CN114422322B - 一种告警压缩的方法、装置、设备及存储介质 - Google Patents
一种告警压缩的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114422322B CN114422322B CN202111643616.7A CN202111643616A CN114422322B CN 114422322 B CN114422322 B CN 114422322B CN 202111643616 A CN202111643616 A CN 202111643616A CN 114422322 B CN114422322 B CN 114422322B
- Authority
- CN
- China
- Prior art keywords
- alarm
- compression
- alarms
- processed
- determining
- 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.)
- Active
Links
- 230000006835 compression Effects 0.000 title claims abstract description 271
- 238000007906 compression Methods 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 218
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 79
- 238000002372 labelling Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L41/0627—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time by acting on the notification or alarm source
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供一种告警压缩的方法、装置、设备及存储介质，涉及数据处理技术领域，在本申请实施例中，针对待处理告警，基于告警规则，确定待处理告警与同周期中其他告警为非同源告警后，将待处理告警输入告警压缩分析模型，获取告警压缩分析模型输出的压缩分析信息；其中，告警压缩分析模型是基于带有特征标注信息的历史告警进行训练获得的；基于压缩分析信息，对待处理告警进行压缩处理，生成相应的告警工单。采用告警规则及告警压缩分析模型双引擎分析机制，充分利用告警规则原有业务累积规则，同时又采用深度学习智能分析，保证告警压缩的准确性，即生成的告警工单的准确性，降低告警分析处理过程中的复杂度，减小工作量。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种告警压缩的方法、装置、设备及存储介质。
背景技术
在电信行业中，存在各种专业、各种类型、各种版本的网络设备，且网络设备间存在直接或间接的各式拓扑连接。经常出现当位于同一拓扑连接中的一个设备节点出现告警时，导致该拓扑连接中的多个网络设备、以及承载在网络设备上的业务产生大批量告警的情况。
目前，针对产生大批量告警，网管系统一般会根据系统经验和专家经验总结出的压缩规则，将该大批量告警压缩在一起，然后派出一张工单，以便进行告警分析处理。但是，仍存在许多难以识别的同源告警，比如特征不明显、多变、高维特征等现象的告警难以识别，即无法进行同源告警压缩。由于难以识别的同源告警，超出了系统和专家经验范畴，因此对于这些告警，一般会派出多张工单。
由于针对难以识别的同源告警，派出多张工单，导致告警压缩的准确性低，且多张工单对告警分析处理带来了额外的复杂度和工作量。
发明内容
本申请提供一种告警压缩的方法、装置、设备及存储介质，用以保证告警压缩的准确性，降低告警分析处理过程中的复杂度，减小工作量。
第一方面，本申请实施例提供一种告警压缩的方法，该方法包括：
针对待处理告警，基于告警规则，确定待处理告警与同周期中其他告警为非同源告警后，将待处理告警输入告警压缩分析模型，获取告警压缩分析模型输出的压缩分析信息；其中，告警压缩分析模型是基于带有特征标注信息的历史告警进行训练获得的；
基于压缩分析信息，对待处理告警进行压缩处理，生成相应的告警工单。
第二方面，本申请实施例提供一种告警压缩的装置，该装置包括：
获取单元，用于针对待处理告警，基于告警规则，确定待处理告警与同周期中其他告警为非同源告警后，将待处理告警输入告警压缩分析模型，获取告警压缩分析模型输出的压缩分析信息；其中，告警压缩分析模型是基于带有特征标注信息的历史告警进行训练获得的；
压缩单元，用于基于压缩分析信息，对待处理告警进行压缩处理，生成相应的告警工单。
第三方面，本申请实施例提供一种告警压缩的设备，该设备包括：处理器和存储器，其中，存储器存储有计算机程序，当计算机程序被处理器执行时，使得处理器执行第一方面中任一可实施的告警压缩的方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现本申请实施例提供的告警压缩的方法的步骤。
第五方面，本申请实施例提供一种计算机程序产品，其包括计算机指令，计算机指令存储在计算机可读存储介质中；当电子设备的处理器从计算机可读存储介质读取计算机指令时，处理器执行计算机指令，使得电子设备执行本申请实施例提供的告警压缩的方法的步骤。
本申请实施例的有益效果如下：
本申请实施例提供一种告警压缩的方法、装置、设备及存储介质，在本申请实施例中，基于告警规则，确定待处理告警与同周期中其他告警为非同源告警后，将待处理告警输入告警压缩分析模型，并获取告警压缩分析模型输出的压缩分析信息；然后，基于压缩分析信息，对待处理告警进行压缩处理，生成相应的告警工单。采用告警规则和告警压缩分析模型双引擎分析机制，充分利用告警规则的原有业务累积规则，同时又使用深度学习算法智能分析，进一步进行告警压缩，保证告警压缩的准确率，即保证告警工单的准确性，同时降低告警工单的数量，也就降低告警分析处理过程中的复杂度，减小工作量。
