黃兵明，喬治，黃劍鋒，趙慧英，馬瑞濤（.中國聯(lián)通研究院，北京 00048；.中國聯(lián)合網(wǎng)絡(luò)通信集團有限公司，北京 00045；.北京神州泰岳軟件股份有限公司，北京 000）

1 概述

與4G 網(wǎng)絡(luò)相比，一方面5G 網(wǎng)絡(luò)設(shè)備具備云化架構(gòu)的技術(shù)特征，軟硬件模塊及接口更加復(fù)雜，網(wǎng)絡(luò)系統(tǒng)的操作和維護難度大幅度提升。另一方面，微服務(wù)、網(wǎng)絡(luò)切片等新技術(shù)的引入使得5G網(wǎng)絡(luò)管理對象數(shù)量暴增，新的網(wǎng)絡(luò)形態(tài)和網(wǎng)絡(luò)規(guī)模為網(wǎng)絡(luò)告警分析帶來了極大的挑戰(zhàn)，告警分析處理工作量逐漸呈幾何級數(shù)增加。

在當(dāng)前的日常運維工作中，運維人員在分析各類告警時一般會采用聚類關(guān)聯(lián)算法，對不同的告警數(shù)據(jù)進行聚類和壓縮。告警處理系統(tǒng)中典型的算法有Apriori［1?2］和FP?Growth 算法等，還有從統(tǒng)計角度和可信度角度對關(guān)聯(lián)規(guī)則挖掘算法進行的研究。Aprior 算法執(zhí)行過程中需要對告警事務(wù)數(shù)據(jù)庫反復(fù)進行全量掃描，并且會產(chǎn)生大量的候選項集，算法執(zhí)行效率較低。FP?Growth 算法通過構(gòu)造頻繁模式樹這種比較緊湊的數(shù)據(jù)結(jié)構(gòu)，將頻繁模式信息進行壓縮，本質(zhì)上是一種深度優(yōu)先搜索算法?；谏鲜龅湫偷木垲愃惴ㄩ_發(fā)，業(yè)內(nèi)進行了很多電信告警關(guān)聯(lián)規(guī)則的挖掘應(yīng)用，也有很多系統(tǒng)基于大數(shù)據(jù)技術(shù)進行電信告警關(guān)聯(lián)規(guī)則的挖掘?qū)崿F(xiàn)。但以上告警關(guān)聯(lián)分析技術(shù)中都或多或少存在如下2個問題。

a）由于在告警關(guān)聯(lián)分析過程中缺乏對全量的原始告警數(shù)據(jù)時空特征的融合分析，重要的告警信息被噪聲告警淹沒會導(dǎo)致漏報，大量噪聲告警數(shù)據(jù)的混雜同樣會導(dǎo)致誤報。很多在時間、空間維度上都毫無關(guān)聯(lián)的原始告警數(shù)據(jù)堆積在一起，導(dǎo)致真實的告警關(guān)聯(lián)關(guān)系很難被洞察或無法被算法挖掘出來，尤其是對聚類算法的計算效率和收斂性帶來很大的影響，直接導(dǎo)致告警關(guān)聯(lián)分析結(jié)果的準(zhǔn)確性降低。

b）當(dāng)前對告警數(shù)據(jù)關(guān)聯(lián)的分析過程中，缺乏對告警根因分析的高效結(jié)合。通常的聚類算法只簡單反應(yīng)了一般性數(shù)據(jù)的關(guān)聯(lián)性，沒有考慮告警間的業(yè)務(wù)關(guān)系特點，例如網(wǎng)絡(luò)不同層級的各類告警，從業(yè)務(wù)拓撲來看源自于同一個根告警。頻繁項集包含過多次生告警關(guān)系項，干擾了關(guān)聯(lián)關(guān)系的判斷。上述研究中提到的算法方案很難分析出告警事件的關(guān)聯(lián)根因，無法實現(xiàn)告警數(shù)據(jù)的進一步高效壓縮。所以，研究如何通過各層級告警的根因智能分析定位，實現(xiàn)對不同層級的告警高效收斂和壓縮具有重要意義。

