李霽軒 ，吳子辰 ，郭 燾 ，朱鵬宇 ，吳季樺

(1.國網(wǎng)江蘇省電力有限公司信息通信分公司，江蘇 南京 210000；2.國網(wǎng)電力科學(xué)研究院有限公司，江蘇 南京 210012；3.北京郵電大學(xué)網(wǎng)絡(luò)與交換國家重點(diǎn)實(shí)驗(yàn)室，北京 100876)

0 引言

我國電力行業(yè)的高效平穩(wěn)發(fā)展是保證經(jīng)濟(jì)安全、快速、穩(wěn)定發(fā)展的能源保障。人工智能時代對電力通信領(lǐng)域提出了新的要求，也為電力通信管理系統(tǒng)(Telecom Management System，TMS)的發(fā)展提供了新方向[1]。TMS 作為電力領(lǐng)域信息化產(chǎn)物，為整個電力系統(tǒng)中的電網(wǎng)調(diào)度、自動化、繼電保護(hù)、安全自動控制、電力市場交易以及企業(yè)信息化等工作提供了堅實(shí)的基礎(chǔ)，同時也為電力通信中的異常檢測、路由優(yōu)選等智能化應(yīng)用提供支撐。

隨著特高壓電網(wǎng)、各級電網(wǎng)協(xié)調(diào)的統(tǒng)一發(fā)展，智能網(wǎng)的建設(shè)的需求也逐漸加強(qiáng)，對支撐電網(wǎng)信息化基礎(chǔ)TMS 系統(tǒng)提出了更高要求。在電力通信信息化、智能化建設(shè)和應(yīng)用實(shí)踐過程中，電力公司積累了海量的實(shí)時數(shù)據(jù)和運(yùn)行數(shù)據(jù)，傳統(tǒng)基于規(guī)則的缺陷處置方法難以滿足智能化的需求，尤其缺乏一種對拓?fù)鋸?fù)雜、設(shè)備類型繁多的缺陷數(shù)據(jù)進(jìn)行智能分析的方法[2]。

電力通信網(wǎng)在信息化過程中產(chǎn)生了大量的數(shù)據(jù)，然而這些數(shù)據(jù)的海量增長，促使了數(shù)據(jù)歸并技術(shù)(即告警歸并技術(shù))的發(fā)展。目前國內(nèi)外主要使用基于規(guī)則匹配的方法進(jìn)行告警歸并[3]。具體而言，就是操作員根據(jù)系統(tǒng)實(shí)時情況結(jié)合專家知識動態(tài)地調(diào)整告警歸并規(guī)則。同時，也有基于規(guī)則匹配方法上的改進(jìn)。例如，加入數(shù)據(jù)預(yù)處理和數(shù)據(jù)過濾等方法輔助告警歸并[4]。上述方法在告警數(shù)據(jù)規(guī)模較小、告警延遲低、告警類別固定等情況下，能達(dá)到很好的歸并效果。但隨著告警數(shù)據(jù)的海量增長，上述方法及其相關(guān)改進(jìn)方法難以適應(yīng)當(dāng)前的數(shù)據(jù)環(huán)境。MADZIARZ A 在移動通信網(wǎng)領(lǐng)域提出了基于K-MEANS聚類的告警聚類方法[5]，嘗試引入無監(jiān)督聚類以擺脫對規(guī)則的依賴。雖然該方法無須大量人力資源的投入，但實(shí)際歸并效果差強(qiáng)人意，且需要業(yè)務(wù)專家參與預(yù)測缺陷的數(shù)量，有著極大的局限性。

5G 技術(shù)、邊緣計算、人工智能新技術(shù)的到來給電力通信領(lǐng)域帶來了新鮮血液。新技術(shù)與電力通信領(lǐng)域的有機(jī)結(jié)合，對于構(gòu)造電力通信新生態(tài)，解決遺留問題，節(jié)約人力資源，面對新的挑戰(zhàn)至關(guān)重要。

