CN115996169A - 一种网络故障分析方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明实施例提供了一种网络故障分析方法、装置、电子设备及存储介质，该方法包括：基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，网络故障知识图谱包括：故障信息、报警信息，故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；基于网络故障知识图谱对预设GGNN模型进行训练，得到训练完成的GGNN模型；获取待分析网络信息，将待分析网络信息输入至训练完成的GGNN模型中进行故障分析，得到分析结果。从而能够充分分析出复杂的待分析网络信息中包含的故障信息或报警信息之间的关联关系，更准确的诊断出故障或者报警的原因，提高了故障分析的准确率。

Description

一种网络故障分析方法、装置、电子设备及存储介质

技术领域

本发明涉及通信网络技术领域，特别是涉及一种网络故障分析方法、装置、电子设备及存储介质。

背景技术

随着通信网络的快速发展，对通信网络的性能要求越来越高，而为了保证通信网络具有较高的性能，则对通信网络的服务性能的要求也越来越严格，以保证能够对通信网络进行及时、有效的运维管理。通常在对通信网络进行运维管理的过程中，若通信网络发生故障，需要通过故障诊断技术及时定位发生故障的位置、确定引起故障的原因。

目前，常用的故障诊断技术是基于知识的故障诊断技术，而该基于知识的故障诊断技术，是先基于大量专家经验来建立知识库，然后通过该知识库进行故障诊断。但是由于在建立该知识库时，并不能充分考虑故障之间的关联关系，因此，当故障比较复杂的时候，会导致现有的故障诊断方法对该复杂故障的诊断准确率较低。

发明内容

本发明实施例的目的在于提供一种网络故障分析方法、装置、电子设备及存储介质，用以解决现有的故障诊断方法对复杂故障的诊断准确率低的问题。具体技术方案如下：

第一方面，本发明实施例提供了一种网络故障分析方法，该方法包括：

基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；

基于网络故障知识图谱对预先设置的GGNN(Gated Graph Sequence NeuralNetworks，门控图神经网络)模型进行训练，得到训练完成的GGNN模型；

获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。

可选的，基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，包括：

获取网络设备报警数据集和网络设备故障数据集；网络设备报警数据集中包括报警描述信息和报警处理信息；网络设备故障数据集包括故障描述信息和故障处理信息；

对网络设备报警数据集和网络设备故障数据集进行数据处理，得到对应的命名实体和命名实体之间的关联关系；其中，命名实体包括：报警信息或故障信息；其中，报警信息包括：报警名称、报警等级、报警设备名称；故障信息包括：故障名称、故障等级、故障设备名称，关联关系包括导致关系和衍生关系；

基于命名实体识别结果和命名实体识别结果之间的关联关系，建立网络故障知识图谱。

可选的，网络故障知识图谱为多个，且多个网络故障知识图谱为待融合的异构知识图谱；

相应的，在基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，该方法还包括：

对多个待融合的异构知识图谱进行知识融合，得到融合后的网络故障知识图谱；

基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型，包括：

基于融合后的网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

可选的，在基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，该方法还包括：

将网络故障知识图谱存储于图形数据库中；

基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型，包括：

基于从图形数据库中获取的网络故障知识图谱，对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

可选的，基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型，包括：

对网络故障知识图谱进行独热编码，得到网络故障知识图谱对应的特征向量，特征向量用于表征故障信息、报警信息、故障信息与报警信息之间的关联关系以及任两个报警信息之间的关联关系；

将网络故障知识图谱对应的特征向量输入至预先设置的GGNN模型，对预先设置的GGNN模型进行迭代训练，得到训练完成的GGNN模型。

第二方面，本发明实施例还提供了一种网络故障分析装置，装置包括：

建立模块，用于基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；

训练模块，用于基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；

分析模块，用于获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。

可选的，建立模块，包括：

获取子模块，用于获取网络设备报警数据集和网络设备故障数据集；网络设备报警数据集中包括报警描述信息和报警处理信息；网络设备故障数据集包括故障描述信息和故障处理信息；

识别子模块，用于对网络设备报警数据集和网络设备故障数据集进行数据处理，得到对应的命名实体和命名实体之间的关联关系；其中，命名实体包括：报警信息或故障信息；其中，报警信息包括：报警名称、报警等级、报警设备名称；故障信息包括：故障名称、故障等级、故障设备名称，关联关系包括导致关系和衍生关系；

