一、多维频繁情节挖掘在电信告警信息分析中的应用（论文文献综述）
陈颖[1]（2020）在《基于电信网管告警数据分析的网络故障预测研究》文中指出网络故障管理为保障整个通信网络稳定可靠运行起到了关键的作用。告警相关性分析和网络故障预测是目前网络故障管理中两个重要的研究内容。运用数据挖掘和机器学习来分析告警数据中的潜在关系并预测故障的发生,对于促进电信网络智能转型、提升业务服务品质有着重要的影响和意义。本论文依托于企业合作项目,从企业需求出发针对电信网管系统中告警的相关性和故障的发生规律进行研究,设计了一个从告警数据相关性分析到网络故障预测的整体方案。本论文的主要工作内容如下:1)本论文总结了电信网络管理中告警和故障的概念、特点及基本处理步骤;综述了国内外告警数据相关性分析和网络故障预测的研究成果和应用情况,最后阐述了本论文中涉及的相关算法理论知识。2)针对整个网络中告警存在冗余、不同子网络间告警相互重叠的问题,提出了一个告警数据相关性分析方法,得到告警间的时序关系并定位根源告警。首先提出了基于网络拓扑结构的K模式（K-Modes based on Network Topology,K-MNT）聚类改进算法对告警数据进行预处理,得到具有网络拓扑关系的告警聚类簇。然后构建了动态滑动时间窗口对每个聚类簇选取告警序列集,动态适应不同的告警数据分布,保证关联的告警都能被包含在同一个时间窗口中。在此基础上运用序列模式挖掘的方法挖掘告警的时序相关关系,从而过滤掉告警数据中的伴随告警,定位到根源告警,最终实现根源告警与故障的关联。3)进一步,在告警-故障关联数据基础上,提出了基于多模型集成的网络故障预测方法。统计分析关联数据的分布情况及各属性的特点,提出将因子分解机（Factorization Machine,FM）、极端梯度提升（Extreme Gradient Boosting,XGBoost）等传统机器学习算法与双向长短时记忆（Bidirectional Long-Short Time Memory,BI-LSTM）、卷积神经网络（Convolutional Neural Networks,CNN）相融合的FBCXEnsemble（FM,BI-LSTM,CNN and XGBoost Ensemble）模型,充分学习特征表达的信息。另外,本论文提出了一个基于真阳率和假阳率进行计算的头部故障评估指标。该指标关注ROC曲线中头部位置的故障预测情况,应用于本论文实验的模型效果评估中衡量错判率较小的情况下正样本的预测准确率。将FBCXEnsemble模型与单模型进行性能对比,实验表明集成模型具有更好的故障识别度。
韩宏莹[2]（2016）在《并行数据挖掘技术在电信网管告警中的应用研究》文中研究说明随着电信网络技术的持续发展,电信网络资源产生异构性和动态性,导致网络管理系统中的功能越来越精细和复杂。电信网络系统中会实时生成海量告警数据,通常对告警的梳理方法是管理系统监测到某个故障引发告警,把告警的信息呈现给网管人员。由于一个故障的产生可以导致不同的设备产生不同的多个告警,然而并不是每个产生告警的信息都可以描述故障根本原因,给告警管理系统中准确定位产生的故障带来挑战。传统的网络管理系统和网管人员对产生故障诊断、定位和恢复,仅仅根据自己的经验和系统中有限的功能。随着电信网络的规模不断扩大和演变,个人的知识和经验已经无法满足电信网管告警处理的需求。数据挖掘为电信网络告警分析提供了新的方法,在电信网络向集群架构发展的情况下,基于Hadoop的MapReduce模型实现数据挖掘算法的并行化进一步优化了海量告警数据分析的性能。本文首先对电信网络系统中故障告警相关性概述;介绍了电信网络故障与告警的概念;研究告警相关性分析的方法;探讨了数据挖掘算法在网络系统中的具体应用。其次对Hadoop平台概述;研究和分析了MapReduce编程模型的架构和运行流程;详细论述了Apriori算法及其在Hadoop平台的并行化,提出了可变多阶段并行算法VMSPA,根据相邻两次迭代过程中产生的频繁项集的数量对比动态切换简单并行Apriori算法和VMSPA算法的应用,在VMSPA算法中动态更新同时产生的候选项集的数量来避免频繁扫描事务数据库,从而提高了算法的性能。最后将可变多阶段并行算法应用于电信网管告警相关性分析中。经过对算法的性能进行实验分析验证了算法的有效性,通过在告警相关性分析中的应用验证了算法具有一定的实用价值。
张柳[3]（2015）在《云环境下网络告警管理系统设计》文中研究说明随着计算机网络的普及、设备终端的多样化以及数据收集技术的不断进步,网络信息量呈现爆炸式增长的趋势。传统基于关系数据库的网络管理软件,存在着网络带宽消耗大、管理平台负荷高、可靠性差等许多问题。本文基于云计算环境,重点围绕网络告警数据的联机分析处理和关联规则的挖掘展开研究。首先,面向下一代网络管理应用,针对现有的网络告警分析方法存在的维度单一、效率低下、系统内存溢出甚至系统崩溃等问题,提出了一种基于Hive的网络告警信息联机分析处理（On-Line Analytical Processing,OLAP）方法。该方法基于Hive数据仓库体系,首先通过实时采集的海量网络告警数据进行预处理后映射到Hive中,再分别构建N-D方体模型与星型模型进而实现Rollup与Cube操作。该方法在域间设备存在和不存在这两种情况下都适用。实验结果表明,该方法不仅可以实现数据的大批量上传,还能从多个维度揭示隐藏的告警定位知识以及一些有意义的用户和系统信息,从而为网络管理人员提供决策支持。