本文介紹了一種基于密度聚類(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)[6]結(jié)合人工規(guī)則進(jìn)行告警歸并協(xié)助通信缺陷診斷的無監(jiān)督學(xué)習(xí)算法。該算法具有良好的魯棒性、輕量性，支持邊緣云部署，將算法在TMS 系統(tǒng)提供的數(shù)據(jù)中進(jìn)行實(shí)驗(yàn)，結(jié)果顯示算法達(dá)到了較好的效果。

1 電力通信領(lǐng)域相關(guān)數(shù)據(jù)介紹和歸并系統(tǒng)方法原理

1.1 電力通信領(lǐng)域相關(guān)數(shù)據(jù)介紹

本文依托國網(wǎng)電力科學(xué)研究有限公司建設(shè)的國家電網(wǎng)通信管理系統(tǒng)(SG-TMS)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采樣、模型調(diào)試并進(jìn)行算法驗(yàn)證。SG-TMS 系統(tǒng)在國家電網(wǎng)通信處2019 年通信專業(yè)重點(diǎn)工作部署項(xiàng)目中，依據(jù)人工規(guī)則制定缺陷自動派單規(guī)則，實(shí)現(xiàn)了傳輸網(wǎng)監(jiān)視優(yōu)化及缺陷自動派單功能[7]。但是該方法依然存在局限性，具體表現(xiàn)在：(1)基于人工規(guī)則的方法依賴于專家經(jīng)驗(yàn)知識積累，只能總結(jié)整理常見的影響較大的缺陷；(2)隨著工作的推進(jìn)，積累的規(guī)則逐漸豐富時，給運(yùn)維人員帶來了巨大的維護(hù)壓力，同時也容易產(chǎn)生規(guī)則間的沖突，時間一長則難以為繼。

SG-TMS 提供海量的電力通信網(wǎng)核心數(shù)據(jù)，主要涉及SDH、OTN 等設(shè)備，覆蓋光纜(傳輸光路)、傳輸設(shè)備、通信電源和機(jī)房環(huán)境告警[8]。數(shù)據(jù)由邊緣節(jié)點(diǎn)進(jìn)行數(shù)據(jù)采集和過濾清洗。在系統(tǒng)中，數(shù)據(jù)主要分為以下兩部分：

(1)原始告警數(shù)據(jù)，告警數(shù)據(jù)由傳輸設(shè)備直接產(chǎn)生，經(jīng)北向接口采集后存入系統(tǒng)數(shù)據(jù)庫。但是由于系統(tǒng)中同時存在不同制造商生產(chǎn)的設(shè)備，同樣的缺陷現(xiàn)象產(chǎn)生的告警存在差異，設(shè)備告警名稱和實(shí)際問題的映射缺乏統(tǒng)一定義。

(2)缺陷單數(shù)據(jù)，缺陷單數(shù)據(jù)描述了缺陷的具體位置、實(shí)際原因和實(shí)時告警的對應(yīng)關(guān)系，由具備相關(guān)專家知識的運(yùn)維人員總結(jié)整理而來，是電力通信運(yùn)維領(lǐng)域知識的結(jié)晶，同樣也是人工智能算法中天然的標(biāo)簽數(shù)據(jù)。但是相對于龐大的原始告警數(shù)據(jù)，缺陷單數(shù)據(jù)較少，其次，缺陷單和告警由于現(xiàn)場設(shè)備的復(fù)雜性以及人為檢修的干預(yù)可能不會直接呈現(xiàn)一對一的映射關(guān)系。

綜上所述，TMS 系統(tǒng)在一定程度上實(shí)現(xiàn)了信息化自動化，但是仍然依賴專家干預(yù)。由于原始數(shù)據(jù)數(shù)量巨大，標(biāo)注數(shù)據(jù)完備性不足，結(jié)合電力通信設(shè)備中同種缺陷導(dǎo)致相似的告警模式頻繁出現(xiàn)的基本前提，考慮使用無監(jiān)督學(xué)習(xí)來協(xié)助完成告警歸并，采用基于密度的DBSCAN聚類來捕獲告警簇。

1.2 歸并系統(tǒng)方法原理

DBSCAN 算法作為經(jīng)典的密度聚類算法，其在無監(jiān)督密度聚類中的得到了廣泛的應(yīng)用。算法將點(diǎn)分類為核心點(diǎn)和非核心點(diǎn)，定義1～定義6 描述了該算法[9]。

定義1鄰域內(nèi)的點(diǎn)的集合(Eps-neighborhood of a point）：NEps(p)表示從p 點(diǎn)出發(fā)，鄰域內(nèi)所有點(diǎn)的集合，即：

NEps(p)={q∈D|dist(p，q)≤Eps}其中，D 表明全體點(diǎn)的集合，dist(p，q)表示p 點(diǎn)和q 點(diǎn)之間的歐氏距離，Eps 表示鄰域半徑。

定義2直接密度可達(dá)(Directly density-reachable)：點(diǎn)p 被稱為從點(diǎn)q 直接密度可達(dá)，當(dāng)且僅當(dāng)：

p∈NEps(q)，|NEps(q)|≥MinPts其中MinPts 為給定的使q 成為核心點(diǎn)的鄰域內(nèi)最小點(diǎn)數(shù)。

定義3密度可達(dá)(Density-reachable)：如果有一系列的點(diǎn)p1，…，pn，p1=q，pn=p，pi+1到pi直接密度可達(dá)，那么稱點(diǎn)p 從q 密度可達(dá)。

定義4密度相連(Density-connected)：如果點(diǎn)p 和點(diǎn)q 都從點(diǎn)o 密度可達(dá)，則稱點(diǎn)p 和點(diǎn)q 密度相連。

定義5簇(Cluster)：對于集合D，簇C 是D 的一個滿足以下條件的子集：

(1)?p，q：if p∈C，并且q 從p 密度可達(dá)，那么q∈C。

(2)?p，q∈C：p 和q 密度可達(dá)。

定義6噪聲(noise)：噪聲為不屬于任意一個簇Ci的離散點(diǎn)，即：

noise={p∈D|?i：p≠Ci}

具體而言，在劃分簇時，對于給定的邊界距離Eps和最小核心節(jié)點(diǎn)數(shù)MinPts，和非空節(jié)點(diǎn)集D，簇C 構(gòu)建時首先檢測其密度直達(dá)性。首先將核心點(diǎn)中具有密度直達(dá)關(guān)系的點(diǎn)分類給簇C，之后檢測相連性，對剩下的點(diǎn)檢測其與簇內(nèi)任意一點(diǎn)的密度相連性，如果密度相連則歸入簇C[10]。

在分類完成后，對于不屬于任何簇的孤立點(diǎn)p，將其視為噪聲[11]。

2 告警歸并系統(tǒng)實(shí)現(xiàn)

2.1 數(shù)據(jù)處理和特征構(gòu)建

面對海量、復(fù)雜、標(biāo)準(zhǔn)不一的原始告警庫，需要做一定的數(shù)據(jù)處理工作[12]。規(guī)則部分根據(jù)專家知識和運(yùn)維經(jīng)驗(yàn)，將告警種類劃分為：根告警、伴隨告警、未被分類的告警?；诟婢g衍生關(guān)系和業(yè)務(wù)、通道的關(guān)系，系統(tǒng)制定了一套歸并規(guī)則作為基準(zhǔn)參考。缺陷單數(shù)據(jù)存在人工填寫部分，不是規(guī)格化文本，無法簡單地進(jìn)行文本匹配。因此利用自動化文本分析方法[13]，對缺陷單進(jìn)行信息提取。為了后續(xù)的有效性評價，系統(tǒng)對于缺陷單抽取的信息進(jìn)一步進(jìn)行分類，以此間接獲取告警和缺陷的分布信息。

DBSCAN 是基于密度的算法，意味著輸入的特征應(yīng)當(dāng)是對應(yīng)空間的坐標(biāo)點(diǎn)，或者是點(diǎn)之間的距離矩陣。在實(shí)際背景當(dāng)中告警是連續(xù)的文本信息，因此告警的向量化過程應(yīng)該體現(xiàn)為特征提取和特征向量之間的權(quán)重分配。

