一种网络故障告警分析方法、装置、设备及存储介质

技术领域

本发明涉及网络管理技术领域，尤其是涉及一种网络故障告警分析方法、装置、终端设备及计算机可读存储介质。

背景技术

随着电信网规模的不断扩大，电信网中的运维支撑网络的结构越来越复杂，当运维支撑网络中的某一个位置发生故障时，其他位置可能会产生一连串的告警事件，从而导致在短时间内产生种类繁多、信息冗余的告警事件，运维人员通常无法在短时间内对无效的告警信息进行剔除，也不能对告警的故障位置进行精准定位，因此有必要提出一种网络故障告警分析方法以实现故障根因分析。

现有技术通常基于历史告警事件与故障位置的关联性进行分析，从而实现故障根因分析，但是由于告警事件具有更新速度快的特点，因此基于历史告警事件与故障位置的关联性进行故障根因分析无法应对动态多变的网络攻击行为。

发明内容

本发明提供一种网络故障告警分析方法、装置、设备及存储介质，当新的告警事件产生时，通过利用新的告警事件的时空特征对预设的第一故障类型识别模型进行训练，能够提高第一故障类型识别模型的泛化性能，从而能够有效地对新的告警时间进行故障类型识别，能够应对动态多变的网络攻击行为；进一步地，通过采用序列模式挖掘算法挖掘告警事件的频繁序列，能够实现对故障设备的物理位置的精准定位。

为了解决上述技术问题，本发明实施例第一方面提供一种网络故障告警分析方法，包括如下步骤：

当在若干预设的观察周期内产生若干告警事件时，对所述若干告警事件进行关键字段提取，根据提取的关键字段获得每个告警事件所对应的告警数据；

将每个观察周期内的若干告警数据按照时间序列进行排序，获得每个观察周期所对应的二维矩阵数据；

基于预先按照预设的滑动窗口调整策略所确定的每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取，获得每个观察周期所对应的告警事务数据；

通过卷积神经网络对若干所述告警事务数据进行特征提取，获得每个观察周期所对应的告警时空特征；

利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得参数更新后的第一故障类型识别模型，并通过所述参数更新后的第一故障类型识别模型对若干所述告警事务数据进行故障类型识别，确定每个观察周期所对应的第一故障类型；

采用序列模式挖掘算法获得每个观察周期所对应的若干频繁序列，并对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型；其中，所述频繁序列对应于在所述观察周期内运行的其中一个设备；

将每个观察周期所对应的第一故障类型与若干所述第二故障类型进行匹配，当在所述观察周期内存在匹配于所述第一故障类型的目标第二故障类型时，根据所述目标第二故障类型所对应的频繁序列，确定故障设备及所述故障设备的物理位置。

作为优选方案，所述利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得参数更新后的第一故障类型识别模型，具体包括如下步骤：

利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得若干更新后的模型参数；

将所述第一故障类型识别模型的初始模型参数与所述若干更新后的模型参数进行比较，获得满足预设参数变化范围的若干目标更新模型参数；

基于所述若干目标更新模型参数对所述第一故障类型识别模型进行参数更新，获得参数更新后的第一故障类型识别模型。

作为优选方案，所述采用序列模式挖掘算法获得每个观察周期所对应的若干频繁序列，具体包括如下步骤：

获取每个观察周期内各个设备的异常状态序列；其中，所述异常状态序列包括若干异常状态信息；

基于所述若干异常状态信息的出现时间顺序，确定若干告警项目及每个告警项目的出现次数；其中，所述告警项目包括按照出现时间排序的若干异常状态信息；

以预设支持度阈值和所述出现次数的比较结果确定每个观察周期所对应的若干频繁序列。

作为优选方案，所述对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型，具体包括如下步骤：

通过预设的第二故障类型识别模型，基于预设的各频繁序列与各故障类型的映射关系，对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型。

