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：分析了当前电信网络告警关联和压缩技术发展趋势和面临问题，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。
关键词：时空特征融合；根因分析；告警关联；告警压缩
doi：10.12045/j.issn.1007-3043.2023.07.016
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。Aprior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，本质上是一种深度优先搜索算法。基于上述典型的聚类算法开发，业内进行了很多电信告警关联规则的挖掘应用，也有很多系统基于大数据技术进行电信告警关联规则的挖掘实现。但以上告警关联分析技术中都或多或少存在如下2个问题。
a）由于在告警关联分析过程中缺乏对全量的原始告警数据时空特征的融合分析，重要的告警信息被噪声告警淹没会导致漏报，大量噪声告警数据的混杂同样会导致误报。很多在时间、空间维度上都毫无关联的原始告警数据堆积在一起，导致真实的告警关联关系很难被洞察或无法被算法挖掘出来，尤其是对聚类算法的计算效率和收敛性带来很大的影响，直接导致告警关联分析结果的准确性降低。
b）当前对告警数据关联的分析过程中，缺乏对告警根因分析的高效结合。通常的聚类算法只简单反应了一般性数据的关联性，没有考虑告警间的业务关系特点，例如网络不同层级的各类告警，从业务拓扑来看源自于同一个根告警。频繁项集包含过多次生告警关系项，干扰了关联关系的判断。上述研究中提到的算法方案很难分析出告警事件的关联根因，无法实现告警数据的进一步高效压缩。所以，研究如何通过各层级告警的根因智能分析定位，实现对不同层级的告警高效收敛和压缩具有重要意义。
针对以上问题和需求，本文提出了一套网络告警智能分析和压缩的综合解决方案。方案利用时空特征数据预处理技术，高效过滤掉无关联的噪声告警数据，并在此基础上提出应用 GCN 和 XGBoost 这 2 种算法的融合模型进行根因智能分析定位。根据根因分析结果发现和清除衍生关联告警集，实现各层级各类告警数据的智能关联压缩，从而有效减小告警派单量，提升告警处理质量和效率。
