传统的电信网络故障诊断依赖网络运维专家及专家知识，故障诊断速度慢且难以适应网络复杂、多变、迁移等情况。此外，专家知识依赖专家对故障场景的日常积累，知识获取的代价高。而借助知识图谱对电信网络领域知识进行规范化表达，并将专家知识固化到知识图谱中，可以帮助运维人员高效地诊断网络中出现的故障。同时，知识图谱强大的计算和推理能力，可以自动化地挖掘故障信息中的特征，从而实现专家知识的快速积累。在本demo中，我们展示了基于知识图谱的电信网络故障诊断技术，旨在自动化地挖掘故障告警及异常话统间潜在的触发关系，为自动化故障诊断提供先验知识和执行基础。 

该系统基于建模的电信领域知识图谱，将故障（告警及异常话统）间的关联关系挖掘问题转化为知识图谱中的链接预测问题。具体地，我们首先形成了一套面向电信网络领域故障诊断的知识图谱建模方法，对网络产品的概念体系及结构化关系进行建模，其中告警及异常话统被建模为节点，他们之间的关联关系即为节点间的连接边。我们的demo系统即预测这些故障节点间是否存在连接边。基于构建好的知识图谱，首先我们可以根据故障的机器数据对知识图谱进行匹配和点亮，根据故障图中构建的故障传播关系进行自动化的故障场景定位。其次我们提出了基于语义相似度的故障关联关系挖掘算法。利用图神经网络技术编码网络中设备的拓扑结构，同时，对故障自身的语义类型信息及细粒度的词表语义信息进行向量表示，使得存在关联关系的故障（告警或异常话统）的向量表示相近，最终通过在低维向量空间中计算故障节点的相似度，判断故障节点间是否存在关联关系（即连接边）。

该demo系统在2G网络产品MSOFTX3000的测试数据集都有较好的表现效果，在MRR、hit@k等指标上都达到了较优的结果。同时，该demo系统具有挖掘新的故障关联关系的能力，新的关联关系经专家校验后可以达到75.4%的准确率。这些结果证明了该系统可以有效地分析、挖掘电信网络中的故障特征，自动化地总结、归纳故障知识，从而帮助网络运维专家高效地进行故障链定位、根因分析，实现电信网络领域的智能排障。

内容中包含的图片若涉及版权问题，请及时与我们联系删除