基于动态图表示学习推理的通信运维风险检测方法及装置

本技术涉及通信运维，特别是涉及一种基于动态图表示学习推理的通信运维风险检测方法及装置。

背景技术：

1、随着移动通信、互联网和其他通信技术的不断发展，确保通信网络的正常运行和提高通信服务的质量，对于经济、军事、航空航天、科研和日常生活都至关重要。在全力推进网络强国和数字中国建设的征途中，面对巨大的通信规模和日益增多的通信设备，通信过程中难免出现各种故障问题，如果无法迅速确定故障发生的根本原因或者缺乏预防通信亚健康状态的能力，随之而来的经济损失甚至是军事战场上的代价都将是无法估量的。因此，如何利用人工智能技术对通信过程进行智能运维是各行各业的研究重点。基于知识图谱的运维方法主要是通过专家知识图谱或者故障知识图谱，借助图方法和机器学习方法推理出故障的“根因”，协助运维人员解决问题。通信设备处于一个动态变化的状态，在通信运维场景中，面对故障预测和诊断任务，动态知识图谱相比静态知识图谱主要有以下三点优势：实时性：动态知识图谱能够实时更新和整合新的信息，更好地满足通信运维的实时性需求。这有助于快速响应故障和异常事件，提高运维效率。可预测性：动态知识图谱可以利用历史数据和时序信息进行故障和异常的预测，提前发现潜在问题，从而提高通信运维的预防性和主动性。可扩展性：通信运维需要适应不断发展的通信技术和业务需求。动态知识图谱具有较强的可扩展性，可以方便地添加新的实体、关系和属性，以适应通信运维的变化和发展。

2、目前，面向知识图谱的推理方法主要有以下三种：基于图结构的推理、基于表示学习的推理、基于神经网络的推理。基于图结构推理方法中的代表方法是路径排序方法(pathranking algorithm,pra)，路径排序方法是一种将关系路径作为特征的推理方法，关系路径可以理解成某设备状态和某故障之间的关系，通过路径排序方法可以预测故障和设备之间是否存在因果关系。基于路径排序方法的知识推理主要是利用实体之间存在的路径去挖掘新的、还未出现的知识。基于表示学习推理的常见方法有transe(translatingembedding)系列方法、双线性模型(rescal)等，主要思想是将衡量向量化后的知识图谱中三元组合理性的问题，转化成衡量头实体和尾实体之间距离的问题。基于神经网络推理的关系图卷积网络(r-gcn)模型方法首次将图卷积网络引入知识推理领域。

3、上述方法虽然在一定程度上能够有效地推理出故障发生的原因，但依旧还存在一些问题。首先是随着待运维系统的规模越来越大，运维和故障知识图谱的规模也快速增长，上述方法的推理速度和准确度会随之下降。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高通信运维风险检测准确率的基于动态图表示学习推理的通信运维风险检测方法及装置。

2、一种基于动态图表示学习推理的通信运维风险检测方法，所述方法包括：

3、获取故障文本；将故障文本中的案例抽象为实体节点和属性边的关系导入到图数据库中构建知识图谱；

4、根据跟踪故障信息产生的设备实时对知识图谱中的节点信息进行更新形成实时的故障推理知识图谱；

5、利用transformer模型从实时的故障推理知识图谱中获取图谱表示，将图谱表示中实体及实体间的关系映射到向量表示空间，在向量表示空间中进行推理，根据一定概率推理出要发生的故障，得到通信运维风险检测结果。

6、在其中一个实施例中，将故障文本中的案例抽象为实体节点和属性边的关系导入到图数据库中构建知识图谱，包括：

7、将故障文本中的案例抽象为实体节点和属性边的关系导入到nebulagraph图数据库中，根据nebulagraph建立数据模型，在数据模型中根据节点和属性边构建知识图谱；数据模型能够自由增加属性边、更新属性边和删除属性边。

8、在其中一个实施例中，利用transformer模型从实时的故障推理知识图谱中获取图谱表示，包括：

9、从实时的故障推理知识图谱中提取任意交互的源节点、目标节点和两个节点的历史一阶交互序列，对历史一阶交互序列进行编码，得到编码后的序列；利用分块处理技术将各编码后的序列划分为多个块序列后再输入transformer模型，得到源节点的表征和目标节点的表征；所有节点的表征构成图谱表示；块序列包括邻居特征、连边特征、时间特征以及邻居共现频率特征。

