專利名稱：一種基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法
技術(shù)領(lǐng)域：
本發(fā)明涉及通信網(wǎng)技術(shù)領(lǐng)域。尤其涉及一種基于小波神經(jīng)網(wǎng)絡(luò)的告警加權(quán)關(guān)聯(lián)規(guī)則權(quán)值確定方法。
背景技術(shù)：
現(xiàn)代通信網(wǎng)絡(luò)向著高速化、數(shù)字化、綜合化、標準化發(fā)展，網(wǎng)絡(luò)的管理難度也隨之增加。而網(wǎng)絡(luò)告警作為網(wǎng)絡(luò)管理對象最重要的標識便成為網(wǎng)絡(luò)管理的核心內(nèi)容。由于現(xiàn)代網(wǎng)絡(luò)本身的龐大以及復雜，產(chǎn)生的告警類型豐富、數(shù)量巨大，告警相關(guān)性分析便應運而生。在這些告警中包含了大量的冗余告警，通過告警相關(guān)性分析可以消除告警冗余信息以及告警風暴，并進一步找到故障根源以快速定位和解決故障。其中，基于數(shù)據(jù)挖掘的告警相關(guān)性分析由于其具有對網(wǎng)絡(luò)變化自適應能力的優(yōu)點被學術(shù)界和工業(yè)界廣泛關(guān)注。而關(guān)聯(lián)規(guī)則作為數(shù)據(jù)挖掘的重要方法，在告警相關(guān)性分析中得到大量應用。在通信網(wǎng)中，告警信號根據(jù)ITU-T的X.733標準的建議由 很多屬性組成，某些屬性具有不同的級別，不同的告警級別表示了故障的不同嚴重程度。因此，在進行關(guān)聯(lián)規(guī)則挖掘時不能將各項告警記錄之間的關(guān)系看作是相同的。為此，綜合考慮告警信息中各屬性并為告警信息分配合適的權(quán)值，是網(wǎng)絡(luò)告警相關(guān)性分析的研究熱點和難點。目前權(quán)值確定的方法主要有:網(wǎng)管人員主觀確定、層次分析法及神經(jīng)網(wǎng)絡(luò)。網(wǎng)管人員憑借經(jīng)驗和主觀判斷確定權(quán)值主觀因素太重，缺乏科學依據(jù)，而且當影響告警權(quán)值的因素過多時，這樣確定的權(quán)值很難體現(xiàn)出不同因素組合的差別。因此，陽繼紅等人在“具有動態(tài)加權(quán)特性的關(guān)聯(lián)規(guī)則算法”吉林大學學報(理學版)，2005.5，43(3): 314-319中利用層次分析法將告警的各個屬性分為5個級別，要求使用者為數(shù)據(jù)庫中各個告警屬性確定一個重要程度，其缺點在于當告警很多時，這種方法顯得粗糙，無法體現(xiàn)個體的差異性。肖林海等人在“層次分析法在通信網(wǎng)告警相關(guān)性分析中的應用研究”電信科學，2006.11:36-39中給出了一種改進的算法，該方法將網(wǎng)絡(luò)拓撲作為一個告警權(quán)值的影響因素引入到權(quán)值的確定中，這樣確定的權(quán)值包含了豐富的網(wǎng)絡(luò)資源信息，在告警相關(guān)性分析時能夠更加準確地找出網(wǎng)絡(luò)的資源故障。然而由于網(wǎng)絡(luò)拓撲的引入，在網(wǎng)絡(luò)發(fā)生變化時，權(quán)值也需要隨之重新確定。李彤巖等在“神經(jīng)網(wǎng)絡(luò)在確定關(guān)聯(lián)規(guī)則挖掘算法權(quán)值中的應用研究”計算機應用研究，2008.5,25 (5):1440_1449提出利用一個二元神經(jīng)網(wǎng)絡(luò)來進行權(quán)值的確定，但是在利用神經(jīng)網(wǎng)絡(luò)來進行權(quán)值設(shè)定時，存在訓練速度慢、結(jié)構(gòu)設(shè)計上存在盲目性、訓練過程中容易陷入局部極小值點等缺陷。因此，如何快速并科學地確定告警權(quán)值是一個亟需解決的問題。

發(fā)明內(nèi)容