建立子模块，用于基于命名实体识别结果和命名实体识别结果之间的关联关系，建立网络故障知识图谱。

可选的，网络故障知识图谱为多个，且多个网络故障知识图谱为待融合的异构知识图谱；相应的，该网络故障分析装置还包括：

融合模块，用于在基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，对多个待融合的异构知识图谱进行知识融合，得到融合后的网络故障知识图谱；

训练模块，具体用于：基于融合后的网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

可选的，该网络故障分析装置还包括：

存储模块，用于在基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，将网络故障知识图谱存储于图形数据库中；

训练模块，具体用于：基于从图形数据库中获取的网络故障知识图谱，对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

可选的，训练模块，包括：

编码子模块，用于对网络故障知识图谱进行独热编码，得到网络故障知识图谱对应的特征向量，特征向量用于表征故障信息、报警信息、故障信息与报警信息之间的关联关系以及任两个报警信息之间的关联关系；

训练子模块，用于将网络故障知识图谱对应的特征向量输入至预先设置的GGNN模型，对预先设置的GGNN模型进行迭代训练，得到训练完成的GGNN模型。

第三方面，本发明实施例提供了一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述任一所示的网络故障分析方法的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一所示的网络故障分析方法的步骤。

第五方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所示的网络故障分析方法的步骤。

本发明实施例有益效果：

本发明实施例提供的一种网络故障分析方法、装置、电子设备及存储介质，可以先基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；然后基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；最后获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。这样，可以先通过网络故障知识图谱，来确定故障信息和报警信息间的关联关系，然后通过使用该网络故障知识图谱对预先设置GGNN模型进行训练，可以使得训练完成的GGNN模型可以学习到故障信息和报警信息间的关联关系，进而通过该训练完成的GGNN模型进行故障分析，能够充分分析出复杂的待分析网络信息中包含的故障信息或报警信息之间的关联关系，从而可以更准确的诊断出故障或者报警的原因，解决现有的故障诊断方法对复杂故障的诊断准确率低的问题，提高了故障分析的准确率。当然，实施本发明的任一产品或方法并不一定需要同时达到以上的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。

图1为本发明实施例的一种网络故障分析方法第一种实施方式的流程图；

图2为本发明实施例的一种网络故障分析方法第二种实施方式的流程图；

图3为本发明实施例的一种网络故障分析方法第三种实施方式的流程图；

图4为本发明实施例的一种网络故障分析方法的网络故障知识图谱的结构示意图；

图5为本发明实施例的一种网络故障分析方法的准确率和损失值曲线图；

图6为本发明实施例的一种网络故障分析方法的诊断时长和准确率曲线图；

图7为本发明实施例的一种网络故障分析装置的结构示意图；

图8为本发明实施例的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。

为了解决现有技术存在的问题，本发明实施例提供了一种网络故障分析方法、装置、电子设备及存储介质，以解决现有的故障诊断方法对复杂故障的诊断准确率低的问题。

下面，首先对本发明实施例的一种网络故障分析方法进行介绍，如图1所示，为本发明实施例的一种网络故障分析方法第一种实施方式的流程图，该方法可以包括：

S110，基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；

S120，基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；

S130，获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。

本发明实施例提供的一种网络故障分析方法，可以先基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；然后基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；最后获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。这样，可以先通过网络故障知识图谱，来确定故障信息和报警信息间的关联关系，然后通过使用该网络故障知识图谱对预先设置GGNN模型进行训练，可以使得训练完成的GGNN模型可以学习到故障信息和报警信息间的关联关系，进而通过该训练完成的GGNN模型进行故障分析，能够充分分析出复杂的待分析网络信息中包含的故障信息或报警信息之间的关联关系，从而可以更准确的诊断出故障或者报警的原因，解决现有的故障诊断方法对复杂故障的诊断准确率低的问题，提高了故障分析的准确率。并且通过使用GGNN模型来进行故障分析，还可以提高分析效率，并使得分析过程全面自动化。

在图1所示的一种网络故障分析方法的基础上，本发明实施例还提供了一种可能的实现方式，如图2所示，为本发明实施例的一种网络故障分析方法第二种实施方式的流程图，该方法可以包括：

