CN103218664A - 一种基于小波神经网络的告警权值确定方法 - Google Patents

Abstract

本发明公开了一种基于小波神经网络的告警权值确定方法，告警设定5种告警重要度并分别约定权值；选取告警信息中的字段信息得到告警事务集合，并对告警字段分级、量化构成告警向量作为小波神经网络的输入；初始化小波神经网络；小波神经网络进行学习，计算小波神经网络的输出y，并计算误差E；若误差E>ε,其中ε为常数，则继续进行学习；若误差E<ε,，训练结束，得到训练好的小波神经网络；当网络发生故障时，收集告警信息并通过训练好的小波神经网络得到不同告警的告警重要度及其权值。本发明的目的在于提供一种判断准确度更高、计算速度更快的基于小波神经网络的告警加权关联规则权值确定方法。

Description

一种基于小波神经网络的告警权值确定方法

技术领域

本发明涉及通信网技术领域。尤其涉及一种基于小波神经网络的告警加权关联规则权值确定方法。

背景技术

现代通信网络向着高速化、数字化、综合化、标准化发展，网络的管理难度也随之增加。而网络告警作为网络管理对象最重要的标识便成为网络管理的核心内容。由于现代网络本身的庞大以及复杂，产生的告警类型丰富、数量巨大，告警相关性分析便应运而生。在这些告警中包含了大量的冗余告警，通过告警相关性分析可以消除告警冗余信息以及告警风暴，并进一步找到故障根源以快速定位和解决故障。其中，基于数据挖掘的告警相关性分析由于其具有对网络变化自适应能力的优点被学术界和工业界广泛关注。而关联规则作为数据挖掘的重要方法，在告警相关性分析中得到大量应用。在通信网中，告警信号根据ITU-T的X.733标准的建议由很多属性组成，某些属性具有不同的级别，不同的告警级别表示了故障的不同严重程度。因此，在进行关联规则挖掘时不能将各项告警记录之间的关系看作是相同的。为此，综合考虑告警信息中各属性并为告警信息分配合适的权值，是网络告警相关性分析的研究热点和难点。

目前权值确定的方法主要有：网管人员主观确定、层次分析法及神经网络。网管人员凭借经验和主观判断确定权值主观因素太重，缺乏科学依据，而且当影响告警权值的因素过多时，这样确定的权值很难体现出不同因素组合的差别。因此，阳继红等人在“具有动态加权特性的关联规则算法”【吉林大学学报（理学版），2005.5,43(3):314-319】中利用层次分析法将告警的各个属性分为5个级别，要求使用者为数据库中各个告警属性确定一个重要程度，其缺点在于当告警很多时，这种方法显得粗糙，无法体现个体的差异性。肖林海等人在“层次分析法在通信网告警相关性分析中的应用研究”【电信科学，2006.11：36-39】中给出了一种改进的算法，该方法将网络拓扑作为一个告警权值的影响因素引入到权值的确定中，这样确定的权值包含了丰富的网络资源信息，在告警相关性分析时能够更加准确地找出网络的资源故障。然而由于网络拓扑的引入，在网络发生变化时，权值也需要随之重新确定。李彤岩等在“神经网络在确定关联规则挖掘算法权值中的应用研究”【计算机应用研究，2008.5，25（5）：1440-1449】提出利用一个二元神经网络来进行权值的确定，但是在利用神经网络来进行权值设定时，存在训练速度慢、结构设计上存在盲目性、训练过程中容易陷入局部极小值点等缺陷。因此，如何快速并科学地确定告警权值是一个亟需解决的问题。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种判断准确度提高、计算速度更快的基于小波神经网络的告警权值确定方法。为达到上述目的，本发明的技术方案是：一种基于小波神经网络的告警权值确定方法,其特征在于包括以下步骤：

101、按照告警的重要程度，对告警设定5种告警重要度，并建立每一种告警重要度的权值；

102、选取告警信息中的部分字段信息构成告警事务集合；

103、将告警事务集合中选取的告警字段分别进行分级、量化，将所得告警向量作为小波神经网络的输入；

104、初始化小波神经网络参数；

105、小波神经网络进行学习，计算小波神经网络的输出y，并计算误差E；

106、若误差E>ε,其中ε为常数，则返回步骤105继续进行学习；若误差E<ε,，则判断小波神经网络收敛，小波神经网络停止学习，训练结束，得到训练好的小波神经网络；

107、当实际网络发生故障时，选取实际网络故障告警信息中的部分字段信息得到告警事务集合,将告警事务集合中选取的告警字段分别进行分级、量化；将分级、量化后的告警字段构成告警向量作为步骤106中训练好的小波神经网络的输入，计算小波神经网络的输出y',此时小波神经网络的输出y'即为步骤101中5种告警重要度之一，并且将该告警重要度对应的权值输出并显示。

