[发明专利]基于关键告警集和监督分类的电力通信网故障定位方法

说明书

本发明提出一种基于关键告警集和监督分类的电力通信网故障定位方法。该方法适用于通信网中网络设备或网络链路的故障定位，特别是大规模网络瘫痪下的定位场景。方法首先通过故障告警信息收集和拓扑分析将网络划分为告警区域和正常区域，抽取包括割边链路集和边缘告警集的关键告警集，接着将网络故障定位问题转化成一系列二元分类问题，并采用基于监督分类学习的方法，将告警信息作为输入，经由以故障诊断数据库中的标准化故障源‑故障告警码记录为训练样本的分类器，得到疑似故障源。最后基于第一步的关键告警集和第二步的初步故障定位结果，去除低概率故障源并添加相应的猜测故障源以匹配当前的故障告警症状、修改并完善故障定位结果，提高故障定位的准确性。

技术领域

本发明涉及一种基于关键告警集和监督分类的电力通信网故障定位方法，特别是涉及电力通信网络的故障定位方法和系统。

背景技术

电力通信网具有规模大、结构复杂等特点，这给故障发生时及时准确地查明故障源带来了挑战。当网络中出现个别故障告警时，利用现有的网络管理和监控手段可以较容易地定位故障源。而当在网络中监测到大量故障告警信息时，往往已经出现了较严重的网络连通性问题，且并不是每条告警信息都意味着对应的网络设施发生了故障，一些处于关键位置的网络节点或网络链路的故障可能引发大面积的故障告警，如何从大量的告警信息中定位真正的故障源，是本专利提出的故障定位算法旨在解决的问题。目前主流的自动化故障定位算法如下：

(1)基于故障传播模型的贝叶斯网络故障定位方法，该种算法通过识别网络故障和告警信息之间的关联解决故障定位问题，以概率边表示故障源和故障告警间的关系并用条件概率求得能够解释当前故障告警的最大概率的故障源。这种方法的问题在于其本身为NP难问题，算法复杂度太高。在改进的启发式算法中，算法对于每个故障告警找出所有能够产生该症状的故障源并计算其概率，将所有的情况概率从高至低排列并依次选择加入故障源直到故障源能够解释当前的故障告警为止。改进的算法提高了效率，却丢失了一部分故障-告警的概率信息且解不保证最优，使得故障定位的结果可能偏离实际情况。

(2)基于案例和模式匹配的故障定位方法，该方法通过分析故障案例数据库归纳出故障-告警事件树和代码簿等匹配模型并用组合的方式进行故障定位。这种方法要求故障与告警之间存在确定性的模型结构，然而在本专利所述的场景中故障与告警之间的映射关系并非是不变的(取决于监测设备在网络中的位置、故障源在网络中的位置和故障源的数目等因素)，且在故障定位中忽视了疑似故障带来的影响，降低了该方法实际定位效果。

(3)基于神经网络的故障定位方法，该方法采用神经网络实现将故障告警关联到故障源规则的建立过程，对于采集到的告警信息，通过具有多个隐层的神经网络推理机得到结果并由解释器定位到网络中的特定位置。基于神经网络方法的定位效果完全取决于隐层的数目和各层间的权值，其缺点在于内在的结构缺陷难以被控制，无法保证定位的效果。

现有故障定位方法主要依靠对告警信息的合并、关联、逐渐缩小故障源范围来达到故障定位的目的，忽视了故障源在拓扑中的位置以及不同故障的组合可能引发的故障告警间的关系，降低了故障定位的准确性。

发明内容

本发明要解决的技术问题是提供一种基于关键告警集和监督分类的电力通信网故障定位方法。

本发明是通过以下技术方案来实现的。

一种基于关键告警集和监督分类的电力通信网故障定位方法，步骤包括：

(1)通过监测网络中的设备状态和捕获异常信息，监测设备发送标准化格式后的网络告警信息；

(2)通过拓扑分析划分告警网络区域和正常网络区域，抽取包括割边链路集和边缘告警集的关键告警集；

(3)以故障源-故障告警历史信息构建故障诊断案例知识库；