其次,考虑到下一代网络管理应用中告警数据本身具有的海量、冗余、关联等特点,以及现有的PFP算法（基于MapReduce的Frequent-Pattern Growth）存在的内存与计算时间的双瓶颈问题,提出了一种新的基于MapReduce的快速挖掘算法。该算法采用结构化存储的告警数据模型,通过简单扫描数据立方体以减少对整个数据库的重复扫描,在求取条件模式基时采用了共享路径的方式以减少对树的遍历次数,并应用MapReduce框架以实现并行计算。实验结果证明,该算法运行效率高、扩展性好且可靠性强。该改进算法能找出各设备检测状态告警之间的关联关系,减少重复告警,为设备维护和网络管理提供依据。最后,综合上述基于Hive的告警信息联机分析处理方法和基于MapReduce的快速挖掘算法,设计了一个面向云计算环境的告警管理系统,并对网络告警管理系统的各个模块进行了详细的设计与实现,具体包括告警的采集、存储、刷新、分析、挖掘与数据交互等。该系统的特点是,一方面利用OLAP的分析结果为数据挖掘奠定信息基础,另一方面通过数据挖掘拓展OLAP的深度,能发现更为复杂的关联信息,使分析智能化,挖掘目标化,从而提升告警管理系统的实用价值。
张军[4]（2011）在《质量控制与告警管理系统应用研究》文中进行了进一步梳理随着我国国民经济的提高,人们的消费意识也在发生着翻天覆地的变化,用户对移动网络服务的要求越来越高,因而服务质量的好坏已经越来越被人们所重视,这就要求移动公司经营者将工作重点从单纯的设备运行和日常运营管理转移到更高层次的网络服务上。质量控制与告警管理系统正是基于此种需求运用而生的智能产物,它将极大地方便操作人员对数据的查找、统计和分析。通过采用完善的数据采集、故障告警、记录功能,使网络管理变得轻松、主动。通过综合分析和专题分析,为企业的客户管理和决策提供依据。本论文的研究目的是通过对质量控制与告警管理系统的深入研究和开发,提供一种对大量的原始各类信息,进行描述、组织、分类处理、综合分析的方法,将报警数据进行记录,形成网络服务管理决策的依据。本论文的研究内容是通过对质量控制与告警管理系统的深入研究和开发,提供一种对大量的原始各类信息,进行描述、组织、分类处理、综合分析的方法,将报警数据进行记录,形成网络服务管理决策的依据
乔娟[5]（2009）在《数据挖掘在电信网络告警相关性研究中的应用》文中进行了进一步梳理随着网络技术的发展,网络资源呈现出异构性和动态性,网络管理的功能日益复杂,传统的网络管理技术已经无法满足对大型复杂网络管理的需要。结构复杂,规模巨大的电信网络每天产生大量告警。告警是一个异常的有害事件,通常是一个自动监测到的故障,提供给网管人员一定的信息。因为某一个故障可能引起一系列告警,所以并不是所有的告警都表明故障原因,故障管理系统想要准确定位网络故障相当困难。传统的网络管理系统和网络管理员只能依靠自身有限的经验和网络管理系统有限的功能进行故障诊断、定位和恢复。但在网络日益扩大且迅速演变的情况下,这些知识已无法满足需求。目前国内外学者对网络告警进行了很多的研究,有多种方法被应用于网络故障告警相关性分析中。其中,数据挖掘的方法被广泛研究和应用。本文首先对数据挖掘的概念、功能、基本流程等进行了概述。其次对电信网络基本结构以及电信网络告警数据特征进行了介绍。最后提出了数据挖掘技术在电信网络告警相关性分析中的应用,详细介绍了关联规则挖掘算法和序列模式挖掘算法。关联规则挖掘算法是一种常用的方法,其中Apriori算法是关联规则挖掘领域中最经典的算法之一,也是一种最具有影响力的挖掘布尔关联规则频繁项集的算法。关联规则算法的核心思想是基于频集理论的递推方法,所采用的是逐层搜索的迭代方法。Apriori算法会产生大量的侯选集,同时多次扫描数据库。针对Apriori算法存在的问题,Jiawei Han等人于2000年提出了另一个经典的算法——FP-growth算法,该算法基于FP-tree（频繁模式树）采取分治策略,从而在挖掘出全部频繁项集时并不产生候选项目集。文章对两种算法进行了比较,并以武汉电信某网管中心的告警数据为实验数据,对实验结果进行分析。序列模式挖掘是关联规则挖掘的延伸,序列是由许多有序事件组成的数据集合,是数据挖掘的一个重要分支,用于提取一维空间上有序集合的频繁子集。如果把网络告警信息库看成按时间排列的有序集合,那么序列模式挖掘就可以用来发现频繁出现的告警序列模式,从而导出告警关联规则。本文采用了基于FP树的告警频繁序列模式挖掘算法FSPMFP（Frequent Sequential Pattern Mining basedon Frequent Tree）的基本思想是:通过对FP树的改进,将告警数据压缩到一棵频繁模式树上,针对频繁模式树自底向上查找频繁告警项集,最后挖掘告警间的时序关系。
张宇[6]（2009）在《基于移动综合告警系统的跨专业告警关联研究》文中研究指明现代通信网通常由传输、接入、交换、数据、动力等专业系统和网络组成,对多专业网络环境的综合管理是目前网络管理领域研究的重点。其中,网络综合故障管理作为通信网络日常维护的基础,对网络正常运行起着举足轻重的作用。当网络出现故障时,各专业网会产生一系列告警,只有对这些告警事件进行相关性分析,才能确定网络故障发生的根本原因。但是,由于多专业通信网络环境的复杂性,及时、深入、准确地进行告警相关性分析相对复杂。首先,一个专业网络中某处故障不仅会引发同一专业网络下其他设备产生告警,而且可能引发关联专业网络产生告警,产生滚雪球式的爆发性告警数量增长现象。同时,这种告警数量的加大会导致大量无用和重复的告警产生,不仅没有增加故障处理所需的有效信息量,而且干扰了维护人员的分析视线,致使分析网络告警相关性、确定告警的根本原因、进行故障定位的难度加大。因此,迫切需要找到一种多专业网络环境下告警相关性分析的有效方法。本文在分析了多专业网络结构和多专业告警分类的基础上,提出了一种适用于多专业网络环境下的告警相关性分析方法,即基于模型的分析方法,并在多专业网络环境下建立了分析模型。最后,设计和实现了多专业网络告警相关性分析系统,对所提出的方法进行了实践验证。
