針對通信網(wǎng)絡(luò)告警預(yù)測中預(yù)測精度不高、模型訓(xùn)練效率較低等缺陷，提出告警權(quán)值確定方法和基于自然序樹（ Can-tree）的加權(quán)增量關(guān)聯(lián)規(guī)則挖掘的通信網(wǎng)絡(luò)告警預(yù)測方案。首先，對告警數(shù)據(jù)進(jìn)行預(yù)處理，確定告警數(shù)據(jù)權(quán)值并壓縮到Can-tree結(jié)構(gòu)中；其次，應(yīng)用增量關(guān)聯(lián)規(guī)則挖掘算法對Can-tree進(jìn)行挖掘，生成告警關(guān)聯(lián)規(guī)則；最后，使用模式匹配的方法對實時告警信息進(jìn)行預(yù)測，并對結(jié)果進(jìn)行優(yōu)化整理。實驗結(jié)果表明，基于Can-tree的加權(quán)增量關(guān)聯(lián)規(guī)則挖掘算法是高效的，利用前次挖掘的結(jié)果和信息提高了挖掘的效率，網(wǎng)絡(luò)告警數(shù)據(jù)的權(quán)值分配方案能夠合理地區(qū)分告警數(shù)據(jù)的重要程度，有助于將重要程度高的告警關(guān)聯(lián)規(guī)則挖掘出來，并加快過時告警關(guān)聯(lián)規(guī)則的淘汰，提高預(yù)測的準(zhǔn)確度和精度。

　　通信網(wǎng)絡(luò)產(chǎn)生的大量數(shù)據(jù)如指令、告警，其中包含了對故障的檢測預(yù)測十分有用的信息，通過對告警數(shù)據(jù)進(jìn)行分析和挖掘，能夠獲得其中隱含的告警關(guān)聯(lián)規(guī)則，當(dāng)實時告警數(shù)據(jù)到來時，通過匹配告警關(guān)聯(lián)規(guī)則，可對不久的將來可能發(fā)生的告警進(jìn)行預(yù)測，從而指導(dǎo)網(wǎng)絡(luò)故障管理。

　　當(dāng)前，通信告警預(yù)測的解決方案主要有：基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法、基于支持向量機的方法心］、基于遺傳算法的預(yù)測方法、基于挖掘的時間序列預(yù)測方法。基于神經(jīng)網(wǎng)絡(luò)的告警預(yù)測技術(shù)具有較強的非線性映射能力和動態(tài)自適應(yīng)能力；但是存在網(wǎng)絡(luò)訓(xùn)練時間較長、難以選取輸入變量和隱含層數(shù)及節(jié)點數(shù)、訓(xùn)練結(jié)果不穩(wěn)定、容易陷入局部最優(yōu)值等缺點。基于支持向量機（ Support Vector Machine．SVM）的方法能在較少的樣本上得到很好的預(yù)測效果；但是復(fù)雜度較高，并且存在過學(xué)習(xí)的問題。基于遺傳算法的告警預(yù)測技術(shù)具有通用、魯棒性強等特點；但是也存在隨機性大、未成熟收斂、收斂速度低等問題。基于關(guān)聯(lián)規(guī)則挖掘和序列模式挖掘方法的優(yōu)點是不需要知道網(wǎng)絡(luò)拓?fù)涞年P(guān)系，當(dāng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)發(fā)生變化時，可以通過對歷史告警數(shù)據(jù)進(jìn)行分析，自動發(fā)現(xiàn)新的告警模式，適應(yīng)網(wǎng)絡(luò)的變化，解決網(wǎng)絡(luò)中出現(xiàn)的新問題；不足之處就在構(gòu)建預(yù)測模型時需要多次掃描數(shù)據(jù)庫，且候選項的數(shù)量巨大，導(dǎo)致構(gòu)建效率較低。