5G支撐網(wǎng)告警數(shù)據(jù)的故障定位方法

楊敏

（中電科普天科技股份有限公司，廣東 廣州 510000）

0 引言

5G 時(shí)代各大運(yùn)營(yíng)商為了爭(zhēng)奪用戶，不僅為用戶提供了多樣化、質(zhì)量更高的通信服務(wù)，還采用全方位、高質(zhì)量的運(yùn)維支撐網(wǎng)，以多樣化自動(dòng)化的手段及時(shí)響應(yīng)用戶需求，提高用戶感知水平。但是，隨著電信網(wǎng)規(guī)模的不斷擴(kuò)大，電信網(wǎng)中的運(yùn)維支撐網(wǎng)絡(luò)結(jié)構(gòu)越來(lái)越復(fù)雜，當(dāng)支撐網(wǎng)某一個(gè)位置產(chǎn)生故障時(shí)，其他位置可能產(chǎn)生一連串的告警事件，因此可能在短時(shí)間內(nèi)產(chǎn)生種類繁多、信息冗余的告警事件，運(yùn)維人員通常無(wú)法在短時(shí)間內(nèi)對(duì)無(wú)效的告警信息進(jìn)行剔除，也不能準(zhǔn)確對(duì)告警的故障位置進(jìn)行精準(zhǔn)定位。國(guó)內(nèi)外已經(jīng)有不少學(xué)者研究如何通過(guò)告警事件的關(guān)聯(lián)實(shí)現(xiàn)故障根因分析。Yan 等人[1]提出一種大型IP 網(wǎng)絡(luò)服務(wù)質(zhì)量管理的通用根本原因分析平臺(tái)，該平臺(tái)將根因分析過(guò)程抽象為癥狀和診斷事件的特征識(shí)別、時(shí)間和空間事件相關(guān)性以及基于上述的特征和事件相關(guān)性進(jìn)行推理邏輯，最終形成一個(gè)全面的服務(wù)依賴性模型，包括網(wǎng)絡(luò)拓?fù)浜涂鐚雨P(guān)系、協(xié)議交互和控制平面依賴性。Li 等人[2]提出一種基于網(wǎng)絡(luò)拓?fù)浜透婢木W(wǎng)絡(luò)根因故障定位，該文對(duì)長(zhǎng)告警數(shù)據(jù)的輸出序列進(jìn)行預(yù)處理，在獲取網(wǎng)絡(luò)拓?fù)湫畔⒌幕A(chǔ)上，使用支持向量機(jī)判斷存在的根故障后，使用貝葉斯網(wǎng)絡(luò)計(jì)算每一種故障類型的最高概率，并結(jié)合過(guò)濾規(guī)則實(shí)現(xiàn)故障定位。Ding 等人[3]提出了一種5G 網(wǎng)絡(luò)管理系統(tǒng)現(xiàn)場(chǎng)實(shí)時(shí)報(bào)警根本原因定位算法，該算法從時(shí)間和空間維度上充分探索報(bào)警之間的關(guān)系，通過(guò)報(bào)警關(guān)聯(lián)時(shí)間、報(bào)警事件劃分、報(bào)警事件拓?fù)渖傻燃夹g(shù)實(shí)現(xiàn)在線報(bào)警數(shù)據(jù)壓縮，這種方法大大提高了故障的定位速度和精準(zhǔn)性。Li 等人[4]提出基于關(guān)聯(lián)規(guī)則挖掘的電信網(wǎng)絡(luò)告警相關(guān)性分析系統(tǒng)，該系統(tǒng)首先使用神經(jīng)網(wǎng)絡(luò)對(duì)不同級(jí)別的報(bào)警進(jìn)行分類，然后利用加權(quán)頻繁模式樹(shù)結(jié)構(gòu)的優(yōu)化技術(shù)來(lái)提高挖掘效率。Javanbakht 等人[5]采用深度學(xué)習(xí)的方法實(shí)現(xiàn)告警數(shù)據(jù)的根因分析，該方法首先收集歷史告警數(shù)據(jù)，并對(duì)告警的標(biāo)簽進(jìn)行排序并將其轉(zhuǎn)化為數(shù)值向量；然后采用融合注意力BiLSTM CNN 分類器來(lái)學(xué)習(xí)歷史報(bào)警數(shù)據(jù)之間的相關(guān)性并實(shí)現(xiàn)告警數(shù)據(jù)與故障位置的模型訓(xùn)練；最后，將該模型用于在線故障檢測(cè)。由此可知，相關(guān)研究工作主要集中在歷史告警數(shù)據(jù)關(guān)聯(lián)挖掘，告警規(guī)則、告警壓縮，而實(shí)際應(yīng)用需要更快、更準(zhǔn)確的故障定位；除此以外，由于告警事件的更新速度很快，如果采用歷史告警數(shù)據(jù)構(gòu)建告警根本原因定位模型，其無(wú)法對(duì)抗動(dòng)態(tài)多變的網(wǎng)絡(luò)攻擊行為。