作为优选方案，所述方法具体通过如下步骤预先按照预设的滑动窗口调整策略确定每个观察周期所对应的滑动窗口：

根据第T个观察周期所对应的故障设备的物理位置和第T+1个观察周期所对应的故障设备的物理位置，确定所述第T个观察周期所对应的第一故障定位误差；

根据所述第T+1个观察周期所对应的故障设备的物理位置和第T+2个观察周期所对应的故障设备的物理位置，确定所述第T+1个观察周期所对应的第二故障定位误差；

根据所述第一故障定位误差和所述第二故障定位误差，获得所述第T+2个观察周期所对应的累计误差；

当所述累计误差不等于预设误差阈值时，通过如下表达式确定当前滑动窗口的宽度变化值和步长变化值：

Δw＝C×w

其中，Δw表示所述宽度变化值；w

根据所述宽度变化值和所述步长变化值分别对所述当前滑动窗口的宽度和步长进行调整，并将调整后的滑动窗口作为第T+3个观察周期所对应的滑动窗口；

其中，T>0；

所述第T个观察周期、所述第T+1个观察周期和所述第T+2个观察周期所对应的滑动窗口均为所述当前滑动窗口；所述当前滑动窗口的宽度为预设宽度，所述当前滑动窗口的步长为预设步长。

作为优选方案，所述基于预先按照预设的滑动窗口调整策略所确定的每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取，获得每个观察周期所对应的告警事务数据，具体包括如下步骤：

基于每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取；

将提取的告警数据按照所述滑动窗口的滑动顺序进行排列，获得每个观察周期所对应的告警数据样本；

根据每个观察周期所对应的告警数据样本和预设样本尺寸，构建包含每个观察周期所对应的告警事务数据的告警事务数据库。

作为优选方案，所述每个告警事件所对应的告警数据至少包括告警事件编码、告警内容、告警位置和告警级别。

本发明实施例第二方面提供一种网络故障告警分析装置，包括：

告警数据获取模块，用于当在若干预设的观察周期内产生若干告警事件时，对所述若干告警事件进行关键字段提取，根据提取的关键字段获得每个告警事件所对应的告警数据

二维矩阵数据获取模块，用于将每个观察周期内的若干告警数据按照时间序列进行排序，获得每个观察周期所对应的二维矩阵数据；

告警事务数据获取模块，用于基于预先按照预设的滑动窗口调整策略所确定的每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取，获得每个观察周期所对应的告警事务数据；

告警时空特征提取模块，用于通过卷积神经网络对若干所述告警事务数据进行特征提取，获得每个观察周期所对应的告警时空特征；

第一故障类型识别模块，用于利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得参数更新后的第一故障类型识别模型，并通过所述参数更新后的第一故障类型识别模型对若干所述告警事务数据进行故障类型识别，确定每个观察周期所对应的第一故障类型；

第二故障类型识别模块，用于采用序列模式挖掘算法获得每个观察周期所对应的若干频繁序列，并对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型；其中，所述频繁序列对应于在所述观察周期内运行的其中一个设备；

故障定位模块，用于将每个观察周期所对应的第一故障类型与若干所述第二故障类型进行匹配，当在所述观察周期内存在匹配于所述第一故障类型的目标第二故障类型时，根据所述目标第二故障类型所对应的频繁序列，确定故障设备及所述故障设备的物理位置。

本发明实施例第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的网络故障告警分析方法。

本发明实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一项所述的网络故障告警分析方法。

相比于现有技术，本发明实施例的有益效果在于，当新的告警事件产生时，通过利用新的告警事件的时空特征对预设的第一故障类型识别模型进行训练，能够提高第一故障类型识别模型的泛化性能，从而能够有效地对新的告警时间进行故障类型识别，能够应对动态多变的网络攻击行为；进一步地，通过采用序列模式挖掘算法挖掘告警事件的频繁序列，能够实现对故障设备的物理位置的精准定位。

附图说明

图1是本发明实施例中的网络故障告警分析方法的流程示意图；

图2是本发明实施例中的告警事务数据库的示意图；

图3是本发明实施例中的网络故障告警分析装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，本发明实施例第一方面提供一种网络故障告警分析方法，包括如下步骤S1至步骤S7：