S210，获取网络设备报警数据集和网络设备故障数据集；网络设备报警数据集中包括报警描述信息和报警处理信息；网络设备故障数据集包括故障描述信息和故障处理信息；

在一些示例中，该网络设备报警数据集和网络设备故障数据集可以是从网络设备运维手册、网络设备报警处理工单或故障处理工单等中采集得到的多源异构数据。

S220，对网络设备报警数据集和网络设备故障数据集进行数据处理，得到对应的命名实体和命名实体之间的关联关系；其中，命名实体包括：报警信息或故障信息；其中，报警信息包括：报警名称、报警等级、报警设备名称；故障信息包括：故障名称、故障等级、故障设备名称，关联关系包括导致关系和衍生关系；

S230，基于命名实体识别结果和命名实体识别结果之间的关联关系，建立网络故障知识图谱；其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；

在一些示例中，在获取到网络设备报警数据集和网络设备故障数据集之后，便可以基于该网络设备报警数据集和网络设备故障数据集来建立网络故障知识图谱。

在一些示例中，可以预先建立一个知识图谱本体，该预先建立的知识图谱可以用三元组<实体，关系，实体>表示，多个三元组相连便可以组成一个知识图谱，该三元组中的“实体”代表该知识图谱中的一个节点，用于承载故障信息或报警信息，该三元组中的“关系”代表该知识图谱中的一条边，用来承载故障信息与报警信息之间的关联关系或任两个报警信息之间的关联关系。

在建立得到知识图谱本体之后，由于并未向该知识图谱本体中写入故障信息或报警信息，也未向该知识图谱中写入故障信息与报警信息之间的关联关系或任两个报警信息之间的关联关系，因此，该知识图谱本体并非是网络故障知识图谱。

因此，在预先建立知识图谱本体之后，为了得到网络故障知识图谱，可以先对网络设备报警数据集和网络设备故障数据集进行数据处理，来得到对应的命名实体和命名实体之间的关联关系；

在一些示例中，该网络设备报警数据集和网络设备故障数据集可以是结构化数据集，也可以是半结构化或者非结构化数据集；

当该网络设备报警数据集和网络设备故障数据集是结构化数据集时，该网络设备报警数据集和网络设备故障数据集中已经包含了命名实体，但是并未包含命名实体之间的关联关系，因此，可以对网络设备报警数据集和网络设备故障数据集进行语义关系抽取，从而可以得到网络设备报警数据集对应的任两个命名实体之间的关联关系、网络设备故障数据集对应的任两个命名实体之间的关联关系以及网络设备报警数据集对应的命名实体与网络设备故障数据集对应的命名实体之间的关联关系。其中，可以采用D2R(Data toResource Description Framework，将数据库转换为资源描述框架)技术进行语义关系抽取。

当网络设备报警数据集和网络设备故障数据集是半结构化或者非结构化数据集时，可以对该网络设备报警数据集和网络设备故障数据集进行命名实体识别和语义关系抽取，从而可以得到命名实体识别结果和命名实体识别结果之间的关联关系，例如，可以得到网络设备报警数据集对应的命名实体、网络设备故障数据集对应的命名实体、网络设备报警数据集对应的任两个命名实体之间的关联关系、网络设备故障数据集对应的任两个命名实体之间的关联关系以及网络设备报警数据集对应的命名实体与网络设备故障数据集对应的命名实体之间的关联关系。其中，可以采用BiLSTM-CRF(Bi-directional Long Short-Term Memory-Conditional Random Fields，双向长短期记忆神经网络和条件随机场)算法进行命名实体识别，采用双向GRU(Gated Recurrent Unit，门控循环单元)神经网络模型和双层注意力模型来进行语义关系抽取。

可以理解的是，这里的D2R技术、BiLSTM-CRF算法、双向GRU神经网络模型以及双层注意力模型均是现有技术，这里不再赘述。

在一些示例中，该命名实体可以包括报警信息或故障信息；其中，报警信息包括：报警名称、报警等级、报警设备名称、报警编号、报警描述、报警影响以及报警预处理，其中，该报警设备名称表示发出报警信息的设备的名称，报警描述表示用来描述报警的内容，报警影响表示报警设备所产生的影响，报警预处理表示对报警设备所采用的预处理方式。该故障信息包括：故障名称、故障等级、故障设备名称、故障表现以及故障处理等，其中，故障设备名称表示发生故障的设备的名称，故障表现表示发生故障的设备所出现的故障内容，故障处理表示对该发生故障的设备所采用的故障处理方式。该关联关系包括导致关系和衍生关系；该导致关系表示两个命名实体之间因果关系，例如，命名实体1导致命名实体2，或者命名实体2导致命名实体1；该衍生关系表示一个故障衍生出了另一个故障，或者一个报警衍生出了另一个报警，或者一个故障导致一个报警等。