进一步的，步骤101中，5种告警重要度分别为10000,01000,00100,00010,00001，并分别对5种告警重要度设定权值。

进一步的，步骤102中，选取告警信息中的部分字段是根据ITU-T的X.733标准中报警信息包含的告警字段中的告警级别、告警类型和告警设备类型，由告警级别、告警类型和告警设备类型构成告警事务集合。

进一步的，步骤103中告警字段中的告警级别的分级及对应的量化值为：紧急告警，量化值为5；主要告警，量化值为4；次要告警，量化值为3；警告告警，量化值为2；不确定告警，量化值为1。

进一步的，步骤103中，告警字段中的告警类型的分级及对应的量化值为：通信告警，量化值为1；设备告警，量化值为2；环境告警，量化值为3；运行告警，量化值为4；服务告警，量化值为5。

进一步的，步骤103中，告警字段中的告警设备类型的分级及对应的量化值为：波长监测，量化值为3；信道监测，量化值为2；其他监测，量化值1。

进一步的，步骤104中，小波神经网络为紧致型小波神经网络。

所述小波神经网络的模型函数为：

$y_l^n=\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{v}_{\mathrm{lk}}h((\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_{\mathrm{km}}{x}_m^n-b_k)/a_k)$

式中样本总数为N，输入层单元数为M，第n个样本的输入为Xⁿ={x_m ⁿ},m=1,2,…,M；输出层单元数为L，对应第n个样本的小波神经网络的输出为Yⁿ={y_l ⁿ},l=1,2,…,L；对应第n个样本的期望输出为Dⁿ={d_l ⁿ},n=1,2,…,N；隐含层第k个小波单元的输出为h{{第k个小波单元的输入-b_k}/a_k}；w_km表示隐含层第k个单元与输入层第m个小波单元之间的连接权、v_lk表示输出层第l单元与隐含层第k单元之间的连接权，a_k(t)为小波函数的尺度因子、b_k(t)为位移因子。

本发明的优点及有益效果如下：

本发明提出基于小波神经网络的告警加权关联规则权值确定方法，在利用网管人员经验的同时使用科学的小波神经网络方法来确定告警的重要度以及告警权值。消除了只利用经验值的主观性，并提高了处理过多告警数据的速度。相比传统神经网络的权值确定方法，本发明利用误差函数对小波基函数波形和尺度的调整，避免了产生局部极值点，使得出的权值更加能够体现告警的相对重要性；相比传统的层次分析法确定权值，本发明在处理大量数据时更加精细与准确。本发明确定的权值更客观和准确，并且确定权值的速度得到较大提高，有效地提高了通信网中告警相关性分析的精度和速度。

附图说明

图1为本发明小波神经网络的结构示意图；

图2为本发明优选实施例一种基于小波神经网络的告警权值确定方法流程图。

具体实施方式

下面结合附图给出一个非限定性的实施例对本发明作进一步的阐述。

参照图1、图2所示，提出一种基于小波神经网络的告警权值确定方法，该方法包括离线计算和在线计算两部分。离线计算是根据已有的经验数据对小波神经网络进行训练；在线计算是将训练好的网络用于通信网络中，当发生故障时，将接收到的告警通过小波神经网络进行分类并为告警分配一个权值，为加权关联规则挖掘提供挖掘数据。

离线计算：这个离线计算的过程相当于一个网络训练过程。首先，根据ITU-T的X.733标准的建议，一个告警信息包含有若干字段。这些字段信息均能够作为对告警重要度确定的影响因素。由于这些字段较多，无法将全部的字段信息都考虑到影响因素里面。因此，选取告警信息中最能体现告警重要性的字段信息得到告警事务。各字段的取值均可以分为多个等级，在产生告警事务后将各属性进行分级量化，量化后的向量作为小波神经网络的输入。小波神经网络的初始化：首先选取紧致型的小波神经网络结构，将小波函数作为隐含层的传输函数。利用已有的经验告警数据对小波神经网络进行训练，在训练学习的过程中，利用误差函数极小化原理，不断地改变小波基函数的波形和尺度，调整网络的权值和阈值，最终得到需要的训练网络。小波神经网络的输出为该告警的告警重要度，然后对应的赋予该告警这一告警重要度的权值。

在线计算：当网络发生故障后，将会引发大量的告警。这些告警中大部分属于冗余告警，这些冗余告警将会影响告警分析以及故障根源告警的确定。在收集到告警后，选取最能体现告警重要性的几个字段组成一个告警事务。对告警事务中选取的字段信息进行分级量化产生一个向量。将这个告警输入已经离线训练好的小波神经网络中，通过小波神经网络后，网络输出就为该告警的告警重要度。告警按照重要性的不同可以分为5种告警重要度，因此小波神经网络的输出应该为5个。告警属于第i种告警重要度则小波神经网络的第i个输出就为1，其他输出端为0。然后将第i种告警重要度的权值赋给该告警。如：该告警经过小波神经网络处理后得出其为第三种告警重要度，则小波神经网络就应该输出‘00100’，若约定的第三种告警重要度的权值为0.3，则该告警的权值就为0.3。

