基于Apriori算法的氣象業(yè)務(wù)監(jiān)控系統(tǒng)告警關(guān)聯(lián)分析

摘? 要：基于氣象信息中心傳輸業(yè)務(wù)、硬件設(shè)備監(jiān)控系統(tǒng)中產(chǎn)生的告警信息未能準(zhǔn)確定位故障根源及處理效率低的問題，通過數(shù)據(jù)接口調(diào)用和爬蟲方法對(duì)監(jiān)控系統(tǒng)中產(chǎn)生的歷史告警信息進(jìn)行收集，利用數(shù)據(jù)清洗方法做預(yù)處理、數(shù)據(jù)轉(zhuǎn)換操作，引入Apriori關(guān)聯(lián)分析算法對(duì)告警進(jìn)行關(guān)聯(lián)分析，利用提升度、置信度加權(quán)平均、置信度不平衡比等驗(yàn)證方法證實(shí)關(guān)聯(lián)性結(jié)果的可信度，通過業(yè)務(wù)角度分析關(guān)聯(lián)性分析的結(jié)果確定告警處理的優(yōu)先級(jí)，依據(jù)告警優(yōu)先級(jí)提高監(jiān)控系統(tǒng)的故障處理效率。

關(guān)鍵詞：監(jiān)控系統(tǒng)；告警信息；關(guān)聯(lián)分析；故障處理

中圖分類號(hào)：TP277? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）17-0075-06

Alarm Correlation Analysis of Meteorological Business Monitoring System

Based on Apriori Algorithm

ZHANG Xinyu

（Inner Mongolia Meteorological Information Center， Hohhot? 010051， China）

Abstract： Based on the problems of inaccurate identification of fault sources and low processing efficiency of alarm information generated by the transmission business of the Meteorological Information Center and the hardware equipment monitoring system， the historical alarm information generated by the monitoring system is collected through data interface calling and crawler methods. Data cleaning methods are used for preprocessing and data conversion operations. The Apriori association analysis algorithm is introduced to perform association analysis on alarms. The credibility of the association results is verified by using methods such as lift， weighted average of confidence， and confidence imbalance ratio. The priority of alarm processing is determined through business-oriented analysis of the association analysis results， and the efficiency of fault processing of the monitoring system is improved through alarm priority.

Keywords： monitoring system; alarm information; association analysis; fault processing

0? 引? 言

氣象業(yè)務(wù)監(jiān)控系統(tǒng)建設(shè)起步較早，從早期的9210氣象應(yīng)用軟件[1]，到新一代氣象通信系統(tǒng)的建成[2]，再到全國(guó)綜合氣象信息共享系統(tǒng)的使用，氣象業(yè)務(wù)監(jiān)控系統(tǒng)不斷更新?lián)Q代，2020年天鏡[3]系統(tǒng)的正式運(yùn)行，標(biāo)志著氣象業(yè)務(wù)監(jiān)控系統(tǒng)已經(jīng)完成由基礎(chǔ)的氣象資料監(jiān)控到自動(dòng)化告警運(yùn)維平臺(tái)[4]的升級(jí)，通過自動(dòng)化告警運(yùn)維平臺(tái)能夠?qū)⒋罅勘O(jiān)控?cái)?shù)據(jù)進(jìn)行分類、展示，但是告警處理方式仍停留在人工判斷并處理監(jiān)控告警的階段，目前還沒有人對(duì)氣象監(jiān)控平臺(tái)的數(shù)據(jù)做挖掘分析的工作，監(jiān)控平臺(tái)中的告警數(shù)據(jù)和指標(biāo)數(shù)據(jù)還沒有完全被發(fā)掘和利用。

