[发明专利]基于因果网络挖掘和图注意力网络的告警根因识别方法

说明书

本发明公开了一种基于因果网络挖掘和图注意力网络的告警根因识别方法，解决了大规模复杂通信网络的故障快速准确定位问题。从网络设备告警的实际出发，使用最大最小爬山法(MMHC)来挖掘告警之间的因果触发关系，并在此基础上使用图注意力网络来对告警进行精准定位。此模型对挖掘的告警关系有一定的容错性，通过Attention机制来调节不同邻居节点的权重影响，使得根因告警的识别更加准确，达到了93％的识别准确度。

技术领域

本发明属于智能运维(AIOPS)领域，具体涉及一种基于因果网络挖掘和图注意力网络(GAT)的告警根因识别方法。

背景技术

在大规模网络运维环境下，当网络设备发生故障时将会产生大量的告警信息，且由于设备间的关联性极有可能在短时间内引发与它关联的设备告警。当前在华为无线领域场景中，一个故障的出现往往会引发多个告警事件，从而使得与故障相关的设备以及业务过程都会产生告警信息。与此同时，这些告警信息(告警流)很有可能会叠加到一起，将真正的故障告警淹没在其中，导致故障识别非常困难，因而对网络故障进行精准的定位与快速的修复具有重要现实意义。

在故障定位和诊断领域最初应用最为广泛的技术是专家系统，在解决问题时，专家系统试图反应人类专家的行为。由于通信系统的复杂性、不可靠性以及非确定性，故障定位问题本就复杂。当前故障定位定界诊断过程严重依赖于工程师的知识和经验，随着服务规模和复杂性的增长，过程就会变得越发冗繁并且容易出错。最初依靠单一的专家系统的技术并不能实现良好的效果，算法逐渐向基于规则的专家系统+其它自动/半自动算法靠拢，为了更加高效和迅速的解决故障来提升用户体验感，最近几年开始使用基于机器学习和数据驱动的方式直接进行根因定位，但故障识别的准确率和故障的快速恢复仍有待提高。因而需要借助前沿技术来对告警信息进行分析，以较为简单、省力、高效的方式来准确识别故障。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于因果网络挖掘和图注意力网络的告警根因识别方法，该方法能够有效地对上报的告警数据进行分析处理，并能快速且精准的对根因告警进行识别。

为达到上述目的，本发明采用如下技术方案来实现的：

基于因果网络挖掘和图注意力网络的告警根因识别方法，该方法结合最大最小爬山算法以及图注意力算法来对告警数据进行准确的根因告警识别；前者用于挖掘告警之间的因果关系网络，后者则结合已有因果图，以及告警数据的特征对模型进行训练与学习；该方法具体包括以下步骤：

1)数据清洗以及数据分组处理：

对上报的原始告警数据进行缺失值以及无效值处理，并对处理后的告警数据进行分组预处理；

2)特征处理模型训练之word2vec模型：

即通过word2vec模型对步骤1)处理后的告警数据中alarm name属性中的词进行特征的初步提取，即将步骤1)处理后的告警数据中alarm name属性中涉及的每一个单词表示为40维的词向量；

3)特征处理模型训练之seq2seq模型：

即使用LSTM学习训练seq2seq模型并将最终训练得到的Encoder作为特征提取模型，得到步骤1)处理后的告警数据中所有alarm name属性的特征表示；

4)因果网络挖掘之最大最小爬山法：

首先使用步骤1)处理后的告警数据，将其处理为0，1形式的向量；其次通过最大最小爬山法挖掘告警之间的因果关系网络，最终得到告警之间因果关系的矩阵表示，最大最小爬山法以下简称为MMHC，其中使用搜索算法为禁忌搜索，使用的评分函数为AIC评分，并设置相应的置信水平为0.05；

5)根因识别之注意力神经网络模型：