基于一個缺陷可能會引起一個或多個設(shè)備在一段時間內(nèi)持續(xù)輸出相似告警的特性，聚類目標(biāo)是將屬于擁有這種特性的屬于同一缺陷的告警聚為一個簇[14]。對告警而言，有兩方面的信息較為重要：告警本身的相關(guān)參數(shù)(告警種類、發(fā)生位置、設(shè)備類型、設(shè)備位置等)以及告警時間[15]。其中告警本身的相關(guān)參數(shù)反映了告警之間的相關(guān)程度以及告警在空間上的相近程度，告警時間是當(dāng)前告警產(chǎn)生的時間，蘊(yùn)含了缺陷發(fā)生的時間信息。對于告警本身的相關(guān)參數(shù)，使用one-hot 方法[16]將其映射為特征向量，對于沒有制定權(quán)重的one-hot 來說，告警之間任意一個特征的差距映射在空間上面距離相同，在DBSCAN算法當(dāng)中作用相同，而通過調(diào)整各個特征的權(quán)重可以反映不同特征的重要性。對于時間信息而言，顯然不能簡單運(yùn)用one-hot 方法，則關(guān)鍵在于統(tǒng)一時間和其他特征在特征向量上的距離關(guān)系。告警集合為D，告警具有1個時間特征和m 個其他經(jīng)過one hot 轉(zhuǎn)換的相關(guān)參數(shù)特征。則第i 條告警對應(yīng)特征向量表述為Di=(Ti，Xi，j，…，Xi，m)，其中Ti為告警i 的一維時間特征，Xi，j(1≤j≤m)表示告警i 的第j 個相關(guān)參數(shù)對應(yīng)的向量。則假設(shè)告警本身相關(guān)參數(shù)的每個特征都被賦予同樣的權(quán)重，如果要使得任意變化一個特征帶來的空間坐標(biāo)之間的距離變化等價于兩個相鄰告警a 和b 的時間差超過了時間窗口的距離變化，設(shè)變化的特征為第t 個特征，特征維度為n，時間窗口為WINDOWS，則可以得到：

對于單純的one hot 向量特征，顯然β=2/WINDOWS。

進(jìn)一步，可以得到：

其中nj表示第j 個特征對應(yīng)的維度，βj表示第j 個特征的權(quán)重?？梢酝ㄟ^調(diào)整β 和βj(1≤j≤m)的值來調(diào)整時間和其他參數(shù)之間的權(quán)重。

不同樣本的距離綜合考慮了告警本身相關(guān)參數(shù)距離和時間距離。以此對所有告警進(jìn)行聚類，則最后得到的聚類結(jié)果應(yīng)該是使得時間上較為聚集的相似告警或者是時間上極為聚集的較相似告警成為同個簇[17]。

2.2 系統(tǒng)架構(gòu)設(shè)計

圖1 電力通信網(wǎng)自動派單邊緣計算系統(tǒng)

如圖1 所示，使用基于邊緣計算的電力通信告警歸并架構(gòu)構(gòu)建的計算平臺，可以由邊緣節(jié)點(diǎn)對端設(shè)備進(jìn)行告警采集，在邊緣節(jié)點(diǎn)進(jìn)行告警歸并，完成邊緣計算資源生命周期管理，最后將告警歸并結(jié)果返回云側(cè)，支持后續(xù)缺陷定位定級、可靠性評估、迂回路由優(yōu)選、缺陷單自動派發(fā)等功能，實(shí)現(xiàn)知識庫的自動化迭代更新，助力建立電力通信行業(yè)邊緣計算新生態(tài)。

圖2 介紹了單邊緣設(shè)備上告警歸并方法的基本流程。缺陷單數(shù)據(jù)經(jīng)過自動化文本分析和分詞得到缺陷單以及對應(yīng)告警的關(guān)系，保留數(shù)據(jù)以支持后續(xù)有效性評估[18]。

原始告警經(jīng)過數(shù)據(jù)清洗、數(shù)據(jù)預(yù)處理完成特征分解，進(jìn)一步對特征進(jìn)行向量化，細(xì)節(jié)在2.1 小節(jié)中已經(jīng)討論。然后對特征向量進(jìn)行DBSCAN 聚類，對得到的簇進(jìn)一步使用人工規(guī)則進(jìn)行告警歸并[19]。對于輸出的告警歸并數(shù)據(jù)使用缺陷單得到的缺陷-告警關(guān)系來進(jìn)行有效性驗(yàn)證，根據(jù)效果調(diào)節(jié)前面聚類部分的參數(shù)。

