導(dǎo)語：網(wǎng)絡(luò)故障管理告警分析論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1故障管理是現(xiàn)代電信網(wǎng)管理的5大功能之一，故障管理是網(wǎng)絡(luò)管理的一個重要組成部分,故障管理的智能化是故障管理追求的目標，也是復(fù)雜、高速網(wǎng)絡(luò)高可靠性、高生存性的必然要求。

網(wǎng)絡(luò)管理員面對通信網(wǎng)絡(luò)中產(chǎn)生的大量告警信息，往往很難從中找出故障的真正原因，從而無法快速實施故障修復(fù)和障礙排除。對于故障管理來講，其難點就在于故障診斷和定位。為了更好的解決故障診斷定位問題，需要對所接收的告警信息進行分析和處理，以便能更好地完成故障管理的任務(wù)。

為了更好的把故障管理的智能化的思想運用到通信網(wǎng)絡(luò)中，以解決大型通信網(wǎng)中大量的告警信息，本文將首先介紹幾種具有代表性的故障管理告警關(guān)聯(lián)技術(shù)，并通過對比分析這幾種方法，選擇將基于規(guī)則和實例的關(guān)聯(lián)分析方法相結(jié)合，進而來分析告警信息，從而使故障的定位更加準確。

2基本概念

在網(wǎng)絡(luò)管理領(lǐng)域，故障是人們對服務(wù)中出現(xiàn)問題的感知，尤其是用戶的感知。故障是產(chǎn)生告警事件的原因。告警是當檢測到錯誤或異常狀態(tài)時產(chǎn)生的特定類型的通知。但它只是表明可能有故障發(fā)生，并不一定有故障發(fā)生。當網(wǎng)絡(luò)中出現(xiàn)故障時，會引發(fā)一系列告警，但并不是所有告警都表明故障原因，所以需要對網(wǎng)絡(luò)中發(fā)生的告警事件進行相關(guān)性分析，確定產(chǎn)生故障的根本原因。

告警相關(guān)性分析是指對告警進行合并和轉(zhuǎn)化，將多個告警合并成一條具有更多信息量的告警，確定能反應(yīng)故障根本原因的告警，準確定位故障[1]。

3幾種告警關(guān)聯(lián)技術(shù)

3.1基于規(guī)則的推理

基于規(guī)則的推理又稱為基于規(guī)則的專家系統(tǒng)、專家系統(tǒng)、產(chǎn)生式系統(tǒng)和黑板系統(tǒng)等，它是最早出現(xiàn)的一種事件關(guān)聯(lián)技術(shù)。

這種方法的特定領(lǐng)域的知識包含在一組規(guī)則集中，而與特定情況相關(guān)的知識構(gòu)成了事實。每個基于規(guī)則的系統(tǒng)都有一個控制策略，決定應(yīng)用規(guī)則的次序。例如，當結(jié)束條件已經(jīng)被滿足，則停止計算[1]。

3.2基于事例的推理

基于事例的推理是通過直接利用過去的經(jīng)驗和方法，來解決給定的問題。事例是以前遇到并已經(jīng)解決的特定問題。基于事例的推理是將過去成功的事例存入事例庫；遇到新問題時，在事例庫中尋找類似的過去事例，利用類比推理方法得到新問題的近似解答；再加以適當修改，使之完全適合新問題。事例庫的維護主要是按著名的遺忘曲線理論，即長期不用的信息將會被遺忘，所以要刪除長期不用的事例。

3.3基于模型的推理

在基于模型的推理系統(tǒng)中，每個被管對象都有一個模型與之相對應(yīng)。一個模型實際上就是一個軟件模塊。處于網(wǎng)絡(luò)管理系統(tǒng)中的事件相關(guān)器建立在面向?qū)ο蟮哪Ｐ椭?，模型之間的協(xié)作形成事件關(guān)聯(lián)。網(wǎng)絡(luò)管理系統(tǒng)和被管網(wǎng)元之間的通信是通過事件關(guān)聯(lián)器和每個被管網(wǎng)元的模型之間的通信實現(xiàn)的，被管網(wǎng)元和被管網(wǎng)元之間的通信是通過被管網(wǎng)元的模型之間的通信實現(xiàn)的。這樣，模型之間的關(guān)系反映出它們所代表的被管網(wǎng)元之間的關(guān)系[2]。