本申请的其它特征和优点将在随后的说明书中阐述，并且，从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种告警压缩的方法流程图；
图2为本申请实施例提供的一种AI告警压缩分析结果在运维系统中呈现的界面示意图；
图3为本申请实施例提供的一种告警压缩的具体实施方式流程图；
图4为本申请实施例提供的另一种告警压缩的具体实施方式流程图；
图5为本申请实施例提供的一种AI模型构建的示意图；
图6为本申请实施例提供的一种训练告警压缩分析模型的方法流程图；
图7为本申请实施例提供的一种训练告警压缩分析模型的示意图；
图8为本申请实施例提供的一种基于告警压缩分析模型对待处理告警进行压缩分析处理的方法流程图；
图9为本申请实施例提供的一种告警压缩的整体架构示意图；
图10为本申请实施例提供的一种告警压缩的装置结构图；
图11为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白，以下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，所描述的实施例仅仅是本申请部分实施例，并不是全部的实施例。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
下面对本申请实施例的设计构思进行简单介绍。
本申请实施例涉及数据处理技术领域，尤其涉网管系统中告警压缩领域。相关技术中，在电信行业，存在各种专业、各种类型、各种版本的网络设备，且网络设备间存在直接或间接的各式拓扑连接。经常出现当位于同一拓扑连接中的一个设备节点出现告警时，导致该拓扑连接中的多个网络设备、以及承载在网络设备上的业务产生大批量告警的情况。一般的，在发生故障时会产生告警，因此本申请实施例中告警可替换为故障。
针对产生的大批量告警，网管系统一般会根据系统经验和专家经验总结出的压缩规则，将该大批量告警压缩在一起，然后派出一张工单，以便进行告警分析处理。但是，仍存在许多压缩规则难以识别的同源告警，比如特征不明显、多变、高维特征等现象的告警难以压缩。由于难以识别的同源告警，超出了系统和专家经验范畴，因此对于这些告警，一般会派出多张工单。
由于针对难以识别的同源告警，派出多张工单，导致告警压缩的准确性低，且多张工单对告警分析处理带来了额外的复杂度和工作量。
有鉴于此，本申请实施例提出一种有监督的机器学习方法，针对难以使用告警规则识别出与同周期中其他告警为同源告警的待处理告警，进一步识别该待处理告警是否与同周期中其他告警为同源告警，并进行压缩，提升同源告警压缩的准确性，降低告警工单的数量，减少告警分析处理中的复杂度和工作量。
在本申请实施例中，涉及人工智能(Artificial Intelligence，AI)和机器学习技术，基于人工智能中的语音技术、自然语言处理技术和机器学习(Machine Learning，ML)而设计。
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术主要包括计算机视觉技术、自然语言处理技术、以及机器学习/深度学习等几大方向。随着人工智能技术研究和进步，人工智能在多个领域展开研究和应用，例如常见的智能家居、智能客服、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、机器人、智能医疗等，相信随着技术的发展，人工智能将在更多的领域获得应用，并发挥越来越重要的价值。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。对比于数据挖掘从大数据之间找相互特性而言，机器学习更加注重算法的设计，让计算机能够自动地从数据中“学习”规律，并利用规律对未知数据进行预测。
机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。强化学习(Reinforcement Learning,RL)，又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。
下面，根据附图来描述本申请示例性实施方式提供的告警压缩的方法，需要注意的是，上述场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。并且，本申请实施例可应用于各种场景，包括但不限于云计算、大数据、人工智能、区块链、物联网/车联网、业务平台、视频通信、网路协议电视(Internet ProtocolTelevision，IPTV)、新型信息与通信技术(Information and CommunicationsTechnology，ICT)等各种场景。
请参考图1，图1示例性提供本申请实施例中一种告警压缩的方法流程图，该方法包括如下步骤：
步骤S100，针对待处理告警，基于告警规则，确定待处理告警与同周期中其他告警为非同源告警后，将待处理告警输入告警压缩分析模型，获取告警压缩分析模型输出的压缩分析信息；
其中，告警压缩分析模型是基于带有特征标注信息的历史告警进行训练获得的。
在一种可能的实现方式中，针对待处理告警，基于告警规则中的压缩规则，确定不进行压缩处理，以及基于告警规则中的拦截规则，确定不进行拦截处理后，确定待处理告警与同周期中其他告警为非同源告警；
然后，将待处理告警输入已训练的告警压缩分析模型中，由告警压缩分析模型对待处理告警与同周期中其他告警进行关联分析，确定待处理告警与同周期中其他告警之间的关联关系，并基于待处理告警与同周期中其他告警之间的关联关系，确定并输出压缩分析信息；
其中，压缩分析信息中包括用于指示待处理告警是否同源压缩(或称为AI告警压缩)的指示信息，以及与同周期中哪些同源其他告警共同压缩、待处理告警与同周期中其他告警之间的关联度、以及筛选同周期中同源其他告警时使用的关联度阈值等信息。
需要说明的是，同源其他告警指的是同周期中与待处理告警为同源告警的其他告警。
步骤S101，基于压缩分析信息，对待处理告警进行压缩处理，生成相应的告警工单。
在一种可能的实现方式中，压缩分析信息中包括用于指示待处理告警不进行同源压缩处理的第一指示信息时，基于压缩分析信息中的第一指示信息，确定待处理告警不进行同源压缩后，直接基于待处理告警，生成相应的告警工单，并继续正常的派单功能。