杨峰[7]（2008）在《数据挖掘在网络告警中的应用研究》文中研究指明故障诊断与定位是网络故障管理的核心,当网络出现故障时,要求必须在尽可能短的时间内,正确地判断出网络故障所在的位置和引起故障的原因,以便及时排除故障,恢复网络正常功能。告警相关性分析是故障诊断与定位的重要手段之一,广泛应用于各种智能网络管理系统。然而电信网络本身的复杂性导致获取必要的知识来为某个特定网络构建一个告警关联系统十分困难,数据挖掘为告警相关性分析中知识获取提供了新的途径。电信告警数据库中保存了大量历史告警信息,在这些历史告警信息中蕴涵了许多有用的信息,这些信息反映了网络运行的规律。告警数据非常适合于关联规则分析的应用,应用结果可以改善网络故障管理。针对这一状况,本文提出用数据挖掘技术来分析电信告警数据,主要工作如下:（1）对电信告警数据进行了分析,提出了数据挖掘技术应用在告警相关性分析中的目的和可行性。（2）简要介绍了数据挖掘技术的概念和告警数据挖掘,详细阐述了关联规则挖掘算法。针对Apriori算法在告警数据中发现关联规则时需产生大量侯选频繁项目集的不足,提出了在告警关联规则挖掘中采用FP-growth算法,结合电信网告警数据的特点,针对实际告警数据,分别用Apriori算法和FP-growth算法进行挖掘做了对比实验。（3）针对告警数据的特点,将一个时间窗口内的告警模式看成是一个序列模式,提出了一种基于“前缀投影模式增长”思想的告警序列模式挖掘算法FASPMiner,该算法通过采用一种改进的前缀投影模式增长方法,运用“分而治之”的策略,把挖掘原来告警序列数据库的任务分解成一组挖掘局部投影告警数据库的小任务,从而最终得出了包含于告警数据库的频繁告警序列模式。广泛的实验性能分析表明,本文提出的算法是高效的,能够有效的完成各自的频繁告警挖掘任务。
贾卫军[8]（2008）在《数据挖掘技术在电信网管系统中的应用研究》文中认为电信GSM网络的构成复杂多样,由很多不同厂家的网元组成,其中一个网元的故障可能关联到多个设备和链路,从而引发起大量衍生的告警。这些告警数据都通过电信的网络管理系统来收集,存入告警数据库并最终通过告警管理系统呈现给用户。电信告警数据库中保存了大量历史告警信息,在这些历史告警信息中蕴涵了许多有用的信息,这些信息反应了网络运行的规律。告警数据非常适合于关联规则分析的应用,应用结果可以改善网络故障管理。本文首先介绍了数据挖掘与数据仓库基本概念、相关知识,以及将数据挖掘理论用于实践的方法与步骤,其次介绍了电信网络管理系统及通信监控系统的基本概念、相关知识和现状,详细阐述了关联规则挖掘算法理论和将其应用于通信网告警相关性分析的基本方法。详细分析了告警数据的相关性特征,对可用的告警相关性分析方法进行了比较,探讨了相关告警的若干处理方法。最后,以上述研究分析结果为基础介绍了告警关联分析的具体实现方法及其在告警系统中的应用结果。
赵兴华[9]（2007）在《关联规则挖掘在电信网络告警分析中的应用研究》文中研究说明电信网络的规模越来越大,结构越来越复杂,每天都会产生大量告警信息。传统的采用人工处理告警的方式已经不能满足企业的需求。数据挖掘是一种从数据库中提取出隐含的、预先未知的而且潜在有用的信息的技术,有助于进行网络故障隔离和诊断、选择正确措施、进行预维护和趋势分析,是一种有效的告警分析工具。本文旨在研究基于告警数据特点的数据挖掘相关算法。在对告警分析数据挖掘方法研究综述的基础上,本文比较了各类算法在告警分析中的应用现状,将关联规则挖掘作为本文研究对象。针对现有关联规则挖掘算法效率低下、太多冗余规则生成的问题,提出一种改进的时序关联规则挖掘算法。首先,改进算法采用矩阵单元的形式组织告警序列,从而便于进行后期的候选计数扫描,提高算法的挖掘效率。其次,由于随机排列候选序列必然会导致候选组合阶段效率的低下,因此改进算法引入等价类的概念及方法对候选序列进行有效组织。最后,为了解决规则爆炸的问题,本文提出最简时序关联规则的概念,并利用等价类对候选序列的组织方式得到了有效的生成方法。本文的主要贡献在于提出一种改进的时序关联规则挖掘算法,用于解决现有算法挖掘效率低下并生成太多冗余规则的问题。为了检验算法的有效性,本文利用电信网络公司的真实告警记录对提出的算法进行了实验验证。在实验前利用编程技术对数据进行了预处理,然后利用相关指标,从总体效果和参数影响两方面对改进算法的优劣进行了评价。其中,总体效果的评价包括对候选序列数量、频繁序列数量、规则集数量以及运行时间的比较。参数影响的评价通过改变参数数值,检验原算法和改进算法的挖掘效果,分析各个参数对算法结果的影响。最后,通过改变数据规模进一步检验改进算法的伸缩性。最终的实验结果证明了此算法的有效性。
