[发明专利]基于因果语义关系传递的图卷积网络根因识别方法

说明书

本发明公开了一种基于因果语义关系传递的图卷积网络根因识别方法，解决了大规模复杂通信网络的故障快速准确定位问题。在知识图谱嵌入模型的启发下，假设根因识别问题中的切片样本内告警和根因告警存在因果关系，并且因果关联网络同构，即：因果关系向量r、样本序列在因果关系空间表示x^seq以及序列的根因告警在因果关系空间表示构成三元组满足关系结合概率统计知识、基于均值聚合器的GraphSAGE模型以及语义关系传递模块提出深层神经网络方法，在无需专家知识的前提下提升对运维故障的根因告警识别准确性，从而可以快速准确地定位通信过程中的关键问题便于后续针对性解决处理。

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语义关系传递的图卷积网络根因识别方法。

背景技术

随着通信相关技术的不断发展和应用领域的不断扩展，通信在生产生活中的角色越来越重要，用户对于故障的响应速度需求也不断提升。

在通信系统的运维领域，为保障设备的正常运转和服务的正常进行，设备或服务发生故障时会触发系统告警用于定位故障，并且单个故障可能导致关联故障，每个故障都可能触发多个告警。此外，存在对服务质量(业务)无显著影响或者系统自动修复的故障，此类故障也会触发告警，且告警可能与业务相关告警时间重合，但该类故障无需人工解决。因此单次故障所处时段会存在大量告警，并且其中包含根本原因对应的告警，识别该告警可以快速定位故障并且后续进行针对性修复，这对于提升故障响应速度和提高服务体验具有重要意义。但是，告警之间存在复杂因果关联关系，并且单个时段存在大量告警，这使得识别根因告警成为一项困难且耗时繁重的任务。

目前，学术界对于故障定位和根因分析任务的研究主要集中在因果关系和解释，运用条件独立测试、隐马尔科夫模型等侧重统计学的方法解决，获得完整的因果关联图。在现实场景中，除响应的准确率外，响应时间也是重要因素，但是因果推断方法的时间复杂度普遍较高；并且，根因识别任务无需确定完整的因果关联图，只需根据推测的根因告警信息即可进行故障修复。工业界完成根因识别任务的主要技术为专家系统，依赖于专家的经验和技术，但难以及时进行更新迭代，难以满足用户对识别准确率的要求。由于近年来数据存储和计算成本呈指数级下降，告警数据的存储和分析处理难度降低，鉴于上述情况，基于数据驱动的机器学习方法开始融入根因识别的方法之中，使提高根因识别的准确率、故障处理的响应速度和提升方案的更新能力成为可能。

发明内容

针对上述问题，本发明提供了一种使用时序信息的平移向量进行语义因果关系传递的图卷积网络根因识别方法，该方法可以学习告警之间的因果关联关系，构建因果关系表示，从而精准有效地在海量告警中捕捉根因告警。

为达到上述目的，本发明采用如下技术方案来实现的：

基于因果语义关系传递的图卷积网络根因识别方法，该方法在知识图谱嵌入模型的启发下，基于因果语义关系传递的图卷积网络根因识别方法假设根因识别问题中的切片样本内告警和根因告警存在因果关系，并且因果关联网络同构，即：因果关系向量r、样本序列在因果关系空间表示x^seq以及序列的根因告警在因果关系空间表示构成三元组满足关系结合概率统计知识、基于均值聚合器的GraphSAGE图卷积网络模型以及语义关系传递模块搭建基于因果语义关系传递的图卷积网络根因识别方法。

本发明进一步的改进在于，具体包括以下步骤：

1)数据特征选取及预处理：

选取告警细节属性作为输入数据在时间顺序下进行语义分析，基于GloVe模型提取告警细节的词向量表示；

2)全局因果关联先验邻接矩阵生成：

将训练集作为先验信息，计算两个告警x_i,x_j在同一样本中出现时告警x_i为根因告警的频率，生成全局因果关联先验邻接矩阵；

3)因果关联邻接矩阵生成：