大數(shù)據(jù)場景下基于機(jī)器學(xué)習(xí)的5G云網(wǎng)告警關(guān)聯(lián)分析

常 錚，馬少偉，毛斌宏（.中國電信集團(tuán)有限公司，北京 0003；.中國電信股份有限公司研究院，廣東廣州 50630）

1 概述

與4G 相比，5G 核心網(wǎng)架構(gòu)更加零散化、基礎(chǔ)設(shè)施云化、網(wǎng)元功能虛擬化等，這使得各個網(wǎng)絡(luò)功能能夠獨立地擴(kuò)容和演進(jìn)，并能方便地按需部署。這樣的網(wǎng)絡(luò)架構(gòu)更加靈活和高效，可以滿足不同業(yè)務(wù)場景的需求，但是5G 核心網(wǎng)的網(wǎng)元種類數(shù)增多（見圖1），每種網(wǎng)元有多種微服務(wù)，5G 核心網(wǎng)CT 云機(jī)房內(nèi)有ToR 交換機(jī)、EoR 交換機(jī)、DCGW 路由器和物理服務(wù)器等多種類型的設(shè)備，承載網(wǎng)元功能的又有多種虛機(jī)和主機(jī)，造成5GC 云網(wǎng)告警數(shù)目劇增且種類繁多，故障分析場景復(fù)雜，定位困難。如何在海量告警之中進(jìn)行關(guān)聯(lián)性分析和故障定位，縮短根因定位時間，提高故障處置的及時性和有效性，同時進(jìn)行告警壓縮，減少派單，降低人力成本，成為亟待解決的問題。

圖1 非漫游場景的5G網(wǎng)絡(luò)架構(gòu)（服務(wù)化接口形式）

在上述場景下，關(guān)聯(lián)分析成為幫助解決告警關(guān)聯(lián)和故障原因定位問題的有效手段［1-5］。關(guān)聯(lián)規(guī)則挖掘能夠從數(shù)據(jù)集中發(fā)現(xiàn)項與項之間的關(guān)聯(lián)關(guān)系，并從中提取出符合一定條件的強(qiáng)關(guān)聯(lián)規(guī)則進(jìn)而指導(dǎo)業(yè)務(wù)。典型算法有Apriori 算法［6-7］和FP-Growth 算法［8-9］，Apriori 算法基于廣度優(yōu)先，需要多次掃描數(shù)據(jù)集獲取頻繁項集，且會產(chǎn)生大量的候選集，算法效率較低。FP-Growth 算法基于深度優(yōu)先，通過壓縮數(shù)據(jù)集構(gòu)造頻繁模式樹FP-Tree，通過提取樹的頻繁項集可以有效減少對數(shù)據(jù)庫的掃描，極大提高運算效率。本文提出基于關(guān)聯(lián)規(guī)則挖掘算法的5G云網(wǎng)告警分析方案，對FP-Growth 算法進(jìn)行契合5G 云網(wǎng)告警場景的改進(jìn)和應(yīng)用，通過實例分析介紹FP-Growth 算法挖掘5G 云網(wǎng)告警關(guān)聯(lián)規(guī)則的原理以及結(jié)果，同時利用現(xiàn)網(wǎng)告警數(shù)據(jù)將FP-Growth 與Apriori 算法的性能及效率進(jìn)行對比。該方案對5G云網(wǎng)告警進(jìn)行清洗整合，通過關(guān)聯(lián)規(guī)則挖掘算法分析不同告警之間的關(guān)聯(lián)關(guān)系，得到告警關(guān)聯(lián)規(guī)則，結(jié)合專家對關(guān)聯(lián)規(guī)則的解釋、篩選和打標(biāo)，完成5G云網(wǎng)告警關(guān)聯(lián)規(guī)則庫的構(gòu)建，將該告警關(guān)聯(lián)規(guī)則庫用于日常派單時的告警壓縮及故障發(fā)生時的告警分析和問題定位，從而降低人力分析成本，提高事件處置效率，提升網(wǎng)絡(luò)運行維護(hù)智能化水平。

2 關(guān)聯(lián)規(guī)則挖掘算法原理及概念

2.1 關(guān)聯(lián)分析基本概念

2.1.1 項集（Item Set）

數(shù)據(jù)庫中的最小單位信息為項，項集即項的集合。對于5G 云網(wǎng)告警分析來說，就是若干個5G 云網(wǎng)告警的集合，包含k個項的項集稱為k-項集。

