WO2016070642A1 - 一种多故障数据解耦方法和装置 - Google Patents

一种多故障数据解耦方法和装置 Download PDF

Info

Publication number
WO2016070642A1
WO2016070642A1 PCT/CN2015/083480 CN2015083480W WO2016070642A1 WO 2016070642 A1 WO2016070642 A1 WO 2016070642A1 CN 2015083480 W CN2015083480 W CN 2015083480W WO 2016070642 A1 WO2016070642 A1 WO 2016070642A1
Authority
WO
WIPO (PCT)
Prior art keywords
fault
data
correlation
alarm
group
Prior art date
Application number
PCT/CN2015/083480
Other languages
English (en)
French (fr)
Inventor
赵春华
Original Assignee
中兴通讯股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 中兴通讯股份有限公司 filed Critical 中兴通讯股份有限公司
Publication of WO2016070642A1 publication Critical patent/WO2016070642A1/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种多故障数据解耦方法和装置，所述方法将使用关联分析方法的频繁项集分析结果用于故障数据解耦中去根因化和去相关化，基于去跟因化和去相关化后的故障数据，使用单故障数据情况下的相关系数矩阵为告警数据选择归属故障。该解耦方法具有关联分析方法的特点：准确率高和鲁棒性强，且相对于现网中的人工方法提高了工作效率，为故障告警数据的大规模数据挖掘分析提供了可能。