10、在其中一个实施例中，对历史一阶交互序列进行编码，得到编码后的序列，包括：

11、对历史一阶交互序列进行编码，得到编码后的序列为

12、

13、其中，*表示源节点u或者目标节点v，h由relu激活的双层感知器组成，和分别表示u和v的邻居共现频率特征。

14、在其中一个实施例中，利用分块处理技术将各编码后的序列划分为多个块序列后再输入transformer模型，得到源节点的表征和目标节点的表征，包括:

15、利用分块处理技术将各编码后的序列划分为多个块序列后再输入transformer模型，得到源节点的表征和目标节点的表征为

16、

17、

18、其中，wout和bout是可训练权重，rt为t时刻的表示，l为节点表示，average为取均值操作。

19、在其中一个实施例中，将图谱表示中实体及实体间的关系映射到向量表示空间，包括：

20、将图谱表示中实体及实体间的关系抽象为三元组(h,r,t)，h和t表示头节点和尾节点，r表示两节点之间的关系，根据预先定义的评分函数对所有三元组进行累加计算得到损失函数为

21、l＝∑(h,r,t)∈s∑(h′,r,t′)∈s′max(0,fr(h,t)+γ-fr(h′,t′))

22、其中，γ为边际系数，h′表示模型推理得到的头节点表示，t′表示模型推理得到的尾节点表示，s′表示推理得到的所有三元组集合；

23、三元组为向量表示；根据损失函数对三元组进行优化，升高真实存在的三元组得分，降低不存在的三元组的得分，根据得分优化三元组中的参数使得实体和关系的向量表示满足h+r＝t。

24、在其中一个实施例中，fr(h,t)＝||hr+r-tr||,hr＝mrh,tr＝mrt，其中，mr表示待学习的空间映射矩阵。

25、在其中一个实施例中，在向量表示空间中进行推理，根据一定概率推理出要发生的故障，得到通信运维风险检测结果，包括：

26、在向量表示空间中进行推理，对任意两个向量进行计算，得到故障概率；故障概率为通信运维风险检测结果。

27、在其中一个实施例中，对任意两个向量进行计算，得到故障概率，包括：

28、对任意两个向量进行计算，得到故障概率为

29、

30、其中，v1,v2表示不同的向量，s为协方差矩阵，t表示共轭转置运算，s-1为协方差矩阵的逆矩阵。

31、一种基于动态图表示学习推理的通信运维风险检测装置，所述装置包括：

32、知识图谱构建模块，用于获取故障文本；将故障文本中的案例抽象为实体节点和属性边的关系导入到图数据库中构建知识图谱；

33、知识图谱推理模块，用于根据跟踪故障信息产生的设备实时对知识图谱中的节点信息进行更新形成实时的故障推理知识图谱；

34、风险检测模块，用于利用transformer模型从实时的故障推理知识图谱中获取图谱表示，将图谱表示中实体及实体间的关系映射到向量表示空间，在向量表示空间中进行推理，根据一定概率推理出要发生的故障，得到通信运维风险检测结果。

35、上述基于动态图表示学习推理的通信运维风险检测方法及装置，本技术通过将故障文本中的案例抽象为实体节点和属性边的关系导入到图数据库中构建知识图谱，不必将数据强制转换为关系表，可以自由增加、更新和删除属性，能够很好适应运维规模的扩大，提高了适用性，并引入transformer架构，采用基于transformer的新型动态图学习框架可以通过自注意力机制自适应地提取不同尺度的特征，从而更好地表示通信运维知识图谱中的实体和关系，有助于发现潜在的故障传播路径和影响范围，提高运维准确性；还可以通过多层自注意力机制建模通信运维知识图谱中的高阶关联关系，有助于挖掘设备、网络和服务之间的复杂依赖关系，通过将动态图表示学习问题转化为一个更简单的序列学习任务，使模型能更有效且更高效地处理较长的序列，挖掘运维系统中各实体间潜在的故障逻辑关系，提高了运维检测的准确率，最后将节点和边的表示映射到推理向量空间可以实现对实时变化图谱的表示有效地映射到向量空间中，从整个运行系统的层面，对可能发生的故障进行预测，有效地缓解通信系统的亚健康状态，从而提高通行运维风险检测的准确率。