在得到命名实体以及命名实体之间的关联关系后，可以将该命名实体以及命名实体之间的关联关系添加到预先建立的知识图谱本体中，从而可以建立得到网络故障知识图谱。例如，得到的网络故障知识图谱中的命名实体以及命名实体之间的关联关系可以如表1所示。

表1故障关系数据

头实体名	尾实体名	关系
			光纤故障	前向纠错码纠错前误码越限报警	导致
光纤故障	光传送单元信号劣化报警	导致
			光纤故障	再生段性能越限报警	导致
输入光功率过高报警	前向纠错码纠错前误码越限报警	衍生
			再生段B1信号劣化报警	再生段性能越限报警	衍生
再生段B1误码过量报警	再生段性能越限报警	衍生
			工作温度越限报警	再生段B1信号劣化报警	衍生
风扇故障报警	工作温度越限报警	衍生
			工作温度越限报警	再生段B2误码过量报警	衍生
制冷(热)设备故障	工作温度越限报警	导致
			单板故障	输入光功率过高报警	导致
光缆故障	光传送单元信号劣化报警	导致
			光缆故障	再生段B1误码过量报警	导致
单板故障	再生段B1信号劣化报警	导致

S240，基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；

在建立得到网络故障知识图谱后，便可以基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；

在一些示例中，在基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型时，可以先对网络故障知识图谱进行独热编码，得到网络故障知识图谱对应的特征向量，特征向量用于表征故障信息、报警信息、故障信息与报警信息之间的关联关系或任两个报警信息之间的关联关系；

具体的，可以先对网络故障知识图谱中的各个命名实体以及命名实体之间的关联关系进行编码，其中，在上述的网络故障知识图谱中，上述的实体包括头实体和尾实体，三元组中的第一个“实体”为头实体，三元组中的第二个“实体”为尾实体。

例如，如表2所示，可以将头命名实体“再生段B1信号劣化”编码为“1”、将尾命名实体“再生段B2误码过量”编码为“2”、将“工作温度越限报警”编码为“3”；然后对编码“1”、“2”以及“3”进行独热编码；例如，将“1”编码为“001”，将“2”编码为“010”，将“3”编码为“011”等。

又假设关联关系为导致关系和衍生关系，则可以将导致关系编码为“1”，将衍生关系编码为“2”，然后对编码“1”和“2”进行独热编码，从而可以得到网络故障知识图谱对应的特征向量。例如，该特征向量可以是“010010”。

表2命名实体编码表和关联关系编码表

在得到网络故障知识图谱对应的特征向量之后，便可以将网络故障知识图谱对应的特征向量输入至预先设置的GGNN模型，对预先设置的GGNN模型进行迭代训练，得到训练完成的GGNN模型。

S250，获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。

通过本发明实施例来建立网络故障知识图谱，可以充分挖掘故障数据和报警数据之间的隐含关系，有助于后续在对待分析网络信息进行分析时，能够更快速的确定故障或报警原因。并且，可以提高对故障的诊断准确率。

在一些示例中，在基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，可以将网络故障知识图谱存储于Neo4j图形数据库中；然后基于从Neo4j图形数据库中获取的网络故障知识图谱，对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。该Neo4j图形数据库是一个高性能的非关系型的图形数据库，它将结构化数据存储在网络上而不是表中，它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎。

通过将网络故障知识图谱存储于Neo4j图形数据库中可以更方便的对该网络故障知识图谱进行检索和查询、知识计算以及知识更新。并且，还可以通过图形界面来更直观的查看网络故障知识图谱的结构。

可以理解的是，本发明实施例中的步骤S240～S250与上述第一种实施方式的步骤S120和S130相同或相似，这里不再赘述。

在图1所示的一种网络故障分析方法的基础上，本发明实施例还提供了一种可能的实现方式，如图3所示，为本发明实施例的一种网络故障分析方法第三种实施方式的流程图，该方法可以包括：

