现今是信息爆炸和网络飞速发展的时代,人们越来越依赖电信网络。一旦电信网络发生故障,人们的工作、生活就会受到严重的影响。因此使用数据挖掘技术对电信网络进行故障预测对于提高网络系统的可靠性具有重要意义。本文以某电信公司的网络服务告警日志作为研究基础,充分挖掘告警日志特征,对网络整体的运行状况展开故障预测研究,主要的工作如下:1、构建告警日志数据集。告警日志数据集的构建由告警日志数据的采集与告警数据预处理两个阶段组成。以syslog方式采集网络设备位置、设备类型、故障的事件类型、故障的日志、故障的告警等级等多种来源数据,构建告警数据库。2、本文改进了传统随机森林算法,提出了全局优化的随机森林预测模型,该模型针对传统的随机森林在训练优化过程中目标函数的不一致以及未剪枝导致占用存储空间过大的问题,提出了一种全局化的优化方法和剪枝方法。3、本文分别采用传统随机森林和全局优化的随机森林算法来建立故障预测模型,并同基于概率统计的Bayes算法以及神经网络算法建立的预测模型作对比实验。四个不同的算法模型通过训练与优化分别得到最终的优化模型,分别用同一个数据集进行预测实验。实验表明,集成学习方法的预测效果明显优于随机森林算法和基于概率统计的贝叶斯算法。此外,全局优化的随机森林预测模型的性能比传统随机森林算法预测模型预测效果更好,并且解决了传统随机森林未剪枝导致占用存储空间过大的问题,提高了算法运行效率。