步骤S1，当在若干预设的观察周期内产生若干告警事件时，对所述若干告警事件进行关键字段提取，根据提取的关键字段获得每个告警事件所对应的告警数据；

步骤S2，将每个观察周期内的若干告警数据按照时间序列进行排序，获得每个观察周期所对应的二维矩阵数据；

步骤S3，基于预先按照预设的滑动窗口调整策略所确定的每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取，获得每个观察周期所对应的告警事务数据；

步骤S4，通过卷积神经网络对若干所述告警事务数据进行特征提取，获得每个观察周期所对应的告警时空特征；

步骤S5，利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得参数更新后的第一故障类型识别模型，并通过所述参数更新后的第一故障类型识别模型对若干所述告警事务数据进行故障类型识别，确定每个观察周期所对应的第一故障类型；

步骤S6，采用序列模式挖掘算法获得每个观察周期所对应的若干频繁序列，并对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型；其中，所述频繁序列对应于在所述观察周期内运行的其中一个设备；

步骤S7，将每个观察周期所对应的第一故障类型与若干所述第二故障类型进行匹配，当在所述观察周期内存在匹配于所述第一故障类型的目标第二故障类型时，根据所述目标第二故障类型所对应的频繁序列，确定故障设备及所述故障设备的物理位置。

在步骤S1中，当在若干预设的观察周期内产生若干告警事件时，对若干告警事件进行关键字段提取，以实现对告警事件的预处理，值得说明的是，在告警事件预处理过程中需要抽取影响故障根因分析的关键字段，虽然每一个告警事件包含很多告警属性，但是故障定位仅需要几个关键的属性，比如：告警事件编码、告警内容、告警位置、告警级别。

在步骤S2中，由于原始的告警数据无法直接用于后续的时空特征提取，因此，本实施例将每个观察周期的原始的告警数据按照时间序列进行排序，构建一个二维矩阵数据。示例性地，告警数据S＝{s,T

在步骤S3中，考虑到不同告警事件所引发的告警范围和告警时间长短不一，结合实际的网络运维经验，采用滑动窗口调整策略确定每个观察周期所对应的滑动窗口，从而实现告警事件在时间上的强关联。基于每个观察周期所对应的滑动窗口，对二维矩阵数据进行告警数据提取，获得每个观察周期所对应的告警事务数据，能够避免告警事务数据中包含太多冗余信息。

在步骤S4中，为了提取告警事务数据的多维语义特征，本实施例通过卷积神经网络对若干告警事务数据进行特征提取，获得每个观察周期所对应的告警时空特征。具体地，本实施例通过卷积神经网络对告警事务数据采用不同大小的卷积核进行特征提取，由浅入深提取告警事务数据的时间和空间深浅层次特征，再通过融合层对浅层数据语义和深层数据语义的信息进行融合，实现告警事务数据的多维语义特征分析。

在步骤S5中，本实施例利用告警时空特征对预设的第一故障类型识别模型进行训练，获得参数更新后的第一故障类型识别模型。通过利用新的告警事件的时空特征对第一故障类型识别模型进行增量式更新，能够提高模型的泛化性能，从而能够有效地对新的告警时间进行故障类型识别，能够应对动态多变的网络攻击行为。

值得说明的是，预设的第一故障类型识别模型为通过BP神经网络模型对历史告警事务数据的时空特征进行学习而获得的模型。

在步骤S6中，由于攻击过程是一个具有较强时序性和关联性的过程，考虑到物理网络拓扑和信息系统传输链路具有密切的耦合关系，因此，告警事件虽然存在冗余，但是这些告警事件具有一定的共性规律，通过挖掘这些告警事件的频繁序列，可以对信息系统的故障类型与物理网络中每一个关键设备的运行异常状态所引致的故障类型进行匹配，实现故障物理位置的精准定位。

在步骤S7中，将每个观察周期所对应的第一故障类型与若干第二故障类型进行匹配，当在观察周期内存在匹配于第一故障类型的目标第二故障类型时，根据目标第二故障类型所对应的频繁序列，便能够将该频繁序列所对应的设备作为重点排查的对象，获取该设备的物理位置便实现故障位置的精准定位。

