【摘 要】
：
随着我国通信技术的高速发展,通信网的规模不断扩大,复杂度也随之提高,网络中任何设备发生故障都可能导致与之关联的设备一同产生告警,从而引发越来越多的告警数据,这样的情况使得运营商网管人员无法及时且准确地定位故障,为通信网的维护带来很大困难。对通信网进行故障预测可以及时排查网络问题,提升网络运维效率,对通信网管理有着至关重要的意义。论文针对传统通信网故障预测方法缺乏灵活性、精度低的问题,将告警相关性分
【基金项目】
：
中国电信集团系统集成有限责任公司的"大客户告警数据分析"；
论文部分内容阅读
随着我国通信技术的高速发展,通信网的规模不断扩大,复杂度也随之提高,网络中任何设备发生故障都可能导致与之关联的设备一同产生告警,从而引发越来越多的告警数据,这样的情况使得运营商网管人员无法及时且准确地定位故障,为通信网的维护带来很大困难。对通信网进行故障预测可以及时排查网络问题,提升网络运维效率,对通信网管理有着至关重要的意义。论文针对传统通信网故障预测方法缺乏灵活性、精度低的问题,将告警相关性分析用于网络故障预测,开展了通信网告警相关性分析与故障预测研究工作。论文选题来自中国电信集团系统集成有限责任公司的“大客户告警数据分析”项目。论文主要工作内容包括:1)针对传统通信网告警相关性分析方法无法适应复杂多变的网络结构的问题,提出了一种基于数据挖掘的告警相关性分析方法。本文基于告警新鲜度即告警发生时间对告警进行灵活的权重分配,提出了动态加权序列模式挖掘（Dynamic Weighted Sequential Pattern Mining,DWSPM）算法用于通信网告警相关性分析,实现了告警权重根据告警新鲜度进行自适应调整,此外引入最小权重阈值对DWSPM算法的剪枝过程进行约束。实验结果表明,本文所提DWSPM算法能够大幅减少执行时间、提高执行效率,为通信网故障预测模型提供了可靠的数据集。2)针对已有通信网故障预测方法缺乏数据深度挖掘能力的问题,提出了基于样本均衡与特征交互的通信网故障预测方法。本文首先将基于Wasserstein距离的梯度惩罚生成对抗网络（Wasserstein Generative Adversarial Networks-Gradient Penalty,WGAN-GP）模型用于生成新的少数类样本,解决了告警数据集存在的样本不平衡问题;进一步,本文提出基于记忆的特征生成卷积神经网络（Memory based Feature Generation by Convolutional Neural Network,M-FGCNN）模型用于通信网故障预测,该模型基于多层感知器（Multi-Layer perceptron,MLP）和卷积神经网络（Convolutional Neural Networks,CNN）加强特征间交互,并利用告警领域专家经验基于因子分解机（Factorization Machine,FM）模型生成新的告警特征,同时,通过在模型的嵌入矩阵中加入记忆向量并修改了模型的损失函数加强了模型的记忆性。通过在不平衡公开数据集上进行实验,验证了 WGAN-GP模型相比已有样本均衡方法能够生成质量更好的新数据。进一步,在真实告警数据集上验证了所提M-FGCNN模型相比其他深度学习模型具有更好的故障预测性能。
其他文献
随着网络社交的普及,网络谣言会对社会造成非常大的影响。如何准确识别网络社交平台上的谣言对维护社会的秩序显得尤为重要。现阶段对于网络谣言主要是通过传统的机器学习方法或基于深度学习的模型进行检测,这些方法受评论的指向性问题和因序列过长导致的特征不完整问题的影响,对于网络谣言的判别还未能达到比较高的准确率。本文针对上述问题提出了网络谣言检测中相应的改进方法,并使用预训练模型进行微调来加快模型的收敛,在一
当今时代,互联网和云计算的蓬勃发展让数据中心扮演着非常重要的角色。数据中心网络因为可靠性和健壮性的要求,服务器间拥有多条路径,但是传统的数据中心网络拥塞控制机制无法充分利用这些可选路径,也无法有效地解决数据中心的拥塞问题。所以软件定义网络（Software Defined Networks,SDN）网络架构逐渐在数据中心网络中被广泛地使用。SDN可以获取网络的全局信息,更好地监测网络状况并且制定拥