在另一种可能的实现方式中，压缩分析信息中包括用于指示待处理告警进行同源压缩处理的第二指示信息，以及筛选出的共同进行压缩的同周期中同源其他告警时，基于压缩分析信息中的第二指示信息，确定待处理告警进行同源压缩后，与压缩分析信息中携带的同周期中同源其他告警共同压缩，生成相应的告警工单，并继续正常的派单功能。
在另一种可能的实现方式中，压缩分析信息中包括用于指示待处理告警进行同源压缩处理的第二指示信息，以及筛选出的共同进行压缩的同周期中同源其他告警时，基于压缩分析信息中的第二指示信息，确定待处理告警进行同源压缩后，即确定待处理告警需要AI告警压缩后，对需要进行AI告警压缩的待处理告警进行AI告警压缩分析结果反馈，由调用者进一步进行AI压缩告警确认，以进一步保证告警压缩的准确性；
请参考图2，图2示例性提供本申请实施例中一种AI告警压缩分析结果在运维系统中呈现的界面示意图，当在图2所示的界面中，接收到确认指令后，将待处理告警与压缩分析信息中携带的同周期中同源其他告警进行共同压缩，生成相应的告警工单。
下面，对本申请实施例中告警压缩的具体实施方式进行说明。
请参考图3，图3示例性提供本申请实施例中一种告警压缩的具体实施方式流程图，包括如下步骤：
步骤S300，告警规则派单分析；
在步骤S300中，主要是根据告警规则中的压缩规则对待处理告警进行分析，分析出待处理告警是否与同周期中其他告警为同源告警，以确定待处理告警是否需要与同周期中其他告警进行压缩的第一分析结果；同时，还根据告警规则中的拦截规则对待处理告警进行分析，分析出待处理告警是否需要拦截的第二分析结果。然后，根据是否需要进行压缩的第一分析结果，以及是否需要拦截的第二分析结果，生成告警规则分析结果并输出。
在本申请实施例中，获取到告警规则分析结果后，基于告警规则分析结果确定待处理告警与同周期中其他告警是否为非同源告警，具体执行如下步骤：
步骤A：基于告警规则分析结果中包含的第一分析结果，确定待处理告警是否需要压缩；
步骤B：在基于第一分析结果确定待处理告警需要压缩后，进行告警压缩，即将待处理告警与同周期中其他告警进行压缩，并向电子运维系统进行压缩告警反馈，此时电子运维系统通过压缩告警反馈服务接口接收该压缩告警反馈；
步骤C：在基于第一告警分析结果确定待处理告警不需要压缩后，基于告警规则分析结果中包含的第二分析结果，确定待处理告警是否需要拦截；
步骤D：在基于第二分析结果确定待处理告警需要进行拦截后，进行告警拦截，即将待处理告警进行拦截，并向电子运维系统进行拦截告警反馈，此时电子运维系统通过拦截告警反馈服务接口接收该拦截告警反馈；
步骤E：在基于第二分析结果确定待处理告警不需要进行拦截后，确定待处理告警与同周期中其他告警为非同源告警，将执行AI能力调用步骤。
也就是说，基于告警规则中的压缩规则，确定待处理告警不进行压缩处理，以及基于告警规则中的拦截规则，确定待处理告警不进行拦截处理后，确定待处理告警与同周期中其他告警为非同源告警，并执行AI能力调用步骤。请参考图4，图4示例性提供本申请实施例中另一种告警压缩的具体实施方式流程图。
步骤S301，AI能力调用，即调用AI分析服务；
在本申请实施例中，调用AI分析服务后，基于AI分析服务中的AI模型，执行AI告警压缩分析。
步骤S302，基于AI模型，执行AI告警压缩分析；
在基于步骤S300中的告警规则派单分析的逻辑判断后，确定待处理告警与同周期中其他告警为非同源告警，且需要单独生成新的告警工单后，在真正生成告警工单之前调用AI分析服务；
并通过调用AI分析服务，将该待处理告警输入到AI模型中，基于AI模型，进一步执行AI告警压缩分析，确定待处理告警是否需要与同周期中其他告警进行同源压缩，即待处理告警是否需要AI告警压缩，以生成AI告警压缩分析结果，即生成压缩分析信息，请参考图4。
在本申请实施例中，基于AI模型，提供AI告警压缩分析的服务能力，根据输入的待处理告警，分析其与同周期中其他告警之间的关系，并输出包含确定是否需要AI告警压缩、与同周期中的哪些同源其他告警压缩、筛选同周期中同源其他告警时使用的关联度阈值、以及待处理告警与同周期中其他告警之间的关联度等信息的AI告警压缩分析结果，并将AI告警压缩分析结果分配给调用者。
需要说明的是，AI模型为本申请实施例中的告警压缩分析模型，且本申请实施例中的AI分析服务，即通过告警压缩分析模型对待处理告警进行告警压缩分析的过程是在后台服务器中执行的。
步骤S303，基于AI告警压缩分析结果与告警规则分析结果综合分析；
调用AI分析服务后，根据输出的AI告警压缩分析结果，判断是否需要AI告警压缩，并做如下分支处理：
步骤S304，不需要AI告警压缩：继续正常的派单功能；即基于待处理告警进行派单，并向电子运维系统进行派单反馈，此时电子运维系统通过建单服务接口接收该派单反馈；
步骤S305，需要AI告警压缩：对需要进行AI告警压缩的待处理告警进行AI告警压缩反馈，即向电子运维系统进行AI告警压缩反馈，此时电子运维系统通过AI告警压缩反馈服务接口接收该AI告警压缩反馈，请参考图4。
由于待处理告警对应的AI告警压缩分析结果是基于AI模型输出的，因此为了保证AI告警压缩分析结果的准确性，在本申请实施例中，还设置有AI模型构建的步骤；
步骤S306，AI模型构建；
在本申请实施例中，AI模型构建主要包括的功能有：特征集构建、时序层处理、自注意力层处理、残差处理和全连接层；
其中，特征集构建主要包括：处理网元地理拓扑特征、处理网元层级拓扑特征、处理网元非图结构离散特征以及告警工单事件特征；且特征集主要来源于历史告警本身、历史告警对应的历史工单的结单信息、历史告警关联的网络设备信息、历史告警关联的网络拓扑等。请参考图5，图5示例性提供本申请实施例中一种AI模型构建的示意图；
处理网元地理拓扑特征：将包含有经纬度的网元按照地理位置做GraphEmbedding，主要让图神经网络(Graph Neural Networks，GNN)能够识别比如区域停电，光纤被挖断等区域型特征。
处理网元层级拓扑征：将包含有层级逻辑的网元做Graph Embedding，主要让GNN神经网络识别如主端口节点告警这种层级关系特征。