S310，基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；其中，网络故障知识图谱为多个，且多个网络故障知识图谱为待融合的异构知识图谱；

S320，对多个待融合的异构知识图谱进行知识融合，得到融合后的网络故障知识图谱；

S330，基于融合后的网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

S340，获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。

在一些示例中，在建立网络故障知识图谱时，可以建立多个不同的知识图谱，并且，该多个不同的知识图谱可以是异构知识图谱，该不同的知识图谱的数据集的来源可以是不同的。

为了进一步提高对复杂故障的诊断准确率，可以将该多个不同的知识图谱进行知识融合，从而可以实现对单一知识图谱的补充和更新，这样，可以去除不同的知识图谱中的冗余知识，消除不同的知识图谱中的知识冲突确保故障知识图谱知识的一致性和无二义性。

可以理解的是，在进行知识融合时，可以采用现有的知识融合技术来对多个不同的知识图谱进行知识融合，得到融合后的网络故障知识图谱，进而基于融合后的网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。这样，可以使得采用具有更丰富的知识的网络故障知识图谱对预先设置的GGNN模型进行训练，进而使得训练完成的GGNN模型在进行故障分析时，能具有更高的诊断准确率。

为了评估本发明提出的基于知识图谱和GGNN的网络故障根因分析算法，我们进行了仿真实验。

首先，建立了如图4所示的网络故障知识图谱，在图4中，深色节点为故障节点，浅色节点为报警节点、红色边代表故障与报警之间的导致关系，蓝色边代表报警与报警之间的衍生关系。然后使用表3所示的基本参数预先设置GGNN模型。最后使用图4所示的网络故障知识图谱对该预先设置的GGNN模型进行训练。

表4仿真实验基本参数设置及描述

参数名	默认值	参数描述
			train_size	500	训练样本数
hidden_dim	4	GGNN隐藏状态维度
			n_steps	10	用类GRU更新节点状态的次数
epoch	100	训练次数

在基本性能仿真中，经过100轮训练后，绘制的准确率-损失值曲线如图5所示。从图5中可以看出，随着GGNN模型不断迭代更新节点信息，算法的准确率逐渐上涨并在第80轮趋于稳定，维持在97％左右。同时损失值在不断下降，其收敛速度较慢说明模型能够充分挖掘故障图谱的图结构特征，并在第90轮左右时趋于稳定，维持在0.1009左右。可见，本发明实施例的网络故障分析方法能够充分学习网络故障知识图谱的特征，在取得较小损失值的同时达到了较高的准确率。

另外，为了确定网络故障知识图谱规模对本发明实施例的网络故障分析方法的影响，这里分别测试了在图谱规模10、15和25条件下，本发明实施例的网络故障分析方法的诊断时长和准确率，仿真结果如图6所示。从仿真结果可以看出，随着图谱规模的扩大，诊断时长有所增长，但为线性增长且增长趋势缓慢。同时，准确率有所波动，但波动幅度较小且依然维持在96％左右。这是由于在GGNN传播模型中，每一个节点仅接收上一时间步的隐藏信息和邻居节点的信息，即使图谱规模扩大，节点间的传播方式不受干扰，从而使本发明实施例的网络故障分析方法基本不受图谱规模的影响。

最后，将现有的RNN(Recurrent Neural Network,循环神经网络)算法、LSTM(LongShort-Term Memory，长短期记忆神经网络)算法与本发明实施例的网络故障分析方法进行了对比，其对比结果如表5所示。

表5RNN、LSTM以及GGNN算法的诊断性能对比

算法	RNN	本发明	LSTM
				准确率	95.4±1.8(250)	97.2±0.5(100)	95.2±2.0(250)
Loss	0.115±0.00125(250)	0.101±0.00009(10	0.118±0.00070(250)

从表5中可以看到，本发明实施例的网络故障分析方法以较小的训练代价实现了较高的准确率和较低的损失值，且其波动幅度较小。在对故障根因分析中，取得了良好、稳定的故障诊断性能。