因此，本文提出一種支撐網(wǎng)告警數(shù)據(jù)的故障定位方法，該方法采用深度學(xué)習(xí)的方法提取一系列告警事件的時(shí)空特征，通過(guò)關(guān)聯(lián)規(guī)則實(shí)現(xiàn)時(shí)空特征的有效關(guān)聯(lián)，對(duì)無(wú)效關(guān)聯(lián)的事件進(jìn)行剔除，實(shí)現(xiàn)告警壓縮；在此基礎(chǔ)上，采用增量式BP 神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練告警數(shù)據(jù)與故障位置的關(guān)聯(lián)性并實(shí)時(shí)加入新的告警事件對(duì)模型進(jìn)行增量式更新，從而動(dòng)態(tài)適應(yīng)動(dòng)態(tài)多變的網(wǎng)絡(luò)環(huán)境。

1 告警事件特征提取及告警關(guān)聯(lián)

1.1 告警事件特征提取

告警事件特征提取是從大量冗余的告警事件中提取出不同事件之間的相關(guān)性，這種相關(guān)性一般體現(xiàn)為告警事件之間的時(shí)空特征，時(shí)間特征體現(xiàn)為告警事件發(fā)生的先后順序，空間特征與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)有直接關(guān)系。

國(guó)內(nèi)外有告警事件特征提取方法，包括采用聚類方法[6-9]對(duì)告警事件的時(shí)空特征進(jìn)行聚類，從而將不同時(shí)間、網(wǎng)絡(luò)拓?fù)涞母婢录M(jìn)行區(qū)分，簡(jiǎn)化網(wǎng)絡(luò)告警事件處理復(fù)雜度；采用機(jī)器學(xué)習(xí)[10-13]的方法訓(xùn)練告警事件和故障定位的關(guān)系模型，實(shí)現(xiàn)告警特征的自動(dòng)提?。徊捎蒙疃葘W(xué)習(xí)[14-18]的方法自動(dòng)抽取告警事件的多維度特征，從而有效地從大量的告警事件中學(xué)習(xí)到故障的語(yǔ)義信息，保證了故障定位的有效性和可行性。

由此可知，告警事件的特征關(guān)系分析研究中，采用聚類事件、關(guān)聯(lián)規(guī)則的方法能夠在一定程度上探究告警事件的時(shí)間和空間的特征，但是這種方法的時(shí)間復(fù)雜度和空間復(fù)雜度極高，僅適用于基站數(shù)量不多的小區(qū)網(wǎng)絡(luò)，對(duì)于眾多擁有超密集小區(qū)的地區(qū)來(lái)說(shuō)，這種方法所耗費(fèi)的計(jì)算資源過(guò)多，因此不適用于對(duì)于整個(gè)通信大網(wǎng)的分析；而機(jī)器學(xué)習(xí)的方法則能夠?qū)崿F(xiàn)告警事件的自動(dòng)化挖掘，得到的信息更加豐富全面；而深度學(xué)習(xí)的特征提取方法，通過(guò)將海量的告警事件按照時(shí)間排序，然后再采用深度學(xué)習(xí)的方法實(shí)現(xiàn)告警事件深淺層語(yǔ)義的學(xué)習(xí)，最后將深淺層語(yǔ)義進(jìn)行融合，實(shí)現(xiàn)告警事件特征粗細(xì)粒度的提取。