处理网元非图结构离散特征(告警对象、数据域、网元管理系统(ElementManagement System，EMS)等)：将网元其他非图结构离散特征，直接特征做Embedding。主要让神经网络自动归纳隐藏的特征。
告警工单事件特征：告警工单关联网元，将告警工单按照时序输入下一层网络。
时序层处理：将工单事件关联网元特征输入至门控制循环单元(Gated RecurrentUnit，GRU)。此层主要让神经网络记录告警工单的时序特征。
自注意力层处理：在时序层处理后增加一层Attention，此层主要让神经网络记录每个告警工单对后续告警工单的影响。
残差处理：防止深度神经网络退化。
全连接层：最后做一层全连接和分类层，输出每个待预测告警与同周期中其他告警之间的关联度(或称为相近程度)，其中分类层包括但不限softmax层、Sigmoid层中的一种。
采用GNN压缩资源拓扑并结合事件时序的方式预测告警压缩工单，预测更为精准，贴合实际，同时提升告警工单压缩的鲁棒性。
下面，对本申请实施例中提供的告警压缩分析模型的训练过程进行说明。
首先，获取训练样本数据集；然后，根据训练样本数据集中的训练样本对待训练的告警压缩分析模型执行训练迭代训练，并在满足收敛条件时，输出训练完毕的告警压缩分析模型，其中，训练样本为：带有特征标注信息的历史告警，特征标注信息包括处理网元地理拓扑特征、处理网元层级拓扑特征、处理网元非图结构离散特征以及告警工单事件特征中的至少一种。
下面，以一次循环迭代训练过程为例，对本申请实施例中的告警压缩分析模型训练过程进行说明，请参考图6，图6示例性提供本申请实施例中一种训练告警压缩分析模型的方法流程图，包括如下步骤：
步骤S600，从训练样本数据集中选取训练样本，并将选取的训练样本输入到告警压缩分析模型中。
步骤S601，通过告警压缩分析模型中的特征处理网络，确定各个训练样本各自对应的目标特征；
以一个训练样本为例：
确定训练样本中的工单特征、告警特征、工参配置信息，将该三种信息经由告警压缩分析模型中的特征预处理网络进行预处理后，输入到告警压缩分析模型的特征处理网络中的全连接深层网络，确定训练样本的告警工单事件特征；
同时，确定训练样本的资源拓扑信息，将该资源拓扑信息经由告警压缩分析模型中的特征预处理网络进行预处理后，输入到告警压缩分析模型的特征处理网络中的图神经网络，确定训练样本的资源拓扑特征，其中，资源拓扑特征中包括处理网元地理拓扑特征、处理网元层级拓扑特征、处理网元非图结构离散特征中的至少一种；
然后，将资源拓扑特征与告警工单事件特征进行特征合并，确定训练样本对应的目标特征，具体请参考图7，图7示例性提供本申请实施例提供的一种训练告警压缩分析模型的示意图。
步骤S602，将目标特征分别输入告警压缩分析模型中的全连接浅层网络，进行全连接映射处理，获得映射处理结果。
步骤S603，将映射处理结果输入到告警压缩分析模型中的分类网络，通过分类网络，对全连接浅层网络输出的结果进行预测，确定训练样本之间的预测关联度；
在本申请实施例中，分类网络包括但不限softmax函数、Sigmoid函数中的一种，比如分类网络为Sigmoid函数，经由Sigmoid函数使值处于0～1区间，即确定两个训练样本之间的预测关联度。
步骤S604，基于预测关联度和目标关联度，构建损失函数，并基于损失函数，对告警压缩分析模型进行参数调整，其中，目标关联度是基于训练样本对应的特征标注信息确定的。
请参考图7，对训练样本对应的结单信息、规则信息、人工标注等进行结果预处理，确定训练样本的特征标注信息，并确定了特征样本之间的目标关联度，为了保证训练结果的准确性，需要基于已知的目标关联度和预测的预测关联度对告警压缩模型进行参数调整；通过交互流程增加标注数据，提升模型的精度，进一步优化完善告警之间的预测关联度，完善的压缩率。
下面，对本申请实施例中提供的告警压缩分析模型的使用过程进行说明。
在本申请实施例中，针对待处理告警，基于告警规则，确定待处理告警与同周期中其他告警为非同源告警后，将待处理告警输入告警压缩分析模型，经由告警压缩分析模型对待处理告警进行压缩分析处理，以进一步确定待处理告警是否与同周期中其他告警为同源告警，并进行同源压缩处理。
将待处理告警输入告警压缩分析模型，在告警压缩分析模型中执行如下图8所示的操作步骤；请参考图8，图8示例性提供本申请实施例中基于告警压缩分析模型对待处理告警进行压缩分析处理的方法流程图，包括如下步骤：
步骤S800，识别待处理告警，以及同周期中其他告警各自对应的目标特征；
其中，目标特征是基于资源拓扑特征和告警工单事件特征中的至少一种确定的，资源拓扑特征中包括处理网元地理拓扑特征、处理网元层级拓扑特征、处理网元非图结构离散特征中的至少一种。
步骤S801，基于待处理告警的目标特征，与同周期中任一其他告警对应的目标特征，确定待处理告警与任一其他告警之间的关联度。
步骤S802，基于关联度，在其他告警中筛选关联度达到关联度阈值的同源其他告警。
步骤S803，基于筛选结果，确定压缩分析信息并输出；
在本申请实施例中，基于筛选结果，确定压缩分析信息时：
若确定筛选结果表征未筛选出同源其他告警，则确定压缩分析信息中包含用于指示不进行同源压缩的第一指示信息；
若确定筛选结果表征筛选出同源其他告警，则确定压缩分析信息中包括用于指示进行同源压缩的第二指示信息，以及筛选出的同源其他告警。
基于上述内容可知，本申请实施例中，在进行告警压缩的过程中，采用了规则分析引擎和AI分析引擎双引擎的分析机制，以进一步压缩同源告警，降低后续告警分析处理的复杂度，并减少工作量，提升效益。具体的，请参考图9，图9示例性提供本申请实施例中一种告警压缩的整体架构示意图。
在本申请实施例中，基于告警规则，确定待处理告警与同周期中其他告警为非同源告警后，将待处理告警输入告警压缩分析模型，并获取告警压缩分析模型输出的压缩分析信息；然后，基于压缩分析信息，对待处理告警进行压缩处理，生成相应的告警工单。采用告警规则和告警压缩分析模型双引擎分析机制，充分利用告警规则的原有业务累积规则，同时又使用深度学习算法智能分析，进一步进行告警压缩，保证告警压缩的准确率，即保证告警工单的准确性，同时降低告警工单的数量，也就降低告警分析处理过程中的复杂度，减小工作量。
基于同一发明构思，本申请实施例还提供一种告警压缩的装置，请参考图10，图10示例性提供本申请实施例中一种告警压缩的装置1000的结构图，该告警压缩的装置1000，包括：