视频信息为车辆的智能化和网联化提供了丰富的信息,视频数据中包含的信息需要通过内容理解与分析来获取,这使车联网视频内容的理解与分析逐渐成为一种趋势,提高视频内容理解的精度成为推进车联网发展的重大挑战。同时移动边缘计算（Mobile Edge Computa-tion,MEC）的发展为车辆提供了大量的计算资源,弥补了车辆计算能力的不足,因此如何利用移动边缘计算来提高视频内容理解精度成为重要的问题。车联
无人机、自动驾驶等越来越多的领域都需要设备小型化和功能多样化,并且需要同时具有雷达传感功能和通信功能,这产生了对雷达和通信一体化设计的强烈需求。同时随着雷达系统和通信系统的快速发展,两者不仅在运行频段上逐渐产生了重合,并且在系统结构上也出现了很多相似点,这让实现雷达通信一体化系统成为了可能。本文研究了基于正交频分复用（Orthogonal Frequency Division Multiplexi
近几年来,在人脸识别领域,基于深度学习的人脸识别的性能比人类还要好,并且已经被广泛应用到很多现实场景中,如手机解锁、机场安检等。因此,研究真实世界中人脸识别模型的安全问题尤为重要。ArcFace作为性能堪比商业级人脸识别系统的开源模型,部分学者已经验证并实现了在真实世界中对该模型的白盒逃逸攻击,但暂未验证是否可以实现难度更高的白盒模仿攻击。本文为探究上述问题,以基于ArcFace模型的人脸验证系统
行人检测是计算机视觉领域的一项重要任务,其在车辆辅助驾驶、视频监控、智慧交通以及智能机器人等领域都有着巨大的研究价值和应用前景。近年来,基于卷积神经网络的行人检测算法快速发展,行人检测模型的性能不断提升。然而,高精度的行人检测模型往往存在模型体积较大、计算成本较高和检测实时性差等问题,难以适应行人检测各种应用场景的要求。本研究旨在提高行人检测算法的检测精度与速度,并结合模型压缩技术降低模型的部署成
中国移动通信技术的显著进步使得基于无线定位的位置服务（LBS）有了更大的发展空间。相较于GPS等卫星定位系统,基于无线网络的终端无线定位具有成本低、方便快捷的优势,并且在紧急救助、网络优化等领域以及疫情防控方面都有着突出的表现。本文主要研究基于指纹库和无线测量报告（MR）的室外用户定位问题,并设计开发出一个用户定位系统。具体地,本文针对指纹库定位中离线阶段指纹库的快速高效建立和在线阶段更加合理准确
在现代通信中,认知无线电展现出了其强大的生命力。将认知无线电与自组织网络相结合,既符合认知无线电的特点,也符合自组织网络的要求,于是认知自组网（Cognitive Radio Ad Hoc Networks,CRAHNs）的概念就此诞生。认知自组网由于其强大的适应性,可以被用在各种网络场景中,例如抗震救灾网络、物联网等。其动态的网络拓扑结构是影响其网络性能的重要因素。故而,研究认知自组网的网络拓扑
基于中餐图像识别的研究一直是计算机视觉领域的热门研究方向,未来将在智能家居、智慧医疗健康等领域具有很好的应用前景。随着深度学习的蓬勃发展,中餐图像识别发展迅速,但由于中餐图像的复杂性和背景噪音等问题,如何高效准确地提取中餐图像关键语义特征、对多目标中餐图像精确高效检测、基于图像对食物进行热量预测等问题仍然是一个巨大的挑战。针对这些问题,本文的主要研究工作如下:针对单目标中餐图像识别问题,提出一种基
第五代移动通信（5G）系统承诺为用户提供大容量、低时延和超高可靠的通信服务,然而在高速铁路、商用航空等高速移动场景下,5G给人们带来的实际体验却差强人意。究其原因,主要是由于通信终端或散射体高速移动所致的多普勒问题易造成严重的时间选择性衰落,进而恶化系统的误码性能并降低通信容量。针对以上问题,本文通过研究高速移动场景中的5G链路级增强技术,提出对抗多普勒扩展的有效方案以显著提升时变信道的通信质量。