故障根因定位是指通过分析告警回传信息来实现业务故障根因的定位,而如何准确有效地实现这一步对于维护和管理网络系统环境至关重要。本文基于有标注的告警事件数据和节点拓扑结构数据,设计了一系列有监督和无监督算法,提出三阶段实现故障根因定位的方案,并最终落地实现。本文首先基于分类算法实现故障根因时间段检测,第一阶段,通过滑动时间窗口对原始数据集的每个时间段进行截取,在实现数据增强的同时构造数据集,使用的分类算法有支持向量机、KNN算法、随机森林和GBDT算法,首先基于L1正则化的逻辑回归进行特征提取,将特征从101维降到42维,然后构造加权指标衡量分类算法的优劣。最终支持向量机的分类效果最佳,这反映了该算法在解决故障根因分析这样小样本、非线形及高维的模式识别中具有特有的优势。对于预测存在根因的时间段,本文先确定故障根因的告警类型,再确定故障根因的告警节点。本文通过贝叶斯网络实现故障根因类型检测,为了确定贝叶斯网络图结构,本文先基于关联规则挖掘提取告警类型关系图,在这一阶段,从时间和空间两个维度基于告警类型特征构造数据集,然后基于Apriori算法进行时间维度频繁模式挖掘,基于Prefix Span算法进行空间维度序列模式挖掘,对产生的关联对设计筛选规则,最终得到兼具时间和空间特性的告警类型关系图。贝叶斯网络结果显示:参数学习先验分布为BDeu分布的贝叶斯网络准确率最高,为78.2%,人工设定合理图结构的模型准确率平均来说比自动结构学习的效果好,且图结构更精简,模型效率更高。在此基础上,本文通过投票表决改进预测结果,使准确率提升到85%。已知告警根因类型,反向搜索得到疑似根因节点们,结合特征分析的结论:88%的根因都落在出现2类或3类告警的节点处且平均来说每个时间段仅有一半的节点产生告警,构造指标对疑似节点是根因的可能性进行排序,选择可能性最高的为故障根因节点,准确率为89%。