获取单元1001，用于针对待处理告警，基于告警规则，确定待处理告警与同周期中其他告警为非同源告警后，将待处理告警输入告警压缩分析模型，获取告警压缩分析模型输出的压缩分析信息；其中，告警压缩分析模型是基于带有特征标注信息的历史告警进行训练获得的；
压缩单元1002，用于基于压缩分析信息，对待处理告警进行压缩处理，生成相应的告警工单。
在一种可能的实现方式中，获取单元1001具体用于：
针对待处理告警，基于告警规则中的压缩规则，确定不进行压缩处理，以及基于告警规则中的拦截规则，确定不进行拦截处理后，确定待处理告警与历史告警为非同源告警。
在一种可能的实现方式中，获取单元1001具体用于：
将待处理告警输入告警压缩分析模型，在告警压缩分析模型中执行如下操作：
分别识别待处理告警，以及同周期中其他告警各自对应的目标特征，并基于目标特征，确定待处理告警与同周期中其他告警之间的关联度，其中，目标特征是基于资源拓扑特征和告警工单事件特征中的至少一种确定的；
基于关联度，在其他告警中筛选关联度达到关联度阈值的同源其他告警，并基于筛选结果，确定压缩分析信息并输出。
在一种可能的实现方式中，获取单元1001具体用于：
若确定筛选结果表征未筛选出同源其他告警，则确定压缩分析信息中包含用于指示不进行同源压缩的第一指示信息；
若确定筛选结果表征筛选出同源其他告警，则确定压缩分析信息中包括用于指示进行同源压缩的第二指示信息，以及筛选出的同源其他告警。
在一种可能的实现方式中，压缩单元1002具体用于：
基于压缩分析信息中的第一指示信息，确定待处理告警不进行同源压缩后，直接基于待处理告警，生成相应的告警工单；或
基于压缩分析信息中的第二指示信息，确定待处理告警进行同源压缩后，与压缩分析信息中携带的同周期中同源其他告警共同压缩，生成相应的告警工单。
在一种可能的实现方式中，装置还包括训练单元1003，告警压缩分析模型是训练单元1003通过如下方式确定的：
根据训练样本数据集中的训练样本，对待训练的告警压缩分析模型执行循环迭代训练，并在满足收敛条件时，输出训练完毕的告警压缩分析模型，其中，在一次循环迭代训练过程中执行以下操作：
从训练样本数据集中选取训练样本；其中，训练样本为：带有特征标注信息的历史告警；
将训练样本输入告警压缩分析模型，确定训练样本之间的预测关联度，基于预测关联度和目标关联度，构建损失函数，并基于损失函数，对告警压缩分析模型进行参数调整，其中，目标关联度是基于训练样本对应的特征标注信息确定的。
在一种可能的实现方式中，训练单元1003具体用于：
通过告警压缩分析模型中的特征处理网络，分别确定各个训练样本各自对应的目标特征，并将目标特征分别输入告警压缩分析模型中的全连接浅层网络；
通过告警压缩分析模型中的分类网络，对全连接浅层网络输出的结果进行预测，确定训练样本之间的预测关联度。
在一种可能的实现方式中，训练单元1003具体用于：
针对任一训练样本，通过特征处理网络中的全连接深层网络，确定训练样本的告警工单事件特征；以及通过特征处理网络中的图神经网络，确定训练样本的资源拓扑特征，其中，资源拓扑特征中包括处理网元地理拓扑特征、处理网元层级拓扑特征、处理网元非图结构离散特征中的至少一种；
将资源拓扑特征与告警工单事件特征进行特征合并，确定训练样本对应的目标特征。
在本申请实施例中，在基于告警规则，确定待处理告警与同周期中其他告警为非同源告警后，将待处理告警输入告警压缩分析模型，获取告警压缩分析模型输出的压缩分析信息，然后基于压缩分析信息，对待处理告警进行压缩处理，生成相应的告警工单。可进一步压缩同源告警，降低后续告警分析处理的复杂度，并减少工作量，提升效益。
为了描述的方便，以上各子模型按照功能划分为各单元(或模块)分别描述。当然，在实施本申请时可以把各单元(或模块)的功能在同每个或多个软件或硬件中实现。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在介绍了本申请示例性实施方式的压缩告警方法及装置后，接下来介绍本申请的一示例性实施方式的电子设备。
在一种可能的实现方式中，本申请实施例提供的电子设备可以至少包括处理器和存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本申请中各种示例性实施方式的压缩告警方法中的每个步骤。
下面参照图11来描述根据本申请的这种实施方式的电子设备1100。如图11的电子设备1100仅仅是每个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示，电子设备1100的可以包括但不限于：上述至少每个处理器1101、上述至少每个存储器1102、连接不同系统子模型(包括存储器1102和处理器1101)的总线1103。
总线1103表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器1102可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)11021和/或高速缓存存储器11022，还可以进一步包括只读存储器(ROM)11023。
存储器1102还可以包括具有一组(至少每个)程序模块11024的程序/实用工具11025，这样的程序模块11024包括但不限于：操作系统、每个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每每个或某种组合中可能包括网络环境的实现。
电子设备1100也可以与每个或多个外部设备1104(例如键盘、指向设备等)通信，还可与每个或者多个使得浏览者能与电子设备1100交互的设备通信，和/或与使得该电子设备1100能与每个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(V/O)接口1105进行。并且，电子设备1100还可以通过网络适配器1106与每个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图11所示，网络适配器1106通过总线1103与用于电子设备1100的其它模块通信。应当理解，尽管图11中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAVD系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本申请提供的压缩告警方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述描述的根据本申请各种示例性实施方式的压缩告警方法中的步骤。