Description

一种多故障数据解耦方法和装置 技术领域
本发明涉及通信技术领域，尤其涉及一种多故障数据解耦方法和装置。
背景技术
通信网络中的故障指的是组成被管网络的硬件设备或者软件设备所发生的功能异常。通信网络中的告警指的是特定事件发生时被管对象发出的通报构成的事件报告，用于传递告警信息。通信网络中的故障和故障之间，故障和告警之间的关系较为复杂。
故障与故障之间，一个故障可以独立存在，也可能一个故障引发多个故障，例如IUB口的故障引发用户的掉话，电力系统故障引发单板掉电从而小区退服用户掉话等。故障与告警之间，一个故障可能产生了一个告警也可能产生多个告警。一条告警的出现也表明可能有故障发生，而不是一定有故障发生。
根据网络中的告警信息，进行通信网络的故障分析是研究网络的维护管理的重要工作之一。目前基于数据挖掘的方法进行通信网络故障分析的研究中，通过数据挖掘的各种分类算法对单故障数据信息根据告警信息进行故障分析的方法已有不少研究成果。
而实际网络中采集的数据，为在同一区域和时间的多告警信息及对应的多故障数据。既存在相关故障的同时发生，即根因故障和从属故障同时存在，也存在多不相关的故障同时发生情况。
因此要根据现有的研究方法根据告警信息进行故障根因分析，需要考虑多故障发生情况下，采集的告警数据与在多故障之间进行数据解耦方法：
对多故障情况下，进行故障数据之间的相关性分析；
对相关的多故障，给出故障的根因；
给出告警数据的归属故障。
实际网络中目前采取网络维护工程师进行人工数据处理。该方法一方面人工成本高，且准确性受限于工程师的水平，另一方面工作效率无法满足大数据的故障分析的需求。
发明内容
本发明实施例提供了一种多故障数据解耦方法和装置，以至少解决相关技术采用的数据解耦方法效率低下，无法满足大数据的故障分析需求的问题。
依据本发明实施例的一个方面，提供一种多故障数据解耦方法，包括：
获取同一时间在同一区域采集的K组告警数据和K组故障数据，其中，每组故障数据均按故障优先级排序；
对K组故障数据使用关联分析算法，得到故障频繁项集X，并将所述故障频繁项集X转化为故障两两相关矩阵R；
基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化；
提取与故障去相关化和根因化后存在多不相关故障的各故障数据组对应的各组告警数据，根据告警与各故障之间的相关性，确定提取的各组告警数据中每个告警所归属的故障。
可选地，本发明所述方法中，所述将故障频繁项集X转化为故障两两相关矩阵R的转化原则为：对于在任一频繁项集中同时存在的两两故障标记为相关，对于所有频繁项集中都没有同时存在的两两故障标记为不相关；所述故障两两相关矩阵R中的元素表示两两故障间是否相关。
可选地，本发明所述方法中，所述基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化的原则为：
若故障两两相关矩阵R中表示相关的两故障同时存在于多故障的故障数据组中，则高优先级故障存在的情况下，保留高优先级故障，删除低优先级故障；
若故障两两相关矩阵R中表示不相关的两个故障同时存在于多故障的故障数据组中，则两个故障同时保留。
可选地，本发明所述方法中，所述根据告警与各故障之间的相关性，确定提取的各组告警数据中每个告警所归属的故障，具体包括：
对于提取的每组告警数据，获取与其对应的故障去相关化和根因化后的故障数据组中包含的各故障，得到故障集合；
对于提取的每组告警数据，确定告警数据中每个告警与对应故障集合中各故障相关性最高的故障为对应告警所归属的故障。
可选地，本发明所述方法中，还包括：根据K组故障数据中单故障的故障数据组，计算各告警与各故障之间的皮尔逊相关系数，并通过皮尔逊相关系数来表示告警与各故障之间的相关性。
依据本发明实施例的另一各方面，提供一种多故障数据解耦装置，包括：
数据输入单元，设置为获取同一时间在同一区域采集的K组告警数据和K组故障数据，其中，每组故障数据均按故障优先级排序；
数据处理单元，设置为对K组故障数据使用关联分析算法，得到故障频繁项集X，将所述故障频繁项集X转化为故障两两相关矩阵R，并基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化；
解耦单元，设置为提取与故障去相关化和根因化后存在多不相关故障的各故障数据组对应的各组告警数据，根据告警与各故障之间的相关性，确定提取的各组告警数据中每个告警所归属的故障。
可选地，本发明所述装置中，所述数据处理单元将故障频繁项集X转化为故障两两相关矩阵R的转化原则为：对于在任一频繁项集中同时存在的两两故障标记为相关，对于所有频繁项集中都没有同时存在的两两故障标记为不相关；所述故障两两相关矩阵R中的元素表示两两故障间是否相关。
可选地，本发明所述装置中，所述数据处理单元基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化的原则为：
若故障两两相关矩阵R中表示相关的两故障同时存在于多故障的故障数据组中，则高优先级故障存在的情况下，保留高优先级故障，删除低优先级故障；若故障两两相关矩阵R中表示不相关的两个故障同时存在于多故障的故障数据组中，则两个故障同时保留。
可选地，本发明所述装置中，所述故障解耦单元，设置为对于提取的每组告警数据，获取与其对应的故障去相关化和根因化后的故障数据组中包含的各故障，得到故障集合；对于提取的每组告警数据，确定告警数据中每个告警与对应故障集合中各故障相关性最高的故障为对应告警所归属的故障。