針對以上問題和需求，本文提出了一套網(wǎng)絡(luò)告警智能分析和壓縮的綜合解決方案。方案利用時空特征數(shù)據(jù)預(yù)處理技術(shù)，高效過濾掉無關(guān)聯(lián)的噪聲告警數(shù)據(jù)，并在此基礎(chǔ)上提出應(yīng)用GCN 和XGBoost 這2 種算法的融合模型進行根因智能分析定位。根據(jù)根因分析結(jié)果發(fā)現(xiàn)和清除衍生關(guān)聯(lián)告警集，實現(xiàn)各層級各類告警數(shù)據(jù)的智能關(guān)聯(lián)壓縮，從而有效減小告警派單量，提升告警處理質(zhì)量和效率。

2 基于時空特征融合和GCN 算法的網(wǎng)絡(luò)告警壓縮技術(shù)方案

2.1 總體技術(shù)方案

本文提出的網(wǎng)絡(luò)告警智能分析和壓縮的綜合解決方案整體流程如圖1所示，方案關(guān)鍵步驟如下。

圖1 綜合告警智能分析總體解決方案流程

a）數(shù)據(jù)采集和預(yù)處理，包括全量的告警數(shù)據(jù)、故障數(shù)據(jù)、資源數(shù)據(jù)的采集和預(yù)處理。預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)補充、數(shù)據(jù)規(guī)范化處理等。

b）時空特征融合處理，包括對告警、故障數(shù)據(jù)進行時間特征分析預(yù)處理、資源空間關(guān)聯(lián)特征分析預(yù)處理，實現(xiàn)對無關(guān)噪聲數(shù)據(jù)的精準(zhǔn)剔除，提升數(shù)據(jù)質(zhì)量。

c）多維數(shù)據(jù)特征提取，包括告警、故障數(shù)據(jù)的時間特征、語義特征、網(wǎng)元資源位置特征、資源關(guān)聯(lián)特征等的提取。

d）多維數(shù)據(jù)向量生成，基于提取的多維數(shù)據(jù)特征，統(tǒng)一編排生成多維數(shù)據(jù)向量。

e）多維告警根因定位，調(diào)用GCN 算法模型，對多維告警和故障數(shù)據(jù)進行根因定位分析，輸出故障告警根因。

f）根因告警關(guān)聯(lián)分析，對GCN 算法模型輸出的故障告警根因，調(diào)用XGBoost算法模型，對所有的告警數(shù)據(jù)進行關(guān)聯(lián)分析，輸出根因關(guān)聯(lián)告警集。

g）根因關(guān)聯(lián)告警評估，進一步分析告警根因和管理告警集的相關(guān)性，輸出高相關(guān)度根因告警?關(guān)聯(lián)告警集。

h）根因關(guān)聯(lián)告警壓縮，基于根因高相關(guān)度關(guān)聯(lián)告警集對非根因告警進行高效壓縮，對同一根因?qū)е碌母鲗蛹壐婢M行匯聚，壓縮為同一根因故障告警進行派單。

2.2 基于時空特征融合的數(shù)據(jù)預(yù)處理

本文提出的非關(guān)聯(lián)數(shù)據(jù)剝離技術(shù)主要由2個關(guān)鍵步驟組成：告警數(shù)據(jù)時間關(guān)聯(lián)性（時間特征）分析和告警數(shù)據(jù)資源關(guān)聯(lián)性（空間特征）分析，精準(zhǔn)剔除無效噪聲數(shù)據(jù)，提升數(shù)據(jù)質(zhì)量，最大限度提升告警關(guān)聯(lián)分析算法的運算效率和準(zhǔn)確性，其關(guān)鍵流程如圖2所示。

圖2 時空特征融合處理關(guān)鍵流程

首先，抽取一個分析周期（如可以定義一個分析周期為1個月）的告警數(shù)據(jù)和故障數(shù)據(jù)，利用按需定義的特征化函數(shù)對上述數(shù)據(jù)進行特征提取，生成告警和故障時間特征向量。