基于上述的分析，本文選用深度學(xué)習(xí)的方法提取告警事件的多維特征，首先將每一個(gè)觀測(cè)周期的告警事件按照時(shí)間進(jìn)行排序，多個(gè)觀察周期的告警事件形成一個(gè)二維矩陣數(shù)據(jù)；考慮到告警事件具有冗余的特性，本文采用滑動(dòng)時(shí)間窗口的方式對(duì)冗余的告警事件進(jìn)行剔除，并將原始的告警事件轉(zhuǎn)化為告警事務(wù)數(shù)據(jù)，同一個(gè)時(shí)間窗口中的告警事件可能由同一個(gè)網(wǎng)絡(luò)故障原因引起的并且不同告警事件所引發(fā)的告警范圍和告警時(shí)間長(zhǎng)短不一，因此，通過(guò)動(dòng)態(tài)時(shí)間窗口滑動(dòng)的方法實(shí)現(xiàn)了告警事件在時(shí)間上的強(qiáng)關(guān)聯(lián)；最后，采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）自主提取告警事件的多維度語(yǔ)義特征，為后續(xù)的故障定位提供可靠的數(shù)據(jù)支撐。

1.2 告警事件關(guān)聯(lián)分析

告警事件的關(guān)聯(lián)分析是通過(guò)整理大量的告警數(shù)據(jù)并將其作為一個(gè)整體進(jìn)行分析并挖掘告警事件中的相關(guān)性，通常采用過(guò)濾、壓縮或歸納告警事件，使用邏輯推理的方式分析發(fā)生的告警事件流，同時(shí)對(duì)告警數(shù)據(jù)進(jìn)行模式識(shí)別以找到網(wǎng)絡(luò)問(wèn)題、故障。

國(guó)內(nèi)外有告警事件特征關(guān)聯(lián)方法，包括采用關(guān)聯(lián)規(guī)則[19-21]的方法挖掘告警序列之間的時(shí)間關(guān)系，確定告警規(guī)則所屬的關(guān)系，實(shí)現(xiàn)故障源的追溯、冗余告警信息的壓縮；采用因果模型[22-25]對(duì)告警事件的相似性構(gòu)建攻擊場(chǎng)景序列集合，然后利用概率統(tǒng)計(jì)方法實(shí)現(xiàn)告警類型之間的關(guān)聯(lián)，從而有效識(shí)別多步攻擊模式；采用神經(jīng)網(wǎng)絡(luò)[26-28]的方法解決傳統(tǒng)告警關(guān)聯(lián)方法中所需的復(fù)雜邏輯推理的難題，能夠根據(jù)不同層次的關(guān)聯(lián)需求靈活調(diào)整神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)，并能夠根據(jù)網(wǎng)絡(luò)中的參數(shù)大小確定告警事件與故障類型的相關(guān)關(guān)系。

基于上述的分析，本文選用增量式BP 神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練告警數(shù)據(jù)與故障位置的關(guān)聯(lián)性，通過(guò)實(shí)時(shí)加入新的告警事件對(duì)模型進(jìn)行增量式更新，獲取告警事件與故障類型的動(dòng)態(tài)關(guān)聯(lián)，精確確定引起告警事件的故障類型，從而動(dòng)態(tài)適應(yīng)動(dòng)態(tài)多變的網(wǎng)絡(luò)環(huán)境。

2 基于人工智能的告警事件關(guān)聯(lián)故障定位方法

2.1 告警事件關(guān)聯(lián)故障定位的框架

告警時(shí)間定位的整體流程包括告警實(shí)事件預(yù)處理、告警事件特征提取和告警事務(wù)數(shù)據(jù)關(guān)聯(lián)分析。具體如圖1 所示。

圖1 告警事件關(guān)聯(lián)故障定位整體框架圖

在告警事件預(yù)處理過(guò)程中，需要抽取影響故障根因分析的關(guān)鍵字段，雖然每一個(gè)告警事件包含很多告警屬性，但是故障定位僅需要幾個(gè)關(guān)鍵的屬性，比如：告警事件編碼、告警內(nèi)容、告警位置、告警級(jí)別。

將上述的告警字段進(jìn)行抽取，形成一條告警數(shù)據(jù)應(yīng)用于本文所設(shè)計(jì)的告警事件特征提取和告警事件關(guān)聯(lián)分析中。

