,但MINWAL(O)、MINWAL(W)、WAR[20]和WARM[21]算法等虽然考虑了告警权重的问题,但它们仍然依赖Aprior算法的结构,不能克服掉Aprior算法的两个弊端。本文采用的加权频繁模式算法(WeightedFrequentPattern,WFP)挖掘算法[22]克服掉了两大经典算法——Apriori算法和频繁模式增长(FP-growth)算法中的弊端,也引入了加权的概念。1.3本文贡献本文主要是设计并实现一个加权关联规则挖掘系统(WeightedAssociationRulesMiningSystem,WARMS),并将该系统应用于现实中的运维支撑网的告警数据,挖掘出所需要的关联规则。该系统所用算法主要分为两大部分:(1)告警数据的预处理(a)利用滑动时间窗口算法[22]将原始的运维支撑网告警数据转换成告警事务数据。(b)利用层次分析法[23][24][25]得到告警数据及告警事务数据的权重。克服使用者主观因素带来的误差,使得得到的权重更加科学有效。(2)加权关联规则的挖掘(a)输入经以上两步预处理后的具有权重值的告警事务数据,得到加权频繁模式树(WeightedFrequentPatternTree,WFP-Tree)[22]。(b)输入加权频繁模式树,运用加权频繁模式算法(WeightedFrequentPattern,WFP)[22]得到所需要的加权关联规则。这两步依据关联规则最经典的两个算法——Apriori算法和频繁模式增长(FP-growth)算法,抽取它们的优点得到的。第一步避开了频繁模式增长(FP-growth)算法递归生成多个条件频繁模式树的弊端。第二步汲取了频繁模式增长(FP-growth)算法的优点,避开了Apriori算法扫描多次数据库的弊端。其中加权关联规则的挖掘这一部分是加权关联规则挖掘系统(WARMS)的核心部分。万方数据