然后設(shè)計一個滑動時間窗口，滑動時間窗口大小和時間步長可以根據(jù)不同的事件類型進行調(diào)整。將一個窗口周期內(nèi)的異常特征事件定義為一個異常事件項集，這樣能減少對不存在時間關(guān)聯(lián)關(guān)系的告警、故障事件數(shù)據(jù)的無效分析，提升告警關(guān)聯(lián)分析的效率和準(zhǔn)確性。

最后進行物理和虛擬化空間中資源關(guān)聯(lián)關(guān)系分析，即對上一步篩選得到的告警、故障事件數(shù)據(jù)項集再基于資源的物理、邏輯關(guān)聯(lián)關(guān)系，進行下一步的數(shù)據(jù)清洗?；谫Y源拓撲進行關(guān)聯(lián)切片處理，把相關(guān)聯(lián)的資源形成切片集，獲取同時具備時間關(guān)聯(lián)性和切片集資源相關(guān)性的告警數(shù)據(jù)，形成資源關(guān)聯(lián)告警項集。

將非資源關(guān)聯(lián)異常事件數(shù)據(jù)從項集中剔除，從而避免對不存在資源關(guān)聯(lián)關(guān)系異常事件的無效分析，進一步提升告警關(guān)聯(lián)分析的效率和準(zhǔn)確性。

2.3 融合GCN和XGBoost的智能告警壓縮技術(shù)

本節(jié)重點描述了一種基于人工智能（AI）的智能根因告警壓縮技術(shù)，即通過構(gòu)建的AI 算法模型，將通過2.2 小節(jié)處理后的告警數(shù)據(jù)收斂到同一故障根因，減少實際派單數(shù)量并進行優(yōu)化策略派單，實現(xiàn)故障派單的壓縮合并，減少重復(fù)派單。智能根因告警壓縮技術(shù)的算法模型訓(xùn)練方案如圖3所示。

圖3 告警壓縮算法模型訓(xùn)練方案

本文提出的智能根因定位AI 算法模型采用GCN算法和XGBoost算法級聯(lián)的融合算法方案。GCN 算法定位同一時間窗口內(nèi)、滿足資源空間相關(guān)性的各層級告警數(shù)據(jù)的根因類型和故障節(jié)點，XGBoost 算法根據(jù)GCN 輸出的根因類型和故障節(jié)點計算出根因關(guān)聯(lián)告警集。

GCN AI 算法可以利用拓撲連接性和節(jié)點特征處理圖結(jié)構(gòu)數(shù)據(jù)，即基于圖神經(jīng)網(wǎng)絡(luò)的算法模型經(jīng)過大數(shù)據(jù)訓(xùn)練后可以準(zhǔn)確捕獲拓撲信息。對于目標(biāo)電信網(wǎng)絡(luò)，本文使用屬性圖G=（V，E）編碼它的拓撲信息。其中，vi∈V是圖中的第i個節(jié)點，節(jié)點vi具備屬性Xvi，節(jié)點對（uj，vi）∈E表示圖中2 個節(jié)點之間的邊，邊（uj，vi）具備屬性euj,vi∈E。對于電信網(wǎng)絡(luò)，GCN中的一個節(jié)點可以是一個物理設(shè)備，也可以是引發(fā)告警數(shù)據(jù)的故障根因的邏輯節(jié)點。GCN 中相鄰節(jié)點之間的物理連接或邏輯連接用圖形的邊進行表征。本文采用GCN算法智能判斷每個節(jié)點是否發(fā)生了故障問題，并判斷故障問題的具體根因類型。

圖卷積神經(jīng)網(wǎng)絡(luò)中節(jié)點vi的表征信息通過聚合其相鄰節(jié)點的表征信息進行迭代更新，GCN 節(jié)點vi的表征可以在n次迭代后捕獲其n階鄰居的信息。本文根因定位GCN算法使用的逐層傳播規(guī)則如下：

在GCN 定位出根因結(jié)果的基礎(chǔ)上，調(diào)用XGBoost分類算法進行進一步的根因關(guān)聯(lián)告警集智能分析，挖掘根因告警和其他各層級告警之間的強關(guān)聯(lián)關(guān)系。