本发明将所有告警的告警重要度分为5种并对每一种告警重要度约定一个权值，利用经验数据训练小波神经网络实现对告警进行告警重要度判定的目的。

Step1：告警预处理。要为各告警设定权值，首先需要对告警重要度进行判定。虽然各厂商对告警信息的定义不尽相同，但是根据ITU-T的X.733标准的建议，告警信息中必须包含以下字段：告警序号、告警设备名称、告警设备类型、告警设备地址、端口类型、告警类型、告警级别、告警状态、告警时间。在将告警进行告警重要度判定前需要选取告警信息中最能体现告警重要性的字段信息得到告警事务。本发明选取告警级别，告警类型以及告警设备类型这三个字段。在构造神经网络输入数据前，先将这三个属性整理成为一个集合Alarm=｛Se,St,Ad｝。集合中的每一个属性均有若干个能够表示其相对重要性的取值，对这些描述性的取值进行量化。对告警进行预处理后得到的事务数据库如下表：

表1告警事务数据库

网络告警级别可以分为5类：（1）紧急告警，量化为5；（2）主要告警，量化为4；(3)次要告警,量化为3；(4)警告告警,量化为2；(5)不确定告警，量化为1。

告警类型可以分为以下5类：(1)通信告警，量化为1；(2)设备告警，量化为2；(3)环境告警，量化为3；(4)运行告警，量化为4；(5)服务告警，量化为5。

告警设备类型按监测能力可以分为3类：(1)波长监测，量化为3；(2)信道监测,量化为2；(3)其他监测，量化为1。

将告警事务量化成告警向量后作为小波神经网络的输入。

Step2：小波神经网络的训练学习。如图1所示，其为一个紧致型小波神经网络的结构图。

设样本总数为N，输入层单元数为M，第n个样本的输入为Xⁿ={x_m ⁿ},m=1,2,…,M；输出层单元数为L，网络的输出为Yⁿ={y_l ⁿ},l=1,2,…,L；对应的期望输出为Dⁿ={d_l ⁿ},n=1,2,…,N.隐含层第k个小波单元的输出为h{{第k个小波单元的输入-b_k}/a_k}。再有w_km表示隐含层第k个单元与输入层第m个小波单元之间的连接权、v_lk表示输出层第l单元与隐含层第k单元之间的连接权，则小波神经网络的模型可以表示为：

$y_l^n=\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{v}_{\mathrm{lk}}h((\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_{\mathrm{km}}{x}_m^n-b_k)/a_k)---\left(1\right)$

其误差函数定义为：

$E=\frac{1}{2N}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{(d_l^n-y_l^n)}^2---\left(2\right)$

(1):选取隐含层传输函数为Morlet小波函数，即h(x)=cos(1.75t)×exp(-t²/2)；

(2):初始化小波神经网络参数。将小波的尺度因子a_k(t)、位移因子b_k(t)以及网络连接权值w_km(t)和v_lk(t)赋随机值，t=初始时间。

(3):网络训练学习。根据式(1)计算网络输出；

(4):调整网络参数。根据以下公式计算调整后的网络参数：

$\frac{\&PartialD;E}{\&PartialD;v_{\mathrm{lk}}}=\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}(d_l^n-y_l^n)h_{a,b}\left(\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{km}}{x}_m^n\right)---\left(3\right)$

$\frac{\&PartialD;E}{\&PartialD;{\mathrm{\&omega;}}_{\mathrm{km}}}=\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}(d_l^n-y_l^n){\mathrm{\&upsi;}}_{\mathrm{lk}}{h^{\&prime;}}_{a,b}\left(\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{km}}{x}_m^n\right)x_m^n---\left(4\right)$

$\frac{\&PartialD;E}{\&PartialD;b_k}=\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}(d_l^n-y_l^n){\mathrm{\&upsi;}}_{\mathrm{lk}}{h^{\&prime;}}_{a,b}\left(\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{km}}{x}_m^n\right)/a_k---\left(5\right)$

$\frac{\&PartialD;E}{\&PartialD;b_k}=\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}(d_l^n-y_l^n){\mathrm{\&upsi;}}_{\mathrm{lk}}{h^{\&prime;}}_{a,b}\left(\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{km}}{x}_m^n\right)\frac{\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{km}}{x}_m^n-b_k}{b_k}/a_k---\left(6\right)$