可选地，本发明所述装置中，所述数据处理单元，还设置为根据K组故障数据中单故障的故障数据组，计算各告警与各故障之间的皮尔逊相关系数，以通过皮尔逊相关系数来表示告警与各故障之间的相关性。
本发明有益效果如下：
本发明揭示的技术方案，具有关联分析方法的特点：准确率高和鲁棒性强，且相对于现网中的人工方法提高了工作效率，为故障告警数据的大规模数据挖掘分析提供了可能。
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一简单地介绍，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，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为本发明实施例一提供的一种多故障数据解耦方法的流程图；
图2为本发明实施例二提供的一种多故障数据解耦方法的流程图；
图3为本发明提供的一种多故障数据解耦装置的结构框图。
具体实施方式
为了解决现有技术采用的数据解耦方法效率低下，无法满足大数据的故障分析需求的问题，本发明提供一种多故障数据解耦方法和装置。本发明提供的方案创新在于，将使用关联分析方法的频繁项集分析结果用于故障数据解耦中去根因化和去相关化，基于去跟因化和去相关化后的故障数据，使用单故障数据情况下的相关系数矩阵为告警数据选择归属故障。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，都属于本发明保护的范围。
实施例一
本发明实施例提供一种多故障数据解耦方法，如图1所示，包括如下步骤：
步骤S101，获取同一时间在同一区域采集的K组告警数据和K组故障数据，其中，每组故障数据均按故障优先级排序；
其中，每组告警数据中都包含M个数据，每个数据对应一个告警，用以表示该告警是否存在；
每组故障数据中都包含N个数据，每个数据对应一个故障，用以表示该故障是否存在。
步骤S102，对K组故障数据使用关联分析算法，得到故障频繁项集X，并将所述故障频繁项集X转化为故障两两相关矩阵R；
其中，将故障频繁项集X转化为故障两两相关矩阵R的转化原则为：对于在任一频繁项集中同时存在的两两故障标记为相关，对于所有频繁项集中都没有同时存在的两两故障标记为不相关；
所述故障两两相关矩阵R中的元素表示两两故障间是否相关。
步骤S103，基于故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化；
其中，所述基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化的原则为：
若故障两两相关矩阵R中表示相关的两故障同时存在于多故障的故障数据组中，则高优先级故障存在的情况下，保留高优先级故障，删除低优先级故障；
若故障两两相关矩阵R中表示不相关的两个故障同时存在于多故障的故障数据组中，则两个故障同时保留。
步骤S104，提取与故障去相关化和根因化后存在多不相关故障的各故障数据组对应的各组告警数据，根据告警与各故障之间的相关性，确定提取的各组告警数据中每个告警所归属的故障。
其中，根据告警与各故障之间的相关性，确定提取的各组告警数据中每个告警所归属的故障，具体包括：
对于提取的每组告警数据，获取与其对应的故障去相关化和根因化后的故障数据组中包含的各故障，得到故障集合；
对于提取的每组告警数据，确定告警数据中每个告警与对应故障集合中各故障相关性最高的故障为对应告警所归属的故障。
其中，告警与故障间的相关性，优选的，通过皮尔逊相关系数来表示。
所述皮尔逊相关系数的计算方式为：根据K组故障数据中单故障的故障数据组，计算各告警与各故障之间的皮尔逊相关系数。其中涉及的具体计算方式属于已知技术，再此不作详述。
综上所述，本实施例所述的多故障数据解耦方案具有准确率高和鲁棒性强的特点，并且相对于现网中的人工方法提高了工作效率，为故障告警数据的大规模数据挖掘分析提供了可能。
实施例二
本实施例提供了一种多故障数据解耦方法，该方法的实施原理与实施例一相同，其通过公开实现本发明所述方法的更多技术细节，以更清楚的表述本发明的具体实现过程。需要说明的是，本实施例是一种较佳的实施例，其公开的内容并不用于唯一限定本发明的实施过程。
本实施例提供一种通信网络中多故障情况下的故障数据解耦方法，如图2所示，包括如下步骤：
步骤1：数据采集与预处理方法：
对于通信网络，定义故障的优先级，并按照优先级进行排序。故障优先级可以根据故障波及的网元数量，硬件数量和受其影响的KPI(Key Performance Indicator，关键性能指标)的关键程度进行评估。
将按照优先级排序后的故障(为了与后续的故障数据区分，下述通过故障变量表述)记为{G1,G2,...,GN}。例如以网元NODEB为例，故障变量的集合可以为：{NODEB断电..NODEB退服，NODEB控制单板故障..IUB断链..}
将系统告警(为了与后续的告警数据区分，下述通过告警变量表述)记为{E1,E2,...,EM}。例如{NODEB断电告警,..RRU退服,板间通信流量超过告警门限，性能门限越界}。
采集现网中的K组告警数据和优先级排序后的K组故障数据，组成以下矩阵：
Figure PCTCN2015083480-appb-000001
