Alarm correlation using Apriori algorithm

Abstract

ÖZETÇEHaberleşme şebekeleri her gün milyonlarca alarm üreten binlerce ekipman içerebilmektedir. Sürdürülebilir kaliteli hizmeti sağlayabilmek için şebeke gözlem uzmanlarının bu alarmları incelemesi ve altlarında yatan arıza nedenlerini bulmaları gerekmektedir. Yüksek sayıda şebeke alarmının neden olduğu alarm kirliliği sadece şebeke gözlem uzmanlarının harcadığı zamanı arttırmaz, aynı zamanda önemli arızaların belirlenip giderilmesini geciktirir. Alarm kirliliği probleminin üstesinden gelmenin bir yöntemi şebeke aksaklıkları belirlenmeden alarmları filtreleyip sayısını azaltmaktır. Alarm ilintilendirme, aynı aksaklıklara işaret eden alarmları otomatik olarak belirleyip gruplayarak ilgilenilmesi gereken alarm sayısını azaltan bir tekniktir. Bu makalede, şebeke alarm tarihçesi incelenerek otomatik olarak alarm ilintilendirme kuralları üreten yeni bir istatistiksel yaklaşım sunulmaktadır. Bu çalışmada, ilintili alarm tipi gruplarının belirlenmesinde Pazar Sepet Analizi teknikleri arasında en bilinenlerden biri olan Apriori algoritması Kayan Zaman Penceresi tekniği ile beraber kullanılmıştır.Anahtar Kelimeler: Apriori algoritması; alarm ilintilendirme; sıra madenciliği; kayan zaman penceresi; pazar sepet analizi. ABSTRACTCommunication networks usually contain thousands of components producing millions of alarms every day. To ensure sustainable high quality network services, network surveillance experts need to inspect these alarms and determine the underlying faults. High number of network alarms cause alarm pollution which may cause not only extra time spent by the network surveillance experts but also delays in handling of important faults. One way of overcoming this alarm pollution problem is to filter and reduce the number of alarms before the network faults can be located. Alarm correlation techniques are used to automatically detect and group related alarms which point to the same root cause faults, and therefore they reduce the number of alarms. In this paper, we present new statistical approaches which automatically produce alarm correlation rules by investigating network alarm history. We apply the, Apriori algorithm which is one of the well-known Market Basket Analysis techniques together with the Sliding Time Window technique on alarm history in order to automatically determine correlated alarm type patterns.