2.1.2 事務(wù)數(shù)據(jù)庫（Transaction Database）

假設(shè)I={i1，i2，…，iq}為事務(wù)數(shù)據(jù)庫中所有項的集合，事務(wù)T是項集I中項的集合，滿足T?I且非空。事務(wù)數(shù)據(jù)庫D為所有事務(wù)的集合。對于5G 云網(wǎng)告警分析來說，I就是一次分析中所有告警類型的集合，事務(wù)T就是根據(jù)時間關(guān)系或資源關(guān)系劃分的一個告警組，事務(wù)數(shù)據(jù)庫D就是這樣所有告警組的集合。

2.1.3 關(guān)聯(lián)規(guī)則（Association Rules）

關(guān)聯(lián)規(guī)則是形如X?Y的蘊含式，其中X={x1，x2，…，xm}?I，Y={y1，y2，…，yn}?I，X和Y是不同的項集且非空。X?Y表示在一次事務(wù)中如果前件X出現(xiàn)，那么后件Y會有一定概率出現(xiàn)。例如，對5G 云網(wǎng)告警關(guān)聯(lián)分析來講，關(guān)聯(lián)規(guī)則X?Y表示集合Y中的告警以一定概率隨著X集合中告警的出現(xiàn)而出現(xiàn)。

2.1.4 關(guān)聯(lián)強(qiáng)度指標(biāo)

支持度（Support）：假設(shè)有關(guān)聯(lián)規(guī)則X?Y，支持度Support(X?Y)表示某項集X∪Y在事務(wù)數(shù)據(jù)庫中出現(xiàn)的可能性：

置信度（Confidence）：假設(shè)有關(guān)聯(lián)規(guī)則X?Y，置信度Confidence(X?Y)表示在前件發(fā)生的條件下后件發(fā)生的概率，是一個條件概率：

2.1.5 強(qiáng)關(guān)聯(lián)規(guī)則

強(qiáng)關(guān)聯(lián)規(guī)則是關(guān)聯(lián)強(qiáng)度指標(biāo)滿足一定關(guān)聯(lián)強(qiáng)度條件的規(guī)則，一般定義強(qiáng)關(guān)聯(lián)規(guī)則為滿足最小支持度且滿足最小置信度閾值的規(guī)則。

2.2 Apriori及FP-Growth算法原理

Apriori 算法偽代碼如表1 所示，利用k-項集搜索(k+1)-項集，頻繁項集自連接生成候選集，候選集再剪枝生成頻繁項集，一直到?jīng)]有新的頻繁項集產(chǎn)生為止。從偽代碼中可以看到算法的執(zhí)行過程中，Apriori算法需要對事務(wù)數(shù)據(jù)庫反復(fù)掃描，且會產(chǎn)生大量的候選項集，效率較低。

表1 Apriori算法偽代碼

FP-Growth 算法通過構(gòu)造頻繁模式樹這種比較緊湊的數(shù)據(jù)結(jié)構(gòu)，將頻繁模式信息進(jìn)行壓縮，本質(zhì)上是一種深度優(yōu)先搜索算法［10］，只需對事務(wù)數(shù)據(jù)庫進(jìn)行2次掃描就可以獲取頻繁模式集合。FP-Growth 算法主要分為構(gòu)建頻繁模式樹和挖掘樹中的頻繁模式2個過程，其算法偽代碼如表2 所示。本文第4 章的實例分析中，將利用現(xiàn)網(wǎng)5G 云網(wǎng)的告警數(shù)據(jù)，測試比較Apriori算法和FP-Growth算法的運行效率。

表2 FP-Growth算法偽代碼

3 基于關(guān)聯(lián)規(guī)則挖掘算法的5G云網(wǎng)告警分析

隨著現(xiàn)網(wǎng)規(guī)模的擴(kuò)大，5G 的網(wǎng)元、設(shè)備等每時每刻都在產(chǎn)生大量的告警。當(dāng)某個網(wǎng)元或設(shè)備發(fā)生異常時，往往與故障相關(guān)聯(lián)的多個網(wǎng)元、設(shè)備以至業(yè)務(wù)流程也會產(chǎn)生相應(yīng)的告警信息，短時間內(nèi)大量的告警事件相互疊加，經(jīng)常會將最關(guān)鍵的告警信息淹沒，造使故障分析和根源定位困難。本文提出基于關(guān)聯(lián)規(guī)則挖掘算法的5G云網(wǎng)告警分析方案，在海量告警中發(fā)掘有效信息以提高生產(chǎn)效率。如圖2 所示，方案包括了生產(chǎn)系統(tǒng)、5G云網(wǎng)告警實時監(jiān)測系統(tǒng)、存儲系統(tǒng)、關(guān)聯(lián)規(guī)則挖掘系統(tǒng)、規(guī)則匹配部分以及規(guī)則利用部分。

