加权增量关联规则挖掘在通信告警预测中的应用说明

　　针对通信网络告警预测中预测精度不高、模型训练效率较低等缺陷，提出告警权值确定方法和基于自然序树（ Can-tree）的加权增量关联规则挖掘的通信网络告警预测方案。首先，对告警数据进行预处理，确定告警数据权值并压缩到Can-tree结构中；其次，应用增量关联规则挖掘算法对Can-tree进行挖掘，生成告警关联规则；最后，使用模式匹配的方法对实时告警信息进行预测，并对结果进行优化整理。实验结果表明，基于Can-tree的加权增量关联规则挖掘算法是高效的，利用前次挖掘的结果和信息提高了挖掘的效率，网络告警数据的权值分配方案能够合理地区分告警数据的重要程度，有助于将重要程度高的告警关联规则挖掘出来，并加快过时告警关联规则的淘汰，提高预测的准确度和精度。

　　通信网络产生的大量数据如指令、告警，其中包含了对故障的检测预测十分有用的信息，通过对告警数据进行分析和挖掘，能够获得其中隐含的告警关联规则，当实时告警数据到来时，通过匹配告警关联规则，可对不久的将来可能发生的告警进行预测，从而指导网络故障管理。

　　当前，通信告警预测的解决方案主要有：基于神经网络的预测方法、基于支持向量机的方法心］、基于遗传算法的预测方法、基于挖掘的时间序列预测方法。基于神经网络的告警预测技术具有较强的非线性映射能力和动态自适应能力；但是存在网络训练时间较长、难以选取输入变量和隐含层数及节点数、训练结果不稳定、容易陷入局部最优值等缺点。基于支持向量机（ Support Vector Machine．SVM）的方法能在较少的样本上得到很好的预测效果；但是复杂度较高，并且存在过学习的问题。基于遗传算法的告警预测技术具有通用、鲁棒性强等特点；但是也存在随机性大、未成熟收敛、收敛速度低等问题。基于关联规则挖掘和序列模式挖掘方法的优点是不需要知道网络拓扑的关系，当网络拓扑结构发生变化时，可以通过对历史告警数据进行分析，自动发现新的告警模式，适应网络的变化，解决网络中出现的新问题；不足之处就在构建预测模型时需要多次扫描数据库，且候选项的数量巨大，导致构建效率较低。