2.2 告警事件特征提取

由于原始的告警數(shù)據(jù)無(wú)法直接用于特征提取，因此，本文對(duì)每一個(gè)周期的原始告警數(shù)據(jù)根據(jù)時(shí)間序列進(jìn)行排列，構(gòu)建一個(gè)二維矩陣數(shù)據(jù)。告警事件特征提取如圖2 所示。

圖2 原始告警事件按照時(shí)間排列示意圖

圖2 是原始告警事件按照時(shí)間排列的結(jié)果，告警事件S={s,Ts,Te}根據(jù)告警發(fā)生的時(shí)間進(jìn)行排序。s 表示告警事件序列，s={A,B,E,A,C,B,D,E}。[Ts,Te]表示告警事件的觀察周期，圖2 的觀察周期為[0,60]。本文設(shè)置告警事件的觀察周期是1 小時(shí)。由圖2 可知，隨著時(shí)間推進(jìn)，告警事件會(huì)有重疊，發(fā)生時(shí)間早的告警事件有可能重疊度越高。

考慮到不同告警事件所引發(fā)的告警范圍和告警時(shí)間長(zhǎng)短不一，結(jié)合實(shí)際的網(wǎng)絡(luò)運(yùn)維經(jīng)驗(yàn)，采用動(dòng)態(tài)時(shí)間窗口滑動(dòng)的方法實(shí)現(xiàn)了告警事件在時(shí)間上的強(qiáng)關(guān)聯(lián)。如果告警事件的故障定位精度低于閾值，那么就縮小滑動(dòng)窗口的寬度和滑動(dòng)步長(zhǎng)；相反，如果告警事件的故障定位精度高于閾值，那么就擴(kuò)大滑動(dòng)窗口的寬度和滑動(dòng)步長(zhǎng)。如此，就能根據(jù)滑動(dòng)窗口的大小來(lái)調(diào)整系統(tǒng)中告警的數(shù)量，避免由于窗口過(guò)大導(dǎo)致告警事務(wù)數(shù)據(jù)中包含太多冗余信息，無(wú)法有效挖掘關(guān)聯(lián)規(guī)則。同時(shí)，動(dòng)態(tài)的步長(zhǎng)也能保證兩個(gè)滑動(dòng)時(shí)間窗口的重疊度，避免了由于窗口重疊過(guò)多，人為增強(qiáng)了兩個(gè)窗口之間的相關(guān)性，增加故障定位的復(fù)雜度和干擾性。

假設(shè)Sw={w,h,ts,te} 為序列S的其中一個(gè)滑動(dòng)窗口，其中w表示窗口寬度，te -ts表示滑動(dòng)步長(zhǎng)，步長(zhǎng)小于觀察周期?；瑒?dòng)窗口對(duì)告警事件的提取過(guò)程如圖3 所示。

圖3 滑動(dòng)窗口示意圖

圖3 展現(xiàn)滑動(dòng)窗口提取告警事件的過(guò)程，藍(lán)色虛線框表示窗口1，綠色虛線框表示窗口2，窗口大小為w×h。步長(zhǎng)和窗口寬度如圖所示。一般來(lái)說(shuō)滑動(dòng)窗口的步長(zhǎng)小于窗口寬度。

同一個(gè)時(shí)間窗口中的告警事件可能由同一個(gè)網(wǎng)絡(luò)故障原因引起，并且不同告警事件所引發(fā)的告警范圍和告警時(shí)間長(zhǎng)短不一，因此，通過(guò)動(dòng)態(tài)時(shí)間窗口滑動(dòng)的方法實(shí)現(xiàn)了告警事件在時(shí)間上的強(qiáng)關(guān)聯(lián)；動(dòng)態(tài)滑動(dòng)窗口將原始的告警數(shù)據(jù)轉(zhuǎn)換成告警事務(wù)數(shù)據(jù)的技術(shù)路線圖如圖4 所示。