圖2 基于關(guān)聯(lián)規(guī)則挖掘算法的5G云網(wǎng)告警分析方案

a）生產(chǎn)系統(tǒng)。它是指全國每時每刻都在運行的5G 現(xiàn)網(wǎng)，包括了無線側(cè)、核心網(wǎng)以及承載網(wǎng)的部分。生產(chǎn)系統(tǒng)每時每刻都在源源不斷地產(chǎn)生大量的5G 云網(wǎng)告警。

b）5G 云網(wǎng)告警實時監(jiān)測系統(tǒng)。它是指通過網(wǎng)元、設(shè)備或者網(wǎng)管進(jìn)行實時告警監(jiān)測、采集和處理的過程。通常采集服務(wù)通過SNMP、TCP、SSH 以及SSL等協(xié)議連接網(wǎng)元，通過主動監(jiān)聽或被動接收的方式采集告警，并將不同廠家的告警進(jìn)行格式統(tǒng)一等處理。本文重點分析包括5G核心網(wǎng)網(wǎng)元以及5G核心網(wǎng)機(jī)房內(nèi)數(shù)據(jù)通信設(shè)備（交換機(jī)、路由器等）、物理主機(jī)及虛擬主機(jī)等設(shè)備產(chǎn)生的告警，即5G網(wǎng)絡(luò)側(cè)和云側(cè)告警。

c）存儲系統(tǒng)。存儲系統(tǒng)中存儲了包括網(wǎng)元及設(shè)備告警、日志、性能、配置信息和資源拓?fù)涞?。從生產(chǎn)系統(tǒng)產(chǎn)生的5G 云網(wǎng)告警通過實時監(jiān)測系統(tǒng)采集處理送入存儲系統(tǒng)分類存儲。本文的方案選擇Elastic-Search 集群作為5G 云網(wǎng)告警的存儲系統(tǒng)，5G 網(wǎng)側(cè)和云側(cè)的告警被分類存儲在不同的索引下。

d）關(guān)聯(lián)規(guī)則挖掘系統(tǒng)。主要具有如下功能。

（a）告警數(shù)據(jù)預(yù)處理模塊從存儲系統(tǒng)不同的數(shù)據(jù)庫表中提取5G云網(wǎng)告警，根據(jù)業(yè)務(wù)層次將不同類型告警進(jìn)行對齊和歸一化處理，并進(jìn)行清洗、聚合及排序等。

（b）訓(xùn)練相關(guān)數(shù)據(jù)轉(zhuǎn)換模塊將預(yù)處理模塊生成的告警根據(jù)時間或資源關(guān)系進(jìn)行合并處理，將原始告警轉(zhuǎn)換為5G云網(wǎng)告警事務(wù)數(shù)據(jù)庫，以便之后的關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行模型訓(xùn)練。

（c）算法模型的運行主要分為2 個部分：第1 個部分是關(guān)聯(lián)規(guī)則挖掘算法（Apriori、FP-Growth 等）從5G云網(wǎng)告警事務(wù)數(shù)據(jù)庫中挖掘出頻繁項集的過程，第2個部分是根據(jù)業(yè)務(wù)需求從頻繁項集中形成強(qiáng)關(guān)聯(lián)規(guī)則的過程。

（d）規(guī)則審核模塊是云網(wǎng)專家對算法模型運行生成的強(qiáng)關(guān)聯(lián)規(guī)則進(jìn)行審核和打標(biāo)的過程。

（e）規(guī)則存儲模塊將專家審核通過的強(qiáng)關(guān)聯(lián)規(guī)則進(jìn)行編碼入庫，以便后續(xù)進(jìn)行規(guī)則匹配和規(guī)則利用。

e）規(guī)則匹配模塊。根據(jù)實時監(jiān)聽的5G 云網(wǎng)告警、告警規(guī)則庫中的5G云網(wǎng)告警關(guān)聯(lián)規(guī)則以及從存儲系統(tǒng)中獲得的網(wǎng)元、設(shè)備及虛機(jī)主機(jī)等之間的資源拓?fù)潢P(guān)系進(jìn)行規(guī)則匹配分析，生成匹配結(jié)果。

f）規(guī)則利用模塊。根據(jù)規(guī)則匹配結(jié)果進(jìn)行告警壓縮作用于生產(chǎn)系統(tǒng)，并且利用存儲系統(tǒng)中的資源拓?fù)潢P(guān)系、性能指標(biāo)等對規(guī)則匹配結(jié)果進(jìn)行再次分析和加工，用于故障分析和根因定位，從而提升維護(hù)效率，降低人力和時間成本。

