序列模式挖掘在通信网络告警预测中的应用

告警预测是保证整个网络的稳定性和可靠性的技术之一。现有的告警预测技术存在未考虑告警数据的时间顺序、难以获取先验知识等缺陷。由此,提出了一种基于拓扑约束的序列模式挖掘方法以发现有意义的告警序列模式。该方法主要考虑网络节点之间的拓扑连接关系,将其作为告警序列模式挖掘的约束条件;并且为了发现非频繁重大告警模式,改进了序列模式挖掘的剪枝操作,将包含重大告警的序列模式直接保留。实验结果表明,采用基于拓扑约束的序列模式挖掘方法挖掘出的告警序列模式可以提高网络告警预测的精度和效率,并 能较准确地预测 非频繁的“重大”告警。     

基于时态关联规则的网络故障预报

该文针对网管告警数据库中时间序列存在的连续性、不确定性和模糊性问题,提出了一种基于时态关联规则挖掘告警库的新方法。该方法引入告警数据的时间序列,可预测出一些告警(联合)事件的发生将导致哪些告警(联合)事件的随后产生。通过对某校园网的告警数据库进行规则挖掘实验,表明该方法可以准确、有效的挖掘出隐含在海量网管告警数据库中大量有意义的时态关联规则,规则中的概率参数(置信度和支持度)可作为网络管理的先验知识用来指导网络故障的诊断和预报。     

基于时态关联规则的网络故障预报

该文针对网管告警数据库中时间序列存在的连续性、不确定性和模糊性问题,提出了一种基于时态关联规则挖掘告警库的新方法。该方法引入告警数据的时间序列,可预测出一些告警（联合）事件的发生将导致哪些告警（联合）事件的随后产生。通过对某校园网的告警数据库进行规则挖掘实验,表明该方法可以准确、有效的挖掘出隐含在海量网管告警数据库中大量有意义的时态关联规则,规则中的概率参数（置信度和支持度）可作为网络管理的先验知识用来指导网络故障的诊断和预报。     

基于模糊聚类的网络故障预报

文章针对网管告警数据库中时间序列存在的连续性、不确定性和模糊性问题,提出了一种基于模糊聚类的时间序列规则挖掘新方法。该方法引入模糊聚类理论,可预测出一些告警(联合)事件的发生将导致哪些告警(联合)事件的随后产生。通过对某校园网的告警数据库进行规则挖掘实验,表明该方法可以准确、有效地挖掘出隐含在海量网管告警数据库中大量有意义的时序规则,规则中的概率参数(置信度和支持度)可作为网络管理的先验知识用来指导网络故障的诊断和预报。     

网络告警关联规则挖掘系统的研究与设计

故障诊断与定位是网络管理的核心,数据挖掘为告警相关性分析中知识获取提供了新的途径.通过对网络告警加权关联规则挖掘的研究,设计与实现了网络告警关联规则挖掘系统.该系统对网络告警相关性分析和故障的诊断定位有一定的意义和实用价值.     

基于相关矩阵的关联规则挖掘及其更新算法

目前已提出的告警序列关联规则挖掘算法都受到最小支持度的限制,仅能够得到频繁告警序列间的关联规则。针对该问题,该文提出一种以高相关度、高置信度为条件,基于相关度统计的挖掘算法。并对其数据更新问题进行了研究,提出一种增量式挖掘算法。实验结果显示,该算法可以高效、准确地挖掘出电信网络告警数据库中频繁和非频繁告警序列间的关联规则。     

基于改进GSP的电力通信告警关联挖掘研究

随着电力通信网络规模不断扩大,网架结构日益复杂,其网络告警产生的原因与机理也多种多样。面对繁多复杂的通信告警,需要减少对人工专家知识的依赖,提高故障定位的准确性和效率。论文分析了主流通信告警关联分析方法存在的不足,针对电力通信网络设备网元数量多、告警数据数量大等特点,将序列模式挖掘与网络拓扑约束相结合,有效提高了电力通信告警关联分析的效率和精度。通过算例分析,该方法对电力通信告警关联分析具有较好的适用性,对提升通信运维管理水平具有一定的实际意义。     

基于多源告警的攻击事件分析

为解决多源告警中的复杂攻击难以被发现的问题,提出一种攻击序列模式挖掘算法。利用正则表达式匹配告警,将多源告警规范化为统一格式。对冗余告警信息进行压缩,利用强关联规则训练得到的规则集聚合同一阶段的告警,有效去除冗余告警,精简告警数量。利用滑动窗口对聚合后的告警进行划分得到候选攻击事件数据集,通过改进的PrefixSpan算法挖掘得到多阶段攻击事件的攻击序列模式。实验结果表明,该算法在不依赖专家知识的前提下,能够准确并高效地分析告警相关性,还原攻击事件中的攻击步骤。相比传统PrefixSpan算法,提出的改进算法的攻击模式挖掘效率提升了48.05%。     

关联规则在网络告警数据挖掘中的应用研究

从网络告警数据库中挖掘知识对网络管理和维护有重要作用.本文研究了将关联规则应用于网络告警数据挖掘的原理和算法,并给出具体实例.挖掘出的关联规则可以应用于告警过滤、告警关联、故障定位和故障预测等,可有效提高网络的智能化管理.     