針對以上現(xiàn)有技術(shù)中的不足，本發(fā)明的目的在于提供一種判斷準確度提高、計算速度更快的基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法。為達到上述目的，本發(fā)明的技術(shù)方案是:一種基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，其特征在于包括以下步驟:
101、按照告警的重要程度，對告警設(shè)定5種告警重要度，并建立每一種告警重要度的權(quán)值；102、選取告警信息中的部分字段信息構(gòu)成告警事務集合；103、將告警事務集合中選取的告警字段分別進行分級、量化，將所得告警向量作為小波神經(jīng)網(wǎng)絡(luò)的輸入；104、初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)；105、小波神經(jīng)網(wǎng)絡(luò)進行學習，計算小波神經(jīng)網(wǎng)絡(luò)的輸出y，并計算誤差E ;106、若誤差E> e，其中e為常數(shù)，則返回步驟105繼續(xù)進行學習；若誤差E〈 e，，則判斷小波神經(jīng)網(wǎng)絡(luò)收斂，小波神經(jīng)網(wǎng)絡(luò)停止學習，訓練結(jié)束，得到訓練好的小波神經(jīng)網(wǎng)絡(luò)；107、當實際網(wǎng)絡(luò)發(fā)生故障時，選取實際網(wǎng)絡(luò)故障告警信息中的部分字段信息得到告警事務集合，將告警事務集合中選取的告警字段分別進行分級、量化；將分級、量化后的告警字段構(gòu)成告警向量作為步驟106中訓練好的小波神經(jīng)網(wǎng)絡(luò)的輸入，計算小波神經(jīng)網(wǎng)絡(luò)的輸出I，，此時小波神經(jīng)網(wǎng)絡(luò)的輸出I，即為步驟101中5種告警重要度之一，并且將該告警重要度對應的權(quán)值輸出并顯示。進一步的，步驟101中，5種告警重要度分別為10000，01000, 00100, 00010, 00001,
并分別對5種告警重要度設(shè)定權(quán)值。進一步的，步驟102中，選取告警信息中的部分字段是根據(jù)ITU-T的X.733標準中報警信息包含的告警字段中的告警級別、告警類型和告警設(shè)備類型，由告警級別、告警類型和告警設(shè)備類型構(gòu)成告警事務 集合。進一步的，步驟103中告警字段中的告警級別的分級及對應的量化值為:緊急告警，量化值為5 ;主要告警，量化值為4 ;次要告警，量化值為3 ;警告告警，量化值為2 ;不確定告警，量化值為I。進一步的，步驟103中，告警字段中的告警類型的分級及對應的量化值為:通信告警，量化值為I ;設(shè)備告警，量化值為2 ;環(huán)境告警，量化值為3 ;運行告警，量化值為4 ;服務告警，量化值為5。進一步的，步驟103中，告警字段中的告警設(shè)備類型的分級及對應的量化值為:波長監(jiān)測，量化值為3 ;信道監(jiān)測，量化值為2 ;其他監(jiān)測，量化值I。進一步的，步驟104中，小波神經(jīng)網(wǎng)絡(luò)為緊致型小波神經(jīng)網(wǎng)絡(luò)。所述小波神經(jīng)網(wǎng)絡(luò)的模型函數(shù)為:式中樣本總數(shù)為N，輸入層單元數(shù)為M，第n個樣本的輸入為Xn= (XninKm=I, 2，…，M ;輸出層單元數(shù)為L，對應第n個樣本的小波神經(jīng)網(wǎng)絡(luò)的輸出為Yn= {yin}，1=1，2，…，L ;對應第n個樣本的期望輸出為Dn= ((I1nI，n=l, 2，…，N ;隱含層第k個小波單元的輸出為h {{第k個小波單元的輸入_bk} /aj ；wkffl表示隱含層第k個單元與輸入層第m個小波單元之間的連接權(quán)、Vlk表示輸出層第I單元與隱含層第k單元之間的連接權(quán)，ak(t)為小波函數(shù)的尺度因子、bk(t)為位移因子。
本發(fā)明的優(yōu)點及有益效果如下:本發(fā)明提出基于小波神經(jīng)網(wǎng)絡(luò)的告警加權(quán)關(guān)聯(lián)規(guī)則權(quán)值確定方法，在利用網(wǎng)管人員經(jīng)驗的同時使用科學的小波神經(jīng)網(wǎng)絡(luò)方法來確定告警的重要度以及告警權(quán)值。消除了只利用經(jīng)驗值的主觀性，并提高了處理過多告警數(shù)據(jù)的速度。相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的權(quán)值確定方法，本發(fā)明利用誤差函數(shù)對小波基函數(shù)波形和尺度的調(diào)整，避免了產(chǎn)生局部極值點，使得出的權(quán)值更加能夠體現(xiàn)告警的相對重要性；相比傳統(tǒng)的層次分析法確定權(quán)值，本發(fā)明在處理大量數(shù)據(jù)時更加精細與準確。本發(fā)明確定的權(quán)值更客觀和準確，并且確定權(quán)值的速度得到較大提高，有效地提高了通信網(wǎng)中告警相關(guān)性分析的精度和速度。


圖1為本發(fā)明小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；圖2為本發(fā)明優(yōu)選實施例一種基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法流程圖。
具體實施例方式下面結(jié)合附圖給出一個非限定性的實施例對本發(fā)明作進一步的闡述。參照圖1、圖2所示，提出一種基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，該方法包括離線計算和在線計算兩部分。離線計算是根據(jù)已有的經(jīng)驗數(shù)據(jù)對小波神經(jīng)網(wǎng)絡(luò)進行訓練；在線計算是將訓練好的網(wǎng)絡(luò)用于通信網(wǎng)絡(luò)中，當發(fā)生故障時，將接收到的告警通過小波神經(jīng)網(wǎng)絡(luò)進行分類并為告警分配一個權(quán)值，為加權(quán)關(guān)聯(lián)規(guī)則挖掘提供挖掘數(shù)據(jù)。離線計算:這個離線計算的過程相當于一個網(wǎng)絡(luò)訓練過程。首先，根據(jù)ITU-T的X.733標準的建議，一個告警信息包含有若干字段。這些字段信息均能夠作為對告警重要度確定的影響因素。由于這些字段較多，無法將 全部的字段信息都考慮到影響因素里面。因此，選取告警信息中最能體現(xiàn)告警重要性的字段信息得到告警事務。各字段的取值均可以分為多個等級，在產(chǎn)生告警事務后將各屬性進行分級量化，量化后的向量作為小波神經(jīng)網(wǎng)絡(luò)的輸入。小波神經(jīng)網(wǎng)絡(luò)的初始化:首先選取緊致型的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將小波函數(shù)作為隱含層的傳輸函數(shù)。利用已有的經(jīng)驗告警數(shù)據(jù)對小波神經(jīng)網(wǎng)絡(luò)進行訓練，在訓練學習的過程中，利用誤差函數(shù)極小化原理，不斷地改變小波基函數(shù)的波形和尺度，調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，最終得到需要的訓練網(wǎng)絡(luò)。小波神經(jīng)網(wǎng)絡(luò)的輸出為該告警的告警重要度，然后對應的賦予該告警這一告警重要度的權(quán)值。在線計算:當網(wǎng)絡(luò)發(fā)生故障后，將會引發(fā)大量的告警。這些告警中大部分屬于冗余告警，這些冗余告警將會影響告警分析以及故障根源告警的確定。在收集到告警后，選取最能體現(xiàn)告警重要性的幾個字段組成一個告警事務。對告警事務中選取的字段信息進行分級量化產(chǎn)生一個向量。將這個告警輸入已經(jīng)離線訓練好的小波神經(jīng)網(wǎng)絡(luò)中，通過小波神經(jīng)網(wǎng)絡(luò)后，網(wǎng)絡(luò)輸出就為該告警的告警重要度。告警按照重要性的不同可以分為5種告警重要度，因此小波神經(jīng)網(wǎng)絡(luò)的輸出應該為5個。