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.docxVIP

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

1概述

与4G网络相比，一方面5G网络设备具备云化架构的技术特征，软硬件模块及接口更加复杂，网络系统的操作和维护难度大幅度提升。另一方面，微服务、网络切片等新技术的引入使得5G网络管理对象数

量暴增，新的网络形态和网络规模为网络告警分析带来了极大的挑战，告警分析处理工作量逐渐呈几何级数增加。

在当前的日常运维工作中，运维人员在分析各类告警时一般会采用聚类关联算法，对不同的告警数据进行聚类和压缩。告警处理系统中典型的算法有

［1-2］

——————————

Apriori

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

88

88 2023/07/DTPT

法执行过程中需要对告警事务数据库反复进行全量扫描，并且会产生大量的候选项集，算法执行效率较低。FP-Growth算法通过构造频繁模式树这种比较紧凑的数据结构，将频繁模式信息进行压缩，本质上是一种深度优先搜索算法。基于上述典型的聚类算法开发，业内进行了很多电信告警关联规则的挖掘应用，也有很多系统基于大数据技术进行电信告警关联规则的挖掘实现。但以上告警关联分析技术中都或多或少存在如下2个问题。

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，重要的告警信息被噪声告警淹没会导致漏报，大量噪声告警数据的混杂同样会导致误报。很多在时间、空间维度上都毫无关联的原始告警数据堆积在一起，导致真实的告警关联关系很难被洞察或无法被算法挖掘出来，尤其是对聚类算法的计算效率和收敛性带来很大的影响，直接导致告警关联分析结果的准确性降低。

b）当前对告警数据关联的分析过程中，缺乏对告警根因分析的高效结合。通常的聚类算法只简单反应了一般性数据的关联性，没有考虑告警间的业务关系特点，例如网络不同层级的各类告警，从业务拓扑来看源自于同一个根告警。频繁项集包含过多次生告警关系项，干扰了关联关系的判断。上述研究中提到的算法方案很难分析出告警事件的关联根因，无法实现告警数据的进一步高效压缩。所以，研究如何通过各层级告警的根因智能分析定位，实现对不同层级的告警高效收敛和压缩具有重要意义。

针对以上问题和需求，本文提出了一套网络告警

智能分析和压缩的综合解决方案。方案利用时空特征数据预处理技术，高效过滤掉无关联的噪声告警数据，并在此基础上提出应用GCN和XGBoost这2种算法的融合模型进行根因智能分析定位。根据根因分析结果发现和清除衍生关联告警集，实现各层级各类告警数据的智能关联压缩，从而有效减小告警派单量，提升告警处理质量和效率。

2基于时空特征融合和GCN算法的网络告警压缩技术方案

2.1总体技术方案

本文提出的网络告警智能分析和压缩的综合解决方案整体流程如图1所示，方案关键步骤如下。

a）数据采集和预处理，包括全量的告警数据、故障数据、资源数据的采集和预处理。预处理包括数据清洗、数据转换、数据补充、数据规范化处理等。

b）时空特征融合处理，包括对告警、故障数据进行时间特征分析预处理、资源空间关联特征分析预处理，实现对无关噪声数据的精准剔除，提升数据质量。c）多维数据特征提取，包括告警、故障数据的时间特征、语义特征、网元资源位置特征、资源关联特征

等的提取。

d）多维数据向量生成，基于提取的多维数据特征，统一编排生成多维数据向量。

e）多维告警根因定位，调用GCN算法模型，对多维告警和故障数据进行根因定位分析，输出故障告警根因。

f）根因告警关联分析，对GCN算法模型输出的故

告警数据1

…

告警数据m

故障数据1

…

故障数据n

资源数据1

…

数据清洗数据转换数据补充数据规范时间特征关联

数据清洗数据转换数据补充

数据规范

空间特征关联（网元层级、逻辑、机房、所属资源）

故障、告警关联

时序特征提取语义特征提取位置数据特征提取

将数据转

将数据转化为可计算的向量形式

调用XGBoost模型进行根因告警关联

调用GCN模型进行根因定位

资源数据k

（故障，告警）

评估根因告警

高相关度根因关

高相关度根因关联告警集结果数据

对根因关联告警集进行告警合并压缩

图1综合告警智能分析总体解决方案流程

障告警根因，调用