1.一种电信网络中故障定位的方法，其特征在于，所述方法包括：
获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据，所述网元数据用于描述所述电信网络中的网元的运行状态；
根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元，所述边数据用于指示所述电信网络中网元与网元之间的连接关系；
将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；
将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第一节点的非局部特征，所述第一节点为所述图结构中任一节点，所述第一节点的非局部特征用于反映第二节点的特征，所述第二节点与所述第一节点的局部特征间的相似度符合预设条件；
将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果，所述分类结果包括所述图结构中节点为目标类别的概率，所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元为根源故障网元的概率；
其中，所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络，所述目标图卷积神经网络通过训练得到。
2.根据权利要求1所述的方法，其特征在于，所述将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，包括：
基于所述图结构中节点的局部特征，计算所述第一节点与第三节点的局部特征间的相似度，所述第三节点为所述图结构中除所述第一节点之外的节点；
根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取所述第二节点；
根据所述第二节点的局部特征，得到所述第一节点的非局部特征。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取第二节点，包括：
根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取与所述第一节点的局部特征间相似度最高的至少一个节点作为所述第二节点。
4.根据权利要求2所述的方法，其特征在于，所述根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取第二节点，包括：
根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取与所述第一节点的局部特征间相似度大于或等于预设阈值的至少一个节点作为所述第二节点。
5.根据权利要求2所述的方法，其特征在于，所述第二节点中每个节点的局部特征包括至少一个维度的元素值，所述根据所述第二节点的局部特征，得到所述第一节点的非局部特征，包括：
从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值，以从所述第二节点包括的所有节点中得到与所述目标维度对应的至少一个元素值，所述目标维度为所述每个节点的局部特征包括的至少一个维度中的任一维度；
对与所述目标维度对应的至少一个元素值进行池化，以生成目标元素值；
重复执行前述操作，以生成与所述局部特征包括的所有维度对应的目标元素值，得到所述第一节点的非局部特征，所述第一节点的非局部特征中包括至少一个所述目标元素值。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征，包括：
基于所述边数据，从第三节点中选取与所述第一节点连接的节点作为第四节点，所述第三节点为所述图结构中除所述第一节点之外的节点；
根据所述第一节点的节点数据和所述第四节点的节点数据，采用空域的方式得到所述第一节点的局部特征，所述第一节点的节点数据和所述第四节点的节点数据包含于所述节点数据中。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述网元数据中包括与网元的属性对应的属性值，不同网元的属性种类相同或不同，所述节点数据包括所述图结构中节点的属性向量，所述边数据为邻接矩阵；
所述根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据包括：
根据所述网元数据，获取与所述电信网络中所有网元对应的属性集合，并将所述属性集合作为所述图结构中节点的属性向量的属性种类，其中，所述属性集合包括所述电信网络中网元的所有属性种类；
从所述属性集合中获取与目标网元的网元数据对应的第一属性，并根据目标网元的网元数据生成所述第一节点的属性向量中与所述第一属性对应的元素值，其中，所述目标网元与所述第一节点对应，所述第一属性为所述目标网元的网元数据中存在的属性；
在所述属性集合中包括除所述第一属性之外的第二属性的情况下，将所述第一节点的属性向量中与所述第二属性对应的元素值确定为预设值，其中，所述第二属性为所述属性集合中存在且所述目标网元的网元数据中不存在的属性，所述与所述第一属性对应的元素值和所述与所述第二属性对应的元素值组成所述第一节点的属性向量的元素值；
根据所述网络拓扑信息，生成所述邻接矩阵。
8.根据权利要求1至6任一项所述的方法，其特征在于，所述根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，包括：
将所述网元数据输入自编码器，得到所述自编码器输出的所述节点数据，并根据所述网络拓扑信息，生成所述边数据，其中，所述网元数据为所述电信网络中网元的日志或者所述电信网络中网元的关键绩效指标kpi。
9.一种电信网络中故障定位的方法，其特征在于，所述方法包括：
获取电信网络的网络拓扑信息和与所述电信网络中网元端口对应的网元端口数据，所述网元端口数据用于描述所述电信网络中的网元端口的运行状态；