徐前方[10]（2007）在《基于数据挖掘的网络故障告警相关性研究》文中认为现代电信网络管理的主要任务是对网络进行实时监控，确保电信网络高效、可靠、经济和安全的运行。随着现代电信网络的规模越来越大，结构日益复杂，对电信网络的告警数据进行相关性分析尤其重要，因为从告警数据分析出的相关性知识，可以帮助网络管理人员及时定位故障，保证电信网络的正常运行。传统的相关性分析方法由于过多地依赖专家知识而难以适应网络复杂、多变的情况，采用数据挖掘的方法则可以弥补这方面的不足。随着网络规模的增大，告警数量的增加，如何从海量告警数据中发现电信网络中的告警相关性知识，帮助网络管理人员处理网络故障，是当前网络故障管理所面临的主要问题。本文将数据挖掘技术应用到网络故障告警相关性分析中，研究了频繁告警序列和非频繁告警序列关联规则的挖掘方法，取得了一定的成果。本文的具体工作与创新包括以下几个方面：1、告警序列模式（频繁告警序列）的挖掘研究了电信网络中告警序列模式的挖掘问题。序列模式挖掘是在关联规则挖掘的基础上发展起来的。目前序列模式挖掘方法大多基于WINEPI的算法框架，由于该算法需要多次遍历数据库，执行效率较低，因此本文基于FP-growth算法框架，提出一种基于FP-树的序列模式挖掘FSPM-FP算法。并且分别对其重要参数（最小支持度）和数据库发生变化的情况，提出了相应的增量式挖掘算法——SFSPM-FP和DFSPM-FP，并通过实验证明了算法的有效性。2、非频繁告警关联规则挖掘针对目前告警序列模式挖掘算法受到最小支持度的限制，仅能够得到高支持度、高置信度条件下频繁发生的告警关联规则的问题。本文结合实际电信网络告警的特征，提出了一种以高相关度、高置信度为条件，基于相关度统计的告警关联规则挖掘算法AARSC；同时为了适应告警数据动态增加的特点，提出了其改进算法——增量式挖掘算法UAARSC。实验表明AARSC和UAARSC算法可以同时发现频繁和非频繁发生告警序列间的关联规则，从而提高了告警关联规则的完整性和准确性。3、告警模式的可视化由于电信运营商经常会根据业务需求，对网络进行优化，为了有利于网管人员对设备进行维护，可以将当前网络中存在的告警以可视化的方式呈现给网管人员，他们根据可视化的结果，有效地发现故障的告警模式，进而预测告警，定位故障。本文提出一种基于谱图理论的ACASG算法。该算法基于谱图理论发现高维数据空间中潜在的低维映射结构；通过分析低维空间中点结构之间的相似性，实现告警模式挖掘的目的。实验结果表明，该算法不仅可以发现告警间的相关性，而且还可以通过分析谱图的变化，预测、定位网络故障。
二、多维频繁情节挖掘在电信告警信息分析中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多维频繁情节挖掘在电信告警信息分析中的应用（论文提纲范文）
（1）基于电信网管告警数据分析的网络故障预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 主要研究内容 |
| 1.3 论文结构安排 |
| 第二章 告警相关性分析及故障预测研究综述 |
| 2.1 电信网络告警及故障管理 |
| 2.1.1 电信网络管理及特点 |
| 2.1.2 告警和故障的概念及特点 |
| 2.1.3 告警分析与故障预测的难点及基本步骤 |
| 2.2 告警数据相关性分析 |
| 2.2.1 告警数据相关性分析方法 |
| 2.2.2 告警数据相关性分析研究现状 |
| 2.3 网络故障预测 |
| 2.3.1 网络故障预测方法 |
| 2.3.2 网络故障预测研究现状 |
| 2.4 本章小结 |
| 第三章 告警数据相关性分析 |
| 3.1 告警数据相关性分析的问题分析 |
| 3.1.1 问题描述 |
| 3.1.2 告警数据相关性分析整体流程 |
| 3.2 基于序列模式挖掘的告警相关性分析 |
| 3.2.1 基于网络拓扑结构的K-MNT聚类算法 |
| 3.2.2 动态滑动时间窗口 |
| 3.2.3 基于PrefixSpan算法的序列模式挖掘 |
| 3.3 性能验证与分析 |
| 3.4 本章小结 |
| 第四章 基于告警相关性分析的网络故障预测 |
| 4.1 告警-故障关联数据的统计分析 |
| 4.2 网络故障预测集成模型 |
| 4.2.1 问题描述 |
| 4.2.2 网络故障预测集成模型的设计 |
| 4.2.3 网络故障预测集成模型的搭建及特点 |
| 4.3 性能验证与分析 |
| 4.3.1 模型评估指标 |
| 4.3.2 实验参数设置 |
| 4.3.3 实验结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 缩略语 |
| 致谢 |
（2）并行数据挖掘技术在电信网管告警中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.2 国内、国外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 电信网络故障告警相关性概述 |
| 2.1 电信网络基本结构 |
| 2.2 电信网络故障和告警 |
| 2.3 网络故障告警相关性分析 |
| 2.3.1 告警相关性分析定义 |
| 2.3.2 告警相关性的类型 |
| 2.4 数据挖掘在电信网络告警相关性分析中的应用 |
| 2.4.1 告警预处理阶段 |
| 2.4.2 故障告警挖掘阶段 |
| 2.4.3 故障告警的后处理阶段 |
| 第三章 基于Hadoop的并行关联规则算法研究 |
| 3.1 Hadoop编程模型概述 |
| 3.1.1 MapReduce概述 |
| 3.1.2 MapReduce编程模型 |
| 3.1.3 MapReduce执行流程 |
| 3.2 Apriori算法及其并行化 |
| 3.2.1 Apriori算法 |
| 3.2.2 基于MapReduce的Apriori并行化算法 |