告警屬于第i種告警重要度則小波神經(jīng)網(wǎng)絡(luò)的第i個輸出就為1，其他輸出端為O。然后將第i種告警重要度的權(quán)值賦給該告警。如:該告警經(jīng)過小波神經(jīng)網(wǎng)絡(luò)處理后得出其為第三種告警重要度，則小波神經(jīng)網(wǎng)絡(luò)就應該輸出‘00100’，若約定的第三種告警重要度的權(quán)值為0.3，則該告警的權(quán)值就為0.3。本發(fā)明將所有告警的告警重要度分為5種并對每一種告警重要度約定一個權(quán)值，利用經(jīng)驗數(shù)據(jù)訓練小波神經(jīng)網(wǎng)絡(luò)實現(xiàn)對告警進行告警重要度判定的目的。Stepl:告警預處理。要為各告警設(shè)定權(quán)值，首先需要對告警重要度進行判定。雖然各廠商對告警信息的定義不盡相同，但是根據(jù)ITU-T的X.733標準的建議，告警信息中必須包含以下字段:告警序號、告警設(shè)備名稱、告警設(shè)備類型、告警設(shè)備地址、端口類型、告警類型、告警級別、告警狀態(tài)、告警時間。在將告警進行告警重要度判定前需要選取告警信息中最能體現(xiàn)告警重要性的字段信息得到告警事務。本發(fā)明選取告警級別，告警類型以及告警設(shè)備類型這三個字段。在構(gòu)造神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)前，先將這三個屬性整理成為一個集合Alarm= {Se, St, Ad}。集合中的每一個屬性均有若干個能夠表示其相對重要性的取值,對這些描述性的取值進行量化。對告警進行預處理后得到的事務數(shù)據(jù)庫如下表:表1告警事務數(shù)據(jù)庫
權(quán)利要求
1.一種基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，其特征在于包括以下步驟: 101、按照告警的重要程度，對告警設(shè)定5種告警重要度，并建立每一種告警重要度的權(quán)值； 102、選取告警信息中的部分字段信息構(gòu)成告警事務集合； 103、將告警事務集合中選取的告警字段分別進行分級、量化，將所得告警向量作為小波神經(jīng)網(wǎng)絡(luò)的輸入； 104、初始化小波神經(jīng)網(wǎng)絡(luò)參數(shù)； 105、小波神經(jīng)網(wǎng)絡(luò)進行學習，計算小波神經(jīng)網(wǎng)絡(luò)的輸出y，并計算誤差E; 106、若誤差E>e，其中e為常數(shù)，則返回步驟105繼續(xù)進行學習；若誤差E〈 e，，則判斷小波神經(jīng)網(wǎng)絡(luò)收斂，小波神經(jīng)網(wǎng)絡(luò)停止學習，訓練結(jié)束，得到訓練好的小波神經(jīng)網(wǎng)絡(luò)； 107、當實際網(wǎng)絡(luò)發(fā)生故障時， 選取實際網(wǎng)絡(luò)故障告警信息中的部分字段信息得到告警事務集合，將告警事務集合中選取的告警字段分別進行分級、量化；將分級、量化后的告警字段構(gòu)成告警向量作為步驟106中訓練好的小波神經(jīng)網(wǎng)絡(luò)的輸入，計算小波神經(jīng)網(wǎng)絡(luò)的輸出I，，此時小波神經(jīng)網(wǎng)絡(luò)的輸出I，即為步驟101中5種告警重要度之一，并且將該告警重要度對應的權(quán)值輸出并顯示。
2.根據(jù)權(quán)利要求1所述的基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，其特征在于:步驟101中，設(shè)定5種告警重要度分別10000，01000，00100，00010，00001，并分別對5種告警重要度設(shè)定權(quán)值。
3.根據(jù)權(quán)利要求1所述的基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，其特征在于:步驟102中，選取告警信息中的部分字段是根據(jù)ITU-T的X.733標準中報警信息包含的告警字段中的告警級別、告警類型和告警設(shè)備類型，由告警級別、告警類型和告警設(shè)備類型構(gòu)成告警事務集合。
