一种网管故障可信度分析***及方法
技术领域
本发明涉及通信领域,尤其涉及一种网管故障可信度分析***及方法。
背景技术
在大多数通信网管***中,都会涉及到从被管的不同专业的网络中获取告警,并分析所获取的告警以判断引起这些告警的主因告警,这个主因告警也就是故障。大多数网管都提供了对告警进行分析,并计算出故障的方法,但所得出的故障的真伪并没有办法去评估,导致用户仍然需要通过自身经验进行判断。出现这一问题的原因主要有两个方面。一方面,大多数网管要么是根据预定义的规则进行分析,要么是通过数据挖掘的方法从历史数据中挖掘出规则,这些规则要么存在主观性要么存在片面性,因此这些规则会出现一定的误判。另一方面,所给出的这些规则的可信度大多数网管均未给出量化指标。因而,需要提出一种网管故障可信度分析方法来解决这一问题。
与本发明相关的现有技术的第一种方法所采用的实现方式是通过专家根据经验整理出规则,并根据规则编写程序,当发生告警的时候通过程序计算出故障。
如果采用上述第一种处理方式就会存在以下问题:首先,无法完全保证专家给出的规则均是正确的,也就是说可能存在错误的经验;其次,也无法保证专家的经验适用于所有未知的情况,而上述第一种方法是建立在专家给出的就是完全正确的假设上,即其故障的判定可信度是100%;最后,如果发现其经验存在一些错误,如果调整需要修改规则和程序。
与本发明相关的现有技术第二种方法是采用数据挖掘的方法根据历史数据挖掘出规则,并存储规则模式,当发生告警的时候根据所存储的规则进行故障分析。
如果采用上述第二种处理方式就会存在以下问题:首先,无法完全保证样本数据包含的规则均是正确的;其次,其挖掘出规则是根据样本得出的可能的规则,而这些可能的规则到底有多可能没有量化,即可信度没有明确标识;最后,如果发现其经验存在一些错误,如果调整需要可以增量式进行挖掘,但依然没有对可信度给出量化指标。
发明内容
本发明要解决的技术问题是:提供一种网管故障可信度分析***及方法,能够对已分析出的故障给出一个可信度指标,从而可以给用户一个更为明确的判断依据。
本发明为解决上述技术问题所采取的技术方案为:
一种网管故障可信度分析***,它包括:
概念样本转换模块,用于通过给定的告警样本库和衡量样本的指标,计算得到一个包含了正例和反例的概念样本集合;其中告警样本库从已有的通信告警***中获取,并将告警样本库中被标记为故障的告警样本标记为正例,衡量样本的指标由用户在本***中设定,告警样本库中的正例结合其对应的衡量样本的指标形成正例的特征,概念样本集合是由告警样本库结合衡量样本的指标转换成的一个可学习的样本库;
概念学习模块,用于通过候选消除算法对所述的概念样本集合进行计算,得到一个表达正例的由最一般概念作为下界到最特殊概念作为上界的变型空间,并通过回溯遍历把变型空间中的所有概念模式存入概念学习结果库;
可信度分析模块,用于在接收到外部***所分析出的故障时结合概念学习结果库,让接收到的故障与概念学习结果库内的所有概念模式进行匹配,根据匹配的结果判断其匹配成功率,成功率越高可信度也就越高,反之则可信度越低;
用户交互模块,用于将可信度低于可信度阈值的进行预警通知用户,由用户根据实际情况判断接收到的故障是否是真实故障,若不是则可对本次故障进行标记,并交由适应学习模块处理;可信度阈值由用户给定;
适应学习模块,用于将做出标记的故障提交给概念学习模块,让其重新学习调整变型空间,输出新的概念学习结果存入概念学习结果库。
利用上述网管故障可信度分析***实现的网管故障可信度分析方法,它包括以下步骤:
A、概念样本转换模块利用告警样本库和衡量样本的指标,计算输出一个包含了正例和反例的概念样本集合;
B、概念学习模块通过候选消除算法对概念样本集合进行计算,获得一个变型空间,并遍历变型空间将空间中的所有概念模式存入概念学习结果库;
C、可信度分析模块接收外部***分析出的故障,将该故障和概念学习结果库中的概念模式进行匹配,计算匹配成功率,将匹配成功率作为可信度输出;
D、用户交互模块显示故障的可信度,并根据用户所设置的可信度阈值对超过阈值的可信度输出预警;用户根据实际情况判断外部***分析出的故障是否是真实故障,若不是则对本次故障进行标记;
E、适应学习模块对标记的故障作为反例以调整变型空间,更新概念学习结果库,最终收敛形成一个符合当前情况的完整概念。
按上述方法,所述的步骤A具体为:
A1、概念样本转换模块从已存在的告警样本库读入告警信息;
A2、设定衡量样本的指标,其指标包括时间连贯性、告警级别、链路类型、所处节点位置、告警名称和告警定位点;时间连贯性是指该告警发生时间距离最近的另一条告警发生时间的差的绝对值;告警级别是告警样本库中定义的告警级别;链路类型包括环形链路、链式链路和星型链路,根据实际网络拓扑由用户给出;所处节点位置表示告警发生的节点在网络拓扑所处的位置;告警名称和告警定位点是来自告警数据库的直接信息;
A3、按照时间窗口划分将告警交给外部的故障分析程序,分析判断故障并输出故障;
A4、将所有故障归为正例,将所有非故障的告警归为反例;
A5、最后,合并正例和反例集合,将合并后的集合按衡量样本的指标转换成概念样本集合输出。
按上述方法,所述步骤B具体包括:
B1、概念学习模块首先通过候选消除算法压缩上下界,产生由最一般概念作为下界到最特殊概念作为上界的变型空间;