其中，矩阵中元素eim(1<＝i<＝K,1<＝m<＝M)，记录第i组采样数据中，告警变量Em是否存在：如果告警变量Em存在，则eim＝1，否则eim＝0。
其中，矩阵中元素gin(1<＝i<＝K,1<＝n<＝N)记录第i组采样数据中，故障变量Gn是否存在：如果告警变量Gn存在，则gin＝1，否则gin＝0。
假设第i组采样数据中，存在多故障发生，那么gi1...giN中存在多个非零项，如：gi1...giN＝{1,0,…1,0..}
步骤2：对K组故障信息样本使用Apriori关联分析算法获得频繁项集X。假设获得的频繁项集的数目为J，将故障信息的频繁项集记为{x1,x2,...,xJ}，其中x1～xJ都是故障变量{G1,G2,...,GN}集合的子集。例如xj＝{NODEB断电，NODEB退服}，其中，j＝1,...,J。
步骤3：将故障频繁项集X转化为故障两两相关矩阵R。
定义故障两两相关矩阵R中元素rxy为故障Gx和Gy的两两相关系数。rxy的计算方法如下：如果所有频繁项集中都没有Gx和Gy同时存在，则rxy＝0，否则rxy＝1。其中，x＝1,...,N；Y＝1,...,N
步骤4：根据故障两两相关矩阵R，对样本中多故障的数据组进行故障去相关化和根因化。
对于第i组故障数据中，如果gi1...giN中存在多个非零项，则认为是多故障数据，那么对故障数据组gi1...giN进行去相关化和根因化操作，转换为去相关和根因后的故障数据组g′i1...g′iN。其中，g′in(n＝1,...,N)的计算方法如下：
g′in＝gin，如果g′in非零，则：
在优先级高于当前故障的所有故障gi1,gi2,...gi(n-1)中进行搜索，若存在某故障数据gin′非零，且该故障与当前故障的故障相关系数rn′n＝1，则令g′in＝0。
步骤5：筛选单故障的数据组，并根据单故障的数据组，计算告警变量{E1,E2,...,EM}与故障变量{G1,G2,...,GN}之间的皮尔逊相关系数。定义告警Em与故障Gn的皮尔逊相关系数为pmn。
步骤6：遍历故障去相关化和根因化后的各故障数据，若某故障数据{g′i1...g′iN}为多不相关故障数据，则分析与该多不相关故障数据对应的告警数据{ei1...eiM}中每个告警归属故障。
对于第i组采样数据中，如果g′i1...g′iN中存在多个非零项，则认为是多不相关故障数据。
如果eim非零(即有告警)，则分析eim归属故障的方法如下：
将{g′i1...g′iN}中非零项对应的故障组成故障集合，寻找故障集合中与告警Em皮尔逊相关系数最大的故障为eim的归属故障。
实施例三
本发明实施例提供一种多故障数据解耦装置，该装置中所涉及的各单元可以通过硬件加软件程序的方式实现，所述软件程序用于实现下述各单元的功能，所述硬件设置为为软件程序运行提供支持，从而组成一个实体硬件装置。如图3所示，本实施例所述装置包括：
数据输入单元310，设置为获取同一时间在同一区域采集的K组告警数据和K组故障数据，其中，每组故障数据均按故障优先级排序；
数据处理单元320，设置为对K组故障数据使用关联分析算法，得到故障频繁项集X，将所述故障频繁项集X转化为故障两两相关矩阵R，并基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化；
解耦单元330，设置为提取与故障去相关化和根因化后存在多不相关故障的各故障数据组对应的各组告警数据，根据告警与各故障之间的相关性，确定提取的各组告警数据中每个告警所归属的故障。
基于上述结构框架及实施原理，下面给出在上述结构下的几个具体及优选实施方式，用以细化和优化本发明所述装置的功能，具体涉及如下内容：
本实施例中，数据处理单元320将故障频繁项集X转化为故障两两相关矩阵R的转化原则为：对于在任一频繁项集中同时存在的两两故障标记为相关，对于所有频繁项集中都没有同时存在的两两故障标记为不相关；所述故障两两相关矩阵R中的元素表示两两故障间是否相关。
本实施例中，数据处理单元330基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化的原则为：
若故障两两相关矩阵R中表示相关的两故障同时存在于多故障的故障数据组中，则高优先级故障存在的情况下，保留高优先级故障，删除低优先级故障；若故障两两相关矩阵R中表示不相关的两个故障同时存在于多故障的故障数据组中，则两个故障同时保留。
本实施例中，故障解耦单元330，设置为对于提取的每组告警数据，获取与其对应的故障去相关化和根因化后的故障数据组中包含的各故障，得到故障集合；对于提取的每组告警数据，确定告警数据中每个告警与对应故障集合中各故障相关性最高的故障为对应告警所归属的故障。
优选地，本实施例中，数据处理单元320，还设置为根据K组故障数据中单故障的故障数据组，计算各告警与各故障之间的皮尔逊相关系数，以通过皮尔逊相关系数来表示告警与各故障之间的相关性。
本实施例所述的多故障数据解耦方案具有准确率高和鲁棒性强的特点，并且相对于现网中的人工方法提高了工作效率，为故障告警数据的大规模数据挖掘分析提供了可能。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
工业实用性
如上所述，本发明实施例提供的一种多故障数据解耦方法和装置具有以下有益效果：准确率高和鲁棒性强，且相对于现网中的人工方法提高了工作效率，为故障告警数据的大规模数据挖掘分析提供了可能。