4 5G云網(wǎng)告警關(guān)聯(lián)分析實例

4.1 分析流程

本節(jié)重點研究如何在數(shù)據(jù)預(yù)處理、FP-Growth 算法強(qiáng)關(guān)聯(lián)規(guī)則生成以及算法實現(xiàn)方式等方面進(jìn)行適合5G云網(wǎng)告警場景的適配和改進(jìn)，從而更有效地解決告警關(guān)聯(lián)分析問題。本節(jié)實例采用某運營商5G 現(xiàn)網(wǎng)環(huán)境某設(shè)備廠家全國所轄省份2 周的5G 云網(wǎng)告警數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，主要分為以下幾個過程。

a）告警數(shù)據(jù)預(yù)處理階段解決源數(shù)據(jù)存在的冗余、不完整或不統(tǒng)一等問題，提取5G云網(wǎng)告警之后首先進(jìn)行數(shù)據(jù)清洗，對一些主要字段（如告警編碼、告警標(biāo)題、告警設(shè)備等）有缺失的告警數(shù)據(jù)進(jìn)行剔除，其次進(jìn)行數(shù)據(jù)集成，將不同索引來源的告警進(jìn)行整合，根據(jù)業(yè)務(wù)層次和意義進(jìn)行字段對齊等歸一化處理，對一些意義不大的低層級通知告警進(jìn)行過濾。

b）數(shù)據(jù)轉(zhuǎn)換部分根據(jù)告警發(fā)生的時間關(guān)系將預(yù)處理后的告警進(jìn)行項集轉(zhuǎn)換，形成5G云網(wǎng)告警事務(wù)數(shù)據(jù)庫。相比于很多關(guān)聯(lián)規(guī)則挖掘應(yīng)用中使用簡單的時間窗口切分法，本文采用滑動時間窗口方式進(jìn)行5G云網(wǎng)告警事務(wù)數(shù)據(jù)庫的生成?；瑒訒r間窗口示意圖如圖3 所示，劃定一個時間窗口長度并指定一個滑動窗口步長，就可以得到多個時間窗，每個時間窗內(nèi)對應(yīng)的告警都可以經(jīng)過處理成為告警事務(wù)數(shù)據(jù)庫中的項集，這種方式可以有效防止有關(guān)聯(lián)關(guān)系的告警被劃分到不同的項集中。

圖3 滑動窗口示意圖

c）關(guān)聯(lián)規(guī)則挖掘部分包括挖掘頻繁項集和生成強(qiáng)關(guān)聯(lián)規(guī)則，關(guān)聯(lián)規(guī)則挖掘算法FP-Growth 根據(jù)最小支持度挖掘符合支持度閾值的頻繁項集，關(guān)聯(lián)規(guī)則生成部分根據(jù)設(shè)置的強(qiáng)關(guān)聯(lián)規(guī)則條件從頻繁項集中篩選出強(qiáng)關(guān)聯(lián)規(guī)則。傳統(tǒng)的FP-Growth 算法在應(yīng)用時通常采用支持度和置信度作為關(guān)聯(lián)強(qiáng)度的衡量指標(biāo)，但僅用這2個指標(biāo)不足以滿足5GC 云網(wǎng)告警的關(guān)聯(lián)分析需求，甚至有時僅從支持度和置信度得到的強(qiáng)關(guān)聯(lián)規(guī)則X?Y中，X對Y具有抑制作用［13］。本文在進(jìn)行強(qiáng)關(guān)聯(lián)規(guī)則的挖掘和提取時增加了提升度、杠桿率和確信度3 種關(guān)聯(lián)強(qiáng)度指標(biāo)，提升了挖掘出的告警關(guān)聯(lián)規(guī)則的準(zhǔn)確性和有效性。

（a）提升度（Lift）。提升度Lift(X?Y)用來衡量當(dāng)X出現(xiàn)的情況下，對Y出現(xiàn)的概率是否有提升。當(dāng)提升度為1 時，X和Y相互獨立；當(dāng)提升度大于1 時，X和Y正相關(guān)，越大正相關(guān)性越強(qiáng)；當(dāng)提升度小于1 時，X和Y負(fù)相關(guān)，越小負(fù)相關(guān)性越強(qiáng)［14］。

