[发明专利]告警监控方法、系统、计算机可读存储介质及电子设备

说明书

本发明实施例提供了一种基于时间滑窗告警校验约束的神经网络告警监控方法、系统、计算机可读存储介质及电子设备，利用历史系统、设备告警数据进行数据预处理，实现脏数据的数据清洗、数据变换，制作成系统、设备告警训练集，利用神经网络目标函数进行系统、设备告警数据集的训练，优化损失函数值，建立系统、设备告警预测模型。采集系统、设备当前状态信息，并输入告警预测模型中，实现告警预测，利用FP‑Growth算法进行当前和预测告警关联、聚合，根据现网告警进行时间滑窗告警校验，如校验告警有误则进行神经网络继续优化以调整得到最优权值和偏置值，如校验告警无误则进行告警分类、分级输出并进行数据库备份。

【技术领域】

本发明涉及通信网络故障告警监测和预测技术领域，尤其涉及一种基于时间滑窗告警校验约束的神经网络告警监控方法、系统、计算机可读存储介质及电子设备。

【背景技术】

随着通信信息技术的高速发展，电信网络愈加丰富，但是网络的规模、复杂性也愈加严峻。电信级网络通常包括多厂商成千上万的系统和设备，系统和设备之间又通过多种媒介互联，彼此之间存在着复杂的关联关系，这使得故障告警管理成为电信网络中一个难题。

在现有运营商监控方案中，运营商暂未通过告警名称、告警等级、告警频度、告警诱因系统及设备状态、是否转故障、产生告警的设备类型和站点等实时数据进行告警预测监控，仅能通过已发生故障告警、用户报障、用户投诉等方式掌握网络运行状态，缺乏一种科学有效的预测监控方法，针对现网未发生故障但是质差或将发生故障没有有效手段提前预警处理影响客户感知的场景，给网络运维工作带来了极大的挑战。

当前实现告警预测方案有基于告警日志的网络故障预测、序列模式挖掘实现网络告警预测。

基于告警日志的网络故障预测：数量化表示网络系统以及网络设备的运行特征，以时间窗口中告警事件的统计特征来表示该时段内网络系统或者网络设备的运行特征，建立分类预测模型实现告警预测。

序列模式挖掘实现网络告警预测：将网络拓扑约束数据库和预处理后的历史告警数据作为输入，使用基于拓扑约束的序列模式挖掘从告警数据中挖掘出告警序列模式。利用基于拓扑约束的告警序列模式挖掘建立的告警预测模型，用于网络告警预测。

但是，上述两种现有技术所使用的告警预测的方案存在如下缺点。

基于告警日志的网络故障预测：该技术方案需要利用历史数据、日志数据，针对历史数据的依赖性强，若历史、日志数据丢失或不完整将导致该技术方案预测结果的准确性大幅降低；以时间窗口进行告警事件的统计特征来建立分类预测模型实现告警预测，与系统、设备运行时间窗内状态的耦合性强，独立性相对较差。

序列模式挖掘实现网络告警预测：该技术方案是利用整网拓扑进行数据特征统计或数据挖掘，依赖原始数据，预测准确性受到整网拓扑准确性和周期迭代性制约，网络拓扑准确性和变更将导致该技术方案预测结果的准确性大幅降低，该技术方案与网络拓扑耦合性过强，灵活性和适用性较低，不适用于现网中复杂且灵活的组网。

【发明内容】

有鉴于此，本发明实施例提供了一种告警监控方法、系统、计算机可读存储介质及电子设备，用以解决现有技术存在的上述技术问题。

第一方面，本发明实施例提供了一种告警监控方法，所述方法包括以下步骤：训练，建立预测神经网络初始模型，对历史告警数据进行预处理以创建告警训练集，并基于该告警训练集训练和优化预测神经网络；告警，基于训练后的预测神经网络和告警数据对神经网络进行预测告警，关联、聚合所获取的告警数据，利用时间滑窗告警校验方法对告警数据进行校验。

通过本实施例提供的方案，通过训练和告警步骤，训练和优化预测神经网络，再利用时间滑窗告警校验方法实现预测神经网络告警的准确性校验，提高了告警预测值和告警关联的准确性。