3 系統(tǒng)有效性驗(yàn)證

3.1 算法參數(shù)Eps 和MinPts 的確定

對于本系統(tǒng)中應(yīng)用的聚類算法而言，預(yù)先設(shè)定參數(shù)的選擇會最大程度上影響歸并表現(xiàn)效果，其中預(yù)先需要設(shè)定的參數(shù)為鄰域半徑Eps 和密度判斷閾值MinPts。算法細(xì)節(jié)在第1 小節(jié)中已經(jīng)給出，顯然，鄰域半徑Eps 設(shè)定過大或密度判斷閾值MinPts 設(shè)定過小會使得噪聲點(diǎn)或者多個不同的類被并入一類，鄰域半徑Eps 設(shè)定過小或密度判斷閾值MinPts 過大會使得原先的同一類被劃分到多個簇中。

為了確定來自單邊緣節(jié)點(diǎn)所收集設(shè)備的本告警數(shù)據(jù)集中不同參數(shù)對算法結(jié)果的影響，表1 列出了不同參數(shù)(即鄰域半徑Eps 和密度判斷閾值MinPts)的不同設(shè)置對應(yīng)的僅基于DBSCAN 方法的告警歸并效果以及對應(yīng)的訓(xùn)練時間，評價指標(biāo)為V-measure 對應(yīng)的h-score、c-score和v-score，指標(biāo)含義在3.2 節(jié)中進(jìn)一步闡述。

從表1 的比較中可以發(fā)現(xiàn)，在Eps=5 以及MinPts=2時，基于DBSCAN 的告警歸并方法可以獲得最優(yōu)，在這種情況下c-score 也同時達(dá)到了最優(yōu)。由于本系統(tǒng)中的規(guī)則應(yīng)用于基于DBSCAN 生成的簇內(nèi)，并在后續(xù)進(jìn)一步細(xì)化簇，因此簇的完整性指標(biāo)也就是c-score 是應(yīng)當(dāng)被首要保證的。在本系統(tǒng)實(shí)例中，選用參數(shù)為Eps=5和MinPts=2。

表1 不同參數(shù)對基于DBSCAN 的告警歸并性能和效率影響

3.2 結(jié)果分析

本文利用SG-TMS 已有的缺陷單作為檢驗(yàn)聚類效果的標(biāo)準(zhǔn)，因?yàn)槿毕輪斡删哂邢嚓P(guān)專業(yè)知識和從業(yè)經(jīng)驗(yàn)的人員進(jìn)行歸并，反映了告警與缺陷的真實(shí)關(guān)系。

在實(shí)際對數(shù)據(jù)進(jìn)行處理時，考慮到SG-TMS 庫中缺陷單相對有限，對原始告警進(jìn)行切分，使其與缺陷單的時間范圍一致，保證能對DBSCAN 算法的聚類效果進(jìn)行有效評估。由于原始告警數(shù)據(jù)的復(fù)雜性，需要結(jié)合人工規(guī)則進(jìn)行輔助劃分。針對不同制造商的設(shè)備對于同一種告警現(xiàn)象制定的告警文本信息不一致的情況，通過建立專家知識庫[20]實(shí)現(xiàn)了不同廠商設(shè)備告警的關(guān)聯(lián)映射。

圖2 單邊緣設(shè)備上基于無監(jiān)督聚類結(jié)合規(guī)則的告警歸并流程

歸并結(jié)果的有效性驗(yàn)證[21]借鑒了聚類方法的評估指標(biāo)，聚類方法的評價指標(biāo)[22]分為外部指標(biāo)和內(nèi)部指標(biāo)，內(nèi)部評價聚類的估計趨勢，體現(xiàn)數(shù)據(jù)的非均勻分布程度。在電力通信系統(tǒng)中，比起數(shù)據(jù)的非均勻程度更加關(guān)注告警與實(shí)際場景的一致性(告警歸并結(jié)果直接影響后續(xù)缺陷處理)，因此借助缺陷和告警簇的分布情況通過外部指標(biāo)來評價歸并結(jié)果是否準(zhǔn)確且完備。