國(guó)外在監(jiān)控平臺(tái)的數(shù)據(jù)分析和處理方面發(fā)展要早于我國(guó)，對(duì)于運(yùn)維過程中出現(xiàn)的問題有較好的解決辦法。早在2000年國(guó)外Bengt [5]等人就在電路監(jiān)控平臺(tái)中提出使用歷史告警信息建立多級(jí)模型對(duì)大量的監(jiān)控信息進(jìn)行分類，以便運(yùn)維人員定位故障的主要原因。Gyula [6]等人提出了衡量監(jiān)控平臺(tái)性能的方法，在工業(yè)生產(chǎn)領(lǐng)域?qū)ΡO(jiān)控平臺(tái)的負(fù)載指標(biāo)、診斷指標(biāo)等屬性進(jìn)行計(jì)算，并對(duì)監(jiān)控平臺(tái)進(jìn)行改進(jìn)，提高了監(jiān)控告警的可信度。在工業(yè)生產(chǎn)的監(jiān)控?cái)?shù)據(jù)處理中，為了減少無效的告警，Lucke [7]等人通過設(shè)定高、低閾值過濾監(jiān)控平臺(tái)的監(jiān)控?cái)?shù)據(jù)，然后通過建立指標(biāo)數(shù)據(jù)的預(yù)測(cè)回歸模型[8]生成預(yù)測(cè)值與實(shí)際值比較來判斷監(jiān)控發(fā)出告警的可靠性。

國(guó)內(nèi)對(duì)監(jiān)控?cái)?shù)據(jù)的分析起步較晚，主要包含兩個(gè)領(lǐng)域：一種是對(duì)網(wǎng)絡(luò)及網(wǎng)絡(luò)安全平臺(tái)告警信息的分析和處理，另外一種是在電力系統(tǒng)告警分類和處理方面的應(yīng)用。在網(wǎng)絡(luò)監(jiān)控告警處理領(lǐng)域，中國(guó)移動(dòng)通信設(shè)計(jì)院[9]等提出了一種能夠分析系統(tǒng)告警信息的模型，該模型中針對(duì)網(wǎng)絡(luò)告警定義了一套較為完整的告警數(shù)據(jù)模型和故障處理模型，在故障處理模型中提出了告警自動(dòng)處理和告警派單的概念，告警通過自動(dòng)化程序初步的處理后，通過關(guān)聯(lián)規(guī)則對(duì)不同的告警進(jìn)行人工派單，優(yōu)化了處理流程，提升了故障處理效率，構(gòu)造了一種人機(jī)協(xié)同的運(yùn)維模型。

本文在進(jìn)行告警數(shù)據(jù)關(guān)聯(lián)性分析時(shí)，通過Apriori算法對(duì)每小時(shí)的告警做關(guān)聯(lián)性指標(biāo)進(jìn)行計(jì)算，設(shè)定不同的支持度和置信度來求出符合關(guān)聯(lián)新規(guī)則的強(qiáng)關(guān)聯(lián)集合，通過提升度、置信度的加權(quán)平均值KULC和不平衡比（IR）評(píng)價(jià)關(guān)聯(lián)結(jié)果的可信度。

1? 告警數(shù)據(jù)獲取及預(yù)處理

1.1? 告警數(shù)據(jù)描述

在處理數(shù)據(jù)前，將氣象監(jiān)控系統(tǒng)和監(jiān)控平臺(tái)中提供的數(shù)據(jù)分為業(yè)務(wù)告警歷史數(shù)據(jù)和設(shè)備告警歷史數(shù)據(jù)。

業(yè)務(wù)告警數(shù)據(jù)由全國(guó)綜合氣象信息共享平臺(tái)（內(nèi)蒙古）、內(nèi)蒙古“天鏡”監(jiān)控系統(tǒng)在業(yè)務(wù)運(yùn)行過程中生成，使用時(shí)通過數(shù)據(jù)接口調(diào)用業(yè)務(wù)告警歷史數(shù)據(jù)，數(shù)據(jù)格式為json。業(yè)務(wù)告警描述如表1所示，從表中可以看出業(yè)務(wù)告警歷史數(shù)據(jù)中主要包含了告警對(duì)象、告警時(shí)間、告警資料代碼、數(shù)據(jù)來源、告警生成時(shí)間等信息。

通過全區(qū)廣域網(wǎng)監(jiān)控平臺(tái)的頁(yè)面接口得到網(wǎng)絡(luò)設(shè)備告警數(shù)據(jù)，由于IMC設(shè)備監(jiān)控平臺(tái)的數(shù)據(jù)庫(kù)訪問受到權(quán)限限制，因此通過爬蟲技術(shù)爬取服務(wù)器存儲(chǔ)的告警頁(yè)面的信息。其中告警歷史數(shù)據(jù)中主要為設(shè)備的IP地址、告警描述信息，詳情如表2所示。