（b）杠桿率（Leverage）。杠桿率與提升度類似，都是衡量在前件出現(xiàn)的條件下，是否對后件出現(xiàn)的概率有提升。杠桿率Leverage(X?Y)為0 時，X和Y相互獨立；杠桿率大于0時，X和Y正相關(guān)，越大正相關(guān)性越強(qiáng)；杠桿率小于0 時，X和Y負(fù)相關(guān)，越大負(fù)相關(guān)性越強(qiáng)。

（c）確信度（Conviction）。當(dāng)確信度Conviction(X?Y)為1 時，X和Y相互獨立；當(dāng)確信度大于1時，X和Y正相關(guān)，越大正相關(guān)性越強(qiáng)；當(dāng)確信度小于1時，X和Y負(fù)相關(guān)，越小負(fù)相關(guān)性越強(qiáng)。

d）調(diào)參部分主要是針對c）中的關(guān)聯(lián)規(guī)則挖掘結(jié)果調(diào)整最小支持度和最小置信度的過程。在挖掘的過程中根據(jù)告警數(shù)據(jù)特點和經(jīng)驗設(shè)置初始的最小支持度和最小置信度，分析挖掘后生成的5GC 云網(wǎng)告警關(guān)聯(lián)規(guī)則是否合理，根據(jù)關(guān)聯(lián)規(guī)則是否過少或者是否冗余的情況再進(jìn)行參數(shù)的調(diào)整并重新進(jìn)行挖掘，直至生成合理且滿足業(yè)務(wù)需求的關(guān)聯(lián)規(guī)則挖掘結(jié)果。

此外，通過調(diào)研發(fā)現(xiàn)很多FP-Growth 算法的實現(xiàn)方法是參照參考文獻(xiàn)［15］中的思路，采用frozenset 的方式并根據(jù)頻次進(jìn)行排序。frozenset 是一種Python 數(shù)據(jù)結(jié)構(gòu)，frozenset 中元素的存儲順序存在不確定的情況，且僅用頻次作為排序依據(jù)容易引起排序不穩(wěn)定問題，進(jìn)而影響頻繁項集和關(guān)聯(lián)規(guī)則的結(jié)果，這對于海量云網(wǎng)告警的關(guān)聯(lián)分析是極其不利的。因此本文采用有序列表方式記錄項及其頻次，并在排序時采用頻次和項值雙重關(guān)鍵字的形式，避免不穩(wěn)定排序，保持FPTree 結(jié)構(gòu)的穩(wěn)定一致，從而保證頻繁項集和關(guān)聯(lián)規(guī)則結(jié)果的穩(wěn)定和準(zhǔn)確。

4.2 分析結(jié)果

關(guān)聯(lián)規(guī)則挖掘算法從頻繁多項集中生成的眾多強(qiáng)關(guān)聯(lián)規(guī)則需經(jīng)過專家審核打標(biāo)后才能入庫存儲，形成運維經(jīng)驗，從而進(jìn)行現(xiàn)網(wǎng)應(yīng)用，本文經(jīng)過專家審核通過的部分關(guān)聯(lián)規(guī)則的樣例如表3所示。

表3 專家審核通過的部分關(guān)聯(lián)規(guī)則（樣例）

規(guī)則1，SCP 網(wǎng)元的“http 對等端故障”與“http 對等端組故障”具有強(qiáng)關(guān)聯(lián)關(guān)系，這是因為當(dāng)網(wǎng)元的所有http對等端都發(fā)生故障后，會導(dǎo)致“http對等端組故障”告警產(chǎn)生。

規(guī)則2，UPF 網(wǎng)元的“sriov 網(wǎng)卡速率小于10gbps 告警”與“網(wǎng)卡端口down 檢測告警”具有強(qiáng)關(guān)聯(lián)關(guān)系，而且置信度較高，達(dá)到了0.959，實際上當(dāng)UPF 網(wǎng)卡發(fā)生故障時，“網(wǎng)卡端口down 檢測告警”與“sriov 網(wǎng)卡速率小于10gbps告警”往往一同產(chǎn)生。

規(guī)則3，AMF 網(wǎng)元的“udm 不可達(dá)”告警與“ausf 不可達(dá)”告警具有強(qiáng)關(guān)聯(lián)關(guān)系，現(xiàn)網(wǎng)存在UDM 和AUSF合設(shè)的情況，因此當(dāng)UDM 發(fā)生異常不可達(dá)，AMF 也會產(chǎn)生到AUSF不可達(dá)的告警。