B2、遍历变型空间获取空间中的所有概念模式,存入内存;
B3、将内存中的所有概念模式批量存储到概念学习结果库。
本发明的有益效果为:通过采用本发明***及方法能够在外部***分析出故障的条件下,给出一个明确的分析结果可信度参考,并且可以在外部***分析出故障后根据可信度的高低给予用户不同的提示,以提供更具参考价值的故障判定结果;同时可以根据实际情况自动学习调整可信度,以保证根据适应性;也能够有效的评估专家给出的和数据挖掘分析出的规则在实际情况下的适应情况。
附图说明
图1为本发明一实施例的结构框图。
图2为本发明一实施例的控制流程图。
图3为样本转换模块的流程图。
具体实施方式
下面结合具体实例对本发明做进一步说明。
为了分析可信度需要建立目标概念,建立目标概念的来源主要有两个,一个是告警样本库,另一个是衡量样本的指标。对于故障判定而言,告警样本库可以通过滑动时间窗口分割某个时间周期内的告警,以判断其包含了那些故障这些故障表示正例,在时间窗口内未被包含的告警均为反例,正例表示时间窗口内的是故障,反例表示时间窗口内的不是故障。判断过程可以通过以给出的规则进行判断。最终,可以得出正例集合和反例集合。根据上述分类建立一个样本库,库中包含正例和反例集合。然后定义衡量样本的指标,指标包括:时间连贯性、告警级别、链路类型、所处节点位置、告警名称和告警定位点。
在完成了目标概念来源的建立后,可以通过概念学习算法对目标概念进行学习。学习之后会得到一个表达正例的最一般概念作为下界到最特殊概念作为上界的变型空间,变型空间内包含的所有概念模式可以用来评价故障的可信度。其评价可信度的方法是,让外部***已分析出的故障与变形空间内的所有概念模式进行匹配,根据匹配的结果判断其匹配成功率。成功率越高可信度也就越高,反之则可信度越低。用户可以设置可信度阈值,对可信度低的进行预警通知用户。用户可以根据实际情况,判断***分析出的故障是否故障,***可以根据这一实际值调整学习参数以适应用户环境。
图1为本发明一实施例的结构框图,它包括:
概念样本转换模块,用于通过给定的告警样本库和衡量样本的指标,计算得到一个包含了正例和反例的概念样本集合;其中告警样本库从已有的通信告警***中获取,并将告警样本库中被标记为故障的告警样本标记为正例,衡量样本的指标由用户在本***中设定,告警样本库中的正例结合其对应的衡量样本的指标形成正例的特征,概念样本集合是由告警样本库结合衡量样本的指标转换成的一个可学习的样本库;
概念学习模块,用于通过候选消除算法对所述的概念样本集合进行计算,得到一个表达正例的由最一般概念作为下界到最特殊概念作为上界的变型空间,并通过回溯遍历把变型空间中的所有概念模式存入概念学习结果库;
可信度分析模块,用于在接收到外部***所分析出的故障时结合概念学习结果库,让接收到的故障与概念学习结果库内的所有概念模式进行匹配,根据匹配的结果判断其匹配成功率,成功率越高可信度也就越高,反之则可信度越低;
用户交互模块,用于将可信度低于可信度阈值的进行预警通知用户,由用户根据实际情况判断接收到的故障是否是真实故障,若不是则可对本次故障进行标记,并交由适应学习模块处理;可信度阈值由用户给定;
适应学习模块,用于将做出标记的故障提交给概念学习模块,让其重新学习调整变型空间,输出新的概念学习结果存入概念学习结果库。
图2为本发明一实施例的控制流程图,它包括以下步骤:A、概念样本转换模块利用告警样本库和设定衡量样本的指标,计算输出一个包含了正例和反例的概念样本集合;B、概念学习模块通过候选消除算法对概念样本集合进行计算,获得一个变型空间,并遍历变型空间将空间中的所有概念模式存入概念学习结果库;C、可信度分析模块接收外部***分析出的故障,将该故障和概念学习结果库中的概念模式进行匹配,计算匹配成功率,将匹配成功率作为可信度输出;D、用户交互模块显示故障的可信度,并根据用户所设置的可信度阈值对超过阈值的可信度输出预警;用户根据实际情况判断外部***分析出的故障是否是真实故障,若不是则对本次故障进行标记;E、适应学习模块对标记的故障作为反例以调整变型空间,更新概念学习结果库,最终收敛形成一个符合当前情况的完整概念。
所述的步骤A如图3所示,具体为:A1、概念样本转换模块从已存在的告警样本库读入告警信息;A2、设定衡量样本的指标,其指标包括时间连贯性、告警级别、链路类型、所处节点位置、告警名称和告警定位点;时间连贯性是指该告警发生时间距离最近的另一条告警发生时间的差的绝对值;告警级别是告警样本库中定义的告警级别;链路类型包括环形链路、链式链路和星型链路,根据实际网络拓扑由用户给出;所处节点位置表示告警发生的节点在网络拓扑所处的位置;告警名称和告警定位点是来自告警数据库的直接信息;A3、按照时间窗口划分将告警交给外部的故障分析程序,分析判断故障并输出故障;A4、将所有故障归为正例,将所有非故障的告警归为反例,若出现重复的正例或者反例只保留一条记录,从而起到了样本压缩的作用;A5、最后,合并正例和反例集合,将合并后的集合按衡量样本的指标转换成概念样本集合输出,每个正例所对应的衡量样本的指标构成对应正例的特征。
所述步骤B具体包括:B1、概念学习模块首先通过候选消除算法压缩上下界,产生由最一般概念作为下界到最特殊概念作为上界的变型空间;B2、遍历变型空间获取空间中的所有概念模式,存入内存;B3、将内存中的所有概念模式批量存储到概念学习结果库。