1.2? 設(shè)備告警和業(yè)務(wù)告警收集

以全國(guó)綜合氣象信息共享平臺(tái)（內(nèi)蒙古）、內(nèi)蒙古“天鏡”監(jiān)控系統(tǒng)、全區(qū)廣域網(wǎng)監(jiān)控平臺(tái)中的告警頁(yè)面為主要數(shù)據(jù)收集對(duì)象，收集的數(shù)據(jù)為2021年5月18日至7月21日之間的業(yè)務(wù)告警和設(shè)備告警信息，代碼中使用Python的requests方法提交post類型的請(qǐng)求，構(gòu)造post參數(shù)并提交請(qǐng)求到相應(yīng)接口鏈接，通過提交返回json格式數(shù)據(jù)的請(qǐng)求數(shù)據(jù)，向服務(wù)端聲明post提交后返回的消息主體是規(guī)范化的json字符串，之后將獲取到的數(shù)據(jù)用loads方法做解析，將返回的設(shè)備告警數(shù)據(jù)及業(yè)務(wù)告警數(shù)據(jù)寫入到數(shù)據(jù)庫(kù)中。

1.3? 數(shù)據(jù)預(yù)處理

將集的告警和指標(biāo)數(shù)據(jù)保存在數(shù)據(jù)庫(kù)中，指標(biāo)數(shù)據(jù)通過提取關(guān)鍵指標(biāo)因子實(shí)現(xiàn)分析數(shù)據(jù)的篩選，但告警數(shù)據(jù)內(nèi)容中存在垃圾數(shù)據(jù)，不便直接獲取數(shù)據(jù)并做出分析，需要進(jìn)行數(shù)據(jù)預(yù)處理[10]后方可使用，在處理過程中需要保留關(guān)于告警發(fā)生時(shí)間、告警主要類型等內(nèi)容。

1.3.1? 告警歷史數(shù)據(jù)預(yù)處理

告警歷史數(shù)據(jù)量約為75 MB左右，共38 994條告警數(shù)據(jù)。分為業(yè)務(wù)監(jiān)控告警數(shù)據(jù)和設(shè)備指標(biāo)監(jiān)控告警數(shù)據(jù)，主要處理流程如圖1所示。其中業(yè)務(wù)監(jiān)控告警數(shù)據(jù)類型為json，數(shù)據(jù)結(jié)構(gòu)比較清晰，存在val、code、name三類鍵值對(duì)數(shù)據(jù)，但格式上并非僅由時(shí)間和告警信息組成，需要對(duì)業(yè)務(wù)告警進(jìn)行信息提取后方可開始后續(xù)處理。

1）業(yè)務(wù)告警和設(shè)備告警進(jìn)行分離，并刪除噪聲數(shù)據(jù)。過對(duì)比告警信息字符串類型，判斷是否為json格式，若符合則屬于業(yè)務(wù)監(jiān)控告警，不符合則屬于設(shè)備告警直接進(jìn)行分詞操作。遍歷json中內(nèi)容并刪除name字段為數(shù)據(jù)來源、事件類型、事件處理建議、事件處理導(dǎo)向、事件發(fā)生可能原因、指標(biāo)組標(biāo)識(shí)等與數(shù)據(jù)分析無關(guān)的對(duì)象，僅保留name字段為“故障內(nèi)容”“關(guān)鍵信息”“事件發(fā)生時(shí)間”的對(duì)象。

2）業(yè)務(wù)告警信息提取。該階段通過對(duì)業(yè)務(wù)流程告警和業(yè)務(wù)程序狀態(tài)告警的特征判斷后，分別提取對(duì)應(yīng)類型的告警信息。通過逐項(xiàng)查找對(duì)象列表中的內(nèi)容，提取“關(guān)鍵信息”對(duì)象的屬性作為告警描述信息，提取“事件發(fā)生時(shí)間”對(duì)象的屬性作為告警的發(fā)生時(shí)間。判斷告警描述信息中是否包含氣象資料四級(jí)編碼特征，例如“A.0001.0044.R001”，如存在則該告警信息則是“流程監(jiān)控”告警信息，需獲取故障內(nèi)容的對(duì)象屬性。

