本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：提出一种基于关联规则挖掘算法的 5G 云网告警分析方案，对机器学习算法FP-Growth进行契合5G云网告警场景的改进和应用，利用现网告警数据展开告警关联分析工作，挖掘网元及云侧告警之间的关联关系，并进行告警压缩和收敛，为 5G 云网故障分析和定位提供有效帮助。此外，基于实际告警数据对Apriori和FP-Growth算法的性能进行了比较，结果表明，FP-Growth关联规则挖掘算法与Apriori相比效率更高，更适合海量数据场景下的告警关联分析。
关键词：5G 核心网；关联分析；机器学习；FP-Growth；Apriori
doi：10.12045/j.issn.1007-3043.2022.06.013
概述
与4G相比，5G核心网架构更加零散化、基础设施云化、网元功能虚拟化等，这使得各个网络功能能够独立地扩容和演进，并能方便地按需部署。这样的网络架构更加灵活和高效，可以满足不同业务场景的需求，但是 5G 核心网的网元种类数增多（图片见正文），每种网元有多种微服务，5G 核心网 CT 云机房内有 ToR 交换机、EoR交换机、DCGW路由器和物理服务器等多种类型的设备，承载网元功能的又有多种虚机和主机，造成 5GC云网告警数目剧增且种类繁多，故障分析场景复杂，定位困难。如何在海量告警之中进行关联性分析和故障定位，缩短根因定位时间，提高故障处置的及时性和有效性，同时进行告警压缩，减少派单，降低人力成本，成为亟待解决的问题。
在上述场景下，关联分析成为帮助解决告警关联和故障原因定位问题的有效手段。关联规则挖掘能够从数据集中发现项与项之间的关联关系，并从中提取出符合一定条件的强关联规则进而指导业务。典 型 算 法 有 Apriori 算法和 FP-Growth 算法，Apriori算法基于广度优先，需要多次扫描数据集获取频繁项集，且会产生大量的候选集，算法效率较低。FP-Growth 算法基于深度优先，通过压缩数据集构造频繁模式树 FP-Tree，通过提取树的频繁项集可以有效减少对数据库的扫描，极大提高运算效率。本文提出基于关联规则挖掘算法的5G云网告警分析方案，对FP-Growth 算法进行契合 5G 云网告警场景的改进和应用，通过实例分析介绍FP-Growth算法挖掘5G云网告警关联规则的原理以及结果，同时利用现网告警数据将 FP-Growth 与 Apriori 算法的性能及效率进行对比。该方案对5G云网告警进行清洗整合，通过关联规则挖掘算法分析不同告警之间的关联关系，得到告警关联规则，结合专家对关联规则的解释、筛选和打标，完成5G云网告警关联规则库的构建，将该告警关联规则库用于日常派单时的告警压缩及故障发生时的告警分析和问题定位，从而降低人力分析成本，提高事件处置效率，提升网络运行维护智能化水平。