相应于上述的方法实施例，本发明实施例还提供了一种网络故障分析装置，如图7所示，该网络故障分析装置可以包括：

建立模块710，用于基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；

训练模块720，用于基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；

分析模块730，用于获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。

本发明实施例提供的一种网络故障分析装置，可以先基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；然后基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；最后获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。这样，可以先通过网络故障知识图谱，来确定故障信息和报警信息间的关联关系，然后通过使用该网络故障知识图谱对预先设置GGNN模型进行训练，可以使得训练完成的GGNN模型可以学习到故障信息和报警信息间的关联关系，进而通过该训练完成的GGNN模型进行故障分析，能够充分分析出复杂的待分析网络信息中包含的故障信息或报警信息之间的关联关系，从而可以更准确的诊断出故障或者报警的原因，解决现有的故障诊断方法对复杂故障的诊断准确率低的问题，提高了故障分析的准确率。并且通过使用GGNN模型来进行故障分析，还可以提高分析效率，并使得分析过程全面自动化。

在一些示例中，建立模块710，包括：

获取子模块，用于获取网络设备报警数据集和网络设备故障数据集；网络设备报警数据集中包括报警描述信息和报警处理信息；网络设备故障数据集包括故障描述信息和故障处理信息；

识别子模块，用于对网络设备报警数据集和网络设备故障数据集进行数据处理，得到对应的命名实体和命名实体之间的关联关系；其中，命名实体包括：报警信息或故障信息；其中，报警信息包括：报警名称、报警等级、报警设备名称；故障信息包括：故障名称、故障等级、故障设备名称，关联关系包括导致关系和衍生关系；

建立子模块，用于基于命名实体识别结果和命名实体识别结果之间的关联关系，建立网络故障知识图谱。

在一些示例中，网络故障知识图谱为多个，且多个网络故障知识图谱为待融合的异构知识图谱；

对此，上述的网络故障分析装置还包括：

融合模块，用于在基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，对多个待融合的异构知识图谱进行知识融合，得到融合后的网络故障知识图谱；

训练模块720，具体用于：基于融合后的网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

在一些示例中，上述的网络故障分析装置还包括：

存储模块，用于在基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，将网络故障知识图谱存储于图形数据库中；

训练模块720，具体用于：基于从图形数据库中获取的网络故障知识图谱，对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

在一些示例中，训练模块720，包括：

编码子模块，用于对网络故障知识图谱进行独热编码，得到网络故障知识图谱对应的特征向量，特征向量用于表征故障信息、报警信息、故障信息与报警信息之间的关联关系以及任两个报警信息之间的关联关系；

训练子模块，用于将网络故障知识图谱对应的特征向量输入至预先设置的GGNN模型，对预先设置的GGNN模型进行迭代训练，得到训练完成的GGNN模型。

本发明实施例还提供了一种电子设备，如图8所示，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信，

存储器803，用于存放计算机程序；

处理器801，用于执行存储器803上所存放的程序时，实现上述任一实施例所示的一种网络故障分析方法的步骤，例如，可以实现如下步骤：

基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，所述网络故障知识图谱包括：多个节点和连接每两个节点的边，每个所述节点表示故障信息或报警信息，每条边表示所述故障信息与所述报警信息之间的关联关系、任两个所述报警信息之间的关联关系或任两个所述故障信息之间的关联关系；

基于所述网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；

获取待分析网络信息，并将所述待分析网络信息输入至所述训练完成的GGNN模型，对所述待分析网络信息进行故障分析，得到分析结果。

本发明实施例提供的一种电子设备，可以先基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；然后基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；最后获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。这样，可以先通过网络故障知识图谱，来确定故障信息和报警信息间的关联关系，然后通过使用该网络故障知识图谱对预先设置GGNN模型进行训练，可以使得训练完成的GGNN模型可以学习到故障信息和报警信息间的关联关系，进而通过该训练完成的GGNN模型进行故障分析，能够充分分析出复杂的待分析网络信息中包含的故障信息或报警信息之间的关联关系，从而可以更准确的诊断出故障或者报警的原因，解决现有的故障诊断方法对复杂故障的诊断准确率低的问题，提高了故障分析的准确率。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例所示的一种网络故障分析方法的步骤，例如，可以实现如下步骤：

基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，所述网络故障知识图谱包括：多个节点和连接每两个节点的边，每个所述节点表示故障信息或报警信息，每条边表示所述故障信息与所述报警信息之间的关联关系、任两个所述报警信息之间的关联关系或任两个所述故障信息之间的关联关系；