根据所述网络拓扑信息和所述网元端口数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元端口，所述边数据用于指示所述电信网络中网元端口与网元端口之间的连接关系；
将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；
将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第一节点的非局部特征，所述第一节点为所述图结构中任一节点，所述第一节点的非局部特征用于反映第二节点的特征，所述第二节点与所述第一节点的局部特征间的相似度符合预设条件；
将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果，所述分类结果包括所述图结构中节点为目标类别的概率，所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元端口为根源故障网元端口的概率；
其中，所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络，所述目标图卷积神经网络通过训练得到。
10.一种电信网络中故障定位的方法，特征在于，所述方法包括：
获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据，所述网元数据用于描述所述电信网络中的网元的运行状态；
根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元，所述边数据用于指示所述电信网络中网元与网元之间的连接关系；
将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；
将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第五节点的非局部特征，所述第五节点为所述图结构中任一节点，所述第五节点的非局部特征用于反映第六节点的特征，所述第六节点与所述第五节点的局部特征间的相似度符合预设条件；
将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入所述分类器得到所述第五节点的分类结果，所述第五节点的分类结果包括所述第五节点为目标类别的概率，所述第五节点为目标类别的概率用于指示与所述第五节点对应的网元为根源故障网元的概率；
根据所述第五节点的分类结果，利用损失函数对目标图卷积神经网络进行迭代训练，直至满足收敛条件，输出执行过迭代训练操作的目标图卷积神经网络，所述目标图卷积神经网络包括所述局部特征提取网络、所述非局部特征提取网络和所述分类器。
11.根据权利要求10所述的方法，其特征在于，所述损失函数为交叉熵损失函数、负对数似然损失函数或指数损失函数。
12.一种电信网络中故障定位的装置，其特征在于，所述装置包括：
获取模块，用于获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据，所述网元数据用于描述所述电信网络中的网元的运行状态；
生成模块，用于根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元，所述边数据用于指示所述电信网络中网元与网元之间的连接关系；
局部特征提取模块，用于将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；
非局部特征提取模块，用于将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第一节点的非局部特征，所述第一节点为所述图结构中任一节点，所述第一节点的非局部特征用于反映第二节点的特征，所述第二节点与所述第一节点的局部特征间的相似度符合预设条件；
分类模块，用于将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果，所述分类结果包括所述图结构中节点为目标类别的概率，所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元为根源故障网元的概率；
其中，所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络，所述目标图卷积神经网络通过训练得到。
13.根据权利要求12所述的装置，其特征在于，所述非局部特征提取模块，具体用于：
基于所述图结构中节点的局部特征，计算所述第一节点与第三节点的局部特征间的相似度，所述第三节点为所述图结构中除所述第一节点之外的节点；
根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取所述第二节点；
根据所述第二节点的局部特征，得到所述第一节点的非局部特征。
14.根据权利要求13所述的装置，其特征在于，所述非局部特征提取模块，具体用于根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取与所述第一节点的局部特征间相似度最高的至少一个节点作为所述第二节点。
15.根据权利要求13所述的装置，其特征在于，所述非局部特征提取模块，具体用于根据所述第一节点与第三节点的局部特征间的相似度，从所述第三节点中选取与所述第一节点的局部特征间相似度大于或等于预设阈值的至少一个节点作为所述第二节点。
16.根据权利要求13所述的装置，其特征在于，所述第二节点中每个节点的局部特征包括至少一个维度的元素值，所述非局部特征提取模块，具体用于：
从所述第二节点中每个节点的局部特征中获取与目标维度对应的元素值，以从所述第二节点包括的所有节点中得到与所述目标维度对应的至少一个元素值，所述目标维度为所述每个节点的局部特征包括的至少一个维度中的任一维度；
对与所述目标维度对应的至少一个元素值进行池化，以生成目标元素值；
重复执行前述操作，以生成与所述局部特征包括的所有维度对应的目标元素值，得到所述第一节点的非局部特征，所述第一节点的非局部特征中包括至少一个所述目标元素值。
17.根据权利要求12至16任一项所述的装置，其特征在于，所述局部特征提取模块，具体用于：
