[发明专利]一种基于词嵌入和DTW的报警泛滥序列相似性分析方法

权利要求书

1.一种基于词嵌入和DTW的报警泛滥序列相似性分析方法，其特征在于：包括以下步骤：

S1：提取报警泛滥序列；

S2：基于词嵌入，对所述报警泛滥序列进行结构化表示；

S3：基于DTW，对结构化表示后的报警泛滥序列进行序列距离计算；

S4：根据所述序列距离进行归一化处理，得到报警泛滥序列的相似度；

S5：根据所述相似度，利用聚类算法的聚类错误率作为相似性分析结果的评价指标，以此完成对报警泛滥序列的相似性分析。

2.如权利要求1所述的一种基于词嵌入和DTW的报警泛滥序列相似性分析方法，其特征在于：步骤S1中，从报警事件日志中提取报警泛滥序列F：

F＝[w₁，w₂，…，w_m，1≤m≤M]

其中w_m表示F中第m个报警，M表示报警泛滥序列的长度。

3.如权利要求2所述的一种基于词嵌入和DTW的报警泛滥序列相似性分析方法，其特征在于：在提取之前需要进行预处理，预处理过程如下：

a)时间戳和日志格式的检查：所有的时间戳和日志格式都需要统一；

b)减少抖振报警：加入延时定时器，以避免误识别报警泛滥。

4.如权利要求1所述的一种基于词嵌入和DTW的报警泛滥序列相似性分析方法，其特征在于：步骤S2中，利用Word2vec算法中Skip-Gram模型来实现报警泛滥序列的结构化表示，该模型由输入层、隐藏层和输出层三层构成，对于一段报警泛滥序列[w_t-3，w_t-2，w_t-1，w_t，w_t+1，w_t+2]，是通过目标报警w_t来预测前后报警[w_t-1，w_t+1]出现的概率。

5.如权利要求4所述的一种基于词嵌入和DTW的报警泛滥序列相似性分析方法，其特征在于：所述隐藏层位于输入层和输出层之间，该隐藏层使用神经网络进行训练，得到隐藏层的权重值，通过训练后的Skip-Gram模型，得到包含全部词向量的权重矩阵W。

6.如权利要求5所述的一种基于词嵌入和DTW的报警泛滥序列相似性分析方法，其特征在于：通过公式V＝ωW，由输入层到隐藏层，用于提取报警泛滥序列中的目标报警，其中，W为权重矩阵，包含了所需要的全部词向量，V表示获取的词向量，ω表示输入层输入报警信号的独热编码。

通过公式U＝VW′由隐藏层到输出层，W′表示前后报警矩阵，W′与V相乘后得到V与报警泛滥序列中所有报警的内积组成的向量U，U＝[Vu₁，Vu₂，...，Vu_v]，Vu_x表示目标报警与第x个报警之间的相似度。