基于所述网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；

获取待分析网络信息，并将所述待分析网络信息输入至所述训练完成的GGNN模型，对所述待分析网络信息进行故障分析，得到分析结果。

本发明实施例提供的一种计算机可读存储介质，可以先基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；然后基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；最后获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。这样，可以先通过网络故障知识图谱，来确定故障信息和报警信息间的关联关系，然后通过使用该网络故障知识图谱对预先设置GGNN模型进行训练，可以使得训练完成的GGNN模型可以学习到故障信息和报警信息间的关联关系，进而通过该训练完成的GGNN模型进行故障分析，能够充分分析出复杂的待分析网络信息中包含的故障信息或报警信息之间的关联关系，从而可以更准确的诊断出故障或者报警的原因，解决现有的故障诊断方法对复杂故障的诊断准确率低的问题，提高了故障分析的准确率。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一实施例所示的一种网络故障分析方法的步骤，例如，可以执行如下步骤：

基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，所述网络故障知识图谱包括：多个节点和连接每两个节点的边，每个所述节点表示故障信息或报警信息，每条边表示所述故障信息与所述报警信息之间的关联关系、任两个所述报警信息之间的关联关系或任两个所述故障信息之间的关联关系；

基于所述网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；

获取待分析网络信息，并将所述待分析网络信息输入至所述训练完成的GGNN模型，对所述待分析网络信息进行故障分析，得到分析结果。

本发明实施例提供的一种计算机程序产品，可以先基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；然后基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；最后获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。这样，可以先通过网络故障知识图谱，来确定故障信息和报警信息间的关联关系，然后通过使用该网络故障知识图谱对预先设置GGNN模型进行训练，可以使得训练完成的GGNN模型可以学习到故障信息和报警信息间的关联关系，进而通过该训练完成的GGNN模型进行故障分析，能够充分分析出复杂的待分析网络信息中包含的故障信息或报警信息之间的关联关系，从而可以更准确的诊断出故障或者报警的原因，解决现有的故障诊断方法对复杂故障的诊断准确率低的问题，提高了故障分析的准确率。

在本发明提供的又一实施例中，本发明实施例还提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述任一实施例所示的一种网络故障分析方法的步骤，例如，可以执行如下步骤：

基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，所述网络故障知识图谱包括：多个节点和连接每两个节点的边，每个所述节点表示故障信息或报警信息，每条边表示所述故障信息与所述报警信息之间的关联关系、任两个所述报警信息之间的关联关系或任两个所述故障信息之间的关联关系；

基于所述网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；

获取待分析网络信息，并将所述待分析网络信息输入至所述训练完成的GGNN模型，对所述待分析网络信息进行故障分析，得到分析结果。

本发明实施例提供的一种计算机程序，可以先基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，网络故障知识图谱包括：多个节点和连接每两个节点的边，每个节点表示故障信息或报警信息，每条边表示故障信息与报警信息之间的关联关系、任两个报警信息之间的关联关系或任两个故障信息之间的关联关系；然后基于网络故障知识图谱对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型；最后获取待分析网络信息，并将待分析网络信息输入至训练完成的GGNN模型，对待分析网络信息进行故障分析，得到分析结果。这样，可以先通过网络故障知识图谱，来确定故障信息和报警信息间的关联关系，然后通过使用该网络故障知识图谱对预先设置GGNN模型进行训练，可以使得训练完成的GGNN模型可以学习到故障信息和报警信息间的关联关系，进而通过该训练完成的GGNN模型进行故障分析，能够充分分析出复杂的待分析网络信息中包含的故障信息或报警信息之间的关联关系，从而可以更准确的诊断出故障或者报警的原因，解决现有的故障诊断方法对复杂故障的诊断准确率低的问题，提高了故障分析的准确率。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备及存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种网络故障分析方法，其特征在于，所述方法包括：

基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，所述网络故障知识图谱包括：多个节点和连接每两个节点的边，每个所述节点表示故障信息或报警信息，每条边表示所述故障信息与所述报警信息之间的关联关系、任两个所述报警信息之间的关联关系或任两个所述故障信息之间的关联关系；

基于所述网络故障知识图谱对预先设置的门控图神经网络GGNN模型进行训练，得到训练完成的GGNN模型；

获取待分析网络信息，并将所述待分析网络信息输入至所述训练完成的GGNN模型，对所述待分析网络信息进行故障分析，得到分析结果。

2.根据权利要求1所述的方法，其特征在于，所述基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，包括：