原始告警進(jìn)行聚類歸并之后，選取缺陷單的對應(yīng)告警與得到的告警歸并結(jié)果進(jìn)行比對，要求同一缺陷單對應(yīng)的告警應(yīng)當(dāng)被歸并在一起，且不同缺陷單對應(yīng)的告警不應(yīng)被歸并在一起，選擇了V-measure 方法[23]進(jìn)行有效性評估。

其中，H(C|K)是給定簇劃分條件下類別劃分的條件熵，H(C)是類別劃分熵，H(K|C)是給定類別劃分條件下的簇劃分的條件熵，即：

式中，N 表示實(shí)例總數(shù)，nc表示類別c 下的實(shí)例數(shù)，nk表示簇k 下的實(shí)例數(shù)，nc，k表示類c 中被劃分到簇k 的實(shí)例數(shù)。

表2 給出了分別基于規(guī)則匹配、K-MEANS、DBSCAN以及本系統(tǒng)中DBSCAN 與規(guī)則結(jié)合的告警歸并方法的特性和效果對比。其中K-MEANS 方法需要業(yè)務(wù)專家的先驗(yàn)知識推測出可能發(fā)生的缺陷個數(shù)進(jìn)行預(yù)設(shè)簇的數(shù)目，其他方法不需要進(jìn)行預(yù)設(shè)簇；規(guī)則匹配方法不具備自學(xué)習(xí)能力，只能夠在規(guī)則中學(xué)習(xí)，而K-MEANS 方法與DBSCAN 方法可以從數(shù)據(jù)中進(jìn)行自學(xué)習(xí)。

表2 不同告警歸并方法的特性和效果對比

h-score、c-score 和v-score 分別表明了歸并結(jié)果的同質(zhì)性、完整性和同質(zhì)性與完整性的調(diào)和平均值，取值為0 到1，取值為1 時為最理想結(jié)果。

顯然觀察表中結(jié)果，可以直觀地看出，幾種方法在信息熵上的表現(xiàn)都能夠有效消除不確定性。其中在同質(zhì)性表現(xiàn)上，規(guī)則匹配和本系統(tǒng)方法表現(xiàn)最佳；在完整性表現(xiàn)上，DBSCAN 方法表現(xiàn)最佳；綜合考慮同質(zhì)性與完整性的表現(xiàn)，本系統(tǒng)方法和DBSCAN 方法表現(xiàn)最佳。性能表現(xiàn)具有可解釋性。K-MEANS 方法在缺陷具有突發(fā)性的前提中并不適用，因此性能表現(xiàn)都不太理想。規(guī)則匹配方法得到的歸并結(jié)果基于人工經(jīng)驗(yàn)因此歸并的結(jié)果同質(zhì)性較高，但是對于規(guī)則以外的模式無法進(jìn)行捕獲因此完整性欠缺。DBSCAN 方法基于數(shù)據(jù)之間的粘連程度進(jìn)行聚類，會對所有數(shù)據(jù)進(jìn)行歸并，因此完整性較好，同質(zhì)性欠缺。本系統(tǒng)方法結(jié)合了DBSCAN 和規(guī)則方法，在完整性和同質(zhì)性上都能獲得較好的性能表現(xiàn)。本文的基于聚類結(jié)合規(guī)則的告警歸并方法在消除不確定性上表現(xiàn)更強(qiáng)，具有自學(xué)習(xí)能力，不需要預(yù)先人為預(yù)測缺陷數(shù)目。

表3 給出了分別基于規(guī)則匹配、K-MEANS、DBSCAN以及本系統(tǒng)中DBSCAN 與規(guī)則結(jié)合的告警歸并方法的缺陷一致性對比。

表3 不同告警歸并方法的缺陷一致性對比

歸并與缺陷一對一：表明歸并集合中僅包含一個缺陷且一個缺陷對應(yīng)的告警被歸并到了同一個集合中。歸并與缺陷一對一表明告警被正確歸并，顯然本系統(tǒng)方法顯著優(yōu)于其他方法。