圖4 動(dòng)態(tài)滑動(dòng)窗口技術(shù)路線圖

本文基于累計(jì)誤差的思路實(shí)現(xiàn)滑動(dòng)窗口寬度和步長(zhǎng)的調(diào)整，在T-1 時(shí)刻，采用初始化的窗口對(duì)原始告警事件進(jìn)行處理，得到對(duì)應(yīng)的告警事務(wù)數(shù)據(jù)庫(kù)；然后，告警事務(wù)數(shù)據(jù)經(jīng)過(guò)CNN 多維語(yǔ)義特征提取、增量式BP 網(wǎng)絡(luò)實(shí)現(xiàn)告警事務(wù)數(shù)據(jù)特征與故障類型關(guān)聯(lián)后，實(shí)現(xiàn)多種故障分類的預(yù)測(cè)，并給出每一種故障分類的概率，確定故障類型；結(jié)合序列模式挖掘方法，確定現(xiàn)有告警數(shù)據(jù)序列與相關(guān)位置發(fā)生故障所產(chǎn)生的告警事件序列的匹配度，預(yù)測(cè)故障發(fā)生的位置；在T+1 觀察周期得知上一觀察周期故障實(shí)際發(fā)生的位置與T 觀察周期故障預(yù)測(cè)的位置進(jìn)行誤差分析，得到T觀察周期故障定位誤差eT，定位誤差eT取值為0 或1。如果故障預(yù)測(cè)定位與真實(shí)定位一致，那么eT取值為0；否則，eT取值為1。同理，T 觀察周期和T+1 觀察周期的原始告警事件也是經(jīng)過(guò)同樣的過(guò)程對(duì)數(shù)據(jù)進(jìn)行處理，得到T+1 觀察周期故障定位誤差eT+1。

計(jì)算T+1 觀察周期的累積誤差:

判斷誤差是否大于設(shè)定的閾值，如果大于閾值，那么縮小滑動(dòng)窗口寬度和步長(zhǎng)；相反，擴(kuò)大滑動(dòng)窗口寬度和步長(zhǎng)。調(diào)整滑動(dòng)窗口寬度和步長(zhǎng)變化值的公式為：

其中，w0表示初始的滑動(dòng)窗口寬度，表示初始的滑動(dòng)步長(zhǎng)大小。C與累計(jì)誤差有關(guān)，誤差越大，滑動(dòng)窗口寬度和步長(zhǎng)變化值越大：

其中，k是常數(shù)。

在T+2 觀察周期，滑動(dòng)窗口的寬度和步長(zhǎng)調(diào)整為：

2.3 告警事務(wù)數(shù)據(jù)的多維語(yǔ)義特征分析

對(duì)每一個(gè)觀察周期進(jìn)行動(dòng)態(tài)滑動(dòng)窗口提取后，按照滑動(dòng)的順序進(jìn)行排列。本文采用二維數(shù)組定義告警事務(wù)數(shù)據(jù)庫(kù)，定義二維數(shù)組a[m][n]，其中m 為某一個(gè)周期采用動(dòng)態(tài)滑動(dòng)窗口所獲取的告警事件數(shù)量，n 是字符串的大小，一般取一個(gè)設(shè)定的值。二維數(shù)組排列的順序按照時(shí)間順序存放告警事件，即內(nèi)存中按照順序存放第一個(gè)滑動(dòng)窗口提取的告警事件，再放第二滑動(dòng)窗口提取的告警事件，依次存放。為了方便后續(xù)的特征提取，本文對(duì)每一個(gè)窗口提取的告警事件轉(zhuǎn)化成字符串填充到每一行中，由于每一行的告警原因代碼大小有可能不一致，因此，對(duì)每一行空白的元素采用0 進(jìn)行填充，構(gòu)建特定尺寸的告警事務(wù)數(shù)據(jù)庫(kù)，如圖5 所示。

圖5 構(gòu)建告警事務(wù)數(shù)據(jù)庫(kù)

為了提取告警事務(wù)的多維語(yǔ)義特征，本文采用CNN對(duì)告警事務(wù)數(shù)據(jù)采用不同大小的卷積核進(jìn)行特征提取，由淺入深提取告警事務(wù)數(shù)據(jù)的時(shí)間和空間深淺層次特征，再通過(guò)融合層對(duì)淺層數(shù)據(jù)語(yǔ)義和深層數(shù)據(jù)語(yǔ)義的信息進(jìn)行融合，實(shí)現(xiàn)告警事務(wù)數(shù)據(jù)的多維語(yǔ)義特征分析。特征提取和融合過(guò)程如圖6 所示。