获取网络设备报警数据集和网络设备故障数据集；所述网络设备报警数据集中包括报警描述信息和报警处理信息；所述网络设备故障数据集包括故障描述信息和故障处理信息；

对所述网络设备报警数据集和所述网络设备故障数据集进行数据处理，得到对应的命名实体和所述命名实体之间的关联关系；其中，所述命名实体包括：报警信息或故障信息；其中，所述报警信息包括：报警名称、报警等级、报警设备名称；所述故障信息包括：故障名称、故障等级、故障设备名称，所述关联关系包括导致关系和衍生关系；

基于所述命名实体识别结果和所述命名实体识别结果之间的关联关系，建立所述网络故障知识图谱。

3.根据权利要求1或2所述的方法，其特征在于，所述网络故障知识图谱为多个，且多个所述网络故障知识图谱为待融合的异构知识图谱；

在所述基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，所述方法还包括：

对多个所述待融合的异构知识图谱进行知识融合，得到融合后的网络故障知识图谱；

所述基于所述网络故障知识图谱对预先设置的门控图神经网络GGNN模型进行训练，得到训练完成的GGNN模型，包括：

基于所述融合后的网络故障知识图谱对所述预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

4.根据权利要求1或2所述的方法，其特征在于，在所述基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，所述方法还包括：

将所述网络故障知识图谱存储于图形数据库中；

所述基于所述网络故障知识图谱对预先设置的门控图神经网络GGNN模型进行训练，得到训练完成的GGNN模型，包括：

基于从所述图形数据库中获取的所述网络故障知识图谱，对预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

5.根据权利要求1所述的方法，其特征在于，所述基于所述网络故障知识图谱对预先设置的门控图神经网络GGNN模型进行训练，得到训练完成的GGNN模型，包括：

对所述网络故障知识图谱进行独热编码，得到所述网络故障知识图谱对应的特征向量，所述特征向量用于表征所述故障信息、所述报警信息、所述故障信息与所述报警信息之间的关联关系以及任两个所述报警信息之间的关联关系；

将所述网络故障知识图谱对应的特征向量输入至所述预先设置的GGNN模型，对所述预先设置的GGNN模型进行迭代训练，得到训练完成的GGNN模型。

6.一种网络故障分析装置，其特征在于，所述装置包括：

建立模块，用于基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱，其中，所述网络故障知识图谱包括：多个节点和连接每两个节点的边，每个所述节点表示故障信息或报警信息，每条边表示所述故障信息与所述报警信息之间的关联关系、任两个所述报警信息之间的关联关系或任两个所述故障信息之间的关联关系；

训练模块，用于基于所述网络故障知识图谱对预先设置的门控图神经网络GGNN模型进行训练，得到训练完成的GGNN模型；

分析模块，用于获取待分析网络信息，并将所述待分析网络信息输入至所述训练完成的GGNN模型，对所述待分析网络信息进行故障分析，得到分析结果。

7.根据权利要求6所述的装置，其特征在于，所述建立模块，包括：

获取子模块，用于获取网络设备报警数据集和网络设备故障数据集；所述网络设备报警数据集中包括报警描述信息和报警处理信息；所述网络设备故障数据集包括故障描述信息和故障处理信息；

识别子模块，用于对所述网络设备报警数据集和所述网络设备故障数据集进行数据处理，得到对应的命名实体和所述命名实体之间的关联关系；其中，所述命名实体包括：报警信息或故障信息；其中，所述报警信息包括：报警名称、报警等级、报警设备名称；所述故障信息包括：故障名称、故障等级、故障设备名称，所述关联关系包括导致关系和衍生关系；

建立子模块，用于基于所述命名实体识别结果和所述命名实体识别结果之间的关联关系，建立所述网络故障知识图谱。

8.根据权利要求6或7所述的装置，其特征在于，所述网络故障知识图谱为多个，且多个所述网络故障知识图谱为待融合的异构知识图谱；

所述装置还包括：

融合模块，用于在所述基于获取的网络设备报警数据集和网络设备故障数据集，建立网络故障知识图谱之后，对多个所述待融合的异构知识图谱进行知识融合，得到融合后的网络故障知识图谱；

所述训练模块，具体用于：基于所述融合后的网络故障知识图谱对所述预先设置的GGNN模型进行训练，得到训练完成的GGNN模型。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。

Images