用η表示网络的学习率，则可调整网络参数为：

${\mathrm{\&upsi;}}_{\mathrm{lk}}(t+1)={\mathrm{\&upsi;}}_{\mathrm{lk}}\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{{\&PartialD;\mathrm{\&upsi;}}_{\mathrm{lk}}}---\left(7\right)$

${\mathrm{\&omega;}}_{\mathrm{km}}(t+1)={\mathrm{\&omega;}}_{\mathrm{km}}\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;{\mathrm{\&omega;}}_{\mathrm{km}}}---\left(8\right)$

$b_k(t+1)=b_k\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;b_k}---\left(9\right)$

$a_k(t+1)=a_k\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;a_k}---\left(10\right)$

(5):收敛判定。为网络设定一个很小的常数ε，根据公式(2)计算误差，若误差函数E(t)<ε，则网络停止学习，可用来进行告警分类；若不满足，返回(2)，t+1。

Step3：当网络发生故障，收集网络中产生的告警。根据Step1对告警集进行预处理，产生告警向量集。将该告警集输入由Step2训练好的小波神经网络，此时小波神经网络的输出即为该向量集中各向量所代表告警的告警重要度。根据预先约定的告警重要度权值就可分配各告警的权值。

表2

这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (8)

1.一种基于小波神经网络的告警权值确定方法,其特征在于包括以下步骤：

101、按照告警的重要程度，对告警设定5种告警重要度，并建立每一种告警重要度的权值；

102、选取告警信息中的部分字段信息构成告警事务集合；

103、将告警事务集合中选取的告警字段分别进行分级、量化，将所得告警向量作为小波神经网络的输入；

104、初始化小波神经网络参数；

105、小波神经网络进行学习，计算小波神经网络的输出y，并计算误差E；

106、若误差E>ε,其中ε为常数，则返回步骤105继续进行学习；若误差E<ε,，则判断小波神经网络收敛，小波神经网络停止学习，训练结束，得到训练好的小波神经网络；

107、当实际网络发生故障时，选取实际网络故障告警信息中的部分字段信息得到告警事务集合,将告警事务集合中选取的告警字段分别进行分级、量化；将分级、量化后的告警字段构成告警向量作为步骤106中训练好的小波神经网络的输入，计算小波神经网络的输出y',此时小波神经网络的输出y'即为步骤101中5种告警重要度之一，并且将该告警重要度对应的权值输出并显示。

2.根据权利要求1所述的基于小波神经网络的告警权值确定方法，其特征在于：步骤101中，设定5种告警重要度分别10000,01000,00100,00010,00001，并分别对5种告警重要度设定权值。

3.根据权利要求1所述的基于小波神经网络的告警权值确定方法，其特征在于：步骤102中，选取告警信息中的部分字段是根据ITU-T的X.733标准中报警信息包含的告警字段中的告警级别、告警类型和告警设备类型，由告警级别、告警类型和告警设备类型构成告警事务集合。

4.根据权利要求1所述的基于小波神经网络的告警权值确定方法，其特征在于步骤103中告警字段中的告警级别的分级及对应的量化值为：紧急告警，量化值为5；主要告警，量化值为4；次要告警，量化值为3；警告告警，量化值为2；不确定告警，量化值为1。

5.根据权利要求1所述的基于小波神经网络的告警权值确定方法，其特征在于步骤103中，告警字段中的告警类型的分级及对应的量化值为：通信告警，量化值为1；设备告警，量化值为2；环境告警，量化值为3；运行告警，量化值为4；服务告警，量化值为5。

6.根据权利要求1所述的基于小波神经网络的告警权值确定方法，其特征在于步骤103中，告警字段中的告警设备类型的分级及对应的量化值为：波长监测，量化值为3；信道监测，量化值为2；其他监测，量化值1。

7.根据权利要求1所述的基于小波神经网络的告警权值确定方法，其特征在于：步骤104中，小波神经网络为紧致型小波神经网络。

8.根据权利要求1所述的基于小波神经网络的告警权值确定方法，其特征在于：所述小波神经网络的模型函数为：

$y_l^n=\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{v}_{\mathrm{lk}}h((\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{w}_{\mathrm{km}}{x}_m^n-b_k)/a_k)$

式中样本总数为N，输入层单元数为M，第n个样本的输入为Xⁿ={x_m ⁿ},m=1,2,…,M；输出层单元数为L，对应第n个样本的小波神经网络的输出为Yⁿ={y_l ⁿ},l=1,2,…,L；对应第n个样本的期望输出为Dⁿ={d_l ⁿ},n=1,2,…,N；隐含层第k个小波单元的输出为h{{第k个小波单元的输入-b_k}/a_k}；w_km表示隐含层第k个单元与输入层第m个小波单元之间的连接权、v_lk表示输出层第l单元与隐含层第k单元之间的连接权，a_k(t)为小波函数的尺度因子、b_k(t)为位移因子。

Images