| 3.2.3 多阶段并行算法 |
| 3.3 MSPA算法的改进 |
| 3.3.1 VMSPA算法描述 |
| 3.3.2 VMSPA算法基于MapReduce实现的步骤 |
| 3.3.3 VMSPA的MapReduce函数描述 |
| 3.4 实验与结果分析 |
| 3.4.1 实验环境 |
| 3.4.2 实验数据 |
| 3.4.3 实验结果与分析 |
| 第四章 VMSPA在网管告警相关性分析的应用 |
| 4.1 规则发现框架设计 |
| 4.2 规则发现流程 |
| 4.3 数据库表的结构 |
| 4.4 告警相关性分析的应用 |
| 4.4.1 告警数据预处理 |
| 4.4.2 关联规则获取 |
| 4.4.3 规则后处理 |
| 4.4.4 规则分析 |
| 4.5 规则推理及呈现 |
| 4.5.1 规则推理 |
| 4.5.2 规则呈现 |
| 第五章 总结与展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（3）云环境下网络告警管理系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究与应用现状 |
| 1.3 论文主要工作和结构安排 |
| 第二章 相关技术研究 |
| 2.1 云计算技术 |
| 2.1.1 Hadoop平台 |
| 2.1.2 云计算技术特点分析 |
| 2.1.3 云计算在网络管理中的应用优势 |
| 2.2 网络告警管理 |
| 2.2.1 网络告警数据特点分析 |
| 2.2.2 网络告警与告警关联性 |
| 2.2.3 网络告警与网络故障的管理 |
| 2.2.4 网络告警现存问题 |
| 2.3 数据挖掘 |
| 2.3.1 OLAP技术特点分析 |
| 2.3.2 OLAP与数据挖掘 |
| 2.3.3 数据挖掘生命周期 |
| 2.3.4 数据挖掘常用算法 |
| 2.3.5 数据挖掘与网络告警管理 |
| 2.4 本章小结 |
| 第三章 一种基于Hive的网络告警信息处理方法 |
| 3.1 相关研究与问题描述 |
| 3.2 一种基于Hive的网络告警信息处理方法 |
| 3.2.1 整体框架设计 |
| 3.2.2 告警数据预处理 |
| 3.2.3 OLAP建模与建表 |
| 3.2.4 Rollup与Cube操作 |
| 3.3 性能仿真和结果分析 |
| 3.3.1 仿真环境与数据准备 |
| 3.3.2 仿真结果与分析 |
| 3.4 本章小结 |
| 第四章 一种基于MapReduce的快速数据挖掘算法 |
| 4.1 相关研究与问题描述 |
| 4.2 基于MapReduce的快速挖掘算法 |
| 4.2.1 告警数据结构 |
| 4.2.2 数据立方体表的构建 |
| 4.2.3 数据挖掘整体架构 |
| 4.2.4 改进算法步骤与伪代码 |
| 4.3 仿真性能和结果分析 |
| 4.3.1 仿真环境与数据准备 |
| 4.3.2 仿真结果与分析 |
| 4.4 本章小结 |
| 第五章 基于云计算的网络告警管理系统设计与实现 |
| 5.1 需求分析 |
| 5.1.1 功能需求 |
| 5.1.2 性能需求 |
| 5.2 系统总体设计 |
| 5.2.1 软件运行环境 |
| 5.2.2 软件整体架构 |
| 5.3 详细设计与实现 |
| 5.3.1 告警数据采集 |
| 5.3.2 时间戳倒序存储 |
| 5.3.3 增量的分页刷新 |
| 5.3.4 联机分析处理 |
| 5.3.5 关联规则挖掘 |
| 5.3.6 前后端数据交互 |
| 5.4 软件测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间研发的网管软件 |
| 附录4 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（4）质量控制与告警管理系统应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 第2章 质量控制与告警管理系统的理论基础 |
| 2.1 告警分析中常用的数据挖掘方法 |
| 2.1.1 基于关联规则挖掘方法的告警分析 |
| 2.1.2 基于贝叶斯网络方法的告警分析 |
| 2.1.3 基于神经网络方法的告警分析 |
| 2.1.4 基于依赖图方法的告警分析 |
| 2.1.5 基于案例推理方法的告警分析 |
| 2.1.6 基于代码方法的告警分析 |
| 2.2 告警数据库中的数据挖掘基本模型及技术的研究 |
| 2.2.1 数据中心存储及技术 |
| 2.2.2 ETL(Extract-Transform-Load) 数据处理过程 |
| 2.3 本章小节 |
| 第3章 需求分析 |
| 3.1 需求分析 |
| 3.1.1 系统开发的必要性 |
| 3.1.2 系统开发的实用性 |
| 3.1.3 系统应具备的功能 |
| 3.2 本章小结 |
| 第4章 系统设计 |
| 4.1 系统设计的原则 |
| 4.1.1 系统设计原则 |
| 4.1.2 系统建设原则 |
| 4.1.3 系统设计参照的技术规范和文件 |
| 4.2 系统的建设目标 |
| 4.3 系统体系架构 |
| 4.4 系统总体设计 |
| 4.5 移动网络拓扑结构设计 |
| 4.6 数据库结构设计 |
| 4.7 本章小结 |
| 第5章 系统实现 |
| 5.1 网络资源管理子系统 |