3）告警信息分詞與存儲(chǔ)。使用python的Jieba分詞方法中的精確模式對(duì)每條告警信息字符進(jìn)行詞語(yǔ)分割，通過自定義詞匯的方法保留詞語(yǔ)中業(yè)務(wù)專有名詞，關(guān)鍵詞使用“/”進(jìn)行分割后以數(shù)組形式存入數(shù)據(jù)庫(kù)。預(yù)處理后的業(yè)務(wù)告警歷史數(shù)據(jù)和設(shè)備告警歷史數(shù)據(jù)如表3所示。

1.3.2? 數(shù)據(jù)轉(zhuǎn)換

對(duì)于告警歷史數(shù)據(jù)，直接提取其中的數(shù)據(jù)信息用于關(guān)聯(lián)算法的研究不易實(shí)現(xiàn)，在處理過程中由于漢字的編碼格式會(huì)遇到編碼格式出錯(cuò)的問題，這需要對(duì)數(shù)據(jù)庫(kù)中的告警描述屬性進(jìn)行文字規(guī)范化處理，對(duì)數(shù)據(jù)進(jìn)行關(guān)鍵信息提取。

1）時(shí)間格式轉(zhuǎn)換。在時(shí)間序列分析中會(huì)用到對(duì)時(shí)間序列的處理函數(shù)，為了方便在處理過程中對(duì)時(shí)間序列的統(tǒng)一處理，將時(shí)間格式全部轉(zhuǎn)換為時(shí)間戳的格式進(jìn)行保存。

2）告警信息轉(zhuǎn)換為數(shù)字。根據(jù)天鏡業(yè)務(wù)告警數(shù)據(jù)整理形成了一個(gè)包含所有告警信息類別關(guān)鍵詞映射關(guān)系。其中分支的末端的字符代表告警信息映射的關(guān)鍵詞。程序通過將告警信息數(shù)組對(duì)該二叉樹進(jìn)行遍歷，進(jìn)而得到對(duì)應(yīng)告警信息的關(guān)鍵詞，為了方便數(shù)據(jù)的關(guān)聯(lián)性分析，將關(guān)鍵詞和對(duì)應(yīng)的IP地址字段拼接后按照名稱排序，使得相同類型的關(guān)鍵詞使用對(duì)應(yīng)數(shù)字標(biāo)識(shí)。經(jīng)過數(shù)據(jù)轉(zhuǎn)換后的告警信息部分如表4所示。

2? 告警數(shù)據(jù)分析

告警歷史數(shù)據(jù)源經(jīng)過收集、預(yù)處理、轉(zhuǎn)換之后所得到的是一個(gè)包含時(shí)間與告警種類的二維矩陣，其中各類數(shù)字編號(hào)代表每類告警，為了更好地展示告警事件在時(shí)間連續(xù)變化過程中的關(guān)聯(lián)效果，將每種類型的告警單獨(dú)提取出來，以時(shí)間序列為橫軸、告警類型編號(hào)為縱軸，各類告警在時(shí)間軸上以單軸散點(diǎn)圖的形式呈現(xiàn)，如圖2所示。

圖中的畫出不同種類的告警隨著時(shí)間變化的趨勢(shì)，從中可以看出屬于同類型告警的事件關(guān)聯(lián)性較為緊密，類型為QPE24的告警在整個(gè)時(shí)間軸上出現(xiàn)的頻率最高，其中告警名稱中包含CMPA、position-grid、online、rainupload的告警類別發(fā)生的時(shí)間較為集中，為了更好地發(fā)現(xiàn)告警中的內(nèi)在聯(lián)系，使用Apriori算法對(duì)圖中的告警做關(guān)聯(lián)性分析。

3? 基于Apriori模型的分類算法實(shí)現(xiàn)

