随着大数据时代网络复杂性不断提升,面对海量非结构化数据,传统运维处理面临智能化和监控可视化的诸多问题。针对研究数据现网告警、工单数量大、故障原因定位困难的痛点,依据现网历史告警和故障定位工单数据,通过机器学习的手段建立故障根因分析模型,提出适应于特定应用场景的智慧网络数据流异常检测算法,快速定位故障原因,从而减少实际排单数量并进行优化策略派单,提升网络运维效率,提升整个运维系统的鲁棒性。本文以业务应用运维系统中异常根因定位分类为研究内容,基于文本数据展开研究,实验部分主要工作如下:1.在特征数据挖掘阶段,提出了一个基于时间序列和基于空间(在实验数据上可以理解为基站ID)的文本序列挖掘框架,对基于时间序列的文本挖掘进行了五个方面的TF-IDF向量化,对基于时间序列的文本挖掘进行了告警方面的word2vec的词向量化;对基于空间序列的文本挖掘进行了基站方面的word2vec的词向量化。从数据本身与数据统计方面提升挖掘模式,充分预测分类。2.利用word2vec做词嵌入式捕捉时间性和空间性序列特征并且依据不同的序列挖掘信息进行了TF-IDF和word2vec相结合,命名为tf-idf word2vec将文本信息在整体与局部信息相结合,有效的解决了两者算法的局限性,并在模型上得以验证。3.建模阶段,基于时间与基于空间提出的序列挖掘对算法CatBoost、SVM、RF做实验对比,CatBoost表现更优。其次基于tf-idf word2vec特征改变对比了CatBoost模型和加权CatBoost模型,模型AUC提升,证明了本文基于时间与基于空间提出的序列挖掘特征对于分类算法的构建在实际文本运维场景下的可行性。最后在基于加权CatBoost,模型在自定义评价指标上获得了更好的分数,实验思想得以验证。