每個模型通過與自身所表示的被管網(wǎng)元以及與其它模型之間進行通信，分析自身所表示的網(wǎng)元是否發(fā)生故障。因此，網(wǎng)元的故障首先由模擬該網(wǎng)元的模型識別出，然后報告給網(wǎng)絡(luò)管理系統(tǒng)。

3.4貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)[3]提出處理不確定性的新方法。通過這些方法即使在信息不完全和不精確的情況下，也可以進行推理。通信網(wǎng)絡(luò)中發(fā)生的告警事件，可能會發(fā)生丟失，收集到的具有相關(guān)性告警事件是不確定的。而且激發(fā)相關(guān)性告警的故障原因也是不確定的。所以通過貝葉斯網(wǎng)絡(luò)來分析通信網(wǎng)絡(luò)中告警相關(guān)性，可以克服告警事件的不確定性。

3.5神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是模仿人類神經(jīng)系統(tǒng)的工作原理，又相互聯(lián)結(jié)的神經(jīng)元組成的系統(tǒng)。各神經(jīng)元之間是簡單的輸入/輸出的關(guān)系。通過學習待分析數(shù)據(jù)中的模式來構(gòu)造模型，而這個模型本身相當于一個“黑箱”，我們并不了解“黑箱”內(nèi)部的東西，而只要求我們在已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中輸入端輸入數(shù)據(jù)，就可以在輸出端直接得到預(yù)期的結(jié)果。

3.6數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是在數(shù)據(jù)中發(fā)現(xiàn)新穎的模式。它是基于過去事例的泛化的一種歸納學習。數(shù)據(jù)挖掘在通信領(lǐng)域中的典型應(yīng)用是基于歷史告警數(shù)據(jù)，發(fā)現(xiàn)告警相關(guān)性規(guī)則。根據(jù)發(fā)現(xiàn)的規(guī)則，來分析和預(yù)測網(wǎng)絡(luò)元件可能出現(xiàn)的故障。

3.7模糊邏輯

由于通信網(wǎng)絡(luò)結(jié)構(gòu)十分復(fù)雜，幾乎不可能建立關(guān)于這些網(wǎng)絡(luò)的精確模型，所以需要用模糊邏輯方法來處理一些具體問題。而且實際上由于網(wǎng)絡(luò)配置經(jīng)常發(fā)生變化，網(wǎng)絡(luò)模型越詳細，那么它過時的速度會越快。并且在故障和告警之間的因果關(guān)系通常是不完全的，如由于路由故障，一些告警事件發(fā)生丟失。因此可以通過模糊邏輯描述出不精確網(wǎng)絡(luò)模型，用于分析不完全的告警相關(guān)性[1]。

由通信專家所提供的知識經(jīng)常是不精確的，很難直接用于網(wǎng)絡(luò)管理。模糊邏輯中最根本的概念是模糊集合。模糊集合中任何一個元素歸屬于某個集合，不再是從True或False的兩者選擇其一，而是在區(qū)間[0,1]之間的一個值。所以通過模糊邏輯來描述網(wǎng)絡(luò)模型，采用模糊推理來確定出相關(guān)性規(guī)則。

4分析和比較

下面對上述幾種告警關(guān)聯(lián)技術(shù)的優(yōu)缺點進行分析和比較。

基于規(guī)則的推理系統(tǒng)結(jié)構(gòu)簡單，比較容易實現(xiàn)。但對于基于規(guī)則的系統(tǒng)來說，當規(guī)則數(shù)目達到一定量時，規(guī)則庫的維護變得越來越困難。而且知識的獲取是基于規(guī)則系統(tǒng)的一個很大瓶頸，因為規(guī)則獲取主要從專家那里獲得，且無自學習的功能。而且在這種演繹推理過程中，沒有充分利用過去經(jīng)驗并且缺乏記憶。