首先根據(jù)Apriori關(guān)聯(lián)性的原理，如果某個(gè)項(xiàng)集是頻繁項(xiàng)集，那么它所有的子集也是頻繁的。即如果{0，1}是頻繁的，那么{0}，{1}也一定是頻繁的[11]。這個(gè)原理直觀上沒有反映出實(shí)際的意義，但是反過來看則有用，也就是說如果一個(gè)項(xiàng)的子集是非頻繁的，那么該子集所在的集合也是非頻繁的。

通過Apriori模型的定義可以得到存在集合A是滿足一定支持度的集合，則其中的子集B也是滿足支持度的集合，在數(shù)學(xué)意義上該結(jié)論的逆否結(jié)論也同樣成立，即一個(gè)集合C滿足非頻繁條件，得出其超集D也是滿足非頻繁條件的。如果我們可以刪除告警事件中的非頻繁項(xiàng)集，得到的集合就是我們想要的具有關(guān)聯(lián)性的集合[12]。為了更好地發(fā)現(xiàn)多種類型告警之間的關(guān)系，研究統(tǒng)一小時(shí)內(nèi)告警發(fā)生的關(guān)聯(lián)性，將數(shù)據(jù)按照小時(shí)的方式進(jìn)行切片，切片對(duì)象為包含告警類型編碼和時(shí)間的二維矩陣S，按照時(shí)間關(guān)鍵字進(jìn)行分組后變?yōu)橐粋€(gè)M行N列的矩陣，其中M行表示每小時(shí)告警的時(shí)間標(biāo)簽，N列表示小時(shí)內(nèi)所有告警時(shí)間的類型編碼集合。

將分類好的M乘N型矩陣按照行數(shù)分割為m行時(shí)間節(jié)點(diǎn)數(shù)據(jù)集，接下來按照Apriori模型求解滿足最小支持度minSupport的頻繁項(xiàng)集Ck，例如有A、B兩個(gè)類型的告警，需要滿足表達(dá)式：

support （A ? B） = P （A ? B）

其中等號(hào)右邊所表達(dá)的含義是集合A和集合B的并集，即包含集合A和集合B中的每個(gè)項(xiàng)的概率，A、B的支持度也可以理解為集合A出現(xiàn)時(shí)同時(shí)存在集合B的概率。

告警類型的支持度計(jì)算步驟如下：

1）計(jì)算k = 1時(shí)的支持度S1，求解每類告警的編碼在整個(gè)編碼集合中出現(xiàn)的概率，定義一個(gè)最小支持度minSupport，通過遞歸循環(huán)計(jì)算出大于支持度的頻繁項(xiàng)子集C1。

2）計(jì)算k = 2時(shí)的支持度S2，在此基礎(chǔ)上將步驟1）得出的告警編碼集合兩兩組合，篩選掉低于最小支持度的集合項(xiàng)，得出大于最小支持度的集合C2。

3）以此計(jì)算k = N的所有可能性，直到所得到的集合為空，則停止計(jì)算，得出最后的頻繁項(xiàng)集合Ck。

通過不同的最小支持度得到的頻繁項(xiàng)集也不同，過小的支持度表現(xiàn)出來的實(shí)際情況為告警出現(xiàn)較為偶然，或者在后續(xù)會(huì)出現(xiàn)該類告警，是一種較低概率的事情，因此選擇支持度的最小閾值為0.2，通過循環(huán)中間增加支持度的閾值，最后在支持度為0.7時(shí)計(jì)算出空集合，我們將最小支持度由0.2到0.6的結(jié)果展示在表5中，由于我們關(guān)注的是兩種告警類型以上的關(guān)系，因此在展示過程中會(huì)篩選掉支持度比較高的單個(gè)類型的告警。

在支持度確定之后，通過向該集合引入置信度confidence的關(guān)系來計(jì)算出兩種以上集合相伴出現(xiàn)的概率，即定量評(píng)估一個(gè)頻繁項(xiàng)集的置信度是否能夠達(dá)到我們的預(yù)期要求，例如計(jì)算出現(xiàn)A告警頻繁項(xiàng)集合里面同時(shí)出現(xiàn)B的概率，通過以下的公式計(jì)算：