网络管理告警数据库中时序规则挖掘的一种新方法

提出一种基于“最小发生的双时间窗口约束”时序规则挖掘新方法。该方法依据“双时间窗口”约束和“最小发生”判据,可判别在一个时间窗内的哪些告警事件导致了另一个时间窗内告警集合事件的产生,快速寻找出不同网络设备告警与其它网络设备告警之间的关联知识。通过对采集某省级IP网的告警数据库进行规则挖掘实验,表明该方法可以准确、快速地挖掘出海量网络告警数据库中大量有意义的时序规则,这些规则可作为选验知识来指导网络智能化故障定位、诊断及预测。     

网络告警知识发现研究与实现

文章研究企业网络告警数据中的知识发现问题,设计并实现了以Apriori算法为核心的网络告警关联规则发现系统。系统试运行结果表明,该系统能够有效发掘隐藏在海量告警数据背后、不易为网络管理人员所知的告警及故障模式知识。将发现的新知识应用到告警关联/故障诊断专家系统,有效突破了专家系统“知识获取”瓶颈,显著增强了专家系统推理和诊断网络故障的能力。     

多维频繁情节挖掘在电信告警信息分析中的应用

电信网络每天都要产生大量的告警信息,这些信息中隐藏着网络结构相关的有用知识。基于对电信网络告警信息的特点的分析和针对现有挖掘方式的不足,论文提出一种从电信网络告警信息中挖掘频发的模式知识的思想方法———多维频繁情节挖掘。挖掘的多维频繁情节可以帮助网络管理人员分析告警信息和诊断故障。     

Rule Discovery in Telecommunication Alarm Data

Fault management is an important but difficultarea of telecommunication network management: networksproduce large amounts of alarm information which must beanalyzed and interpreted before faults can be located. So called alarm correlation is acentral technique in fault identification. While the useof alarm correlation systems is quite popular andmethods for expressing the correlations are maturing, acquiring all the knowledge necessary forconstructing an alarm correlation system for a networkand its elements is difficult. We describe a novelpartial solution to the task of knowledge acquisition for correlation systems. We present a methodand a tool for the discovery of recurrent patterns ofalarms in databases; these patterns, episode rules, canbe used in the construction of real-time alarm correlation systems. We also present tools withwhich network management experts can browse the largeamounts of rules produced. The construction ofcorrelation systems becomes easier with these tools, as the episode rules provide a wealth ofstatistical information about recurrent phenomena in thealarm stream. This methodology has been implemented ina research system called TASA, which is used by several telecommunication operators. We briefly discussexperiences in the use of TASA.     

Time sequence data mining using time–frequency analysis and soft computing techniques

This paper presents a new approach for time series data mining and knowledge discovery. The relevant features of non-stationary time series data from power network disturbances are extracted using a multiresolution S-transform which can be treated either as a phase corrected wavelet transform or a variable window short-time Fourier transform. After extracting the relevant features from the time series data, an integrated LVQ neural network and various feed-forward neural network architectures are used for pattern recognition of disturbance waveform data. The fuzzy MLP outperforms all the other different connectionist models and is used in the final stage for encoding knowledge in the connection weights that are used to generate rules for fuzzy inferencing of the disturbance patterns. Overall pattern classification accuracy of 99% is achieved for power signal time series data. The knowledge discovery from the data has then been presented for selected patterns using the new quantification procedures. The approach presented in this paper is a general one and can be applied to any time series data sequence for mining for similarities in the data.     

序列模式挖掘在教学管理上的应用

序列模式挖掘是指从序列数据库中寻找频繁子序列作为模式的知识发现过程。本文将序列模式挖掘应用于教学管理,对学生成绩样本数据按照序列数据库模式进行建模和数据挖掘,得出置信度大于65%的时序关联规则3条。实验结果表明,将序列模式挖掘应用于教学管理,对相关课程成绩进行数据挖掘是可行的,发现的时序关联规则对学校的教学管理和学生学业促进有一定的实际指导意义。     

粒度神经网络对数字语言的数据融合

1 引言知识发现和数据挖掘(Knowledge discoverg and dataMining,简称KDDM)是近几年来随着人工智能和数据库发展起来的一门新兴的数据库技术。其处理对象是海量的日常业务数据,其目的是从大量的数据源中提取人们感兴趣的、有价值的知识和重要的信息。由于计算机和通信技术的迅猛发展,人类活动产生的数据日益增加,大量的各种数据库用于政府事务、科学研究、工业生产、商业管理和其它各个方面。数据的爆炸式增长使KDDM成了一个日益重要的研究领域。所提取的知识可用于问题求解、生产控制、信息管理、判断决策     

Practical Intelligent Support for Rule Discovery in Fault Management Systems

Global telecommunication systems have built-in redundancy to ensure robustness. Unfortunately, this means that each fault that occurs can trigger a cascade of alarm events as individual parts of the system discover and report failure. It is then difficult to locate the origin of the fault. One contribution to effective fault management is through practical intelligent assistance. The general goal is to find a rich set of strategies and rules to help locate faults from alarm event data. This paper presents a three-tier rule discovery framework that combines computer-assisted human discovery with human-assisted computer discovery techniques. The approach is illustrated with a small experimental case study performed on a test high-speed network at Nortel Networks.