摘要：隨著通信網(wǎng)絡的迅速發(fā)展和業(yè)務的拓展，對網(wǎng)絡的管理與維護變得越來越困難。告警相關(guān)性在通信網(wǎng)絡故障維護中起著十分關(guān)鍵的作用。文中首先介紹了故障管理和告警關(guān)聯(lián)的概念，在此基礎(chǔ)上介紹了幾種告警關(guān)聯(lián)方法，分析了它們的優(yōu)缺點。通過對比幾種方法，提出采用基于事例推理和基于規(guī)則推理的兩種方法對故障進行關(guān)聯(lián)分析。

關(guān)鍵詞：故障管理；告警關(guān)聯(lián)；基于規(guī)則的推理；基于事例推理

中圖分類號：TP393文獻標識碼：A文章編號：1009-3044(2008)28-0065-02

Analysis of Alarm Correlated Techniques in Network Fault Management

XU Li-xia，Yin Ming

(The Engineering and Technical College of Chengdu University of Technology，Leshan 614007 China)

Abstract:With the development of communication networks and expansion of services， the network management and maintenance becomes more and more difficult. Alarm correlation plays an important role in network fault management. This paper firstly introduces the concept of fault management and alarm correlation， presents several alarm correlation techniques， and then analyzes their advantages and disadvantages. By the contrast of these techniques， the case-based reasoning and the rule-based reasoning are selected to carry on the fault correlation analysis.

Key words:fault management;alarm correlation;rule-based reasoning;case-based management

1 引言

故障管理是現(xiàn)代電信網(wǎng)管理的5大功能之一，故障管理是網(wǎng)絡管理的一個重要組成部分，故障管理的智能化是故障管理追求的目標，也是復雜、高速網(wǎng)絡高可靠性、高生存性的必然要求。

網(wǎng)絡管理員面對通信網(wǎng)絡中產(chǎn)生的大量告警信息，往往很難從中找出故障的真正原因，從而無法快速實施故障修復和障礙排除。對于故障管理來講，其難點就在于故障診斷和定位。為了更好的解決故障診斷定位問題，需要對所接收的告警信息進行分析和處理，以便能更好地完成故障管理的任務。

為了更好的把故障管理的智能化的思想運用到通信網(wǎng)絡中，以解決大型通信網(wǎng)中大量的告警信息，本文將首先介紹幾種具有代表性的故障管理告警關(guān)聯(lián)技術(shù)，并通過對比分析這幾種方法，選擇將基于規(guī)則和實例的關(guān)聯(lián)分析方法相結(jié)合，進而來分析告警信息，從而使故障的定位更加準確。

2 基本概念

在網(wǎng)絡管理領(lǐng)域，故障是人們對服務中出現(xiàn)問題的感知，尤其是用戶的感知。故障是產(chǎn)生告警事件的原因。告警是當檢測到錯誤或異常狀態(tài)時產(chǎn)生的特定類型的通知。但它只是表明可能有故障發(fā)生，并不一定有故障發(fā)生。當網(wǎng)絡中出現(xiàn)故障時，會引發(fā)一系列告警，但并不是所有告警都表明故障原因，所以需要對網(wǎng)絡中發(fā)生的告警事件進行相關(guān)性分析，確定產(chǎn)生故障的根本原因。

告警相關(guān)性分析是指對告警進行合并和轉(zhuǎn)化，將多個告警合并成一條具有更多信息量的告警，確定能反應故障根本原因的告警，準確定位故障[1]。

3 幾種告警關(guān)聯(lián)技術(shù)

3.1 基于規(guī)則的推理

基于規(guī)則的推理又稱為基于規(guī)則的專家系統(tǒng)、專家系統(tǒng)、產(chǎn)生式系統(tǒng)和黑板系統(tǒng)等，它是最早出現(xiàn)的一種事件關(guān)聯(lián)技術(shù)。

這種方法的特定領(lǐng)域的知識包含在一組規(guī)則集中，而與特定情況相關(guān)的知識構(gòu)成了事實。每個基于規(guī)則的系統(tǒng)都有一個控制策略，決定應用規(guī)則的次序。例如，當結(jié)束條件已經(jīng)被滿足，則停止計算[1]。

3.2 基于事例的推理

基于事例的推理是通過直接利用過去的經(jīng)驗和方法，來解決給定的問題。事例是以前遇到并已經(jīng)解決的特定問題?；谑吕耐评硎菍⑦^去成功的事例存入事例庫；遇到新問題時，在事例庫中尋找類似的過去事例，利用類比推理方法得到新問題的近似解答；再加以適當修改，使之完全適合新問題。事例庫的維護主要是按著名的遺忘曲線理論，即長期不用的信息將會被遺忘，所以要刪除長期不用的事例。