在計(jì)算過程中由于A到B的置信度和由B到A的置信度是不同的，因此需要分開計(jì)算兩者的置信度，為了判斷在不同置信度上出現(xiàn)的強(qiáng)關(guān)聯(lián)性，我們將置信度由0.7到0.9的關(guān)聯(lián)集合篩選出來，作為我們主要分析的目標(biāo)，最終得到關(guān)聯(lián)性較強(qiáng)的集合如表6所示。

4? Apriori算法結(jié)果分析

通過分析表6結(jié)果中的不同告警關(guān)系之間的置信度大小，可以總結(jié)為兩類關(guān)聯(lián)性事件：

1）告警A到B的置信度大于B到A的置信度，這個(gè)種情況下體現(xiàn)了告警之間具有因果關(guān)系。例如支持度為0.6的情況下發(fā)現(xiàn)告警編碼2和9有很強(qiáng)的關(guān)聯(lián)性，在將編碼轉(zhuǎn)換為告警類型時(shí)，發(fā)現(xiàn)“雷達(dá)組網(wǎng)拼圖發(fā)告警（radar-map）”發(fā)生的情況下“QPE累計(jì)24小時(shí)算法”的發(fā)生率為94%，反之發(fā)生概率為75%，通過對(duì)兩種告警所在的業(yè)務(wù)邏輯關(guān)系分析得到前者為后者的前端處理程序，這也從側(cè)面解釋了兩個(gè)進(jìn)程之間的相互依賴關(guān)系，因此可以在編碼2、9同時(shí)發(fā)生告警時(shí)，首先處理優(yōu)先級(jí)高的事件，提醒運(yùn)維人員優(yōu)先關(guān)注編碼2的告警，解決之后再處理與其關(guān)聯(lián)的告警。

2）在A和B相互之間置信度相同，這種情況體現(xiàn)在兩種告警同屬同一業(yè)務(wù)系統(tǒng)或者同時(shí)部署在同一服務(wù)器上。例如在支持度為0.4時(shí)，告警16、15出現(xiàn)了相互之間置信度相同的情況，通過還原告警類型名稱可以看出告警類型代碼分別為“格點(diǎn)-03小時(shí)降水”和“格點(diǎn)-06小時(shí)降水”。由此得出兩種類型的告警相伴出現(xiàn)的概率較高，而且同屬一個(gè)業(yè)務(wù)系統(tǒng)進(jìn)程，因此在故障處理優(yōu)先級(jí)方面，出現(xiàn)此類告警時(shí)可以提醒管理員關(guān)注整個(gè)“格點(diǎn)小時(shí)降水”的業(yè)務(wù)運(yùn)行狀態(tài)。

在上述分析中的第一種情況發(fā)生時(shí)，提到了關(guān)于通過置信度分析告警事件的關(guān)聯(lián)性，這里需要提一下關(guān)于提升度的問題，即發(fā)生A類告警事件時(shí)對(duì)出現(xiàn)B類事件的提升程度，有以下公式計(jì)算其中A到B的提升度Lift：

通過提升度的計(jì)算可以得出關(guān)于提升度的結(jié)果，如表7所示。

從表7中可以看出，在整個(gè)告警關(guān)系關(guān)聯(lián)集合中，求得兩類以上告警之前的提升度均大于1，這說明在前者告警發(fā)生時(shí)，后者的告警發(fā)生概率會(huì)增加，這證明了前后關(guān)系的正相關(guān)性較高，告警優(yōu)先級(jí)評(píng)估的結(jié)論有較高的可信度。通過提升度來驗(yàn)證關(guān)聯(lián)關(guān)系是一種有效的方法，在部分情況下支持度也不是最準(zhǔn)確的衡量方法，例如我們?cè)黾痈婢瘮?shù)據(jù)收集量，提升度將會(huì)變得非常大，即出現(xiàn)零事務(wù)事件，通過查詢與關(guān)聯(lián)性分析相關(guān)的研究資料，發(fā)現(xiàn)可以通過計(jì)算置信度的加權(quán)平均值KULC和不平衡比IR來篩選出非零事務(wù)的告警關(guān)系，兩者的計(jì)算式如下：