基于所述边数据，从第三节点中选取与所述第一节点连接的节点作为第四节点，所述第三节点为所述图结构中除所述第一节点之外的节点；
根据所述第一节点的节点数据和所述第四节点的节点数据，采用空域的方式得到所述第一节点的局部特征，所述第一节点的节点数据和所述第四节点的节点数据包含于所述节点数据中。
18.根据权利要求12至17任一项所述的装置，其特征在于，所述网元数据中包括与网元的属性对应的属性值，不同网元的属性种类相同或不同，所述节点数据包括所述图结构中节点的属性向量，所述边数据为邻接矩阵；所述生成模块，具体用于：
根据所述网元数据，获取与所述电信网络中所有网元对应的属性集合，并将所述属性集合作为所述图结构中节点的属性向量的属性种类，其中，所述属性集合包括所述电信网络中网元的所有属性种类；
从所述属性集合中获取与目标网元的网元数据对应的第一属性，并根据目标网元的网元数据生成所述第一节点的属性向量中与所述第一属性对应的元素值，其中，所述目标网元与所述第一节点对应，所述第一属性为所述目标网元的网元数据中存在的属性；
在所述属性集合中包括除所述第一属性之外的第二属性的情况下，将所述第一节点的属性向量中与所述第二属性对应的元素值确定为预设值，其中，所述第二属性为所述属性集合中存在且所述目标网元的网元数据中不存在的属性，所述与所述第一属性对应的元素值和所述与所述第二属性对应的元素值组成所述第一节点的属性向量的元素值；
根据所述网络拓扑信息，生成所述邻接矩阵。
19.根据权利要求12至17任一项所述的装置，其特征在于，所述生成模块，具体用于将所述网元数据输入自编码器，得到所述自编码器输出的所述节点数据，并根据所述网络拓扑信息，生成所述边数据，其中，所述网元数据为所述电信网络中网元的日志或者所述电信网络中网元的关键绩效指标kpi。
20.一种电信网络中故障定位的装置，其特征在于，所述装置包括：
获取模块，用于获取电信网络的网络拓扑信息和与所述电信网络中网元端口对应的网元端口数据，所述网元端口数据用于描述所述电信网络中的网元端口的运行状态；
生成模块，用于根据所述网络拓扑信息和所述网元端口数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元端口，所述边数据用于指示所述电信网络中网元端口与网元端口之间的连接关系；
局部特征提取模块，用于将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；
非局部特征提取模块，用于将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第一节点的非局部特征，所述第一节点为所述图结构中任一节点，所述第一节点的非局部特征用于反映第二节点的特征，所述第二节点与所述第一节点的局部特征间的相似度符合预设条件；
分类模块，用于将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入分类器得到分类结果，所述分类结果包括所述图结构中节点为目标类别的概率，所述图结构中节点为目标类别的概率用于指示所述电信网络中对应的网元端口为根源故障网元端口的概率；
其中，所述局部特征提取网络、所述非局部特征提取网络和所述分类器包含于目标图卷积神经网络，所述目标图卷积神经网络通过训练得到。
21.一种电信网络中故障定位的装置，特征在于，所述装置包括：
获取模块，用于获取电信网络的网络拓扑信息和与所述电信网络中网元对应的网元数据，所述网元数据用于描述所述电信网络中的网元的运行状态；
生成模块，用于根据所述网络拓扑信息和所述网元数据，生成与所述电信网络对应的图结构数据，其中，所述图结构数据包括节点数据和边数据，所述节点数据用于指示与所述电信网络对应的图结构中节点的数据，所述图结构中的节点对应所述电信网络中的网元，所述边数据用于指示所述电信网络中网元与网元之间的连接关系；
局部特征提取模块，用于将所述图结构数据输入局部特征提取网络得到所述图结构中节点的局部特征；
非局部特征提取模块，用于将所述图结构中节点的局部特征输入非局部特征提取网络得到所述图结构中节点的非局部特征，所述图结构中节点的非局部特征中包括第五节点的非局部特征，所述第五节点为所述图结构中任一节点，所述第五节点的非局部特征用于反映第六节点的特征，所述第六节点与所述第五节点的局部特征间的相似度符合预设条件；
分类模块，用于将所述图结构中节点的局部特征和所述图结构中节点的非局部特征输入所述分类器得到所述第五节点的分类结果，所述第五节点的分类结果包括所述第五节点为目标类别的概率，所述第五节点为目标类别的概率用于指示与所述第五节点对应的网元为根源故障网元的概率；
训练模块，用于根据所述第五节点的分类结果，利用损失函数对目标图卷积神经网络进行迭代训练，直至满足收敛条件，输出执行过迭代训练操作的目标图卷积神经网络，所述目标图卷积神经网络包括所述局部特征提取网络、所述非局部特征提取网络和所述分类器。
22.根据权利要求21所述的装置，其特征在于，所述损失函数为交叉熵损失函数、负对数似然损失函数或指数损失函数。
23.一种执行设备，其特征在于，包括处理器，所述处理器与存储器耦合，
所述存储器，用于存储程序；
所述处理器，用于执行所述存储器中的程序，使得所述执行设备执行如权利要求1至8中任一项所述的方法，或者，使得所述执行设备执行如权利要求9所述的方法。
24.一种训练设备，其特征在于，包括处理器，所述处理器与存储器耦合，
所述存储器，用于存储程序；
所述处理器，用于执行所述存储器中的程序，，使得所述训练设备执行如权利要求10或11所述的方法。
25.一种计算机可读存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1至8中任一项所述的方法，或者，使得计算机执行如权利要求9所述的方法，或者，使得计算机执行如权利要求10所述的方法。
26.一种电路系统，其特征在于，所述电路系统包括处理电路，所述处理电路配置为执行如权利要求1至8中任一项所述的方法，或者，配置为执行如权利要求9所述的方法，或者，配置为执行如权利要求10所述的方法。