圖6 CNN實(shí)現(xiàn)深淺層的時(shí)空特征提取

2.4 增量式BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

采用增量式BP 神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練告警數(shù)據(jù)與故障位置的關(guān)聯(lián)性并實(shí)時(shí)加入新的告警事件對(duì)模型進(jìn)行增量式更新。增量式BP 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建過(guò)程如圖7 所示。

圖7 增量式BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建過(guò)程

（1）對(duì)歷史告警事務(wù)數(shù)據(jù)時(shí)空特征進(jìn)行學(xué)習(xí)，并訓(xùn)練得出初始神經(jīng)網(wǎng)絡(luò)模型。當(dāng)新的告警事件出現(xiàn)后，將新的告警事件進(jìn)行預(yù)處理、多維特征提取后，放入到初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得更新后的神經(jīng)網(wǎng)絡(luò)模型。

（2）考慮到更新后的神經(jīng)網(wǎng)絡(luò)是采用新的告警事件進(jìn)行訓(xùn)練的，因此，更新后的神經(jīng)網(wǎng)絡(luò)的參數(shù)可能會(huì)更偏向新的告警數(shù)據(jù)，為了防止神經(jīng)網(wǎng)絡(luò)遺忘之前學(xué)過(guò)的知識(shí)，本文采用有選擇性地選擇神經(jīng)網(wǎng)絡(luò)的參數(shù)，比如選擇變動(dòng)范圍小于θ（一般取0-10%范圍內(nèi)）的參數(shù)作為原始神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，至于變動(dòng)大于10%的參數(shù)則將其剔除。如此，增量式BP 神經(jīng)網(wǎng)絡(luò)模型通過(guò)學(xué)習(xí)新的告警事件改進(jìn)模型的泛化性能，同時(shí)保留之前學(xué)習(xí)過(guò)的知識(shí)。

（3）基于增量式BP 神經(jīng)網(wǎng)絡(luò)判斷支撐網(wǎng)告警的故障類型，實(shí)現(xiàn)故障識(shí)別。

2.5 基于序列模式挖掘的故障精準(zhǔn)定位

設(shè)備從異常發(fā)生演變到故障是一個(gè)具有較強(qiáng)時(shí)序性和關(guān)聯(lián)性的過(guò)程，考慮到物理網(wǎng)絡(luò)拓?fù)浜托畔⑾到y(tǒng)傳輸鏈路具有密切的耦合關(guān)系，因此，告警事件雖然存在冗余，但是這些告警事件具有一定的共性規(guī)律，通過(guò)挖掘這些告警事件序列模式，可以對(duì)信息系統(tǒng)的故障類型與物理網(wǎng)絡(luò)每一個(gè)關(guān)鍵設(shè)備的運(yùn)行異常狀態(tài)所引致的故障類型進(jìn)行匹配，實(shí)現(xiàn)物理位置故障的精準(zhǔn)定位。

在某一個(gè)觀測(cè)周期內(nèi)，某一個(gè)物理位置的全部狀態(tài)片段Sp(ti) 按照時(shí)序進(jìn)行排序，形成該設(shè)備運(yùn)行過(guò)程異常狀態(tài)鏈：

其中，Sp(tj) 表示在觀測(cè)周期內(nèi)，產(chǎn)生的第j個(gè)異常狀態(tài)信息。

在此基礎(chǔ)上，采用序列模式挖掘T時(shí)刻Qp(T) 的頻繁模式。假設(shè)異常序列模式Tpi屬于頻繁序列模式，其必須滿足：在頻繁序列模式集中不存在任一個(gè)模式Tpj，滿足Tpj?Tpi，且support(Tpj)≥support（Tpi），以各項(xiàng)目count值降序依次為頭節(jié)點(diǎn)和其他節(jié)點(diǎn)，生成條件模式基，然后采用條件模式基構(gòu)造對(duì)應(yīng)的FP 樹(shù)，并按照設(shè)定支持度的閾值判斷相應(yīng)的頻繁序列模式。