歸并與缺陷一對多：表明歸并集合中包含多個缺陷但一個缺陷對應(yīng)的告警被歸并到了同一個集合中。歸并與缺陷一對多表明部分簇被劃分得過大，可以通過細(xì)化簇來降低該比例，可見本系統(tǒng)方法通過結(jié)合規(guī)則匹配比起單純的DBSCAN 方法降低了更多歸并與缺陷一對多比例，提高了歸并與缺陷一對一比例。

歸并與缺陷多對一：表明歸并集合中僅包含一個缺陷但一個缺陷對應(yīng)的告警被歸并到了多個集合中。歸并與缺陷多對一表明部分簇被劃分得過小，可見本系統(tǒng)方法通過結(jié)合DBSCAN 方法比起單純的規(guī)則匹配降低了更多歸并與缺陷多對一比例，提高了歸并與缺陷一對一比例。

歸并與缺陷多對多：表明歸并集合中包含多個缺陷且一個缺陷對應(yīng)的告警被歸并到了多個集合中。本系統(tǒng)方法在歸并與缺陷多對多上占比最小，表現(xiàn)最優(yōu)。

系統(tǒng)評估使用了146 個缺陷單數(shù)據(jù)，其中12 個缺陷單存在重復(fù)派單的現(xiàn)象，因此歸并與缺陷一對多的比例較高。由聚類所生成的簇是一組數(shù)據(jù)對象的集合，這些對象與同一個簇中的對象彼此相似，與其他簇中的對象相異。在本實(shí)例中，每一個簇對應(yīng)著歸并方法得到的被預(yù)測為由同一個缺陷導(dǎo)致的告警的集合。則簇的數(shù)目對應(yīng)著歸并告警集合數(shù)，也就是預(yù)測的缺陷數(shù)目。在簇的數(shù)目上，K-MEANS 算法需要提前預(yù)設(shè)簇數(shù)目才能運(yùn)行，預(yù)設(shè)簇數(shù)目為146，因此生成簇的數(shù)目與缺陷總數(shù)保持一致，而其他方法生成簇的數(shù)目與實(shí)際缺陷數(shù)目有偏差。簇的數(shù)目與實(shí)際缺陷數(shù)目的一致性部分顯示了歸并方法的準(zhǔn)確性。由表中結(jié)果可知，本系統(tǒng)的基于聚類結(jié)合規(guī)則的告警歸并方法在歸并與缺陷一致性表現(xiàn)上更強(qiáng)，不需要預(yù)設(shè)簇數(shù)目且生成簇與實(shí)際缺陷數(shù)目較為一致。進(jìn)一步經(jīng)過數(shù)據(jù)分析可得，未能正確被歸并到一起的5 個缺陷對應(yīng)的告警時間間隔較大往往在3 小時以上，不符合預(yù)設(shè)的時間聚集前提，同樣也不符合運(yùn)維的常規(guī)情況，推測可能采集裝置存在問題或由檢修動作引發(fā)[24]。結(jié)果表明，該方法能被部署在邊緣側(cè)節(jié)點(diǎn)完成數(shù)據(jù)收集和告警歸并，具有較強(qiáng)的魯棒性和泛化能力，同時實(shí)驗(yàn)效果表明將無監(jiān)督方法應(yīng)用到告警歸并流程中能夠顯著提高歸并率和告警與缺陷的匹配率，給后續(xù)缺陷定位和故障診斷打下了堅實(shí)的基礎(chǔ)。

4 結(jié)論

本文提出了一種面向邊緣計算的基于密度的無監(jiān)督聚類方法結(jié)合人工規(guī)則應(yīng)用于電力通信網(wǎng)中的告警歸并方法，討論了告警特征空間構(gòu)建和時間與相關(guān)參數(shù)指標(biāo)的權(quán)重矯正方法，并且引進(jìn)了有效性評價指標(biāo)表明該方法對時間上聚集和性質(zhì)相似的告警數(shù)據(jù)有著較好的效果。后續(xù)研究可以通過加入空間拓?fù)潢P(guān)系特征[25]以及調(diào)整特征[26]權(quán)重來進(jìn)一步提高歸并效果。