| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 论文期间完成的工作及论文的研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 相关技术与理论 | 第17-29页 |
| 2.1 告警关联分析 | 第17-19页 |
| 2.1.1 告警关联分析的意义 | 第17-18页 |
| 2.1.2 关联规则定义 | 第18-19页 |
| 2.2 日志概述 | 第19-21页 |
| 2.2.1 日志的概念 | 第19-20页 |
| 2.2.2 日志的分类 | 第20-21页 |
| 2.3 本文相关关联规则挖掘算法及机器学习算法 | 第21-28页 |
| 2.3.1 Apriori算法 | 第21-23页 |
| 2.3.2 FP-growth算法 | 第23-25页 |
| 2.3.3 AdaBoost算法 | 第25-26页 |
| 2.3.4 C4.5算法 | 第26-27页 |
| 2.3.5 朴素贝叶斯算法 | 第27页 |
| 2.3.6 SMO算法 | 第27-28页 |
| 2.4 小结 | 第28-29页 |
| 第三章 退服告警关联规则分析 | 第29-46页 |
| 3.1 挖掘数据预处理 | 第29-32页 |
| 3.2 全网告警标题退服关联分析 | 第32-35页 |
| 3.2.1 数据处理过程 | 第32-33页 |
| 3.2.2 全网告警标题退服关联分析结论 | 第33-35页 |
| 3.3 单网元退服告警相关分析 | 第35-43页 |
| 3.3.1 数据处理过程 | 第35-36页 |
| 3.3.2 单网元退服告警关联分析结论 | 第36-40页 |
| 3.3.3 关联规则在同一网元类型内的普遍性 | 第40-43页 |
| 3.4 跨专业网元退服告警关联分析 | 第43-45页 |
| 3.4.1 数据处理过程 | 第44页 |
| 3.4.2 跨专业网元退服告警关联分析结论 | 第44-45页 |
| 3.5 小结 | 第45-46页 |
| 第四章 基于机器学习算法的日志分析与故障告警预测 | 第46-72页 |
| 4.0 分析步骤 | 第46-47页 |
| 4.1 数据预处理 | 第47-49页 |
| 4.1.1 日志模式化 | 第47-48页 |
| 4.1.2 样本时间窗筛选 | 第48页 |
| 4.1.3 样本集及向量化 | 第48-49页 |
| 4.2 各分类算法训练结果及横向对比 | 第49-55页 |
| 4.2.1 分类器性能评价指标 | 第49-50页 |
| 4.2.2 告警“CPU过载”训练结果 | 第50-51页 |
| 4.2.3 告警“GSU宕机”训练结果 | 第51-52页 |
| 4.2.4 告警“DAS丢失”训练结果 | 第52-53页 |
| 4.2.5 告警“业务指标异常”训练结果 | 第53-54页 |
| 4.2.6 告警“PGW-SSR U板卡均衡度高”训练结果 | 第54-55页 |
| 4.2.7 小结 | 第55页 |
| 4.3 测试复杂度对训练结果的影响 | 第55-59页 |
| 4.3.1 复杂度对AdaBoost算法的影响 | 第56页 |
| 4.3.2 复杂度对C4.5算法的影响 | 第56-57页 |
| 4.3.3 复杂度对NaiveBayes算法的影响 | 第57-58页 |
| 4.3.4 复杂度对SMO算法的影响 | 第58-59页 |
| 4.4 测试时间窗长短对训练结果的影响 | 第59-62页 |
| 4.4.1 时间窗长短对DAS丢失的影响 | 第59-60页 |
| 4.4.2 时间窗长短对PGW-SSR U板卡均衡度高的影响 | 第60-61页 |
| 4.4.3 时间窗长短对业务指标异常的影响 | 第61-62页 |
| 4.5 用测试集验证分类器训练效果 | 第62-69页 |
| 4.5.1 告警“CPU过载”分类效果验证 | 第63-64页 |
| 4.5.2 告警“GSU宕机”分类效果验证 | 第64-66页 |
| 4.5.3 告警“业务指标异常”分类效果验证 | 第66-67页 |
| 4.5.4 告警“DAS丢失”分类效果验证 | 第67-69页 |
| 4.6 通过调整日志提前量验证故障预测的可行性 | 第69-70页 |
| 4.7 小结 | 第70-72页 |
| 第五章 基于大数据技术的日志与告瞀智能分析系统设计 | 第72-85页 |
| 5.1 系统架构 | 第72-73页 |
| 5.2 数据采集 | 第73-74页 |
| 5.3 数据存储 | 第74-75页 |
| 5.4 处理流程 | 第75-77页 |
| 5.4.1 历史数据挖掘 | 第75-76页 |
| 5.4.2 实时主动预警 | 第76-77页 |
| 5.5 应用呈现效果 | 第77-84页 |
| 5.5.1 告警标题基本统计分析 | 第77-78页 |
| 5.5.2 全网告警标题退服关联分析 | 第78-80页 |
| 5.5.3 单网元退服告警关联分析 | 第80-81页 |
| 5.5.4 跨专业网元退服告警关联分析 | 第81-83页 |
| 5.5.5 日志主动预警功能 | 第83-84页 |
| 5.6 小结 | 第84-85页 |
| 第六章 论文的总结与展望 | 第85-87页 |
| 6.1 总结 | 第85页 |
| 6.2 不足与展望 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 致谢 | 第93-94页 |
| 攻读硕士期间取得的学术成果 | 第94页 |
