电力通信网的覆盖范围及复杂程度逐渐增大,为电力通信网带来巨大的运维压力。通过部署边缘节点在边缘侧完成数据采集和信息过滤,提供计算支持,能够极大程度上缓解电力通信网管理侧压力。告警分析是运维当中的重难点问题,传统的告警分析...电力通信网的覆盖范围及复杂程度逐渐增大,为电力通信网带来巨大的运维压力。通过部署边缘节点在边缘侧完成数据采集和信息过滤,提供计算支持,能够极大程度上缓解电力通信网管理侧压力。告警分析是运维当中的重难点问题,传统的告警分析先使用规则对于告警进行归并从而减少后续处理的工作量,但是规则的完备需要大量专家知识和人力资源的投入且存在局限性。将无监督聚类引入到电力通信边缘云部署架构下的告警归并流程当中,提出了一个新的轻量级算法,将基于密度的聚类方法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)与现有的归并规则进行结合,结果表明加入无监督学习能够显著提高告警归并的效果,切实提高了电力通信网运维中缺陷定位的准确性和完备性。展开更多
文摘电力通信网的覆盖范围及复杂程度逐渐增大,为电力通信网带来巨大的运维压力。通过部署边缘节点在边缘侧完成数据采集和信息过滤,提供计算支持,能够极大程度上缓解电力通信网管理侧压力。告警分析是运维当中的重难点问题,传统的告警分析先使用规则对于告警进行归并从而减少后续处理的工作量,但是规则的完备需要大量专家知识和人力资源的投入且存在局限性。将无监督聚类引入到电力通信边缘云部署架构下的告警归并流程当中,提出了一个新的轻量级算法,将基于密度的聚类方法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)与现有的归并规则进行结合,结果表明加入无监督学习能够显著提高告警归并的效果,切实提高了电力通信网运维中缺陷定位的准确性和完备性。
