基于贝叶斯网络的电信管理网告警关联方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 引言 | 第9-10页 |
| 1.2 告警关联方法的研究现状 | 第10-12页 |
| 1.3 常用关联方法的不足 | 第12-13页 |
| 1.4 论文结构及内容安排 | 第13-14页 |
| 第2章 电信管理网 TMN简述 | 第14-23页 |
| 2.1 TMN与电信网的关系 | 第14-15页 |
| 2.2 TMN的管理业务管理功能逻辑分层 | 第15-16页 |
| 2.2.1 管理业务 | 第15页 |
| 2.2.2 管理功能 | 第15-16页 |
| 2.2.3 逻辑分层 | 第16页 |
| 2.3 TMN的特点 | 第16-17页 |
| 2.4 TMN的体系结构 | 第17-21页 |
| 2.4.1 功能体系结构 | 第17-19页 |
| 2.4.2 信息体系结构 | 第19-20页 |
| 2.4.3 物理体系结构 | 第20-21页 |
| 2.5 TMN实现的技术基础 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 贝叶斯网络理论基础 | 第23-37页 |
| 3.1 贝叶斯网络相关理论知识 | 第23-27页 |
| 3.1.1 概率论的基本思想 | 第23-24页 |
| 3.1.2 贝叶斯定理 | 第24-25页 |
| 3.1.3 贝叶斯概率推理 | 第25-26页 |
| 3.1.4 图形模型 | 第26-27页 |
| 3.2 贝叶斯网络理论和方法 | 第27-32页 |
| 3.2.1 贝叶斯网络概念 | 第27-29页 |
| 3.2.2 贝叶斯网络建模 | 第29-30页 |
| 3.2.3 贝叶斯网络特性 | 第30-31页 |
| 3.2.4 贝叶斯网络推理模式 | 第31-32页 |
| 3.3 贝叶斯网络学习 | 第32-36页 |
| 3.3.1 贝叶斯网络的参数学习 | 第33页 |
| 3.3.2 贝叶斯网络的结构学习 | 第33-34页 |
| 3.3.3 贝叶斯网络的概率学习 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 告警数据分析 | 第37-48页 |
| 4.1 告警的概述 | 第37-40页 |
| 4.2 故障处理模式 | 第40-41页 |
| 4.3 本地网告警信息状态 | 第41-44页 |
| 4.4 告警相关性 | 第44-47页 |
| 4.4.1 告警事件关联类型 | 第44-45页 |
| 4.4.2 告警相关性规则 | 第45-46页 |
| 4.4.3 告警相关性分析方法 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于贝叶斯网络的告警关联方案的设计与实现 | 第48-58页 |
| 5.1 一种网络设备告警事件纵向关联方法 | 第48-49页 |
| 5.1.1 网络设备上故障与告警的关系 | 第48-49页 |
| 5.1.2 网络设备告警事件纵向关联处理过程 | 第49页 |
| 5.2 纵向关联处理过程详细分析 | 第49-55页 |
| 5.2.1 告警事件的采集及预处理 | 第49-51页 |
| 5.2.2 生成贝叶斯网络依赖图 | 第51-55页 |
| 5.3 网络设备纵向告警事件关联的实现与结果分析 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第63-64页 |
| 致谢 | 第64页 |
