數(shù)據(jù)挖掘技術(shù)在移動(dòng)通信網(wǎng)絡(luò)告警管理中的研究與應(yīng)用-文庫(kù)吧資料
2024-09-16 02:45本頁(yè)面
【正文】 ?惴 ā???惴 ā???惴 ā?????算法還是其他層次 算法，都有一個(gè)共同的缺陷，在局部貪婪策略的基礎(chǔ)上沒(méi)有全局最優(yōu)化目標(biāo)函數(shù)， 無(wú)法保證最后的聚類結(jié)果為全局最優(yōu)。該算法的代 價(jià)函數(shù)同樣計(jì)算簇間相似度，但該相似度舍棄了節(jié)點(diǎn)間距離計(jì)算方法，而用不同 簇間共同鄰居數(shù)取而代之。 但是，隨機(jī)抽樣方式對(duì)枚舉型數(shù)據(jù)處理能力比較差， ??算法同樣如此。 ??算法的代價(jià)函數(shù)中，距離的計(jì)算方法舍棄了質(zhì)心方式，而是采用一組 點(diǎn)，利用多個(gè)對(duì)象取代一個(gè)對(duì)象，這樣就很大程度上減少了由于質(zhì)心選取不當(dāng)帶 來(lái)的偏差問(wèn)題。 ??? 惴ㄒ ? 肓肆礁 鮒匾 8拍睿壕劾嗵卣 ??? 途劾嗵卣魘 ?? 兩個(gè)參數(shù)決定。 凝聚的層次聚類算法與之正好相反，算法首先將所有對(duì)象封裝成一個(gè)個(gè)單獨(dú) 不能合并停止。蚄． ???? 惴 ǖ娜鋇悖珻 ??? 算法【 ? 】提出了新的采 樣技術(shù)，它將之與 ? 甅 ??? 算法結(jié)合起來(lái)，搜索過(guò)程中，每一個(gè)子過(guò)程都抽取 一個(gè)隨機(jī)樣本，不局限于單一樣本。根據(jù)隨機(jī)性抽 樣理論，當(dāng)樣本抽取方式非常隨機(jī)時(shí)，部分可以 取代整體。 在 ? 甅 ?? 算法和 ? 狹 ??? 算法之前，圍繞中心點(diǎn)劃分算法 ???????? ??? ?????? 彩荎中心算法之一。如果告 ?￡ ?????， ≤?時(shí)，必有 ??婢 ?鈉 ?蜆叵擔(dān) ????泄叵擔(dān)捍嬖巹埽 ?≤?，{彳， ?蔆 ?彳， ≠?，如 的窗口中出現(xiàn)的比率定義為口的支持度，口的支持度表示為： ∞枷叫一班策器 ??主要聚類算法分類 ????。告警情景中包含告警事件的 個(gè)數(shù)定義為情景長(zhǎng)度，記為 ?。數(shù)據(jù)挖掘中的聚類分析技術(shù)、關(guān)聯(lián)規(guī)則過(guò)濾技術(shù)等，能 成功的消除大部分的冗余告警、挖掘出告警數(shù)據(jù)之間的相關(guān)性，提高故障分析和 處理速度與效率。而且，用決策規(guī)則幾何的形式，粗糙集 方法還可以表示最重要屬性和特定分類之間的所有重要關(guān)系。 模糊和不精確性問(wèn)題的新型數(shù)學(xué)工具【 ?】；重要的分類問(wèn)題、屬性的約簡(jiǎn)、屬性的 最小子集、去掉冗余對(duì)象等都是粗糙集方法能解決的問(wèn)題。 ??亓 9嬖蜆檳煞椒 ?。栽忔则库中，i ???規(guī)則是最有價(jià)值的，而關(guān)聯(lián)規(guī)則 相同。但是，該方法也存在一定問(wèn)題，對(duì)噪聲數(shù)據(jù)過(guò)于敏感、不 能增量接受訓(xùn)練樣本、不能處理連續(xù)值屬性等等。目前國(guó)際上最有影響力的決策樹(shù)方法主流為 ??惴 ā??，以 種。網(wǎng)絡(luò)故障的定 位檢測(cè)、嚴(yán)重故障的預(yù)測(cè)等都能用上這些有價(jià)值的規(guī)則。 基于歷史告警數(shù)據(jù)，總結(jié)告警相關(guān)性規(guī)則是數(shù)據(jù)挖掘在通信領(lǐng)域中最典型的應(yīng)用 之一。但是，模糊邏輯分析 不具備通用性，系統(tǒng)過(guò)于復(fù)雜，其邏輯規(guī)則可能非常復(fù)雜。而且，電信領(lǐng)域發(fā)展速度 飛快，網(wǎng)絡(luò)設(shè)備、 配置變更時(shí)間非常短，網(wǎng)絡(luò)模型越詳細(xì)，模型就越脆弱，過(guò)時(shí)的時(shí)間也就越短。過(guò)去的經(jīng)驗(yàn)也被該系統(tǒng)拋棄，演繹推理完全從頭開(kāi)始， 過(guò)于浪費(fèi)。 該方法最大的優(yōu)點(diǎn)便是其工作過(guò)程符合人的思維方式，便于理解，但缺點(diǎn)也 很明顯，該系統(tǒng)需要存儲(chǔ)大量的規(guī)則，如果規(guī)則數(shù)量達(dá)到一定規(guī)模，規(guī)則庫(kù)的維 護(hù)將付出巨大的代價(jià)。