Processing

Please wait...

PATENTSCOPE will be unavailable a few hours for maintenance reason on Tuesday 25.01.2022 at 12:00 PM CET
Settings

Settings

Goto Application

1. WO2022007108 - DEEP LEARNING-BASED NETWORK ALARM POSITIONING METHOD

Publication Number WO/2022/007108
Publication Date 13.01.2022
International Application No. PCT/CN2020/108816
International Filing Date 28.09.2020
IPC
G06F 11/07 2006.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
11Error detection; Error correction; Monitoring
07Responding to the occurrence of a fault, e.g. fault tolerance
Applicants
  • 南京邮电大学 NANJING UNIVERSITY OF POSTS AND TELECOMMUNICATIONS [CN]/[CN]
Inventors
  • 徐小龙 XU, Xiaolong
  • 黄寄 HUANG, Ji
  • 赵娟 ZHAO, Juan
  • 徐佳 XU, Jia
  • 姜宇 JIANG, Yu
  • 孙维 SUN, Wei
Agents
  • 南京苏高专利商标事务所(普通合伙) NANJING SUGAO PATENT AND TRADEMARK FIRM (ORDINARY PARTNERSHIP)
Priority Data
202010649254.107.07.2020CN
Publication Language Chinese (zh)
Filing Language Chinese (ZH)
Designated States
Title
(EN) DEEP LEARNING-BASED NETWORK ALARM POSITIONING METHOD
(FR) PROCÉDÉ DE POSITIONNEMENT D'ALARME DE RÉSEAU BASÉ SUR UN APPRENTISSAGE PROFOND
(ZH) 一种基于深度学习的网络告警定位方法
Abstract
(EN) Disclosed is a deep learning-based network alarm positioning method, comprising: first preprocessing historical alarm information data; constructing a root cause node alarm information category knowledge base; using a distributed hypothesis-based word representation model to map a node and alarm information combination into a feature representation; expanding root cause node sample set data to the same sample number as a non-root cause node sample set; training an LSTM model by using the expanded data set as a training set; obtaining a feature representation for a new data sample by using the same method, and inputting a saved model to obtain a probability value set a prediction sample of which being a root cause node; screening out a sample the prediction probability of which is greater than a threshold and storing same into a suspected root cause node set; and determining a root cause node according to the connection relationship of the suspected root cause node set. Said method can improve network operation and maintenance efficiency and reduces costs.
(FR) Est divulgué un procédé de positionnement d'alarme de réseau basé sur un apprentissage profond, consistant à : d'abord pré-traiter des données d'informations d'alarme historiques ; construire une base de connaissances de catégorie d'informations d'alarme de nœud de cause racine ; utiliser un modèle de représentation de mot basé sur une hypothèse distribuée pour mapper une combinaison d'informations d'alarme et de nœud dans une représentation de caractéristique ; étendre les données d'ensemble d'échantillons de nœud de cause racine au même nombre d'échantillons qu'un ensemble d'échantillons de nœuds autres que de cause racine ; entraîner un modèle LSTM à l'aide de l'ensemble de données étendu en tant qu'ensemble d'entraînement ; obtenir une représentation de caractéristique pour un nouvel échantillon de données en utilisant le même procédé et entrer un modèle sauvegardé pour obtenir un ensemble de valeurs de probabilité dont un échantillon de prédiction est un nœud de cause racine ; filtrer pour éliminer un échantillon dont la probabilité de prédiction est supérieure à un seuil et le stocker dans un ensemble de nœuds de cause racine suspectés ; et déterminer un nœud de cause racine en fonction de la relation de connexion de l'ensemble de nœuds de cause racine suspectés. Ledit procédé permet d'améliorer l'efficacité de maintenance et de fonctionnement du réseau et de réduire les coûts.
(ZH) 本发明公开了一种基于深度学习的网络告警定位方法,先对历史的告警信息数据进行预处理;构建根因节点告警信息类别知识库;使用基于分布式假设的词表示模型将节点与告警信息组合映射成特征表示;将根因节点样本集合数据扩充至与非根因节点样本集合的样本数相同;将扩充后的数据集作为训练集,训练LSTM模型;对新的数据样本用同样的方法得到特征表示,输入保存好的模型,得到预测样本为根因节点的概率值集合;将预测概率大于阈值的样本筛选出来并存入疑似根因节点集合;根据疑似根因节点集合连接关系确定根因节点。该方法可提高网络运维的效率,节省成本。
Latest bibliographic data on file with the International Bureau