Claims (10)

  1. 一种多故障数据解耦方法，包括：
    获取同一时间在同一区域采集的K组告警数据和K组故障数据，其中，每组故障数据均按故障优先级排序；
    对K组故障数据使用关联分析算法，得到故障频繁项集X，并将所述故障频繁项集X转化为故障两两相关矩阵R；
    基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化；
    提取与故障去相关化和根因化后存在多不相关故障的各故障数据组对应的各组告警数据，根据告警与各故障之间的相关性，确定提取的各组告警数据中每个告警所归属的故障。
  2. 如权利要求1所述的方法，其中，所述将故障频繁项集X转化为故障两两相关矩阵R的转化原则为：对于在任一频繁项集中同时存在的两两故障标记为相关，对于所有频繁项集中都没有同时存在的两两故障标记为不相关；
    所述故障两两相关矩阵R中的元素表示两两故障间是否相关。
  3. 如权利要求2所述的方法，其中，所述基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化的原则为：
    若故障两两相关矩阵R中表示相关的两故障同时存在于多故障的故障数据组中，则高优先级故障存在的情况下，保留高优先级故障，删除低优先级故障；
    若故障两两相关矩阵R中表示不相关的两个故障同时存在于多故障的故障数据组中，则两个故障同时保留。
  4. 如权利要求1所述的方法，其中，所述根据告警与各故障之间的相关性，确定提取的各组告警数据中每个告警所归属的故障，具体包括：
    对于提取的每组告警数据，获取与其对应的故障去相关化和根因化后的故障数据组中包含的各故障，得到故障集合；
    对于提取的每组告警数据，确定告警数据中每个告警与对应故障集合中各故障相关性最高的故障为对应告警所归属的故障。
  5. 如权利要求1或4所述的方法，其中，所述方法中，根据K组故障数据中单故障的故障数据组，计算各告警与各故障之间的皮尔逊相关系数，并通过皮尔逊相关系数来表示告警与各故障之间的相关性。
  6. 一种多故障数据解耦装置，包括：
    数据输入单元，设置为获取同一时间在同一区域采集的K组告警数据和K组故障数据，其中，每组故障数据均按故障优先级排序；
    数据处理单元，设置为对K组故障数据使用关联分析算法，得到故障频繁项集X，将所述故障频繁项集X转化为故障两两相关矩阵R，并基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化；
    解耦单元，设置为提取与故障去相关化和根因化后存在多不相关故障的各故障数据组对应的各组告警数据，根据告警与各故障之间的相关性，确定提取的各组告警数据中每个告警所归属的故障。
  7. 如权利要求6所述的装置，其中，所述数据处理单元将故障频繁项集X转化为故障两两相关矩阵R的转化原则为：对于在任一频繁项集中同时存在的两两故障标记为相关，对于所有频繁项集中都没有同时存在的两两故障标记为不相关；所述故障两两相关矩阵R中的元素表示两两故障间是否相关。
  8. 如权利要求7所述的装置，其中，所述数据处理单元基于所述故障两两相关矩阵R，对K组故障数据中存在多故障的故障数据组进行故障去相关化和根因化的原则为：
    若故障两两相关矩阵R中表示相关的两故障同时存在于多故障的故障数据组中，则高优先级故障存在的情况下，保留高优先级故障，删除低优先级故障；若故障两两相关矩阵R中表示不相关的两个故障同时存在于多故障的故障数据组中，则两个故障同时保留。
  9. 如权利要求6所述的装置，其中，所述故障解耦单元，设置为对于提取的每组告警数据，获取与其对应的故障去相关化和根因化后的故障数据组中包含的各故障，得到故障集合；对于提取的每组告警数据，确定告警数据中每个告警与对应故障集合中各故障相关性最高的故障为对应告警所归属的故障。
  10. 如权利要求6或9所述的装置，其中，所述数据处理单元，还设置为根据K组故障数据中单故障的故障数据组，计算各告警与各故障之间的皮尔逊相关系数，以通过皮尔逊相关系数来表示告警与各故障之间的相关性。
PCT/CN2015/083480 2014-11-05 2015-07-07 一种多故障数据解耦方法和装置 WO2016070642A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410620670.3A CN105634781B (zh) 2014-11-05 2014-11-05 一种多故障数据解耦方法和装置
CN201410620670.3 2014-11-05

Publications (1)

Publication Number Publication Date
WO2016070642A1 true WO2016070642A1 (zh) 2016-05-12