| 5.1.1 图形显示和树形显示管理网络拓扑结构 |
| 5.1.2 基础网络电路资源管理 |
| 5.1.3 基站小区信息资源管理 |
| 5.2 故障报表分析子系统 |
| 5.2.1 故障信息数据库设计及数据处理 |
| 5.2.2 分析功能描述 |
| 5.3 退服(服务异常退出)综合分析管理子系统 |
| 5.3.1 退服(服务异常退出)信息数据库设计 |
| 5.3.2 分析功能描述 |
| 5.4 红外告警及视频监视管理子系统 |
| 5.5 用户管理模块 |
| 5.6 本章小结 |
| 第6章 结束语 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
| 作者简历 |
| 详细摘要 |
（5）数据挖掘在电信网络告警相关性研究中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究的意义 |
| 1.2 网络故障告警的研究现状 |
| 1.2.1 基于规则的告警分析 |
| 1.2.2 基于事例推理的告警分析 |
| 1.2.3 基于模型推理的告警分析 |
| 1.2.4 基于编码的告警分析 |
| 1.2.5 基于贝叶斯网络的告警分析 |
| 1.2.6 基于模糊逻辑的告警分析 |
| 1.2.7 基于神经网络的告警分析 |
| 1.2.8 基于数据挖掘的告警分析 |
| 1.3 数据挖掘技术的研究现状 |
| 1.4 论文的组织结构 |
| 2 数据挖掘概述 |
| 2.1 数据挖掘的概念 |
| 2.2 数据挖掘的研究内容 |
| 2.3 数据挖掘的功能 |
| 2.3.1 概念/类描述 |
| 2.3.2 关联分析 |
| 2.3.3 分类和预测 |
| 2.3.4 聚类分析 |
| 2.3.5 孤立点分析 |
| 2.3.6 演变分析 |
| 2.4 数据挖掘的方法 |
| 2.4.1 统计方法 |
| 2.4.2 关联规则 |
| 2.4.3 聚类分析 |
| 2.4.4 决策树方法 |
| 2.4.5 神经网络 |
| 2.4.6 遗传算法 |
| 2.4.7 粗糙集 |
| 2.4.8 支持向量机 |
| 2.5 数据挖掘系统的分类 |
| 2.6 数据挖掘的基本流程 |
| 3 电信网络及故障告警数据特征 |
| 3.1 电信网络基本结构 |
| 3.2 故障和告警 |
| 3.3 网络故障告警相关性 |
| 3.3.1 告警相关性定义 |
| 3.3.2 告警相关性类型 |
| 3.4 电信网络故障的特点 |
| 4 数据挖掘在电信网络告警相关性分析中的应用 |
| 4.1 数据收集和预处理 |
| 4.1.1 电信告警数据特点 |
| 4.1.2 解决方法 |
| 4.2 故障告警挖掘阶段 |
| 4.3 故障告警的后处理阶段 |
| 4.3.1 规则后处理 |
| 4.3.2 规则的应用 |
| 5 告警的关联规则挖掘 |
| 5.1 关联规则基本概念及定义 |
| 5.2 关联规则挖掘的基本步骤 |
| 5.3 经典关联规则挖掘算法 |
| 5.3.1 Apriori算法 |
| 5.3.2 基于频繁模式树的算法 |
| 5.3.3 Apriori算法与FP_growth算法的比较分析 |
| 5.4 实验及其分析 |
| 5.4.1 数据库操作 |
| 5.4.2 Apriori算法与FP_growth算法实现结果比较 |
| 5.4.3 关联规则分析 |
| 6 告警序列模式挖掘 |
| 6.1 告警序列模式挖掘的基本概念 |
| 6.1.1 问题描述 |
| 6.1.2 基本概念 |
| 6.2 告警序列模式挖掘算法 |
| 6.2.1 算法框架 |
| 6.2.2 算法描述 |
| 7 总结与展望 |
| 参考文献 |
| 致谢 |
（6）基于移动综合告警系统的跨专业告警关联研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.2 国内、外研究综述 |
| 1.3 研究思路与创新点 |
| 第二章 移动通信网与网管 |
| 2.1 通信网 |
| 2.1.1 通信网定义 |
| 2.1.2 通信网分类 |
| 2.2 通信网组成 |
| 2.2.1 传输网分析 |
| 2.2.2 接入网分析 |
| 2.2.3 交换网分析 |
| 2.2.4 数据网分析 |
| 2.2.5 多专业网络关系分析 |
| 2.3 传统网管模式 |
| 2.3.1 传统网管结构 |
| 2.3.2 传统网管的缺陷 |
| 2.4 通信管理网 TMN |
| 2.4.1 TMN 的定义及目标 |
| 2.4.2 TMN 的组成 |
| 2.4.3 TMN 的功能 |
| 第三章 数据挖掘和数据仓库 |
| 3.1 数据仓库 |
| 3.1.1 数据仓库的概念 |
| 3.1.2 数据仓库的类型 |
| 3.1.3 数据仓库开发与实施 |
| 3.2 数据挖掘介绍 |
| 3.2.1 数据挖掘定义 |
| 3.2.2 数据挖掘的功能 |
| 3.2.3 数据挖掘的基本过程 |
| 3.2.4 数据挖掘的应用 |
| 3.3 告警数据挖掘 |
| 3.3.1 告警数据特征 |
| 3.3.2 告警数据挖掘 |
| 3.4 关联规则挖掘 |
| 3.4.1 基本概念 |
| 3.4.2 关联规则分类 |
| 3.4.3 关联规则的挖掘步骤 |
| 3.4.4 关联规则的研究现状 |
| 3.5 关联规则算法分析 |