在獲取頻繁序列模式的基礎(chǔ)上，采用模式識(shí)別法判斷該異常頻繁序列模式的故障類型，并將Top K（k 一般取3）的故障類型與上一節(jié)基于增量式BP 神經(jīng)網(wǎng)絡(luò)判斷支撐網(wǎng)告警的故障類型進(jìn)行匹配，如果匹配成功，則將該物理設(shè)備作為重點(diǎn)排查的對(duì)象，實(shí)現(xiàn)故障位置的精準(zhǔn)定位。

3 實(shí)驗(yàn)分析

為了評(píng)估5G 支撐網(wǎng)告警數(shù)據(jù)定位故障的性能，在某市聯(lián)通5G 試驗(yàn)網(wǎng)中進(jìn)行測(cè)試，通過(guò)模擬告警數(shù)據(jù)的方式來(lái)測(cè)試故障定位算法的性能。這些數(shù)據(jù)來(lái)自底層網(wǎng)絡(luò)設(shè)備，通過(guò)將原始告警數(shù)據(jù)進(jìn)行預(yù)處理和動(dòng)態(tài)滑動(dòng)窗口處理后，整理出格式統(tǒng)一的告警信息，然后以二維數(shù)組的方式存儲(chǔ)在告警數(shù)據(jù)庫(kù)中，然后再進(jìn)行特征提取和故障定位。

原始告警數(shù)據(jù)經(jīng)過(guò)預(yù)處理和滑動(dòng)窗口處理后的告警信息處理格式如表1 所示。

表1 5G支撐網(wǎng)部分告警信息示意圖

然后，采用二維數(shù)組的形式將告警事件（告警事件轉(zhuǎn)化為字符串）存儲(chǔ)在告警數(shù)據(jù)庫(kù)中，格式如圖8 所示。

圖8 告警數(shù)據(jù)庫(kù)的存儲(chǔ)過(guò)程

在獲取告警數(shù)據(jù)庫(kù)后，采用CNN 進(jìn)行特征提取告警數(shù)據(jù)的多維語(yǔ)義特征，并將其輸入BP 神經(jīng)網(wǎng)絡(luò)中，將告警數(shù)據(jù)多維特征與故障位置進(jìn)行關(guān)聯(lián)，構(gòu)建告警數(shù)據(jù)多維特征與故障位置的映射關(guān)系。

考慮到告警數(shù)據(jù)的動(dòng)態(tài)性和隨機(jī)性，為了保證告警數(shù)據(jù)與故障位置映射的精準(zhǔn)性，采用增量式BP 神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建新的告警事件與故障位置映射關(guān)系的持續(xù)更新。首先，通過(guò)歷史告警數(shù)據(jù)特征訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)的參數(shù)；然后，采用新的告警數(shù)特征訓(xùn)練新的BP 神經(jīng)網(wǎng)絡(luò)參數(shù)，為了降低模型的計(jì)算復(fù)雜度，在新的BP 神經(jīng)網(wǎng)絡(luò)參數(shù)初始化的過(guò)程中，采用有選擇性地選擇神經(jīng)網(wǎng)絡(luò)的參數(shù)放進(jìn)新的BP 神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并結(jié)合新的告警數(shù)據(jù)特征更新BP 神經(jīng)網(wǎng)絡(luò)參數(shù)。具體如圖9 所示。

圖9 增量式BP神經(jīng)網(wǎng)絡(luò)參數(shù)更新過(guò)程

基于上述的分析，得到每一個(gè)周期設(shè)備故障位置。將該故障位置與基于模式識(shí)別法判斷的故障位置進(jìn)行匹配，如果匹配成功，則認(rèn)為該物理設(shè)備作為重點(diǎn)排查的對(duì)象，實(shí)現(xiàn)故障位置的精準(zhǔn)定位。

上述方法中，有2 個(gè)關(guān)鍵因素會(huì)影響故障定位的精準(zhǔn)性：滑動(dòng)窗口大小的選擇以及選擇多少比例的BP 神經(jīng)網(wǎng)絡(luò)參數(shù)來(lái)初始化新BP 神經(jīng)網(wǎng)絡(luò)參數(shù)，為了進(jìn)一步分析本文算法的性能，將基于動(dòng)態(tài)滑動(dòng)窗口的增量式BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和固定窗口的BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型進(jìn)行準(zhǔn)確率、不同θ的災(zāi)難遺忘對(duì)比，來(lái)反映本文提出方法的性能。