規(guī)則4，交換機(jī)設(shè)備的“接口的二層協(xié)議down”告警和“接口IPv4協(xié)議態(tài)down”告警具有強(qiáng)關(guān)聯(lián)關(guān)系，二層協(xié)議down會引起接口的IPv4協(xié)議down。

經(jīng)專家審核通過的強(qiáng)關(guān)聯(lián)規(guī)則往往存在協(xié)議原理上、拓?fù)浣Y(jié)構(gòu)上以及業(yè)務(wù)流程上的關(guān)聯(lián)，將這些沉淀下來的規(guī)則反作用于現(xiàn)網(wǎng)，可以用于告警壓縮、根因定位以及故障分析，提高網(wǎng)絡(luò)維護(hù)效率，降低運維的人工依賴性，提升網(wǎng)絡(luò)運營的智能化水平。

本文也利用現(xiàn)網(wǎng)告警數(shù)據(jù)對Apriori 和FP-Growth 2 種關(guān)聯(lián)規(guī)則挖掘算法的實際運行速度進(jìn)行了對比，2種算法的效率對比如圖4所示。因為關(guān)聯(lián)規(guī)則挖掘算法重點在于挖掘頻繁項集，頻繁項集相同，強(qiáng)關(guān)聯(lián)規(guī)則條件相同，生成的規(guī)則就相同，因此這里對比的是Apriori 和FP-Growth 2 種算法從事務(wù)數(shù)據(jù)庫中挖掘出頻繁項集所用的時間。從圖4可以看出，2種算法的運行時間隨著數(shù)據(jù)量的增大而增大，隨著支持度的增大而減小，因為支持度越大，算法實際處理的數(shù)據(jù)量會越少，因此算法的挖掘速度就會越快。Apriori 算法的運行時間隨數(shù)據(jù)量的增加而增長的速度比FP-Growth快很多，也即Apriori 算法的性能受數(shù)據(jù)量的影響較大，數(shù)據(jù)規(guī)模越大，Apriori 算法的運行效率越低，這是因為Apriori 算法需要多次掃描數(shù)據(jù)庫，而相比于Apriori，F(xiàn)P-Growth算法的運行時間隨數(shù)據(jù)量的增加一直處于較低水平，性能受數(shù)據(jù)量的影響較小，效率更高。在進(jìn)行大數(shù)據(jù)規(guī)模的海量告警關(guān)聯(lián)規(guī)則分析時，F(xiàn)P-Growth 比Apriori 算法更為合適，因此本文基于FP-Growth 算法探索適合于5G 云網(wǎng)告警場景的關(guān)聯(lián)分析和應(yīng)用。

圖4 不同數(shù)據(jù)量、不同參數(shù)下Apriori和FP-Growth算法效率對比

5 結(jié)束語

當(dāng)今5G 業(yè)務(wù)快速發(fā)展，運營商現(xiàn)網(wǎng)運營中5G 云網(wǎng)告警數(shù)目劇增且種類繁多，故障分析場景復(fù)雜，本文提出了一種基于關(guān)聯(lián)規(guī)則挖掘算法的5G 云網(wǎng)告警分析方案，對FP-Growth 算法進(jìn)行契合5G 云網(wǎng)告警場景的改進(jìn)和應(yīng)用，并利用現(xiàn)網(wǎng)的告警數(shù)據(jù)進(jìn)行了實例分析和規(guī)則展示。方案通過關(guān)聯(lián)規(guī)則挖掘算法，在海量的云網(wǎng)告警中分析告警關(guān)聯(lián)性，挖掘有價值的強(qiáng)關(guān)聯(lián)規(guī)則進(jìn)行專家經(jīng)驗沉淀，用于告警壓縮、根因定位等網(wǎng)絡(luò)運營維護(hù)及故障診斷場景。此外，本文還利用實際的5G 云網(wǎng)告警數(shù)據(jù)對Apriori 和FP-Growth 2 種關(guān)聯(lián)規(guī)則挖掘算法的運行效率進(jìn)行了對比，實驗表明FP-Growth 算法性能相比Apriori 受數(shù)據(jù)量的影響更小，挖掘效率更高。通過部署基于關(guān)聯(lián)規(guī)則挖掘算法的5G 云網(wǎng)告警分析方案，可以實現(xiàn)運維經(jīng)驗的迭代，降低人工依賴性，為5G云網(wǎng)的數(shù)字化運營注智賦能。