基于时空特征融合和图卷积神经网络的告警压缩技术研究

最新推荐文章于 2024-10-02 00:23:27 发布

罗伯特之技术屋

最新推荐文章于 2024-10-02 00:23:27 发布

阅读量46

点赞数

分类专栏：信息技术控制系统和理论专栏文章标签： cnn 人工智能神经网络

本文链接：https://blog.csdn.net/weixin_57147647/article/details/139596571

版权

信息技术控制系统和理论专栏专栏收录该内容

81 篇文章 1 订阅 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

该研究针对5G网络告警分析的挑战，提出一种基于时空特征融合和图卷积神经网络（GCN）的网络告警根因分析及压缩技术。通过预处理剔除无效噪声，使用GCN和XGBoost融合模型进行根因定位和关联分析，实现告警的高效压缩，从而提高告警处理质量和效率。

摘要由CSDN通过智能技术生成

摘要

分析了当前电信网络告警关联和压缩技术发展趋势以及面临问题，提出了一种基于时空特征融合和图卷积神经网络（GCN）的网络告警根因分析及告警压缩技术方案。通过提取告警时间和空间特征，精准剔除无效噪声数据，并利用GCN和XGBoost的融合模型，实现了网络告警精准根因分析和高效压缩。最后，通过分析网络告警压缩技术应用实例成效，验证了技术方案的有效性和可靠性。

0 1

概述

与4G网络相比，一方面5G网络设备具备云化架构的技术特征，软硬件模块及接口更加复杂，网络系统的操作和维护难度大幅度提升。另一方面，微服务、网络切片等新技术的引入使得5G网络管理对象数量暴增，新的网络形态和网络规模为网络告警分析带来了极大的挑战，告警分析处理工作量逐渐呈几何级数增加。

在当前的日常运维工作中，运维人员在分析各类告警时一般会采用聚类关联算法，对不同的告警数据进行聚类和压缩。告警处理系统中典型的算法有Apriori和FP-Growth算法等，还有从统计角度和可信度角度对关联规则挖掘算法进行的研究。Apriori算法执行过程中需要对告警事务数据库反复进行全量扫描，并且会产生大量的候选项集，算法执行效率较低。FP-Growth算法通过构造频繁模式树这种比较紧凑的数据结构，将频繁模式信息进行压缩