通過計(jì)算得到的KULC和IR結(jié)果如表8所示。

從KULC和IR結(jié)果中可以看出，置信度均值和置信度之間的不平衡比計(jì)算出來的4組關(guān)聯(lián)結(jié)果中，兩種告警之間相互發(fā)生告警的概率幾乎持平，說明兩種置信度之間是趨于一種平衡的狀態(tài)，在總體告警數(shù)量增加的情況下置信度的平衡性較高，證明了兩種告警之間置信度的計(jì)算結(jié)果具有可信度。

5? 結(jié)? 論

基于Apriori算法對(duì)氣象監(jiān)控告警信息的關(guān)聯(lián)性分析得出了業(yè)務(wù)告警之間具有因果關(guān)系，故障處置運(yùn)維人員能夠以此提高告警處理得效率，分析結(jié)果中關(guān)聯(lián)度較高的關(guān)聯(lián)集合中均為傳輸業(yè)務(wù)監(jiān)控系統(tǒng)產(chǎn)生的告警，硬件設(shè)備告警數(shù)量和關(guān)聯(lián)性較低，因此研究適用于分析傳輸監(jiān)控過程中的故障。

參考文獻(xiàn)：

[1] 程昌玉，李力，蔡宏，等.新一代天氣雷達(dá)產(chǎn)品遠(yuǎn)程共享調(diào)用的設(shè)計(jì)和實(shí)現(xiàn) [J].氣象水文海洋儀器，2016，33（4）：64-67.

[2] 劉金霞，王慧瑜，趙威，等.省級(jí)新一代氣象通信系統(tǒng)傳輸流程的設(shè)計(jì)與實(shí)現(xiàn) [J].氣象與環(huán)境學(xué)報(bào)，2012，28（6）：76-80.

[3] 熊安元，趙芳，王穎，等.全國(guó)綜合氣象信息共享系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) [J].應(yīng)用氣象學(xué)報(bào)，2015，26（4）：500-512.

[4] 張曉，陳文琴.基于天鏡的自動(dòng)化運(yùn)維應(yīng)用研究 [J].信息系統(tǒng)工程，2021（6）：140-143.

[5] HMAN B. Alarm Analysis on Large Systems using Multilevel Flow Models [J].IFAC Proceedings Volumes，2000，33（28）：95-100.

[6] DORGO G，TANDARI F，TIBOR SZAB?，et al. Quality vs. quantity of alarm messages - How to measure the performance of an alarm system [J].Chemical Engineering Research and Design，2021，173：63-80.

[7] LUCKE M，CHIOUA M，GRIMHOLT C，et al.Advances in alarm data analysis with a practical application to online alarm flood classification [J].Journal of Process Control，2019，79：56-71.

[8] LUCKE M，MEI X，STIEF A，et al. Variable Selection for Fault Detection and Identification based on Mutual Information of Alarm Series [J].IFAC-PapersOnLine，2019，52（1）：673-678.

[9] 袁靜，劉立衛(wèi).故障管理系統(tǒng)告警信息處理模型及技術(shù)要求 [J].電信工程技術(shù)與標(biāo)準(zhǔn)化，2014，27（11）：41-45.

[10] 李一風(fēng).基于Celery和Django的分布式自動(dòng)化測(cè)試系統(tǒng)設(shè)計(jì) [J].信息技術(shù)，2019，43（5）：97-100.

[11] 岳鵬宇.Apriori算法的探討 [J].山西經(jīng)濟(jì)管理干部學(xué)院學(xué)報(bào)，2012，20（4）：82-84.

[12] 周發(fā)超，王志堅(jiān)，葉楓，等.關(guān)聯(lián)規(guī)則挖掘算法Apriori的研究改進(jìn) [J].計(jì)算機(jī)科學(xué)與探索，2015，9（9）：1075-1083.

作者簡(jiǎn)介：張新禹（1992—），男，漢族，內(nèi)蒙古化德人，工程師，碩士研究生，研究方向：網(wǎng)絡(luò)、網(wǎng)絡(luò)安全、氣象數(shù)據(jù)分析。