网络故障管理告分析论文 .docVIP

网络故障管理告警分析论文 　　1故障管理是现代电信网管理的5大功能之一，故障管理是网络管理的一个重要组成部分,故障管理的智能化是故障管理追求的目标，也是复杂、高速网络高可靠性、高生存性的必然要求。 　　网络管理员面对通信网络中产生的大量告警信息，往往很难从中找出故障的真正原因，从而无法快速实施故障修复和障碍排除。对于故障管理来讲，其难点就在于故障诊断和定位。为了更好的解决故障诊断定位问题，需要对所接收的告警信息进行分析和处理，以便能更好地完成故障管理的任务。 　　为了更好的把故障管理的智能化的思想运用到通信网络中，以解决大型通信网中大量的告警信息，本文将首先介绍几种具有代表性的故障管理告警关联技术，并通过对比分析这几种方法，选择将基于规则和实例的关联分析方法相结合，进而来分析告警信息，从而使故障的定位更加准确。 　　2基本概念 　　在网络管理领域，故障是人们对服务中出现问题的感知，尤其是用户的感知。故障是产生告警事件的原因。告警是当检测到错误或异常状态时产生的特定类型的通知。但它只是表明可能有故障发生，并不一定有故障发生。当网络中出现故障时，会引发一系列告警，但并不是所有告警都表明故障原因，所以需要对网络中发生的告警事件进行相关性分析，确定产生故障的根本原因。 　　告警相关性分析是指对告警进行合并和转化，将多个告警合并成一条具有更多信息量的告警，确定能反应故障根本原因的告警，准确定位故障[1]。 　　3几种告警关联技术 　　基于规则的推理 　　基于规则的推理又称为基于规则的专家系统、专家系统、产生式系统和黑板系统等，它是最早出现的一种事件关联技术。 　　这种方法的特定领域的知识包含在一组规则集中，而与特定情况相关的知识构成了事实。每个基于规则的系统都有一个控制策略，决定应用规则的次序。例如，当结束条件已经被满足，则停止计算[1]。 　　基于事例的推理 　　基于事例的推理是通过直接利用过去的经验和方法，来解决给定的问题。事例是以前遇到并已经解决的特定问题。基于事例的推理是将过去成功的事例存入事例库；遇到新问题时，在事例库中寻找类似的过去事例，利用类比推理方法得到新问题的近似解答；再加以适当修改，使之完全适合新问题。事例库的维护主要是按著名的遗忘曲线理论，即长期不用的信息将会被遗忘，所以要删除长期不用的事例。 　　基于模型的推理 　　在基于模型的推理系统中，每个被管对象都有一个模型与之相对应。一个模型实际上就是一个软件模块。处于网络管理系统中的事件相关器建立在面向对象的模型之上，模型之间的协作形成事件关联。网络管理系统和被管网元之间的通信是通过事件关联器和每个被管网元的模型之间的通信实现的，被管网元和被管网元之间的通信是通过被管网元的模型之间的通信实现的。这样，模型之间的关系反映出它们所代表的被管网元之间的关系[2]。 　　每个模型通过与自身所表示的被管网元以及与其它模型之间进行通信，分析自身所表示的网元是否发生故障。因此，网元的故障首先由模拟该网元的模型识别出，然后报告给网络管理系统。 　　贝叶斯网络 　　贝叶斯网络[3]提出处理不确定性的新方法。通过这些方法即使在信息不完全和不精确的情况下，也可以进行推理。通信网络中发生的告警事件，可能会发生丢失，收集到的具有相关性告警事件是不确定的。而且激发相关性告警的故障原因也是不确定的。所以通过贝叶斯网络来分析通信网络中告警相关性，可以克服告警事件的不确定性。 　　神经网络 　　神经网络是模仿人类神经系统的工作原理，又相互联结的神经元组成的系统。各神经元之间是简单的输入/输出的关系。通过学习待分析数据中的模式来构造模型，而这个模型本身相当于一个“黑箱”，我们并不了解“黑箱”内部的东西，而只要求我们在已经训练好的神经网络中输入端输入数据，就可以在输出端直接得到预期的结果。 　　数据挖掘 　　数据挖掘是在数据中发现新颖的模式。它是基于过去事例的泛化的一种归纳学习。数据挖掘在通信领域中的典型应用是基于历史告警数据，发现告警相关性规则。根据发现的规则，来分析和预测网络元件可能出现的故障。 　　模糊逻辑 　　由于通信网络结构十分复杂，几乎不可能建立关于这些网络的精确模型，所以需要用模糊逻辑方法来处理一些具体问题。而且实际上由于网络配置经常发生变化，网络模型越详细，那么它过时的速度会越快。并且在故障和告警之间的因果关系通常是不完全的，如由于路由故障，一些告警事件发生丢失。因此可以通过模糊逻辑描述出不精确网络模型，用于分析不完全的告警相关性[1]。 　　由通信专家所提供的知识经常是不精确的，很难直接用于网络管理。模糊逻辑中最根本的概念是模糊集合。模糊集合中任何一个元素归属于某个集合，不再是从True或False的两者选择其一，而是在区间[0,1]之间的一个值。所以通过模糊逻辑来描述网络模型，采用模糊