作为优选方案，所述利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得参数更新后的第一故障类型识别模型，具体包括如下步骤：

利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得若干更新后的模型参数；

将所述第一故障类型识别模型的初始模型参数与所述若干更新后的模型参数进行比较，获得满足预设参数变化范围的若干目标更新模型参数；

基于所述若干目标更新模型参数对所述第一故障类型识别模型进行参数更新，获得参数更新后的第一故障类型识别模型。

值得说明的是，考虑到参数更新后的第一故障类型识别模型是采用新的告警事件进行训练的，因此，参数更新后的第一故障类型识别模型的模型参数可能会更偏向于新的告警事务数据，为了防止神经网络遗忘之前学过的知识，本实施例有选择性地选择神经网络的模型参数，具体为：将第一故障类型识别模型的初始模型参数与若干更新后的模型参数进行比较，获得满足预设参数变化范围的若干目标更新模型参数。

示例性地，本实施例中的预设参数变化范围为10％，则选择参数变化范围小于10％的更新后的模型参数作为目标更新模型参数，至于参数变化范围大于10％的更新后的模型参数则将其剔除。

作为优选方案，所述采用序列模式挖掘算法获得每个观察周期所对应的若干频繁序列，具体包括如下步骤：

获取每个观察周期内各个设备的异常状态序列；其中，所述异常状态序列包括若干异常状态信息；

基于所述若干异常状态信息的出现时间顺序，确定若干告警项目及每个告警项目的出现次数；其中，所述告警项目包括按照出现时间排序的若干异常状态信息；

以预设支持度阈值和所述出现次数的比较结果确定每个观察周期所对应的若干频繁序列。

值得说明的是，在一个观测周期内的某个设备的全部异常状态信息S

在此基础上，采用序列模式挖掘算法挖掘T时刻Q

值得说明的是，支持度阈值通常根据个人经验或者攻击事件的历史数据得出。

示例性地，异常状态信息的顺序为：ABCBEABDCAB；则告警项目A-B(表示先发生A再发生B)的出现次数为3次，告警项目A-B-C(表示先发生A再发生B再发生C)的出现次数为2次，告警项目A-B-D(表示先发生A再发生B再发生D)的出现次数为1次。假设支持度阈值为2，则告警项目A-B-D不满足支持度阈值，所以告警项目A-B和告警项目A-B-C为频繁序列。

作为优选方案，所述对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型，具体包括如下步骤：

通过预设的第二故障类型识别模型，基于预设的各频繁序列与各故障类型的映射关系，对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型。

具体地，在获取频繁序列的基础上，采用模式识别法判断该频繁序列的故障类型，并将概率较大的若干故障类型与上述第一故障类型进行匹配，如果匹配成功，则将对应的设备作为重点排查的对象，实现故障物理位置的精准定位。

值得说明的是，模式识别法通常为利用神经网络模型进行识别，在本实施例中，通过预设的第二故障类型识别模型，基于预设的各频繁序列与各故障类型的映射关系，对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型。可以理解的是，本实施例预先利用各频繁序列与各故障类型的映射关系对神经网络模型进行训练，例如，告警项目A-B-D对应于故障类型1，告警项目A-B-C对应于故障类型2。

作为优选方案，所述方法具体通过如下步骤预先按照预设的滑动窗口调整策略确定每个观察周期所对应的滑动窗口：

根据第T个观察周期所对应的故障设备的物理位置和第T+1个观察周期所对应的故障设备的物理位置，确定所述第T个观察周期所对应的第一故障定位误差；

根据所述第T+1个观察周期所对应的故障设备的物理位置和第T+2个观察周期所对应的故障设备的物理位置，确定所述第T+1个观察周期所对应的第二故障定位误差；

根据所述第一故障定位误差和所述第二故障定位误差，获得所述第T+2个观察周期所对应的累计误差；

当所述累计误差不等于预设误差阈值时，通过如下表达式确定当前滑动窗口的宽度变化值和步长变化值：

Δw＝C×w

其中，Δw表示所述宽度变化值；w

根据所述宽度变化值和所述步长变化值分别对所述当前滑动窗口的宽度和步长进行调整，并将调整后的滑动窗口作为第T+3个观察周期所对应的滑动窗口；

其中，T>0；

所述第T个观察周期、所述第T+1个观察周期和所述第T+2个观察周期所对应的滑动窗口均为所述当前滑动窗口；所述当前滑动窗口的宽度为预设宽度，所述当前滑动窗口的步长为预设步长。

