基于深度學(xué)習(xí)的無(wú)線(xiàn)網(wǎng)絡(luò)日志故障預(yù)測(cè)算法研究.pdf

1、隨著社會(huì)經(jīng)濟(jì)的發(fā)展和科技的進(jìn)步，無(wú)線(xiàn)網(wǎng)絡(luò)為人們提供了越來(lái)越迅速且高質(zhì)量的服務(wù)，無(wú)線(xiàn)網(wǎng)絡(luò)在生產(chǎn)生活中扮演了越來(lái)越重要的角色，人們對(duì)電子產(chǎn)品的依賴(lài)進(jìn)而促進(jìn)了對(duì)無(wú)線(xiàn)網(wǎng)絡(luò)的依賴(lài)。隨之而來(lái)的是無(wú)線(xiàn)網(wǎng)絡(luò)規(guī)模的快速增長(zhǎng)，維護(hù)難度的增大。如何高效利用現(xiàn)有資源對(duì)未來(lái)可能發(fā)生的故障進(jìn)行預(yù)測(cè)，從而提前做出反應(yīng)，早已成為無(wú)線(xiàn)網(wǎng)絡(luò)管理中的一個(gè)重要研究領(lǐng)域。
　　然而當(dāng)前無(wú)線(xiàn)網(wǎng)絡(luò)故障預(yù)測(cè)研究中依然存在著不足，當(dāng)前工作大多使用傳統(tǒng)的數(shù)據(jù)挖掘方法，很大程度上依賴(lài)

2、于研究人員對(duì)整個(gè)無(wú)線(xiàn)網(wǎng)絡(luò)系統(tǒng)的理解，這在大規(guī)模部署的無(wú)線(xiàn)網(wǎng)絡(luò)中難度越來(lái)越大。同時(shí)，在當(dāng)前的無(wú)線(xiàn)網(wǎng)絡(luò)故障預(yù)測(cè)中，研究人員多使用告警數(shù)據(jù)、關(guān)鍵性能指標(biāo)等結(jié)構(gòu)化的數(shù)據(jù)，對(duì)于日志這樣半結(jié)構(gòu)化的數(shù)據(jù)則利用較少。文本針對(duì)這兩個(gè)問(wèn)題，設(shè)計(jì)了一種日志的數(shù)值轉(zhuǎn)化方法及兩種無(wú)線(xiàn)網(wǎng)絡(luò)故障預(yù)測(cè)算法，并在實(shí)驗(yàn)中驗(yàn)證了算法的可行性及有效性。具體而言，主要的研究?jī)?nèi)容及成果歸納如下:
　　第一，應(yīng)用自然語(yǔ)言處理的方法，將日志數(shù)據(jù)轉(zhuǎn)換為數(shù)值信息。將無(wú)線(xiàn)網(wǎng)絡(luò)日志數(shù)據(jù)

3、直接視作一個(gè)單純的文本，通過(guò)數(shù)據(jù)清洗，日志數(shù)據(jù)轉(zhuǎn)變?yōu)橐粋€(gè)由單詞組成的“文章”，使用滑動(dòng)窗口就能夠從日志中提取出日志樣本，每個(gè)日志樣本中的日志序列都是一個(gè)單詞序列。同時(shí)使用詞嵌入的方法，就能夠?qū)⒚恳粋€(gè)單詞序列換為矩陣，從而將整個(gè)日志文本轉(zhuǎn)換為可以計(jì)算的數(shù)值信息。本文針對(duì)兩種故障預(yù)測(cè)模型分別設(shè)計(jì)了兩種日志數(shù)據(jù)的提取方法。
　　第二，使用兩個(gè)滑動(dòng)窗口獲取日志樣本中的輸入序列以及對(duì)應(yīng)的故障標(biāo)簽，在經(jīng)過(guò)詞嵌入轉(zhuǎn)換為矩陣之后，利用卷積神經(jīng)網(wǎng)絡(luò)

4、檢測(cè)特征的優(yōu)勢(shì)，通過(guò)多個(gè)卷積層與池化層對(duì)日志信息進(jìn)行特征的自動(dòng)提取，以分析當(dāng)前日志輸入序列與未來(lái)系統(tǒng)狀態(tài)之間的關(guān)系，從而能夠預(yù)測(cè)無(wú)線(xiàn)網(wǎng)絡(luò)在未來(lái)可能存在的故障。在此過(guò)程中研究人員只需要很少的領(lǐng)域知識(shí)。
　　第三，在前述基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型基礎(chǔ)上，從第二個(gè)滑動(dòng)窗口中提取故障標(biāo)簽的同時(shí)提取輸出未來(lái)日志序列，利用序列到序列模型對(duì)當(dāng)前日志及未來(lái)日志之間的關(guān)系進(jìn)行建模得到日志預(yù)測(cè)模型，從而能根據(jù)當(dāng)前日志對(duì)未來(lái)的日志進(jìn)行預(yù)測(cè)。此后利用未來(lái)