告警关联合并方法、装置、系统、设备和存储介质 |
CN110222936A (zh) * | 2019-05-09 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 一种业务场景的根因定位方法、系统及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022111659A1 (zh) * | 2020-11-30 | 2022-06-02 | 中兴通讯股份有限公司 | 告警方法、装置、设备及存储介质 |
CN113542039A (zh) * | 2021-09-16 | 2021-10-22 | 浩鲸云计算科技股份有限公司 | 一种通过ai算法定位5g网络虚拟化跨层问题的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609759B (zh) | 一种故障根因分析的方法及装置 | |
CN110569322A (zh) | 地址信息解析方法、装置、系统及数据获取方法 | |
CN109978060B (zh) | 一种自然语言要素抽取模型的训练方法及装置 | |
CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
CN111726248A (zh) | 一种告警根因定位方法及装置 | |
JP2019511040A (ja) | テキスト情報クラスタ化方法及びテキスト情報クラスタ化システム | |
CN109344262A (zh) | 知识体系的建立方法、装置及存储介质 | |
CN111143578A (zh) | 基于神经网络抽取事件关系的方法、装置和处理器 | |
CN113360350A (zh) | 定位网络设备根因告警的方法、装置、设备和存储介质 | |
CN113052225A (zh) | 基于聚类算法和时序关联规则的报警收敛方法及装置 | |
CN111681049A (zh) | 用户行为的处理方法、存储介质及相关设备 | |
US20180247226A1 (en) | Classifier | |
CN114978877A (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
CN111709225A (zh) | 一种事件因果关系判别方法、装置和计算机可读存储介质 | |
AU2018201708A1 (en) | Method and system for mapping attributes of entities | |
JP2009116870A (ja) | 時系列関係グラフに基づくエンティティ分類装置および方法 | |
CN114077859A (zh) | 异常样本的检测方法及装置、电子设备、存储介质 | |
CN114385876B (zh) | 一种模型搜索空间生成方法、装置及系统 | |
CN116739764A (zh) | 一种基于机器学习的交易风险检测方法、装置、设备及介质 | |
KR20230127861A (ko) | 신용평가 모델 업데이트 또는 교체 방법 및 장치 | |
CN115495587A (zh) | 一种基于知识图谱的告警分析方法及装置 | |
KR101691083B1 (ko) | 토픽 모델과 다중 특성 기반의 버그 정정 개발자 추천 및 버그 심각성 예측 시스템 및 방법 | |
KR102217092B1 (ko) | 애플리케이션의 품질 정보 제공 방법 및 장치 | |
CN107766373A (zh) | 图片所属类目的确定方法及其系统 | |
US20220237179A1 (en) | Systems and Methods for Improved Machine Learning Using Data Completeness and Collaborative Learning Techniques |
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 |