多域分布式網(wǎng)絡中告警模糊關聯(lián)規(guī)則挖掘的研究.pdf

1、當網(wǎng)絡故障產(chǎn)生時，會在相鄰的節(jié)點間引發(fā)并產(chǎn)生大量的告警，它們之間必然存在一定的緊密關系，進行故障診斷，關鍵是分析告警相關性，壓縮冗余無關的告警來定位出故障根源。數(shù)據(jù)挖掘技術可以解決相關性分析中關聯(lián)規(guī)則來源的瓶頸問題并減少對管理人員以及專家的依賴。網(wǎng)絡告警和網(wǎng)絡故障原因之間存在著某種模糊的因果關系，而傳統(tǒng)布爾邏輯難以描述兩者間的這種模糊關系，而模糊理論的語言可以精確描述這一關系。另一方面，考慮到在大型的通信網(wǎng)絡的分布式結構下，不僅要挖掘域

2、內(nèi)的告警模糊關聯(lián)規(guī)則，而且要挖掘域間的關聯(lián)規(guī)則。
　　論文針對上述問題同時結合多域分布式網(wǎng)絡的背景，將數(shù)據(jù)挖掘技術中的關聯(lián)規(guī)則挖掘與模糊理論技術結合起來，完成對大型通信網(wǎng)絡域內(nèi)及域間告警模糊關聯(lián)規(guī)則的挖掘。主要的研究內(nèi)容以及創(chuàng)新點包括：
　　1．鑒于原始告警不能直接進行規(guī)則的挖掘，論文對其信息字段進行了相應的提取，統(tǒng)一了信息模型。并結合大型通信網(wǎng)絡多域分布式的結構特點提出了一種各個子域事務庫提取機制同步建立告警事務庫的策略。

3、
　　2．對告警事務庫中的告警項量化處理后，針對傳統(tǒng)的FCM聚類算法的模糊化技術在處理大規(guī)模告警數(shù)據(jù)時效果難以令人滿意以及FCM算法的聚類效果和收斂速度對聚類中心的初始化值敏感的問題，論文提出了使用Canopy聚類先對數(shù)據(jù)進行“粗”聚類，再使用FCM算法進一步“細”聚類的基于Hadoop平臺的CPFCM算法來對量化后的告警數(shù)據(jù)進行模糊化。仿真結果表明：MapReduce化的CPFCM算法比MapReduce化的FCM算法具有更好的

4、聚類效果和運行速度，并且模糊化后的結果用于告警模糊關聯(lián)規(guī)則挖掘效果更好。
　　3．針對基于Apriori的FDMA算法需要多次掃描數(shù)據(jù)庫，時間效率較低的缺陷，論文將基于Fuzzy FP-tree（頻繁模式樹）的模糊關聯(lián)規(guī)則挖掘算法用于告警模糊關聯(lián)規(guī)則挖掘中，并結合多域分布式網(wǎng)絡的特點做了進一步改進，提出了局部-局部的基于Hadoop的FFPLLA（Fuzzy Frequent-Pattern tree Local-Local Al