基于生成式对抗网络的告警收敛推荐算法制造技术

本发明专利技术属于数据处理技术领域，涉及一种深度学习推荐算法的方法；特别是基于生成式对抗网络的告警收敛推荐算法。使用判别器模块对历史告警信息进行分析，使用全连接网络提取其特征向量，通过GRU循环神经网络学习告警信息的深层次偏好特征；使用生成器模块将收到的告警信息通过全连接网络提取其特征向量；对生成器生成的告警信息特征向量和判别器模块提取的特征向量进行相似度计算，当相似度大于一定阈值时，加大该告警信息的权重，反馈给生成器，反复迭代生成告警信息特征向量；将相似度大于0.7的告警信息发送。判别器不断迭代的方式学习特征的权重，使得告警平台的告警信息得到有效的收敛，最终得到精准的告警信息。最终得到精准的告警信息。

【技术实现步骤摘要】
基于生成式对抗网络的告警收敛推荐算法


[0001]本专利技术属于数据处理
，涉及一种深度学习推荐算法的方法；特别是基于生成式对抗网络的告警收敛推荐算法。

技术介绍

[0002]在对服务的日常监控中，收到的警报太多，容易导致人麻木，这样时间久了，遇到比较严重的警报，人们也会放松警惕。在传统的推荐算法中，应用最广泛的推荐算法是协同过滤推荐算法（Collaborative Filtering,CF），它表示用户的兴趣是建立在整个历史记录上的，协同过滤推荐算法分为两类，基于用户（User
‑
based）和基于物品（Item
‑
based）的协同过滤推荐算法。User
‑
based算法根据目标用户对物品的偏好程度发现相似用户，推荐时考虑与之相似的用户的偏好，将相似用户感兴趣的物品推荐给目标用户。协同过滤推荐算法中基于矩阵分解（MF）的模型分解整个用户项目交互矩阵,使用具有潜在表示的向量来表示用户和项目。但是它并没有考虑用户签到记录中时间间隔和地理距离的影响。
[0003]与传统推荐算法不同，经过这些年的迅猛发展，深度学习技术已经扩散到了传统机器学习的各个领域，如图像处理，自然语言处理，语音识别，推荐系统，生物医药等。深度学习有两个重要的特征（1）学习模型往往涉及到了多层的非线性数据处理（2）通过有监督或者无监督的方式在更加抽象的层次达到学习的目的。深度学习中通用且常见的网络架构有全连接网络，循环神经网络，卷积神经网络。循环神经网络通常在处理序列数据时可以达到较为理想的效果，由于基础的循环神经网络往往容易发生梯度消失和梯度爆炸的问题，现在通常使用循环神经网络的变体GRU和LSTM来处理序列数据。卷积神经网络通常在图像处理领域中应用，因为其使用不同尺寸的卷积核来提取特征，有效地减少了参数的数量。卷积神经网络架构的隐层中包括卷积层，池化层，全连接层。最新的架构隐层中也开始加入类似于残差网络的跳跃连接。全连接网络包括线性层和激活函数层，该网络属于通用网络层，既可以单独使用也可以配合其他网络使用，一般是放在其他网络层的后面，充当“分类器”。
[0004]现有的推荐算法存在的问题如下：（1）传统的推荐算法中多数使用单一的线性关系来建模，如矩阵分解技术，导致其未能体现出现实世界中用户项目之间的复杂交互关系；（2）传统的推荐算法未能对用户的签到分布特征进行充分利用，在冷启动问题和数据稀疏性问题上也缺乏显著的解决手段；（3）不管是传统的推荐系统，或者是新型基于神经网络的推荐系统，只是利用单一相似度进行推荐，它们要么只利用用户相似度，要么是只利用项目相似度，并没有摆脱使用单一相似度的困境；（4）传统的基于循环神经网络的推荐系统，使用单一语义考虑每个项目的权重，这严重限制了模型的表达能力。