程序产品可以采用每个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有每个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的压缩告警的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算装置上运行。
可读信号介质可以包括在基带中或者作为载波一子模型传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两种或更多单元的特征向量和功能可以在每个单元中具体化。反之，上文描述的每个单元的特征向量和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为每个步骤执行，和/或将每个步骤分解为多个步骤执行。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (17)
1.一种告警压缩的方法，其特征在于，所述方法包括：
针对待处理告警，基于告警规则，确定所述待处理告警与同周期中其他告警为非同源告警后，将所述待处理告警输入告警压缩分析模型，获取所述告警压缩分析模型输出的压缩分析信息；
基于所述压缩分析信息，对所述待处理告警进行压缩处理，生成相应的告警工单；
其中，所述告警压缩分析模型是以带有特征标注信息的历史告警作为训练样本，并基于所述训练样本之间的预测关联度和目标关联度进行参数调整获得的；所述训练样本之间的预测关联度是将各个所述训练样本各自对应的目标特征分别输入所述告警压缩分析模型中的全连接浅层网络后，通过所述告警压缩分析模型中的分类网络，对所述全连接浅层网络输出的结果进行预测获得的；每个所述训练样本的目标特征是通过如下方式获得的：
针对所述训练样本，通过所述告警压缩分析模型中的特征处理网络中的全连接深层网络，确定所述训练样本的告警工单事件特征；以及通过所述特征处理网络中的图神经网络，确定所述训练样本的资源拓扑特征，其中，所述资源拓扑特征中包括处理网元地理拓扑特征、处理网元层级拓扑特征、处理网元非图结构离散特征中的至少一种；
将所述资源拓扑特征与所述告警工单事件特征进行特征合并，确定所述训练样本对应的目标特征。
2.如权利要求1所述的方法，其特征在于，所述针对待处理告警，基于告警规则，确定所述待处理告警与同周期中其他告警为非同源告警，包括：
针对所述待处理告警，基于所述告警规则中的压缩规则，确定不进行压缩处理，以及基于所述告警规则中的拦截规则，确定不进行拦截处理后，确定所述待处理告警与同周期中其他告警为非同源告警。
3.如权利要求1所述的方法，其特征在于，所述将所述待处理告警输入告警压缩分析模型，获取所述告警压缩分析模型输出的压缩分析信息，包括：
将所述待处理告警输入告警压缩分析模型，在所述告警压缩分析模型中执行如下操作：
分别识别所述待处理告警，以及同周期中其他告警各自对应的目标特征，并基于所述目标特征，确定所述待处理告警与同周期中其他告警之间的关联度，其中，所述目标特征是基于资源拓扑特征和告警工单事件特征中的至少一种确定的；
基于所述关联度，在所述其他告警中筛选所述关联度达到关联度阈值的同源其他告警，并基于所述筛选结果，确定所述压缩分析信息并输出。
4.如权利要求3所述的方法，其特征在于，所述基于所述筛选结果，确定所述压缩分析信息，包括：
若确定所述筛选结果表征未筛选出同源其他告警，则确定所述压缩分析信息中包含用于指示不进行同源压缩的第一指示信息；
若确定所述筛选结果表征筛选出同源其他告警，则确定所述压缩分析信息中包括用于指示进行同源压缩的第二指示信息，以及筛选出的所述同源其他告警。
5.如权利要求1所述的方法，其特征在于，所述基于所述压缩分析信息，对所述待处理告警进行压缩处理，生成相应的告警工单，包括：
基于所述压缩分析信息中的第一指示信息，确定所述待处理告警不进行同源压缩后，直接基于所述待处理告警，生成相应的告警工单；或
基于所述压缩分析信息中的第二指示信息，确定所述待处理告警进行同源压缩后，与所述压缩分析信息中携带的同周期中同源其他告警共同压缩，生成相应的告警工单。
6.如权利要求1~5任一所述的方法，其特征在于，所述告警压缩分析模型是通过如下方式确定的：
根据训练样本数据集中的训练样本，对待训练的告警压缩分析模型执行循环迭代训练，并在满足收敛条件时，输出训练完毕的告警压缩分析模型，其中，在一次循环迭代训练过程中执行以下操作：
从所述训练样本数据集中选取训练样本；其中，所述训练样本为：带有特征标注信息的历史告警；
将所述训练样本输入所述告警压缩分析模型，确定所述训练样本之间的预测关联度，基于所述预测关联度和目标关联度，构建损失函数，并基于所述损失函数，对所述告警压缩分析模型进行参数调整，其中，所述目标关联度是基于所述训练样本对应的特征标注信息确定的。
7.如权利要求6所述的方法，其特征在于，所述将所述训练样本输入所述告警压缩分析模型，确定所述训练样本之间的预测关联度，包括：
通过所述告警压缩分析模型中的特征处理网络，分别确定各个训练样本各自对应的目标特征，并将所述目标特征分别输入所述告警压缩分析模型中的全连接浅层网络；
通过所述告警压缩分析模型中的分类网络，对所述全连接浅层网络输出的结果进行预测，确定所述训练样本之间的预测关联度。
8.一种告警压缩的装置，其特征在于，所述装置包括：
获取单元，用于针对待处理告警，基于告警规则，确定所述待处理告警与同周期中其他告警为非同源告警，将所述待处理告警输入告警压缩分析模型，获取所述告警压缩分析模型输出的压缩分析信息；
压缩单元，用于基于所述压缩分析信息，对所述待处理告警进行压缩处理，生成相应的告警工单；
其中，所述告警压缩分析模型是以带有特征标注信息的历史告警作为训练样本，并基于所述训练样本之间的预测关联度和目标关联度进行参数调整获得的；所述训练样本之间的预测关联度是将各个所述训练样本各自对应的目标特征分别输入所述告警压缩分析模型中的全连接浅层网络后，通过所述告警压缩分析模型中的分类网络，对所述全连接浅层网络输出的结果进行预测获得的；每个所述训练样本的目标特征是通过如下方式获得的：
