一种基于图神经网络的云网跨域告警聚类方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116016118A(43)申请公布日2023.04.25(21)申请号202211723974.3(22)申请日2022.12.30(71)申请人中国联合网络通信集团有限公司地址100033北京市西城区金融大街21号(72)发明人赵慧英谢志普程新洲汪悦(74)专利代理机构北京天昊联合知识产权代理有限公司11112专利代理师盛博周际(51)Int.Cl.H04L41/0631(2022.01)H04L67/08(2022.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于图神经网络的云网跨域告警聚类方法和装置(57)摘要本公开提供了一种基于图神经网络的云网跨域告警聚类方法和装置。该方法包括：获取告警数据，其中所述告警数据构成告警消息块；按时间序列获取连续的告警消息块；判断是否进入模型训练阶段，若是，则响应于进入所述模型训练阶段，新建告警消息关系图并生成加权多关系图，或者维护告警消息关系图并更新加权多关系图；基于所述多关系图，通过加权多关系图神经网络算法MarGNN来训练告警消息节点的嵌入向量学习模型；输出所述告警消息节点的嵌入向量；以及基于所述嵌入向量，对所述告警消息进行聚类，以获得故障事件类簇。CN116016118ACN116016118A权利要求书1/2页1.一种基于图神经网络的云网跨域告警聚类方法，其特征在于，所述方法包括：获取告警数据，其中所述告警数据构成告警消息块；按时间序列获取连续的告警消息块；判断是否进入模型训练阶段，若是，则响应于进入所述模型训练阶段，新建告警消息关系图并生成加权多关系图，或者维护告警消息关系图并更新加权多关系图；基于所述多关系图，通过加权多关系图神经网络算法MarGNN来训练告警消息节点的嵌入向量学习模型；输出所述告警消息节点的嵌入向量；以及基于所述嵌入向量，对所述告警消息进行聚类，以获得故障事件类簇。2.根据权利要求1所述的方法，其中，所述方法还包括：判断是否进入模型训练阶段，若否，则进入告警消息聚类阶段，并且响应于进入所述告警消息聚类阶段，扩充告警消息关系图并更新加权多关系图。3.根据权利要求1所述的方法，其中，所述判断是否进入模型训练阶段的步骤包括：当获取到第一个告警消息块时，则判断进入所述模型训练阶段；或者设置维护周期，当获取的连续告警消息块经过所述维护周期时，则判断进入所述模型训练阶段。4.根据权利要求1所述的方法，其中，所述新建告警消息关系图并生成加权多关系图的步骤包括：以告警消息为节点构建初始异构信息网络；以及建立元路径模型，以生成所述加权多关系图。5.根据权利要求5所述的方法，其中，所述维护告警消息关系图并更新加权多关系图的步骤包括：从所述加权多关系图中删除过时的告警消息节点；获取新告警消息块；以及基于所述新告警消息块中的告警消息节点、所述新告警消息块中的告警消息节点与现有告警消息节点之间的边以及所述新告警消息块中的相应告警消息节点之间的边，更新所述加权多关系图。6.根据权利要求1所述的方法，其中，所述基于所述多关系图，通过加权多关系图神经网络算法MarGNN来训练告警消息节点的嵌入向量学习模型的步骤包括：选择不同关系的邻居；聚合多关系感知的邻居信息；以及基于对比学习机制更新模型参数。7.根据权利要求6所述的方法，其中，所述聚合多关系感知的邻居信息的步骤包括：聚合多关系感知的邻居信息的步骤包括：使用关系内聚合器聚合多关系感知的邻居信息；和/或使用关系间聚合器聚合多关系感知的邻居信息。8.根据权利要求2所述的方法，其中，所述扩充告警消息关系图的步骤包括：获取新告警消息块；以及基于所述新告警消息块中的告警消息节点、所述新告警消息块中的告警消息节点与现有告警消息节点之间的边以及所述新告警消息块中的相应告警消息节点之间的边，更新所述加权多关系图。9.根据权利要求1或2所述的方法，其中，输出所述告警消息节点的嵌入向量的步骤包括：基于训练好的所述嵌入向量学习模型，预测所述告警消息节点的嵌入向量。2CN116016118A权利要求书2/2页10.一种基于图神经网络的云网跨域告警聚类装置，其特征在于，所述装置包括：获取模块，被配置成获取告警数据，其中所述告警数据构成告警消息块，并且按时间序列获取连续的告警消息块；判断模块，被配置成判断是否进入模型训练阶段，若是，则响应于进入所述模型训练阶段，新建告警消息关系图并生成加权多关系图，或者维护告警消息关系图并更新加权多关系图；训练模块，被配置成基于所述多关系图，通过加权多关系图神经网络算法MarGNN来训练告警消息节点的嵌入向量学习模型；输出模块，被配置成输出所述告警消息节点的嵌入向量；以及聚类模块，被配置成基于所述嵌入向量，对所述告警消息进行聚类，以获得故障事件类簇。11