值得说明的是，本实施例采用动态时间窗口滑动的方法实现了告警事件在时间上的强关联。如果告警事件的故障定位精度低于阈值，那么就缩小滑动窗口的宽度和步长；相反，如果告警事件的故障定位精度高于阈值，那么就扩大滑动窗口的宽度和步长。如此，就能根据滑动窗口的大小来调整系统中告警事件的数量，避免由于窗口过大导致告警事务数据中包含太多冗余信息，无法有效挖掘关联规则。同时，动态的步长也能保证两个滑动窗口的重叠度，避免由于滑动窗口重叠过多，人为增强了两个滑动窗口之间的相关性，增加故障定位的复杂度和干扰性。

假设S

在本实施例中，根据第一故障定位误差和第二故障定位误差，通过如下表达式获得第T+2个观察周期所对应的累计误差：

其中，e

判断累计误差是否大于预设误差阈值，如果大于预设误差阈值，那么缩小当前滑动窗口的宽度和步长；相反，扩大当前滑动窗口的宽度和步长，通过如下表达式对当前滑动窗口的宽度和步长进行调整：

w′＝w

其中，w′表示调整后的宽度；t′

作为优选方案，所述基于预先按照预设的滑动窗口调整策略所确定的每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取，获得每个观察周期所对应的告警事务数据，具体包括如下步骤：

基于每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取；

将提取的告警数据按照所述滑动窗口的滑动顺序进行排列，获得每个观察周期所对应的告警数据样本；

根据每个观察周期所对应的告警数据样本和预设样本尺寸，构建包含每个观察周期所对应的告警事务数据的告警事务数据库。

值得说明的是，为了保证每个观察周期所对应的告警数据样本尺寸一致，本实施例根据每个观察周期所对应的告警数据样本和预设样本尺寸，构建包含每个观察周期所对应的告警事务数据的告警事务数据库，对于每一次滑动后的告警数据样本尺寸小于预设样本尺寸的，使用0进行填充，如图2所示，最终构建特定尺寸的告警事务数据库。

作为优选方案，所述每个告警事件所对应的告警数据至少包括告警事件编码、告警内容、告警位置和告警级别。

本发明实施例提供的一种网络故障告警分析方法，当新的告警事件产生时，通过利用新的告警事件的时空特征对预设的第一故障类型识别模型进行训练，能够提高第一故障类型识别模型的泛化性能，从而能够有效地对新的告警时间进行故障类型识别，能够应对动态多变的网络攻击行为；进一步地，通过采用序列模式挖掘算法挖掘告警事件的频繁序列，能够实现对故障设备的物理位置的精准定位。

参见图3，本发明实施例第二方面提供一种网络故障告警分析装置，包括：

告警数据获取模块301，用于当在若干预设的观察周期内产生若干告警事件时，对所述若干告警事件进行关键字段提取，根据提取的关键字段获得每个告警事件所对应的告警数据

二维矩阵数据获取模块302，用于将每个观察周期内的若干告警数据按照时间序列进行排序，获得每个观察周期所对应的二维矩阵数据；

告警事务数据获取模块303，用于基于预先按照预设的滑动窗口调整策略所确定的每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取，获得每个观察周期所对应的告警事务数据；

告警时空特征提取模块304，用于通过卷积神经网络对若干所述告警事务数据进行特征提取，获得每个观察周期所对应的告警时空特征；

第一故障类型识别模块305，用于利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得参数更新后的第一故障类型识别模型，并通过所述参数更新后的第一故障类型识别模型对若干所述告警事务数据进行故障类型识别，确定每个观察周期所对应的第一故障类型；

第二故障类型识别模块306，用于采用序列模式挖掘算法获得每个观察周期所对应的若干频繁序列，并对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型；其中，所述频繁序列对应于在所述观察周期内运行的其中一个设备；