针对所述训练样本，通过所述告警压缩分析模型中的特征处理网络中的全连接深层网络，确定所述训练样本的告警工单事件特征；以及通过所述特征处理网络中的图神经网络，确定所述训练样本的资源拓扑特征，其中，所述资源拓扑特征中包括处理网元地理拓扑特征、处理网元层级拓扑特征、处理网元非图结构离散特征中的至少一种；
将所述资源拓扑特征与所述告警工单事件特征进行特征合并，确定所述训练样本对应的目标特征。
9.如权利要求8所述的装置，其特征在于，所述获取单元具体用于：
针对所述待处理告警，基于所述告警规则中的压缩规则，确定不进行压缩处理，以及基于所述告警规则中的拦截规则，确定不进行拦截处理后，确定所述待处理告警与同周期中其他告警为非同源告警。
10.如权利要求8所述的装置，其特征在于，所述获取单元具体用于：
将所述待处理告警输入告警压缩分析模型，在所述告警压缩分析模型中执行如下操作：
分别识别所述待处理告警，以及同周期中其他告警各自对应的目标特征，并基于所述目标特征，确定所述待处理告警与同周期中其他告警之间的关联度，其中，所述目标特征是基于资源拓扑特征和告警工单事件特征中的至少一种确定的；
基于所述关联度，在所述其他告警中筛选所述关联度达到关联度阈值的同源其他告警，并基于所述筛选结果，确定所述压缩分析信息并输出。
11.如权利要求10所述的装置，其特征在于，所述获取单元具体用于：
若确定所述筛选结果表征未筛选出同源其他告警，则确定所述压缩分析信息中包含用于指示不进行同源压缩的第一指示信息；
若确定所述筛选结果表征筛选出同源其他告警，则确定所述压缩分析信息中包括用于指示进行同源压缩的第二指示信息，以及筛选出的所述同源其他告警。
12.如权利要求8所述的装置，其特征在于，所述压缩单元具体用于：
基于所述压缩分析信息中的第一指示信息，确定所述待处理告警不进行同源压缩后，直接基于所述待处理告警，生成相应的告警工单；或
基于所述压缩分析信息中的第二指示信息，确定所述待处理告警进行同源压缩后，与所述压缩分析信息中携带的同周期中同源其他告警共同压缩，生成相应的告警工单。
13.如权利要求8~12任一所述的装置，其特征在于，所述装置还包括训练单元，所述告警压缩分析模型是所述训练单元通过如下方式确定的：
根据训练样本数据集中的训练样本，对待训练的告警压缩分析模型执行循环迭代训练，并在满足收敛条件时，输出训练完毕的告警压缩分析模型，其中，在一次循环迭代训练过程中执行以下操作：
从所述训练样本数据集中选取训练样本；其中，所述训练样本为：带有特征标注信息的历史告警；
将所述训练样本输入所述告警压缩分析模型，确定所述训练样本之间的预测关联度，基于所述预测关联度和目标关联度，构建损失函数，并基于所述损失函数，对所述告警压缩分析模型进行参数调整，其中，所述目标关联度是基于所述训练样本对应的特征标注信息确定的。
14.如权利要求13所述的装置，其特征在于，所述训练单元具体用于：
通过所述告警压缩分析模型中的特征处理网络，分别确定各个训练样本各自对应的目标特征，并将所述目标特征分别输入所述告警压缩分析模型中的全连接浅层网络；
通过所述告警压缩分析模型中的分类网络，对所述全连接浅层网络输出的结果进行预测，确定所述训练样本之间的预测关联度。
15.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器，其中，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1~7中任一所述方法的步骤。
16.一种计算机可读存储介质，其特征在于，其包括计算机程序，当所述计算机程序在电子设备上运行时，所述计算机程序用于使所述电子设备执行权利要求1~7中任一所述方法的步骤。
17.一种计算机程序产品，其特征在于，其包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时，所述处理器执行该计算机程序，使得所述电子设备执行权利要求1~7中任一方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643616.7A CN114422322B (zh) | 2021-12-29 | 2021-12-29 | 一种告警压缩的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643616.7A CN114422322B (zh) | 2021-12-29 | 2021-12-29 | 一种告警压缩的方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114422322A CN114422322A (zh) | 2022-04-29 |
| CN114422322B true CN114422322B (zh) | 2024-04-30 |
Family
ID=81269169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111643616.7A Active CN114422322B (zh) | 2021-12-29 | 2021-12-29 | 一种告警压缩的方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114422322B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115001753B (zh) * | 2022-05-11 | 2023-06-09 | 绿盟科技集团股份有限公司 | 一种关联告警的分析方法、装置、电子设备及存储介质 |
| CN115348148A (zh) * | 2022-07-04 | 2022-11-15 | 广东电力通信科技有限公司 | 一种复合条件的告警压缩处理方法 |