3.1 準(zhǔn)確率對(duì)比

準(zhǔn)確率是模式識(shí)別最重要的評(píng)價(jià)指標(biāo)，本文采用平均準(zhǔn)確率反映隨著故障類別的增加，不同算法在準(zhǔn)確率上的表現(xiàn)（θ=5%）。具體的對(duì)比結(jié)果如圖10 所示。

圖10 準(zhǔn)確率對(duì)比

相比于固定滑動(dòng)窗口的BP 神經(jīng)網(wǎng)絡(luò)，動(dòng)態(tài)滑動(dòng)窗口的增量式BP 神經(jīng)網(wǎng)絡(luò)故障類別平均準(zhǔn)確率更高、更加穩(wěn)定，這說(shuō)明本文的方法在構(gòu)建增量學(xué)習(xí)過(guò)程中，能夠?qū)π碌闹R(shí)進(jìn)行有效學(xué)習(xí)，能夠應(yīng)對(duì)動(dòng)態(tài)多變的網(wǎng)絡(luò)攻擊行為。

3.2 不同災(zāi)難遺忘對(duì)比

為了對(duì)比不同災(zāi)難遺忘在保留模型參數(shù)比例的作用，本文將災(zāi)難遺忘分別設(shè)置為5%、8%、10%，對(duì)不同災(zāi)難遺忘隨著模型參數(shù)增加故障類型識(shí)別準(zhǔn)確率進(jìn)行對(duì)比。具體的對(duì)比結(jié)果如圖11 所示。

圖11 不同參數(shù)變動(dòng)范圍準(zhǔn)確率對(duì)比

由此可知，隨著模型參數(shù)量增加，故障類型識(shí)別準(zhǔn)確率呈現(xiàn)下降的趨勢(shì)。這是因?yàn)槟Ｐ蛥?shù)越多，通過(guò)增量學(xué)習(xí)實(shí)現(xiàn)模型局部參數(shù)更新時(shí)，由于樣本量不足或者樣本本身的隨機(jī)性等因素所導(dǎo)致局部參數(shù)在更新過(guò)程中產(chǎn)生震蕩的現(xiàn)象，這種現(xiàn)象會(huì)導(dǎo)致故障類型識(shí)別率逐漸降低。另外，通過(guò)對(duì)比不同災(zāi)難遺忘率對(duì)應(yīng)的故障識(shí)別準(zhǔn)確率可知，災(zāi)難遺忘率為10% 時(shí)，故障識(shí)別準(zhǔn)確率最高，這是因?yàn)楹线m的參數(shù)保留比例能夠較好保留原始模型的重要參數(shù)，又能通過(guò)增量學(xué)習(xí)實(shí)現(xiàn)模型局部參數(shù)的更新，從而保證模型的識(shí)別能力。而災(zāi)難遺忘率5%或者20%時(shí)，參數(shù)更新設(shè)置的條件過(guò)于嚴(yán)格或者寬松，很可能導(dǎo)致增量學(xué)習(xí)過(guò)程中重要參數(shù)更新范圍受限或者過(guò)于寬泛，從而導(dǎo)致某些模型重要的參數(shù)沒(méi)有得到更新或者某些參數(shù)沒(méi)有很好保留的情況，從而降低了模型識(shí)別的準(zhǔn)確率。

4 結(jié)束語(yǔ)

本文提出一種增量式BP 神經(jīng)網(wǎng)絡(luò)的支撐網(wǎng)告警數(shù)據(jù)的故障定位方法，該方法使用增量數(shù)據(jù)來(lái)學(xué)習(xí)增量的新類別知識(shí)，并在增量迭代過(guò)程中采用參數(shù)變動(dòng)范圍閾值來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的優(yōu)化，從而很好地描述動(dòng)態(tài)網(wǎng)絡(luò)攻擊行為的特征分布，在一定范圍內(nèi)減輕增量學(xué)習(xí)過(guò)程中的災(zāi)難性遺忘。實(shí)驗(yàn)表明，本文的方法與傳統(tǒng)固定滑動(dòng)窗口的BP 神經(jīng)網(wǎng)絡(luò)相比，在分類準(zhǔn)確率上表現(xiàn)出明顯優(yōu)勢(shì)。