而已知的告警規(guī)則則存儲(chǔ)在相關(guān)性規(guī)則區(qū)。規(guī)則的具體形式與人類思 維相似： ? 該方法的工作原理很容易理解，利用規(guī)則分析系統(tǒng)，將網(wǎng)絡(luò)實(shí)時(shí)告警信息與 規(guī)則庫(kù)中的規(guī)則進(jìn)行匹配，匹配建立，則可以較為準(zhǔn)確的判定故障原因。通過(guò)貝葉斯網(wǎng)絡(luò)分析 告警相關(guān)性，則能克服這種不確定性。 在大型復(fù)雜通信網(wǎng)絡(luò)中，告警事件大量產(chǎn)生，很可能發(fā)生部分丟失，一旦通 信線路發(fā)生波動(dòng)，網(wǎng)管中心收集到的相關(guān)性告警事件就可能不完全，也就無(wú) 法建 立確定性。在通信網(wǎng)絡(luò)的實(shí)時(shí)故障管理中， 基于模型的系統(tǒng)運(yùn)用較為廣泛，諸如網(wǎng)絡(luò)拓?fù)洹⒕W(wǎng)元類型以及其中的關(guān)系限制等 網(wǎng)絡(luò)結(jié)構(gòu)、告警的動(dòng)態(tài)相關(guān)性等行為均被建模。 ?海 ????，可以得出 ???琣：， ?，吼 ???根據(jù)告警事件集合 其形式化表示為： ?冢 ??口 ?鞨 ?菸 ??綣 ?婢疧 ?鬧擋輝諍戲ㄖ滌騂中，則 數(shù)據(jù)挖掘技術(shù)在移動(dòng)通信網(wǎng)絡(luò)告警管理中的研究與應(yīng)用 解決問(wèn)題的策略有很多，基于事例推理是其中之一。這就導(dǎo)致了故障原因的多樣性和復(fù)雜 圖 ??思科告警信息圖 ??告警相關(guān)性分析 關(guān)于網(wǎng)絡(luò)告警的相關(guān)性分析，可以給出如下定義： 兩個(gè)定義從不同角度闡述了告警相關(guān)性，目前還沒(méi)有統(tǒng)一的結(jié)論。 在故障管理中，諸如子系統(tǒng)、設(shè)備或軟件模塊等各個(gè)網(wǎng)元，都有可能產(chǎn)生告 在實(shí)際的大型通信網(wǎng)絡(luò)中，網(wǎng) 絡(luò)是分層的，當(dāng)?shù)蛯拥木W(wǎng)元產(chǎn)生異常發(fā)出告警 信息時(shí)，這些告警信息需要經(jīng)過(guò)大量的傳遞并最終送到網(wǎng)管中心。查找故障原因，根據(jù) 告警信息以及知識(shí)庫(kù)進(jìn)行故障的分析與診斷則屬于故障診斷的范疇。實(shí)際上，日常生活中的網(wǎng)絡(luò)，主要由無(wú)線接入網(wǎng)和骨 干網(wǎng)組成，無(wú)線接入網(wǎng)通過(guò)基站與骨干網(wǎng)相連。 電信網(wǎng)絡(luò)主要有兩種：固定網(wǎng)絡(luò)、移動(dòng)網(wǎng)絡(luò)。 通常對(duì)告警相關(guān)性分析是通過(guò)人工統(tǒng)計(jì)分析出相關(guān)規(guī)則，然后再將這些規(guī)則 應(yīng)用到相關(guān)性分析系統(tǒng)中。 ??本文結(jié)構(gòu) 算法，實(shí)現(xiàn)了該算法，并用湖南移動(dòng)的告警數(shù)據(jù)庫(kù)進(jìn)行了實(shí)驗(yàn)，對(duì)算法進(jìn)行了評(píng) 估與評(píng)價(jià)。 數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù) 據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信 息和知識(shí)的 ??國(guó)內(nèi)外研究現(xiàn)狀 ??? 輸入、輸出、過(guò)濾、延遲、技術(shù)、組合、更改等功能，能實(shí)現(xiàn)告警相關(guān)性的分析 快速、高效的挖掘算法，無(wú)疑是關(guān)聯(lián)規(guī)則挖掘的核心，關(guān)聯(lián)規(guī)則挖掘算法最 數(shù)據(jù)挖掘技術(shù)在移動(dòng)通信網(wǎng)絡(luò)告警管理中的研究與應(yīng)用 本文以移動(dòng)公司中網(wǎng)絡(luò)告警數(shù)據(jù)庫(kù)為基
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1