4.根據(jù)權(quán)利要求1所述的基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，其特征在于步驟103中告警字段中的告警級別的分級及對應的量化值為:緊急告警，量化值為5 ;主要告警，量化值為4 ;次要告警，量化值為3 ;警告告警，量化值為2 ;不確定告警，量化值為I。
5.根據(jù)權(quán)利要求1所述的基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，其特征在于步驟103中，告警字段中的告警類型的分級及對應的量化值為:通信告警，量化值為I ;設(shè)備告警，量化值為2 ;環(huán)境告警，量化值為3 ;運行告警，量化值為4 ;服務告警，量化值為5。
6.根據(jù)權(quán)利要求1所述的基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，其特征在于步驟103中，告警字段中的告警設(shè)備類型的分級及對應的量化值為:波長監(jiān)測，量化值為3 ;信道監(jiān)測，量化值為2 ;其他監(jiān)測，量化值I。
7.根據(jù)權(quán)利要求1所述的基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，其特征在于:步驟104中，小波神經(jīng)網(wǎng)絡(luò)為緊致型小波神經(jīng)網(wǎng)絡(luò)。
8.根據(jù)權(quán)利要求1所述的基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，其特征在于:所述小波神經(jīng)網(wǎng)絡(luò)的模型函數(shù)為: LM=E wkX — h)1 at) l=im=i 式中樣本總數(shù)為N，輸入層單元數(shù)為M，第n個樣本的輸入為Xn= (X111nKm=I, 2， ，] ;輸出層單元數(shù)為L，對應第n個樣本的小波神經(jīng)網(wǎng)絡(luò)的輸出為Yn= {Yln}，1=1，2，…，L ;對應第n個樣本的期望輸出為Dn= (Cl1nI，n=l, 2，…，N ;隱含層第k個小波單元的輸出為h {{第k個小波單元的輸入_bk}/ak} ;Wkm表示隱含層第k個單元與輸入層第m個小波單元之間的連接權(quán)、vlk表示輸出層第I單元與隱含層第k單元之間的連接權(quán)，ak(t)為小波函數(shù)的尺度因子、bk(t)為位 移因子。
全文摘要
本發(fā)明公開了一種基于小波神經(jīng)網(wǎng)絡(luò)的告警權(quán)值確定方法，告警設(shè)定5種告警重要度并分別約定權(quán)值；選取告警信息中的字段信息得到告警事務集合，并對告警字段分級、量化構(gòu)成告警向量作為小波神經(jīng)網(wǎng)絡(luò)的輸入；初始化小波神經(jīng)網(wǎng)絡(luò)；小波神經(jīng)網(wǎng)絡(luò)進行學習，計算小波神經(jīng)網(wǎng)絡(luò)的輸出y，并計算誤差E；若誤差E>ε,其中ε為常數(shù)，則繼續(xù)進行學習；若誤差E<ε,，訓練結(jié)束，得到訓練好的小波神經(jīng)網(wǎng)絡(luò)；當網(wǎng)絡(luò)發(fā)生故障時，收集告警信息并通過訓練好的小波神經(jīng)網(wǎng)絡(luò)得到不同告警的告警重要度及其權(quán)值。本發(fā)明的目的在于提供一種判斷準確度更高、計算速度更快的基于小波神經(jīng)網(wǎng)絡(luò)的告警加權(quán)關(guān)聯(lián)規(guī)則權(quán)值確定方法。
文檔編號G06N3/08GK103218664SQ20131016695
公開日2013年7月24日 申請日期2013年5月8日 優(yōu)先權(quán)日2013年5月8日
發(fā)明者熊余, 劉曉清, 鄒軒, 李延源, 王汝言 申請人:重慶郵電大學