故障定位模块307，用于将每个观察周期所对应的第一故障类型与若干所述第二故障类型进行匹配，当在所述观察周期内存在匹配于所述第一故障类型的目标第二故障类型时，根据所述目标第二故障类型所对应的频繁序列，确定故障设备及所述故障设备的物理位置。

作为优选方案，所述第一故障类型识别模块305用于利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得参数更新后的第一故障类型识别模型，具体包括：

利用所述告警时空特征对预设的第一故障类型识别模型进行训练，获得若干更新后的模型参数；

将所述第一故障类型识别模型的初始模型参数与所述若干更新后的模型参数进行比较，获得满足预设参数变化范围的若干目标更新模型参数；

基于所述若干目标更新模型参数对所述第一故障类型识别模型进行参数更新，获得参数更新后的第一故障类型识别模型。

作为优选方案，所述第二故障类型识别模块306用于采用序列模式挖掘算法获得每个观察周期所对应的若干频繁序列，具体包括：

获取每个观察周期内各个设备的异常状态序列；其中，所述异常状态序列包括若干异常状态信息；

基于所述若干异常状态信息的出现时间顺序，确定若干告警项目及每个告警项目的出现次数；其中，所述告警项目包括按照出现时间排序的若干异常状态信息；

以预设支持度阈值和所述出现次数的比较结果确定每个观察周期所对应的若干频繁序列。

作为优选方案，所述第二故障类型识别模块306用于对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型，具体包括：

通过预设的第二故障类型识别模型，基于预设的各频繁序列与各故障类型的映射关系，对每个频繁序列进行故障类型识别，获得每个频繁序列所对应的第二故障类型。

作为优选方案，所述装置还包括滑动窗口调整模块，用于：

根据第T个观察周期所对应的故障设备的物理位置和第T+1个观察周期所对应的故障设备的物理位置，确定所述第T个观察周期所对应的第一故障定位误差；

根据所述第T+1个观察周期所对应的故障设备的物理位置和第T+2个观察周期所对应的故障设备的物理位置，确定所述第T+1个观察周期所对应的第二故障定位误差；

根据所述第一故障定位误差和所述第二故障定位误差，获得所述第T+2个观察周期所对应的累计误差；

当所述累计误差不等于预设误差阈值时，通过如下表达式确定当前滑动窗口的宽度变化值和步长变化值：

Δw＝C×w

其中，Δw表示所述宽度变化值；w

根据所述宽度变化值和所述步长变化值分别对所述当前滑动窗口的宽度和步长进行调整，并将调整后的滑动窗口作为第T+3个观察周期所对应的滑动窗口；

其中，T>0；

所述第T个观察周期、所述第T+1个观察周期和所述第T+2个观察周期所对应的滑动窗口均为所述当前滑动窗口；所述当前滑动窗口的宽度为预设宽度，所述当前滑动窗口的步长为预设步长。

作为优选方案，所述告警事务数据获取模块303用于基于预先按照预设的滑动窗口调整策略所确定的每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取，获得每个观察周期所对应的告警事务数据，具体包括：

基于每个观察周期所对应的滑动窗口，对所述二维矩阵数据进行告警数据提取；

将提取的告警数据按照所述滑动窗口的滑动顺序进行排列，获得每个观察周期所对应的告警数据样本；

根据每个观察周期所对应的告警数据样本和预设样本尺寸，构建包含每个观察周期所对应的告警事务数据的告警事务数据库。

作为优选方案，所述每个告警事件所对应的告警数据至少包括告警事件编码、告警内容、告警位置和告警级别。

需要说明的是，本发明实施例所提供的一种网络故障告警分析装置，能够实现上述任一实施例所述的网络故障告警分析方法的所有流程，装置中的各个模块的作用以及实现的技术效果分别与上述实施例所述的网络故障告警分析方法的作用以及实现的技术效果对应相同，这里不再赘述。

本发明实施例第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一实施例所述的网络故障告警分析方法。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一实施例所述的网络故障告警分析方法。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。