[发明专利]一种基于网络拓扑和告警的网络故障根因定位方法

说明书

本发明提供一种基于网络拓扑和告警的网络故障根因定位方法，先对一个系统集群输出的冗长告警序列进行预处理，然后了利用机器学习算法判断是否存在根因，通过离线构建好的贝叶斯网络计算概率最高的故障类型，并与挖掘出的过滤规则相结合得出故障诊断结论。本发明改进了原有的基于故障传播模型的故障定位方法，使用贝叶斯网络，并与SVM Classifier，规则挖掘等方法相结合，有效提高整体效率并保持准确率。

技术领域

本发明涉及一种基于网络拓扑和告警的网络故障根因定位方法，属于故障定位领域。

背景技术

随着信息技术的快速发展，计算机网络日趋复杂，故障定位技术作为网络管理的核心一直是研究的热点。由于网络的互联性，网络故障存在着一定的关联，而计算机网络故障定位则是需要依据事件的相互关系，从多个故障事件中定位故障源。而在大型的网络系统中，网络拓扑中一个节点出现故障，往往会导致与其相连的其他节点也发生异常，进而产生大量告警将真正根因淹没掉。

有关贝叶斯网络在网络故障根因中的定位早有研究，由于贝叶斯网络结构学习和概率推算都是NP-Hard问题，很难在多项式时间内得出结果。一旦一个系统的告警信息呈现出多元化的倾向，那么判断时间就会急剧增加，大大影响运行效率，因此很难应用在实际场景中。

发明内容

为解决现有技术中的不足，本发明提供一种基于网络拓扑和告警的网络故障根因定位方法，改进了原有的基于故障传播模型的故障定位方法，使用贝叶斯网络，并与SVMClassifier，规则挖掘等方法相结合，有效提高整体效率并保持准确率。

本发明中主要采用的技术方案为：

一种基于网络拓扑和告警的网络故障根因定位方法，其特征在于，具体构建步骤如下：

S1:分析系统产生的不同原告警序列中告警信息特点以及网络拓扑信息，找出所有故障并进行编码，同时根据告警信息特点和网络拓扑信息对数据进行预处理；

S2:从预处理的数据中提取或变换出主要因素，并根据主要因素构建并训练SVM分类器，用于判断原告警序列中有无根因；

S3:根据预处理的数据以及网络拓扑信息，通过挖掘告警信息关系，去除噪声关系之后，得到贝叶斯网络有向图结构；

S4:统计告警信息，进行贝叶斯网络参数学习，得到完整的贝叶斯网络，由贝叶斯网络计算每种告警成为根因的概率值；

S5:通过规则挖掘算法(Apriori算法)，挖掘过滤一段原告警序列中不是根因的告警计算出每种告警成为根因的概率值；

S6:根据步骤S4中贝叶斯网络计算的每种告警成为根因的概率值和S5过滤规则算法计算出的计算出每种告警成为根因的概率值，通过一定比例将两者加权相加，即可得出各个告警为根因的概率，输出概率值最大的故障编码，通过数据预处理部分的编码，找到根因告警信息，将其代入到去除过噪声的告警序列中，找到发生该故障的根因节点。

优选地，所述步骤S1的数据预处理具体步骤如下：

S1-1：分析系统产生的不同原告警序列中告警信息特点以及网络拓扑信息，用大写字母给合并后的告警信息编码，同时，给故障类型进行编码，一个初因告警对应一种故障类型；

S1-2:对经步骤S1-1处理后的原告警序列进行去除噪声处理，结合已知的网络拓扑关系，删除告警序列中的孤立节点及其涉及的告警信息；若一个节点发出了多种告警，删除出现次数占比小于5×10^-3的告警。

优选地，所述步骤S2中SVM分类器的具体构建方法如下：

S2-1:通过数据分析的手段以及计算机网络专家知识，找到反映告警序列的主要因素，包括：不同节点不同告警信息的次数；告警序列密度，即预处理前告警序列长度与告警列持续时间之比；初因告警密度，初因告警所占告警总数量比重；