Family

ID=55908518

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/083480 WO2016070642A1 (zh) 2014-11-05 2015-07-07 一种多故障数据解耦方法和装置

Country Status (2)

Country Link
CN (1) CN105634781B (zh)
WO (1) WO2016070642A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110300011A (zh) * 2018-03-23 2019-10-01 中国移动通信集团有限公司 一种告警根因定位方法、装置和计算机可读存储介质
WO2022007108A1 (zh) * 2020-07-07 2022-01-13 南京邮电大学 一种基于深度学习的网络告警定位方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693186B (zh) * 2022-05-31 2022-08-23 广东电网有限责任公司佛山供电局 一种差异化组合式变电站多故障事件分析处理方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162991A1 (en) * 2007-01-02 2008-07-03 International Business Machines Corporation Systems and methods for improving serviceability of a memory system
CN102571407A (zh) * 2010-12-30 2012-07-11 中国移动通信集团河北有限公司 告警关联分析方法及装置
CN103414581A (zh) * 2013-07-24 2013-11-27 佳都新太科技股份有限公司 一种基于数据挖掘的设备故障报警预测处理机制
CN103996077A (zh) * 2014-05-22 2014-08-20 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162991A1 (en) * 2007-01-02 2008-07-03 International Business Machines Corporation Systems and methods for improving serviceability of a memory system
CN102571407A (zh) * 2010-12-30 2012-07-11 中国移动通信集团河北有限公司 告警关联分析方法及装置
CN103414581A (zh) * 2013-07-24 2013-11-27 佳都新太科技股份有限公司 一种基于数据挖掘的设备故障报警预测处理机制
CN103996077A (zh) * 2014-05-22 2014-08-20 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110300011A (zh) * 2018-03-23 2019-10-01 中国移动通信集团有限公司 一种告警根因定位方法、装置和计算机可读存储介质
WO2022007108A1 (zh) * 2020-07-07 2022-01-13 南京邮电大学 一种基于深度学习的网络告警定位方法

Also Published As

Publication number Publication date
CN105634781A (zh) 2016-06-01
CN105634781B (zh) 2020-03-13

Similar Documents

Publication Publication Date Title
CN108415789B (zh) 面向大规模混合异构存储系统的节点故障预测系统及方法
CN112152830A (zh) 一种智能的故障根因分析方法及系统
CN110909811A (zh) 一种基于ocsvm的电网异常行为检测、分析方法与系统
US10346756B2 (en) Machine discovery and rapid agglomeration of similar states
WO2016017208A1 (ja) 監視システム、監視装置、および検査装置
CN109981326B (zh) 家庭宽带感知故障定位的方法及装置
CN110460454B (zh) 基于深度学习的网络设备端口故障智能预测方法
WO2016070642A1 (zh) 一种多故障数据解耦方法和装置
CN112688822B (zh) 基于多点协同的边缘计算故障或安全威胁监测系统与方法
CN110489317B (zh) 基于工作流的云系统任务运行故障诊断方法与系统
JP2014153723A (ja) ログ生起異常検知装置及び方法
CN110768856B (zh) 网络流测量的方法、网络测量设备以及控制面设备
JP6190539B2 (ja) ログ分析装置、ログ分析システム、ログ分析方法及びコンピュータプログラム
CN110896386A (zh) 识别安全威胁的方法、装置、存储介质、处理器和终端
CN113409555A (zh) 一种基于物联网的实时报警联动方法及系统
CN108763281A (zh) 一种基于etl的业务智能分析平台及系统
Ma et al. A parallel heuristic reduction based approach for distribution network fault diagnosis
CN117596119A (zh) 一种基于snmp协议的设备数据采集与监控方法及系统
CN112363891A (zh) 一种基于细粒度事件和KPIs分析的异常原因获得方法
CN111277427B (zh) 一种数据中心网络设备的巡检方法及系统
JP6842673B2 (ja) 制御装置、データ処理制御方法、及びプログラム
US20150066947A1 (en) Indexing apparatus and method for search of security monitoring data
CN113986990B (zh) 一种基于区块链数据挖掘的数据资源采集和标注方法及装置
WO2019138073A1 (en) Method for monitoring devices in a network, computerized system and application program interface
CN111241145A (zh) 一种基于大数据的自愈规则挖掘方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15856474

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15856474

Country of ref document: EP

Kind code of ref document: A1