| 3.5.1 关联规则挖掘算法 Apriori |
| 3.5.2 Apriori 算法的改进 |
| 3.5.3 基于频繁模式树的算法 FP-growth |
| 3.5.4 算法 FP-growth 和 Apriori 的分析比较 |
| 3.5.5 无意义规则的处理 |
| 3.6 告警关联关系 |
| 第四章 综合告警系统与跨专业告警关联 |
| 4.1 综述 |
| 4.2 系统软件体系结构 |
| 4.2.1 系统总体体系结构 |
| 4.2.2 系统软件功能架构 |
| 4.2.3 数据库分层设计 |
| 4.2.4 分布式计算环境 |
| 4.3 业务主体管理的思路 |
| 4.3.1 面向业务的管理（业务主体的提出） |
| 4.3.2 建立业务主体模型 |
| 4.3.3 业务主体分析过程示例 |
| 4.4 跨专业告警关联模型分析 |
| 4.4.1 跨专业资源关联关系 |
| 4.4.2 资源数据内容 |
| 4.5 业务主体专题分析 |
| 4.5.1 基站业务主体告警相关性专分析 |
| 4.5.2 以中继（信令）为业务主体告警关联呈现 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
（7）数据挖掘在网络告警中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状及发展趋势 |
| 1.3 研究意义 |
| 1.4 主要工作 |
| 1.5 论文组织结构 |
| 第2章 数据挖掘技术与告警相关性分析概述 |
| 2.1 数据挖掘概述 |
| 2.1.1 数据挖掘的产生 |
| 2.1.2 数据挖掘的概念 |
| 2.1.3 知识发现基本过程 |
| 2.1.4 KDD常用处理过程模型 |
| 2.1.5 数据挖掘的任务与应用 |
| 2.1.6 数据挖掘的特点 |
| 2.1.7 数据挖掘的主要挑战 |
| 2.2 电信网络故障和告警管理 |
| 2.2.1 故障和告警基本概念 |
| 2.2.2 电信告警管理功能 |
| 2.2.3 电信网络故障管理 |
| 2.3 告警相关性分析概述 |
| 2.3.1 告警相关性分析的定义 |
| 2.3.2 告警相关性分析的类型 |
| 2.3.3 告警相关性规则 |
| 2.3.4 告警相关性分析中存在的问题 |
| 2.3.5 告警相关性分析研究方法 |
| 2.4 本章小结 |
| 第3章 基于关联规则分析的网络告警挖掘 |
| 3.1 关联规则数据挖掘 |
| 3.1.1 关联规则挖掘基本概念 |
| 3.1.2 关联规则分类 |
| 3.1.3 关联规则挖掘步骤 |
| 3.1.4 关联规则挖掘算法 |
| 3.2 告警数据挖掘 |
| 3.2.1 告警信息基本形式 |
| 3.2.2 告警数据特征 |
| 3.2.3 告警数据挖掘的目标 |
| 3.2.4 告警关联规则分析 |
| 3.2.5 告警数据中的关联规则描述 |
| 3.2.6 告警数据挖掘 |
| 3.3 告警数据挖掘实验 |
| 3.4 本章小结 |
| 第4章 利用序列模式挖掘方法挖掘网络告警关联规则 |
| 4.1 引言 |
| 4.2 问题表述 |
| 4.2.1 问题描述模型 |
| 4.2.2 基本知识和相关定义 |
| 4.3 运用"模式增长"方法挖掘告警序列模式 |
| 4.3.1 生成告警关联数据库 |
| 4.3.2 挖掘频繁告警模式 |
| 4.3.3 产生频繁告警规则 |
| 4.4 实验 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作 |
| 5.2 进一步工作 |
| 参考文献 |
| 致谢 |
（8）数据挖掘技术在电信网管系统中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 课题来源 |
| 1.3 发展与趋势 |
| 1.4 本文的工作 |
| 1.5 论文结构 |
| 第二章 数据挖掘和数据仓库 |
| 2.1 数据仓库 |
| 2.1.1 数据仓库的概念 |
| 2.1.2 数据仓库的类型 |
| 2.1.3 数据仓库开发与实施 |
| 2.2 数据挖掘 |
| 2.2.1 数据挖掘的概念 |
| 2.2.2 数据挖掘的研究内容 |
| 2.2.3 数据挖掘的功能及应用 |
| 2.2.4 数据挖掘的方法与技术 |
| 2.2.5 数据挖掘的基本流程 |
| 2.2.6 数据挖掘中的关联规则算法 |
| 第三章 电信GSM网络及告警监控系统 |
| 3.1 电信GSM网络系统结构 |
| 3.2 网络告警监控平台 |
| 3.3 告警相关性 |
| 3.4 故障告警分析流程 |
| 第四章 基于关联规则的网络告警分析系统设计与实现 |
| 4.1 系统体系结构 |
| 4.2 数据结构及数据处理流程 |
| 4.2.1 告警关联数据存储结构 |
| 4.2.2 告警关联数据处理 |
| 4.3 告警关联分析的实现 |
| 4.3.1 告警频次统计 |
| 4.3.2 告警闪断 |
| 4.3.3 主次告警 |
| 4.3.4 归纳告警 |
| 4.4 小结 |
| 第五章 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间所发表的论文 |
（9）关联规则挖掘在电信网络告警分析中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| §1-1 研究背景 |
