基于生成對抗模型的告警數(shù)據(jù)增強(qiáng)研究

打開文本圖片集

摘要：隨著網(wǎng)絡(luò)通信技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)結(jié)構(gòu)也變得越來越復(fù)雜，網(wǎng)絡(luò)故障的診斷和處理問題也越來越復(fù)雜，網(wǎng)絡(luò)告警數(shù)據(jù)的采集提取以及處理成為了有難度的問題。為了利用較少的告警數(shù)據(jù)訓(xùn)練模型以診斷告警，引入了數(shù)據(jù)增強(qiáng)算法以擴(kuò)充數(shù)據(jù)，訓(xùn)練模型。但以循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeural Network， RNN）為代表的一些深度學(xué)習(xí)模型存在梯度消失、暴露偏差等問題，本文提出了一種以生成式對抗網(wǎng)絡(luò)（Generative Adversarial Networks， GAN）為基礎(chǔ)的告警日志數(shù)據(jù)擴(kuò)充方法，通過生成模型與判別模型二者之間的博弈對抗訓(xùn)練，提升數(shù)據(jù)生成的性能。（剩余4773字）