| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 缩略词表 | 第11-12页 |
| 1 引言 | 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13-15页 |
| 1.3 论文主要工作 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 2 论文相关知识介绍 | 第17-31页 |
| 2.1 数据挖掘技术 | 第17-19页 |
| 2.1.1 数据挖掘的主要过程 | 第17-18页 |
| 2.1.2 数据挖掘的主要任务 | 第18-19页 |
| 2.2 深度学习技术 | 第19-22页 |
| 2.2.1 前向传播与后向传播过程 | 第20-22页 |
| 2.2.2 卷积神经网络与循环神经网络 | 第22页 |
| 2.3 单词分布式表征技术 | 第22-29页 |
| 2.3.1 PPMI矩阵 | 第23页 |
| 2.3.2 SVD因式分解 | 第23-24页 |
| 2.3.3 神经概率语言模型 | 第24-26页 |
| 2.3.4 全局向量GloVe | 第26-27页 |
| 2.3.5 CBOW与Skip-gram模型 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 动环监控系统告警特征分析 | 第31-39页 |
| 3.1 动环监控系统简介 | 第31-32页 |
| 3.2 动环告警及其数据格式 | 第32-34页 |
| 3.2.1 动环告警的产生 | 第33页 |
| 3.2.2 告警数据的格式 | 第33-34页 |
| 3.3 告警特征和预处理 | 第34-37页 |
| 3.3.1 动环告警的表征 | 第34-35页 |
| 3.3.2 动环告警的特征 | 第35-36页 |
| 3.3.3 告警数据预处理 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 4 基于动态时间弯曲的告警相关性分析 | 第39-53页 |
| 4.1 问题描述 | 第39-40页 |
| 4.2 基本思想 | 第40-41页 |
| 4.3 告警相关性分析 | 第41-47页 |
| 4.3.1 动态时间弯曲算法 | 第41-43页 |
| 4.3.2 告警时间序列生成 | 第43-44页 |
| 4.3.3 告警点与告警点距离 | 第44-45页 |
| 4.3.4 告警时间序列相似度 | 第45-47页 |
| 4.4 DTW算法实例分析 | 第47-52页 |
| 4.4.1 告警数据的选择 | 第47-48页 |
| 4.4.2 告警凝聚层次聚类 | 第48-50页 |
| 4.4.3 告警相似度颜色映射 | 第50-51页 |
| 4.4.4 DTW算法性能验证 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 5 基于Alarm2Vec算法的告警相关性分析 | 第53-64页 |
| 5.1 告警序列与单词序列 | 第53-54页 |
| 5.2 Alarm2Vec算法原理 | 第54-57页 |
| 5.2.1 Alarm2Vec算法架构 | 第54-57页 |
| 5.2.2 告警相似度分析 | 第57页 |
| 5.3 Alarm2Vec算法实例分析 | 第57-63页 |
| 5.3.1 构建告警语料库 | 第57-58页 |
| 5.3.2 参数选择与训练 | 第58-61页 |
| 5.3.3 挖掘结果可视化 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 6 结论 | 第64-66页 |
| 6.1 本文主要工作 | 第64-65页 |
| 6.1.1 基于动态时间弯曲的告警相关性分析 | 第64页 |
| 6.1.2 基于Alarm2Vec算法的告警相关性分析 | 第64-65页 |
| 6.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |