基于數(shù)據(jù)挖掘的光傳輸網(wǎng)故障診斷研究.pdf

1、目前，隨著電信網(wǎng)絡(luò)的規(guī)模越來(lái)越龐大、結(jié)構(gòu)越來(lái)越復(fù)雜、設(shè)備越來(lái)越多樣，導(dǎo)致告警信息的類型更加豐富、信息量更大、告警信息之間的關(guān)聯(lián)也更加復(fù)雜，因此故障診斷的難度變得日漸困難，診斷的代價(jià)也日漸增加。為了解決這一問(wèn)題，就需要進(jìn)行告警相關(guān)性分析，通過(guò)數(shù)據(jù)挖掘的方法發(fā)現(xiàn)告警之間的關(guān)聯(lián)規(guī)則，根據(jù)規(guī)則來(lái)發(fā)現(xiàn)故障的原因，不僅可以減輕管理人員的工作量，也可以將故障帶來(lái)的損失降至最低。
　　關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘領(lǐng)域的一個(gè)主要的分支，Apriori算法是關(guān)

2、聯(lián)規(guī)則的經(jīng)典算法。本文主要研究了告警相關(guān)性方法和關(guān)聯(lián)規(guī)則Apriori算法與并行化編程模型等方面的知識(shí)，改進(jìn)了Apriori算法且在OpenMP的基礎(chǔ)上以并行的方式實(shí)現(xiàn)了改進(jìn)的算法。這里把改進(jìn)的Apriori算法稱為加權(quán)關(guān)聯(lián)規(guī)則算法。
　　作者獨(dú)立完成的工作主要有以下四個(gè)部分:一、針對(duì)Apriori算法中產(chǎn)生頻繁項(xiàng)集時(shí)多次掃描數(shù)據(jù)庫(kù)，本文采用了以空間換時(shí)間思路減少數(shù)據(jù)庫(kù)掃描次數(shù);針對(duì)Apriori算法和現(xiàn)在的改進(jìn)算法都視數(shù)據(jù)庫(kù)中數(shù)

3、據(jù)項(xiàng)“平等一致”，不符合實(shí)際的情況，為了挖掘出更合理的規(guī)則。本文采用數(shù)據(jù)項(xiàng)在數(shù)據(jù)庫(kù)中出現(xiàn)的概率作為其權(quán)值，提升高頻項(xiàng)的重要性。二、對(duì)于Apriori算法需要多次掃描數(shù)據(jù)庫(kù)、產(chǎn)生大量的候選項(xiàng)集、串行數(shù)據(jù)庫(kù)掃描時(shí)間較長(zhǎng)等特點(diǎn)，本文采用的是矩陣之間的“與”運(yùn)算，不產(chǎn)生候選項(xiàng)集，大大提高了規(guī)則的挖掘效率。三、針對(duì)告警數(shù)據(jù)巨大，所有數(shù)據(jù)矩陣都存放于內(nèi)存中往往不現(xiàn)實(shí)，再加上邏輯“與”運(yùn)算的代價(jià)也很巨大，引入了OpenMP多線程共享存儲(chǔ)并行編程模型，