3.3 基于模型的推理

在基于模型的推理系統(tǒng)中，每個被管對象都有一個模型與之相對應。一個模型實際上就是一個軟件模塊。處于網(wǎng)絡管理系統(tǒng)中的事件相關(guān)器建立在面向?qū)ο蟮哪Ｐ椭?，模型之間的協(xié)作形成事件關(guān)聯(lián)。網(wǎng)絡管理系統(tǒng)和被管網(wǎng)元之間的通信是通過事件關(guān)聯(lián)器和每個被管網(wǎng)元的模型之間的通信實現(xiàn)的，被管網(wǎng)元和被管網(wǎng)元之間的通信是通過被管網(wǎng)元的模型之間的通信實現(xiàn)的。這樣，模型之間的關(guān)系反映出它們所代表的被管網(wǎng)元之間的關(guān)系[2]。

每個模型通過與自身所表示的被管網(wǎng)元以及與其它模型之間進行通信，分析自身所表示的網(wǎng)元是否發(fā)生故障。因此，網(wǎng)元的故障首先由模擬該網(wǎng)元的模型識別出，然后報告給網(wǎng)絡管理系統(tǒng)。

3.4 貝葉斯網(wǎng)絡

貝葉斯網(wǎng)絡 [3]提出處理不確定性的新方法。通過這些方法即使在信息不完全和不精確的情況下，也可以進行推理。通信網(wǎng)絡中發(fā)生的告警事件，可能會發(fā)生丟失，收集到的具有相關(guān)性告警事件是不確定的。而且激發(fā)相關(guān)性告警的故障原因也是不確定的。所以通過貝葉斯網(wǎng)絡來分析通信網(wǎng)絡中告警相關(guān)性，可以克服告警事件的不確定性。

3.5 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡是模仿人類神經(jīng)系統(tǒng)的工作原理，又相互聯(lián)結(jié)的神經(jīng)元組成的系統(tǒng)。各神經(jīng)元之間是簡單的輸入/輸出的關(guān)系。通過學習待分析數(shù)據(jù)中的模式來構(gòu)造模型，而這個模型本身相當于一個“黑箱”，我們并不了解“黑箱”內(nèi)部的東西，而只要求我們在已經(jīng)訓練好的神經(jīng)網(wǎng)絡中輸入端輸入數(shù)據(jù)，就可以在輸出端直接得到預期的結(jié)果。

3.6 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是在數(shù)據(jù)中發(fā)現(xiàn)新穎的模式。它是基于過去事例的泛化的一種歸納學習。數(shù)據(jù)挖掘在通信領(lǐng)域中的典型應用是基于歷史告警數(shù)據(jù)，發(fā)現(xiàn)告警相關(guān)性規(guī)則。根據(jù)發(fā)現(xiàn)的規(guī)則，來分析和預測網(wǎng)絡元件可能出現(xiàn)的故障。

3.7 模糊邏輯

由于通信網(wǎng)絡結(jié)構(gòu)十分復雜，幾乎不可能建立關(guān)于這些網(wǎng)絡的精確模型，所以需要用模糊邏輯方法來處理一些具體問題。而且實際上由于網(wǎng)絡配置經(jīng)常發(fā)生變化，網(wǎng)絡模型越詳細，那么它過時的速度會越快。并且在故障和告警之間的因果關(guān)系通常是不完全的，如由于路由故障，一些告警事件發(fā)生丟失。因此可以通過模糊邏輯描述出不精確網(wǎng)絡模型，用于分析不完全的告警相關(guān)性[1]。

由通信專家所提供的知識經(jīng)常是不精確的，很難直接用于網(wǎng)絡管理。模糊邏輯中最根本的概念是模糊集合。模糊集合中任何一個元素歸屬于某個集合，不再是從True 或False的兩者選擇其一，而是在區(qū)間[0，1]之間的一個值。所以通過模糊邏輯來描述網(wǎng)絡模型，采用模糊推理來確定出相關(guān)性規(guī)則。

4 分析和比較

下面對上述幾種告警關(guān)聯(lián)技術(shù)的優(yōu)缺點進行分析和比較。

基于規(guī)則的推理系統(tǒng)結(jié)構(gòu)簡單，比較容易實現(xiàn)。但對于基于規(guī)則的系統(tǒng)來說，當規(guī)則數(shù)目達到一定量時，規(guī)則庫的維護變得越來越困難。而且知識的獲取是基于規(guī)則系統(tǒng)的一個很大瓶頸，因為規(guī)則獲取主要從專家那里獲得，且無自學習的功能。而且在這種演繹推理過程中，沒有充分利用過去經(jīng)驗并且缺乏記憶。