| §1-2 国内外研究现状 |
| §1-3 论文结构 |
| 第二章 文献综述 |
| §2-1 传统关联规则挖掘算法的应用研究 |
| §2-2 时序关联规则挖掘算法的应用研究 |
| §2-3 利用关联规则挖掘的融合算法应用研究 |
| §2-4 本章小结 |
| 第三章 算法分析与改进 |
| §3-1 现有算法分析 |
| §3-2 改进算法研究 |
| §3-3 本章小结 |
| 第四章 仿真实验设计与结果讨论 |
| §4-1 仿真实验设计 |
| §4-2 结果讨论 |
| §4-3 本章小结 |
| 第五章 结论 |
| §5-1 本文的贡献 |
| §5-2 进一步研究的方向 |
| 参考文献 |
| 致谢 |
| 攻读学位期间所取得的相关科研成果 |
（10）基于数据挖掘的网络故障告警相关性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 网络故障告警相关性研究的意义 |
| 1.2 网络故障告警研究现状 |
| 1.2.1 基于规则的告警分析 |
| 1.2.2 基于事例推理的告警分析 |
| 1.2.3 基于模型推理的告警分析 |
| 1.2.4 基于编码的告警分析 |
| 1.2.5 基于贝叶斯网络的告警分析 |
| 1.2.6 基于模糊逻辑的告警分析 |
| 1.2.7 基于神经网络的告警分析 |
| 1.2.8 基于数据挖掘的告警分析 |
| 1.3 网络故障告警研究存在的问题 |
| 1.4 论文主要研究内容 |
| 1.5 论文结构安排 |
| 本章参考文献 |
| 第二章 网络故障告警相关性研究综述 |
| 2.1 网络故障告警相关性分析 |
| 2.1.1 告警相关性类型 |
| 2.1.2 告警相关性分析难点 |
| 2.2 关联规则挖掘算法 |
| 2.2.1 Apriori算法基本原理 |
| 2.2.2 FP-growth算法基本原理 |
| 2.3 序列模式挖掘算法 |
| 2.4 谱图分析理论 |
| 2.5 本章小结 |
| 本章参考文献 |
| 第三章 电信网络及故障告警数据特征 |
| 3.1 电信网络基本结构 |
| 3.2 故障和告警 |
| 3.2.1 基本概念 |
| 3.2.2 故障特点 |
| 3.3 网络故障告警分析中实验数据 |
| 3.4 故障告警分析流程 |
| 3.5 本章小结 |
| 本章参考文献 |
| 第四章 电信网络中告警序列模式挖掘 |
| 4.1 引言 |
| 4.2 告警序列模式挖掘的基本概念 |
| 4.2.1 问题描述 |
| 4.2.2 基本概念 |
| 4.3 告警序列模式挖掘算法 |
| 4.3.1 算法框架 |
| 4.3.2 算法描述 |
| 4.3.3 实验及其分析 |
| 4.4 增量式挖掘 |
| 4.4.1 支持度改变时的增量式挖掘SFSPM-FP算法 |
| 4.4.2 数据库改变时的增量式挖掘DFSPM-FP算法 |
| 4.5 本章小结 |
| 本章参考文献 |
| 第五章 基于相关度的告警关联规则挖掘 |
| 5.1 引言 |
| 5.2 非频繁告警关联规则挖掘的研究现状 |
| 5.3 基于相关度的告警关联规则挖掘 |
| 5.3.1 告警关联规则挖掘模型 |
| 5.3.2 算法中关键问题描述 |
| 5.3.3 算法描述 |
| 5.3.4 实验及其分析 |
| 5.4 数据库增加时的增量式关联规则挖掘算法 |
| 5.4.1 算法框架 |
| 5.4.2 算法描述 |
| 5.4.3 实验及其分析 |
| 5.5 本章小结 |
| 本章参考文献 |
| 第六章 基于谱图理论的故障告警模式挖掘 |
| 6.1 引言 |
| 6.2 基于谱图理论的方法 |
| 6.2.1 多维尺度分析 |
| 6.2.2 ISOMAP |
| 6.3 基于谱图理论的告警模式挖掘 |
| 6.3.1 算法框架 |
| 6.3.2 算法描述 |
| 6.4 实验及其分析 |
| 6.4.1 人工数据集上的实验 |
| 6.4.2 实际告警数据集上的实验 |
| 6.5 本章小结 |
| 本章参考文献 |
| 第七章 结束语 |
| 7.1 本文的总结 |
| 7.2 下一步工作 |
| 致谢 |
| 博士期间发表的论文 |
四、多维频繁情节挖掘在电信告警信息分析中的应用（论文参考文献）
- [1]基于电信网管告警数据分析的网络故障预测研究[D]. 陈颖. 北京邮电大学, 2020(05)
- [2]并行数据挖掘技术在电信网管告警中的应用研究[D]. 韩宏莹. 长春工业大学, 2016(08)
- [3]云环境下网络告警管理系统设计[D]. 张柳. 南京邮电大学, 2015(05)
- [4]质量控制与告警管理系统应用研究[D]. 张军. 华北电力大学, 2011(04)
- [5]数据挖掘在电信网络告警相关性研究中的应用[D]. 乔娟. 华中农业大学, 2009(07)
- [6]基于移动综合告警系统的跨专业告警关联研究[D]. 张宇. 天津大学, 2009(S2)
- [7]数据挖掘在网络告警中的应用研究[D]. 杨峰. 江南大学, 2008(06)
- [8]数据挖掘技术在电信网管系统中的应用研究[D]. 贾卫军. 西安建筑科技大学, 2008(09)
- [9]关联规则挖掘在电信网络告警分析中的应用研究[D]. 赵兴华. 河北工业大学, 2007(11)
- [10]基于数据挖掘的网络故障告警相关性研究[D]. 徐前方. 北京邮电大学, 2007(05)