王 帅，杨秋辉，曾嘉彦，万 莹，樊哲宁，张光兰

(四川大学 计算机学院，成都 610065)(*通信作者电子邮箱yangqiuhui@scu.edu.cn)

0 引言

通信网络产生的大量数据如指令、告警，其中包含了对故障的检测预测十分有用的信息，通过对告警数据进行分析和挖掘，能够获得其中隐含的告警关联规则，当实时告警数据到来时，通过匹配告警关联规则，可对不久的将来可能发生的告警进行预测，从而指导网络故障管理。

当前，通信告警预测的解决方案主要有：基于神经网络的预测方法[1]、基于支持向量机的方法[2]、基于遗传算法的预测方法[3]、基于挖掘的时间序列预测方法[4-5]等。基于神经网络的告警预测技术具有较强的非线性映射能力和动态自适应能力；但是存在网络训练时间较长、难以选取输入变量和隐含层数及节点数、训练结果不稳定、容易陷入局部最优值等缺点。基于支持向量机(Support Vector Machine, SVM)的方法能在较少的样本上得到很好的预测效果；但是复杂度较高，并且存在过学习的问题。基于遗传算法的告警预测技术具有通用、鲁棒性强等特点；但是也存在随机性大、未成熟收敛、收敛速度低等问题。基于关联规则挖掘和序列模式挖掘方法的优点是不需要知道网络拓扑的关系，当网络拓扑结构发生变化时，可以通过对历史告警数据进行分析，自动发现新的告警模式，适应网络的变化，解决网络中出现的新问题；不足之处就在构建预测模型时需要多次扫描数据库，且候选项的数量巨大，导致构建效率较低。……