基于事例的推理克服了基于規(guī)則的推理的許多不足：前者知識的單元是事例，檢索是基于對事例的部分匹配，而對于后者知識的單元是規(guī)則，檢索是基于對規(guī)則的完全匹配。但是在基于事例的推理系統(tǒng)剛開始運行的時候，一般很少能找到完全匹配的事例，隨著事例庫的增長，系統(tǒng)的效率也會逐漸提高。并且系統(tǒng)具有自學習的能力。缺點是它總是與某一個特定應用領(lǐng)域緊密相關(guān)，而不存在一個通用的事例方法。它對于網(wǎng)絡變化處理反應不敏感，處理過程較復雜而且費時，這對于要求實時性高的告警處理是一個問題。

基于模型的推理通過模型間的互操作來達到事件關(guān)聯(lián)的目的，這對降低網(wǎng)絡管理系統(tǒng)的網(wǎng)絡負載有一定的好處。但是它需要為每個網(wǎng)元建立一個模型軟件，當網(wǎng)絡規(guī)模逐漸增大時這一任務的復雜性就會越來越高。

對于貝葉斯網(wǎng)絡來說，計算出每一個節(jié)點相關(guān)概率是一個NP-hard 的問題。雖然通過采用恰當?shù)膯l(fā)式算法，可以在可接受的時間內(nèi)算出幾千個節(jié)點的計算，但貝葉斯網(wǎng)絡邊界概率的計算效率仍是一個有待解決的難題。

基于神經(jīng)網(wǎng)絡的方法具有良好的自學習能力，而且對輸入的數(shù)據(jù)具有較好的容錯性。但神經(jīng)網(wǎng)絡需要過多的訓練，在通信網(wǎng)絡中很難找到較好的訓練數(shù)據(jù)。

數(shù)據(jù)挖掘方法不需要知道網(wǎng)絡拓撲結(jié)構(gòu)關(guān)系，因此當網(wǎng)絡拓撲結(jié)構(gòu)發(fā)生變化時，可以通過告警的歷史記錄進行分析，自動發(fā)現(xiàn)新的告警相關(guān)性規(guī)則，這減輕了網(wǎng)絡管理員的工作強度，提高了工作效率。因此基于數(shù)據(jù)挖掘告警相關(guān)性系統(tǒng)可以很快地調(diào)整適應一些變化快的通信網(wǎng)絡，解決通信網(wǎng)絡中出現(xiàn)的新問題[1]。

5 結(jié)論

隨著通信網(wǎng)絡的迅速發(fā)展，對網(wǎng)絡的維護變得越來越困難，對告警處理愈顯重要。

傳統(tǒng)上人們傾向于采用某一種方法對告警事件進行分析，但是通過上面介紹，我們可以得知，每一種方法都有其優(yōu)缺點。如果僅僅采用一種方法，那么其效果在網(wǎng)絡規(guī)模較小的情況下，還可以滿足實際要求。當通信網(wǎng)絡規(guī)模越來越大時，顯然已經(jīng)無法滿足網(wǎng)絡維護的要求。因此我們可以選用其中的兩種或以上方法同時對告警事件進行分析。

從上面的介紹中，我們可以得知，基于規(guī)則的推理和基于事例的推理這兩種方法的具有一定的互補性?；谝?guī)則的推理算法最大優(yōu)點是它更符合人的思維，便于人們的理解，系統(tǒng)結(jié)構(gòu)簡單，比較容易實現(xiàn)。所有知識都采用“if-then”或者“condition-action”規(guī)則集的形式?；谑吕评淼南到y(tǒng)具有自學習的能力，通過直接利用過去的經(jīng)驗和方法，來解決給定的問題。該方法還可與神經(jīng)網(wǎng)絡和遺傳算法相結(jié)合，進一步完善其學習能力。針對通信網(wǎng)絡的特點，我們以這兩種推理方法為主要手段對網(wǎng)絡故障進行分析。

參考文獻：

[1] 鄭慶國，呂衛(wèi)鋒.通信網(wǎng)絡中的告警相關(guān)性研究[J].計算機工程與應用.2002(2):11-14.

[2] 彭熙，李艷，肖德寶.網(wǎng)絡故障管理中幾種事件關(guān)聯(lián)技術(shù)的分析與比較.計算機應用研究[J].2003(9):145-148.

[3] David Heckerman，Michael P.Wellman.Real-world Application of Bayesian Networks[J].ACM，1995，38(3):24-26.