基于知识发现的告警相关性分析关键问题研究
【摘要】：现代电信网络的特点是大规模、复杂、异构，这就要求必须对网络进行有效地管理以维持其高可靠性和高可用性。告警相关性分析作为网络故障管理中的重要内容，可以辅助网管人员删除冗余告警、定位故障以及预测故障的发生。传统的相关性分析方法由于过多地依赖专家知识而难以适应网络复杂、多变的情况，采用知识发现的方法则可以弥补这方面的不足。本文将知识发现技术应用到告警相关性分析中，研究了情景规则的增量式挖掘、告警预测模式挖掘以及挖掘的实时性等关键问题，取得了一定的成果。主要工作包括：
第一，研究了情景规则的增量式挖掘问题。情景规则是一种重要的告警相关性知识，目前的情景规则挖掘方法大多是基于WINEPI的算法框架。然而，在挖掘参数改变导致的重复挖掘情况下，WINEPI算法的效率很低。本文针对一个重要的参数——时间窗改变而导致的重复挖掘，提出了一种增量式情景规则挖掘算法TWIER，利用原时间窗下的挖掘结果构造约束条件，使之对新时间窗下的候选情景集进行削减，实验结果表明TWIER在重复挖掘的情况下具有比WINEPI更高的挖掘效率；
第二，针对告警数据增加而导致的重复挖掘，本文提出了另一种增量式情景规则挖掘算法IERMA，通过利用原告警序列的挖掘结果构造约束条件，使之对新的告警序列下的候选情景集进行削减，在IERMA上我们也取得了比WINEPI更好的实验结果；
第三，预测模式是另一种重要的告警相关性知识，可用于预测故障的发生。传统方法大多是把预测模式挖掘作为机器学习的问题来研究，基于待预测告警(称为target)构造学习样本。然而由于target代表了故障，通常发生次数比较稀少，采用传统方法难以在少量target样本上获得好的学习效果。本文根据SVM在小样本条件下训练推广
【学位授予单位】：北京邮电大学
【学位级别】：博士
【学位授予年份】：2006
【分类号】：TN915.02
|
|
|
|
| 1 |
苏利敏,侯朝桢,戴忠健,潘秀琴;基于神经网络的告警关联[J];北京理工大学学报;2002年03期 |
| 2 |
张英海,韦东,刘杰;交换机告警报告中的知识发现[J];北京邮电大学学报;2000年04期 |
| 3 |
端义锋,胡谷雨,丁力;序列模式挖掘在网络告警分析中的应用[J];北京邮电大学学报;2004年S2期 |
| 4 |
秦拯,沈亚敏;基于贝叶斯网络的告警相关算法研究[J];长沙电力学院学报(自然科学版);2005年03期 |
| 5 |
涂志云,林齐宁,陈玥;F150交换机告警关联规则的研究[J];电信科学;2002年01期 |
| 6 |
王云岚,李增智,屈科文;基于候选项集个数上阶的增量式关联规则更新算法[J];电子学报;2004年05期 |
| 7 |
王新苗,晏蒲柳,黄天锡;基于改进遗传神经网络模型的通信网络故障识别和告警相关性分析方法[J];电子科学学刊;2000年05期 |
| 8 |
于剑,程乾生;模糊聚类方法中的最佳聚类数的搜索范围[J];中国科学E辑:技术科学;2002年02期 |
| 9 |
郑庆国,吕卫锋;通信网络中的告警相关性研究[J];计算机工程与应用;2002年02期 |
| 10 |
石冰,郑燕峰;一种关联规则的增量式更新算法[J];计算机工程;2000年08期 |
|
|
|
|
|
| 1 |
苏利敏,侯朝桢,戴忠健,潘秀琴;基于神经网络的告警关联[J];北京理工大学学报;2002年03期 |
| 2 |
张英海,韦东,刘杰;交换机告警报告中的知识发现[J];北京邮电大学学报;2000年04期 |
| 3 |
端义锋,胡谷雨,丁力;序列模式挖掘在网络告警分析中的应用[J];北京邮电大学学报;2004年S2期 |
| 4 |
邓歆;孟洛明;;告警相关性分析模型在通信网故障诊断中的应用[J];北京邮电大学学报;2006年03期 |
| 5 |
徐前方;肖波;郭军;;一种基于相关度统计的告警关联规则挖掘算法[J];北京邮电大学学报;2007年01期 |
| 6 |
刘晓敬;周华春;杨芳南;;传输网综合网管系统中告警流程的设计与实现[J];重庆邮电学院学报(自然科学版);2006年04期 |
| 7 |
管恩政,周春光,王喆,徐秀娟;频繁序列模式挖掘算法[J];吉林大学学报(信息科学版);2005年03期 |
| 8 |
戚宇林,荆霜雁,翟学明;我国电力通信网管理信息系统的现状及发展[J];电力情报;2000年03期 |
| 9 |
唐开宇;建立电力通信网管系统的探讨[J];电力系统通信;2001年07期 |
| 10 |
蔡斌,焦群;电力通信网网络管理的研究[J];电力系统通信;2001年12期 |
|
|
|
|
|
| 1 |
陈卓;杨炳儒;宋威;宋泽锋;;序列模式挖掘综述[J];计算机应用研究;2008年07期 |
| 2 |
单莘;朱永宣;郭军;;基于支持向量机的网络告警预测知识发现[J];微电子学与计算机;2007年06期 |
| 3 |
田盛丰,黄厚宽;基于支持向量机的数据库学习算法[J];计算机研究与发展;2000年01期 |
| 4 |
张铃;支持向量机理论与基于规划的神经网络学习算法[J];计算机学报;2001年02期 |
| 5 |
阎辉,张学工,李衍达;支持向量机与最小二乘法的关系研究[J];清华大学学报(自然科学版);2001年09期 |
| 6 |
朱国强,刘士荣,俞金寿;支持向量机及其在函数逼近中的应用[J];华东理工大学学报;2002年05期 |
| 7 |
侯风雷,王炳锡;基于支持向量机的说话人辨认研究[J];通信学报;2002年06期 |
| 8 |
马永军,方凯,刘暾东,方廷健;基于支持向量机和方差的管道内表面粗糙度等级识别[J];信息与控制;2002年05期 |
| 9 |
吴飞,庄越挺,潘云鹤;基于增量学习支持向量机的音频例子识别与检索[J];计算机研究与发展;2003年07期 |
| 10 |
孙延风,梁艳春;支持向量机的数据依赖型核函数改进算法[J];吉林大学学报(理学版);2003年03期 |
|
手机打开
快捷付款方式
订购知网充值卡
订购热线
帮助中心