基于时空特征融合和图卷积神经网络的告警压缩技术研究.pdfVIP

基于时空特征融合和图卷积神经

网络的告警压缩技术研究

量暴增，新的网络形态和网络规模为网络告警分析带

1概述

来了极大的挑战，告警分析处理工作量逐渐呈几何级

与4G网络相比，一方面5G网络设备具备云化架数增加。

构的技术特征，软硬件模块及接口更加复杂，网络系在当前的日常运维工作中，运维人员在分析各类

统的操作和维护难度大幅度提升。另一方面，微服告警时一般会采用聚类关联算法，对不同的告警数据

务、网络切片等新技术的引入使得5G网络管理对象数进行聚类和压缩。告警处理系统中典型的算法有

——————————Apriori［1-2］和FP-Growth算法等，还有从统计角度和可

收稿日期：2023-05-08信度角度对关联规则挖掘算法进行的研究。Aprior算

法执行过程中需要对告警事务数据库反复进行全量智能分析和压缩的综合解决方案。方案利用时空特

扫描，并且会产生大量的候选项集，算法执行效率较征数据预处理技术，高效过滤掉无关联的噪声告警数

低。FP-Growth算法通过构造频繁模式树这种比较紧据，并在此基础上提出应用GCN和XGBoost这2种算

凑的数据结构，将频繁模式信息进行压缩，本质上是法的融合模型进行根因智能分析定位。根据根因分

一种深度优先搜索算法。基于上述典型的聚类算法析结果发现和清除衍生关联告警集，实现各层级各类

开发，业内进行了很多电信告警关联规则的挖掘应告警数据的智能关联压缩，从而有效减小告警派单

用，也有很多系统基于大数据技术进行电信告警关联量，提升告警处理质量和效率。

规则的挖掘实现。但以上告警关联分析技术中都或

2基于时空特征融合和GCN算法的网络告警

多或少存在如下2个问题。

压缩技术方案

a）由于在告警关联分析过程中缺乏对全量的原

始告警数据时空特征的融合分析，重要的告警信息被2.1总体技术方案

噪声告警淹没会导致漏报，大量噪声告警数据的混杂本文提出的网络告警智能分析和压缩的综合解

同样会导致误报。很多在时间、空间维度上都毫无关决方案整体流程如图1所示，方案关键步骤如下。

联的原始告警数据堆积在一起，导致真实的告警关联a）数据采集和预处理，包括全量的告警数据、故

关系很难被洞察或无法被算法挖掘出来，尤其是对聚障数据、资源数据的采集和预处理。预处理包括数据

类算法的计算效率和收敛性带来很大的影响，直接导清洗、数据转换、数据补充、数据规范化处理等。

致告警关联分析结果的准确性降低。b）时空特征融合处理，包括对告警、故障数据进

b）当前对告警数据关联的分析过程中，缺乏对告行时间特征分析预处理、资源空间关联特征分析预处

警根因分析的高效结合。通常的聚类算法只简单反理，实现对无关噪声数据的精准剔除，提升数据质量。

应了一般性数据的关联性，没有考虑告警间的业务关c）多维数据特征提取，包括告警、故障数据的时

系特点，例如网络不同层级的各类告警，从业务拓扑间特征、语义特征、网元资源位置特征、资源关联特征

来看源自于同一个根告警。频繁项集包含过多次生等的提取。

告警关系项，干扰了关联关系的判断。上述研究中提