首先，基于根因告警和關(guān)聯(lián)層級告警樣例數(shù)據(jù)進行XGBoost 建模訓(xùn)練，得到最優(yōu)的XGBoost 算法模型參數(shù)集。建模過程中可以學(xué)習(xí)到對應(yīng)告警數(shù)據(jù)集的特征重要度信息，并保存在模型的Feature_importances_屬性中。通過網(wǎng)絡(luò)搜索方法進行交叉驗證實驗評估，選出XGBoost在候選參數(shù)中的最優(yōu)超參數(shù)。

其中，Gj為所有屬于第j個葉子結(jié)點的樣本的gi總和，Hj為所有屬于第j個葉子結(jié)點的樣本的hi總和。

通過XGBoost 分類算法，進行根因關(guān)聯(lián)告警集的相關(guān)性分析，輸出最優(yōu)相關(guān)性的根因關(guān)聯(lián)告警集。將得到的根因告警集進行合并，進一步剔除其余高相關(guān)性的各層級告警，實現(xiàn)對根因關(guān)聯(lián)告警的有效壓縮。

經(jīng)初步過濾的海水有一部分供給其它用戶，大部分匯合PAP粗過濾器過來的海水一起進入細過濾器，使98%直徑大于或等于5 μm的懸浮顆粒被除去。為了提高過濾效果，在細過濾器的入口處注入兩種化學(xué)藥劑：聚合物和殺蟲劑，殺蟲劑每周注入一次，在不注殺蟲劑期間注入次氯酸鈉進行殺菌。

3 智能網(wǎng)絡(luò)告警壓縮技術(shù)應(yīng)用實例

3.1 實例背景和目標(biāo)

基于本文的技術(shù)創(chuàng)新研究成果，中國聯(lián)通某省分公司在5G 云網(wǎng)動環(huán)告警場景中對本文提出的電信網(wǎng)絡(luò)告警智能壓縮技術(shù)進行了試點驗證。本次試點旨在實現(xiàn)對冗余告警的壓縮和高效精準(zhǔn)的故障根因定位，減少根因故障關(guān)聯(lián)告警工單派發(fā)量，提升故障告警處理效率，減輕運維人員的故障工單處理負擔(dān)，提效降本。

3.2 告警壓縮處理流程

本節(jié)通過實例重點分析5G云網(wǎng)動環(huán)告警場景中，如何對數(shù)據(jù)時空特征的處理、基于GCN 根因定位及根因關(guān)聯(lián)告警集的生成以及算法的實現(xiàn)方式等方面進行適配和改進，從而更有效地解決告警關(guān)聯(lián)壓縮分析問題。實例對省分公司現(xiàn)網(wǎng)環(huán)境共4 周的5G 云網(wǎng)動環(huán)告警數(shù)據(jù)進行了根因關(guān)聯(lián)分析和關(guān)聯(lián)告警壓縮，主要為以下幾個過程。

3.2.1 告警原始數(shù)據(jù)時間特征分析

通過現(xiàn)網(wǎng)一級網(wǎng)管和二級網(wǎng)管采集了4 周的5G云網(wǎng)故障數(shù)據(jù)、全量告警數(shù)據(jù)以及云網(wǎng)資源關(guān)聯(lián)數(shù)據(jù)，并進行了數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)補充、數(shù)據(jù)規(guī)范化等處理。例如剔除關(guān)鍵字段（如告警編碼、告警標(biāo)題、告警設(shè)備等）有缺失的告警數(shù)據(jù)，并根據(jù)業(yè)務(wù)層級和物理意義進行字段定義及格式對齊、數(shù)值歸一化處理等。

在此基礎(chǔ)上進一步進行5G 云網(wǎng)動環(huán)全量告警數(shù)據(jù)的時間特征分析和聚類，剔除關(guān)聯(lián)的聚類項非時間窗口以外的噪聲數(shù)據(jù)，如圖4 所示?；诠こ虒嵺`數(shù)據(jù)分析出相關(guān)告警的發(fā)散期為nmin，則時間窗口為nmin（n一般在10 左右），i=時段寬度/n；當(dāng)i>2 時，針對各個時間段進行時間滑動窗口聚類。

