申请/专利权人:广东工业大学
申请日:2022-04-22
公开(公告)日:2024-04-16
公开(公告)号:CN114666204B
主分类号:H04L41/0631
分类号:H04L41/0631;H04L41/0695
优先权:
专利状态码:有效-授权
法律状态:2024.04.16#授权;2022.07.12#实质审查的生效;2022.06.24#公开
摘要:本发明公开了一种基于因果强化学习的故障根因定位方法及系统,方法包括以下步骤:S1:获取真实故障场景中故障告警事件数据,作为历史数据;S2:利用历史数据构建故障因果强化学习模型;所述故障因果强化学习模型包括因果结构学习模块、因果图环境模型模块与策略网络模块;S3:通过所述故障因果强化学习模型与故障告警环境交互,学习并更新所述因果图环境模型模块以及所述策略网络模块,生成表征完整的最终告警因果图模型,以及输出最优策略;S4:利用所述最终告警因果图模型追溯故障节点的根因故障及根因告警类型。本发明提高了故障根因定位的检测效率和准确度。
主权项:1.一种基于因果强化学习的故障根因定位方法,其特征在于,包括以下步骤:S1:获取真实故障场景中故障告警事件数据,作为历史数据;S2:利用历史数据构建故障因果强化学习模型;所述故障因果强化学习模型包括因果结构学习模块、因果图环境模型模块与策略网络模块;所述因果图环境模型模块,结合所述因果结构学习模块学出的初步告警因果图模型,利用影响力最大化模型算法寻找可能的根因子集,结合节点拓扑网络进一步缩小动作空间,得到候选动作子集;所述策略网络模块根据故障告警环境的当前告警状态信息,结合所述候选动作子集,缩小动作空间,选取所述候选动作子集中概率最大的动作,确定为策略网络模块下一时刻的动作决策;S3:通过所述故障因果强化学习模型与故障告警环境交互,学习并更新所述因果图环境模型模块以及所述策略网络模块,生成表征完整的最终告警因果图模型,以及输出最优策略;S4:利用所述最终告警因果图模型追溯故障节点的根因故障及根因告警类型。
全文数据:
权利要求:
百度查询: 广东工业大学 一种基于因果强化学习的故障根因定位方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。