| CN118555186B (zh) * | 2024-07-26 | 2024-10-15 | 中国铁塔股份有限公司 | 告警数据的压缩方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| CN111506478A (zh) * | 2020-04-17 | 2020-08-07 | 上海浩方信息技术有限公司 | 基于人工智能实现告警管理控制的方法 |
| CN112787860A (zh) * | 2020-12-30 | 2021-05-11 | 广东电网有限责任公司电力调度控制中心 | 一种根告警分析识别方法及装置 |
| CN113497726A (zh) * | 2020-04-01 | 2021-10-12 | 中国移动通信集团山东有限公司 | 告警监控方法、系统、计算机可读存储介质及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210243069A1 (en) * | 2020-01-31 | 2021-08-05 | Opsramp, Inc. | Alert correlating using sequence model with topology reinforcement systems and methods |
-
2021
- 2021-12-29 CN CN202111643616.7A patent/CN114422322B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| CN113497726A (zh) * | 2020-04-01 | 2021-10-12 | 中国移动通信集团山东有限公司 | 告警监控方法、系统、计算机可读存储介质及电子设备 |
| CN111506478A (zh) * | 2020-04-17 | 2020-08-07 | 上海浩方信息技术有限公司 | 基于人工智能实现告警管理控制的方法 |
| CN112787860A (zh) * | 2020-12-30 | 2021-05-11 | 广东电网有限责任公司电力调度控制中心 | 一种根告警分析识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人工智能的 网络告警关联分析处理的应用;陆斌等;邮电设计技术;20181231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114422322A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114422322B (zh) | 一种告警压缩的方法、装置、设备及存储介质 | |
| WO2022111154A1 (en) | Proactive anomaly detection | |
| CN111143226B (zh) | 自动化测试方法及装置、计算机可读存储介质、电子设备 | |
| CN113031983B (zh) | 一种基于深度强化学习的软件智能升级方法及装置 | |
| CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
| CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
| JP2022521957A (ja) | データ分析方法、デバイス及びコンピュータプログラム | |
| CN115170344A (zh) | 调控系统运行事件智能处理方法及装置、介质及设备 | |
| CN117666546B (zh) | 一种分布式控制系统故障诊断方法及装置 | |
| CN109272165B (zh) | 注册概率预估方法、装置、存储介质及电子设备 | |
| CN117992231A (zh) | 多智能体任务处理方法、装置、计算机设备和存储介质 | |
| CN114374655A (zh) | 网络流量特征提取方法、装置、设备及存储介质 | |
| CN114387024A (zh) | 基于Mamdani算法的电商复购行为的用户分析系统 | |
| US20210110287A1 (en) | Causal Reasoning and Counterfactual Probabilistic Programming Framework Using Approximate Inference | |
| CN112579402A (zh) | 一种应用系统故障定位的方法和装置 | |
| CN112150279A (zh) | 一种基于多方计算的金融风险预测方法及预测系统 | |
| CN117196800A (zh) | 一种用于银行网点员工行为的数字化管理方法 | |
| Larrinaga et al. | Implementation of a reference architecture for cyber physical systems to support condition based maintenance | |
| CN114237962A (zh) | 告警根因判断方法、模型训练方法、装置、设备和介质 | |
| WO2021115269A1 (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| CN114970674A (zh) | 一种基于关联度对齐的时序数据概念漂移适配方法 | |
| CN113076217A (zh) | 基于国产平台的磁盘故障预测方法 | |
| CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
| US20240193077A1 (en) | Deep-learning systems and methods related to automated resolution of breaking changes in microservice-based software applications | |
| CN118151983B (zh) | 微服务补全方法、装置、相关设备和计算机程序产品 |
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 |