圖4 5G云網(wǎng)動環(huán)全量告警數(shù)據(jù)時間特征分析

3.2.2 告警原始數(shù)據(jù)空間特征分析

將不同索引來源的告警和故障數(shù)據(jù)根據(jù)資源關(guān)聯(lián)關(guān)系進行整合和篩選，基于資源拓撲進行切片處理，把相關(guān)聯(lián)的資源形成切片集獲取切片集相關(guān)資源的告警數(shù)據(jù)，形成告警庫。使用K?Means 算法結(jié)合滑動時間窗口算法，對告警庫的告警數(shù)據(jù)進行聚類處理，形成時空特征融合告警事務(wù)集。5G 云網(wǎng)動環(huán)全量告警數(shù)據(jù)空間特征分析如圖5所示。

圖5 5G云網(wǎng)動環(huán)全量告警數(shù)據(jù)空間特征分析

對于基于故障場景數(shù)據(jù)及通過時間特征和空間特征匯聚后的向量化多層級告警數(shù)據(jù)，通過調(diào)用已構(gòu)建的GCN 算法模型對數(shù)據(jù)進行分析，輸出告警數(shù)據(jù)的根因類型和所在故障節(jié)點。

通過XGBoost 算法分析出告警根因強關(guān)聯(lián)的各層級告警集，并在此基礎(chǔ)上計算根因故障與關(guān)聯(lián)告警的關(guān)聯(lián)度，篩選出根因高相關(guān)度（建議關(guān)聯(lián)度大于0.85）的關(guān)聯(lián)告警集。部分根因關(guān)聯(lián)告警集及關(guān)聯(lián)度樣例數(shù)據(jù)如表1所示。

表1 根因關(guān)聯(lián)告警集及關(guān)聯(lián)度樣例數(shù)據(jù)

3.2.4 通過根因告警壓縮關(guān)聯(lián)告警集派單

基于根因高相關(guān)度關(guān)聯(lián)告警集對非根因告警進行高效壓縮，對同一根因?qū)е碌母鲗蛹壐婢M行匯聚，壓縮為同一根因故障告警，統(tǒng)一合并派發(fā)根因告警處理工單。

3.3 應(yīng)用效果

在某省分公司5G 動環(huán)專業(yè)一個月內(nèi)挖掘有效根因匯聚壓縮規(guī)則9+條，通過基于根因分析故障告警匯聚大大壓縮了符合派單條件的告警數(shù)量，工單量壓縮率（符合派單條件的告警數(shù)量/實際派單數(shù)量）達到31倍以上，大幅減少了人工逐級排查的工作量，縮短了排障時間，提高了工作效能，降低了工作成本，大大減輕了工單處理部門的工作壓力，應(yīng)用成效顯著。部分根因關(guān)聯(lián)告警集壓縮的效果如表2所示。

表2 根因關(guān)聯(lián)告警壓縮效果分析

4 結(jié)論

實際應(yīng)用成效表明，本文提出的融合時空特征的智能根因分析告警壓縮技術(shù)，可有效實現(xiàn)故障精準(zhǔn)定界和告警壓縮、派單壓縮，提升電信網(wǎng)絡(luò)運維的自動化、智能化運維保障能力，同時顯著降低人力投入成本，具有重要的工程應(yīng)用價值和社會經(jīng)濟價值。但現(xiàn)階段仍存在一些問題，例如算法獲得關(guān)聯(lián)規(guī)則可解釋性較差等。為解決該問題，未來可考慮引入知識圖譜等技術(shù)，整合更多的數(shù)據(jù)，包括網(wǎng)絡(luò)性能信息、業(yè)務(wù)狀態(tài)信息、拓撲信息、工單信息等，將規(guī)則進一步擴展沉淀為完整閉環(huán)的知識圖譜，全面關(guān)聯(lián)網(wǎng)絡(luò)告警，準(zhǔn)確定位網(wǎng)絡(luò)故障。