技术实现思路

[0005]为了克服上述现有技术中存在的问题，本专利技术的目的是提供一种基于生成式对抗网络告警收敛推荐算法（Alert Convergence Recommendation Algorithm Based on Generative Adversarial Networks，GANACR），通过充分挖掘利用历史告警信息，在一定程度上避免了因数据集稀疏带来的冷启动问题，进而提高了推荐性能，解决了现有技术中存在的问题。
[0006]基于生成式对抗网络的告警收敛推荐算法，包括如下步骤：S1、使用判别器模块对历史告警信息进行分析，使用全连接网络提取其特征向量，通过GRU循环神经网络学习告警信息的深层次偏好特征；S2、使用生成器模块将收到的告警信息通过全连接网络提取其特征向量；S3、对生成器生成的告警信息特征向量和判别器模块提取的特征向量进行相似度计算，当相似度大于一定阈值时，加大该告警信息的权重，反馈给生成器，反复迭代生成告警信息特征向量；S4、将相似度大于0.7的告警信息发送。
[0007]所述告警信息中按来源类型通常分为CPU告警和内存告警；按时间划分通常也有高峰期和低谷期；按关联性划分为独立告警信息和关联告警信息。
[0008]本专利技术的有益效果如下：通过生成器，判别器不断迭代的方式学习特征的权重，使得告警平台的告警信息得到有效的收敛，最终得到精准的告警信息。
附图说明
[0009]图1是模型架构图。
具体实施方式
[0010]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0011]第一部分：针对告警平台告警收敛能力的不足，存在告警风暴及连锁故障等问题。本文提出基于生成式对抗网络的告警收敛推荐算法。算法主要分为五步。（1）本文提及的判别器模块，对历史告警信息进行分析，使用全连接网络提取其特征向量，具体提取步骤详见第二部分告警信息生成模块生成器部分。通过GRU循环神经网络学习告警信息的深层次偏好特征，计算过程详见公式7
‑
10。具体技术步骤详见第二部分告警信息生成模块2.2判别器部分。（2）本文提及的生成器模块，将新收到的告警信息通过全连接网络提取其特征向量。具体技术步骤详见第二部分告警信息生成模块生成器部分。（3）对生成器生成的告警信息特征向量和判别器模块提取的特征向量进行相似度计算，当相似度大于一定阈值时，加大该告警信息的权重，反馈给生成器，反复迭代生成告警信息特征向量。相似度计算过程详见公式11。（4）将相似度大于0.7的告警信息发送出去，该信息为更精准的告警信息。
[0012]第二部分：如图1所示，本文模型由以下几个模块构成。
[0013]1．数据整合模块在该模块，我们对告警信息进行一定的处理。在告警信息中，按来源类型通常分为
CPU告警和内存告警；按时间划分通常也有高峰期和低谷期；按关联性来说也可以划分为独立告警信息和关联告警信息。在该模块，我们对告警信息按照如上类别进行分组处理。
[0014]2．告警信息生成模块2.1 生成器在生成器部分，我们将数据整合模块分组处理后得到的告警信息通过全连接网络提取其特征向量。通过一个转移矩阵，在特征空间中映射用户及告警信息的交互，表征告警信息的潜在表示，模型的输入是一个通过multi
‑
hot表征的告警信息向量，当为1时表示用户在时间收到过该告警信息；映射过程见式(1)：其中，表示用户的潜在表示向量，，分别表示权重矩阵和偏差向量；2.2 判别器在判别器部分，首先结构化历史告警信息，计算每条序列的特征表示，接着融合得到告警信息列表的特征表示；然后对告警信息及新收到的告警信息进行相似度计算；见式(2)，对告警信息进行映射：其中，和是告警信息列表中的两条告警信息，通过计算每个告警信息对的成对高斯核值，可以得到告警信息列表的空间特征向量。
[0015]历史告警信息序列中的每条都有其所属类别和时间特征，通过计算该类别在告警信息序列中出现的频率，来获得对该类别的偏好，见式(3，4)；信息序列中出现的频率，来获得对该类别的偏好，见式(3，4)；表示对告警信息所属类别的偏好程度，表示对告警信息的时间偏好程度；由此，得到一条告警信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于生成式对抗网络的告警收敛推荐算法，其特征在于包括如下步骤：S1、使用判别器模块对历史告警信息进行分析，使用全连接网络提取其特征向量，通过GRU循环神经网络学习告警信息的深层次偏好特征；S2、使用生成器模块将收到的告警信息通过全连接网络提取其特征向量；S3、对生成器生成的告警信息特征向量和判别器模块提取的特征向量进行相似度计算，当相似度大于一定阈值时，加大该告警信息的权重，反馈给生成器，反复迭代生成告警信息特征向量；S4、将相似度大于0.7的告警信息发送。2.根据权利要求书1所述基于生成式对抗网络的告警收敛推荐算法，其特征在于所述告警信息中按来源类型通常分为CPU告警和内存告警；按时间划分通常也有高峰期和低谷期；按关联性划分为独立告警信息和关联告警信息。3.根据权利要求书1所述基于生成式对抗网络的告警收敛推荐算法，其特征在于所述生成器将数据整合模块分组处理后得到的告警信息通过全连接网络提取其特征向量，通过一个转移矩阵，在特征空间中映射用户及告警信息的交互，表征告警信息的潜在表示，模型的输入是一个通过multi
‑
hot表征的告警信息向量，当为1时表示用户在时间收到过该告警信息；映射过程见式(1)：其中，表示用户的潜在表示向量，，分别表示权重矩阵和偏差向量；判别器首先结构化历史告警信息，计算每条序列的特征表示，接着融合得到...

【专利技术属性】
技术研发人员：岳琛博，陈彤，刘凡，王剑平，冯雨舟，许建雯，
申请(专利权)人：中电万维信息技术有限责任公司，
类型：发明
国别省市：