基于事例的推理克服了基于規(guī)則的推理的許多不足：前者知識的單元是事例，檢索是基于對事例的部分匹配，而對于后者知識的單元是規(guī)則，檢索是基于對規(guī)則的完全匹配。但是在基于事例的推理系統(tǒng)剛開始運行的時候，一般很少能找到完全匹配的事例，隨著事例庫的增長，系統(tǒng)的效率也會逐漸提高。并且系統(tǒng)具有自學習的能力。缺點是它總是與某一個特定應(yīng)用領(lǐng)域緊密相關(guān)，而不存在一個通用的事例方法。它對于網(wǎng)絡(luò)變化處理反應(yīng)不敏感，處理過程較復(fù)雜而且費時，這對于要求實時性高的告警處理是一個問題。

基于模型的推理通過模型間的互操作來達到事件關(guān)聯(lián)的目的，這對降低網(wǎng)絡(luò)管理系統(tǒng)的網(wǎng)絡(luò)負載有一定的好處。但是它需要為每個網(wǎng)元建立一個模型軟件，當網(wǎng)絡(luò)規(guī)模逐漸增大時這一任務(wù)的復(fù)雜性就會越來越高。

對于貝葉斯網(wǎng)絡(luò)來說，計算出每一個節(jié)點相關(guān)概率是一個NP-hard的問題。雖然通過采用恰當?shù)膯l(fā)式算法，可以在可接受的時間內(nèi)算出幾千個節(jié)點的計算，但貝葉斯網(wǎng)絡(luò)邊界概率的計算效率仍是一個有待解決的難題。

基于神經(jīng)網(wǎng)絡(luò)的方法具有良好的自學習能力，而且對輸入的數(shù)據(jù)具有較好的容錯性。但神經(jīng)網(wǎng)絡(luò)需要過多的訓(xùn)練，在通信網(wǎng)絡(luò)中很難找到較好的訓(xùn)練數(shù)據(jù)。

數(shù)據(jù)挖掘方法不需要知道網(wǎng)絡(luò)拓撲結(jié)構(gòu)關(guān)系，因此當網(wǎng)絡(luò)拓撲結(jié)構(gòu)發(fā)生變化時，可以通過告警的歷史記錄進行分析，自動發(fā)現(xiàn)新的告警相關(guān)性規(guī)則，這減輕了網(wǎng)絡(luò)管理員的工作強度，提高了工作效率。因此基于數(shù)據(jù)挖掘告警相關(guān)性系統(tǒng)可以很快地調(diào)整適應(yīng)一些變化快的通信網(wǎng)絡(luò)，解決通信網(wǎng)絡(luò)中出現(xiàn)的新問題[1]。

5結(jié)論

隨著通信網(wǎng)絡(luò)的迅速發(fā)展，對網(wǎng)絡(luò)的維護變得越來越困難，對告警處理愈顯重要。

傳統(tǒng)上人們傾向于采用某一種方法對告警事件進行分析，但是通過上面介紹，我們可以得知，每一種方法都有其優(yōu)缺點。如果僅僅采用一種方法，那么其效果在網(wǎng)絡(luò)規(guī)模較小的情況下，還可以滿足實際要求。當通信網(wǎng)絡(luò)規(guī)模越來越大時，顯然已經(jīng)無法滿足網(wǎng)絡(luò)維護的要求。因此我們可以選用其中的兩種或以上方法同時對告警事件進行分析。

從上面的介紹中，我們可以得知，基于規(guī)則的推理和基于事例的推理這兩種方法的具有一定的互補性?；谝?guī)則的推理算法最大優(yōu)點是它更符合人的思維，便于人們的理解，系統(tǒng)結(jié)構(gòu)簡單，比較容易實現(xiàn)。所有知識都采用“if-then”或者“condition-action”規(guī)則集的形式?；谑吕评淼南到y(tǒng)具有自學習的能力，通過直接利用過去的經(jīng)驗和方法，來解決給定的問題。該方法還可與神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合，進一步完善其學習能力。針對通信網(wǎng)絡(luò)的特點，我們以這兩種推理方法為主要手段對網(wǎng)絡(luò)故障進行分析。